view in publisher's site

Markov Chain Monte Carlo

Monte Carlo methods are statistical techniques for the approximate calculation of integrals and optimization which employ a collection of random samples. Markov chain Monte Carlo algorithms employ a collection of samples obtained by simulating a class of discrete time stochastic process known as a Markov chain. Although the dependent samples obtained in this way lead to less efficient estimators than a collection of independent samples, this class of algorithms is extremely widely used because it can deal with complex distributions from which it is not straightforward to obtain independent samples.

زنجیره مارکوف مونت کارلو

روش‌های مونت کارلو تکنیک‌های آماری برای محاسبه تقریبی انتگرال‌ها و بهینه‌سازی هستند که از مجموعه‌ای از نمونه‌های تصادفی استفاده می‌کنند. الگوریتم های زنجیره مارکوف مونت کارلو مجموعه‌ای از نمونه‌های به‌دست‌آمده از شبیه‌سازی یک کلاس فرآیند تصادفی زمان گسسته معروف به زنجیره مارکوف را به کار می‌گیرند. اگرچه نمونه‌های وابسته به‌دست‌آمده در این روش منجر به برآوردگرهای کم‌تر کارآمد نسبت به مجموعه‌ای از نمونه‌های مستقل می‌شوند، این دسته از الگوریتم ها به طور گسترده مورد استفاده قرار می‌گیرند زیرا می‌توانند با توزیع‌های پیچیده‌ای سر و کار داشته باشند که از آن برای به دست آوردن نمونه‌های مستقل ساده نیست.
ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.