MCMC para Series Temporales
El MCMC para series temporales aplica métodos de Monte Carlo de cadenas de Markov a la inferencia bayesiana sobre datos ordenados cronológicamente. En lugar de optimizar una única estimación de parámetro, extrae muestras de la distribución posterior conjunta completa de parámetros y estados latentes, produciendo distribuciones de probabilidad que reflejan honestamente la incertidumbre sobre la dinámica, las tendencias y los patrones estacionales 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
- Carter, C. K. & Kohn, R. (1994). On Gibbs sampling for state space models. Biometrika, 81(3), 541–553. DOI: 10.1093/biomet/81.3.541 ↗
- West, M. & Harrison, J. (1997). Bayesian Forecasting and Dynamic Models (2nd ed.). Springer. ISBN: 978-0387947259
Cómo citar esta página
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Time Series Models. ScholarGate. https://scholargate.app/es/bayesian/time-series-mcmc
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
- Hamiltonian Monte CarloBayesiano↔ compare
- Filtro de KalmanBayesiano↔ compare
- Filtro de Partículas (Monte Carlo Secuencial)Bayesiano↔ compare
- Monte Carlo SecuencialBayesiano↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →