ScholarGate
Assistente
Bayesian methodsBayesian / computational

Monte Carlo Sequencial para Séries Temporais

O Monte Carlo Sequencial (SMC), comumente chamado de filtro de partículas, é um método de simulação Bayesiano que rastreia o estado oculto de um sistema dinâmico à medida que as observações chegam uma a uma. Uma nuvem de amostras aleatórias ponderadas — partículas — é propagada para frente através da dinâmica do sistema, reponderada pela adequação de cada partícula para explicar a nova observação e periodicamente reamostrada para manter a representação concentrada em estados plausíveis.

Abrir no MethodMindEm breveVídeoEm breveDownload slides

Leia o método completo

Exclusivo para membros

Entre com uma conta gratuita para ler esta seção.

Entrar

Method map

The neighbourhood of related methods — select a node to explore.

Fontes

  1. 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
  2. Doucet, A., de Freitas, N., & Gordon, N. (Eds.). (2001). Sequential Monte Carlo Methods in Practice. Springer. ISBN: 978-0387951461

Como citar esta página

ScholarGate. (2026, June 3). Sequential Monte Carlo Methods for Time Series. ScholarGate. https://scholargate.app/pt/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.

Compare side by side
ScholarGateTime series sequential Monte Carlo (Sequential Monte Carlo Methods for Time Series). Recuperado em 2026-06-15 de https://scholargate.app/pt/bayesian/time-series-sequential-monte-carlo · Conjunto de dados: https://doi.org/10.5281/zenodo.20539026