Łańcuchowe metody Monte Carlo (MCMC) — Metropolis-Hastings i próbkowanie Gibbsa
Łańcuchowe metody Monte Carlo (MCMC) to rodzina algorytmów symulacyjnych, które konstruują łańcuch Markowa, którego rozkład stacjonarny jest docelowym rozkładem aposteriori, umożliwiając wnioskowanie bayesowskie i obliczanie całek w przestrzeniach wielowymiarowych, które w przeciwnym razie byłyby analitycznie nieuchwytne. Zapoczątkowane przez Metropolisa i współpracowników w 1953 r. i rozszerzone przez Hastingsa w 1970 r., MCMC stanowią podstawę współczesnej statystyki bayesowskiej. Dwie najczęściej stosowane odmiany to Metropolis-Hastings, która proponuje ruchy z ogólnego rozkładu propozycji, oraz próbkowanie Gibbsa, które losuje każdy parametr po kolei z jego pełnego rozkładu warunkowego.
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.
+8 more
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). Markov Chain Monte Carlo (MCMC — Metropolis-Hastings, Gibbs Sampling). ScholarGate. https://scholargate.app/pl/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.
- Przybliżone Obliczenia BayesaSymulacja↔ compare
- Regresja bayesowskaStatystyka bayesowska↔ compare
- Symulacja bootstrapowaSymulacja↔ compare
- Próbkowanie typu Latin HypercubeSymulacja↔ compare
- Symulacja Monte CarloPodejmowanie decyzji↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →