8.5 Resumen
Capítulo 8 en revisión
El Capítulo 8 desmitificó Markov Chain Monte Carlo (MCMC). La idea clave es que una cadena de Markov puede muestrear de cualquier distribución, incluyendo una distribución a posteriori, sin conocer la constante de normalización.
Cubrimos:
-
El buen rey Markov (Sección 8.1): El algoritmo de Metropolis — proponer, aceptar/rechazar basándose en cocientes de probabilidad. Solo necesita cocientes, no la constante de normalización.
-
MCMC (Sección 8.2): Metropolis-Hastings generaliza el algoritmo con propuestas arbitrarias. El muestreo de Gibbs actualiza parámetros condicionalmente. MCMC funciona para cualquier forma de distribución a posteriori.
-
HMC (Sección 8.3): Hamiltonian Monte Carlo usa información del gradiente para explorar eficientemente. Simula una analogía física — posición y momento sobre la superficie de la log-distribución a posteriori. Implementado vía Stan/
ulam. -
Diagnósticos (Sección 8.4): R-hat ≈ 1 para convergencia, ESS > 1000 para eficiencia, gráficos de traza para inspección visual, divergencias para problemas de curvatura. La parametrización no centrada soluciona problemas comunes.
Lecciones clave
- MCMC muestrea de la distribución a posteriori en lugar de aproximarla.
- Solo necesita cocientes de probabilidades — sin constante de normalización.
- HMC es mucho más eficiente que los métodos de caminata aleatoria porque usa información del gradiente.
- Siempre revise R-hat, ESS, gráficos de traza y divergencias antes de reportar resultados.
- La reparametrización (centrado, no centrada) es la solución más común para problemas de convergencia.
MCMC es el motor de la estadística bayesiana moderna. Antes de MCMC, la inferencia bayesiana estaba limitada a distribuciones a priori conjugadas y modelos simples. Con MCMC, podemos ajustar cualquier modelo que podamos escribir. Esta libertad es poderosa, pero viene con responsabilidad: la cadena debe converger, los diagnósticos deben estar limpios, y los resultados deben interpretarse con la misma humildad que cualquier otro método estadístico. MCMC no es magia — es un motor. Y como cualquier motor, necesita cuidado y alimentación.