Glosario IA
El diccionario completo de la Inteligencia Artificial
Muestreo de Metropolis-Hastings
Algoritmo MCMC que genera muestras a partir de una distribución de probabilidad construyendo una cadena de Markov cuya distribución estacionaria es la distribución objetivo. Utiliza una razón de aceptación para decidir si una nueva muestra es aceptada o rechazada.
Método de rechazo
Técnica de muestreo donde los puntos se extraen de una distribución propuesta y se aceptan con una probabilidad proporcional a la razón entre la densidad objetivo y la densidad propuesta. Particularmente eficaz para muestrear distribuciones complejas.
Algoritmo de Robbins-Monro
Método de aproximación estocástica para encontrar las raíces de ecuaciones cuando solo el ruido en las observaciones está disponible. Converge hacia la solución con un paso adaptativo decreciente que garantiza la convergencia casi segura.
Métodos de cuasi-Monte Carlo
Variantes deterministas de los métodos Monte Carlo que utilizan secuencias de baja discrepancia en lugar de números aleatorios puros. Ofrecen una convergencia más rápida en dimensiones moderadas mientras preservan las propiedades de uniformidad.
Proceso de Poisson
Proceso estocástico de conteo que modela la ocurrencia de eventos raros e independientes con una tasa constante. Fundamental en la simulación de fenómenos de llegada y en optimización estocástica.
Optimización estocástica por gradiente
Método de optimización iterativo que utiliza estimaciones ruidosas del gradiente para avanzar hacia el óptimo. Particularmente adecuado para problemas de alta dimensión donde el cálculo del gradiente exacto es costoso.
Reducción de varianza
Conjunto de técnicas destinadas a disminuir la varianza de los estimadores Monte Carlo sin aumentar el número de muestras. Incluye el muestreo antitético, el control y la estratificación para mejorar la eficiencia computacional.
Método antitético
Técnica de reducción de varianza que utiliza pares de muestras negativamente correlacionadas para cancelar parcialmente las variaciones. Particularmente eficaz para funciones monótonas e integrales simétricas.
Muestreo residual
Método de muestreo ponderado que garantiza una cardinalidad exacta de las muestras mientras preserva los pesos de importancia. Combina muestreo sistemático y asignación residual para una varianza mínima.
Método de Nelder-Mead estocástico
Adaptación estocástica del algoritmo simplex de Nelder-Mead que incorpora perturbaciones aleatorias para escapar de los mínimos locales. Combina la eficiencia del simplex con la robustez de la exploración aleatoria.
Algoritmo genético estocástico
Método de optimización evolutiva que utiliza operadores genéticos probabilísticos (selección, cruce, mutación) para explorar el espacio de búsqueda. La selección estocástica mantiene la diversidad genética y evita la convergencia prematura.