การสุ่มตัวอย่างจากการแจกแจงร่อแร่โดยใช้การแจกแจงแบบมีเงื่อนไข?


12

ฉันต้องการตัวอย่างจากความหนาแน่นของ univariate Xแต่ฉันรู้เพียงความสัมพันธ์:

X(x)=X|Y(x|Y)Y(Y)dY.

ฉันต้องการหลีกเลี่ยงการใช้ MCMC (โดยตรงกับการแทนค่าอินทิกรัล) และเนื่องจากและเป็นตัวอย่างที่ง่ายฉันจึงคิดที่จะใช้ตัวอย่างต่อไปนี้ :f Y ( y )X|Y(x|Y)Y(Y)

  1. สำหรับNJ=1,...,ยังไม่มีข้อความ
  2. ตัวอย่างf_YYJ~Y
  3. ตัวอย่างy_j)xJ~X|Y(|YJ)

แล้วฉันจะจบลงด้วยคู่และใช้เวลาเพียงตัวอย่างเล็กน้อยX_n) ถูกต้องหรือไม่(x1,Y1),...,(xยังไม่มีข้อความ,Yยังไม่มีข้อความ)(x1,...,xยังไม่มีข้อความ)

คำตอบ:


10

ใช่ถูกต้องแล้ว โดยทั่วไปคุณมี

X,Y(x,Y)=X|Y(x|Y)Y(Y),

และอย่างที่คุณพูดคุณสามารถสุ่มตัวอย่างจากความหนาแน่นของรอยต่อ การเก็บค่าจากตัวอย่างจะนำคุณไปสู่ตัวอย่างจากการกระจายตัวแบบชายขอบx

นี่เป็นเพราะการกระทำที่ละเว้นนั้นคล้ายกับการรวมเข้าด้วยกัน ให้เข้าใจสิ่งนี้ด้วยตัวอย่างY

สมมติว่า = ความสูงของแม่และ = ความสูงของลูกสาว เป้าหมายคือการได้รับตัวอย่างจากเพื่อทำความเข้าใจความสัมพันธ์ระหว่างความสูงของลูกสาวและมารดาของพวกเขา (ฉันกำลังสมมุติว่ามีลูกสาวเพียงคนเดียวในครอบครัวและ จำกัด จำนวนประชากรให้กับลูกสาวทุกคนที่มีอายุมากกว่า 18 ปีเพื่อให้มั่นใจว่าจะเติบโตอย่างเต็มที่)Y ( X , Y )XY(X,Y)

คุณออกไปข้างนอกและรับตัวอย่างตัวแทน

(x1,Y1),...,(xยังไม่มีข้อความ,Yยังไม่มีข้อความ).

ดังนั้นสำหรับคุณแม่แต่ละคนคุณมีความสูงของลูกสาวของพวกเขา ควรจะมีความสัมพันธ์ที่ชัดเจนระหว่างและYตอนนี้สมมติว่าจากชุดข้อมูลของคุณคุณไม่สนใจข้อมูลทั้งหมดในลูกสาว (ลดลง ) แล้วคุณมีอะไร คุณได้ว่าความสูงของแม่สุ่มเลือกซึ่งจะเป็นดึงออกมาจากขอบของXXYYยังไม่มีข้อความX


ขอบคุณสำหรับสิ่งนี้สิ่งนี้มีประโยชน์ คุณรู้หรือไม่ว่ากลยุทธ์การสุ่มตัวอย่างนี้สามารถเชื่อมโยงกับการสุ่มตัวอย่างของกิ๊บส์เพื่อที่จะพิสูจน์อย่างเป็นทางการได้หรือไม่?
ร็อด

1
YxYY

1
Greenparker แต่มีหลักฐานอย่างเป็นทางการของการยืนยันดังกล่าวคือการพิจารณาเพียงส่วนหนึ่งของตัวอย่างที่นำมาจากข้อต่อให้ตัวอย่างจากขอบ?
ชายชราในทะเล

การสุ่มตัวอย่าง "X = Mother" โดยการสุ่มตัวอย่าง (X, Y) และการถ่าย X ให้ตัวอย่างของ "มารดาที่มีลูกสาวที่โตเต็มหนึ่ง" ซึ่งไม่เหมือนกับ "มารดา" แต่แม้ว่าเราจะเปลี่ยนตัวอย่างของคุณเพื่อบอกว่าคุณมีความสนใจใน "X = แม่ที่มีลูกสาวที่โตเต็มที่" การไปที่ X ด้วยการสุ่มตัวอย่าง (X, Y) ทำให้ตัวอย่างของคุณบิดเบือนการกระจายของ Y. p (v ) = ∑ (u ในการสนับสนุน (U)) (p (u, v))) = ∑ (u ในการสนับสนุน (U)) (p (v | u) * p (u))) = (1 / sampleSize ( u)) * ∑ (u ในตัวอย่าง (U)) (p (v | u))) เนื่องจากแต่ละค่าของ u ปรากฏในตัวอย่างที่มีความน่าจะเป็น p (u) - ดังนั้นจำเป็นต้องเฉลี่ย p (v | u) วาด
radumanolescu
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.