Markov Chain Monte Carlo (MCMC) — Metropolis-Hastings en Gibbs Sampling
Markov Chain Monte Carlo (MCMC) is een familie van simulatiealgoritmen die een Markovketen construeert waarvan de stationaire verdeling de doel-posterior is, wat Bayesiaanse inferentie en berekening van hoog-dimensionale integralen mogelijk maakt die anders analytisch onoplosbaar zouden zijn. MCMC, gepionierd door Metropolis en collega's in 1953 en uitgebreid door Hastings in 1970, vormt de basis van de moderne Bayesiaanse statistiek. De twee meest gebruikte varianten zijn Metropolis-Hastings, die bewegingen voorstelt vanuit een algemene voorstelverdeling, en Gibbs-sampling, die elke parameter om de beurt trekt uit zijn volledige conditionele verdeling.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
+8 more
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Markov Chain Monte Carlo (MCMC — Metropolis-Hastings, Gibbs Sampling). ScholarGate. https://scholargate.app/nl/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 ComputationSimulatie↔ compare
- Bayesian RegressieBayesiaanse statistiek↔ compare
- Bootstrap SimulatieSimulatie↔ compare
- Latin Hypercube SamplingSimulatie↔ compare
- Monte Carlo SimulatieBesluitvorming↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →