Natureza | Algoritmo |
---|---|
Inventores | Stuart Geman ( em ) , Donald Geman ( em ) |
Data de invenção | 1984 |
Nomeado em referência a | Josiah Willard Gibbs |
Aspecto de | Método de Monte-Carlo por cadeias de Markov |
A amostragem de Gibbs é um MCMC . Dada uma distribuição de probabilidade π em um universo Ω , este algoritmo define uma cadeia de Markov cuja distribuição estacionária é π . Assim, torna-se possível desenhar aleatoriamente um elemento de Ω de acordo com a lei π (falamos de amostragem ).
Tal como acontece com todos os métodos de Monte-Carlo da cadeia de Markov,
A especificidade da amostragem de Gibbs consiste em "dividir" q x ( i ) em n probabilidades condicionais:
Portanto, substituímos o problema da geração aleatória de x ( i + 1) por n problemas que esperamos que sejam mais simples.
Seja X = ( X i , i ∈ S ) uma variável com distribuição π no espaço dos sítios S = ⟦1; n ⟧ em direcção ao espaço de estado Ω . Para x = ( x 1 ;…; x n ) ∈ Ω e as densidades condicionais π i ( x i | x ¬ i ) onde x ¬ i = ( x j , j ≠ i ), i ∈ S , construímos o Gibbs amostrador em núcleos π -invariantes: P i ( x , y ) = π i ( y i | x ¬ i ) 1 ( x ¬ i = y ¬ i ) .
Visitamos S sequencialmente, relaxando a cada passo i o valor de acordo com a lei π i condicional ao estado atual. A transição de x para y é escrita:
Vamos ν uma never probabilidade zero de S . Em cada etapa, um local i é escolhido com a probabilidade ν i > 0 e o valor y é relaxado de acordo com a lei condicional π i no estado atual. A transição está escrita:
C. Gaetan e X. Guyon , cap. 9 “Simulação de modelos espaciais” , em Jean-Jacques Droesbeke, Michel Lejeune e Gilbert Saporta, análise estatística dos dados espaciais: 10 º dias de estudo em estatísticas, 4-8 novembro de 2002, Marselha, Société française de statistique , Paris, Technip,2006, 468 p. ( ISBN 978-2-7108-0873-2 , aviso BnF n o FRBNF40225776 )