Monte Carlo secuencial para series temporales
El Monte Carlo secuencial (SMC) para series temporales, comúnmente denominado filtro de partículas, es un método de simulación bayesiano que rastrea el estado oculto de un sistema dinámico a medida que las observaciones llegan una a una. Una nube de muestras aleatorias ponderadas —partículas— se propaga a través de la dinámica del sistema, se vuelve a ponderar según la capacidad de cada partícula para explicar la nueva observación y se remuestrea periódicamente para mantener la representación concentrada en estados plausibles.
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
- Gordon, N. J., Salmond, D. J., & Smith, A. F. M. (1993). Novel approach to nonlinear/non-Gaussian Bayesian state estimation. IEE Proceedings F — Radar and Signal Processing, 140(2), 107–113. DOI: 10.1049/ip-f-2.1993.0015 ↗
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.). (2001). Sequential Monte Carlo Methods in Practice. Springer. ISBN: 978-0387951461
Cómo citar esta página
ScholarGate. (2026, June 3). Sequential Monte Carlo Methods for Time Series. ScholarGate. https://scholargate.app/es/bayesian/time-series-sequential-monte-carlo
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.
- Red Bayesiana DinámicaBayesiano↔ compare
- Muestreo de GibbsBayesiano↔ compare
- Filtro de KalmanBayesiano↔ 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 →