Um convite para a teoria de convergência adaptativa de cadeias de Markov Monte Carlo

Os algoritmos adaptativos de cadeias de Markov Monte Carlo (MCMC), que ajustam automaticamente seus parâmetros com base em amostras passadas, provaram ser extremamente úteis na prática. O mecanismo de autoajuste os torna `não-Markovianos', o que significa que sua validade não pode ser garantida pela teoria padrão de cadeias de Markov. Várias técnicas diferentes foram sugeridas para analisar suas propriedades teóricas, muitas das quais são tecnicamente complexas. A natureza técnica da teoria pode tornar os métodos desnecessariamente pouco atraentes. Discutimos uma técnica - baseada em uma decomposição martingale - com transições de Markov uniformemente ergódicas. Fornecemos um tratamento acessível e autocontido nesse contexto, e damos provas detalhadas dos resultados discutidos no artigo, que apenas requerem uma compreensão básica da teoria dos martingales e conceitos gerais de cadeias de Markov no espaço de estados. Ilustramos como nossas condições podem acomodar diferentes tipos de esquemas de adaptação e podem oferecer insights úteis sobre os requisitos que garantem sua validade.