Monte Carlo Optimization - Seminarium szkoleniowe

Eliza Bujnowska () Monte Carlo Optimization 28 lutego 2006 25 / 38Prior feedback (3)Wraz ze zwi¦kszaniem rozmiaru próby, wpªyw rozkªaduprawdopodobie«stwa a priori zmniejsza si¦, a rozkªad zwi¡zany z funkcj¡exp(λl(θ|x))π(θ) jest coraz bardziej skoncentrowany wokóª globalnegomaksimum l(θ|x) wraz ze zwi¦kszaniem λ.Z praktycznego punktu widzenia, metoda ta mo»e by¢ implementowanapoprzez obliczanie estymatorów Bayesa δλi π (x), dla i = 1, 2 . . . do momentustabilizacji.W przypadku stosowania iteracyjnego algorytmu obliczania δ π λ (x),poprzednie rozwi¡zanie (wzgl¦dem λ) zapewnia nowy punkt startowy wkolejnym kroku, dla wi¦kszej warto±ci λ [analogia do metody symulowanegowy»arzania].