1. Monte Carlo con Cadenas Markov
Autor: Arias Nicola Juan
Modulo: Simulacion
2. Monte Carlo vía cadenas
Las técnicas de Monte Carlo vía cadenas de
Markov permiten generar, de manera iterativa,
observaciones de distribuciones multivariadas que
difícilmente podrían simularse utilizando métodos
directos. La idea básica es muy simple: construir una
cadena de Markov que sea fácil de simular y cuya
distribución de equilibrio corresponda a la
distribución final que nos interesa. Smith y Roberts
(1993) presentan una discusión general de este tipo de
métodos.
3. Una cadena de Markov es un modelo matemático de
sistemas estocásticos donde los estados dependen de
probabilidades de transición. El estado actual solo
depende del estado anterior.
El método de Monte Carlo es un método no
determinístico o estadístico numérico usado para
aproximar expresiones matemáticas complejas y
costosas de evaluar con exactitud.
4. Algoritmo Metropolis Hastings
En las estadísticas y en física estadística , el algoritmo de
Metropolis-Hastings es una cadena de Markov Monte
Carlo método para la obtención de una secuencia de
(MCMC) muestras aleatorias a partir de
unadistribución de probabilidad para el que el
muestreo directo es difícil. Esta secuencia se puede
utilizar para aproximar la distribución (es decir, para
generar un histograma), o para calcular una
integral (tal como un valor esperado ).
5. Muestreo de Gibbs
En matemáticas y física, el muestreo de Gibbs es
un algoritmo para generar una muestra aleatoria a
partir de la distribución de probabilidad conjunta de
dos o más variables aleatorias. Se trata de un caso
especial del algoritmo de Metropolis-Hastings y, por lo
tanto, del MCMC.
Recibe su nombre del físico WillardGibbs en referencia a
sus trabajos en física estadística, aunque el fue descrito
por los hermanos Stuart y Donald Geman en 1984,
alrededor de ochenta años después de la muerte de
Gibbs.