Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Montecarlo de Markov
Montecarlo de Markov
Markov
{
a ( x, y) = min 1, }
p( y) q( x y)
p( x ) q ( y x )
No todas las q igual de eficientes, compromiso:
Alta probabilidad de aceptacin
Fase de calentamiento corta
Que no sean slow mixing chains
Los distintos mtodos de Montecarlo de Markov
difieren en la eleccin de q.
Algoritmo de Metrpolis
{
a ( x, y) = min 1,
p }
p( y)
( x)
Eleccin del parmetro de escala () delicada:
si yxt tiende a ser pequeo (y,xt) grande
pero con lenta velocidad de mixtura.
Muestreador de
independencia
Basado en q(y|x)=q(y). Conduce a
{
a ( x, y) = min 1,
p( x) q( y)
p( y) q( x) }
Suele funcionar bien cuando q es una
buena aproximacin a p, pero con colas
ms pesadas.
Tpica eleccin si aplicable TCL: q normal
multivariante de media igual a la moda de
p y matriz de covarianzas- algo
1 mayor que
2 log p( x)
-
xi xj
Metropolis-Hastings paso a
paso (single component)
En lugar de actualizar X en bloque, mejor
considerar componentes {X1,X2,...,Xh} y
actualitzarlas una a una.
Notacin: Xi = {X1,X2,...,Xi1, Xi+1,...,Xh}
Cada iteracin dividida en h etapas.
Etapa i de tt+1 actualiza Xt.i: se
propone Yi segn qi(yi|xt.i,xt.i), con xt.i =
{xt+1.1,xt+1.2,...,xt+1.i1, xt.i+1,...,xt.h}.
Aceptado con probabilidad p( yt.i xt.i ) qi ( xt.i yt.i , xt.- i )
a ( xt.- i , xt.i , yt.i ) = min 1,
p ( xt.i xt.i ) qi ( yt.i x , x )
t.i t.- i
Muestreo de Gibbs