Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionados

Autores
Gadze, Pedro; Cernuschi Frías, 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.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
Estimación Bayesiana
filtrado óptimo
filtrado estocástico
métodos secuenciales
Monte Carlo
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/152722

id SEDICI_8982573ee037b6386b93876975d3b232
oai_identifier_str oai:sedici.unlp.edu.ar:10915/152722
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Métodos secuenciales de Monte Carlo aplicados a modelos ocultos de Markov con proceso de estado y de medición correlacionadosGadze, PedroCernuschi Frías, BrunoCiencias InformáticasEstimación Bayesianafiltrado óptimofiltrado estocásticométodos secuencialesMonte CarloEn 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.Sociedad Argentina de Informática e Investigación Operativa2010info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf1614-1625http://sedici.unlp.edu.ar/handle/10915/152722spainfo:eu-repo/semantics/altIdentifier/url/http://39jaiio.sadio.org.ar/sites/default/files/39-jaiio-ast-10.pdfinfo:eu-repo/semantics/altIdentifier/issn/1850-2806info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:39:22Zoai:sedici.unlp.edu.ar:10915/152722Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:39:22.805SEDICI (UNLP) - Universidad Nacional de La Platafalse
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
Ciencias Informáticas
Estimación Bayesiana
filtrado óptimo
filtrado estocástico
métodos secuenciales
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 Frías, Bruno
author Gadze, Pedro
author_facet Gadze, Pedro
Cernuschi Frías, Bruno
author_role author
author2 Cernuschi Frías, Bruno
author2_role author
dc.subject.none.fl_str_mv Ciencias Informáticas
Estimación Bayesiana
filtrado óptimo
filtrado estocástico
métodos secuenciales
Monte Carlo
topic Ciencias Informáticas
Estimación Bayesiana
filtrado óptimo
filtrado estocástico
métodos secuenciales
Monte Carlo
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.
Sociedad Argentina de Informática e Investigación Operativa
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/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/152722
url http://sedici.unlp.edu.ar/handle/10915/152722
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/http://39jaiio.sadio.org.ar/sites/default/files/39-jaiio-ast-10.pdf
info:eu-repo/semantics/altIdentifier/issn/1850-2806
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
1614-1625
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616267892260864
score 13.070432