مدل های نقطه تغییر چندگانه یک چهارچوب قابل تغییر و تفسیر برای نمایش ناهمگونی زمانی در داده ها فراهم می آورد. علاوه بر یافتن مکان های نقاط تغییر، این مدل ها معمولا شامل پارامترهایی هستند که توزیع های داده ها را بین نقاط تغییر و دیگر کمیت ها مشخص می کند. با این حال،مقادیر این پارامترها معمولا نامعلومند و لازم است که از داده ها استنتاج شوند. ما الگوریتم های مونت کارلوی زنجیر مارکوفی جدید را که یک روش مفید برای استنباط تماما بیزی در حضور پارامتر نامعلوم فراهم می کند،توسعه می دهیم.