Os algoritmos de Monte Carlo via Cadeias de Markov (MCMC) são amplamente utilizados na modelagem bayesiana com o objetivo de obter amostras da distribuição a posteriori das quantidades de interesse. Dois exemplos de algoritmos nesta classe são os chamados Gibbs Sampling e Metropolis-Hastings.
Sobre estes algoritmos,é correto afirmar que
A
o Metropolis-Hastings exige amostragem exata de cada parâmetro, enquanto o Gibbs é baseado em aceitação/rejeição de propostas.
B
o amostrador de Gibbs é utilizado quando as distribuições condicionais completas são conhecidas e é possível obter amostras das mesmas a cada iteração.
C
o algoritmo de Metropolis-Hastings gera amostras independentes entre si.
D
os algoritmos Gibbs Sampling e Metropolis-Hastings não podem ser usados em conjunto.
E
o algoritmo Gibbs Sampling gera amostras independentes entre si.
O amostrador de Gibbs, um algoritmo sequencial de Monte
Carlo, permite simular a distribuição a priori do parâmetro θ,
desde que a forma funcional da sua função de densidade, ƒ(θ),
seja conhecida.
