samplingsalgoritmer
Samplingsalgoritmer är algoritmer som genererar prov från sannolikhetsfördelningar eller urval ur större dataset. De används inom statistik, simulering och maskininlärning för att uppskatta förväntningar, sannolikheter och integraler som är svåra att beräkna exakt.
En mycket använda familj är Monte Carlo-sampling, där man från en given fördelning genererar många slumpmässiga
Markov-kedja Monte Carlo (MCMC) är en annan viktig grupp där prover genereras av en Markov-kedja som har
Andra tekniker inkluderar användning av kvasi-slumpmässiga sekvenser för mer jämn fördelning (low-discrepancy) och sekventiell Monte Carlo
Praktiska överväganden omfattar konvergensdiagnoser, burn-in-tid, effektivt antal prover och autokorrelation, eftersom beroende prover kräver längre körningar
Användningsområden inkluderar bayesiansk inferens, fysik och kvantsimulering, finans och riskbedömning samt maskininlärning och optimeringsproblem.