Tengo la sensación de que un lenguaje funcional (como Scala) está particularmente bien adaptado al tipo de operaciones que exige MCMC.
Juzguen Vds.
Primero, genero datos en R:
datos <- rnorm(500, 0.7, 1) writeLines(as.character(datos), "/tmp/datos.txt")
Son de una normal con media 0.7. En el modelo que vamos a crear, suponemos conocida (e igual a 1) la varianza de la normal y trataremos de estimar la media suponiéndole una distribución a priori normal estándar. Y con Scala, así:
import scala.io.Source import java.io.PrintWriter /* read data */ val source = Source.fromFile("/tmp/datos.txt", "UTF-8") val data = source.mkString.split("\\s+").map(_.toDouble).toList /* we need random numbers */ var r = scala.util.Random /* almost (standard) dnorm */ def dnorm(x:Double): Double = math.exp(-x*x/2) /* chain transitions */ def rg(y:Double):Double = y + r.nextGaussian /* prior (standard normal) times likelihood */ def dpost(x:Double): Double = dnorm(x) * data.map(y => dnorm(x - y)).reduce(_*_) /* metropolis-hastings acceptance ratio */ def acceptanceRatio(from:Double, to:Double):Double = dpost(to) / dpost(from) def posterior(a:Double):Stream[Double] = { lazy val elegidos = Stream.continually(a) map rg filter (x => r.nextDouble < acceptanceRatio(a, x)) a #:: posterior(elegidos.head) } /* Get values and drop burning obs */ val res = posterior(0.4).take(10000).toList.drop(2000) /* Thin */ val res_thin = res zip (Stream from 1) filter (_._2 % 5 == 0) map (_._1) /* Export */ val out = new PrintWriter("/tmp/posterior.txt") res map out.println out.close()
Leo los datos de la posteriori en R y los reprsento así:
