- Jak wyjaśnić MCMC?
- Jak działa bayesowski MCMC?
- Czy MCMC zawsze Bayesian?
- Jaka jest różnica między MCMC i Monte Carlo?
Jak wyjaśnić MCMC?
Metody Monte Carlo (MCMC) łańcucha Markowa to klasa algorytmów do pobierania próbek z rozkładu prawdopodobieństwa opartego na konstruowaniu łańcucha Markowa, który ma pożądany rozkład jako jego rozkład stacjonarny. Stan łańcucha po wielu krokach jest następnie wykorzystywany jako próbka pożądanego rozkładu.
Jak działa bayesowski MCMC?
MCMC może być stosowany w wnioskowaniu bayesowskim w celu wygenerowania, bezpośrednio z „nie znormalizowanej części” tylnej, próbki do pracy zamiast radzenia sobie z obliczeniami trudnymi.
Czy MCMC zawsze Bayesian?
Metody MCMC są ogólnie stosowane w modelach bayesowskich, które mają subtelne różnice w stosunku do bardziej standardowych modeli. Ponieważ większość kursów statystycznych jest nadal nauczana metodami klasycznymi lub częstymi, musimy opisać różnice przed rozważeniem metod MCMC.
Jaka jest różnica między MCMC i Monte Carlo?
Podczas gdy „klasyczne” metody Monte Carlo opierają się na wytwarzanych komputerowo próbkach złożonych z niezależnych obserwacji, metody MCMC są stosowane do generowania sekwencji obserwacji zależnych. Te sekwencje są łańcuchami Markowa, co wyjaśnia nazwę metod.