Capítulo 18. Priores conjugados
Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com
En los capítulos anteriores hemos utilizado aproximaciones de malla para resolver diversos problemas. Uno de mis objetivos ha sido demostrar que esta aproximación es suficiente para resolver muchos problemas del mundo real. Y creo que es un buen punto de partida porque muestra claramente cómo funcionan los métodos.
Sin embargo, como vimos en el capítulo anterior, los métodos de rejilla sólo te llevarán hasta cierto punto. A medida que aumentamos el número de parámetros, el número de puntos de la malla crece (literalmente) exponencialmente. Con más de 3-4 parámetros, los métodos de rejilla se vuelven poco prácticos.
Así pues, en los tres capítulos restantes, presentaré tres alternativas:
-
En este capítulo, utilizaremos priores conjugados para acelerar algunos de los cálculos que ya hemos hecho.
-
En el próximo capítulo, presentaré los métodos de Monte Carlo en cadena de Markov (MCMC), que pueden resolver problemas con decenas de parámetros, o incluso cientos, en un tiempo razonable.
-
Y en el último capítulo, utilizaremos el Cálculo Bayesiano Aproximado (ABC) para problemas difíciles de modelizar con distribuciones simples.
Empezaremos con el Problema de la Copa del Mundo.
El problema de la Copa del Mundo revisado
En el Capítulo 8, resolvimos el Problema de la Copa del Mundo utilizando un proceso de Poissonpara modelar los goles ...
Get Piensa en Bayes, 2ª Edición now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
