|
|
@@ -7,14 +7,14 @@ $$
|
|
|
\tag{14.26}
|
|
|
$$
|
|
|
|
|
|
-[解析]：假设变量$x$所在的空间有$n$个状态($s_1,s_2,..,s_n$)，定义在该空间上的一个转移矩阵$T(n\times n)$如果满足一定的条件则该马尔可夫过程存在一个稳态分布$\pi$,使得
|
|
|
+[解析]：假设变量$x$所在的空间有$n$个状态($s_1,s_2,..,s_n$), 定义在该空间上的一个转移矩阵$T(n\times n)$如果满足一定的条件则该马尔可夫过程存在一个稳态分布$\pi$, 使得
|
|
|
$$
|
|
|
\begin{aligned}
|
|
|
\pi T=\pi
|
|
|
\end{aligned}
|
|
|
\tag{1}
|
|
|
$$
|
|
|
-其中，$\pi$是一个是一个$n$维向量，代表$s_1,s_2,..,s_n$对应的概率. 反过来，如果我们希望采样得到符合某个分布$\pi$的一系列变量$x_1,x_2,..,x_t$, 应当采用哪一个转移矩阵$T(n\times n)$呢？
|
|
|
+其中, $\pi$是一个是一个$n$维向量，代表$s_1,s_2,..,s_n$对应的概率. 反过来, 如果我们希望采样得到符合某个分布$\pi$的一系列变量$x_1,x_2,..,x_t$, 应当采用哪一个转移矩阵$T(n\times n)$呢？
|
|
|
|
|
|
事实上，转移矩阵只需要满足马尔可夫细致平稳条件
|
|
|
$$
|
|
|
@@ -30,7 +30,7 @@ $$
|
|
|
\end{aligned}
|
|
|
\tag{3}
|
|
|
$$
|
|
|
-假设采样得到的序列为$x_1,x_2,..,x_{t-1},x_t$，则可以使用$$MH$$算法来使得$x_{t-1}$(假设为状态$s_i$)转移到$x_t$(假设为状态$s_j$)的概率满足式$(2)$.
|
|
|
+假设采样得到的序列为$x_1,x_2,..,x_{t-1},x_t$，则可以使用$MH$算法来使得$x_{t-1}$(假设为状态$s_i$)转移到$x_t$(假设为状态$s_j$)的概率满足式$(2)$.
|
|
|
|
|
|
## 14.28
|
|
|
|
Sharey