Markov Chain Monte Carlo (MCMC) — Metropolis-Hastings i Gibbsovo uzorkovanje
Markov Chain Monte Carlo (MCMC) je obitelj algoritama za simulaciju koji konstruiraju Markovljev lanac čija je stacionarna distribucija ciljna aposteriorna distribucija, omogućujući Bayesovsko zaključivanje i izračun visokodimenzionalnih integrala koji bi inače bili analitički nerješivi. MCMC, pionirski razvijen od strane Metropolisa i kolega 1953. godine te proširen od strane Hastingsa 1970. godine, temelj je moderne Bayesovske statistike. Dvije najčešće korištene varijante su Metropolis-Hastings, koja predlaže pomake iz opće distribucije prijedloga, i Gibbsovo uzorkovanje, koje uzima svaki parametar redom iz njegove potpune uvjetne distribucije.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+8 more
Izvori
- Gelman, A., Carlin, J.B., Stern, H.S., Dunson, D.B., Vehtari, A. & Rubin, D.B. (2013). Bayesian Data Analysis (3rd ed.). Chapman & Hall/CRC. DOI: 10.1201/b16018 ↗
- Brooks, S., Gelman, A., Jones, G.L. & Meng, X.-L. (Eds.) (2011). Handbook of Markov Chain Monte Carlo. Chapman & Hall/CRC. DOI: 10.1201/b10905 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Markov Chain Monte Carlo (MCMC — Metropolis-Hastings, Gibbs Sampling). ScholarGate. https://scholargate.app/hr/simulation/markov-chain-monte-carlo
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Approximate Bayesian ComputationSimulacija↔ compare
- Bayesovska regresijaBayesovska statistika↔ compare
- Simulacija pokretanjaSimulacija↔ compare
- Latin Hypercube SamplingSimulacija↔ compare
- Simulacija Monte CarloDonošenje odluka↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →