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:
Una guía para modelos de programación entera mixta y técnicas de solución
Artículo:
Soldadura con gas inerte de tungsteno de flujo activo de acero inoxidable austenítico AISI 304
Video:
Optimización y simulación. Optimización multiobjetivo, parte 1
Artículo:
Parámetros tecnológicos de la fundición a presión y calidad de la fundición de aleación EN AC46500
Artículo:
Sobre la aproximabilidad de la optimización convexa robusta ajustable bajo incertidumbre