У статистиці це Маркова ланцюг Монте-Карло (MCMC). клас алгоритмів, що використовуються для отримання вибірок із розподілу ймовірностей.

Відбір проб за допомогою ланцюга Маркова Ідея MCMC полягає у вибірці переходів станів на основі розподілу пропозиції q. Найпоширенішим алгоритмом є алгоритм Метрополіса-Гастінгса (MH). У MH рішення про те, чи залишатися в даному стані, базується на заданій ймовірності.

MCMC є широкий клас обчислювальних інструментів для апроксимації інтегралів і генерації вибірок із апостериорної ймовірності (Брукс, Гелман, Джонс і Менг, 2011). MCMC використовується, коли неможливо відібрати θ безпосередньо з наступного ймовірнісного розподілу P ( θ ∣ дані ) P(\theta \mid \text{data}) P(θ∣data).

Ланцюг Маркова Монте-Карло (MCMC) є техніка моделювання, яка може бути використана для знаходження апостеріорного розподілу та вибірки з нього. Таким чином, він використовується для підгонки моделі та отримання зразків із спільного заднього розподілу параметрів моделі.

Методи ланцюга Маркова Монте-Карло, з іншого боку, використовувати адаптивні пропозиції Q(x0|x) для вибірки з заданого справжнього розподілу P(x) і створювати нові відповідні вибірки x0 за допомогою ланцюга Маркова. Розподіл P(x) зазвичай не є ні простим, ні стандартним.

Моделювання ланцюга Маркова Монте-Карло (MCMC). дозволяють оцінювати параметри, такі як середні значення, дисперсії, очікувані значення та досліджувати апостеріорний розподіл байєсівських моделей. Щоб оцінити властивості «апостеріора», багато репрезентативних випадкових значень повинні бути відібрані з цього розподілу.