Los métodos Monte Carlo mediante cadenas de Markov se estiman a menudo como demasiado intensivos en términos computacionales para tener algún uso práctico para grandes conjuntos de datos. En este documento se describe una metodología que pretende escalar el algoritmo Metropolis-Hastings (MH) en este contexto. Se propone una implementación aproximada del paso aceptar/rechazar del MH que requiera únicamente evaluar la probabilidad de un subconjunto aleatorio de los datos, aunque se garantiza que coincida con el paso aceptar/rechazar fundamentado en el conjunto de datos completo con una probabilidad superior al nivel de tolerancia especificado por el usuario.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Diseño probabilístico de turbinas eólicas
Artículo:
Oportunidades de recuperación de calor en un matadero de aves de corral para la generación de agua caliente: un estudio de caso sobre la producción de energía
Artículo:
Usando herramientas de mantenimiento predictivo para descubrir cavitación en las bombas
Artículo:
Detección no invasiva de la cavitación en calles de vórtices
Video:
Lección 38: programación lineal entera mixta
Artículo:
Implementación de una propuesta de aprendizaje significativo de la cinemática a través de la resolución de problemas
Artículo:
Calidad sanitaria sostenible y satisfacción laboral a través de la cultura organizativa: Enfoques y resultados
Artículo:
Un modelo de gestión de inventarios basado en estrategia competitiva
Artículo:
Fibras textiles