Statistics dan
MCMC
Septiadi Padmadisastra
MCMC
Inferensi Bayes
Monte carlo
Integration
Definisi
Markov
Chains
Septiadi Padmadisastra
Algoritma
MCMC
Septiadi Padmadisastra
Kenapa MCMC
Bayesian
Statistics dan
MCMC
Septiadi Padmadisastra
MCMC
Inferensi Bayes
Monte carlo
Integration
Definisi
Markov
Chains
Algoritma
MCMC
Data
Parameter
Likelihood
:
:
:
Y (realisasi y )
= (1 , 2 , . . . , p )
L(y |)
Catatan :
merupakan sebuah vektor acak, bukan konstan seperti dalam
frequentist!!!, dengan distribusi peluang
Prior : 0 ()
Posterior :
L(y |)0 ()
R
L(y |)0 ()
(|y ) L(y |) 0 ()
(|y ) =
Septiadi Padmadisastra
Kenapa MCMC
Bayesian
Statistics dan
MCMC
Septiadi Padmadisastra
MCMC
Inferensi Bayes
Monte carlo
Integration
Definisi
Markov
Chains
Algoritma
MCMC
Kenapa MCMC
Bayesian
Statistics dan
MCMC
Septiadi Padmadisastra
MCMC
Inferensi Bayes
Monte carlo
Integration
Definisi
Markov
Chains
Algoritma
MCMC
Model
Normal, 2 diketahui
Normal, diketahui
Binomial
Poisson
Prior
Normal (untuk rerata)
Gamma (untuk varians)
Beta
Gamma
Septiadi Padmadisastra
Kenapa MCMC
Bayesian
Statistics dan
MCMC
Septiadi Padmadisastra
MCMC
Inferensi Bayes
Monte carlo
Integration
Definisi
Markov
Chains
Algoritma
MCMC
20
0.2
g () =
5 10
0.20 26 (1 )74 d
26
0
Z 0.3
+
0.2 26 (1 )74 d
0.2
Z 0.5
+
(5 10) 26 (1 )74 d
0.3
Septiadi Padmadisastra
Kenapa MCMC
Bayesian
Statistics dan
MCMC
Septiadi Padmadisastra
MCMC
Inferensi Bayes
Monte carlo
Integration
Definisi
Markov
Chains
Algoritma
MCMC
f (x)dx =
a
ba
{f (x0 ) + 2f (x1 ) + . . . + 2f (xn1 ) + f (xn )}
2n
Septiadi Padmadisastra
Laplace Approximation
Bayesian
Statistics dan
MCMC
Septiadi Padmadisastra
Rb
Laplace Approximation untuk menaksir integral a f (x)dx
fungsi di expand dalam taylor series disekitar titik maksimum
fungsi f (x). Ekspansi Taylor series fungsi ln f (x)
MCMC
Inferensi Bayes
Monte carlo
Integration
Definisi
ln f (x) =
ln f (x0 ) +
Markov
Chains
Algoritma
MCMC
ln f (x)
|x=x0 (x x0 )
| x
{z
}
2 ln f (x)
|x=x0 (x x0 )2 + h.o.t
x 2
ln f (x)
|x=x0 (x x0 ) =
x
1 df (x)
|x=x0 (x x0 )
f (x) dx
Laplace Approximation
Bayesian
Statistics dan
MCMC
Septiadi Padmadisastra
MCMC
Inferensi Bayes
Monte carlo
Integration
Definisi
Markov
Chains
Algoritma
MCMC
2 ln f (x)
|x=x (x x )2 + h.o.t
x 2
2
e
exp ln f (x ) +
(x
x
)
(2)
2 x 2 x=x
1
Misalkan ln f (x) = L(x), dan 2 = L00 (x
) , maka modal
approx Laplace untuk unnormalised posterior adalah :
f (x) f (x )e
Septiadi Padmadisastra
(xx )2
2 2
(3)
Laplace Approximation
Bayesian
Statistics dan
MCMC
Septiadi Padmadisastra
MCMC
Inferensi Bayes
Monte carlo
Integration
Definisi
Markov
Chains
Algoritma
MCMC
x
)
dx
2
x 2 x=x
atau,
Z
Z
(x x )2
L(x)
L(x )
e
dx e
exp
dx
2 2
Sebuah bentuk integral dari sebuah pdf. normal, dengan rerata
x dan varians 2 = L0 1(x )
Z
Z
n(x x )2
nL(x)
nL(x )
e
dx e
dx (4)
exp
2 2
=
2 e nL(x )
(5)
n
Septiadi Padmadisastra
Laplace Approximation
Bayesian
Statistics dan
MCMC
Septiadi Padmadisastra
MCMC
Inferensi Bayes
Monte carlo
Integration
Definisi
Markov
Chains
Algoritma
MCMC
Septiadi Padmadisastra
Laplace Approximation
Bayesian
Statistics dan
MCMC
Septiadi Padmadisastra
MCMC
Inferensi Bayes
Monte carlo
Integration
Definisi
Markov
Chains
Algoritma
MCMC
P(r |) =
e r
r!
r = 0, 1, . . .
Septiadi Padmadisastra
Kenapa MCMC
Tugas
Bayesian
Statistics dan
MCMC
Septiadi Padmadisastra
MCMC
Inferensi Bayes
Monte carlo
Integration
Definisi
Markov
Chains
Algoritma
MCMC
Septiadi Padmadisastra
Kenapa MCMC
Bayesian
Statistics dan
MCMC
Septiadi Padmadisastra
MCMC
Inferensi Bayes
Monte carlo
Integration
Contoh 1
Bagaimana jika prior untuk sebuah model normal adalah
Cauchy;
1
0 () =
(1 + 2 )
Posterior :
Definisi
Markov
Chains
Algoritma
MCMC
Pn
2
1
i=1 (yi )
(|y ) exp
2
1 + 2
n( y )2
1
exp
2
1 + 2
E (|y ) =?
Septiadi Padmadisastra
Monte carlo
Integration
Definisi
Markov
Chains
Algoritma
MCMC
Septiadi Padmadisastra
Inferensi Bayes
N
1 X
E (h(X )) hN =
h(Xi )
N
Monte carlo
Integration
Definisi
i=1
Markov
Chains
Algoritma
MCMC
Note :
x , dan (|y ) = (x)
Septiadi Padmadisastra
(7)
Bayesian
Statistics dan
MCMC
Septiadi Padmadisastra
MCMC
Inferensi Bayes
Monte carlo
Integration
Definisi
Markov
Chains
Algoritma
MCMC
Coba
E( X) =
xe x dx
0
Septiadi Padmadisastra
Monte carlo
Integration
Definisi
Markov
Chains
( y )2
E (|y ) =
exp n
d
(1 + 2 )
2
dihitung dengan mengenerate dari dist normal dengan rerata
0.067 dan varians 1/20. untuk tiap yang dihasilkan dihitung
Algoritma
MCMC
,
(1 + 2 )
dan hitung rataannya.
Septiadi Padmadisastra
Monte carlo
Integration
(1+2 )
Definisi
Markov
Chains
Algoritma
MCMC
Coba :
Memakai algoritma di atas, kerjakan untuk berbagai nilai
N = 10, 20, 50, 100, 200, 500, 1000, apakah untuk N
rataan konvergen?
Plot sampel sebagai sebuah time series, apakah nampak
random ?
Septiadi Padmadisastra
Markov Chains
Bayesian
Statistics dan
MCMC
Septiadi Padmadisastra
MCMC
Inferensi Bayes
Monte carlo
Integration
Definisi
Markov
Chains
Algoritma
MCMC
Definition
Sebuah barisan peubah acak, X1 , X2 , . . . , dengan sifat
Peluang status Xt+1 = j hanya tergantung kepada Xt = i,
P(Xt+1 = j|Xt = i, Xt1 , . . . , X0 ) = P(Xt+1 = j|Xt = i)
= Pij
disebut sebagai sebuah Markov Chains. Dan matriks
P = (Pij )
disebut sebagai matriks peluang transisi.
Septiadi Padmadisastra
Markov Chains
Bayesian
Statistics dan
MCMC
Septiadi Padmadisastra
MCMC
Inferensi Bayes
Monte carlo
Integration
Definisi
Markov
Chains
Algoritma
MCMC
hN
N
1 X
h(Xt )
N
t=1
E (h(X ))
Septiadi Padmadisastra
Bayesian
Statistics dan
MCMC
Septiadi Padmadisastra
MCMC
Xt+1 P(x|xt ),
Inferensi Bayes
Monte carlo
Integration
Definisi
Markov
Chains
Algoritma
MCMC
t = 1, 2, . . .
Septiadi Padmadisastra
Bayesian
Statistics dan
MCMC
Septiadi Padmadisastra
MCMC
Inferensi Bayes
Monte carlo
Integration
Definisi
Markov
Chains
Algoritma
MCMC
Bayesian
Statistics dan
MCMC
Septiadi Padmadisastra
MCMC
Inferensi Bayes
Monte carlo
Integration
Definisi
Markov
Chains
Algoritma
MCMC