Resumen

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.

• Materias:Análisis de contenido Administración Investigación operacional
• Subjects:Subject analysis Management Operations research
• Palabras claves:Ciencias de la administración, Análisis de markov, cadenas de markov, Métodos monte carlo mediante cadenas de markov, Algoritmo metropolis-hastings, Submuestreo adaptativo
• Keywords:Administration sciences, Markov analysis, Markov chains, Monte carlo methods using markov chains, Metropolis-hastings algorithm, Adaptive subsampling