Professional Documents
Culture Documents
Elioth Sanabria
Universidad de los Andes
em.sanabria86@uniandes.edu.co
9 de abril de 2013
MCMC
9 de abril de 2013
1 / 39
Contenido
Motivaci
on
Cadenas de Markov
El caso finito
Algoritmo Metropolis-Hastings
TSP
MCMC
9 de abril de 2013
2 / 39
Motivacion
Un problema difcil
Imaginen que se codifica un mensaje cambiando el orden de las letras de la
siguiente forma:
f : {espacio del c
odigo} {Alfabeto tradicional}
MCMC
9 de abril de 2013
(1)
3 / 39
Motivacion
MCMC
9 de abril de 2013
4 / 39
Motivacion
MCMC
9 de abril de 2013
5 / 39
Motivacion
MCMC
9 de abril de 2013
6 / 39
Motivacion
El problema de la figura fue propuesto por una psic
ologa de una prision
estatal de Estados Unidos al departamento de consultas de la facultad de
estadstica de Stanford.
Un enfoque reciente para resolver este tipo de problemas es usar una
caminata aleatoria sofisticada en la cual se resuelve el problema por medio
de simulaciones.
MCMC
9 de abril de 2013
7 / 39
Motivacion
(2)
MCMC
9 de abril de 2013
8 / 39
Motivacion
MCMC
9 de abril de 2013
9 / 39
Motivacion
Donde si corresponde a cada uno de los smbolos del mensaje. Por lo que
f con valores altos para Pl(f ) son buenos candidatos para descifrar el
mensaje.
MCMC
9 de abril de 2013
10 / 39
MCMC
9 de abril de 2013
11 / 39
MCMC
9 de abril de 2013
12 / 39
MCMC
9 de abril de 2013
13 / 39
MCMC
9 de abril de 2013
14 / 39
MCMC
9 de abril de 2013
15 / 39
Contenido
Motivaci
on
Cadenas de Markov
El caso finito
Algoritmo Metropolis-Hastings
TSP
MCMC
9 de abril de 2013
16 / 39
MCMC
9 de abril de 2013
17 / 39
(x)K (x, y ) = (y )
(4)
Interpretacion
Tome un x de y de un paso desde K (x, y ); la probabilidad de estar en
y es (y )
El teorema fundamental de las cadenas de Markov(un corolario del
teorema Peron-Frobenius) dice, que bajo una condici
on de conectividad
sencilla, es u
nico y potencias elevadas de K convergen a una matriz de
rango 1 con todas las filas igual a .
Elioth Sanabria (Universidad de los Andes)
MCMC
9 de abril de 2013
18 / 39
MCMC
9 de abril de 2013
19 / 39
Distribucion Estacionaria
(f ) = z 1
MCMC
9 de abril de 2013
20 / 39
La constante normalizadora z
z=
XY
f
MCMC
9 de abril de 2013
21 / 39
Contenido
Motivaci
on
Cadenas de Markov
El caso finito
Algoritmo Metropolis-Hastings
TSP
MCMC
9 de abril de 2013
22 / 39
Algoritmo Metropolis-Hastings
Sea un espacio finito de estados y (x) una probabilidad en (hasta
cierta constante normalizadora). Sea J(x, y ) una matriz Markoviana de
con J(x, y ) > 0 J(y , x) > 0. En un principio J es independiente de .
El algoritmo de M-H cambia J a una nueva matriz Markoviana K (x, y )
con distribucion estacionaria . Siguiendo estos pasos:
si x 6= y , A(x, y )
J(x, y )
J(x,
y
)A(x,
y
)
si x 6= y , A(x, y ) <
K (x, y ) =
P
MCMC
9 de abril de 2013
23 / 39
Algoritmo Metropolis-Hastings
(6)
y por lo tanto:
X
X
X
(x)K (x, y ) =
(y )K (y , x) = (y )
K (y , x) = (y )
x
(7)
MCMC
9 de abril de 2013
24 / 39
Cadena J(f , f )
J(f , f ) =
1
n(n1)(mn+2)(mn+1)
MCMC
(8)
(f )
(f )
9 de abril de 2013
25 / 39
Contenido
Motivaci
on
Cadenas de Markov
El caso finito
Algoritmo Metropolis-Hastings
TSP
MCMC
9 de abril de 2013
26 / 39
por ejemplo:
Elioth Sanabria (Universidad de los Andes)
MCMC
9 de abril de 2013
27 / 39
MCMC
9 de abril de 2013
28 / 39
MCMC
9 de abril de 2013
29 / 39
MCMC
9 de abril de 2013
30 / 39
MCMC
9 de abril de 2013
31 / 39
MCMC
9 de abril de 2013
32 / 39
MCMC
9 de abril de 2013
33 / 39
MCMC
9 de abril de 2013
34 / 39
Contenido
Motivaci
on
Cadenas de Markov
El caso finito
Algoritmo Metropolis-Hastings
TSP
MCMC
9 de abril de 2013
35 / 39
TSP
Suponga un vendedor que tiene que visitar n-1 clientes y luego volver
a su casa.
El vendedor quiere minimizar la distancia que viaja.
P
La funcion objetivo se puede escribir como dp = N1
i=0 d[ci , ci+1 ]
MCMC
9 de abril de 2013
36 / 39
MCMC
9 de abril de 2013
37 / 39
References
MCMC
9 de abril de 2013
38 / 39
The End
MCMC
9 de abril de 2013
39 / 39