Glosario IA
El diccionario completo de la Inteligencia Artificial
Suavizado Bayesiano
Técnica de estimación a posteriori de los estados ocultos de una serie temporal utilizando el conjunto de observaciones pasadas y futuras. A diferencia del filtrado que solo utiliza observaciones pasadas, el suavizado proporciona estimaciones más precisas al explotar la información completa de la serie.
Modelo de Espacios de Estados Bayesiano
Marco probabilístico que modela las series temporales como un proceso latente no observable que evoluciona en un espacio de estados, con observaciones dependientes de estos estados. El enfoque bayesiano permite inferir simultáneamente los parámetros del modelo y los estados ocultos cuantificando la incertidumbre.
Métodos de Monte Carlo mediante Cadenas de Markov (MCMC) Temporales
Técnicas de muestreo adaptadas para la inferencia en modelos bayesianos de series temporales, donde las cadenas de Markov exploran el espacio de parámetros y estados ocultos. Permiten aproximar distribuciones a posteriori complejas cuando las soluciones analíticas son imposibles.
Filtro de Partículas Bayesiano
Algoritmo de filtrado secuencial para modelos no lineales y no gaussianos, utilizando un conjunto de partículas ponderadas para representar la distribución de probabilidad del estado. Es particularmente adecuado para modelos bayesianos donde la aproximación gaussiana del filtro de Kalman no es válida.
Pronóstico por Distribución Predictiva
Enfoque bayesiano donde el pronóstico no es un punto único sino una distribución de probabilidad completa que integra la incertidumbre de los parámetros y del ruido. Permite generar intervalos de credibilidad y escenarios probabilísticos para valores futuros.
Proceso Gaussiano Temporal
Enfoque bayesiano no paramétrico donde la función subyacente de la serie temporal se modela como un proceso gaussiano con una función de covarianza temporal. Ofrece una flexibilidad notable para capturar patrones complejos mientras proporciona incertidumbres analíticas sobre los pronósticos.
Inferencia Variacional para Series Temporales
Método de aproximación determinista de las distribuciones a posteriori en modelos bayesianos de series temporales, optimizando una familia de distribuciones simples para minimizar la divergencia respecto a la distribución verdadera. Constituye una alternativa más rápida que el MCMC para grandes conjuntos de datos.
Modelo de Cambio de Régimen Bayesiano
Clase de modelos donde los parámetros del proceso generador pueden cambiar según una cadena de Markov oculta, con inferencia bayesiana para estimar los regímenes y sus probabilidades. Son particularmente adecuados para series temporales que presentan comportamientos heterogéneos o rupturas estructurales.
Filtro de Rauch-Tung-Striebel (RTS) Bayesiano
Algoritmo de suavizado óptimo para modelos lineales gaussianos, que realiza un paso hacia atrás sobre las estimaciones del filtro de Kalman para incorporar información futura. En el marco bayesiano, proporciona las distribuciones a posteriori exactas de los estados ocultos condicionados a todas las observaciones.
Modelo de Volatilidad Estocástica Bayesiano
Especificación bayesiana donde la varianza del ruido de una serie temporal evoluciona según un proceso estocástico latente, frecuentemente modelado mediante un AR(1). El enfoque bayesiano permite una inferencia rigurosa sobre la volatilidad pasada y futura, esencial en finanzas y econometría.
Pronóstico Agregado Bayesiano (BMA)
Método que combina múltiples modelos de pronóstico utilizando las probabilidades a posteriori bayesianas como pesos, integrando tanto la incertidumbre de los modelos como la de los parámetros. A menudo supera a los modelos individuales al explotar sus fortalezas complementarias.
Modelo de Duración Bayesiano
Enfoque bayesiano para modelar el tiempo transcurrido entre eventos en una serie temporal, utilizando distribuciones como Weibull o log-logística con parámetros aleatorios. Permite incorporar covariables y cuantificar la incertidumbre sobre los tiempos de ocurrencia futuros.
Inferencia Online Bayesiana
Paradigma de inferencia secuencial donde las distribuciones a posteriori se actualizan a medida que llegan nuevas observaciones, sin necesidad de reanalizar todos los datos pasados. Es crucial para aplicaciones en tiempo real como detección de anomalías o seguimiento de estados.