MCMC
很重要: https://www.cnblogs.com/pinard/p/6625739.html
参考:
MCMC https://zhuanlan.zhihu.com/p/253784711
https://zhuanlan.zhihu.com/p/37121528
马尔科夫链:http://www.360doc.com/content/19/0226/08/32196507_817579538.shtml
定义
随机过程:考虑一个随机变量的序列 X = { X 0 , X 1 , X 2 . . . X t . . . } X=\{X_0,X_1,X_2...X_t...\} X={
X0,X1,X2...Xt...}
这里 X t X_t Xt 表示时刻 t t t 的随机变量, t = 0 , 1 , 2... t= 0,1,2... t=0,1,2...
每个随机变量的取值集合相同,称为状态空间,表示为 S S S 。随机变量可以是离散的,也可以是连续的。
以上随机变量的序列构成随机过程(stochastic process)。
假设在0时刻的随机变量 X 0 X_0 X0 遵循概率分布 P ( X 0 ) = π 0 P(X_0)=\pi_0 P(X0)=π0,称为初始状态分布。在某个时刻 t > = 1 t>=1 t>=1 的随机变量 X t X_t Xt 与前一个时刻的随机变量 X t − 1 X_{t-1} Xt−1之间有条件分布 P ( X t ∣ X t − 1 ) P(X_t|X_{t-1}) P(Xt∣Xt−1),如果 X t X_t Xt只依赖于 X t − 1 X_{t-1} Xt−1 ,而不依赖于过去的随机变量,这一性质称为马尔可夫性,即:
P ( X t + 1 = y ∣ X t = x , X t − 1 = x t − 1 , ⋅ ⋅ ⋅ , X 0 = x 0 ) P(X_{t+1} = y | X_t = x, X_{t−1} = x_{t−1}, · · · , X_0 = x_0) P(X