- Wie erklären Sie MCMC?
- Wie funktioniert Bayesian MCMC??
- Ist MCMC immer Bayes'sche?
- Was ist der Unterschied zwischen MCMC und Monte Carlo?
Wie erklären Sie MCMC?
Markov -Ketten -Monte -Carlo (MCMC) -Methoden sind eine Klasse von Algorithmen für die Probenahme aus einer Wahrscheinlichkeitsverteilung, die auf dem Bau einer Markov -Kette basiert, die die gewünschte Verteilung als stationäre Verteilung aufweist. Der Zustand der Kette nach einer Reihe von Schritten wird dann als Probe der gewünschten Verteilung verwendet.
Wie funktioniert Bayesian MCMC??
MCMC kann in Bayesianischer Inferenz verwendet werden, um direkt aus dem „nicht normalisierten Teil“ des hinteren Proben zu erzeugen, mit denen man arbeiten kann, anstatt sich mit unlösbaren Berechnungen zu befassen.
Ist MCMC immer Bayes'sche?
MCMC. Da die meisten statistischen Kurse immer noch unter Verwendung klassischer oder frequentistischer Methoden unterrichtet werden, müssen wir die Unterschiede beschreiben, bevor wir MCMC -Methoden berücksichtigen.
Was ist der Unterschied zwischen MCMC und Monte Carlo?
Während "klassische" Monte-Carlo-Methoden auf computergenerierten Proben stützen, die aus unabhängigen Beobachtungen bestehen. Diese Sequenzen sind Markov -Ketten, die den Namen der Methoden erklären.