| http://dbpedia.org/ontology/abstract
|
Les méthodes de Monte-Carlo par chaînes de … Les méthodes de Monte-Carlo par chaînes de Markov, ou méthodes MCMC pour Markov chain Monte Carlo en anglais, sont une classe de méthodes d'échantillonnage à partir de distributions de probabilité. Ces méthodes de Monte-Carlo se basent sur le parcours de chaînes de Markov qui ont pour lois stationnaires les distributions à échantillonner. Certaines méthodes utilisent des marches aléatoires sur les chaînes de Markov (algorithme de Metropolis-Hastings, échantillonnage de Gibbs), alors que d'autres algorithmes, plus complexes, introduisent des contraintes sur les parcours pour essayer d'accélérer la convergence (Monte Carlo Hybride, Surrelaxation successive). Ces méthodes sont notamment appliquées dans le cadre de l'inférence bayésienne.s dans le cadre de l'inférence bayésienne.
, 마르코프 연쇄 몬테카를로 방법(무작위 행보 몬테 카를로 방법 포함)은 마르코 … 마르코프 연쇄 몬테카를로 방법(무작위 행보 몬테 카를로 방법 포함)은 마르코프 연쇄의 구성에 기반한 확률 분포로부터 원하는 분포의 를 갖는 표본을 추출하는 알고리즘의 한 부류이다.큰 수의 단계(step) 이후에 연쇄의 상태는 목표로 하는 분포로부터 추출된 표본처럼 사용될 수 있다.표본의 품질은 단계 수의 함수로 개선된다.일반적으로 원하는 특성을 갖는 마르코프 연쇄를 구성하는 것은 어렵지 않다.보다 어려운 문제는 수용할 만한 오차 범위의 정적 분포로 수렴하는데까지 얼마나 많은 단계가 필요한지를 결정하는 것이다.좋은 연쇄는 임의의 위치에서부터 시작하여 정적 분포에 빠르게 도달하는 빠른 혼합(mixing)을 가질 것이며, 이에 대해서는 에서 상세히 설명된다. MCMC의 전형적인 사용은 목표 분포를 근사하는 것이며, 여기에는 항상 시작 위치로부터의 약간의 잔여 효과(residual effect)가 존재한다. 이 알고리즘의 가장 일반적인 적용 예는 다차원 적분을 수치적으로 계산하는 것이다.고리즘의 가장 일반적인 적용 예는 다차원 적분을 수치적으로 계산하는 것이다.
, Próbkowanie Monte Carlo łańcuchami Markowa … Próbkowanie Monte Carlo łańcuchami Markowa (ang. Markov Chain Monte Carlo, MCMC) – klasa algorytmów próbkowania z rozkładu prawdopodobieństwa. Poprzez budowę łańcucha Markowa, który ma rozkład równowagowy taki jak szukana dystrybucja, można wydajnie próbkować złożone rozkłady prawdopodobieństwa. Im większa liczba kroków w takim algorytmie, tym dokładniej rozkład próbki odpowiada pożądanemu rozkładowi. Błądzenie losowe Monte Carlo jest istotną dużą podklasą takich procesów próbkowania.dużą podklasą takich procesów próbkowania.
, マルコフ連鎖モンテカルロ法（マルコフれんさモンテカルロほう、英: Markov ch … マルコフ連鎖モンテカルロ法（マルコフれんさモンテカルロほう、英: Markov chain Monte Carlo methods、通称MCMC）とは、求める確率分布を均衡分布として持つマルコフ連鎖を作成することによって確率分布のサンプリングを行う種々のアルゴリズムの総称である。具体的には、同時事後分布に従う乱数を継時的に生成する。代表的なMCMCとしてメトロポリス・ヘイスティングス法やギブスサンプリングがある。 MCMCで充分に多くの回数の試行を行った後のマルコフ連鎖の状態は求める目標分布の標本として用いられる。試行の回数を増やすとともにサンプルの品質も向上する。 求められる特性を持つマルコフ連鎖を作成することは通常難しくない。問題は許容できる誤差内で定常分布に収束する試行の回数を決めることである。適切な連鎖なら任意の位置から始めても定常分布に速く達し、これを高速混合（rapid mixing）とよぶ。 典型的なMCMCは常にある程度の初期値の影響が残るため目標分布しか近似することができない。（coupling from the past）などの、より洗練されたMCMCベースのアルゴリズムは完全標本を作成することができるが、より多くの計算と（期待値では有限だが）限界のない実行時間を要する。 このアルゴリズムの最も一般的な応用は多重積分を数値的に計算することである。ランダムに歩き回る粒子の集団を想定し、粒子が点を通過するたびに、その点の被積分関数の値を積分に加算する。粒子は次に積分への貢献が高い所を探して複数の仮の動作をする。このような方法はランダムウォーク法とよばれ、これは乱数的なシミュレーションつまりモンテカルロ法の一種である。従来のモンテカルロ法で用いられる被積分関数のランダムな標本が独立であるのに対して、MCMCで用いられる標本は相関がある。被積分関数を均衡分布に持つようなマルコフ連鎖を作成する必要があるが、多くの場合において容易に行うことができる。 多重積分はベイズ統計学、計算物理学、計算生物学などにしばしば現れるため、そのような分野でMCMCが広く使われている。例としては や を参照。 生成された乱数列はトレースプロット（英: trace plots）の形で可視化できる。成された乱数列はトレースプロット（英: trace plots）の形で可視化できる。
, In statistics, Markov chain Monte Carlo (M … In statistics, Markov chain Monte Carlo (MCMC) methods comprise a class of algorithms for sampling from a probability distribution. By constructing a Markov chain that has the desired distribution as its equilibrium distribution, one can obtain a sample of the desired distribution by recording states from the chain. The more steps that are included, the more closely the distribution of the sample matches the actual desired distribution. Various algorithms exist for constructing chains, including the Metropolis–Hastings algorithm.cluding the Metropolis–Hastings algorithm.
, En estadística, los métodos de Montecarlo … En estadística, los métodos de Montecarlo basados en cadenas de Markov (MCMC por sus siglas en inglés, Markov chain Montecarlo) comprenden una clase de algoritmos para el muestreo de una distribución de probabilidad. Construyendo una cadena de Markov que tiene la distribución deseada como su distribución de equilibrio, se puede obtener una muestra de la distribución deseada registrando estados de la cadena. Cuantos más pasos se incluyan, más se acercará la distribución de la muestra a la distribución real deseada. Existen varios algoritmos para construir cadenas, incluido el algoritmo de Metrópolis-Hastings.luido el algoritmo de Metrópolis-Hastings.
, У статистиці, ме́тоди Мо́нте-Ка́рло ма́рко … У статистиці, ме́тоди Мо́нте-Ка́рло ма́рковських ланцюгі́в (МКМЛ, англ. Markov Chain Monte Carlo, MCMC) — це клас алгоритмів для вибірки з розподілу ймовірностей на базі побудови такого ланцюга Маркова, що має бажаний розподіл як свій рівноважний розподіл. Тоді стан цього ланцюга після якогось числа кроків використовується як вибірка з бажаного розподілу. Якість вибірки покращується як функція від кількості кроків. Ме́тоди Мо́нте-Ка́рло випадко́вого блука́ння складають великий підклас методів МКМЛ.ня складають великий підклас методів МКМЛ.
, В статистике методы Монте-Карло с марковск … В статистике методы Монте-Карло с марковскими цепями (англ. MCMC) — это класс алгоритмов для семплирования, моделирующих некоторое распределение вероятностей. Построив марковскую цепь, которая имеет целевое распределение в качестве своего равновесного, можно получить выборку с тем же распределением путем записи состояний цепи. Чем больше шагов будет использовано, тем ближе распределение выборки будет к целевому. Для построения цепей используются различные алгоритмы, например, алгоритм Метрополиса-Гастингса. например, алгоритм Метрополиса-Гастингса.
, I metodi Monte Carlo basati su Catena di M … I metodi Monte Carlo basati su Catena di Markov (MCMC) sono una classe di algoritmi per il campionamento da distribuzioni di probabilità basata sulla costruzione di una catena di Markov avente come distribuzione di equilibrio (o stazionaria) la distribuzione desiderata. Dopo aver simulato un grande numero di passi della catena si può quindi usare i valori estratti come campione della distribuzione desiderata. Solitamente non è difficile costruire una catena di Markov con le proprietà desiderate, ma non è sempre possibile determinare a priori quanti passi sono necessari per convergere con un errore accettabile alla distribuzione stazionaria. Una MCMC è tanto migliore quanto minore è il suo tempo di mixing, ossia di convergenza alla distribuzione stazionaria, partendo da una posizione arbitraria.ria, partendo da una posizione arbitraria.
, في علم الإحصاء، سلسلة ماركوف مونتي كارلو ( … في علم الإحصاء، سلسلة ماركوف مونتي كارلو (MCMC) هي نوع من الخوارزميات المستخدمة لمحاكاة توزيع احتمالي مجهول ويتم ذلك ببناء سلسلة ماركوف التي يكون توزيعها المتوازن مطابق للتوزيع الاحتمالي المجهول المراد محاكاته. حالة السلسلة بعد عدد من الخطوات يستخدم كعينات من التوزيع الاحتمالي المراد إيجاده ودقة هذه العينات تتحسن بزيادة عدد الخطوات للسلسلة. طرق السير العشوائي لمنتو كارلو تمثل جزء كبير من طرق سلسلة ماركوف منتوكارلومثل جزء كبير من طرق سلسلة ماركوف منتوكارلو
, Markow-Chain-Monte-Carlo-Verfahren (kurz M … Markow-Chain-Monte-Carlo-Verfahren (kurz MCMC-Verfahren; seltener auch Markow-Ketten-Monte-Carlo-Verfahren) sind eine Klasse von Algorithmen, die zufällige Stichproben aus Wahrscheinlichkeitsverteilungen (Monte-Carlo-Verfahren) ziehen. Dies geschieht auf der Basis der Konstruktion einer Markow-Kette, welche die erwünschte Verteilung als ihre stationäre Verteilung aufweist. Der Zustand der Kette nach einer großen Zahl von Schritten wird dann als Stichprobe der erwünschten Verteilung benutzt. Die Qualität der Stichprobe steigt mit zunehmender Zahl der Schritte. Üblicherweise gelingt es leicht, eine Markow-Kette mit den erwünschten Eigenschaften zu konstruieren. Das Schwierigere ist, zu ermitteln, wie viele Schritte nötig sind, um Konvergenz zur stationären Verteilung mit akzeptablem Fehler zu erreichen. Also den Algorithmus so zu gestalten, dass möglichst effektiv unabhängige Systemzustände generiert werden. Eine gute Kette mit einer gut gewählten Anfangsverteilung wird schnell konvergieren, d. h. die stationäre Verteilung wird schnell erreicht. Bei typischer Anwendung von MCMC-Verfahren kann die Zielverteilung nur näherungsweise erreicht werden, da es immer einen gewissen Resteffekt der Anfangsverteilung gibt.Stichproben, welche mit MCMC-Algorithmen generiert werden, weisen typischerweise hohe Autokorrelationen auf. Daher wird der Fehler des Mittelwerteschätzers bei Verwendung des Standardfehlers unterschätzt.rwendung des Standardfehlers unterschätzt.
, Οι μέθοδοι Μόντε Κάρλο είναι μεγάλη κατηγορία υπολογιστικών αλγορίθμων που στηρίζονται σε τυχαία δειγματοληψία με σκοπό την εξαγωγή αριθμητικών αποτελεσμάτων.
, 马尔可夫链蒙特卡洛（英語：Markov chain Monte Carlo，MCMC … 马尔可夫链蒙特卡洛（英語：Markov chain Monte Carlo，MCMC）方法（含随机游走蒙特卡洛方法）是一组用马氏链从随机分布取样的算法，之前步骤的作为底本。步数越多，结果越好。 建立一个具有期望属性的马氏链并非难事，难的是如何决定通过多少步可以达到在许可误差内的稳定分布。一个好的马氏链具有快速混合——从开始阶段迅速获得的一个稳定状态——请参考。 因于初始样本，最常见的MCMC取样只能近似得到分布。复杂的MCMC改进算法如，但是会消耗更多的计算资源和时间。 典型用法是模拟一个随机行走的行人来进行路径优化等。每一步都算作是一个状态。而统计经过次数最多的地方将在下一步中更有可能为目的地。马氏蒙特卡洛方法是一种结合了蒙特卡罗法的解决方案。但不同于以往的蒙特卡洛integration是统计独立的，MCMC中的是统计相关的。 本方法的相关应用包括：贝叶斯统计、计算物理、以及计算语言学，此外还有Gill先生的一些著作。 Jeff Gill. Bayesian methods: a social and behavioral sciences approach Second Edition. London: Chapman and Hall/CRC. 2008 [2012-02-07]. ISBN 1-58488-562-9. （原始内容存档于2009-05-23）. and Robert & Casella.容存档于2009-05-23）. and Robert & Casella.
, Markov chain Monte Carlo (MCMC, česky asi … Markov chain Monte Carlo (MCMC, česky asi Monte Carlo pomocí Markovova řetězce) je ve statistice třída algoritmů pro vzorkování z pravděpodobnostního rozdělení založená na konstrukci Markovova řetězce, který má požadované rozdělení jako svou rovnovážnou distribuci. Stav řetězce po několika krocích se pak použije jako vzorek z požadované distribuce. Kvalita vzorku se zvyšuje se zvýšením počtu kroků. Konvergence algoritmu Metropolis-Hastings. MCMC se pokusí přiblížit k modré distribuci prostřednictvím oranžové distribuce Metody Monte Carlo pomocí náhodné procházky tvoří velkou podtřídu MCMC metod.rocházky tvoří velkou podtřídu MCMC metod.
|
| http://dbpedia.org/ontology/thumbnail
|
http://commons.wikimedia.org/wiki/Special:FilePath/Metropolis_algorithm_convergence_example.png?width=300 +
|
| http://dbpedia.org/ontology/wikiPageExternalLink
|
http://web.math.ucsb.edu/~atzberg/pmwiki_intranet/uploads/AtzbergerHomePage/Atzberger_MonteCarlo.pdf +
, https://www.cse-lab.ethz.ch/korali/ +
, http://stat.wharton.upenn.edu/~stjensen/stat542/lecture14.mcmchistory.pdf +
, http://apps.nrbook.com/empanel/index.html%23pg=824 +
, https://emcee.readthedocs.io/en/stable/ +
, http://www.cs.utoronto.ca/~radford/review.abstract.html +
, https://www.multibugs.org/ +
, https://www.tensorflow.org/probability/ +
, https://www.ams.org/bull/2009-46-02/S0273-0979-08-01238-X/S0273-0979-08-01238-X.pdf +
, https://archive.org/details/springer_10.1007-978-1-4757-4145-2 +
, http://www.cs.princeton.edu/courses/archive/spr06/cos598C/papers/AndrieuFreitasDoucetJordan2003.pdf +
, https://github.com/cdslaborg/paramonte +
, https://github.com/dkundih/vandal +
, https://www.cdslab.org/paramonte/notes/installation/python/ +
|
| http://dbpedia.org/ontology/wikiPageID
|
236801
|
| http://dbpedia.org/ontology/wikiPageLength
|
27024
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1108818004
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Variance +
, http://dbpedia.org/resource/WinBUGS +
, http://dbpedia.org/resource/Expected_value +
, http://dbpedia.org/resource/Low-discrepancy_sequence +
, http://dbpedia.org/resource/Momentum +
, http://dbpedia.org/resource/Annals_of_Statistics +
, http://dbpedia.org/resource/R_%28programming_language%29 +
, http://dbpedia.org/resource/Coupling_from_the_past +
, http://dbpedia.org/resource/Statistics +
, http://dbpedia.org/resource/Dirichlet_process +
, http://dbpedia.org/resource/Python_%28programming_language%29 +
, http://dbpedia.org/resource/Computational_biology +
, http://dbpedia.org/resource/Running_time +
, http://dbpedia.org/resource/Markov_chain_central_limit_theorem +
, http://dbpedia.org/resource/Bayesian_inference +
, http://dbpedia.org/resource/Latent_variable_model +
, http://dbpedia.org/resource/Stan_%28software%29 +
, http://dbpedia.org/resource/Algorithm +
, http://dbpedia.org/resource/Category:Computational_statistics +
, http://dbpedia.org/resource/Random_variable +
, http://dbpedia.org/resource/Multiple_integral +
, http://dbpedia.org/resource/Metropolis-adjusted_Langevin_algorithm +
, http://dbpedia.org/resource/C_%28programming_language%29 +
, http://dbpedia.org/resource/Integrated_nested_Laplace_approximations +
, http://dbpedia.org/resource/Probability_distribution +
, http://dbpedia.org/resource/Signal_processing +
, http://dbpedia.org/resource/Mean-field_particle_methods +
, http://dbpedia.org/resource/Rare_event_sampling +
, http://dbpedia.org/resource/Hamiltonian_dynamics +
, http://dbpedia.org/resource/Computer_simulation +
, http://dbpedia.org/resource/Reversible-jump +
, http://dbpedia.org/resource/File:Metropolis_algorithm_convergence_example.png +
, http://dbpedia.org/resource/Koksma-Hlawka_inequality +
, http://dbpedia.org/resource/Pseudo-Marginal_Metropolis%E2%80%93Hastings_algorithm +
, http://dbpedia.org/resource/Operations_Research:_A_Journal_of_the_Institute_for_Operations_Research_and_the_Management_Sciences +
, http://dbpedia.org/resource/Conditional_distribution +
, http://dbpedia.org/resource/Multiple-try_Metropolis +
, http://dbpedia.org/resource/Computational_linguistics +
, http://dbpedia.org/resource/Quasi-Monte_Carlo_method +
, http://dbpedia.org/resource/Bayesian_statistics +
, http://dbpedia.org/resource/Bayesian_inference_using_Gibbs_sampling +
, http://dbpedia.org/resource/Hamiltonian_Monte_Carlo +
, http://dbpedia.org/resource/Chapman_and_Hall +
, http://dbpedia.org/resource/Bull._Amer._Math._Soc. +
, http://dbpedia.org/resource/Numerical_analysis +
, http://dbpedia.org/resource/IEEE_Control_Systems_Magazine +
, http://dbpedia.org/resource/Monte_Carlo_method +
, http://dbpedia.org/resource/MCSim +
, http://dbpedia.org/resource/Curse_of_dimensionality +
, http://dbpedia.org/resource/Probability_density +
, http://dbpedia.org/resource/Autocorrelation +
, http://dbpedia.org/resource/Nonparametric +
, http://dbpedia.org/resource/PyMC3 +
, http://dbpedia.org/resource/Metropolis%E2%80%93Hastings_algorithm +
, http://dbpedia.org/resource/Statistically_independent +
, http://dbpedia.org/resource/Genetic_algorithm +
, http://dbpedia.org/resource/OpenBUGS +
, http://dbpedia.org/resource/Wang_and_Landau_algorithm +
, http://dbpedia.org/resource/Monte_Carlo_integration +
, http://dbpedia.org/resource/Category:Monte_Carlo_methods +
, http://dbpedia.org/resource/C%2B%2B +
, http://dbpedia.org/resource/Gibbs_sampling +
, http://dbpedia.org/resource/Pseudo-random_number_sampling +
, http://dbpedia.org/resource/Markov_chain +
, http://dbpedia.org/resource/Category:Markov_models +
, http://dbpedia.org/resource/The_American_Mathematical_Monthly +
, http://dbpedia.org/resource/The_American_Statistician +
, http://dbpedia.org/resource/Grand_canonical_ensemble +
, http://dbpedia.org/resource/Cambridge_University_Press +
, http://dbpedia.org/resource/Statistical_physics +
, http://dbpedia.org/resource/Journal_of_the_American_Statistical_Association +
, http://dbpedia.org/resource/Probabilistic_programming_language +
, http://dbpedia.org/resource/Simulated_annealing +
, http://dbpedia.org/resource/Statistical_ensemble +
, http://dbpedia.org/resource/Computational_physics +
, http://dbpedia.org/resource/Markov_chain_mixing_time +
, http://dbpedia.org/resource/Bayesian_network +
, http://dbpedia.org/resource/Biometrika +
, http://dbpedia.org/resource/John_Wiley_&_Sons +
, http://dbpedia.org/resource/Particle_filter +
, http://dbpedia.org/resource/TensorFlow +
, http://dbpedia.org/resource/Slice_sampling +
, http://dbpedia.org/resource/World_Scientific +
, http://dbpedia.org/resource/Chinese_restaurant_process +
, http://dbpedia.org/resource/Category:Bayesian_estimation +
, http://dbpedia.org/resource/Stochastic_processes +
, http://dbpedia.org/resource/Fortran +
, http://dbpedia.org/resource/MATLAB +
, http://dbpedia.org/resource/Just_another_Gibbs_sampler +
, http://dbpedia.org/resource/IEEE_Transactions_on_Pattern_Analysis_and_Machine_Intelligence +
, http://dbpedia.org/resource/Markov_chains +
, http://dbpedia.org/resource/Category:Markov_chain_Monte_Carlo +
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Citation +
, http://dbpedia.org/resource/Template:Reflist +
, http://dbpedia.org/resource/Template:Refbegin +
, http://dbpedia.org/resource/Template:Refend +
, http://dbpedia.org/resource/Template:Cite_journal +
, http://dbpedia.org/resource/Template:Short_description +
, http://dbpedia.org/resource/Template:Citation_needed +
, http://dbpedia.org/resource/Template:Cite_book +
, http://dbpedia.org/resource/Template:Cite_web +
, http://dbpedia.org/resource/Template:Bayesian_statistics +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Computational_statistics +
, http://dbpedia.org/resource/Category:Markov_chain_Monte_Carlo +
, http://dbpedia.org/resource/Category:Monte_Carlo_methods +
, http://dbpedia.org/resource/Category:Bayesian_estimation +
, http://dbpedia.org/resource/Category:Markov_models +
|
| http://purl.org/linguistics/gold/hypernym
|
http://dbpedia.org/resource/Algorithms +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Markov_chain_Monte_Carlo?oldid=1108818004&ns=0 +
|
| http://xmlns.com/foaf/0.1/depiction
|
http://commons.wikimedia.org/wiki/Special:FilePath/Metropolis_algorithm_convergence_example.png +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Markov_chain_Monte_Carlo +
|
| owl:sameAs |
http://tr.dbpedia.org/resource/Markov_zincirli_Monte_Carlo +
, http://vi.dbpedia.org/resource/X%C3%ADch_Markov_Monte_Carlo +
, http://ja.dbpedia.org/resource/%E3%83%9E%E3%83%AB%E3%82%B3%E3%83%95%E9%80%A3%E9%8E%96%E3%83%A2%E3%83%B3%E3%83%86%E3%82%AB%E3%83%AB%E3%83%AD%E6%B3%95 +
, http://el.dbpedia.org/resource/%CE%9C%CE%B1%CF%81%CE%BA%CE%BF%CE%B2%CE%B9%CE%B1%CE%BD%CE%AE_%CE%91%CE%BB%CF%85%CF%83%CE%AF%CE%B4%CE%B1_%CE%9C%CF%8C%CE%BD%CF%84%CE%B5_%CE%9A%CE%AC%CF%81%CE%BB%CE%BF_%CF%83%CF%84%CE%B7_%CE%92%CE%B9%CE%BF%CE%BB%CE%BF%CE%B3%CE%AF%CE%B1 +
, http://dbpedia.org/resource/Markov_chain_Monte_Carlo +
, https://global.dbpedia.org/id/F1Ns +
, http://cs.dbpedia.org/resource/Markov_chain_Monte_Carlo +
, http://yago-knowledge.org/resource/Markov_chain_Monte_Carlo +
, http://ar.dbpedia.org/resource/%D8%B3%D9%84%D8%B3%D9%84%D8%A9_%D9%85%D8%A7%D8%B1%D9%83%D9%88%D9%81_%D9%85%D9%88%D9%86%D8%AA%D9%8A_%D9%83%D8%A7%D8%B1%D9%84%D9%88 +
, http://it.dbpedia.org/resource/Catena_di_Markov_Monte_Carlo +
, http://pl.dbpedia.org/resource/Pr%C3%B3bkowanie_Monte_Carlo_%C5%82a%C5%84cuchami_Markowa +
, http://es.dbpedia.org/resource/M%C3%A9todos_de_Montecarlo_basados_en_cadenas_de_Markov +
, http://ko.dbpedia.org/resource/%EB%A7%88%EB%A5%B4%EC%BD%94%ED%94%84_%EC%97%B0%EC%87%84_%EB%AA%AC%ED%85%8C%EC%B9%B4%EB%A5%BC%EB%A1%9C +
, http://de.dbpedia.org/resource/MCMC-Verfahren +
, http://zh.dbpedia.org/resource/%E9%A9%AC%E5%B0%94%E5%8F%AF%E5%A4%AB%E9%93%BE%E8%92%99%E7%89%B9%E5%8D%A1%E6%B4%9B +
, http://rdf.freebase.com/ns/m.01jcrc +
, http://uk.dbpedia.org/resource/%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D0%B8_%D0%9C%D0%BE%D0%BD%D1%82%D0%B5-%D0%9A%D0%B0%D1%80%D0%BB%D0%BE_%D0%BC%D0%B0%D1%80%D0%BA%D0%BE%D0%B2%D1%81%D1%8C%D0%BA%D0%B8%D1%85_%D0%BB%D0%B0%D0%BD%D1%86%D1%8E%D0%B3%D1%96%D0%B2 +
, http://www.wikidata.org/entity/Q1191869 +
, http://fa.dbpedia.org/resource/%D8%B2%D9%86%D8%AC%DB%8C%D8%B1%D9%87_%D9%85%D8%A7%D8%B1%DA%A9%D9%88%D9%81_%D9%85%D9%88%D9%86%D8%AA_%DA%A9%D8%A7%D8%B1%D9%84%D9%88 +
, http://fr.dbpedia.org/resource/M%C3%A9thode_de_Monte-Carlo_par_cha%C3%AEnes_de_Markov +
, http://ru.dbpedia.org/resource/%D0%9C%D0%B0%D1%80%D0%BA%D0%BE%D0%B2%D1%81%D0%BA%D0%B0%D1%8F_%D1%86%D0%B5%D0%BF%D1%8C_%D0%9C%D0%BE%D0%BD%D1%82%D0%B5-%D0%9A%D0%B0%D1%80%D0%BB%D0%BE +
|
| rdf:type |
http://dbpedia.org/class/yago/Ability105616246 +
, http://dbpedia.org/class/yago/WikicatMonteCarloMethods +
, http://dbpedia.org/class/yago/Procedure101023820 +
, http://dbpedia.org/class/yago/Event100029378 +
, http://dbpedia.org/class/yago/Rule105846932 +
, http://dbpedia.org/class/yago/WikicatAlgorithms +
, http://dbpedia.org/class/yago/Cognition100023271 +
, http://dbpedia.org/class/yago/Algorithm105847438 +
, http://dbpedia.org/class/yago/Know-how105616786 +
, http://dbpedia.org/class/yago/Method105660268 +
, http://dbpedia.org/class/yago/Abstraction100002137 +
, http://dbpedia.org/class/yago/Activity100407535 +
, http://dbpedia.org/class/yago/Act100030358 +
, http://dbpedia.org/class/yago/YagoPermanentlyLocatedEntity +
, http://dbpedia.org/class/yago/PsychologicalFeature100023100 +
|
| rdfs:comment |
Markov chain Monte Carlo (MCMC, česky asi … Markov chain Monte Carlo (MCMC, česky asi Monte Carlo pomocí Markovova řetězce) je ve statistice třída algoritmů pro vzorkování z pravděpodobnostního rozdělení založená na konstrukci Markovova řetězce, který má požadované rozdělení jako svou rovnovážnou distribuci. Stav řetězce po několika krocích se pak použije jako vzorek z požadované distribuce. Kvalita vzorku se zvyšuje se zvýšením počtu kroků. Konvergence algoritmu Metropolis-Hastings. MCMC se pokusí přiblížit k modré distribuci prostřednictvím oranžové distribuceribuci prostřednictvím oranžové distribuce
, Les méthodes de Monte-Carlo par chaînes de … Les méthodes de Monte-Carlo par chaînes de Markov, ou méthodes MCMC pour Markov chain Monte Carlo en anglais, sont une classe de méthodes d'échantillonnage à partir de distributions de probabilité. Ces méthodes de Monte-Carlo se basent sur le parcours de chaînes de Markov qui ont pour lois stationnaires les distributions à échantillonner. Ces méthodes sont notamment appliquées dans le cadre de l'inférence bayésienne.s dans le cadre de l'inférence bayésienne.
, 马尔可夫链蒙特卡洛（英語：Markov chain Monte Carlo，MCMC … 马尔可夫链蒙特卡洛（英語：Markov chain Monte Carlo，MCMC）方法（含随机游走蒙特卡洛方法）是一组用马氏链从随机分布取样的算法，之前步骤的作为底本。步数越多，结果越好。 建立一个具有期望属性的马氏链并非难事，难的是如何决定通过多少步可以达到在许可误差内的稳定分布。一个好的马氏链具有快速混合——从开始阶段迅速获得的一个稳定状态——请参考。 因于初始样本，最常见的MCMC取样只能近似得到分布。复杂的MCMC改进算法如，但是会消耗更多的计算资源和时间。 典型用法是模拟一个随机行走的行人来进行路径优化等。每一步都算作是一个状态。而统计经过次数最多的地方将在下一步中更有可能为目的地。马氏蒙特卡洛方法是一种结合了蒙特卡罗法的解决方案。但不同于以往的蒙特卡洛integration是统计独立的，MCMC中的是统计相关的。 本方法的相关应用包括：贝叶斯统计、计算物理、以及计算语言学，此外还有Gill先生的一些著作。相关应用包括：贝叶斯统计、计算物理、以及计算语言学，此外还有Gill先生的一些著作。
, En estadística, los métodos de Montecarlo … En estadística, los métodos de Montecarlo basados en cadenas de Markov (MCMC por sus siglas en inglés, Markov chain Montecarlo) comprenden una clase de algoritmos para el muestreo de una distribución de probabilidad. Construyendo una cadena de Markov que tiene la distribución deseada como su distribución de equilibrio, se puede obtener una muestra de la distribución deseada registrando estados de la cadena. Cuantos más pasos se incluyan, más se acercará la distribución de la muestra a la distribución real deseada. Existen varios algoritmos para construir cadenas, incluido el algoritmo de Metrópolis-Hastings.luido el algoritmo de Metrópolis-Hastings.
, Markow-Chain-Monte-Carlo-Verfahren (kurz M … Markow-Chain-Monte-Carlo-Verfahren (kurz MCMC-Verfahren; seltener auch Markow-Ketten-Monte-Carlo-Verfahren) sind eine Klasse von Algorithmen, die zufällige Stichproben aus Wahrscheinlichkeitsverteilungen (Monte-Carlo-Verfahren) ziehen. Dies geschieht auf der Basis der Konstruktion einer Markow-Kette, welche die erwünschte Verteilung als ihre stationäre Verteilung aufweist. Der Zustand der Kette nach einer großen Zahl von Schritten wird dann als Stichprobe der erwünschten Verteilung benutzt. Die Qualität der Stichprobe steigt mit zunehmender Zahl der Schritte. steigt mit zunehmender Zahl der Schritte.
, 마르코프 연쇄 몬테카를로 방법(무작위 행보 몬테 카를로 방법 포함)은 마르코 … 마르코프 연쇄 몬테카를로 방법(무작위 행보 몬테 카를로 방법 포함)은 마르코프 연쇄의 구성에 기반한 확률 분포로부터 원하는 분포의 를 갖는 표본을 추출하는 알고리즘의 한 부류이다.큰 수의 단계(step) 이후에 연쇄의 상태는 목표로 하는 분포로부터 추출된 표본처럼 사용될 수 있다.표본의 품질은 단계 수의 함수로 개선된다.일반적으로 원하는 특성을 갖는 마르코프 연쇄를 구성하는 것은 어렵지 않다.보다 어려운 문제는 수용할 만한 오차 범위의 정적 분포로 수렴하는데까지 얼마나 많은 단계가 필요한지를 결정하는 것이다.좋은 연쇄는 임의의 위치에서부터 시작하여 정적 분포에 빠르게 도달하는 빠른 혼합(mixing)을 가질 것이며, 이에 대해서는 에서 상세히 설명된다. MCMC의 전형적인 사용은 목표 분포를 근사하는 것이며, 여기에는 항상 시작 위치로부터의 약간의 잔여 효과(residual effect)가 존재한다. 이 알고리즘의 가장 일반적인 적용 예는 다차원 적분을 수치적으로 계산하는 것이다.고리즘의 가장 일반적인 적용 예는 다차원 적분을 수치적으로 계산하는 것이다.
, У статистиці, ме́тоди Мо́нте-Ка́рло ма́рко … У статистиці, ме́тоди Мо́нте-Ка́рло ма́рковських ланцюгі́в (МКМЛ, англ. Markov Chain Monte Carlo, MCMC) — це клас алгоритмів для вибірки з розподілу ймовірностей на базі побудови такого ланцюга Маркова, що має бажаний розподіл як свій рівноважний розподіл. Тоді стан цього ланцюга після якогось числа кроків використовується як вибірка з бажаного розподілу. Якість вибірки покращується як функція від кількості кроків. Ме́тоди Мо́нте-Ка́рло випадко́вого блука́ння складають великий підклас методів МКМЛ.ня складають великий підклас методів МКМЛ.
, في علم الإحصاء، سلسلة ماركوف مونتي كارلو ( … في علم الإحصاء، سلسلة ماركوف مونتي كارلو (MCMC) هي نوع من الخوارزميات المستخدمة لمحاكاة توزيع احتمالي مجهول ويتم ذلك ببناء سلسلة ماركوف التي يكون توزيعها المتوازن مطابق للتوزيع الاحتمالي المجهول المراد محاكاته. حالة السلسلة بعد عدد من الخطوات يستخدم كعينات من التوزيع الاحتمالي المراد إيجاده ودقة هذه العينات تتحسن بزيادة عدد الخطوات للسلسلة. طرق السير العشوائي لمنتو كارلو تمثل جزء كبير من طرق سلسلة ماركوف منتوكارلومثل جزء كبير من طرق سلسلة ماركوف منتوكارلو
, Próbkowanie Monte Carlo łańcuchami Markowa … Próbkowanie Monte Carlo łańcuchami Markowa (ang. Markov Chain Monte Carlo, MCMC) – klasa algorytmów próbkowania z rozkładu prawdopodobieństwa. Poprzez budowę łańcucha Markowa, który ma rozkład równowagowy taki jak szukana dystrybucja, można wydajnie próbkować złożone rozkłady prawdopodobieństwa. Im większa liczba kroków w takim algorytmie, tym dokładniej rozkład próbki odpowiada pożądanemu rozkładowi. Błądzenie losowe Monte Carlo jest istotną dużą podklasą takich procesów próbkowania.dużą podklasą takich procesów próbkowania.
, I metodi Monte Carlo basati su Catena di M … I metodi Monte Carlo basati su Catena di Markov (MCMC) sono una classe di algoritmi per il campionamento da distribuzioni di probabilità basata sulla costruzione di una catena di Markov avente come distribuzione di equilibrio (o stazionaria) la distribuzione desiderata. Dopo aver simulato un grande numero di passi della catena si può quindi usare i valori estratti come campione della distribuzione desiderata.e campione della distribuzione desiderata.
, In statistics, Markov chain Monte Carlo (M … In statistics, Markov chain Monte Carlo (MCMC) methods comprise a class of algorithms for sampling from a probability distribution. By constructing a Markov chain that has the desired distribution as its equilibrium distribution, one can obtain a sample of the desired distribution by recording states from the chain. The more steps that are included, the more closely the distribution of the sample matches the actual desired distribution. Various algorithms exist for constructing chains, including the Metropolis–Hastings algorithm.cluding the Metropolis–Hastings algorithm.
, Οι μέθοδοι Μόντε Κάρλο είναι μεγάλη κατηγορία υπολογιστικών αλγορίθμων που στηρίζονται σε τυχαία δειγματοληψία με σκοπό την εξαγωγή αριθμητικών αποτελεσμάτων.
, マルコフ連鎖モンテカルロ法（マルコフれんさモンテカルロほう、英: Markov ch … マルコフ連鎖モンテカルロ法（マルコフれんさモンテカルロほう、英: Markov chain Monte Carlo methods、通称MCMC）とは、求める確率分布を均衡分布として持つマルコフ連鎖を作成することによって確率分布のサンプリングを行う種々のアルゴリズムの総称である。具体的には、同時事後分布に従う乱数を継時的に生成する。代表的なMCMCとしてメトロポリス・ヘイスティングス法やギブスサンプリングがある。 MCMCで充分に多くの回数の試行を行った後のマルコフ連鎖の状態は求める目標分布の標本として用いられる。試行の回数を増やすとともにサンプルの品質も向上する。 求められる特性を持つマルコフ連鎖を作成することは通常難しくない。問題は許容できる誤差内で定常分布に収束する試行の回数を決めることである。適切な連鎖なら任意の位置から始めても定常分布に速く達し、これを高速混合（rapid mixing）とよぶ。 典型的なMCMCは常にある程度の初期値の影響が残るため目標分布しか近似することができない。（coupling from the past）などの、より洗練されたMCMCベースのアルゴリズムは完全標本を作成することができるが、より多くの計算と（期待値では有限だが）限界のない実行時間を要する。 生成された乱数列はトレースプロット（英: trace plots）の形で可視化できる。成された乱数列はトレースプロット（英: trace plots）の形で可視化できる。
, В статистике методы Монте-Карло с марковск … В статистике методы Монте-Карло с марковскими цепями (англ. MCMC) — это класс алгоритмов для семплирования, моделирующих некоторое распределение вероятностей. Построив марковскую цепь, которая имеет целевое распределение в качестве своего равновесного, можно получить выборку с тем же распределением путем записи состояний цепи. Чем больше шагов будет использовано, тем ближе распределение выборки будет к целевому. Для построения цепей используются различные алгоритмы, например, алгоритм Метрополиса-Гастингса. например, алгоритм Метрополиса-Гастингса.
|
| rdfs:label |
Próbkowanie Monte Carlo łańcuchami Markowa
, 마르코프 연쇄 몬테카를로
, Méthode de Monte-Carlo par chaînes de Markov
, Métodos de Montecarlo basados en cadenas de Markov
, Markov chain Monte Carlo
, MCMC-Verfahren
, Catena di Markov Monte Carlo
, 马尔可夫链蒙特卡洛
, سلسلة ماركوف مونتي كارلو
, Методи Монте-Карло марковських ланцюгів
, Марковская цепь Монте-Карло
, Μαρκοβιανή Αλυσίδα Μόντε Κάρλο στη Βιολογία
, マルコフ連鎖モンテカルロ法
|
