통계에서의 시뮬레이션 방법
계산 통계에서 가역-점프 마코프 체인 몬테 카를로(Monete Carlo)는 표준 마코프 체인 몬테 카를로(MMC) 방법론에 대한 확장으로 다양한 차원의 공간에서의 후방 분포를 시뮬레이션할 수 있다.[1]따라서 모형의 매개변수 수를 알 수 없더라도 시뮬레이션이 가능하다.
내버려두다

인디케이터가 되고 M=⋃ = I n.
치수 가 d d_{인 파라미터 은 n m 모델에 따라 달라진다
모델 표시는 유한할 필요가 없다.고정 분포는(, 의 관절 후분포로서, 값
, 을 취한다
제안서 은(는) 과
() {\displaystyle 의
매핑 {\ 로 구성될
수
서 u 는 농도 q}의
랜덤 U에서 도출된다
.
따라서 상태로의이동( m ) 은 다음과 같이 공식화할 수 있다
.

함수

1 대 1로 다르고 0이 아닌 지지를 얻어야 한다.

역함수가 존재하도록

그것은 다른 것이다.따라서( ,) 및( ) 은
치수 기준이 동일한 치수여야 한다
.

서 m은
(는)
의 치수임.이것을 치수 일치라고 한다.
R 이면
치수 일치 조건을 다음과 같이 줄일 수 있다.

와 함께

합격 확률은 다음과 같다.

여기서 은 절대값을 나타내며
f 는 관절
후측 확률이다.

여기서 은
(는) 정규화 상수다.
소프트웨어 패키지
오픈 소스 BUGs 패키지에 사용할 수 있는 실험용 RJ-MC 도구가 있다.
Gen 확률론적 프로그래밍 시스템은 비자발적 MCMC 기능의 일부로 사용자 정의 가역점프 MCMC 커널의 허용 확률 계산을 자동화한다.
참조