Glossário IA
O dicionário completo da Inteligência Artificial
Suavização Bayesiana
Técnica de estimação a posteriori dos estados ocultos de uma série temporal utilizando o conjunto de observações passadas e futuras. Ao contrário da filtragem que utiliza apenas as observações passadas, a suavização fornece estimativas mais precisas ao explorar a informação completa da série.
Modelo de Espaços de Estados Bayesiano
Estrutura probabilística que modela séries temporais como um processo latente não observável que evolui num espaço de estados, com observações dependendo desses estados. A abordagem bayesiana permite inferir os parâmetros do modelo e os estados ocultos simultaneamente, quantificando a incerteza.
Métodos de Monte Carlo por Cadeias de Markov (MCMC) Temporais
Técnicas de amostragem adaptadas para inferência em modelos bayesianos de séries temporais, onde as cadeias de Markov exploram o espaço dos parâmetros e dos estados ocultos. Elas permitem aproximar distribuições a posteriori complexas quando soluções analíticas são impossíveis.
Filtro de Partículas Bayesiano
Algoritmo de filtragem sequencial para modelos não lineares e não gaussianos, utilizando um conjunto de partículas ponderadas para representar a distribuição de probabilidade do estado. É particularmente adequado para modelos bayesianos onde a aproximação gaussiana do filtro de Kalman é inválida.
Previsão por Distribuição Preditiva
Abordagem bayesiana onde a previsão não é um ponto único, mas uma distribuição de probabilidade completa que integra a incerteza dos parâmetros e do ruído. Permite gerar intervalos de credibilidade e cenários probabilísticos para valores futuros.
Processo Gaussiano Temporal
Abordagem não paramétrica bayesiana onde a função subjacente da série temporal é modelada como um processo gaussiano com uma função de covariância temporal. Oferece uma flexibilidade notável para capturar padrões complexos, ao mesmo tempo que fornece incertezas analíticas sobre as previsões.
Inferência Variacional para Séries Temporais
Método de aproximação determinística das distribuições a posteriori em modelos bayesianos de séries temporais, otimizando uma família de distribuições simples para minimizar a divergência em relação à verdadeira distribuição. Constitui uma alternativa mais rápida que o MCMC para grandes conjuntos de dados.
Modelo de Mudança de Regime Bayesiano
Classe de modelos onde os parâmetros do processo gerador podem mudar de acordo com uma cadeia de Markov oculta, com inferência bayesiana para estimar os regimes e suas probabilidades. São particularmente adequados para séries temporais que apresentam comportamentos heterogêneos ou rupturas estruturais.
Filtro de Rauch-Tung-Striebel (RTS) Bayesiano
Algoritmo de suavização ótimo para modelos lineares gaussianos, realizando uma passagem para trás nas estimativas do filtro de Kalman para incorporar informações futuras. No contexto bayesiano, ele fornece as distribuições a posteriori exatas dos estados ocultos condicionalmente a todas as observações.
Modelo de Volatilidade Estocástica Bayesiano
Especificação bayesiana onde a variância do ruído de uma série temporal evolui de acordo com um processo estocástico latente, frequentemente modelado por um AR(1). A abordagem bayesiana permite uma inferência rigorosa sobre a volatilidade passada e futura, essencial em finanças e econometria.
Previsão Agregada Bayesiana (BMA)
Método que combina vários modelos de previsão usando probabilidades a posteriori bayesianas como pesos, integrando tanto a incerteza dos modelos quanto a dos parâmetros. Frequentemente supera os modelos individuais ao explorar suas forças complementares.
Modelo de Duração Bayesiano
Abordagem bayesiana para modelar o tempo decorrido entre eventos em uma série temporal, utilizando distribuições como Weibull ou log-logística com parâmetros aleatórios. Permite incorporar covariáveis e quantificar a incerteza sobre os tempos de ocorrência futuros.
Inferência Online Bayesiana
Paradigma de inferência sequencial onde as distribuições a posteriori são atualizadas à medida que novas observações chegam, sem a necessidade de reanalisar todos os dados passados. É crucial para aplicações em tempo real, como detecção de anomalias ou rastreamento de estados.