Метод Монте-Карло на основі ланцюгів Маркова (MCMC)
Метод Монте-Карло на основі ланцюгів Маркова (MCMC) — це сімейство обчислювальних алгоритмів для вибірки зі складних імовірнісних розподілів, найчастіше апостеріорних розподілів, що виникають у байєсівському висновуванні. Замість аналітичного обчислення апостеріорних розподілів — що рідко можливо для реалістичних моделей — MCMC будує ланцюг Маркова, стаціонарний розподіл якого є цільовим апостеріорним розподілом, і вибирає залежні вибірки з нього, що уможливлює повне ймовірнісне висновування для практично будь-якої моделі.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
+25 more
Джерела
- 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
Як цитувати цю сторінку
ScholarGate. (2026, June 1). Markov Chain Monte Carlo. ScholarGate. https://scholargate.app/uk/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.
- Байєсівське усереднення моделейБаєсові методи↔ compare
- Байєсівська регресіяБаєсові методи↔ compare
- Варіаційний висновокБаєсові методи↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →