Łańcuchy Markowa i symulacje Monte Carlo (MCMC)
Łańcuchy Markowa i symulacje Monte Carlo (MCMC) to rodzina algorytmów obliczeniowych służących do próbkowania ze złożonych rozkładów prawdopodobieństwa, najczęściej rozkładów a posteriori pojawiających się w wnioskowaniu bayesowskim. Zamiast obliczać rozkłady a posteriori analitycznie — co rzadko jest możliwe dla realistycznych modeli — MCMC konstruuje łańcuch Markowa, którego rozkład stacjonarny jest docelowym rozkładem a posteriori, i pobiera z niego zależne próbki, umożliwiając pełne wnioskowanie probabilistyczne dla praktycznie każdego modelu.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
+25 more
Źródła
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
- Brooks, S., Gelman, A., Jones, G. & Meng, X.-L. (Eds.). (2011). Handbook of Markov Chain Monte Carlo. CRC Press. ISBN: 978-1420079418
Jak cytować tę stronę
ScholarGate. (2026, June 1). Markov Chain Monte Carlo. ScholarGate. https://scholargate.app/pl/bayesian/mcmc
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.
- Uśrednianie modeli bayesowskichStatystyka bayesowska↔ compare
- Regresja bayesowskaStatystyka bayesowska↔ compare
- Inferencja wariacyjnaStatystyka bayesowska↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →