Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 14 vistas

    Algoritmo Metrópolis de Husting

    Cargado por

    roly
    El documento describe el algoritmo de Metrópolis-Hastings y un muestreador de Gibbs. Explica cómo simular una distribución normal bivariada usando un muestreador de Gibbs.

    Copyright:

    © All Rights Reserved
    Descargue como DOC, PDF, TXT o lea en línea desde Scribd

    Algoritmo Metrópolis de Husting

    Cargado por

    roly
    14 vistas3 páginas
    El documento describe el algoritmo de Metrópolis-Hastings y un muestreador de Gibbs. Explica cómo simular una distribución normal bivariada usando un muestreador de Gibbs.

    Descripción original:

    Algoritmo Metrópolis de Husting

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOC, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El documento describe el algoritmo de Metrópolis-Hastings y un muestreador de Gibbs. Explica cómo simular una distribución normal bivariada usando un muestreador de Gibbs.

    Copyright:

    © All Rights Reserved
    Descargue como DOC, PDF, TXT o lea en línea desde Scribd
    Descargar como doc, pdf o txt
    14 vistas3 páginas

    Algoritmo Metrópolis de Husting

    Cargado por

    roly
    El documento describe el algoritmo de Metrópolis-Hastings y un muestreador de Gibbs. Explica cómo simular una distribución normal bivariada usando un muestreador de Gibbs.

    Copyright:

    © All Rights Reserved
    Descargue como DOC, PDF, TXT o lea en línea desde Scribd
    Descargar como doc, pdf o txt
    Está en la página 1de 3

    ALGORITMO METRÓPOLIS DE HUSTING:

    Dado :

    1)generar

    2) con probabilidad

    Donde:

    Ejemplo:

    utilizar sólo una metrópoli {Algoritmo de Hastings, donde la densidad f objetivo es


    el beta (2.8; 6.0) y la densidad de candidato q es uniforme en [0, 1], lo que
    significa que no depende del valor anterior de la cadena. Una metrópolis {muestra
    Hastings se genera con el siguiente:

    # valores iniciales:

    a=2.8; b=6; c=2.669

    n=8000

    X=rep(runif(1),n) # inicializar la cadena.

    for (i in 2:n){

    Y=runif(1)

    rh=dbeta(Y,a,b)/dbeta(X[i-1],a,b)

    X[i]=X[i-1] + (Y-X[i-1])*(runif(1)<rh)

    ks.test(jitter(X),rbeta(8000,a,b))
    MUESTREADOR DE GIBBS:

    EJM:
    Considere el muestreador de Gibbs para una distribución de dos variables

    f(x,y) = k x^2 exp( -x y^2 - y^2 + 2y - 4x)

    donde las distribuciones condicionales son:

    f(x|y) = (x^2)*exp(-x*(4+y*y)) ## a Gamma density kernel


    f(y|x) = exp(-0.5*2*(x+1)*(y^2 - 2*y/(x+1)) ## a Gaussian kernel

    Rgibbs <- function(N,r) {

    mat <- matrix(0,ncol=2,nrow=N)

    x <- 0

    y <- 0

    for (i in 1:N) {

    for (j in 1:r) {

    x <- rgamma(1,3,y*y+4)

    y <- rnorm(1,1/(x+1),1/sqrt(2*(x+1)))

    mat[i,] <- c(x,y)

    mat

    bvn<- Rgibbs (10000,100)


    par(mfrow=c(3,2))
    plot(bvn,col=1:10000)
    plot(bvn,type="l")
    plot(ts(bvn[,1]))
    plot(ts(bvn[,2]))
    hist(bvn[,1],40)
    hist(bvn[,2],40)
    par(mfrow=c(1,1))
    MUESTREADOR DE GIBBS:

    Echemos un vistazo a la simulación de una normal bivariada con media cero y varianza de los
    marginales, sino una correlación de rho entre los dos componentes (si está un poco oxidado en el
    normal bivariada). Por supuesto, no es necesario un muestreador de Gibbs para simular este - sólo
    podían simular de la marginal de X, y luego de la condicional para Y | X. En R, podemos hacer esto
    de la siguiente manera:

    rbvn<-function (n, rho)


    {
    x <- rnorm(n, 0, 1)
    y <- rnorm(n, rho * x, sqrt(1 - rho^2))
    cbind(x, y)
    }
    bvn<-rbvn(10000,0.98)
    par(mfrow=c(3,2))
    plot(bvn,col=1:10000)
    plot(bvn,type="l")
    plot(ts(bvn[,1]))
    plot(ts(bvn[,2]))
    hist(bvn[,1],40)
    hist(bvn[,2],40)
    par(mfrow=c(1,1))

    gibs:

    gibbs<-function (n, rho)


    {
    mat <- matrix(ncol = 2, nrow = n)
    x <- 0
    y <- 0
    mat[1, ] <- c(x, y)
    for (i in 2:n) {
    x <- rnorm(1, rho * y, sqrt(1 - rho^2))
    y <- rnorm(1, rho * x, sqrt(1 - rho^2))
    mat[i, ] <- c(x, y)
    }
    mat
    }
    bvn<-gibbs(10000,0.98)
    par(mfrow=c(3,2))
    plot(bvn,col=1:10000)
    plot(bvn,type="l")
    plot(ts(bvn[,1]))
    plot(ts(bvn[,2]))
    hist(bvn[,1],40)
    hist(bvn[,2],40)
    par(mfrow=c(1,1))

    También podría gustarte