Hầu hết đây là nền tảng, bỏ qua đến cuối nếu bạn đã biết đủ về hỗn hợp quy trình Dirichlet . Giả sử tôi đang mô hình hóa một số dữ liệu là đến từ một hỗn hợp của các quá trình Dirichlet, tức là chúng ta hãy và có điều kiện trên F giả Y i i i d ~ ∫ f ( y | θ ) F ( d θ ) .F∼D(αH)F
Yi∼iid∫f(y|θ)F(dθ).
Ở đây và α H là số đo cơ sở trước. Nó chỉ ra rằng nếu cho mỗi quan sát Y i , nếu tôi biết liên quan đến tiềm ẩn θ i , khả năng của α trong mô hình này là L ( α | t ) α α t Γ ( α )α>0αHYiθiα nơitlà số giá trị khác biệt củaθi(biện pháp ngẫu nhiênFlà rời rạc gần như chắc chắn). Escobar và Westphát triển sơ đồ sau để lấy mẫuαbằng cách sử dụng Gamma trước; đầu tiên, họ viếtπ(α|t)απ(α)αtΓ(α)
L(α|t)∝αtΓ(α)Γ(α+n)
tθiFα
nơi
B ( ⋅ , ⋅ ) là chức năng beta. Sau đó, lưu ý rằng nếu chúng tôi giới thiệu một tham số tiềm ẩn
X ∼ Beta ( α + 1 , n )π(α|t)∝π(α)αtΓ(α)Γ(α+n)∝π(α)αt−1(α+n)B(α+1,n)=π(α)αt−1(α+n)∫10xα(1−x)n−1 dx,
B(⋅,⋅)X∼Beta(α+1,n) sau đó khả năng có dạng hỗn hợp các phân phối Gamma và sử dụng điều này để viết ra một bộ lấy mẫu Gibbs.
L(α|t)∝αtΓ(α)Γ(α+n)=αtΓ(n)Γ(α)Γ(α+n)Γ(n)=αtB(α,n)Γ(n)∝αt∫10xα−1(1−x)n−1 dx,
X∼Beta(α,n)
αaa/b
π(α|t)∝αa+t−2(α+n)e−bα∫10xα(1−x)n−1 dx
Xπ(α,x|t)∝αa+t−2(α+n)e−bαxα(1−x)n−1.
Beta(α+1,n)XG(a+t,b−log(x))G(a+t−1,b−log(x))α
Beta(α,n)XG(a+t,b−log(x))α