En la memoria se aborda el desarrollo de un esquema aproximado de inferencia basado en simulación por Monte Carlo, en el cual la simulación utilice, si es posible, toda la información disponible sobre el modelo, Esto conlleva la incorporación de una fase de recopilación de información previa a la simulación.
Se propone un método aproximado de inferencia basado en muestreo por importancia, y que incorpora una fase de recopilación de información llamada precomputación aproximada. Esta fase es como una propagación basada en eliminación de variables, que lleva a la obtención de funciones de muestreo próximas a las exactas. Se comprueba experimentalmente que los nuevos métodos ofrecen mejores resultados que los existentes.
La técnica de precomputación aproximada se aplica posteriormente al caso en que la simulación está dirigida mediante muestreo estratificado. En este caso los beneficios son similares a los del caso del muestreo por importancia. Ademas, se propone un esquema de organización de la simulación llamado muestreo estratificado recursivo, que elimina los problemas de precisión cuando aumenta el número de variables que forman el modelo.
Se pasa entonces al estudio de la aplicación de árboles de probabilidad para mejorar la fase de precomputación aproximada.
Las técnicas desarrolladas para el caso de probabilidades se extienden al caso de la Teoría de la Evidencia. Para realizar las operaciones de forma eficiente se construye una representación dispersa para las mismas, denominada representación por semi retículo.
© 2008-2024 Fundación Dialnet · Todos los derechos reservados