<!DOCTYPE html>
<html class="client-nojs vector-feature-language-in-header-enabled vector-feature-language-in-main-page-header-disabled vector-feature-page-tools-pinned-disabled vector-feature-toc-pinned-clientpref-0 vector-toc-not-available vector-feature-main-menu-pinned-disabled vector-feature-limited-width-clientpref-1 vector-feature-limited-width-content-enabled vector-feature-custom-font-size-clientpref-1 vector-feature-appearance-pinned-clientpref-0 skin-theme-clientpref-day vector-sticky-header-enabled" lang="de" dir="ltr"><head>
<meta charset="UTF-8">
<title>Gibbs-Sampling</title>
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<link rel="icon" type="image/png" href="./_res_/favicon.png">
<link rel="canonical" href="https://de.wikipedia.org/wiki/Gibbs-Sampling"> <link href="./_mw_/ext.wikimediamessages.styles.css" rel="stylesheet" type="text/css">
<link href="./_mw_/skins.vector.icons.css" rel="stylesheet" type="text/css">
<link href="./_mw_/skins.vector.search.codex.styles.css" rel="stylesheet" type="text/css">
<link href="./_mw_/skins.vector.styles.css" rel="stylesheet" type="text/css">
<meta name="ResourceLoaderDynamicStyles" content="">
<link href="./_mw_/ext.gadget.citeRef.css" rel="stylesheet" type="text/css">
<link href="./_mw_/ext.gadget.defaultPlainlinks.css" rel="stylesheet" type="text/css">
<link href="./_mw_/ext.gadget.dewikiCommonHide.css" rel="stylesheet" type="text/css">
<link href="./_mw_/ext.gadget.dewikiCommonLayout.css" rel="stylesheet" type="text/css">
<link href="./_mw_/ext.gadget.dewikiCommonStyle.css" rel="stylesheet" type="text/css">
<link href="./_mw_/ext.gadget.dewikiDarkmode.css" rel="stylesheet" type="text/css">
<link href="./_mw_/ext.gadget.dewikiResponsive.css" rel="stylesheet" type="text/css">
<link href="./_mw_/ext.gadget.specialSearch.css" rel="stylesheet" type="text/css">
<link rel="stylesheet" type="text/css" href="./_mw_/site.styles.css">
<link rel="stylesheet" type="text/css" href="./_mw_/noscript.css">
<link rel="stylesheet" type="text/css" href="./_res_/footer.css">
<link rel="stylesheet" type="text/css" href="./_res_/vector-2022.css">
</head>
<body class="skin--responsive skin-vector skin-vector-search-vue mediawiki ltr sitedir-ltr mw-hide-empty-elt ns-0 ns-subject page-Gibbs-Sampling rootpage-Gibbs-Sampling skin-vector-2022 action-view">
<div class="mw-page-container">
<div class="mw-page-container-inner">
<div class="mw-content-container">
<main id="content" class="mw-body">
<header class="mw-body-header vector-page-titlebar">
<h1 id="firstHeading" class="firstHeading mw-first-heading"><span class="mw-page-title-main">Gibbs-Sampling</span></h1>
</header>
<a id="top"></a>
<div id="bodyContent" class="vector-body ve-init-mw-desktopArticleTarget-targetContainer" aria-labelledby="firstHeading" data-mw-ve-target-container="">
<div id="contentSub">
<div id="mw-content-subtitle"></div>
</div>
<div id="mw-content-text" class="mw-body-content mw-content-ltr" lang="de" dir="ltr"><div class="mw-content-ltr mw-parser-output" lang="de" dir="ltr">
<p><b>Gibbs-Sampling</b>, auch <i>Gibbs-Stichprobenentnahme</i>, ist ein <a href="Markov_Chain_Monte_Carlo" class="mw-redirect" title="Markov Chain Monte Carlo">Markov-Chain-Monte-Carlo</a>-<a href="Algorithmus" title="Algorithmus">Algorithmus</a>, um eine Folge von <a href="Stichprobe" title="Stichprobe">Stichproben</a> der gemeinsamen <a href="Wahrscheinlichkeitsverteilung" class="mw-redirect" title="Wahrscheinlichkeitsverteilung">Wahrscheinlichkeitsverteilung</a> zweier oder mehrerer <a href="Zufallsvariable" title="Zufallsvariable">Zufallsvariablen</a> zu erzeugen. Das Ziel ist es dabei, die unbekannte <a href="Gemeinsame_Verteilung_von_Zufallsvariablen" title="Gemeinsame Verteilung von Zufallsvariablen">gemeinsame Verteilung</a> zu approximieren. Der Algorithmus ist aufgrund der Ähnlichkeit des Sampling-Verfahrens mit Methoden der <a href="Statistische_Physik" title="Statistische Physik">statistischen Physik</a> nach dem <a href="Physik" title="Physik">Physiker</a> <a href="Josiah_Willard_Gibbs" title="Josiah Willard Gibbs">Josiah Willard Gibbs</a> benannt. Entwickelt wurde er von <a href="Stuart_Geman" title="Stuart Geman">Stuart Geman</a> und <a href="Donald_Geman" title="Donald Geman">Donald Geman</a> (siehe Literaturhinweis). Gibbs-Sampling ist ein Spezialfall des <a href="Metropolisalgorithmus" class="mw-redirect" title="Metropolisalgorithmus">Metropolis-Hastings-Algorithmus</a>.
</p>
<div class="mw-heading mw-heading2"><h2 id="Definition">Definition</h2></div>
<p>Gibbs-Sampling eignet sich besonders dann, wenn die gemeinsame Verteilung eines <a href="Zufallsvektor" title="Zufallsvektor">Zufallsvektors</a> unbekannt, jedoch die <a href="Bedingte_Verteilung" title="Bedingte Verteilung">bedingte Verteilung</a> einer jeden <a href="Zufallsvariable" title="Zufallsvariable">Zufallsvariable</a> bekannt ist. Das Grundprinzip besteht darin, wiederholend eine Variable auszuwählen und gemäß ihrer bedingten Verteilung einen Wert in Abhängigkeit von den Werten der anderen Variablen zu erzeugen. Die Werte der anderen Variablen bleiben in diesem <a href="Iteration" title="Iteration">Iterationsschritt</a> unverändert. Aus der entstehenden Folge von Stichprobenvektoren lässt sich eine <a href="Markow-Kette" title="Markow-Kette">Markow-Kette</a> herleiten. Es kann gezeigt werden, dass die <a href="Station%C3%A4re_Verteilung" title="Stationäre Verteilung">stationäre Verteilung</a> dieser Markow-Kette gerade die gesuchte gemeinsame Verteilung des Zufallsvektors ist.
</p>
<div class="mw-heading mw-heading2"><h2 id="Anwendung">Anwendung</h2></div>
<p>Ein besonders günstiger Anwendungsfall ergibt sich im Zusammenhang mit <a href="Bayessches_Netz" title="Bayessches Netz">Bayes’schen Netzen</a>, insbesondere beim Schätzen der <a href="A-posteriori-Verteilung" class="mw-redirect" title="A-posteriori-Verteilung">A-posteriori-Verteilung</a>, da die übliche Repräsentation eines Bayes’schen Netzes ein System von bedingten Verteilungen ist.
</p>
<div class="mw-heading mw-heading2"><h2 id="Literatur">Literatur</h2></div>
<ul><li>Stuart Geman und Donald Geman: <i>Stochastic Relaxation, Gibbs Distributions, and the Bayesian Restoration of Images.</i> In: <i>IEEE Transactions on Pattern Analysis and Machine Intelligence</i>, 6:721-741, 1984.</li>
<li>C.P. Robert and G. Casella: <i>Monte Carlo Statistical Methods.</i> Springer, New York 2004.</li>
<li>Michael S. Johannes und Nick Polson: <i>MCMC Methods for Continuous-Time Financial Econometrics.</i> (December 22, 2003). Available at SSRN: <a rel="nofollow" class="external text" href="http://ssrn.com/abstract=480461">http://ssrn.com/abstract=480461</a></li></ul>
<div class="mw-heading mw-heading2"><h2 id="Weblinks">Weblinks</h2></div>
<ul><li><a rel="nofollow" class="external text" href="http://www.mathematik.uni-ulm.de/stochastik/lehre/ss03/markov/skript/node35.html">Vorlesungsskript der Universität Ulm zum Gibbs-Sampler</a></li></ul></div><!--htdig_noindex--><div><div class="zim-footer">
Dieser Artikel wurde von <a class="external text" title="Zuletzt bearbeitet am 2024-12-06" href="https://de.wikipedia.org/wiki/?title=Gibbs-Sampling&oldid=251006994">Wikipedia</a> herausgegeben. Der Text ist unter <a class="external text" href="https://creativecommons.org/licenses/by-sa/4.0/deed.de">Creative Commons Attribution-Share Alike 4.0</a> verfügbar, sofern nicht anders angegeben. Für die Mediendateien können zusätzliche Bedingungen gelten.
</div>
</div><!--/htdig_noindex--></div>
</div>
</main>
</div>
</div>
</div>
<script src="./_webp_/webpHandler.js"></script>
</body></html>