『基礎からのベイズ統計学 ハミルトニアンモンテカルロ法による実践的入門』の発表スライド
- 3. 表記
𝑝𝑖
𝑡
= 𝑝 𝑋 𝑡 = 𝑖
𝑋 𝑡 の確率分布は𝒑 𝑡 = (𝑝1
𝑡
, 𝑝2
𝑡
, 𝑝3
𝑡
)
ex) 𝑋 1
の確率分布は𝒑 1
= (0.6,0.25, 0.15)
3
- 4. 𝑡 ≥ 2の状態を考える
全確率の公式(1.25)を適用
𝑝 𝑋 2 = 𝑗 =
𝑖=1
3
𝜋 𝑋 2 = 𝑗 𝑋 1 = 𝑖 𝑝(𝑋 1 = 𝑖)
ex)2日目に紋のネクタイを着用する確率
𝑝1
2
= 0.3 × 0.6 + 0.1 × 0.25 + 0.2 × 0.15 = 0.235
他の柄も考えると
𝒑 2 = (0.235, 0.395, 0.37)
4
𝑝 𝐵𝑗 =
𝑖=1
𝑎
𝑝 𝐵𝑗 𝐴𝑖 𝑝 𝐴𝑖
𝒑 2 = 𝒑 1 𝝅
- 12. 変化してないか確かめる
𝒑 7 = (0.167, 0.500, 0.333)の紋の確率を考える
𝑝1
8
= 0.3 × 0.167 + 0.1 × 0.5 + 0.2 × 0.333 = 0.167
12
- 13. 変化してないか確かめる
𝒑 7 = (0.167, 0.500, 0.333)の紋の確率を考える
𝑝1
8
= 0.3 × 0.167 + 0.1 × 0.5 + 0.2 × 0.333 = 0.167
7日目以降は「紋:縞:玉=0.167:0.5:0.33」
Pythonで計算するとt=13まで変化してるけど
変化しない𝒑を定常分布(stationary distribution)
あるいは不変分布(invariant distribution)
13
𝒑 = 𝒑𝝅
- 17. 初期の確率(𝒑 1 = (0.6, 0.25, 0.15))を変えると??
17
なんだかんだ収束してる
- 19. 既約的(irreducible)
遷移核𝝅のすべての𝑖, 𝑗 ∈ 𝜒に対して 𝝅 𝑛
𝑖𝑗 > 0を
満たす有限の𝑛が存在 ( 𝝅 𝑛
𝑖𝑗は𝝅 𝑛の第(𝑖, 𝑗)要素)
マルコフ連鎖は既約である
ex)
19
𝝅 =
0.6 0.4 0.0
0.3 0.7 0.0
0.2 0.2 0.6
状態1→状態3
状態2→状態3