چکیده: در‎‎ دیدگاه استنباط بیزی‏، تمامی استنباط‌‌ها مبتنی بر توزیع پسین به‌دست می‌آیند. در اغلب موقعیت‌های کاربردی توزیع پسین صورت بسته‌ای ندارد و باید به شیوه‌ای آ‌ن‌را تقریب زد. در روش‌های‎‎‎ مونت‌کارلوی زنجیر مارکوف‏، معمول است که به جای به‌روز رسانی هم‌زمان همه متغیرها‏، در هر مرحله فقط یک متغیر (یا یک بلوک‌های متغیر) به‌روز رسانی می‌شود که به آن به‌روز رسانی مولفه به مولفه می‌گویند. الگوریتم‌های نمونه‌گیر گیبز و متروپولیس-هستینگز درون گیبز از این جمله هستند. پس از به‌روز رسانی به روش مولفه به مولفه همه متغیرها (یا بلوک‌های متغیر)‏، استراتژی‌های مختلفی برای ترکیب آن‌ها‏، از جمله اتصال همگی یا انتخاب یک دنباله تصادفی‏، به عنوان حالت زنجیر توام همه متغیرها قابل به‌کارگیری هستند. در کنار مزیت های روش‌های به‌روز رسانی مولفه به مولفه‏، مطالعه و پژوهش‌ بر روی ویژگی‌های نظری همگرایی زنجیرهای مارکوف حاصل از آن‌ها به توزیع مانای خود‏، که همان توزیع پسین مورد نظر می‌باشد‏، به ندرت مورد توجه قرار گرفته است. ما شرایطی که تحت آن برخی زنجیرهای مارکوف مولفه به مولفه به یک توزیع ثابت با نرخ هندسی همگرا می‌شوند را مطالعه می‌کنیم و توجه ویژه‌ای به ارتباط بین نرخ‌های همگرایی و استراتژی‌های مولفه به مولفه گوناگون داریم. در نهایت نتایج را‏، برای دو مثال واقعی که شامل‏، یک مدل سلسله مراتبی خطی آمیخته و برآورد ماکسیمم درستنمایی برای مدل آمیخته‏، نشان می‌دهیم.