Glosario IA
El diccionario completo de la Inteligencia Artificial
MCMC (Cadenas de Markov Monte Carlo)
Clase de algoritmos de muestreo que construyen una cadena de Markov con la distribución posterior como distribución estacionaria para realizar inferencia aproximada en modelos gráficos complejos.
Algoritmo de Metropolis-Hastings
Algoritmo MCMC general que utiliza una distribución de propuesta para generar nuevos estados y acepta/rechaza estas propuestas según un criterio de probabilidad que garantiza la convergencia hacia la distribución objetivo.
Burn-in
Período inicial de muestreo MCMC durante el cual las muestras se ignoran porque la cadena aún no ha alcanzado su distribución estacionaria, eliminando la influencia del estado inicial.
Tiempo de mezcla
Número de iteraciones necesarias para que una cadena de Markov se aproxime suficientemente a su distribución estacionaria, midiendo la velocidad de convergencia de los algoritmos MCMC.
Muestreo por rechazo
Técnica de muestreo directo que genera candidatos desde una distribución envolvente y los acepta con una probabilidad proporcional al ratio de las densidades objetivo/envolvente.
Muestreo de importancia
Método Monte Carlo que utiliza pesos de importancia para corregir el sesgo introducido por el muestreo desde una distribución de propuesta diferente de la distribución objetivo.
Monte Carlo secuencial
Conjunto de algoritmos (filtros de partículas) para inferencia en modelos secuenciales, utilizando conjuntos de partículas ponderadas para aproximar las distribuciones secuenciales.
Monte Carlo Hamiltoniano
Variante MCMC avanzada que utiliza la mecánica hamiltoniana para proponer estados lejanos con alta probabilidad de aceptación, reduciendo la autocorrelación de las muestras.
Diagnóstico de Gelman-Rubin
Método estadístico que evalúa la convergencia de las cadenas MCMC comparando la varianza intra-cadena e inter-cadena, con un valor cercano a 1 indicando la convergencia.
Adelgazamiento (Thinning)
Técnica que consiste en conservar solo un subconjunto de las muestras MCMC para reducir la autocorrelación y el almacenamiento, típicamente guardando cada k-ésima muestra.
Inferencia por evidencia aproximada
Métodos de estimación de la verosimilitud marginal (evidencia) en los modelos gráficos, esenciales para la selección de modelos y el cálculo bayesiano.
Muestreo de corte
Técnica MCMC que introduce variables auxiliares para simplificar el muestreo de distribuciones complejas, particularmente útil para distribuciones multimodales.
Variante de Blackwell-MacQueen
Algoritmo de muestreo secuencial para los procesos de Dirichlet, que genera muestras según la distribución predictiva de Blackwell-MacQueen.
Muestreo antitético
Técnica de reducción de varianza que utiliza pares de muestras negativamente correlacionadas para mejorar la eficiencia de la estimación de Monte Carlo.