一,採樣方法
1,接受-拒絕抽樣
2,重要性抽樣
3,MCMC(馬爾可夫鏈蒙特卡洛方法):metropolis-hasting算法和它的特例Gibbs採樣算法
一,隨機模擬的基本思想
1,求不規則面積:
a,分割計算
b,我們抓一把黃豆,把它們均勻地鋪在矩形區域,如果我們知道黃豆的總個數S,那麼只要我們數數位於不規則區域M中的黃豆個數S1,那麼我們就可以求出M的面積:
2,求解定積分
採用蒙特卡洛積分,即把上述式子改寫爲:
把
抽取n個樣本後,可知
二,常見的抽樣方法
2.0,直接抽樣法
2.1,接受-拒絕抽樣
這個算法的基本思想是:我們需要對一個分佈f(x)進行採樣,但是卻很難直接進行採樣,所以我們想通過另外一個容易採樣的分佈g(x)的樣本,用某種機制去除掉一些樣本,從而使得剩下的樣本就是來自與所求分佈f(x)的樣本。
條件:
1)對於任何一個x,有
2) g(x)容易採樣;
3) g(x)最好在形狀上比較接近f(x)。
採樣過程:
1. 對於g(x)進行採樣得到一個樣本
2. 對於均勻分佈採樣
3. 如果
2.2重要性採樣
根據上述等式:
抽樣步驟如下:
1. 選擇一個容易抽樣的分佈g(x), 從g(x)中抽取N個樣本;
2. 計算
2.3,MCMC抽樣方法
MCMC方法的基本思想是:如果我們能構造一個轉移矩陣爲P的馬氏鏈,使得該馬氏鏈的平穩分佈恰好是p(x), 那麼我們從任何一個初始狀態
背景知識:
馬氏鏈定理
細緻平穩條件;如果非週期馬氏鏈的轉移矩陣P和分佈
構造滿足條件
假設我們已經有一個轉移矩陣爲Q馬氏鏈(q(i,j)表示從狀態i轉移到狀態j的概率,也可以寫爲q(j|i)或者q(i→j)), 顯然,通常情況下
構造一個a(i,j),根據對稱性
使得
此時p(i)爲平穩分佈, α(i,j)稱爲接受率
理解思路:物理意義可以理解爲在原來的馬氏鏈上,從狀態i 以q(i,j)的概率轉跳轉到狀態j 的時候,我們以α(i,j) 的概率接受這個轉移,於是得到新的馬氏鏈Q′的轉移概率爲q(i,j)α(i,j)。
MCMC採樣算法
採樣概率p(x)的算法,假設我們已經又一個轉移矩陣Q(對應元素q(i,j))
採樣思路藉助了重要性採樣的思路
2.3.2,Metropolis-Hastings算法
MCMC採樣的缺陷:
馬氏鏈Q在轉移的過程中的接受率α(i,j) 可能偏小,這樣採樣過程中馬氏鏈容易原地踏步,拒絕大量的跳轉,這使得馬氏鏈遍歷所有的狀態空間要花費太長的時間,收斂到平穩分佈p(x) 的速度太慢。
優化:
思路很簡單,將a(i,j),a(j,i)同時擴大一定的倍數,使得
所以得出
2.3.3,Gibbs sampling算法
二維:
gibbs採樣只對z是高維(2維以上)情況有效。通過固定某個維度
由於x座標相同的點