Durante mi estancia en la Universidad de Manchester, desarrollaré un modelo probabilístico no paramétrico para datos estructurados en grafos, con especial aplicación a microrredes eléctricas. Este modelo se basa en una extensión novedosa de los Gaussian Processes Multitarea (MTGPs), donde cada nodo se modela como un GP condicionalmente independiente dado su vecindario, integrando atributos de nodos y aristas a través del kernel. A diferencia de las redes neuronales en grafos (GNNs), este enfoque permite incorporar la incertidumbre inherente a sistemas reales como las redes eléctricas, donde factores como la generación renovable introducen variabilidad estocástica. La estancia tiene como objetivos: (1) formalizar rigurosamente el modelo, con el apoyo del grupo anfitrión experto en aprendizaje probabilístico; (2) implementar el modelo en Python usando GPyTorch; y (3) validarlo experimentalmente mediante datos sintéticos y de referencia (IEEE9 e IEEE14), evaluando precisión, eficiencia computacional y calibración probabilística. Como plan de contingencia, los experimentos con datos reales se pospondrían hasta mi regreso, priorizando el avance teórico durante la estancia. La elección del grupo de Manchester se basa en su reconocido liderazgo en modelos probabilísticos, en particular el trabajo del Dr. Mauricio Álvarez en MTGPs. Esta colaboración fortalecerá mi línea de investigación, permitirá la publicación de resultados conjuntos de alto impacto, y aportará valor a mi grupo y departamento mediante la transferencia de conocimiento y metodologías avanzadas.