|
|
|
||
Poslední úprava: T_KPMS (16.05.2012)
|
|
||
Poslední úprava: T_KPMS (19.05.2008)
Studenti se seznámí se základy teorie markovských řetězců s obecnou množinou stavů, které jsou potřebné pro pochopení teoretických vlastností MCMC metod. Osvojí si nejčastěji používané MCMC algoritmy a po absolvování předmětu by měli být schopni tyto postupy aplikovat na problémy predevším v bayesovské a prostorové statistice.
|
|
||
Poslední úprava: T_KPMS (19.05.2008)
D. Gamerman a H. F. Lopes (2006): Markov Chain Monte Carlo: Stochastic Simulation for Bayesian Inference, druhé vydání, Chapman & Hall/CRC, Boca Raton.
W. Gilks, S. Richardson a D. Spiegelhalter (1996): Markov Chain Monte Carlo in Practice, Chapman & Hall, London.
S. P. Meyn a R. L. Tweedie (1993): Markov Chains and Stochastic Stability, Springer-Verlag, New York.
C. P. Robert (2001): The Bayesian Choice: From Decision-Theoretic Foundations to Computational Implementation, druhé vydání, Springer, New York. |
|
||
Poslední úprava: G_M (27.05.2008)
Přednáška+cvičení. |
|
||
Poslední úprava: T_KPMS (19.05.2008)
1. Příklady simulačních metod. 2. Bayesovská statistika, hierarchické modely. 3. Příklady MCMC algoritmu, Gibbsův výběrový plán, Metropolishův-Hastingsův algoritmus. 4. Markovovy řetězce s obecnou množinou stavů. 5. Ergodicita MCMC algoritmu. 6. Simulované žíhání, perfektní simulace. 7. Bodové procesy, Metropolisův-Hastingsův algoritmus zrození a zániku. 8. Další aplikace. |