Markov Chain Monte Carlo (MCMC) — Metropolis-Hastings i Gibbsovo uzorkovanje
Markov Chain Monte Carlo (MCMC) je porodica algoritama za simulaciju koji konstruiše Markovljev lanac čija stacionarna distribucija predstavlja ciljnu aposteriornu distribuciju, omogućavajući Bejzijansko zaključivanje i računanje visokodimenzionalnih integrala koji bi inače bili analitički netretljivi. Pionirski razvijen od strane Metropolisa i kolega 1953. godine, a proširen od strane Hastingsa 1970. godine, MCMC je osnova moderne Bejzijanske statistike. Dve najčešće korišćene varijante su Metropolis-Hastings, koja predlaže pomeranja iz opšte distribucije predloga, i Gibbsovo uzorkovanje, koje uzima svaki parametar redom iz njegove pune uslovne distribucije.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+8 more
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Markov Chain Monte Carlo (MCMC — Metropolis-Hastings, Gibbs Sampling). ScholarGate. https://scholargate.app/sr/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.
- Приближна Бајесова компјутацијаSimulacija↔ compare
- Bejzijevska regresijaBajesovska statistika↔ compare
- Бутстрап симулацијаSimulacija↔ compare
- Latin Hypercube SamplingSimulacija↔ compare
- Simulacija Monte KarloDonošenje odluka↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →