[Bayes] Hist & line: Reject Sampling and Importance Sampling

 吻合度蛮高，但不光滑。

> L=10000
> K=135/64
> x=runif(L) > ind=(runif(L)<(20*x*(1-x)^3/K)) > hist(x[ind],probability=T, +      xlab="x",ylab="Density",main="")

/* 应用了平滑数据的核函数 */ > d=density(x[ind],from=0,to=1)　　// 只对标记为true的x作统计 --> 核密度估计 > lines(d,col=4)　　// (BLUE)

 

> xx=seq(0,1,length=100) > lines(xx,20*xx*(1-xx)^3,lwd=2,col=2)　　//lwd: line width, col: color number (Red)

 

API DOC: https://stat.ethz.ch/R-manual/R-devel/library/stats/html/density.html

参见：

http://blog.csdn.net/yuanxing14/article/details/41948485 基于核函数的目标跟踪算法 （貌似淘汰的技术）

https://www.zhihu.com/question/27301358/answer/105267357?from=profile_answer_card

 

 

 Importance Sampling (Green line) 更为光滑:

> L=10000
> K=135/64
> x=runif(L) > ind=(runif(L)<(20*x*(1-x)^3/K)) > hist(x[ind],probability=T, xlab="x",ylab="Density",main="") > 
> d=density(x[ind],from=0,to=1) > lines(d,col=4) > 
> y=runif(L) > w=20*y*(1-y)^3　　　　　　　　　　　　　　 // 可见，权重大小与实际分布吻合。
> W=w/sum(w)　　　　　　　　　　　　　　　　 // 每一个x轴的sample point的权重值W。 > d=density(y,weights=W,from=0,to=1) > lines(d,col=3) > 
> xx=seq(0,1,length=100) > lines(xx,20*xx*(1-xx)^3,lwd=2,col=2)

 

不管是拒绝抽样仍是重要性采样，都是属于独立采样，即样本与样本之间是独立无关的，这样的采样效率比较低，

如拒绝采样，所抽取的样本中有很大部分是无效的，这样效率就比较低，MCMC方法是关联采样，即下一个样本与这个样本有关系，从而使得采样效率高。

[Bayes] dchisq: Metropolis-Hastings Algorithm

[Bayes] Metroplis Algorithm --> Gibbs Sampling