Dæmi um umræðuspurningar fyrir stórborgarsviðið
Í samhengi Monte Carlo hermuna er Metropolis-stigið mikilvægur reiknirit í tölfræðilegri aflfræði og öðrum sviðum. Í þessum kafla ræðum við sérstaklega Metropolis-Hastings aðferðina, reiknirit sem notað er til að taka sýni úr flóknum líkindadreifingum. Með því að skilja skrefin í þessu reikniriti getum við framkvæmt nákvæmari og skilvirkari hermun.
Inngangur að reikniritinu Metropolis
Reiknirit Metropolis var kynnt til sögunnar af Nicholas Metropolis og samstarfsmönnum hans árið 1953. Þessi aðferð er notuð til að líkja eftir og herma ástandi eðlisfræðilegra kerfa, sérstaklega þeirra sem innihalda margar agnir eins og lofttegundir eða vökva. Nútímaútgáfa þessa reiknirits, Metropolis-Hastings, er alhæfing sem gerir kleift að draga sýni úr óstöðluðum markdreifingu.
Skref í stórborgarreikniritinu
Til að skilja hvernig Metropolis reikniritið virkar er mikilvægt að kynna sér skrefin:
1. Upphafsstilling: Byrjið með því að velja upphafslausn af handahófi úr lausnarrýminu eða upphafsdreifingunni. Til dæmis byrjum við með hitastigsskilyrði eða ögnastöðu.
2. Að leggja til nýtt skref: Leggja til nýtt ástand (nýja lausn) með því að gera litla breytingu á núverandi ástandi. Þetta er oft kallað „tillöguskrefið“. Þessi breyting er venjulega dregin af samhverfri dreifingu, eins og Gauss-dreifingu.
3. Útreikningur á samþykkishlutfallinu: Reiknið út samþykkishlutfallið, sem ákvarðar hvort við samþykkjum eða höfnum fyrirhugaðri aðgerð. Þetta hlutfall er hlutfall líkinda á nýju ástandi og núverandi ástandi. Í stærðfræðilegri táknfræði er þetta hlutfall gefið með:
\[
A = \min\left(1, \frac{P(\text{nýtt})}{P(\text{núverandi})}\right)
\]
þar sem \(P \) er líkurnar á tilteknu ástandi.
4. Ákvörðun með því að nota samþykkishlutfall: Berðu samþykkishlutfallið saman við handahófskennt gildi sem dregið er úr einsleitri dreifingu á milli 0 og 1. Ef samþykkishlutfallið er hærra en handahófskennt gildi, samþykktu nýju aðgerðina; annars hafnaðu henni og haltu núverandi ástandi.
5. Ítrun: Endurtakið skref 2 til 4 fyrir tilætlaðan fjölda ítrunar eða þar til kerfið nær jafnvægi.
Dæmi um spurningar og umræður
Við skulum ræða nokkur dæmi um spurningar til að skilja betur stórborgarstigið.
Dæmi um spurningu 1
Spurning: Þú ert með ögn í einni vídd með stöðuna \(x \) sem er undir áhrifum af stöðuorkufallinu \(U(x) = x^2 \). Notaðu Metropolis reikniritið til að herma eftir dreifingu agnastöðu.
Umræða:
1. Upphafsstilling: Byrjaðu frá stöðu \(x = 0 \).
2. Leggja til nýja hreyfingu: Leggja til nýja stöðu (x' = x + Δx), þar sem (Δx) er dregin af Gauss-dreifingu með meðaltal núll.
3. Útreikningur á orkuhlutfalli: Reiknaðu orkuhlutfallið:
\[
\Delta U = U(x') – U(x) = x'^2 – x^2
\]
Þannig er viðtökuhlutfallið:
\[
A = ∫min\vinstri(1, e^{-Delta U}\hægri)
\]
4. Ákvörðun: Ef \(A \) er meira en slembitala á milli 0 og 1, samþykktu \(x' \); annars, vertu áfram í stöðu \(x \).
5. Ítrun: Endurtakið þetta ferli í, segjum, 10,000 skrefum.
Stöðudreifingin sem myndast mun fylgja Gauss-dreifingu með meðaltali núll og dreifni í öfugu hlutfalli við möguleikann, sem í þessu tilfelli leiðir til dreifingar sem mótast af möguleikorkufallinu.
Dæmi um spurningu 2
Spurning: Notið Metropolis reikniritið til að aðlaga Bayesískt fall. Segjum sem svo að við viljum aðlaga einfalda hallatölu í gagnasafni með línulegri aðhvarfsgreiningu með MCMC.
Umræða:
1. Upphafsstilling: Stilltu upphafsbreytur líkansins (β = (m, c).
2. Tillaga að nýju skrefi: Leggðu til nýjar breytur fyrir fjölbreytu normaldreifinguna. Til dæmis, notaðu Gauss-dreifingu fyrir breyturnar \(m \) og \(c \).
3. Samþykktarhlutfall: Reiknaðu samþykktarhlutfallið með:
\[
A = \min\left(1, \frac{L(m', c'| \text{gögn})P(m', c')}{L(m, c| \text{gögn})P(m, c)}\right)
\]
Þar sem \(L \) er líkindatölan og \(P \) er forstig breytunnar.
4. Ákvörðun: Berið hlutfallið saman við handahófskennd gildi frá 0 á móti 1 til að samþykkja eða hafna tillögunni.
5. Ítrun: Keyrið hermunina með nægilega mörgum ítrunum þar til samleitni næst.
Með þessari aðferð getum við fengið posterior dreifingar fyrir aðhvarfsbreyturnar, sem gefur okkur leið til að álykta og túlka tengsl í gögnunum.
Niðurstaða
Metropolis-stigið í Monte Carlo hermun gerir okkur kleift að taka sýni úr flóknum dreifingum og þjónar sem grunnur að Metropolis-Hastings aðferðinni. Með því að beita þessari tækni á ýmis svið getum við náð nákvæmari líkönum og ítarlegri skilningi á kerfinu. Í notkun allt frá eðlisfræði og líffræði til tölvunarfræði og tölfræði býður þessi reiknirit upp á glæsilegar og árangursríkar lausnir á flóknum vandamálum.
