Monte Carlo Secuencial con Error de Medición
El Monte Carlo Secuencial (SMC, por sus siglas en inglés) con error de medición es un método de filtrado bayesiano basado en partículas para el seguimiento de estados ocultos en sistemas dinámicos cuando las observaciones están corrompidas por ruido. Propaga una nube ponderada de partículas a través del tiempo, actualizando los pesos en cada paso para reflejar cuán bien cada partícula explica la medición ruidosa, y produce una distribución posterior completa sobre el estado latente en cada punto temporal.
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
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.). (2001). Sequential Monte Carlo Methods in Practice. Springer New York. ISBN: 978-0-387-95146-1
- Cappe, O., Godsill, S. J., & Moulines, E. (2007). An overview of existing methods and recent advances in sequential Monte Carlo. Proceedings of the IEEE, 95(5), 899-924. DOI: 10.1109/JPROC.2007.893250 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Sequential Monte Carlo with Measurement Error. ScholarGate. https://scholargate.app/es/bayesian/sequential-monte-carlo-with-measurement-error
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 con error de mediciónBayesiano↔ compare
- Inferencia Bayesiana DinámicaBayesiano↔ compare
- Filtro de Kalman con error de mediciónBayesiano↔ compare
- Cadenas de Markov Monte Carlo (MCMC)Simulación↔ compare
- Filtro de Partículas (Monte Carlo Secuencial)Bayesiano↔ compare
- Monte Carlo SecuencialBayesiano↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →