Ejemplos ?
Estos modelos son combinados con algoritmos de optimización tales como EM (expectation maximization) o MCMC (Markov Chain Monte Carlo).
Este problema ha sido parcialmente mitigado por el desarrollo de la inferencia bayesiana basada en simulaciones, especialmente usando técnicas como la de MCMC (Cadenas de Markov de Montecarlo).
Los errores no son gaussianos, y han sido derivados usando un análisis de cadenas de Markov Monte Carlo (MCMC) por la colaboración de W ilkinson M icrowave A nisotropy P robe (Spergel y otros.
Los algoritmos evolutivos se han utilizado para evitar decisiones óptimas locales y buscar en el espacio del árbol de decisiones con poco un sesgo priori. También es posible para un árbol ser muestreado utilizando MCMC.
Los algoritmos de inferencia aproximada más comunes son muestreo de importancia, simulación estocástica MCMC (Markov Chain Monte Carlo), eliminación mini-cubo, LBP (Loopy Belief Propagation), GBP (Generalized Belief Propagation), y los métodos variacionales.
Sin embargo, es muy recomendable además estudiar la convergencia de las cadenas MCMC a posteriori con herramientas adecuadas desarrolladas a tal efecto, como AWTY.
Además, una alternativa a la ejecución de un análisis completo de cada modelo escogiendo luego entre ellos, en función de las probabilidades estimadas y factor Bayes que presentan los mismos, consiste en llevar a cabo un solo análisis bayesiano que explore los modelos en un espacio predefinido de éstos (reversible-jump MCMC).
En el caso de la IB, utilizamos algoritmos MCMC (o Markov Chain Monte Carlo) para obtener una aproximación de la distribución de la probabilidad posterior.
Los MCMC son algoritmos de simulación estocástica que evitan el cálculo directo de las probabilidades posteriores y permiten obtener una muestra de la distribución posterior.
De manera análoga a cómo opera la búsqueda heurística por MV (máxima verosimilitud), la cadena MCMC de la IB parte de un árbol al azar (combinación al azar de topología, longitudes de rama y parámetros del modelo) y realiza un cierto número de visitas a árboles concretos.
Tras esta fase inicial, las cadenas MCMC alcanzan una fase estacionaria donde los árboles muestreados tienen una probabilidad posterior elevada.
MrBayes utiliza una simulación, no sólo implementando el algoritmo estándar para análisis filogenético bayesiano de cadenas de Markov a través del método de Monte Carlo o MCMC (Markov chain Monte Carlo), si no también una variante más eficaz en la búsqueda de árboles filogenéticos, el algoritmo Metropoli-coupled Markov chain Monte Carlo.