本文介绍了如何从均匀分布随机数生成其他分布的随机数，特别是通过Metropolis-Hastings采样算法实现。该算法通过拒绝部分低概率样本以适应目标分布，并详细阐述了采样过程和转移矩阵的计算。此外，还提及了吉布斯采样在多峰分布时可能遇到的挑战。
1 阅读之前
- 在阅读本文之前请先明确什么是样本。
- 前置：假设一个样本取自分布p(x)，那么我们通常将其记录为
，但本文使用的小写字母加下标的方式表示样本
。
- 前置：单个样本是无法研究分布的，只有样本数量足够时才能研究性质。
2 均匀分布随机数的产生
在获取均匀分布的随机数后可以通过后续的算法来获取其他分部的随机数。最简单的方式是对坐标进行变换。假设
此时假设函数
定义变换：
概率密度函数有积分意义：
变换域面积与原空间面积关系为：
其中
所以均匀分布的样本可以产生标准正态分布的样本。
对于坐标变换而言，还有更加通用的方式。假设
定义坐标变换
所以如果
import numpy as np
def p(x):
扫一扫
4198
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
