Markov Chain Monte Carlo (MCMC) — Metropolis-Hastings och Gibbs sampling
Markov Chain Monte Carlo (MCMC) är en familj av simuleringsalgoritmer som konstruerar en Markovkedja vars stationära fördelning är den målsökta posteriorfördelningen, vilket möjliggör Bayesiansk inferens och beräkning av högdimensionella integraler som annars skulle vara analytiskt olösliga. MCMC, som banades väg av Metropolis och kollegor 1953 och utvidgades av Hastings 1970, utgör grunden för modern Bayesiansk statistik. De två mest använda varianterna är Metropolis-Hastings, som föreslår förflyttningar från en generell förslagsfördelning, och Gibbs sampling, som drar varje parameter i tur och ordning från dess fullständiga betingade fördelning.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
+8 till
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Markov Chain Monte Carlo (MCMC — Metropolis-Hastings, Gibbs Sampling). ScholarGate. https://scholargate.app/sv/simulation/markov-chain-monte-carlo
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Approximativ Bayesiansk BeräkningSimulering↔ jämför
- Bayesiansk regressionBayesiansk statistik↔ jämför
- Bootstrap-simuleringSimulering↔ jämför
- Latin Hypercube SamplingSimulering↔ jämför
- MontecarlosimuleringBeslutsfattande↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →