Please use this identifier to cite or link to this item: http://hdl.handle.net/10662/17149
Full metadata record
DC FieldValueLanguage
dc.contributor.authorGonzález Velasco, Miguel-
dc.contributor.authorMinuesa Abril, Carmen-
dc.contributor.authorPuerto García, Inés María del-
dc.date.accessioned2023-03-28T08:57:33Z-
dc.date.available2023-03-28T08:57:33Z-
dc.date.issued2022-
dc.identifier.issn1578-7303-
dc.identifier.urihttp://hdl.handle.net/10662/17149-
dc.description• Financiación de acceso abierto gracias al acuerdo CRUE-CSIC con Springer Naturees_ES
dc.description.abstractNuestro objetivo es estimar la distribución posterior de los parámetros de interés para los procesos de ramificación controlada (CBP) sin conocer a priori el número máximo de descendientes. procesos de ramificación controlados (CBP) sin conocimiento previo del número máximo de descendientes que puede parir un individuo y sin cálculos explícitos de verosimilitud. Consideramos que sólo se observan los tamaños de población en cada generación y al menos el número de progenitores de progenitores de la última generación, pero se desconoce el número de descendientes producidos en cualquier generación. El enfoque propuesto es doble. En primer lugar, para estimar la progenie máxima por individuo utilizamos un algoritmo de cálculo bayesiano aproximado (ABC) para la elección del modelo. (ABC) para la elección del modelo y basado en el muestreo de importancia secuencial con los datos brutos. En segundo lugar, dada dicha estimación y aprovechando los valores simulados de la etapa anterior, aproximamos la distribución posterior de los principales parámetros de un CBP aplicando el algoritmo ABC de rechazo con un estadístico resumen adecuado y un ajuste posterior. La precisión del método propuesto se ilustra mediante de ejemplos simulados desarrollados con el software estadístico R. Además, aplicamos la metodología a dos conjuntos de datos reales que describen poblaciones con crecimiento logístico. Para ello se proponen por primera vez diferentes modelos de crecimiento poblacional basados en CBP.es_ES
dc.description.abstractOur purpose is to estimate the posterior distribution of the parameters of interest for controlled branching processes (CBPs) without prior knowledge of the maximum number of offspring that an individual can give birth to and without explicit likelihood calculations. We consider that only the population sizes at each generation and at least the number of progenitors of the last generation are observed, but the number of offspring produced by any individual at any generation is unknown. The proposed approach is twofold. Firstly, to estimate the maximum progeny per individual we make use of an approximate Bayesian computation (ABC) algorithm for model choice and based on sequential importance sampling with the raw data. Secondly, given such an estimate and taking advantage of the simulated values of the previous stage, we approximate the posterior distribution of the main parameters of a CBP by applying the rejection ABC algorithm with an appropriate summary statistic and a post-processing adjustment. The accuracy of the proposed method is illustrated by means of simulated examples developed with the statistical software R. Moreover, we apply the methodology to two real datasets describing populations with logistic growth. To this end, different population growth models based on CBPs are proposed for the first time.es_ES
dc.description.sponsorship• Ministerio de Ciencia e Innovación y Agencia Española de Investigación Proyecto 10.13039/501100011033 (I+D+i)es_ES
dc.format.extent23 p.es_ES
dc.format.mimetypeapplication/pdfen
dc.language.isoenges_ES
dc.publisherSpringeres_ES
dc.rightsAttribution-NonCommercial 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0/*
dc.subjectProceso de ramificación controladaes_ES
dc.subjectAnálisis bayesianoes_ES
dc.subjectMetodología ABCes_ES
dc.subjectMonte Carlo secuenciales_ES
dc.subjectEstadística de síntesises_ES
dc.subjectCrecimiento logísticoes_ES
dc.subjectControlled branching processes_ES
dc.subjectBayesian analysises_ES
dc.subjectABC methodologyes_ES
dc.subjectSequential Monte Carloes_ES
dc.subjectSummary statisticses_ES
dc.subjectLogistic growthes_ES
dc.titleApproximate Bayesian computation approach on the maximal offspring and parameters in controlled branching processeses_ES
dc.typearticlees_ES
dc.description.versionpeerReviewedes_ES
europeana.typeTEXTen_US
dc.rights.accessRightsopenAccesses_ES
dc.subject.unesco1209.07 Teoría de la Distribución y Probabilidades_ES
europeana.dataProviderUniversidad de Extremadura. Españaes_ES
dc.identifier.bibliographicCitationGonzález, M., Minuesa, C. & del Puerto, I. Approximate Bayesian computation approach on the maximal offspring and parameters in controlled branching processes. Rev. Real Acad. Cienc. Exactas Fis. Nat. Ser. A-Mat. 116, 147 (2022). https://doi.org/10.1007/s13398-022-01290-wes_ES
dc.type.versionpublishedVersiones_ES
dc.contributor.affiliationUniversidad Autónoma de Madrides_ES
dc.contributor.affiliationUniversidad de Extremadura. Departamento de Matemáticases_ES
dc.relation.publisherversionhttps://doi.org/10.1007/s13398-022-01290-wes_ES
dc.identifier.doi10.1007/s13398-022-01290-w-
dc.identifier.publicationtitleRevista de la Real Academia de Ciencias Exactas, Físicas y Naturales. Serie A. Matemáticases_ES
dc.identifier.publicationissue116es_ES
dc.identifier.publicationfirstpage147-1es_ES
dc.identifier.publicationlastpage147-23es_ES
dc.identifier.e-issn1579-1505-
dc.identifier.orcid0000-0001-7481-6561es_ES
dc.identifier.orcid0000-0002-8858-3145es_ES
dc.identifier.orcid0000-0002-1034-2480es_ES
Appears in Collections:DMATE - Artículos

Files in This Item:
File Description SizeFormat 
s13398-022-01290-w.pdf1,02 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons