En este artículo analizaremos el método de muestreo por cortes (slice sampling), un algoritmo MCMC adaptativo que ajusta de forma autónoma los parámetros de muestreo. Su eficacia se ha demostrado en modelos bayesianos de regresión lineal y logística, y los resultados se comparan con los métodos frecuentistas clásicos.
Los métodos de Monte Carlo basados en cadenas de Markov (MCMC) se utilizan ampliamente para realizar muestreos a partir de distribuciones multidimensionales complejas, especialmente en la estadística bayesiana. Los algoritmos clásicos, como el muestreo de Gibbs o el algoritmo de Metropolis, suelen requerir una configuración previa minuciosa. En el primer caso, es necesario obtener expresiones analíticas para todas las distribuciones condicionales completas, mientras que en el segundo hay que seleccionar minuciosamente la escala y la forma de la distribución propuesta. Esto dificulta su uso rápido y eficaz en la práctica diaria.
En este artículo se analiza el método de muestreo por cortes (slice sampling), una variante adaptativa de MCMC. Su principal ventaja radica en que se adapta automáticamente a las características de la distribución objetivo, lo que elimina la necesidad de ajustar manualmente parámetros como la anchura de paso.
Tras una descripción detallada del algoritmo y su implementación en el entorno MQL5, lo pondremos a prueba en modelos bayesianos de regresión lineal y logística, comparando los resultados con los métodos frecuentistas clásicos, que proporcionan estimaciones puntuales de los parámetros.
Para iniciar sesión y usar el sitio web MQL5.com es necesario permitir el uso de Сookies.
Por favor, active este ajuste en su navegador, de lo contrario, no podrá iniciar sesión.
Ha iniciado sesión. La autenticación de dos factores se ha desactivado. Vuelva a configurarla y escanee un nuevo código QR, o continúe con la autenticación de dos factores desactivada.
Artículo publicado Métodos de muestreo MCMC: Algoritmo de muestreo por cortes (Slice sampling):
Los métodos de Monte Carlo basados en cadenas de Markov (MCMC) se utilizan ampliamente para realizar muestreos a partir de distribuciones multidimensionales complejas, especialmente en la estadística bayesiana. Los algoritmos clásicos, como el muestreo de Gibbs o el algoritmo de Metropolis, suelen requerir una configuración previa minuciosa. En el primer caso, es necesario obtener expresiones analíticas para todas las distribuciones condicionales completas, mientras que en el segundo hay que seleccionar minuciosamente la escala y la forma de la distribución propuesta. Esto dificulta su uso rápido y eficaz en la práctica diaria.
En este artículo se analiza el método de muestreo por cortes (slice sampling), una variante adaptativa de MCMC. Su principal ventaja radica en que se adapta automáticamente a las características de la distribución objetivo, lo que elimina la necesidad de ajustar manualmente parámetros como la anchura de paso.
Tras una descripción detallada del algoritmo y su implementación en el entorno MQL5, lo pondremos a prueba en modelos bayesianos de regresión lineal y logística, comparando los resultados con los métodos frecuentistas clásicos, que proporcionan estimaciones puntuales de los parámetros.
Autor: Evgeniy Chernish