Process / pipeline

Markov Chain Monte Carlo (MCMC) — Metropolis-Hastings és Gibbs mintavételezés

A Markov lánc Monte Carlo (MCMC) szimulációs algoritmusok olyan családja, amely egy Markov-láncot épít fel, amelynek stacionárius eloszlása a cél utóeloszlás, lehetővé téve a Bayes-féle következtetést és a nagy dimenziós integrálok kiszámítását, amelyek egyébként analitikusan kezelhetetlenek lennének. Az 1953-ban Metropolis és munkatársai által úttörőként megalkotott és az 1970-ben Hastings által kiterjesztett MCMC a modern Bayes-féle statisztika alapját képezi. A két legelterjedtebb változat a Metropolis-Hastings, amely általános javaslati eloszlásból javasol lépéseket, és a Gibbs mintavételezés, amely minden paramétert sorban a teljes feltételes eloszlásából mintáz.

Megnyitás itt: MethodMindHamarosanVideóHamarosanDiák letöltése

A teljes módszer elolvasása

Csak tagoknak

Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.

Bejelentkezés

Módszertérkép

A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.

Markov Chain Monte Carlo (MCMC)

Approximate Bayesian Com…Bayes-féle Regresszió Bootstrap szimuláció Latin Hypercube Sampling MONTE-CARLO-SIMULATION Ügynökalapú modellezés (…Bayesian Monte Carlo szi…Bayesian Simulated Annea…Dinamikus Monte Carlo sz…Multilevel Approximate B…

+8 további

Források

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 ↗

Hogyan hivatkozzon erre az oldalra

ScholarGate. (2026, June 1). Markov Chain Monte Carlo (MCMC — Metropolis-Hastings, Gibbs Sampling). ScholarGate. https://scholargate.app/hu/simulation/markov-chain-monte-carlo

Melyik módszer?

Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.