Markov Chain Monte Carlo (MCMC)
Markov Chain Monte Carlo (MCMC) är en familj av beräkningsalgoritmer för att dra stickprov från komplexa sannolikhetsfördelningar, oftast de posteriora fördelningar som uppstår vid Bayesiansk inferens. Istället för att beräkna posteriorer analytiskt – vilket sällan är möjligt för realistiska modeller – konstruerar MCMC en Markovkedja vars stationära fördelning är den eftersökta posteriora fördelningen och drar beroende stickprov från den, vilket möjliggör full probabilistisk inferens för praktiskt taget vilken modell som helst.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
+25 more
Källor
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 1). Markov Chain Monte Carlo. ScholarGate. https://scholargate.app/sv/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.
- Bayesiansk modellmedling (BMA)Bayesiansk statistik↔ compare
- Bayesiansk regressionBayesiansk statistik↔ compare
- VariationsinferensBayesiansk statistik↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →