Inferência On-Line para Modelos de Markov Ocultos via Filtros de Partículas

Resumo Consideramos a análise bayesiana on-line de dados usando um modelo de Markov oculto, onde a inferência é tratável condicional à história do estado do componente oculto. Um novo algoritmo de filtro de partículas é introduzido e mostrado para produzir resultados promissores ao analisar dados desse tipo. O algoritmo é semelhante ao filtro de Kalman misturado, mas utiliza um algoritmo de reamostragem diferente. Provamos que este algoritmo de reamostragem é computacionalmente eficiente e ótimo, entre algoritmos de reamostragem não enviesados, em termos de minimizar uma função de perda de erro quadrático. Em um exemplo prático, que envolve a estimação de pontos de quebra a partir de dados de perfuração, nosso novo filtro de partículas supera dois outros filtros de partículas, um dos quais é o filtro de Kalman misturado, em entre uma e duas ordens de magnitude.