Metropolis-Hastings算法流程 — 统计学计算题
题目
设目标分布为 p(x) ∝ e^(−x)，x>0。使用随机游走 Metropolis-Hastings 算法：从当前状态 x=2 出发，提议分布为对称均匀分布 q(x′|x) = 1/2（当 x′∈[x−1, x+1]，否则为0）。某次迭代中提议新状态 x′=3.5。请计算该提议被接受的概率（用 e 的幂表示精确值，并给出保留四位小数的近似值）。
《MCMC方法》其他练习题
选择题
用随机游走 Metropolis-Hastings 采样目标密度 p(x) ∝ e^(−x²/2)（x…
选择题
对标准正态目标分布 N(0,1) 使用随机游走 Metropolis-Hastings 采样…
填空题
某学生用随机游走 Metropolis-Hastings 算法采样目标密度 p(x) ∝ e…
选择题
用 Metropolis-Hastings 算法抽取某后验分布的 200 个样本，按顺序…
填空题
某研究小组用Metropolis-Hastings算法从目标分布中抽取样本以估…
填空题
在 Metropolis-Hastings 采样中，若目标分布集中在区间 [5, 6]，而…
相关题目
统计学
选择题
在 Metropolis-Hastings 算法中，当前状态 x=1，目标分布为 p(x) ∝ …
Metropolis-Hastings算法流程
统计学
计算题
目标分布为 p(x) ∝ 2x·e^(−x²)（x>0），采用独立提议的 Metropo…
Metropolis-Hastings算法流程
统计学
计算题
状态空间为{A,B,C}，目标分布的未归一化权重分别为1、3、2。…
Metropolis-Hastings算法流程
统计学
选择题
在 Metropolis-Hastings 算法的一次迭代中，若候选点 x′ 被拒绝…
Metropolis-Hastings算法流程
统计学
计算题
设目标密度为 p(x) ∝ x·e^(−x)（x>0），采用独立提议分布 q(x…
Metropolis-Hastings算法流程
统计学
选择题
设目标分布为 p(x) ∝ e^(−x)（x>0），采用独立提议的 Metropolis…
Metropolis-Hastings算法流程