数学竞赛

编写了整除部分的讲义。

图模型（Bishop chap 8）

图模型的优点：

1，有简单的方式可以可视化概率模型的结构，比较有可解释性。

2，能够通过看图得到关于条件独立性等等的结果。

随机图的区分，有向图：贝叶斯网络（呈现因果关系）

                         无向图：马尔可夫随机场（呈现软约束）

全连接的图：，每一对节点之间会有相连。不过画成图的时候因为我们有选择的先后顺序会导致画出来的图不是对称的。

要求：有向无环图

Sampling  Methods（Bishop chap11）

想要估计  

采用估计：  无偏估计

方差：

（蒙特卡洛方法）

注意：

1，估计器的精度不依赖z的维数。

2，根据这个方差的公式，我们似乎可以通过比较少的样本就能达到不错的精度。但是实际中要考虑到样本之间可能不是互相独立的。所以我们理应需要更多的样本。

3，假如真实的f和p满足：在f比较大的时候p比较小，在f比较小的时候p比较大，那么可能就需要比较多的样本量达到想要的精度。（这点没有理解！）🔺

有向图的采样：先采父再采子。

无向图的采样:

（In the case of probability distributions defined by an undirected graph, there is no one-pass sampling strategy that will sample even from the prior distribution with no observed variables. Instead, computationally more expensive techniques must be employed, such as Gibbs sampling🔺）

蒙特卡洛估计如何降低方差（用比较少的样本量）是一个问题。

直接求逆函数的方法：

用的方法可以生成一维随机连续变量的随机数。

生成二维的正态分布的方法

缺点：需要计算并且求逆不定积分，只能对少数的好求的分布来做。

Rejection sampling ：

前提，p可以算，至少up to 常数 

找一个简单的q分布，和k满足上图，先从q里面随机取z，然后里取出随机数，如果比大我们就拒绝，否则接受。

接受的概率是

所以如果k越小越好。如果q跟p越接近越好。

缺点：还是很难为q确定解析形式（毕竟要把p包住）

Adaptive rejection sampling

想法是我们上面用reject sampling 方法的话，q不好找，而且可能会空出很多，效率不高。

如果函数本身是log concave ，我们可以采用一种新的构造q的方法：

beta函数和取log 搞一些小切线 弄回去形成小包络，这个就很接近了。

我们先弄有限的切线，e之后形成一个暂用的包络函数，然后我们再进行reject sampling ，如果在某一点拒绝了，我们就把这个点作为节点重新弄一个切线。形成一个新的包络函数，这样子就可以动态更新包络函数。

缺点:只能对log concave，有一种和Metropolis-Hastings结合的方法会在后面讨论。

        高维很差，举例来说我们采样方差的正态，我们用更大的方差的正态去包络，拒绝率随着D上升会指数衰减，这就麻烦了。

Importance sampling

和前面不一样，我们不采样某个分布p，而是直接对给出一个逼近。