Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados
- Autores
- Gadze, Pedro; Cernuschi Frias, Bruno
- Año de publicación
- 2010
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- En el marco del filtrado Bayesiano, se presenta un modelo en el cual el proceso de medición y el estado siguiente son condicionalmente dependientes, dado el conjunto de observaciones pasadas y el estado actual. Además se busca la distribución de predicción para este modelo, y la distribución de filtrado se halla con una simple actualización a partir de la de predicción. La distribución requerida se aproxima utilizando el muestreo secuencial de importancia, y la distribución queda representada por un conjunto de muestras aleatorias, que son obtenidas a partir de una función de importancia, y se le asigna a las mismas un peso de acuerdo a su relevancia.
Fil: Gadze, Pedro. Universidad de Buenos Aires. Facultad de Ingeniería. Departamento de Electronica; Argentina
Fil: Cernuschi Frias, Bruno. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Saavedra 15. Instituto Argentino de Matemática Alberto Calderón; Argentina
39 Jornadas Argentinas de Informática y11th Argentine Symposium on Technology
Buenos Aires
Argentina
Sociedad Argentina de Investigación Operativa, SADIO. - Materia
-
ESTIMACIÓN BAYESIANA
FILTRADO ÓPTIMO
FILTRADO ESTOCÁSTICO
MÉTODOS SECUENCIALES DE MONTE CARLO - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
- Repositorio
- Institución
- Consejo Nacional de Investigaciones Científicas y Técnicas
- OAI Identificador
- oai:ri.conicet.gov.ar:11336/184960
Ver los metadatos del registro completo
id |
CONICETDig_37ba6fc5f5911d733b9133a68747a468 |
---|---|
oai_identifier_str |
oai:ri.conicet.gov.ar:11336/184960 |
network_acronym_str |
CONICETDig |
repository_id_str |
3498 |
network_name_str |
CONICET Digital (CONICET) |
spelling |
Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionadosGadze, PedroCernuschi Frias, BrunoESTIMACIÓN BAYESIANAFILTRADO ÓPTIMOFILTRADO ESTOCÁSTICOMÉTODOS SECUENCIALES DE MONTE CARLOhttps://purl.org/becyt/ford/2.2https://purl.org/becyt/ford/2En el marco del filtrado Bayesiano, se presenta un modelo en el cual el proceso de medición y el estado siguiente son condicionalmente dependientes, dado el conjunto de observaciones pasadas y el estado actual. Además se busca la distribución de predicción para este modelo, y la distribución de filtrado se halla con una simple actualización a partir de la de predicción. La distribución requerida se aproxima utilizando el muestreo secuencial de importancia, y la distribución queda representada por un conjunto de muestras aleatorias, que son obtenidas a partir de una función de importancia, y se le asigna a las mismas un peso de acuerdo a su relevancia.Fil: Gadze, Pedro. Universidad de Buenos Aires. Facultad de Ingeniería. Departamento de Electronica; ArgentinaFil: Cernuschi Frias, Bruno. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Saavedra 15. Instituto Argentino de Matemática Alberto Calderón; Argentina39 Jornadas Argentinas de Informática y11th Argentine Symposium on TechnologyBuenos AiresArgentinaSociedad Argentina de Investigación Operativa, SADIO.Sociedad Argentina de Investigación Operativa2010info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/conferenceObjectCongresoJournalhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/184960Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados; 39 Jornadas Argentinas de Informática y11th Argentine Symposium on Technology; Buenos Aires; Argentina; 2010; 1614-16211850-2806CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/url/https://39jaiio.sadio.org.ar/sites/default/files/39-jaiio-ast-10.pdfNacionalinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-29T09:58:46Zoai:ri.conicet.gov.ar:11336/184960instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-29 09:58:47.167CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse |
dc.title.none.fl_str_mv |
Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados |
title |
Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados |
spellingShingle |
Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados Gadze, Pedro ESTIMACIÓN BAYESIANA FILTRADO ÓPTIMO FILTRADO ESTOCÁSTICO MÉTODOS SECUENCIALES DE MONTE CARLO |
title_short |
Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados |
title_full |
Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados |
title_fullStr |
Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados |
title_full_unstemmed |
Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados |
title_sort |
Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados |
dc.creator.none.fl_str_mv |
Gadze, Pedro Cernuschi Frias, Bruno |
author |
Gadze, Pedro |
author_facet |
Gadze, Pedro Cernuschi Frias, Bruno |
author_role |
author |
author2 |
Cernuschi Frias, Bruno |
author2_role |
author |
dc.subject.none.fl_str_mv |
ESTIMACIÓN BAYESIANA FILTRADO ÓPTIMO FILTRADO ESTOCÁSTICO MÉTODOS SECUENCIALES DE MONTE CARLO |
topic |
ESTIMACIÓN BAYESIANA FILTRADO ÓPTIMO FILTRADO ESTOCÁSTICO MÉTODOS SECUENCIALES DE MONTE CARLO |
purl_subject.fl_str_mv |
https://purl.org/becyt/ford/2.2 https://purl.org/becyt/ford/2 |
dc.description.none.fl_txt_mv |
En el marco del filtrado Bayesiano, se presenta un modelo en el cual el proceso de medición y el estado siguiente son condicionalmente dependientes, dado el conjunto de observaciones pasadas y el estado actual. Además se busca la distribución de predicción para este modelo, y la distribución de filtrado se halla con una simple actualización a partir de la de predicción. La distribución requerida se aproxima utilizando el muestreo secuencial de importancia, y la distribución queda representada por un conjunto de muestras aleatorias, que son obtenidas a partir de una función de importancia, y se le asigna a las mismas un peso de acuerdo a su relevancia. Fil: Gadze, Pedro. Universidad de Buenos Aires. Facultad de Ingeniería. Departamento de Electronica; Argentina Fil: Cernuschi Frias, Bruno. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Saavedra 15. Instituto Argentino de Matemática Alberto Calderón; Argentina 39 Jornadas Argentinas de Informática y11th Argentine Symposium on Technology Buenos Aires Argentina Sociedad Argentina de Investigación Operativa, SADIO. |
description |
En el marco del filtrado Bayesiano, se presenta un modelo en el cual el proceso de medición y el estado siguiente son condicionalmente dependientes, dado el conjunto de observaciones pasadas y el estado actual. Además se busca la distribución de predicción para este modelo, y la distribución de filtrado se halla con una simple actualización a partir de la de predicción. La distribución requerida se aproxima utilizando el muestreo secuencial de importancia, y la distribución queda representada por un conjunto de muestras aleatorias, que son obtenidas a partir de una función de importancia, y se le asigna a las mismas un peso de acuerdo a su relevancia. |
publishDate |
2010 |
dc.date.none.fl_str_mv |
2010 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/conferenceObject Congreso Journal http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
status_str |
publishedVersion |
format |
conferenceObject |
dc.identifier.none.fl_str_mv |
http://hdl.handle.net/11336/184960 Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados; 39 Jornadas Argentinas de Informática y11th Argentine Symposium on Technology; Buenos Aires; Argentina; 2010; 1614-1621 1850-2806 CONICET Digital CONICET |
url |
http://hdl.handle.net/11336/184960 |
identifier_str_mv |
Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados; 39 Jornadas Argentinas de Informática y11th Argentine Symposium on Technology; Buenos Aires; Argentina; 2010; 1614-1621 1850-2806 CONICET Digital CONICET |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/url/https://39jaiio.sadio.org.ar/sites/default/files/39-jaiio-ast-10.pdf |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ |
dc.format.none.fl_str_mv |
application/pdf application/pdf |
dc.coverage.none.fl_str_mv |
Nacional |
dc.publisher.none.fl_str_mv |
Sociedad Argentina de Investigación Operativa |
publisher.none.fl_str_mv |
Sociedad Argentina de Investigación Operativa |
dc.source.none.fl_str_mv |
reponame:CONICET Digital (CONICET) instname:Consejo Nacional de Investigaciones Científicas y Técnicas |
reponame_str |
CONICET Digital (CONICET) |
collection |
CONICET Digital (CONICET) |
instname_str |
Consejo Nacional de Investigaciones Científicas y Técnicas |
repository.name.fl_str_mv |
CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas |
repository.mail.fl_str_mv |
dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar |
_version_ |
1844613749224243200 |
score |
13.070432 |