马尔可夫链蒙特卡罗法(Markov Chain Monte Carlo，MCMC)，则是以马尔可夫链 (Markovchain)为概率模型的蒙特卡罗法。 马尔可夫链蒙特卡罗法构建一个马尔可夫链， 使 其平稳分布就是要进行抽样的分布 ，首先基于该马尔可夫链进行随机游走，产生样本的序 列，之后 使用

将易辛模型视为马尔可夫链 . 将易辛模型比拟为马尔可夫链是一件很容易的事情，因为下一刻状态 ν 的转移概率 P β (ν) 只和目前状态 μ有关 。事实上，Metropolis 算法就是马尔可夫蒙特卡洛(Markov Chain Monte Carlo)的一个版本。

2.7 蒙特卡罗方法小结; 3： 马尔科夫链. ... 也就是说，如果我们得到了这个稳定概率分布对应的马尔科夫链模型的状态转移矩阵，则我们可以用任意的概率分布样本开始，带入马尔科夫链模型的状态转移矩阵，这样经过一些序列的转换，最终就可以得到符合对应

马尔可夫链 蒙特卡洛（英語： Markov chain Monte Carlo ， MCMC ）方法（含随机游走蒙特卡洛方法）是一组用马氏链从随机分布取样的算法，之前步骤的作为底本。 步数越多，结果越好。 建立一个具有期望属性的马氏链并非难事，难的是如何决定通过多少步可以达到在许可误差内的稳定分布。一个好的马

马尔科夫链蒙特卡洛方法(Markov Chain Monte Carlo)，简称MCMC，产生于20世纪50年代早期，是在贝叶斯理论框架下，通过计算机进行模拟的蒙特卡洛方法(Monte Carlo)。该方法将马尔科夫(Markov)过程引入到Monte Carlo模拟中，实现抽样分布随模拟的进行而改变的动态模拟，弥补了传统的蒙特卡罗积分只能静态模拟的

本文介绍了蒙特卡罗方法的由来和应用，以及马尔可夫链蒙特卡罗方法的基本概念和算法。通过生活中的例子，如估计圆周率和积分，展示了蒙特卡罗方法的原理和效果。