matlab蒙特卡洛计算报童,马尔可夫链蒙特卡罗模拟(MCMC)-基于MATLAB操作

本帖最后由 fantuanxiaot 于 2014-11-19 22:22 编辑

5 MCMC matlab.pdf

(1.14 MB, 下载次数: 349)

2014-11-19 22:12 上传

点击文件名下载附件

下载积分: 贝壳 -1

1.jpg (72.49 KB, 下载次数: 42)

2014-11-19 22:16 上传

2.jpg (78.69 KB, 下载次数: 21)

2014-11-19 22:16 上传

目录

1 Sampling from Random Variables 4

1.1 Standard distributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.2 Sampling from non-standard distributions . . . . . . . . . . . . . . . . . . . 7

1.2.1 Inverse transform sampling with discrete variables . . . . . . . . . . . 8

1.2.2 Inverse transform sampling with continuous variables . . . . . . . . . 11

1.2.3 Rejection sampling . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2 Markov Chain Monte Carlo 15

2.1 Monte Carlo integration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2.2 Markov Chains . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2.3 Putting it together: Markov chain Monte Carlo . . . . . . . . . . . . . . . . 18

2.4 Metropolis Sampling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2.5 Metropolis-Hastings Sampling . . . . . . . . . . . . . . . . . . . . . . . . . . 22

2.6 Metropolis-Hastings for Multivariate Distributions . . . . . . . . . . . . . . . 26

2.6.1 Blockwise updating . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.6.2 Componentwise updating . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.7 Gibbs Sampling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

3 Basic concepts in Bayesian Data Analysis 39

3.1 Parameter Estimation Approaches . . . . . . . . . . . . . . . . . . . . . . . . 40

3.1.1 Maximum Likelihood . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3.1.2 Maximum a posteriori . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3.1.3 Posterior Sampling . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

3.2 Example: Estimating a Weibull distribution . . . . . . . . . . . . . . . . . . 42

3.3 Example: Logistic Regression . . . . . . . . . . . . . . . . . . . . . . . . . . 45

3.4 Example: Mallows Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

4 Directed Graphical Models 46

4.1 A Short Review of Probability Theory . . . . . . . . . . . . . . . . . . . . . 46

4.2 The Burglar Alarm Example . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

4.2.1 Conditional probability tables . . . . . . . . . . . . . . . . . . . . . . 49

4.2.2 Explaining away . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

4.2.3 Joint distributions and independence relationships. . . . . . . . . . . 52

4.3 Graphical Model Notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

4.3.1 Example: Consensus Modeling with Gaussian variables . . . . . . . . 54

5 Approximate Inference in Graphical Models 57

5.1 Prior predictive distributions . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

5.2 Posterior distributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

5.2.1 Rejection Sampling . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

5.2.2 MCMC Sampling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

5.2.3 Example: Posterior Inference for the consensus modelwith normally

distributed variables . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

5.2.4 Example: Posterior Inference for the consensus modelwith contaminants 66

6 Sequential Monte Carlo 69

6.1 Hidden Markov Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

6.1.1 Example HMM with discrete outcomes and states . . . . . . . . . . . 71

6.1.2 Viterbi Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

6.2 Bayesian Filtering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

6.3 Particle Filters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

6.3.1 Sampling Importance Resampling (SIR) . . . . . . . . . . . . . . . . 74

6.3.2 Direct Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76