La estimación de parámetros de sistemas dinámicos turbulentos no lineales complejos utilizando solo series temporales parcialmente observadas es un tema desafiante. La no linealidad y las observaciones parciales a menudo dificultan el uso de fórmulas analíticas cerradas para recuperar los parámetros del modelo. En este documento, se desarrolla un método de muestreo exacto de camino, que se incorpora en un algoritmo bayesiano de Monte Carlo de cadena de Markov (MCMC) a la luz de la ampliación de datos para estimar eficientemente los parámetros en una amplia clase de sistemas turbulentos no lineales y no gaussianos utilizando observaciones parciales. Este método de muestreo de camino explota fórmulas analíticas cerradas para muestrear las trayectorias de las variables no observadas, lo que evita los errores numéricos en los enfoques generales de muestreo y aumenta significativamente la eficiencia general de la estimación de parámetros. Los parámetros desconocidos y las trayectorias faltantes se estiman de manera alternada en una iteración adaptativa del algoritmo MCMC con rápida convergencia. Se muestra, basado en el modelo ruidoso de Lorenz 63 y un modelo estocásticamente acoplado de FitzHugh-Nagumo, que el nuevo algoritmo es muy hábil en la estimación de los parámetros en modelos turbulentos altamente no lineales. El modelo con los parámetros estimados tiene éxito en recuperar las características no lineales y no gaussianas de la verdad, incluida la captura de la intermitencia y eventos extremos, en ambos ejemplos de prueba.