Escolar Documentos
Profissional Documentos
Cultura Documentos
Motivaci
on
M
etodos computacionales
Integraci
on de Montecarlo
Muestreo de Gibbs
Rejection
Muestreo Importante
Metropolis - Hasting
Markov Chain Montecarlo Method
Complemento ejemplos libro: Bayesian Computation with R
Metodos Computacionales
Alvaro J. Riascos Villegas
Universidad de los Andes y Quantil
Febrero de 2012
M
etodos Bayesianos - Banco de Guatemala
Alvaro Riascos
Contenido
Motivaci
on
M
etodos computacionales
Integraci
on de Montecarlo
Muestreo de Gibbs
Rejection
Muestreo Importante
Metropolis - Hasting
Markov Chain Montecarlo Method
Complemento ejemplos libro: Bayesian Computation with R
Motivacion
Metodos computacionales
Integracion de Montecarlo
Muestreo de Gibbs
Rejection
Muestreo Importante
Metropolis - Hasting
Alvaro Riascos
Contenido
Motivaci
on
M
etodos computacionales
Integraci
on de Montecarlo
Muestreo de Gibbs
Rejection
Muestreo Importante
Metropolis - Hasting
Markov Chain Montecarlo Method
Complemento ejemplos libro: Bayesian Computation with R
Motivacion
Dado que el objetivo por excelencia del analisis Bayesiano es
la distribucion posterior de los parametros es necesario poder
calularla y hacer calculos con ella. Usualmente se necesita:
1
2
3
Distribuci
on marginal de los datos.
Distribuci
on predictiva.
Estimadores puntuales, etc.
C
omo generar muestras aleatorias de la distribucion expost?
C
omo calcular integrales con respecto a la distribucion expost?
M
etodos Bayesianos - Banco de Guatemala
Alvaro Riascos
Contenido
Motivaci
on
M
etodos computacionales
Integraci
on de Montecarlo
Muestreo de Gibbs
Rejection
Muestreo Importante
Metropolis - Hasting
Markov Chain Montecarlo Method
Complemento ejemplos libro: Bayesian Computation with R
Metodos computacionales
Integraci
on de Montecarlo.
Muestreo de Gibbs.
Rejection.
Muestreo Importante.
Metropolis Hasting.
Markov Chain Montecarlo Method (MCMM)
M
etodos Bayesianos - Banco de Guatemala
Alvaro Riascos
Contenido
Motivaci
on
M
etodos computacionales
Integraci
on de Montecarlo
Muestreo de Gibbs
Rejection
Muestreo Importante
Metropolis - Hasting
Markov Chain Montecarlo Method
Complemento ejemplos libro: Bayesian Computation with R
Integracion de Montecarlo
Sea 1 , ..., S una muestra aleatoria (i.e., independiente) de la
distribucion expost p( |y ).
Sea g cualquier funci
on de .
Entonces:
S
1 X k
g E [g ( |y )]
gbS =
S
k=1
M
etodos Bayesianos - Banco de Guatemala
Alvaro Riascos
(1)
Contenido
Motivaci
on
M
etodos computacionales
Integraci
on de Montecarlo
Muestreo de Gibbs
Rejection
Muestreo Importante
Metropolis - Hasting
Markov Chain Montecarlo Method
Complemento ejemplos libro: Bayesian Computation with R
Muestreo de Gibbs
En ocasiones no es facil generar una muestra independiente de
p( |y )
El siguiente metodo explota una forma especial de expresar la
distribucion expost. Supongamos que = (1 , 2 ) entonces:
p( |y ) = p(1 |2 , y )p(2 |y )
(2)
p( |y ) = p(2 |1 , y )p(1 |y )
(3)
Alvaro Riascos
La distribuci
on condicional expost de es normal multivariada.
La distribuci
on condicional de es Gamma.
Algoritmo de Gibbs
Suponga que sabemos generar muestras aleatorias de todas
las distribuciones posterior condicionales de p ( |y )
Seleccione un parametro de incio 0
1
2
3
4
5
s1
Genere 1s usando p 1 y , 1
s1
Genere 2s usando p 2 y , 1s , {1,2}
s
s
usando p n y , 1s , ..., n1
Genere n1
Repita este procedimiento para cada i hasta obtener s .
Elimine las primeras S0 simulaciones para independizar el
resultado de la escogencia inicial de los parametros.
gbS =
1
S S0
S
X
k=S0 +1
g k E [g ( |y )]
(4)
Algoritmo de Gibbs
Seleccione un parametro de incio
10 , 20
Generar 11 usando p 1 y , 20
Generar 21 usando p 2 y , 11
En este momento hemos generado 11 , 21
Repetimos el procedimiento usando 11 , 21 en vez de 10 , 20 .
Hacemos esto S veces.
Contenido
Motivaci
on
M
etodos computacionales
Integraci
on de Montecarlo
Muestreo de Gibbs
Rejection
Muestreo Importante
Metropolis - Hasting
Markov Chain Montecarlo Method
Complemento ejemplos libro: Bayesian Computation with R
Rejection
Suponga que queremos generar una muestra de la distribucion
expost para la cual podemos incluso desconocer la constante
de normalizacion.
Supongamos que podemos encontrar una funcion de densidad
P()
tal que:
1
2
3
M
etodos Bayesianos - Banco de Guatemala
Alvaro Riascos
Rejection
2
3
Rejection: Intuicion
Contenido
Motivaci
on
M
etodos computacionales
Integraci
on de Montecarlo
Muestreo de Gibbs
Rejection
Muestreo Importante
Metropolis - Hasting
Markov Chain Montecarlo Method
Complemento ejemplos libro: Bayesian Computation with R
Muestreo Importante
El algoritmo de muestreo importante esta basado en el
siguiente teorema.
Sea g una distribuci
on de la cual es facil obtener realizaciones
y s simulaciones de g .
Definamos los pesos w (s ) =
p(s |y )
q(s )
Entonces:
1X
w (s )g (s ) E [g () |y ]
S
M
etodos Bayesianos - Banco de Guatemala
Alvaro Riascos
(5)
Muestreo Importante
Contenido
Motivaci
on
M
etodos computacionales
Integraci
on de Montecarlo
Muestreo de Gibbs
Rejection
Muestreo Importante
Metropolis - Hasting
Markov Chain Montecarlo Method
Complemento ejemplos libro: Bayesian Computation with R
Metropolis - Hasting
Al igual que el metodo de Gibbs, este algoritmo es un ejemplo
de Markov Chain Montecarlo Methods(MCMM). En este, la
distribucion que se utiliza para generar una realizacion
depende de la simulaci
on anterior.
Tiene tambien similitudes con el algoritmo de muestreo
importante. En este se reduce el peso de simulaciones que
generan valores de la densidad muy diferentes a los que se
obtienen de la funci
on de muestreo importante.
En MH a todas las simulaciones se les da el mismo peso pero
no todas son aceptables.
M
etodos Bayesianos - Banco de Guatemala
Alvaro Riascos
Metropolis - Hasting
Sea q( |0 ) una funci
on de distribuci
on sobre 0 que depende
de . Esta se denomina la funci
on de densidad candidata
(juega un papel similar a la distribuci
on de muestreo
importante en el algoritmo anterior).
Seleccione un parametro de incio 0 .
1
2
3
4
5
Metropolis - Hasting
La probabilidad de aceptaci
on se define de la siguiente forma:
(
)
|y ) q( s1
p(
(s1 | ) = mn
,1
(7)
p(s1 |y ) q(s1 | )
Contenido
Motivaci
on
M
etodos computacionales
Integraci
on de Montecarlo
Muestreo de Gibbs
Rejection
Muestreo Importante
Metropolis - Hasting
Markov Chain Montecarlo Method
Complemento ejemplos libro: Bayesian Computation with R
Alvaro Riascos
Contenido
Motivaci
on
M
etodos computacionales
Integraci
on de Montecarlo
Muestreo de Gibbs
Rejection
Muestreo Importante
Metropolis - Hasting
Markov Chain Montecarlo Method
Complemento ejemplos libro: Bayesian Computation with R
M
etodos Bayesianos - Banco de Guatemala
Alvaro Riascos
P() a1 (1 )b1
Entonces:
a
a+b
(1 )
Var [p] =
a+b+1
= E [p] =
(10)
(11)