Luận Văn Thạc Sĩ Về Phương Pháp MCMC và Ứng Dụng Trong Lý Thuyết Xác Suất

Luận văn thạc sĩ nghiên cứu hus phương pháp mcmc và một số ứng dụng, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải pháp cải thiện thực tiễn.

• Tác giả: Trần Thị Bích Ngọc
• Người hướng dẫn: TS. Nguyễn Thịnh
• Trường học: Đại Học Quốc Gia Hà Nội Trường Đại Học Khoa Học Tự Nhiên
• Chuyên ngành: Lý Thuyết Xác Suất Và Thống Kê Toán Học
• Đề tài: Phương Pháp MCMC Và Một Số Ứng Dụng
• Loại tài liệu: Luận Văn Thạc Sỹ Khoa Học
• Năm xuất bản: 2014
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Suy luận Bayes
• 1.2. Đặc điểm mô hình Bayes
• 1.3. Các tiên nghiệm Jeffreys
• 1.4. Tích phân Monte Carlo
• 1.5. Xấp xỉ Monte Carlo
• 1.6. Monte Carlo thông qua lấy mẫu theo trọng số
• 1.7. Phương pháp sinh biến ngẫu nhiên
• 1.7.1. Phương pháp biến đổi
• 1.7.2. Phương pháp chấp nhận - bác bỏ
• 1.7.3. Phương pháp tỷ số đều
• 1.8. Xích Markov
• 1.8.1. Các định nghĩa và kí hiệu
• 1.8.2. Sự hội tụ của phân phối
• 1.8.3. Giới hạn của giá trị trung bình
• 2. THUẬT TOÁN METROPOLIS-HASTINGS
• 2.1. Thuật toán Metropolis – Hastings
• 2.1.1. Mẫu độc lập
• 2.1.2. Xích bước ngẫu nhiên
• 2.2. Thuật toán Metropolis-Hasting cho các phân phối nhiều chiều
• 2.2.1. Cập nhật từng khối
• 2.2.2. Cập nhật từng thành phần
• 2.3. Các dạng khác nhau của thuật toán Metropolis - Hastings
• 2.3.1. Thuật toán chạm và chạy
• 2.3.2. Thuật toán Langevin
• 2.3.3. Thuật toán đa phép thử MH
• 2.4. Thuật toán bước nhảy ngược MCMC cho bài toán lựa chọn mô hình Bayes
• 2.4.1. Thuật toán bước nhảy ngược MCMC
• 2.4.2. Xác định điểm thay đổi
• 3. PHƯƠNG PHÁP BIẾN PHỤ TRỢ MCMC
• 3.1. Mô phỏng nhiệt luyện
• 3.2. Mô phỏng điều hoà nhiệt
• 3.3. Thuật toán Moller
• 3.4. Thuật toán trao đổi
• Tài liệu tham khảo

Tóm tắt

I. Tổng quan về Phương Pháp MCMC và Ứng Dụng Trong Thống Kê

Phương pháp MCMC (Markov Chain Monte Carlo) đã trở thành một công cụ quan trọng trong thống kê hiện đại. Nó cho phép ước lượng các phân phối phức tạp mà không cần phải tính toán trực tiếp. MCMC sử dụng các chuỗi Markov để sinh ra các mẫu từ phân phối mục tiêu, từ đó giúp giải quyết nhiều bài toán thống kê khó khăn. Bài viết này sẽ đi sâu vào các khía cạnh của phương pháp MCMC, từ lý thuyết đến ứng dụng thực tiễn.

1.1. Khái niệm cơ bản về MCMC và Lịch sử phát triển

MCMC là một phương pháp lấy mẫu dựa trên chuỗi Markov, cho phép sinh ra các mẫu từ phân phối xác suất phức tạp. Phương pháp này được phát triển từ những năm 1950 và đã trở thành một phần không thể thiếu trong thống kê Bayes. Sự phát triển của MCMC đã mở ra nhiều cơ hội mới trong việc phân tích dữ liệu.

1.2. Tại sao MCMC lại quan trọng trong thống kê hiện đại

MCMC cho phép ước lượng các tham số trong mô hình thống kê mà không cần phải biết phân phối chính xác của chúng. Điều này đặc biệt hữu ích trong các mô hình phức tạp, nơi mà các phương pháp truyền thống không thể áp dụng. MCMC giúp cải thiện độ chính xác và tính khả thi của các phân tích thống kê.

II. Vấn đề và Thách thức trong Ứng Dụng MCMC

Mặc dù MCMC mang lại nhiều lợi ích, nhưng cũng tồn tại một số thách thức trong việc áp dụng phương pháp này. Các vấn đề như hội tụ chậm, lựa chọn hàm chuyển tiếp không phù hợp, và độ chính xác của ước lượng là những vấn đề cần được giải quyết.

2.1. Hội tụ chậm và cách khắc phục

Hội tụ chậm là một trong những vấn đề lớn nhất khi sử dụng MCMC. Điều này có thể dẫn đến việc ước lượng không chính xác. Các phương pháp như điều chỉnh kích thước bước và sử dụng các thuật toán nâng cao như Hamiltonian Monte Carlo có thể giúp cải thiện tốc độ hội tụ.

2.2. Lựa chọn hàm chuyển tiếp trong MCMC

Lựa chọn hàm chuyển tiếp không phù hợp có thể dẫn đến việc sinh mẫu không hiệu quả. Việc sử dụng các hàm chuyển tiếp thích hợp, như hàm Metropolis-Hastings, có thể giúp cải thiện chất lượng mẫu và độ chính xác của ước lượng.

III. Phương Pháp MCMC Các Kỹ Thuật Chính

Có nhiều kỹ thuật khác nhau trong phương pháp MCMC, mỗi kỹ thuật có những ưu điểm và nhược điểm riêng. Các kỹ thuật phổ biến bao gồm thuật toán Metropolis-Hastings, Gibbs Sampling và Hamiltonian Monte Carlo.

3.1. Thuật toán Metropolis Hastings

Thuật toán Metropolis-Hastings là một trong những kỹ thuật MCMC phổ biến nhất. Nó cho phép sinh mẫu từ phân phối mục tiêu bằng cách sử dụng một hàm chuyển tiếp. Kỹ thuật này rất linh hoạt và có thể áp dụng cho nhiều loại phân phối khác nhau.

3.2. Gibbs Sampling và Ứng dụng của nó

Gibbs Sampling là một kỹ thuật MCMC đặc biệt hữu ích khi làm việc với các mô hình có nhiều biến. Kỹ thuật này cho phép sinh mẫu từ phân phối có điều kiện của từng biến, giúp đơn giản hóa quá trình lấy mẫu.

IV. Ứng Dụng Thực Tiễn của MCMC trong Nghiên Cứu

MCMC đã được áp dụng rộng rãi trong nhiều lĩnh vực nghiên cứu, từ khoa học xã hội đến y học. Các ứng dụng này không chỉ giúp cải thiện độ chính xác của các mô hình mà còn mở ra những hướng nghiên cứu mới.

4.1. MCMC trong Thống Kê Bayes

MCMC là công cụ chính trong thống kê Bayes, cho phép ước lượng các tham số và kiểm định giả thuyết. Việc áp dụng MCMC trong thống kê Bayes đã giúp cải thiện đáng kể độ chính xác của các ước lượng.

4.2. Ứng dụng trong Khoa Học Dữ Liệu

Trong khoa học dữ liệu, MCMC được sử dụng để phân tích và mô hình hóa dữ liệu lớn. Các ứng dụng này bao gồm phân tích hồi quy, phân loại và dự đoán, giúp các nhà nghiên cứu đưa ra quyết định chính xác hơn.

V. Kết Luận và Tương Lai của Phương Pháp MCMC

Phương pháp MCMC đã chứng minh được giá trị của nó trong thống kê và khoa học dữ liệu. Tương lai của MCMC hứa hẹn sẽ còn phát triển hơn nữa với sự ra đời của các thuật toán mới và cải tiến trong công nghệ tính toán.

5.1. Xu hướng phát triển của MCMC

Các nghiên cứu hiện tại đang tập trung vào việc cải thiện tốc độ hội tụ và độ chính xác của MCMC. Sự phát triển của các thuật toán mới như NUTS (No-U-Turn Sampler) đang mở ra nhiều cơ hội mới cho MCMC.

5.2. Tương lai của MCMC trong nghiên cứu thống kê

MCMC sẽ tiếp tục đóng vai trò quan trọng trong nghiên cứu thống kê, đặc biệt là trong các lĩnh vực như học máy và phân tích dữ liệu lớn. Sự kết hợp giữa MCMC và các công nghệ mới sẽ tạo ra những bước tiến đáng kể trong thống kê.

Nội dung chính

Tổng quan nghiên cứu

Phương pháp Xích Markov Monte Carlo (MCMC) được xem là một trong mười thuật toán có ảnh hưởng sâu sắc nhất đến sự phát triển của khoa học tính toán trong thế kỷ 20 và 21. Bắt nguồn từ nền tảng suy luận xác suất của Thomas Bayes từ năm 1764, các mô hình phân tích hậu nghiệm hiện đại thường xuyên đối mặt với rào cản tính toán nghiêm trọng khi ước lượng các tích phân đa chiều phức tạp trên không gian tham số lớn. Nhằm giải quyết triệt để vấn đề này, luận văn thạc sĩ khoa học chuyên ngành Lý thuyết Xác suất và Thống kê Toán học (mã số đào tạo 60 46 01 06) do tác giả Trần Thị Bích Ngọc thực hiện dưới sự hướng dẫn của TS. Nguyễn Thịnh tại Trường Đại học Khoa học Tự nhiên - Đại học Quốc gia Hà Nội đã tập trung nghiên cứu toàn diện hệ phương pháp MCMC cùng các mở rộng tính toán tiên tiến.

Nghiên cứu được triển khai với mục tiêu hệ thống hóa cơ sở giải tích xác suất, đánh giá độ hội tụ và xây dựng các thuật toán lấy mẫu ngẫu nhiên từ cơ bản đến phức tạp như mẫu Gibbs, Metropolis-Hastings, bước nhảy ngược MCMC và phương pháp biến phụ trợ. Phạm vi nghiên cứu bao quát các tập dữ liệu mô phỏng chuẩn với quy mô 5.000 bước lặp thực nghiệm, được hoàn thành trong giai đoạn 2011 đến 2014 tại Hà Nội. Về mặt ý nghĩa thực tiễn, luận văn thiết lập quy chuẩn kiểm soát sai số Monte Carlo, hướng dẫn tinh chỉnh tỷ lệ chấp nhận mẫu đạt mức tối ưu từ 20% đến 40%, đồng thời cung cấp công cụ toán học mạnh mẽ để xử lý các bài toán khuyết thiếu dữ liệu và nhận dạng điểm thay đổi trong phân tích dữ liệu đa chiều.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn xây dựng trên nền tảng vững chắc của hai hệ thống lý thuyết cốt lõi: Lý thuyết suy luận Bayes hiện đại và Lý thuyết xích Markov dừng trong không gian trạng thái tổng quát.

Trong khuôn khổ suy luận Bayes, mô hình nghiên cứu kết hợp hàm hợp lý cùng phân phối tiên nghiệm Jeffreys để xác định phân phối hậu nghiệm. Tiên nghiệm Jeffreys được xây dựng thông qua căn bậc hai của ma trận thông tin Fisher, giúp đảm bảo tính bất biến qua các phép đổi tham số trên không gian Euclide. Đối với hệ thống xích Markov, nghiên cứu áp dụng chặt chẽ lý thuyết Ergodic hình học và định lý Tierney (1994) nhằm chứng minh tính hội tụ hầu chắc chắn của trung bình mẫu theo luật số lớn cũng như sự hội tụ phân phối theo Định lý giới hạn trung tâm.

Bên cạnh đó, khung lý thuyết tích hợp 5 khái niệm chuyên sâu:

1. Phép lấy mẫu Monte Carlo theo trọng số nhằm cực tiểu hóa phương sai ước lượng thông qua phân phối công cụ.
2. Điều kiện cân bằng chi tiết đảm bảo phân phối dừng duy nhất của xích Markov khả nghịch.
3. Định lý Hammersley-Clifford xác định tính duy nhất của phân phối đồng thời thông qua các phân phối có điều kiện đầy đủ.
4. Kỹ thuật ghép số chiều trong không gian tham số biến thiên.
5. Biến phụ trợ phân phối Boltzmann trong quá trình điều hòa nhiệt độ mô phỏng.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp giải tích lý thuyết kết hợp với thực nghiệm mô phỏng số trên máy tính. Dữ liệu thực nghiệm được tạo sinh ngẫu nhiên từ các phân phối xác suất chuẩn hai chiều và phân phối mũ hai chiều với kích thước mẫu mô phỏng đạt 5.000 quan sát ($nSamples = 5.000$). Phương pháp chọn mẫu áp dụng nguyên lý tạo số ngẫu nhiên đều trên khoảng đơn vị $(0, 1)$, sau đó chuyển hóa qua hàm phân bố ngược, phương pháp biến đổi hộp và phương pháp chấp nhận - bác bỏ có sử dụng hàm kẹp tối ưu hóa.

Lý do lựa chọn phương pháp phân tích MCMC bắt nguồn từ việc các phương pháp lấy mẫu trực tiếp cổ điển thường có tỷ số chấp nhận xấp xỉ bằng 0 khi số chiều không gian dữ liệu vượt quá 3 chiều. Nghiên cứu thực hiện lập trình thuật toán mô phỏng trên nền tảng ngôn ngữ kỹ thuật chuyên dụng trong khoảng thời gian từ tháng 9 năm 2011 đến tháng 11 năm 2014, chia làm hai giai đoạn kiểm thử: phân tích giải tích sự hội tụ và đo kiểm tỷ lệ chấp nhận thực tế của các chuỗi Markov.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu đã đạt được 4 phát hiện toán học và tính toán nổi bật sau quá trình thực nghiệm:

Thứ nhất, thuật toán lấy mẫu Gibbs đối với phân phối chuẩn hai chiều có kỳ vọng bằng 0 và hệ số tương quan $\rho = 0,8$ đã hội tụ rất nhanh về phân phối mục tiêu chỉ sau 100 bước khởi động ban đầu. Với tổng số 5.000 mẫu được sinh ra, phương sai điều kiện thực nghiệm đạt giá trị xấp xỉ 0,36, hoàn toàn trùng khớp với giá trị lý thuyết $1 - \rho^2 = 1 - 0,64 = 0,36$.

Thứ hai, khi đánh giá thuật toán Metropolis-Hastings bước ngẫu nhiên, kết quả chứng minh rằng việc điều chỉnh tham số độ rộng bước nhảy cho phép duy trì tỷ lệ chấp nhận dao động từ 23,4% đến 38,8%. Tỷ lệ này nằm trọn vẹn trong khoảng tối ưu lý thuyết từ 20% đến 40%, giúp ngăn chặn hiện tượng xích bị đông cứng tại chỗ hoặc bước nhảy quá nhỏ làm tăng tính tự tương quan giữa các mẫu.

Thứ ba, đối với bài toán không gian nhiều chiều, kỹ thuật cập nhật từng khối bộc lộ hạn chế khi tỷ lệ bác bỏ mẫu tăng cao hơn 90% ở các mô hình phức tạp. Ngược lại, kỹ thuật cập nhật từng thành phần đã giải quyết triệt để nhược điểm này, duy trì tỷ lệ chấp nhận ổn định trên 30% và phân bố đều trên toàn bộ không gian tham số 2 chiều.

Thứ tư, thuật toán bước nhảy ngược MCMC (RJMCMC) kết hợp với thuật toán mở rộng dữ liệu (Data Augmentation) đã giải quyết chính xác bài toán nhận dạng $k$ điểm thay đổi trên chuỗi quan sát $n$ phần tử. Bằng cách thiết lập ma trận xác suất chuyển đổi giữa các chiều với tỷ lệ $Q_{k, k+1} = Q_{k, k-1} = 1/3$, mô hình cho phép số chiều tham số $s + d_k = s^* + d_{k^*}$ biến thiên linh hoạt mà vẫn giữ hệ số Jacobi bằng 1, giúp giảm tải khoảng 45% thời gian tính toán so với các phương pháp duyệt toàn bộ không gian tham số.

Thảo luận kết quả

Hiệu năng vượt trội của các thuật toán MCMC trong luận văn được giải thích nhờ việc tuân thủ nghiêm ngặt điều kiện cân bằng chi tiết $f(x)p(x, y) = f(y)p(y, x)$. Trong khi phương pháp Monte Carlo cổ điển bị suy giảm hiệu quả nghiêm trọng do bẫy chiều không gian, MCMC biến đổi bài toán tính tích phân phức tạp thành bài toán sinh chuỗi trạng thái ngẫu nhiên có phân phối dừng trùng với phân phối hậu nghiệm.

Khi so sánh với các nghiên cứu cùng thời kỳ, việc áp dụng thuật toán Langevin và đa phép thử Metropolis (MTM) cho thấy tốc độ di chuyển của xích về vùng mật độ xác suất cao tăng lên rõ rệt nhờ tận dụng thông tin gradient. Sự kết hợp giữa biến phụ trợ trong mô phỏng điều hòa nhiệt độ giúp hệ thống dễ dàng thoát khỏi các cực tiểu địa phương. Toàn bộ phân phối mẫu thực nghiệm được trực quan hóa qua biểu đồ phân tán hai chiều 20 ô chia (bins) và bảng so sánh ma trận hiệp phương sai, cho thấy sự trùng khít tuyệt đối giữa mật độ mẫu mô phỏng và hàm mật độ mục tiêu lý thuyết.

Đề xuất và khuyến nghị

Dựa trên các kết quả lý thuyết và thực nghiệm vững chắc, 4 giải pháp ứng dụng và khuyến nghị được đề xuất như sau:

1. Ứng dụng thuật toán bước nhảy ngược MCMC vào phân tích chuỗi thời gian kinh tế: Các cơ quan quản lý và viện nghiên cứu tài chính nên áp dụng RJMCMC để tự động phát hiện các điểm gãy cấu trúc của thị trường chứng khoán và tỷ giá. Mục tiêu rút ngắn sai số nhận định xu hướng xuống dưới 5% với lộ trình triển khai thử nghiệm trong vòng 6 tháng.

2. Chuẩn hóa quy trình xử lý dữ liệu khuyết bằng thuật toán mở rộng dữ liệu (DA): Các trung tâm phân tích dữ liệu y tế và điều tra xã hội học cần đưa thuật toán Gibbs hai bước (bước I và bước P) vào tiền xử lý các tập dữ liệu có tỷ lệ khuyết thiếu từ 10% đến 30%. Giải pháp này giúp phục hồi chính xác phân phối tham số gốc trong thời gian 12 tháng áp dụng.

3. Tối ưu hóa mô hình học máy xác suất bằng thuật toán Langevin và MTM: Các kỹ sư công nghệ và nhà phát triển AI nên tích hợp kỹ thuật khuếch tán Langevin vào việc huấn luyện mạng nơ-ron Bayes, nhằm tăng tốc độ hội tụ thêm 30% đến 40% trong giai đoạn nghiên cứu 3 đến 6 tháng tới.

4. Đưa các thuật toán MCMC hiện đại vào chương trình đào tạo đại học và sau đại học: Khoa Toán - Tin và các trường đại học chuyên ngành kinh tế, kỹ thuật cần cập nhật giáo trình môn Lý thuyết Xác suất nâng cao, bổ sung các học phần thực hành MCMC trên máy tính trong khung chương trình giai đoạn 2026 - 2028.

Đối tượng nên tham khảo luận văn

Tài liệu là công trình học thuật chuyên sâu, mang lại giá trị thiết thực cho 4 nhóm đối tượng chính:

1. Học viên cao học và nghiên cứu sinh chuyên ngành Xác suất - Thống kê: Cung cấp tài liệu tham khảo chuẩn mực với đầy đủ các chứng minh toán học về tính dừng, tính Ergodic của xích Markov và phương pháp xây dựng xích khả nghịch.
2. Kỹ sư Khoa học dữ liệu và Machine Learning: Nắm vững bản chất toán học của các thư viện tính toán Bayes hiện đại, từ đó tự tin tùy biến các thuật toán lấy mẫu Gibbs và Metropolis-Hastings trong các mô hình suy luận Bayes phân cấp.
3. Chuyên gia phân tích rủi ro định lượng và Kinh tế lượng: Ứng dụng trực tiếp thuật toán nhận dạng điểm thay đổi và mô hình phân phối hỗn hợp để dự báo biến động giá trị tài sản trong điều kiện dữ liệu thiếu.
4. Giảng viên và nhà nghiên cứu giải tích số: Sử dụng cấu trúc 4 chương mạch lạc và các đoạn mã nguồn thuật toán thực nghiệm làm tài liệu giảng dạy chuyên đề tính toán thống kê và mô phỏng Monte Carlo.

Câu hỏi thường gặp

1. Phương pháp MCMC khác biệt cơ bản như thế nào so với phương pháp Monte Carlo truyền thống? Phương pháp Monte Carlo truyền thống sinh các mẫu độc lập từ phân phối mục tiêu, vốn rất khó thực hiện trong không gian nhiều chiều. MCMC khắc phục điều này bằng cách sinh một chuỗi các mẫu phụ thuộc thông qua xích Markov có phân phối dừng đúng bằng phân phối mục tiêu, giúp tính xấp xỉ tích phân chính xác với cỡ mẫu thực nghiệm khoảng 5.000 bước lặp.

2. Tại sao tỷ lệ chấp nhận mẫu của thuật toán Metropolis-Hastings cần được duy trì từ 20% đến 40%? Nếu tỷ lệ chấp nhận quá cao (trên 80%), bước nhảy thường quá nhỏ khiến xích di chuyển rất chậm qua không gian trạng thái. Nếu tỷ lệ chấp nhận quá thấp (dưới 10%), phần lớn đề xuất bị bác bỏ làm xích bị dừng tại chỗ. Tỷ lệ tối ưu 20% - 40% cân bằng hoàn hảo giữa độ rộng bước nhảy và tốc độ hội tụ.

3. Khi nào bắt buộc phải sử dụng thuật toán Bước nhảy ngược MCMC (RJMCMC)? Thuật toán RJMCMC bắt buộc phải sử dụng khi thực hiện suy luận Bayes trên các mô hình có số chiều không gian tham số không cố định hoặc khác nhau, chẳng hạn như bài toán lựa chọn số lượng thành phần trong mô hình hỗn hợp hoặc xác định số điểm thay đổi $k$ chưa biết trước.

4. Ý nghĩa chính của thuật toán Mở rộng dữ liệu (Data Augmentation) là gì? Thuật toán mở rộng dữ liệu biến bài toán phân tích trên tập dữ liệu không đầy đủ thành mô hình lấy mẫu Gibbs hai bước đơn giản: bước I sinh dữ liệu khuyết thiếu dựa trên tham số hiện tại, và bước P sinh tham số mới dựa trên toàn bộ dữ liệu đã được lấp đầy, đảm bảo độ chính xác trên 90%.

5. Phương pháp biến phụ trợ như Mô phỏng điều hòa nhiệt giúp ích gì trong tối ưu hóa? Mô phỏng điều hòa nhiệt bổ sung biến phụ trợ nhiệt độ với $m$ mức khác nhau, cho phép hệ thống lấy mẫu tại nhiệt độ cao để dễ dàng vượt qua các rào cản năng lượng giữa các đỉnh phân phối, sau đó truyền mẫu về mức nhiệt độ mục tiêu giúp tăng tốc độ hội tụ thêm khoảng 45%.

Kết luận

Luận văn thạc sĩ khoa học của tác giả Trần Thị Bích Ngọc đã hoàn thành xuất sắc các nhiệm vụ nghiên cứu trọng tâm:

• Hệ thống hóa toàn diện cơ sở toán học của suy luận Bayes, tích phân Monte Carlo và lý thuyết xích Markov Ergodic.
• Cài đặt và kiểm chứng thực nghiệm thành công mẫu Gibbs và Metropolis-Hastings với cỡ mẫu 5.000 bước lặp trên phân phối chuẩn và phân phối mũ.
• Làm sáng tỏ cơ chế hoạt động của thuật toán cập nhật từng thành phần và thuật toán bước nhảy ngược RJMCMC trong không gian biến thiên số chiều.
• Khảo sát chi tiết phương pháp biến phụ trợ MCMC, đặc biệt là mô phỏng nhiệt luyện và mô phỏng điều hòa nhiệt độ trong xử lý hàm đa đỉnh.
• Đóng góp một tài liệu học thuật hoàn chỉnh, chuẩn mực về mặt giải tích xác suất và có giá trị ứng dụng thực tiễn cao cho cộng đồng nghiên cứu thống kê toán học.

Trong giai đoạn 12 tháng tiếp theo, hướng phát triển tự nhiên của đề tài là mở rộng các thuật toán MCMC sang tính toán song song trên kiến trúc GPU và tích hợp vào các bài toán dữ liệu lớn. Bạn đọc quan tâm có thể tham khảo toàn văn luận văn tại thư viện hoặc áp dụng ngay các thuật toán mẫu để tối ưu hóa mô hình thống kê của mình.