Markov Chain Monte Carlo (MCMC) — Metropolis-Hastings și Eșantionarea Gibbs
Markov Chain Monte Carlo (MCMC) este o familie de algoritmi de simulare care construiește un lanț Markov a cărui distribuție staționară este distribuția țintă posterioară, permițând inferența bayesiană și calculul integralelor de dimensiuni înalte care altfel ar fi analitic netratabile. Pionierat de Metropolis și colaboratorii săi în 1953 și extins de Hastings în 1970, MCMC stă la baza statisticii bayesiene moderne. Cele mai utilizate două variante sunt Metropolis-Hastings, care propune mutări dintr-o distribuție generală de propunere, și eșantionarea Gibbs, care extrage fiecare parametru pe rând din distribuția sa condițională completă.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
+8 more
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 1). Markov Chain Monte Carlo (MCMC — Metropolis-Hastings, Gibbs Sampling). ScholarGate. https://scholargate.app/ro/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.
- Calculul bayesian aproximativSimulare↔ compare
- Bayesian RegressionBayesian↔ compare
- Simularea BootstrapSimulare↔ compare
- Eșantionarea Latin HypercubeSimulare↔ compare
- Simulare Monte CarloLuarea deciziilor↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →