MCMC是一种随机采样方法，由两个MC组成，即蒙特卡罗方法（Monte CarloSimulation，简称MC）和马尔科夫链（MarkovChain，也简称MC）。蒙特卡罗蒙特卡罗是一种随机模拟方法，这里以求积分为例。对于x在区间[a,b]内均匀分布的积分，我们可以在区间内随机采样n点，用n个点坐标均值来模拟代表所有点的值，可以将积分变为求和式： 可均匀分布只是函数分布的一小部分代表，为了让蒙特卡罗方法适用于更广的范围，我们想引入其他的概率分布模型来使均匀分布对积分式的改变成为特例。假定x在[a, b]的概率分布函数为P(x)，定积分求和就可以表示为： 这样我们就可以将均匀分布变为特例，如P

我正在尝试拟合用CCD上的光谱仪检测到的线轮廓。为了便于考虑，我提供了一个演示，如果解决了，它与我实际上想要解决的问题非常相似。我看过这个:https://stats.stackexchange.com/questions/46626/fitting-model-for-two-normal-distributions-in-pymc以及其他各种问题和答案，但他们所做的事情与我想做的事情根本不同。importpymcasmcimportnumpyasnpimportpylabaspldefGaussFunc(x,amplitude,centroid,sigma):returnampli

马尔可夫蒙特卡洛（MCMC）1.马尔可夫链(MarkovChain)随机过程是一组随机变量XtX_tXt​的集合，ttt为整数的时候，就是离散随机过程。马尔可夫过程是指一个满足马尔可夫性质的随机过程。马尔可夫性质是指:P(Xt+1∣Xt,⋯ ,X1)=P(Xt+1∣Xt)P(X_{t+1}|X_{t},\cdots,X_1)=P(X_{t+1}|X_t)P(Xt+1​∣Xt​,⋯,X1​)=P(Xt+1​∣Xt​)也就是说，当前随机变量的分布，只与上一个时间的随机变量取值有关系，与之前的取值都是独立的。1.1平稳分布(定义)状态空间：状态空间是指这些随机变量所有取值的集合。例如，下雨和晴天的概

马尔可夫蒙特卡洛（MCMC）1.马尔可夫链(MarkovChain)随机过程是一组随机变量XtX_tXt​的集合，ttt为整数的时候，就是离散随机过程。马尔可夫过程是指一个满足马尔可夫性质的随机过程。马尔可夫性质是指:P(Xt+1∣Xt,⋯ ,X1)=P(Xt+1∣Xt)P(X_{t+1}|X_{t},\cdots,X_1)=P(X_{t+1}|X_t)P(Xt+1​∣Xt​,⋯,X1​)=P(Xt+1​∣Xt​)也就是说，当前随机变量的分布，只与上一个时间的随机变量取值有关系，与之前的取值都是独立的。1.1平稳分布(定义)状态空间：状态空间是指这些随机变量所有取值的集合。例如，下雨和晴天的概