Markov Chain Monte Carlo (MCMC) — Metropolis-Hastings og Gibbs-sampling

Markov Chain Monte Carlo (MCMC) er en familie av simuleringsalgoritmer som konstruerer en Markovkjede hvis stasjonære fordeling er den målrettede posteriorfordelingen, noe som muliggjør Bayesiansk inferens og beregning av høy-dimensjonale integraler som ellers ville vært analytisk uløselige. MCMC, pionert av Metropolis og kolleger i 1953 og utvidet av Hastings i 1970, danner grunnlaget for moderne Bayesiansk statistikk. De to mest brukte variantene er Metropolis-Hastings, som foreslår trekk fra en generell forslagsfordeling, og Gibbs-sampling, som trekker hver parameter etter tur fra sin fulle betingede fordeling.