زنجیره مارکوف مونت کارلو

از ویکی‌پدیا، دانشنامهٔ آزاد
پرش به: ناوبری، جستجو

روش های زنجیره مارکف مونت کارلو(که شامل روش های قدم زدن تصادفی مونت کارلو می باشد) دسته ای از الگوریتم هاست برای نمونه برداری از توزیع های احتمال که مبنای آن ساختن یک زنجیره مارکف با ویژگی های مطلوب است.سپس حالت زنجیره پس از تعداد بسیار زیادی مرحله به عنوان نمونه ای از توزیع مطلوب استفاده می شود.کیفیت این نمونه متناسب با افزایش تعداد مراحل افزایش می یابد.

معمولاً ساختن یک زنجیره مارکف با ویژگی های مطلوب کار ساده ایست.مشکل اصلی تعداد مراحل مورد نیاز است برای اینکه حالت زنجیره با خطای قابل قبولی به یک توزیع ثابت همگرا شود.زنجیره خوب زنجیره ایست که در آن با شروع از یک موقعیت دلخواه خیلی سریع به توزیع ثابت برسیم.

به طور معمول استفاده از زنجیره مارکف مونت کارلو برای نمونه برداری توزیع موردنظر ما را فقط تخمین می زند.به دلیل این که این توزیع همواره تحت تاثیر نقطه شروع ماست.ولی الگوریتم های پیچیده ای وجود دارند که اساس آن ها زنجیره های مارکف مونت کارلو است و با محاسبات اضافی تاثیر نقطه شروع را از بین برده و توزیع موردنظر ما را به طور دقیق مشخص می کنند.

معمول ترین کاربرد این الگوریتم ها محاسبه عددی انتگرال های چندگانه است.انتگرال های چندگانه معمولاً در فیزیک محاسباتی،زیست شناسی محاسباتی و زبان شناسی محاسباتی به وجود می آیند،بنابراین می توان گفت زنجیره های مارکف مونت کارلو کاربرد گسترده ای در این زمینه ها دارند.

منابع[ویرایش]

http://en.wikipedia.org/w/index.php?title=Markov_chain_Monte_Carlo&oldid=463030995