从马尔可夫链到MH采样

Posted 我家大宝最可爱

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了从马尔可夫链到MH采样相关的知识,希望对你有一定的参考价值。

目录:

1.马尔可夫链

有一种动物,每天只会吃喝睡,在这三种状态之间来回切换。有一个好事者,立了个摄像头,监控这个动物的每一分钟状态变化

做了大量的统计,得到了状态之间的转移概率,并且给出了一个状态转移的概率矩阵。

有了这个概率转移矩阵,我们就可以知道下一时刻的状态分布了。假设现在的状态是吃,由于当前的状态是确定的,所以概率为1,初始状态的概率分布就为[1,0,0],那么下一时刻的概率分布是什么呢?这个很好计算,根据贝叶斯定律可得


其实更准确的是 P ( S t ) = ∑ P ( S t ∣ S t − 1 ) P ( S t − 1 ) P(S_t)=\\sum P(S_t|S_t-1)P(S_t-1) P(St)=P(StSt1)P(St1)

P ^ ( 吃 ) = P ( 吃 ∣ 吃 ) P ( 吃 ) + P ( 吃 ∣ 喝 ) P ( 喝 ) + P ( 吃 ∣ 睡 ) P ( 睡 ) P ^ ( 喝 ) = P ( 喝 ∣ 吃 ) P ( 吃 ) + P ( 喝 ∣ 喝 ) P ( 喝 ) + P ( 喝 ∣ 睡 ) P ( 睡 ) P ^ ( 睡 ) = P ( 睡 ∣ 吃 ) P ( 吃 ) + P ( 睡 ∣ 喝 ) P ( 喝 ) + P ( 睡 ∣ 睡 ) P ( 睡 ) \\beginaligned \\hatP(吃)&=P(吃|吃)P(吃)+P(吃|喝)P(喝)+P(吃|睡)P(睡)\\\\ \\hatP(喝)&=P(喝|吃)P(吃)+P(喝|喝)P(喝)+P(喝|睡)P(睡)\\\\ \\hatP(睡)&=P(睡|吃)P(吃)+P(睡|喝)P(喝)+P(睡|睡)P(睡)\\\\ \\endaligned P^()P^()P^()=P()P()+P()P()+P()P()=P()P()+P()P()+P()P()=P()P()+P()P()+P()P()
整理一下可得
[ P ^ ( 吃 ) P ^ ( 喝 ) P ^ ( 睡 ) ] = [ P ( 吃 ) P ( 喝 ) P ( 睡 ) ] [ P ( 吃 ∣ 吃 ) P ( 喝 ∣ 吃 ) P ( 睡 ∣ 吃 ) P ( 吃 ∣ 喝 ) P ( 喝 ∣ 喝 ) P ( 睡 ∣ 喝 ) P ( 吃 ∣ 睡 ) P ( 喝 ∣ 睡 ) P ( 睡 ∣ 睡 ) ] \\beginaligned \\beginbmatrix \\hatP(吃) & \\hatP(喝) & \\hatP(睡) \\endbmatrix=\\beginbmatrix P(吃) & P(喝) & P(睡) \\endbmatrix \\beginbmatrix P(吃|吃) & P(喝|吃) & P(睡|吃)\\\\ P(吃|喝) & P(喝|喝) & P(睡|喝)\\\\ P(吃|睡) & P(喝|睡) & P(睡|睡) \\endbmatrix \\endaligned [P^()P^()P^()]=[P()P()P()] P()P()P()P()P()P()P()P()P()
看着有种骗吃骗喝的感觉,泛化一下可知
[ P ^ ( s 1 ) P ^ ( s 2 ) P ^ ( s 3 ) ] = [ P ( s 1 ) P ( s 2 ) P ( s 3 ) ] [ P ( s 1 ∣ s 1 ) P ( s 2 ∣ s 1 ) P ( s 3 ∣ s 1 ) P ( s 1 ∣ s 2 ) P ( s 2 ∣ s 2 ) P ( s 3 ∣ s 2 ) P ( s 1 ∣ s 3 ) P ( s 2 ∣ s 3 ) P ( s 3 ∣ s 3 ) ] \\beginaligned \\beginbmatrix \\hatP(s_1) & \\hatP(s_2) & \\hatP(s_3) \\endbmatrix=\\beginbmatrix P(s_1) & P(s_2) & P(s_3) \\endbmatrix \\beginbmatrix P(s_1|s_1) & P(s_2|s_1) & P(s_3|s_1)\\\\ P(s_1|s_2) & P(s_2|s_2) & P(s_3|s_2)\\\\ P(s_1|s_3) & P(s_2|s_3) & P(s_3|s_3)\\\\ \\endbmatrix \\endaligned [P^(s1)P^(s2)P^(s3)]=[P(s1)P(s2)P(s3)] P(s1s1)P(s1s2以上是关于从马尔可夫链到MH采样的主要内容,如果未能解决你的问题,请参考以下文章

从马尔可夫链到MH采样

从马尔科夫链到吉布斯采样与PageRank

MCMC笔记Metropilis-Hastings算法(MH算法)

从马尔可夫模型到隐马尔可夫模型

机器学习算法之——隐马尔可夫模型(Hidden Markov Models,HMM) 代码实现

马尔可夫信源