Понимание модели катастрофы в PyMC

I start learning PyMC and strungle to understand the very first tutorial´s example. 

disasters_array =   \
     np.array([ 4, 5, 4, 0, 1, 4, 3, 4, 0, 6, 3, 3, 4, 0, 2, 6,
                   3, 3, 5, 4, 5, 3, 1, 4, 4, 1, 5, 5, 3, 4, 2, 5,
                   2, 2, 3, 4, 2, 1, 3, 2, 2, 1, 1, 1, 1, 3, 0, 0,
                   1, 0, 1, 1, 0, 0, 3, 1, 0, 3, 2, 2, 0, 1, 1, 1,
                   0, 1, 0, 1, 0, 0, 0, 2, 1, 0, 0, 0, 1, 1, 0, 2,
                   3, 3, 1, 1, 2, 1, 1, 1, 1, 2, 4, 2, 0, 0, 1, 4,
                   0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 1])
switchpoint = DiscreteUniform('switchpoint', lower=0, upper=110, doc='Switchpoint[year]')
early_mean = Exponential('early_mean', beta=1.)
late_mean = Exponential('late_mean', beta=1.)

Я не понимаю, почему Early_mean и Later_mean моделируются как стохастическая переменная, следующая за экспоненциальным распределением со скоростью = 1. Моя интуиция такова, что они должны быть детерминистически рассчитаны с использованием Emergency_array и переменной точки переключения, например.

@deterministic(plot=False)
def early_mean(s=switchpoint):
    return sum(disasters_array[:(s-1)])/(s-1)

@deterministic(plot=False)
def late_mean(s=switchpoint):
    return sum(disasters_array[s:])/s


pymc
person Huy Le    schedule 24.09.2014    source источник

Ответы (2)


arrow_upward
0
arrow_downward

disasters_array — это данные, сгенерированные пуассоновским процессом, согласно предположениям этой модели. late_mean и early_mean — это параметры, связанные с этим процессом, в зависимости от того, когда во временном ряду они произошли. Истинные значения параметров неизвестны, поэтому они указаны как стохастические переменные. Детерминированные объекты предназначены только для узлов, которые полностью определяются значениями своих родителей.

person Chris Fonnesbeck    schedule 29.09.2014

arrow_upward
0
arrow_downward

Думайте о стохастиках early_mean и late_mean как о параметрах модели, а Exponential как об априорном распределении этих параметров. В приведенной здесь версии модели детерминистический r и вероятность D приводят к апостериорным значениям early_mean и late_mean посредством выборки MCMC.

person Abraham D Flaxman    schedule 29.09.2014