Indice
10 relazioni: Algoritmo di Metropolis-Hastings, Andrej Andreevič Markov (1856-1922), Campionamento di Gibbs, Criterio informativo della devianza, Inferenza bayesiana, Inferenza bayesiana in filogenesi, Orologio molecolare, Probabilità bayesiana, Statistica computazionale, Stima del massimo a posteriori.
Algoritmo di Metropolis-Hastings
L'algoritmo di Metropolis-Hastings è un metodo MCMC usato per generare dei valori x_1, x_2,ldots, x_n che presentano una distribuzione p(x) fissata a priori.
Vedere Catena di Markov Monte Carlo e Algoritmo di Metropolis-Hastings
Andrej Andreevič Markov (1856-1922)
È noto per i suoi contributi alla teoria dei numeri, all'analisi matematica, al calcolo infinitesimale, alla teoria della probabilità e alla statistica.
Vedere Catena di Markov Monte Carlo e Andrej Andreevič Markov (1856-1922)
Campionamento di Gibbs
In statistica e in fisica statistica, un campionamento di Gibbs o un campionatore di Gibbs è un algoritmo MCMC per ottenere una sequenza di campioni casuali da una distribuzione di probabilità multivariata (cioè dalla distribuzione di probabilità congiunta di due o più variabili casuali) quando il campionamento diretto si dimostra difficoltoso.
Vedere Catena di Markov Monte Carlo e Campionamento di Gibbs
Criterio informativo della devianza
Il criterio informativo della devianza, DIC (deviance information criterion), è una generalizzazione di modellizzazione gerarchica del criterio informativo di Akaike (AIC, Akaike information criterion) e dello Schwarz Criterion (BIC).
Vedere Catena di Markov Monte Carlo e Criterio informativo della devianza
Inferenza bayesiana
L'inferenza bayesiana è un approccio all'inferenza statistica in cui le probabilità non sono interpretate come frequenze, proporzioni o concetti analoghi, ma piuttosto come livelli di fiducia nel verificarsi di un dato evento.
Vedere Catena di Markov Monte Carlo e Inferenza bayesiana
Inferenza bayesiana in filogenesi
L'inferenza bayesiana in filogenesi è uno dei metodi più all'avanguardia usati per la costruzione di alberi filogenetici. Si basa sul teorema di Bayes e permette di condurre un'analisi a posteriori dei dati in possesso del ricercatore, e di risolvere alcuni problemi tipici della ricostruzione filogenetica.
Vedere Catena di Markov Monte Carlo e Inferenza bayesiana in filogenesi
Orologio molecolare
L'orologio molecolare è una tecnica utilizzata in evoluzione molecolare per stimare il tempo che è trascorso dalla separazione tra due specie, a partire dallo studio delle differenze esistenti nel DNA o nelle sequenze amminoacidiche di alcune proteine.
Vedere Catena di Markov Monte Carlo e Orologio molecolare
Probabilità bayesiana
La probabilità bayesiana è un'interpretazione del concetto di probabilità, in cui, anziché la frequenza o la propensione di qualche fenomeno, la probabilità viene interpretata come aspettazione razionale rappresentante uno stato di conoscenza o come quantificazione di una convinzione personale.
Vedere Catena di Markov Monte Carlo e Probabilità bayesiana
Statistica computazionale
La statistica computazionale è una disciplina a cavallo tra statistica e informatica che studia metodi statistici applicati tramite metodi computazionali.
Vedere Catena di Markov Monte Carlo e Statistica computazionale
Stima del massimo a posteriori
In statistica bayesiana, una stima del massimo della probabilità a posteriori, o brevemente massimo a posteriori, MAP (da maximum a posteriori probability), è una moda della distribuzione a posteriori.
Vedere Catena di Markov Monte Carlo e Stima del massimo a posteriori
Conosciuto come MCMC.