Ở bài viết trước chúng tôi đã giới thiệu Thuật toán Metropolis-Hastings để sinh ra số giả ngẫu nhiên của một phân phối cho trước. Xem ở đây Thuật toán Metropolis-Hastings.
Trong bài viết này chúng tôi sẽ xét một trường hợp riêng của thuật toán trên được gọi là Thuật toán Metropolis-Hastings độc lập. Cụ thể thuật toán như sau
- Phân phôí đề xuất \(g\) độc lập với giá trị trước đó của xích Markov. Cụ thể như sau \[g(Y|X_t) = g(Y)\].
- Xác xuất chấp nhận trong trường hợp này là
\[\alpha(X_t,Y) =\min \left(1, \dfrac{f(Y)g(X_t)}{f(X_t)g(Y)}\right); \]
Ví dụ: Mô phỏng đại lượng ngẫu nhiên \(X\) phân phối mũ \(Exp(1)\). Hàm mật độ của \(X\) có dạng như sau
\[f(x) = e^{-x},\ \ x \geq 0.\]
- Ta chọn phân phối đề xuất là \(Exp(\lambda)\) có hàm mật độ
\[g(x) = \lambda e^{-\lambda x},\ \ x \geq 0.\]
- Xác xuất chấp nhận trong trường hợp này là \[\alpha(x,y) = \min\{1, \exp\{(1-\lambda)(x-y)\}\}\].
Xem dưới đây là hai mô phỏng cho phân phối mũ \(Exp(1)\) với hai lựa chọ cho giá trị \(\lambda\): 0.2 (hình trên) và 1.5 (hình dưới).
Mô phỏng ngẫu nhiên cho phân phối mũ \(Exp(1)\) với hai lựa chọ cho giá trị \(\lambda\): 0.2
Mô phỏng ngẫu nhiên cho phân phối mũ \(Exp(1)\) với hai lựa chọ cho giá trị \(\lambda\): 1.5
Tài liệu tham khảo: Christian Robert, George Casella, Introducing Monte Carlo Methods with R, Springer, 2010.
» Tin mới nhất:
» Các tin khác: