بررسی ویژگی های مونت کارلوی جمعیتی
محل انتشار: سومین کنفرانس ریاضیات مالی و کاربردها
سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 684
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CFMA03_051
تاریخ نمایه سازی: 16 خرداد 1394
چکیده مقاله:
روش نمونه گیری نقاط مهم همانند الگوریتم های زنجیر مارکف مونت کارلو (MCMC) قابل تکرار هستند، در حالی که این الگوریتم (نمونه گیری نقاط مهم) بستگی به نقطه ی شروع ندارد. روش مونت کارلوی جمعیتی (Population Monte Carlo) شامل تولیدهای مکرر از نمونه گیری نقاط مهم می باشد که توابع مهم (Importance functions) بکاررفته در آنها به نمونه های مهم تولید شده ی قبلی بستگی دارند. مزیت این روش بر الگوریتم های MCMC این است که چارچوب این الگوریتم، در هر تکرار، نا اریب است؛ بنابراین اجرای این الگوریتم می تواند در هر لحظه ی زمانی متوقف شود. زیرا تکرارها، اجرای الگوریتم تابع مهم (توزیع پیشنهادی) را بهبود می بخشند. بنابراین این امر منجر به یک روش نمونه گیری مهم بهبود یافته و کاراتر می شود. ما در این مقاله این روش را روی مثال های مختلف بررسی خواهیم کرد.
کلیدواژه ها:
نمونه گیری نقاط مهم ، روش های زنجیره مارکف مونت کارلو (MCMC) ، مدل های آمیختهف الگوریتم های متروپلیس- هستینگز
نویسندگان
غلامحسین غلامی
دانشگاه ارومیه، دانشکده علوم، گروه ریاضی، ارومیه، ایران
احسان فیاضی
دانشگاه آزاد اسلامی واحد علوم و تحقیقات، گروه آمار، فارس، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :