Académique Documents
Professionnel Documents
Culture Documents
p. 1/34
Introduction
Pour approcher lintgrale
h()f ()d,
P
p. 3/34
Lalgorithme de Metropolis-Hastings
tant donn (t) ,
1.
2.
Gnrer yt q(y|(t) ).
Acceptation-Rejet
(t+1) =
yt
(t)
o
(, y) = min
f (y) q(|y)
,1
f () q(y|)
p. 4/34
Proprits et commentaires
Cas symtrique :
(t)
( , yt ) = min
f (yt )
,1
(t)
f ( )
p. 5/34
Convergence
Hypothses
Probabilit dacceptation
f (yt ) q((t) |yt )
1 < 1.
P
(t)
(t)
f ( ) q(yt | )
(1)
(2).
p. 6/34
Convergence
Conclusions
Ergodicit
Pour h tel que Ef [|h()|] < ,
1
lim
T T
h((t) ) =
h()f ()d
t=1
lim
=0
TV
En particulier
lim P [(t) A] =
f ()d
A
p. 7/34
Gnrer yt q(y).
Acceptation-Rejet
(t+1)
yt
(t)
sinon
f (yt ) q((t) )
f ((t) ) q(yt )
,1 ,
Proprits
Lchantillon gnr nest pas iid
Si f () M q(), supp f , alors .
TV
1 n
M
(ergodicit uniforme)
2 f ()d,
I=
((t) , yt ) = min
yt
(t) yt
exp
(t)
[]
,1
1.
Gnrer y Ga [], []
.
2.
Acceptation-Rejet
(t) = y avec prob.
ey exp(y/)
[]
p. 10/34
Gnrer yt Ga [], []
.
2.
Acceptation-Rejet
y
avec prob. min
t
(t+1)
=
(t)
sinon
yt
(t)
exp
(t) yt
[]
,1
p. 11/34
Exemple : = 2.43, = 1
20
acceptation-rejet
valeur de lintgrale
Metropolis-Hastings
18
16
14
intgrale
12
10
500
1000
1500
2000
2500
iterations
3000
3500
4000
4500
5000
p. 12/34
Zoom
11
acceptation-rejet
valeur de lintgrale
Metropolis-Hastings
10.5
10
intgrale
9.5
8.5
7.5
6.5
1000
1500
2000
2500
3000
iterations
3500
4000
4500
p. 13/34
(t+1)
yt
(t)
sinon
f (yt )
f ((t) )
,1 ,
p. 14/34
Proprits
Pas dergodicit uniforme
Conditions suffisantes dergodicit gomtrique pour
des densits symtriques log-concaves ... (Mengersen
& Tweedie, 1996)
P,
K (, )(d) f
TV
M
n,
r
Probabilit dacceptation
2
yt2 )/2
min exp ((t)
,1
p. 16/34
-3
-2
-1
1.5
= 0.01
1
0.8
0.6
0.4
0.2
0
-2.5
-2
-1.5
-1
-0.5
0.5
p. 17/34
= 0.5
0.4
0.5
0.2
0
0
-0.2
-0.5
-0.4
-0.6
5000
10000
15000
-1
5000
=1
10000
15000
10000
15000
=5
6
5
1.5
4
1
0.5
2
1
0
-0.5
0
0
5000
10000
15000
-1
5000
p. 18/34
= 0.5
1.4
1.2
1.5
1
0.8
1
0.6
0.4
0.5
0.2
0
5000
10000
15000
5000
=1
10000
15000
10000
15000
=5
1.4
12
1.2
10
0.8
6
0.6
4
0.4
0.2
0
5000
10000
15000
5000
p. 19/34
Extensions
Adaptive Rejection Metropolis Sampling (ARMS)
Algorithme de Metropolis-Hastings sauts rversibles
Algorithmes de Langevin
...
p. 20/34
k K, (k) k
f (k, (k) , x)
(k)
f
(k,
, x)
(k)
(k)
f (k, , x)d dk
nk
C
,
C
=
{k}
R
espace de dimension
k
k
kK
p. 22/34
Transition de Mk vers Mk
Pour se dplacer de Rnk vers Rnk , avec k = k , on doit
complter ces espaces afin de dfinir un diffomorphisme gkk
Transition de Mk vers Mk
g1kk
(k) , u (k )
gkk =
g2kk
(k) , u u
avec nk + nkk = nk + nk k .
p. 23/34
Transition de Mk vers Mk
Afin dassurer la rversibilit, il faut aussi dfinir un
g1k k
(k ) , u (k)
gk k =
g2k k
(k ) , u u
p. 24/34
Probabilit dacceptation
Le nouvel tat (k ) = g1k k (k) , u est accept avec la
probabilit
kk = min
Posterior Mk
Posterior Mk
pk k Proposal u
pkk Proposal u
(k ) , u
((k) , u)
,1
avec
pk k : proba de tenter un dplacement de Rnk vers Rnk
pkk : proba de tenter un dplacement de Rnk vers Rnk
(k ) ,u
((k) ,u)
: Jacobien de la transformation
p. 25/34
Exemple scolaire
Modle M1
exp
2
j=1
tj+1 1
i=tj
(xi j )
Modle M2
1
exp (j )2
2
50
1
exp
2
100
2
i=1
(xi )
1
1
exp ( )2
2
2
1
2
p. 26/34
Diffomorphisme g12
Passage de M1 M2
g12
R2 R2
(1 , 2 ) ( =
1 +2
,u
2
1 2
)
2
Probabilit dacceptation
2
1/2 q(u)
|Jacobien| =
PosteriorM1 1/2 1
PosteriorM2
1 +2
2
2
q 1
1
2
1 (1 , 2 )
2
Proposal u N (, 1)
p. 27/34
Diffomorphisme g21
Passage de M2 M1
g21
R2 R2
(, u) (1 = + u, 2 = u)
Probabilit dacceptation
1/2 1
1 ( + u, u)
|Jacobien| =
2
PosteriorM2 1/2 q(u)
2 ()q(u)
PosteriorM1
Proposal u N (, 1)
Matlab : samplingGreen
p. 28/34
p. 29/34
Metropolis-Hastings Indpendant
f (Y ) q()
= E min
,1
f () q(Y )
f (Y )
f ()
= 2P
,
q(Y )
q()
f, Y q,
p. 31/34
p. 32/34
p. 33/34
Mlange de Gaussiennes
Modle : y1 , ..., yn i.i.d., r inconnu
r
(y mi )2
exp
2
2i2
2i
i
f (y|r ) =
i=1
0.25
2.5
0.2
0.15
1.5
0.1
0.05
0.5
9 10
0
-2
-1
p. 34/34