Câu hỏi được gắn thẻ «mcmc»

Chuỗi Markov Monte Carlo (MCMC) đề cập đến một lớp phương pháp để tạo mẫu từ phân phối mục tiêu bằng cách tạo số ngẫu nhiên từ Chuỗi Markov có phân phối cố định là phân phối đích. Các phương thức MCMC thường được sử dụng khi nhiều phương thức trực tiếp hơn để tạo số ngẫu nhiên (ví dụ: phương pháp đảo ngược) là không khả thi. Phương pháp MCMC đầu tiên là thuật toán Metropolis, sau đó được sửa đổi thành thuật toán Metropolis-Hastings.

2
Tỷ lệ chấp nhận cho đô thị-Hastings> 0,5
Làm thế nào có thể có được tỷ lệ chấp nhận của Metropolis-Hastings gần bằng 1 (ví dụ: khi khám phá phân phối không chính thống với phân phối đề xuất bình thường với SD quá nhỏ), sau khi hết hạn? Tôi thấy nó trong chuỗi MCMC của riêng tôi …
1
Thuật toán gần đúng của đô thị - nó có ý nghĩa không?
Cách đây một thời gian, Xi'an đã hỏi tương đương với cdfs của MCMC đối với pdf là gì? Câu trả lời ngây thơ sẽ là sử dụng thuật toán đô thị "gần đúng" theo mẫu Cho 1. tạo 2. lấyX(t)=x(t)X(t)=x(t)X^{(t)} = x^{(t)}Y∼q(y|x(t))Y∼q(y|x(t))Y \sim q(y|x^{(t)})X(t+1)={Yx(t) with probability otherwise.min(F(Y+ε)−F(Y−ε)F(x(t)+ε)−F(x(t)−ε),1)X(t+1)={Y with probability …
3
Tại sao lấy mẫu từ phân phối dự báo sau
Trong mô hình Bayes, phân phối dự báo sau thường được viết là: p (xne w|x1,...xn)= =∫∞- ∞p(xn e w∣ μ ) p ( μ|x1,...xn)dμp(xnew|x1,Giáo dụcxn)= =∫-∞∞p(xnew|μ) p(μ|x1,Giáo dụcxn)dμ p(x_{new} \mid x_1, \ldots x_n) = \int_{-\infty}^{\infty} p(x_{new}\mid \mu) \ p(\mu \mid x_1, \ldots x_n)d\mu cho một tham số trung bình …
7 bayesian  mcmc  gibbs 
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookie và Chính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.