Escolar Documentos
Profissional Documentos
Cultura Documentos
Departamento de Estatística,
Universidade Federal de Minas Gerais (UFMG)
Introdução
f (v)g(u|v)
R(u, v) = .
f (u)g(v|u)
Passo 3: Gere um valor para X (t+1) de acordo com
X ∗ com probabilidade min {R(x (t) , X ∗ ), 1},
X (t+1) =
x (t) caso contrário.
p(θ|y) = cp(θ)L(θ|y),
Desta forma,
L(θ ∗ |y)
R(x (t) , X ∗ ) =
L(θ (t) |y)
e, por definição, o suporte da distribuição a priori cobre o suporte
da distribuição a posteriori, então a distribuição estacionária desta
cadeia é a distribuição a posteriori desejada.
Outro exemplo
δ N(7, 0, 52 ) + (1 − δ) N(10, 0, 52 ).
Neste caso,
n h i
δN(yi |7, 0, 52 ) + (1 − δ)N(yi |10, 0, 52 ) .
Y
p(δ|y) ∝ L(δ|y) =
i=1
Cadeia passeio aleatório
X ∗ = x (t) + ,
f (Y ) (1 + y 2 /ν)−(ν+1)/2
R(x(t) , y ) = = 2
f (x(t) ) (1 + x(t) /ν)−(ν+1)/2 ,
em que x(t) é o valor atual e y é o valor candidato.
Tabela: Comparando os percentis
Teórico rw1 rw2 rw3 rw4
1% -3.75 23.58 -2.54 -3.15 -3.56
5% -2.13 23.93 -1.70 -1.95 -1.70
10% -1.53 24.16 -1.24 -1.54 -1.26
20% -0.94 24.68 -0.74 -0.90 -0.87
30% -0.57 24.99 -0.39 -0.56 -0.53
40% -0.27 25.34 -0.12 -0.27 -0.21
50% 0.00 25.70 0.15 0.00 0.01
60% 0.27 25.96 0.43 0.22 0.22
70% 0.57 26.12 0.74 0.50 0.50
80% 0.94 26.30 1.19 0.84 0.81
90% 1.53 26.63 2.10 1.49 1.31
95% 2.13 26.87 3.58 2.10 1.93
99% 3.75 27.08 19.63 3.73 3.07
Amostrador de Gibbs
2. Gere
(t+1) (t)
X1 |· ∼ f (x1 |x2 , . . . , xp(t) )
(t+1) (t+1) (t)
X2 |· ∼ f (x2 |x1 , x3 , . . . , xp(t) )
..
.
(t+1) (t+1) (t+1) (t+1)
Xp−1 |· ∼ f (xp−1 |x1 , x2 , . . . , xp−2 , xp(t) )
(t+1) (t+1) (t+1)
Xp(t+1) |· ∼ f (xp |x1 , x2 , . . . , xp−1 ),
em que |. denota a mais recente atualização de todos os
outros componentes de X.
s1 <- sqrt(1-rho^2)*sigma1
s2 <- sqrt(1-rho^2)*sigma2
for (i in 2:N) {
x2 <- X[i-1, 2]
m1 <- mu1 + rho * (x2 - mu2) * sigma1/sigma2
X[i, 1] <- rnorm(1, m1, s1)
x1 <- X[i, 1]
m2 <- mu2 + rho * (x1 - mu1) * sigma2/sigma1
X[i, 2] <- rnorm(1, m2, s2)
}
Simulando uma cadeia de tamanho N = 5000 (burn-in de 1000) tal
que ρ = −0, 75, µ1 = 0, µ2 = 2, σ1 = 1 e σ2 = 0, 5.
Verificando alguns resumos da amostra gerada
> colMeans(x)
[1] -0.01008353 2.00231640
> cov(x)
[,1] [,2]
[1,] 1.0779176 -0.4096599
[2,] -0.4096599 0.2668481
> cor(x)
[,1] [,2]
[1,] 1.0000000 -0.7638334
[2,] -0.7638334 1.0000000
Aspectos ligados a implementação
Yi ∼ δ N(7, 0, 52 ) + (1 − δ) N(10, 0, 52 ).
Podemos escrever
Yi ∼ N(µi , 0, 52 )
µi = 7I{Ui =1} + 10(1 − I{Ui =1} )
Ui ∼ Bernoulli(δ),
Neste caso,
n
N(yi |µi , 0, 52 )δ ui (1 − δ)1−ui ,
Y
p(δ, U|y) ∝
i=1
em que U = (U1 , . . . , Un ).
No Gibbs,
n n
!
X X
δ|U ∼ Beta ui + 1, n − ui + 1
i=1 i=1
Ui |δ ∼ Bernoulli(pi ),
tal que
2
n o
i −7)
δ exp − (y
2(0.52 )
pi = n 2
i −7)
o n
i −10)
2
o.
δ exp − (y
2(0.52 )
+ (1 − δ) exp − (y2(0.52)
Slice Sampler