Asimilación de datos por ensambles y tratamiento de errores: aplicaciones en modelos epidemiológicos | Defensa de tesis para optar al grado de Doctor en Ciencias de la Computación

Tribunal Especial

Titulares:

Dr. Claudio Augusto DELRIEUX (UNS)

Dr. Jorge Adrián SÁNCHEZ (CONICET)

Dr. Damián Roberto FERNÁNDEZ FERREYRA (FAMAF)

Resumen: En este trabajo abordamos uno de los desafíos principales dentro de la disciplina de la asimilación de datos: la especificación de las incertezas inherentes al modelo y a las observaciones en los sistemas parcialmente observados donde se aplican típicamente las técnicas de asimilación. Para ello presentamos el problema de asimilación de datos desde una perspectiva Bayesiana y los métodos más relevantes con especial énfasis en las técnicas basadas en ensambles. Además explicamos el efecto de los errores de modelo y observacionales sobre la performance de la asimilación de datos y las estrategias que se suelen usar para estimarlos. Proponemos un método de inferencia de estos errores basado en el algoritmo EM y lo evaluamos experimentalmente. A diferencia de las implementaciones clásicas del EM, nuestra versión incorpora observaciones una a una lo cual la hace especialmente adecuada para contextos de asimilación de datos secuencial. Tomamos a la epidemiología como campo de aplicación de las técnicas desarrolladas y estudiamos la factibilidad de su aplicación en modelos epidemiológicos compartimentales clásicos. Adicionalmente abordamos la posibilidad del uso de métodos de asimilación de datos por ensambles en modelos epidemiológicos basados en agentes. Este es un enfoque novedoso al problema ya que suele tratarse con modelos dinámicos basados en ecuaciones diferenciales. Con estos aportes mostramos el potencial de la aplicación de técnicas de asimilación de datos para estimar parámetros, errores y variables de estado en sistemas epidemiológicos.