Algoritmo Dinámico de Metropolis-Hastings
El algoritmo Dinámico de Metropolis-Hastings (Dynamic MH) aplica el muestreador MCMC de Metropolis-Hastings a modelos bayesianos de espacio de estados y parámetros que varían en el tiempo. En cada paso de tiempo, los estados latentes o los parámetros en evolución se actualizan mediante movimientos de propuesta y aceptación, produciendo distribuciones posteriores completas sobre trayectorias en lugar de estimaciones filtradas únicas.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- Hastings, W. K. (1970). Monte Carlo sampling methods using Markov chains and their applications. Biometrika, 57(1), 97–109. DOI: 10.1093/biomet/57.1.97 ↗
- Carlin, B. P., Polson, N. G., & Stoffer, D. S. (1992). A Monte Carlo approach to nonnormal and nonlinear state-space modeling. Journal of the American Statistical Association, 87(418), 493–500. DOI: 10.1080/01621459.1992.10475231 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Dynamic Metropolis-Hastings Algorithm for Time-Varying Models. ScholarGate. https://scholargate.app/es/bayesian/dynamic-metropolis-hastings-algorithm
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Inferencia Bayesiana DinámicaBayesiano↔ compare
- Muestreo de GibbsBayesiano↔ compare
- Filtro de KalmanBayesiano↔ compare
- Algoritmo de Metropolis-HastingsBayesiano↔ compare
- Filtro de Partículas (Monte Carlo Secuencial)Bayesiano↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →