Gibbs Sampling(三)：补充

最新推荐文章于 2022-01-25 15:09:10 发布

山抹微云654

最新推荐文章于 2022-01-25 15:09:10 发布

阅读量375

点赞数

分类专栏：数理统计

数理统计专栏收录该内容

12 篇文章 0 订阅

订阅专栏

转自：http://blog.sina.com.cn/s/blog_5033f3b40101jgmv.html

因上篇太长，这里本文完全续上文：Gibbs Sampling(二)：Gibbs Sampling总结

2.【关于文中积分到期望的转化】

基本上，任何的概率、积分、和求和都是possible表达成期望的形式的。

概率形式： P(YϵA) = E(I_{A}(Y))，其中I函数可以作为指示函数，YϵA则取1，否则取0.

积分形式：如文中1.2.2所示。

离散求和形式：

既然所有的概率、积分、求和都可以表达成期望的形式，那理论上所有的这些问题都可以用MonteCarlo采样的方法解决，实现步骤在《》中有详细描述，另外也可以参考文献2，其中有例子可供参考。

【关于MonteCarlo方法优劣的衡量】

从上面我们知道，基本所有的问题都可以用Monte Carlo的方法结合大数定律来求解，但是，并不是所有的问题都能在合理的时间内得到一个好的结果的。很多时候，对于同一个问题，有的Monte Carlo estimators会要很长时间才能得到较好的结果，而另外一些Monte Carlo estimators就要明显优于它们。这些所谓的‘好的’Monte Carlo estimator都有比较小的方差,我们称他们为Monte Carlo方差。(关于Monte Carlo estimator: 在本文及之前的例子中，我们都是应用服从uniform(0,1)分布的样本点来进行采样的整个过程的，这样一个过程就是一个Monte Carlo estimator, 倘若我们换成采样时要求其服从uniform(0,5)来实现这个过程，那就又是另外一个Monte Carlo estimator了)

【关于Monte Carlo采样中的分布选择】

在本文及之前的例子中，我们都是选择服从[0,1]之间的均匀分布的样本点进行采样求均值最终求积分的，然而是不是也可以选其他的呢？当然可以。请看下面的例子。

假如对于积分∫g(x)dx中的g(x)是如图中所示，在[0,1]区间之外，g(x)取值均为0。

此时，假如我们按照博文1中采集服从[0,1]均匀分布的样本点U，将积分转化为期望形式：∫g(x)dx=E[g(U)]，然后通过Monte Carlo方法，采样求取均值1/n∙∑_ig(u_i),应该会得到比较好的结果。

但是，我们换一个分布，即变量替换的时候让替换后的变量不是服从[0,1]之间的均匀分布，比如用新变量W~uniform(0,5)来代入，p(w)=0.2(0<=w<=5)则有：

E[g(w)] = ∫_[0,5]g(w)p(w)dw

= (1/5)∫_[0,5]g(w) dw

= (1/5)∫_[0,1]g(w) dw

= (1/5) ∫_[0,1]g(x) dx

故有：∫_[0,1]g(x) dx = 5∙ E[g(w)]。

这样一来，在采用Monte Carlo方法，得到采样点后得到的估计是

∫_[0,1]g(x) dx = (5/n)∙∑g(w_i)

我们看到这样的过程也可以得到对所求积分的估计，但是。。太浪费了。。。，因为采样的时候是在[0,5]的范围内采样，而在这个区间内大部分的点[1,5]，区间内的点都是没意义的，可以不用采的，这就说明选择哪个分布还是有很大影响的，不一定对结果影响，但是时间复杂度会有影响。这就引出了重要性采样（好像扯远了。。不过这一篇本来就是闲扯，就再扯扯吧。。）。

【Important Sampling重要性采样】

重要性采样是要解决上面所提到的选什么分布的问题。

假如h(x)是在A上有定义，即有：

那么对于关于g(x)在这个区域上的积分可以表达为：

然后得到的Monte Carlo estimator就是：

我们在【关于MonteCarlo方法优劣的衡量】的部分有说道衡量各个Monte Carlo estimator优劣的主要就是看他们的方差，如果能够选择一个合适的h(x)使得方差最小，那么可以说h(x)就算是找到了。经过证明，当采样函数h(x)与g(x)是比例关系时，方差最小。总结起来，一个合适的好的importance sampling function h(x)应当具备以下特点：