Nächste Seite: Read-Once-Modifikation des CFTP-Algorithmus
Aufwärts: Kopplungsalgorithmen; perfekte MCMC-Simulation
Vorherige Seite: Monotone Kopplungsalgorithmen
  Inhalt
Beispiele: Geburts- und Todesprozresse;
Ising-Modell
- Geburts- und Todesprozesse
- Die in (88) definierte Update-Funktion
genügt insbesondere dann der
Isotonie-Bedingung (91),
- Eine Klasse von Übergangsmatrizen
, für die die
Isotonie-Bedingung (100) erfüllt ist, ist durch die
tridiagonalen Matrizen von Geburts- und Todesprozessen
gegeben, so dass
wobei
für jedes
und
für jedes
.
Abbildung:
Monotone Rückwärtskopplung bei isotonen Geburts- und
Todesprozessen
|
- Andererseits genügt die in (88) definierte
Update-Funktion
der
Antitonie-Bedingung (98),
- Man kann leicht zeigen, dass es keine tridiagonale Übergangsmatrix
gibt, so dass die Bedingung (101)
erfüllt ist, d.h. Geburts- und Todesprozessen sind niemals
antiton.
- Die Antitonie-Bedingung (101) ist jedoch
beispielsweise für die folgende Matrix erfüllt:
- Ising-Modell
- Ähnlich wie bei dem in Abschnitt 3.3.1 diskutierten
Hard-Core-Modell
- betrachten wir einen verbundenen Graph
mit der Menge
von (endlich vielen) Eckpunkten
- und mit einer gewissen Menge
von Kanten
, die jeweils zwei Eckpunkte
miteinander
verbinden.
- Jedem Eckpunkt aus
wird entweder der Wert
oder
zugeordnet,
- wobei der Zustandsraum
aller Konfigurationen
betrachtet wird, d.h., es gilt entweder
oder
für jedes
- mit der ,,Bild-Interpretation'', dass
ein weißes Pixel
und
ein schwarzes Pixel bedeutet.
- Für jedes
sei die Wahrscheinlichkeit
der
Konfiguration
gegeben durch den Ansatz (vgl. auch
Übungsaufgabe 11.1)
 |
(102) |
für einen gewissen Parameter
, der in der Physik als
,,inverse Temperatur'' interpretiert wird:
- Für
(unendliche Temperatur) ist die in (102)
gegebene Verteilung
die
(diskrete) Gleichverteilung auf
.
- Für
(niedrige Temperatur) besitzen diejenigen
Konfigurationen große Wahrscheinlichkeiten, für die nur wenige
benachbarte (d.h. durch Kanten verbundene) Paare von Eckpunkten
unterschiedlich gefärbt sind.
- Für
(Null-Temperatur) konvergiert die in
(102) gegebene Verteilung
gegen die
,,Zwei-Punkt-Gleicherteilung''
,
- wobei
und
die beiden (extremen) Konfigurationen
sind, die entweder nur aus weißen oder nur aus schwarzen Pixeln
bestehen, d.h.
bzw.
für jedes
.
- Dabei ist
eine (im allgemeinen unbekannte)
Normierungskonstante mit
- Die folgenden Abbildungen wurde dem Buch von O. Häggström (2002)
Finite Markov Chains and Algorithmic Applications, CU Press,
Cambridge entnommen.
- Sie verdeutlichen die oben erwähnte Rolle des Parameters
,
- d.h., mit wachsendem
werden die zusammenhängenden ,,Klumpen''
von jeweils identisch gefärbten Pixeln größer.
Abbildung:
Typische Konfigurationen des Ising-Models für
(oben
links),
(oben rechts),
(unten links) bzw.
(unten rechts)
|
- Die Simulationsmatrix
sei durch
den Gibbs-Sampler gegeben. Es gelte also (36), d.h.
- Für den Zustandsraum
definieren wir nun die
Halbordnungsrelation
- mit
, falls
für jedes
,
so dass
für jedes
,
- wobei die Elemente des Zustandsraumes
so numeriert sein mögen, dass
gilt, falls
(was beispielsweise
bei der lexikographischen Numierung der Elemente von
zutreffend ist).
- Aus (103) ergibt sich dann, dass für beliebige
mit
bzw. |
(104) |
weil
für beliebige Zahlen
mit
.
- Die Update-Funktion
sei gegeben
durch
, wobei
und für jedes
Nächste Seite: Read-Once-Modifikation des CFTP-Algorithmus
Aufwärts: Kopplungsalgorithmen; perfekte MCMC-Simulation
Vorherige Seite: Monotone Kopplungsalgorithmen
  Inhalt
Ursa Pantle
2003-09-29