چکیده: الگوریتم‌های مونت کارلوی زنجیر مارکوفی MCMC، مانند نمونه‌گیری گیبز و الگوریتم متروپلیس-هستینگز، روش‌هایی برای تولید نمونه از توزیع‌های پیچیده هستند. اگر در روش MCMC سرعت همگرایی کند شود، زمان اجرای الگوریتم طولانی خواهد شد. یکی از دلایلی که باعث کند شدن همگرایی الگوریتم‌های MCMC می‌شود، جداگانه به‌روز کردن مولفه‌هایی از توزیع است که به هم وابسته هستند. بلوک‌بندی گروهی مولفه‌هایی که به هم وابسته هستند و از سایر مولفه‌ها مستقل، یکی از روش‌های معمول برای گریز از چنین مشکلی است. بلوک‌بندی مناسب مولفه‌های موجود در توزیع، باعث افزایش سرعت همگرایی و کاهش زمان اجرا می‌شود. در این پایان‌نامه یک روش بلوک‌بندی خودکار معرفی می‌شود که از بلوک‌بندی سلیقه‌ای برحذر است و کارایی مناسبی دارد. در نهایت فرآیند بلوک‌بندی خودکار را با استفاده از داده‌های واقعی و مدل‌های شبیه‌سازی شده ارزیابی کرده و نتایج را با استفاده از الگوریتم‌های MCMC استاندارد مقایسه می‌کنیم.