第三章 从概率分布函数的抽样 (Sampling from Probability Distribution Functions)

Slides:



Advertisements
Similar presentations
1 §2.2 离 散 型 随 机 变 量 §2.1 随 机 变 量 的 概 念 §2.3 超几何分布 · 二项分布 · 泊松分布 1. “0-1” 分布 ( 两点分布 ) 3. 二项分布 4. Poisson 分布 2. 超几何分布 n →∞ , N→∞ , (x = 0, 1, 2, , n) (x.
Advertisements

2.6 隐函数微分法 第二章 第二章 二、高阶导数 一、隐式定义的函数 三、可微函数的有理幂. 一、隐函数的导数 若由方程 可确定 y 是 x 的函数, 由 表示的函数, 称为显函数. 例如, 可确定显函数 可确定 y 是 x 的函数, 但此隐函数不能显化. 函数为隐函数. 则称此 隐函数求导方法.
2.3 函数的微分. 四川财经职业学院 课前复习 高阶导数的定义和计算方法。 作业解析:
窦娥冤 关汉卿 感天动地 元·关汉卿.
高考“修辞”漫谈 主讲:福建省沙县一中 叶建宏.
考点作文十大夺魁技法 第28课时 写作(二) 考点作文十大夺魁技法 6-10 ·新课标.
第二章 随机变量及其分布 在第一章里,我们研究了随机事件及其概率.而对于一个随机试验,我们除了对某些特定的事件发生的概率感兴趣外,往往还会关心某个与试验结果相联系的变量.由于这一变量依赖于试验结果,因而这一变量的取值具有随机性,这种变量被称为随机变量.本章将着重介绍两类随机变量——离散型随机变量和连续型随机变量及其分布.
舊石器時代 位置: 亞洲大陸東緣,西太平洋弧狀列島一部份 背景 形成: 兩千多萬年前逐漸隆起,形成島嶼 生物: 大角鹿、猛瑪象、亞洲大陸原始人 臺東 長濱文化 苗栗 網形文化 臺南 左鎮人目前臺灣發現最早人類化石 代表 文化 1.住在海邊洞穴-短期定居小型隊群 2.以採集、狩獵為生 3.使用礫石砍伐器、片器、尖器.
知其不可而为之.
5.1 二元一次不等式(组)与平面区域 神木职教中心数学组:杨荣.
圆复习.
中国画家协会理事、安徽省美术家协会会员、 工艺美术师、黄山市邮协常务理事余承平主讲
第四章 多维随机变量及其分布.
第三章 函数逼近 — 最佳平方逼近.
如何打造学习型团队 主讲:詹琼然 选送单位:重庆市长寿区妇幼保健院 0903NX《中国医院内训师高级研修班》学员.
汉字的构造.
诵读欣赏 古代诗词三首.
08-09冬季学期 概率论与数理统计 姜旭峰,胡玉磊.
第5章 定积分及其应用 基本要求 5.1 定积分的概念与性质 5.2 微积分基本公式 5.3 定积分的换元积分法与分部积分法
主要内容 § 3.1 多维随机变量及联合分布 联合分布函里数 联合分布律 联合概率密度 § 3.2 二维随机变量的边缘分布
2-7、函数的微分 教学要求 教学要点.
计算物理 蒙特卡罗方法
贴近教学 服务师生 方便老师.
六年级 语文 下册 第四单元 指尖的世界.
(浙教版)四年级品德与社会下册 共同生活的世界 第四单元 世界之窗 第二课时.
Introduction To Mean Shift
指導教授:楊賀雯 指導研究生:許芷菱、邱以欣 學生:曾婉瑜、林立婷、黃馨慧、顏慈萱、李欣怡、黃禹嘉
第三章 多维随机变量及其分布 §2 边缘分布 边缘分布函数 边缘分布律 边缘概率密度.
例1 :甲击中的环数; X :乙击中的环数; Y 平较高? 试问哪一个人的射击水 : 的射击水平由下表给出 甲、乙两人射击,他们
本次课讲授:第二章第十一节,第十二节,第三章第一节, 下次课讲第三章第二节,第三节,第四节; 下次上课时交作业P29—P30
计算机数学基础 主讲老师: 邓辉文.
§2 求导法则 2.1 求导数的四则运算法则 下面分三部分加以证明, 并同时给出相应的推论和例题 .
概 率 统 计 主讲教师 叶宏 山东大学数学院.
连续型随机变量及其概率密度 一、概率密度的概念与性质 二、常见连续型随机变量的分布 三、小结.
第七章 参数估计 7.3 参数的区间估计.
Monte Carlo模拟 引言(introduction) 均匀随机数的产生(Random number generation)
习题 一、概率论 1.已知随机事件A,B,C满足 在下列三种情况下,计算 (1)A,B,C相互独立 (2)A,B独立,A,C互不相容
实验数据处理方法 王永刚.
抽样和抽样分布 基本计算 Sampling & Sampling distribution
第二章 函数 插值 — 分段低次插值.
抽樣分配 Sampling Distributions
第二十二章 曲面积分 §1 第一型曲面积分 §2 第二型曲面积分 §3 高斯公式与斯托克斯公式.
Monte Carlo Simulation Methods (蒙特卡罗模拟方法)
Simulated Annealing Algorithm,SAA
概 率 统 计 主讲教师 叶宏 山东大学数学院.
应用概率统计 主讲:刘剑平.
5.2 常用统计分布 一、常见分布 二、概率分布的分位数 三、小结.
在第一章中,我们介绍了条件概率的概念 . 在事件B发生的条件下事件A发生的条件概率 推广到随机变量
复习: 若A(x1,y1,z1) , B(x2,y2,z2), 则 AB = OB - OA=(x2-x1 , y2-y1 , z2-z1)
§6.7 子空间的直和 一、直和的定义 二、直和的判定 三、多个子空间的直和.
散 文 選 讀 許 地 山 李明慈老師.
概 率 统 计 主讲教师 叶宏 山东大学数学院.
第三章 函数的微分学 第二节 导数的四则运算法则 一、导数的四则运算 二、偏导数的求法.
多层循环 Private Sub Command1_Click() Dim i As Integer, j As Integer
学习任务三 偏导数 结合一元函数的导数学习二元函数的偏导数是非常有用的. 要求了解二元函数的偏导数的定义, 掌握二元函数偏导数的计算.
O x y i j O x y i j a A(x, y) y x 5.4 平面向量的坐标运算 5.4 平面向量的坐标运算 5.4 平面向量的坐标运算 5.4 平面向量的坐标运算 5.4 平面向量的坐标运算 5.4 平面向量的坐标运算 5.4 平面向量的坐标运算.
第三章 多维随机变量及其分布 第一节 二维随机变量 第二节 边缘分布 第三节 条件分布 第四节 相互独立的随机变量
第四节 随机变量函数的概率分布 X 是分布已知的随机变量,g ( · ) 是一个已知 的连续函数,如何求随机变量 Y =g(X ) 的分布?
第一部分:概率 产生随机样本:对分布采样 均匀分布 其他分布 伪随机数 很多统计软件包中都有此工具 如在Matlab中:rand
随机数的生成及随机变量抽样 实验目的 实验内容 学习主要的随机变量抽样方法 1、均匀分布U(0,1)的随机数的产生
§5.2 抽样分布   确定统计量的分布——抽样分布,是数理统计的基本问题之一.采用求随机向量的函数的分布的方法可得到抽样分布.由于样本容量一般不止2或 3(甚至还可能是随机的),故计算往往很复杂,有时还需要特殊技巧或特殊工具.   由于正态总体是最常见的总体,故本节介绍的几个抽样分布均对正态总体而言.
Xián 伯 牙 绝 弦 安徽淮南市八公山区第二小学 陈燕朵.
第三章 从概率分布函数的抽样 (Sampling from Probability Distribution Functions)
难点:连续变量函数分布与二维连续变量分布
第三章 从概率分布函数的抽样 (Sampling from Probability Distribution Functions)
Monte Carlo模拟 引言(introduction) 均匀随机数的产生(Random number generation)
第三章 从概率分布函数的抽样 (Sampling from Probability Distribution Functions)
第三章 从概率分布函数的抽样 (Sampling from Probability Distribution Functions)
§4.1数学期望.
教師檔案系統資料如何填寫? 如何對應教師評鑑共同基準?.
Presentation transcript:

第三章 从概率分布函数的抽样 (Sampling from Probability Distribution Functions) Monte Carlo模拟 第三章 从概率分布函数的抽样 (Sampling from Probability Distribution Functions) 3.10 Metropolis抽样方法 2019/4/26 3.10 Metropolis抽样方法

3.10 Metropolis抽样方法 由Metropolis、Rosenbluth和Teller在1953年提出的一种抽样方法 设X为d维随机向量,其概率密度函数为w(X) 欲产生一组X的随机值: 通过在d 维空间中的随机行走来产生X的随机取样,利用 w(X)来选取每一步行走的步长和方向 设已产生了i个随机值xi,以xi为基点随机选取一新的试验点xt,根据w(X)决定是否接受xt作为新的点xi+1 2019/4/26 3.10 Metropolis抽样方法

3.10 Metropolis抽样方法 Metropolis抽样方法: 选择参数 和初始点 设已产生了第i个X的随机值 ,则第i+1个随机值由下列步骤产生: 产生d个在(-1,1)区间上均匀分布的随机数 计算新的尝试点: 计算w(X)函数在两点处的数值比 产生在(0,1)区间内均匀分布的随机数 如果r  ,则令, 否则, 2019/4/26 3.10 Metropolis抽样方法

3.10 Metropolis抽样方法 证明: 考虑一群数目很大的行走者,每个行走者在X空间中从不同的起始点相互独立地行走 Nn(X): 经过n步行走后在X点处的行走者的数目。 在第n+1步:从X点到Y点的行走者的数目 P(XY): 在X点处的行走者行走到Y点的几率 P(YX): 在Y点处的行走者行走到X点的几率 达到平衡状态时:N(X) = 0 Ne(X): 在平衡状态时在X点处的行走者的数目。 2019/4/26 3.10 Metropolis抽样方法

3.10 Metropolis抽样方法 下面证明利用Metropolis算法可得到:Ne(X) ~ w(X) 在Metropolis算法中,由X到Y的几率: P(XY) = T(XY)A(XY) T: 由X到Y走一步的几率 A:这一步被接受的几率 如果由X可经过一步到达Y(即:X和Y都位于边长为的多维立方体内) T(XY) = T(YX) 2019/4/26 3.10 Metropolis抽样方法

3.10 Metropolis抽样方法 根据Metropolis算法: (1)如果w(X)> w(Y),则 A(YX) = 1 由X到Y被接受的几率为r  (2)如果w(X)< w(Y),则 A(XY) = 1 由X到Y被接受的几率为r  Ne(X) ~ w(X) 2019/4/26 3.10 Metropolis抽样方法

3.10 Metropolis抽样方法 注意: (1)关于的选取:如果太小,要历经整个X的取值区间需要行走很长的距离(产生很多的点);如果很大,一步行走被拒绝的几率会很大。 的取值:约有一半的试验行走被接受 (2)关于行走的初始点:取w较大的点 2019/4/26 3.10 Metropolis抽样方法

3.10 Metropolis抽样方法 例1:标准正态分布的抽样 2019/4/26 3.10 Metropolis抽样方法