Algoritmos Markov Chain Monte Carlo para Aprendizagem de Parâmetros de Modelos Epidemiológicos Compartimentais

• Processo: 21/07725-7
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de outubro de 2021
• Data de Término da vigência: 30 de setembro de 2022
• Área de conhecimento: Engenharias - Engenharia Elétrica
• Pesquisador responsável: Vitor Heloiz Nascimento
• Beneficiário: Jonathan Pereira Maria
• Instituição Sede: Escola Politécnica (EP). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Assunto(s): Pandemias COVID-19 Estimação de parâmetros Processamento de sinais Processos de Markov Método de Monte Carlo Modelos matemáticos Modelos epidemiológicos
• Palavra(s)-Chave do Pesquisador: Covid-19 | Estimação bayesiana | Filtros de Partículas | Identificação de Parâmetros | Markov-Chain Monte Carlo | modelos epidemiológicos | Processamento de sinais

Resumo

Com a pandemia de COVID-19, o interesse em modelos matemáticos para epidemias cresceu enormemente no último ano. Também vieram à tona diversas questões com relação aos problemas de identificação dos parâmetros dos modelos, e de verificação da capacidade desses modelos para previsão das consequências possíveis de diferentes medidas tomadas pelas autoridades sanitárias.Neste trabalho propõe-se implementar modelos epidemiológicos determinísticos e estocásticos, e algoritmos de estimação de parâmetros baseados em Markov Chain Monte Carlo (MCMC) e Particle Markov Chain Monte Carlo (PMCMC) usando a linguagem Julia e pacotes como Stan, Birch e Turing. Será testada a capacidade dos algoritmos de identificar os parâmetros dos modelos a partir de dados simulados, procurando aproximar as observações que são disponíveis na prática, como número de casos confirmados, número de hospitalizações ou número de mortes.