Howtosignalprocessing
- Comment expliquez-vous MCMC?
- Comment fonctionne MCMC bayésien?
- MCMC est-il toujours bayésien?
- Quelle est la différence entre MCMC et Monte Carlo?
Comment expliquez-vous MCMC?
Les méthodes de la chaîne de Markov Monte Carlo (MCMC) sont une classe d'algorithmes pour l'échantillonnage d'une distribution de probabilité basée sur la construction d'une chaîne de Markov qui a la distribution souhaitée comme distribution stationnaire. L'état de la chaîne après un certain nombre d'étapes est ensuite utilisé comme échantillon de la distribution souhaitée.
Comment fonctionne MCMC bayésien?
MCMC peut être utilisé dans l'inférence bayésienne afin de générer, directement à partir de la «partie non normalisée» des échantillons postérieurs, avec lesquels travailler au lieu de traiter des calculs intraitables.
MCMC est-il toujours bayésien?
Les méthodes MCMC sont généralement utilisées sur les modèles bayésiens qui ont des différences subtiles avec des modèles plus standard. Comme la plupart des cours statistiques sont toujours enseignés en utilisant des méthodes classiques ou fréquentistes, nous devons décrire les différences avant de considérer les méthodes MCMC.
Quelle est la différence entre MCMC et Monte Carlo?
Alors que les méthodes "classiques" de Monte Carlo reposent sur des échantillons générés par ordinateur composés d'observations indépendantes, les méthodes MCMC sont utilisées pour générer des séquences d'observations dépendantes. Ces séquences sont des chaînes Markov, qui explique le nom des méthodes.
