Resumen

En este documento investigamos los métodos de Monte Carlo para la aproximación de las distribuciones de probabilidad posterior en modelos cinéticos estocásticos (SKMs, por sus siglas en inglés). Los SKMs son procesos de salto de Markov multivariados que modelan las interacciones entre especies en sistemas biológicos de acuerdo con un conjunto de parámetros generalmente desconocidos. El seguimiento de las poblaciones de especies junto con la estimación de los parámetros de interacción es un problema de inferencia bayesiana para el cual los métodos de Monte Carlo de cadena de Markov (MCMC) han sido una herramienta computacional típica. Específicamente, se ha demostrado que el método de MCMC de partículas (pMCMC) es efectivo, aunque computacionalmente exigente y aplicable a este problema. Recientemente, se ha demostrado que un enfoque alternativo para la computación bayesiana, a saber, la clase de muestreadores de importancia adaptativos, puede ser más eficiente que los esquemas clásicos tipo MCMC, al menos para

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Métodos de Monte Carlo; Distribuciones de probabilidad a posteriori; Modelos cinéticos estocásticos; Cadenas de Markov Monte Carlo; Muestreadores de importancia adaptativos; Redes de retroalimentación autoreguladoras
• Keywords:Monte carlo methods; Posterior probability distributions; Stochastic kinetic models; Markov chain monte carlo; Adaptive importance samplers; Autoregulatory feedback networks