Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Método de Metropolis-Hastings
Evaluación de la Bondad de ajuste de la simulación
Distributiones Multivariadas
2 / 28
Método de Metropolis-Hastings
Método de Metropolis-Hastings
Este método nos permite simular una v.a. cualquiera con función de
distribución f (.), construyendo una cadena de Markov cuya distribución
estacionaria es precisamente la distribución de interés f (x).
3 / 28
Método de Metropolis-Hastings
4 / 28
Método de Metropolis-Hastings
1 Iniciar en un valor X0 , t = 0
2 X = Xt
5 / 28
Método de Metropolis-Hastings
6 / 28
Método de Metropolis-Hastings
Ejemplo 14
2
1 1 (Y −X)
q(Y | X) = √ e− 2 σ 2
2πσ
7 / 28
Método de Metropolis-Hastings
2φ(Y )Φ(λY )
= min 1,
2φ(X)Φ(λX)
8 / 28
Método de Metropolis-Hastings
library ( sn )
# Tama~ n o de la muestra
N < -10000
lambda < -5
sigma < -2.4* sqrt (1 -2* lambda ^2/( pi *(1+ lambda ^2) ) )
# Valor inicial
z < -1
# Algoritmo de Metropolis Hastings
for ( h in 2: N ) {
x < - z [h -1] # valor anterior
y < - rnorm (1 ,x , sigma ) # valor candidato
u < - runif (1)
alpha < - min (1 , dsn (y , alpha = lambda ) / dsn (x , alpha = lambda ) )
# prob . de aceptar al candidato
hist (z , prob = T )
curve ( dsn (x , shape =5) , col =2 , add = T ) 9 / 28
Método de Metropolis-Hastings
Ejercicio
10 / 28
Evaluación de la Bondad de ajuste de la simulación
11 / 28
Evaluación de la Bondad de ajuste de la simulación
12 / 28
Evaluación de la Bondad de ajuste de la simulación
13 / 28
Evaluación de la Bondad de ajuste de la simulación
14 / 28
Evaluación de la Bondad de ajuste de la simulación
15 / 28
Evaluación de la Bondad de ajuste de la simulación
Ejercicios Adicionales
2 2
1 f (x) = √ (x + 1)e−x , x > 0
π+1
1 1 1
2 f (x) = k √ e− 2 (x+ x ) , x > 0
x
4x
3 f (x) = ,x>0
(1 + x2 )2
16 / 28
Distribuciones Multivariadas
Normal Multivariada
Un vector aleatorio de n-dimensional X = (X1 , ..., Xn )T se dice que
tiene distribución normal multivariada si su función de densidad es dada
por
1 1 T −1
f (X) = exp − (X − µ) Σ (X − µ)
(2π)k/2 |Σ|1/2 2
E (X) = µ
V ar (X) = Σ donde
σ12
σ1,2 ··· σ1,n
σ1,2 σ22 ··· σ2,n
Σ=
.. .. .. ..
. . . .
σ1,n σ2,n · · · σn2
V ar(Xi ) = σi2 y cov(Xi , Xj ) = σi,j
Notación: X ∼ N (µ, Σ).
17 / 28
Distribuciones Multivariadas
Propiedades
X = µ + RT Z
Z ∼ N (0, I), esto es Z es un vector de n valores de una normal
estándar.
18 / 28
Distribuciones Multivariadas
Uso de R
19 / 28
Distribuciones Multivariadas
Ejemplo
−2 1 0.7
Generar de X ∼ N ,
3 0.7 1
20 / 28
Distribuciones Multivariadas
Ejemplo
Sigma<-matrix(c(1,0.7,0.7,1),2,2)
R<-chol(Sigma)
> R
[,1] [,2]
[1,] 1 0.7000000
[2,] 0 0.7141428
21 / 28
Distribuciones Multivariadas
Ejemplo
Utilizamos ahora
X = µ + RT Z
M<-10000
mu<-c(-2,3)
X<-matrix(0,M,2)
for(h in 1:M){
Z<-rnorm(2)
X[h,]<-mu+t(R)%*%Z
}
22 / 28
Distribuciones Multivariadas
Ejemplo
> colMeans(X)
[1] -1.995321 3.000936
> var(X)
[,1] [,2]
[1,] 1.0008168 0.7019071
[2,] 0.7019071 1.0003016
>
23 / 28
Distribuciones Multivariadas
Ejemplo
plot(X,col=0)
points(X,cex=0.5,pch=16)
f<-function(x,y){dmnorm(cbind(x,y),mean=mu,varcov=Sigma)}
x<-seq(-6,2,0.1)
y<-seq(-1,8,0.1)
z<-outer(x,y,f)
contour(x,y,z,add=T,col=2,lwd=2,nlevels=10)
24 / 28
Distribuciones Multivariadas
Ejercicio
25 / 28
Distribuciones Multivariadas
Distribución t multivariada
26 / 28
Distribuciones Multivariadas
Propiedades
v
E(X) = µ si v > 1 y V ar(X) = Σ si v > 2.
v−2
Z
X = µ + RT √
w
Z ∼ N (0, I), esto es Z es un vector de n valores de una normal
estándar.
Ejercicio
−2 1 0.7
Generar de X ∼ t , ,4
3 0.7 1
28 / 28