Diplomová práce pojednává o Markov Chain Monte Carlo (MCMC) metodách, které se používají ke generování posloupnosti vzorků z nějakého složitějšího pravděpodobnostního rozdělení, ze kterého neumíme generovat přímo. Proto zkonstruujeme Markovův řetězec, jehož stacionární rozdělení je požadované rozdělení. Seznámíme se s Monte Carlo integrací, skrytými Markovovými řetězci a s MCMC filtry. Cílem práce je porozumět teorii MCMC metod a tuto teorii aplikovat na data.The Master´s thesis deals with Markov Chain Monte Carlo methods. We used these methods for generating a sequence of sample from complicated probability distribution. We can not generate directly from this complicated probability distribution. Therefore we construct Markov chain that has a stationary distribution equal to a target distribution. We deal with Monte Carlo Integration, Hidden Markov chains and MCMC filters. The aim of this Master´s thesis is to understand the theory of MCMC methods and to apply this theory to the dates.