Rejection sampling: differenze tra le versioni
Contenuto cancellato Contenuto aggiunto
Fix formulas |
Nessun oggetto della modifica |
||
Riga 13:
Questo algoritmo può essere utilizzato per campionare dall'area sotto qualsiasi curva, indipendentemente dal fatto che l'integrale della funzione abbia valore 1. In effetti, il ridimensionamento di una funzione con una costante non ha alcun effetto sulle posizioni x campionate. Pertanto, l'algoritmo può essere utilizzato per campionare da una distribuzione la cui [[Normalizzazione (matematica)|costante di normalizzazione]] è sconosciuta, che è comune nella [[statistica computazionale]] .
Come semplice esempio geometrico, supponiamo di voler generare un punto casuale all'interno del cerchio unitario. Il primo step è generare un punto candidato (<math>(x,y)</math><math>x,y </math>) dove <math>x </math> <math>x </math>e <math>y </math> <math>y </math>sono indipendenti e uniformemente distribuiti tra − 1 e 1. Se <math>x^2+y^2 \leq 1 </math> allora il punto è all'interno del cerchio unitario ed è accettato. Altrimenti è rifiutato e viene generato un nuovo candidato.
Riga 30:
== Svantaggi ==
Il probelma principale dell'algoritmo di rejection sampling è che può generare un numero molto elevato di campioni che poi vengno scartati soprattutto nel caso in cui la funzione campionata è concertata in una certa regione. Per molte distribuzioni, questo probelma può essere risolto utilizzando una versione adattiva dell'algoritmo (see [[Rejection sampling|adaptive rejection sampling]]). In altre dimensioni, è necessario utilizzare approcci differenti, come per esempio metodi [[Markov Chain Monte Carlo]], tra i quali [[Algoritmo di Metropolis-Hastings|Metropolis sampling]] o [[Campionamento di Gibbs|Gibbs sampling]].
| |||