agrega demos

Author: thevalentino

1. Modelamiento lineal Bayesiano.ipynb

@@ -0,0 +1,68 @@
+#!/usr/bin/env python
+# -*- coding: utf-8 -*-
+
+
+'''
+Este script genera una muestra aleatoria con
+PDF \propto x / (1 + x**2)**
+
+usando el algoritmo de Metropolis
+'''
+
+from __future__ import division
+import numpy as np
+import matplotlib.pyplot as plt
+from numpy.random import uniform
+from numpy.random import seed
+
+
+def W(x):
+    return x / (1 + x**2)**2
+
+# def W(x):
+#     return 3.5 * np.exp(-(x-3.)**2/3.) + 2 * np.exp(-(x+1.5)**2/0.5)
+
+x = np.linspace(0, 8, 10000)
+
+plt.figure(1)
+plt.clf()
+# plt.plot(x, W(x) / 13.251318549)
+plt.plot(x, W(x) / 0.49)
+
+
+plt.xlim(-2, 10)
+plt.xlabel(r"$\{x_i\}$", fontsize=18)
+plt.ylabel(r"$\propto W(x)$", fontsize=18)
+# plt.show()
+# plt.draw()
+
+
+from scipy.integrate import trapz
+print "La integral de W(x) es = {}".format(trapz(W(x), x))
+
+
+# Metropolis
+seed(123)
+
+d = 1.
+N_muestra = int(1e5)
+x0 = 8
+
+# un paso
+
+def paso_metropolis(x0):
+    r = uniform(low=-1, high=1)
+    xp = x0 + d * r
+    if W(xp) / W(x0) > uniform(0, 1):
+        x0 = xp
+    return x0
+
+muestra = np.zeros(N_muestra)
+muestra[0] = x0
+for i in range(1, N_muestra):
+    muestra[i] = paso_metropolis(muestra[i-1])
+
+
+plt.hist(muestra, bins=np.arange(-4, 8, 0.1), normed=True, histtype='step')
+plt.show()
+plt.draw()

2. Bayesian Model Selection.ipynb

@@ -0,0 +1,3 @@
+# Métodos Bayesianos
+
+Set de demos sobre estimación Bayesiana de parámetros.