Lataa esitys
Esittely latautuu. Ole hyvä ja odota
JulkaistuMauno Mäkelä Muutettu yli 9 vuotta sitten
1
MCMC ja BUGS
2
Jakauman approksimointi simuloinnilla Poimitaan jakaumasta suuri määrä satunnaislukuja Käytetään otoksen tunnuslukuja jakauman tunnuslukujen arvioina Arvion suurimman tarkkuuden määrää arviointiin käytettävissä oleva aika
3
N(0,1) –jakauman approksimointi
4
Markov chain Monte Carlo (MCMC) Simulointimenetelmä, joka tuottaa satunnaislukuja posteriorijakaumasta Seuraava satunnaisluku riippuu aina edellisestä Kaikki luvut riippuvat jossain määrin simuloinnin alkuarvoista Kun simulointia jatketaan riittävän kauan, riippuvuus alkuarvoista käytännössä häviää, ja simulointi konvergoituu koko ajan lähemmäs oikeaa posteriorijakaumaa -> Lopulta saadaan edustava otos posteriorijakaumasta Mutta milloin riippuvuus alkuarvoista on tarpeeksi pientä, ja milloin ollaan riittävän lähellä posteriorijakaumaa?
5
Konvergoinnin tutkiminen
6
BUGS Bayesian Inference Using Gibbs Sampling Toteuttaa MCMC simulaation käyttäjän määrittelemälle todennäköisyysmallille Käyttäjä antaa graafisen mallin mukaiset todennäköisyysjakaumat Ohjelmisto laskee ehdolliset posteriorijakaumat ja rakentaa sopivan simulointialgoritmin Käyttäjän vastuulla on tutkia konvergointia ja poistaa riittävän suuri määrä satunnaislukuja ketjun alusta
Samankaltaiset esitykset
© 2024 SlidePlayer.fi Inc.
All rights reserved.