����������������������������������������������������������������������������������

 

T�cnicas de simulaci�n para el an�lisis estad�stico de datos de medici�n

 

Simulation techniques for the statistical analysis of measurement data

 

T�cnicas de simula��o para a an�lise estat�stica de dados de medi��o

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: ulises.moreno@espoch.edu.ec

 

 

Ciencias T�cnica y Aplicadas ���

Art�culo de Investigaci�n

��

* Recibido: 23 de mayo de 2023 *Aceptado: 12 de junio de 2023 * Publicado: �07 de julio de 2023

 

1. Docente-Investigador de la Escuela Superior Polit�cnica de Chimborazo (ESPOCH); Riobamba, Ecuador.

Resumen

Este art�culo de investigaci�n bibliogr�fica, tiene como finalidad determinar las t�cnicas de simulaci�n para el an�lisis estad�stico de datos de medici�n, necesitando el uso de m�todos que vayan relacionados con este proceso, como son los m�todos de Monte Carlo y el Remuestreo de Boorstrap, que son de gran utilidad cuando no existen variables de expresi�n cerrada para calcular medidas de incertidumbre, que requieren varias respuestas que faciliten la toma de decisiones frente a varias probabilidades, donde intervienen la desviaci�n est�ndar de estimadores y los intervalos de confianza.

Dichos m�todos de simulaci�n permiten obtener respuestas con menores supuestos que los m�todos cl�sicos o tradicionales, este proceso se facilita con el uso de la tecnolog�a, en donde se han creado varios softwares que realizan estos procesos de manera autom�tica, generando respuestas inmediatas, seg�n las variables que se utilicen, adem�s de crear cada vez una soluci�n diferente, creando varias opciones para el investigador.

Dentro del contexto estad�stico se entiende por simulaci�n a la t�cnica de muestreo estad�stico controlado, que debe ser integrado con un modelo para dar soluci�n a los problemas complejos de tipo probabil�stico, tomando en consideraci�n la metrolog�a, donde se observan los modelos de medici�n que con frecuencia son complicados, de dif�cil entendimiento o desarrollo.

Palabras Clave: T�cnicas; simulaci�n; estad�stica; m�todos; datos; medici�n.

 

Abstract

The purpose of this bibliographic research article is to determine the simulation techniques for the statistical analysis of measurement data, requiring the use of methods that are related to this process, such as the Monte Carlo methods and Boorstrap Resampling, which are very useful when there are no closed expression variables to calculate uncertainty measures, which require several responses that facilitate decision-making in the face of various probabilities, where the standard deviation of estimators and confidence intervals are involved.

These simulation methods allow obtaining answers with fewer assumptions than the classic or traditional methods, this process is facilitated with the use of technology, where several software have been created that carry out these processes automatically, generating immediate responses, depending on the variables. that are used, in addition to creating a different solution each time, creating several options for the researcher.

Within the statistical context, simulation is understood as the controlled statistical sampling technique, which must be integrated with a model to solve complex problems of a probabilistic type, taking into account metrology, where measurement models that frequently are complicated, difficult to understand or develop.

Keywords: techniques; simulation; statistics; methods; data; measurement.

 

Resumo

O objetivo deste artigo de pesquisa bibliogr�fica � determinar as t�cnicas de simula��o para a an�lise estat�stica de dados de medi��o, requerendo o uso de m�todos que estejam relacionados a este processo, como os m�todos de Monte Carlo e Boorstrap Resampling, que s�o muito �teis quando h� vari�veis ​​sem express�o fechada para c�lculo de medidas de incerteza, que requerem diversas respostas que facilitam a tomada de decis�o diante de diversas probabilidades, onde est�o envolvidos o desvio padr�o dos estimadores e intervalos de confian�a.

Esses m�todos de simula��o permitem obter respostas com menos suposi��es do que os m�todos cl�ssicos ou tradicionais, esse processo � facilitado com o uso de tecnologia, onde foram criados v�rios softwares que realizam esses processos automaticamente, gerando respostas imediatas, dependendo das vari�veis. utilizados, al�m de criar uma solu��o diferente a cada vez, criando v�rias op��es para o pesquisador.

Dentro do contexto estat�stico, a simula��o � entendida como a t�cnica de amostragem estat�stica controlada, que deve ser integrada a um modelo para resolver problemas complexos de tipo probabil�stico, levando em considera��o a metrologia, onde modelos de medi��o frequentemente complicados, dif�ceis de entender ou desenvolver.

Palavras-chave: t�cnicas; simula��o; Estatisticas; m�todos; dados; medi��o.

����������������������������������������������������������������������������������������������

Introducci�n

La presente investigaci�n bibliogr�fica, tiene como finalidad determinar las t�cnicas de simulaci�n para el an�lisis estad�stico de datos de medici�n, debido a que facilita la interpretaci�n de problemas complejos de tipo probabil�stico al utilizar la t�cnica de muestreo estad�stico controlado, conjuntamente con un modelo, este proceso se realiza al no tener expresiones cerradas para calcular medidas de incertidumbre.

Para entender de mejor manera el tema de estudio, es importante conocer los conceptos b�sicos de las t�cnicas de simulaci�n, las cuales seg�n (L�pez, 2022) se comprenden como la reproducci�n de un fen�meno real a base de otro m�s sencillo y m�s acorde que puede ser analizado y estudiado. En el �rea de la estad�stica se lo entiende como una t�cnica que consiste en realizar varios experimentos de muestreo sobre el modelo de un sistema que est� determinado por ciertas condiciones.

Por su parte (Pati�o, 2021), considera que el proceso de simulaci�n es una herramienta muy fuerte y necesaria que permite estudiar, evaluar y analizar los sistemas ya existentes y los nuevos de un proceso determinado, con el objetivo de anticiparse al escenario real, verificarlo, corregirlo de ser el caso y obtener su mejor versi�n al ajustar su configuraci�n, de esta manera se pretende optimizar los recursos y obtener los resultados esperados en menor tiempo y con la calidad que se requiere para dicho trabajo.

Por lo tanto, la simulaci�n es una herramienta id�nea que permite ensayar varios escenarios, conocer el funcionamiento completo de determinados sistemas para poder adelantarse a problemas actuales o futuros que se pueden presentar, adem�s de permitir dar respuestas a determinadas situaciones o eventualidades que se pueden generar, es importante recalcar que en los procesos de simulaci�n, las nuevas tecnolog�as juegan un papel muy importante, al crear escenarios cada vez m�s reales, seg�n el estudio que se est� desarrollando o que se proyecta a analizar. (Bravo, 2018)

Por otro lado, los datos de medici�n es la comparaci�n que se realiza entre una cantidad determinada y otra, con la finalidad de analizar si la masa o conjunto que se pretende medir est� en el rango de esa magnitud, por lo tanto, para realizar una medici�n se debe precisar la magnitud que existe entre la dimensi�n o volumen de un cuerpo y una unidad de medida, para que esto sea posible, debe darse una igualdad de magnitud entre el tama�o de los que se pretende medir y el patr�n elegido, como punto de referencia y una unidad de medida ya establecida. (Padilla, 2007)

Para (Yirda, 2021), la medici�n es el proceso que permite comparar un patr�n determinado con una unidad de medida, para establecer el n�mero de veces que dicho patr�n est� dentro de esa magnitud. Por lo tanto, en el proceso de asignar valores, se lo puede realizar mediante s�mbolos o n�meros a ciertas caracter�sticas que se desean estudiar, basados en reglas que han sido previamente establecidas.

Por lo tanto en el contexto estad�stico, se entiende por simulaci�n, a la t�cnica de muestreo estad�stico controlado, que requiere de un modelo que permita obtener respuestas aproximadas a ciertas preguntas que se formulan entorno a problemas complejos de tipo probabil�stico. Adem�s, se considera que el proceso de medici�n es de naturaleza probabil�stica y los modelos de medici�n son considerados como procesos complejos, por lo cual, estas caracter�sticas se fundamentan en la medici�n, complejidad y aleatoriedad, creando un �rea de oportunidad nata para los m�todos de simulaci�n. (Villa, 2017)

Tras lo expuesto anteriormente, es importante recalcar que las t�cnicas de simulaci�n para el an�lisis estad�stico de datos de medici�n, permite dar respuesta a medidas de incertidumbre sobre un proceso en espec�fico, por tal motivo, se requiere analizar a profundidad las t�cnicas que se pueden utilizar y que t�cnicas se asemejan m�s a la simulaci�n en cuanto al an�lisis estad�stico de los datos de medici�n.

 

M�todos de investigaci�n

Investigaci�n Bibliogr�fica

En el presente art�culo se realiz� una investigaci�n de tipo bibliogr�fica que permiti� el an�lisis e interpretaci�n de los conocimientos y publicaciones de los autores sobre las t�cnicas de simulaci�n para el an�lisis estad�stico de datos de medici�n.

Este proceso cre� un panorama general acerca de las t�cnicas de simulaci�n para el an�lisis estad�stico de datos de medici�n, adem�s de obtener informaci�n ver�dica que respalda los resultados obtenidos y la discusi�n de evaluaci�n que se desarroll� en el art�culo, pero es importante recalcar que debido a la cantidad de informaci�n que existe en la plataforma de internet que puede o no ser real, se debe clasificar los datos bajo criterios de calidad, que garantizan el �xito del estudio.

 

Tipos de Investigaci�n

Seg�n el alcance

En el art�culo se realizado una investigaci�n descriptiva, debido a que se busca determinar las t�cnicas de simulaci�n para el an�lisis estad�stico de datos de medici�n, en la cual se detallaron las t�cnicas que se acoplan de mejor manera al estudio estad�stico, por tal motivo en una investigaci�n bibliogr�fica se pretende mostrar, narrar o se�alar hechos, situaciones o caracter�sticas sobre el objeto de estudio mediante revisi�n documental.

 

Seg�n el enfoque

En el art�culo elaborado se presenta un enfoque cualitativo, debido a que se analiza la informaci�n expuesta por los diferentes autores, mediante la revisi�n bibliogr�fica, con el objetivo de nutrir al investigador con el conocimiento necesario para la elaboraci�n del presente trabajo investigativo, tomando en consideraci�n los diferentes puntos de vista, asumiendo as� el m�todo cient�fico que orientar� al investigador a clasificar la informaci�n que vaya acorde a las necesidades investigativas.

 

Seg�n la finalidad

Se puede establecer que la investigaci�n bibliogr�fica que se realiz� para el art�culo es aplicada, debido a que se busca determinar las t�cnicas de simulaci�n para el an�lisis estad�stico de datos de medici�n. Es necesario aclarar que, aunque el enfoque cualitativo presenta un panorama subjetivo, no deja de ser bibliogr�fica, ya que la investigaci�n no se basa en meras opiniones de los investigadores, sino que sustenta sus argumentos en base a un estudio de varios autores con datos reales.

 

Poblaci�n y Muestra

En el art�culo de estudio bibliogr�fico se elabor� un trabajo de revisi�n bibliogr�fico, con la finalidad de analizar las investigaciones y conocimientos de varios autores que est�n directamente relacionados con el tema de investigaci�n, as� como tambi�n un an�lisis espec�fico de bibliograf�a clasificada.

En la presente investigaci�n es importante incluir criterios de inclusi�n y exclusi�n de la informaci�n que ha sido utilizada para el an�lisis de la bibliograf�a seleccionada para el estudio, siendo una pr�ctica fundamental cuando se crean protocolos de investigaci�n de alta calidad, si se toma en consideraci�n los criterios de inclusi�n se puede decir que se caracterizan por tomar en cuenta toda aquella informaci�n que est� directamente relacionada con el tema de investigaci�n, mientras que los criterios de exclusi�n, permiten analizar e interpretar los datos que no tienen relaci�n directa con el tema de investigaci�n pero que influyen en el resultado obtenido, creando un enfoque mucho m�s claro y real para ser presentado en el art�culo.

 

Materiales

Para lograr un desarrollo de calidad sobre el tema de investigaci�n, se tuvieron que utilizar materiales como libros, computadora, internet, revistas, art�culos, entre otros que enriquecieron al estudio.

 

Resultados

El an�lisis de datos se basa en la aplicaci�n sistem�tica de t�cnicas estad�sticas y de l�gica para describir el alcance que pueden tener los datos recolectados, con la finalidad de modular su estructura, representarlos mediante gr�ficos, im�genes y tablas para obtener conclusiones representativas de datos de probabilidad. (Arteaga, 2020)

Dichos procesos anal�ticos permiten inducir la inferencia subyacente de los datos recopilados, cabe recalcar, que los datos se generan de manera permanente, por lo que el an�lisis debe ir a la par y realizarse de manera simult�nea, garantizando la integridad y veracidad de los datos obtenidos durante un per�odo de tiempo determinado. (Rivas, 2021)

Para lograr una recolecci�n y an�lisis de datos de manera objetiva y fiable, se debe seguir las siguientes recomendaciones:

• Contar con las habilidades anal�ticas y los conocimientos necesarios para el an�lisis e interpretaci�n de datos.
• Seleccionar los m�todos de recolecci�n y an�lisis de datos de manera estrat�gica para garantizar que el proceso a realizar ser� el �ptimo.
• Determinar la significaci�n estad�stica.
• Garantizar el uso de una inferencia leg�tima e imparcial.
• Garantizar la veracidad de los datos, al obtenerlos de fuentes reales, el uso adecuado del m�todo de an�lisis de datos y las inferencias derivadas.
• Tomar en consideraci�n el alcance que puede tener el an�lisis de los datos recopilados.
• Crear un proceso continuo de recolecci�n y an�lisis de los datos. (Jhon, 2022)

Entre los m�todos de an�lisis de datos que son m�s utilizados en la estad�stica, seg�n el tipo de estudio que se desee realizar se puede tomar en consideraci�n los siguientes:

An�lisis cualitativo: Se busca respuestas a preguntas como �Por qu�?, �Qu�?, �C�mo?, que pueden ser obtenidas mediante resultados est�ndar, cuestionarios, encuestas, entrevistas, documentales, entre otros, que son t�cnicas cuantitativas que se presentan en textos, audio, video o narraciones, permitiendo el uso combinado de dos m�todos. (P�rez, 2007)

An�lisis cuantitativo: Este tipo de an�lisis se lo realiza en t�rminos num�ricos, presentando los datos en una escala de medici�n que facilita una mayor manipulaci�n estad�stica, se realiza tras un proceso de tabulaci�n que recopila toda la informaci�n del tema de estudio (Hern�ndez, 2014)

An�lisis estad�stico: Este m�todo requiere la recopilaci�n, interpretaci�n y validaci�n de los datos, con la finalidad de cuantificar los datos de observaci�n obtenidos tras una investigaci�n o estudio, normalmente se utilizan herramientas como SAS, SPSS, STAT SOFT, entre otros, a este m�todo tambi�n se lo conoce como descriptivo. (Ortega, 2022)

An�lisis diagn�stico: Es un an�lisis m�s especializado, conocido tambi�n como causa ra�z, debido a que incluye procesos de descubrimiento de datos al buscar informaci�n adicional para identificar las correlaciones de naturaleza causal de este tipo de informaci�n. (Arriaga, 2021)

An�lisis predictivo: Se utilizan datos hist�ricos para ingresarlos en el modelo de aprendizaje de la m�quina para buscar patrones y tendencias cr�ticas, se puede introducir una gran cantidad de datos que se procesan por si solos mediante herramientas tecnol�gicas.

An�lisis prescriptivo: Este proceso permite escoger entre varios cursos de acci�n y genera posibles implicaciones que se pueden lograr tras realizar un an�lisis predictivo, cabe recalcar que requiere de una direcci�n algor�tmica espec�fica para crear decisiones o recomendaciones de manera autom�tica por quienes utilizan las t�cnicas anal�ticas. (Martinez, 2020)

 

Discusi�n

Es importante recalcar que existen t�cnicas para el an�lisis estad�stico, pero que si se desea realizar un an�lisis de t�cnicas de simulaci�n para el an�lisis estad�stico de datos de medici�n es necesario hablar sobre la metrolog�a, donde el proceso de medici�n es de naturaleza probabil�stica y los modelos de medici�n, con caracter�sticas de complejidad y aleatoriedad, siendo un �rea de oportunidad para los m�todos de simulaci�n.

En esta �rea existen dos tipos de m�todos de simulaci�n que permiten el an�lisis de datos de medici�n que son:

M�todo Monte Carlo:

Este m�todo no es determinista o estad�stico num�rico, sino una t�cnica matem�tica, la cual busca predecir posibles resultados de un evento incierto, se lo utiliza principalmente en proyectos de inversi�n para poder realizar valoraciones, teniendo en consideraci�n que se cuenta con variables de estudio que no son ciertas, sino que pueden hacer referencia a varios valores, proporcionando soluciones aproximadas a una diversidad de problemas matem�ticos, dando la posibilidad de realizar experimentos con muestreos de n�meros pseudoaleatorios mediante el uso de la tecnolog�a.

Este m�todo se puede aplicar a cualquier tipo de problema num�rico, ya sea estoc�stico o determinista, utilizando la f�rmula del teorema del l�mite central que tiene un error absoluto de la estimaci�n que crece como 1/, permitiendo realizar los c�lculos esperados.

Cabe recalcar que las simulaciones de Monte Carlo brindan m�ltiples salidas posibles y la probabilidad de cada una de estas se basa en un gran conjunto de muestras de datos aleatorios, ofreciendo un panorama mucho m�s amplio acerca de la previsi�n determinista, permitiendo evaluar los riesgos y realizar predicciones mucho m�s precisas a largo plazo, facilitando la toma de decisiones sobre un tema en espec�fico. (L�pez E. , 2019)

M�todo de remuestreo de Bootstrap:

Este m�todo es un mecanismo propio de la estad�stica y la econometr�a que se enfoca en el remuestreo de datos dentro de una muestra al azar o aleatoria, cuyo principal objetivo es hallar una aproximaci�n a la distribuci�n de la variable analizada, como fruto de los estudios en el campo del muestreo estad�stico por el matem�tico Bradley Efron a finales de los a�os 70.

Este m�todo se utiliza principalmente para reducir el sesgo dentro del an�lisis, es decir que se aproxima a la varianza debido al remuestreo aleatorio de la muestra inicial y no de la poblaci�n, haci�ndolo m�s sencillo al momento de desarrollar o elaborar la construcci�n de modelos de estad�stica mediante la creaci�n de intervalos de confianza y contrastes de hip�tesis. (Carmona, 2023)

Una de las caracter�sticas principales del Blootstrap es realizar un remuestreo posterior para conseguir expresiones cerradas y encontrar soluciones matem�ticas complejas a ciertas operaciones, una de las ventajas que se han desarrollado actualmente son los avances tecnol�gicos los cuales facilitan el desarrollo del remuestreo complejo, esta t�cnica permite avanzar al estudiar muestras de datos de una determinada poblaci�n, permitiendo crear nuevos supuestos, sustituyendo valores adicionales de la muestra.

Una de las ventajas del Bootstrap es que simplifica los m�todos estad�sticos en el sentido de que, sustituido la construcci�n de diferentes modelos matem�ticos cl�sicos de gran complejidad del c�lculo mediante el uso de software espec�ficos gracias a la tecnolog�a, facilitando su uso o acceso a otras �reas que requieren ser estudiadas o analizadas.

Cabe recalcar que este m�todo es mucho m�s accesible o abierto en comparaci�n con los otros tipos de modelos que son m�s utilizados o los cl�sicos, lo que le convierte en una herramienta mucho m�s �til para resolver grandes n�meros de problemas matem�ticos. (S�nchez, 2016)

 

Conclusiones

Las t�cnicas de simulaci�n para el an�lisis estad�stico de datos de medici�n permiten dar respuesta a elementos de predicci�n que cuenta con variables que son inciertas y de dif�cil interpretaci�n, sin embargo, con los avances tecnol�gicos este problema a disminuido significativamente, ya que, actualmente existen varios softwares que realizan este proceso de manera autom�tica generando varias respuestas distintas, seg�n las variables utilizadas en cada investigaci�n o proyecto de estudio.

Las inferencias y las probabilidades estad�sticas que se calculan a ra�z de un an�lisis de datos facilitan la toma de decisiones al tener fundamentos claros sobre el tema de investigaci�n o estudio, descartando el sesgo humano propio de una recolecci�n de datos. Motivo por el cual es indispensable elegir correctamente el m�todo para el an�lisis de datos, tomando en consideraci�n el alcance que se desea obtener, sus limitaciones y viabilidad.

La simulaci�n de Monte Carlo es considerada un modelo probabil�stico en el cual se pueden adicionar elementos de incertidumbre o aleatoriedad en su predicci�n o estimaci�n, mediante valoraciones con respecto a determinados proyectos de inversi�n o tomando en consideraci�n que las variables que se van a utilizar no son ciertas y pueden dar varios resultados cada vez que se busca una respuesta, usando datos aleatorios.

Una distribuci�n de muestreo describe la probabilidad que existe de obtener cada valor estad�stico de una muestra aleatoria de una poblaci�n, es decir que proporciona un valor a todas las muestras aleatorias que se desean investigar, por lo tanto, el proceso de Bootstrap es un m�todo que estima la distribuci�n de muestreo al tomar m�ltiples muestras con reemplazo de una sola muestra aleatoria, denominadas muestras repetitivas.

 

Referencias

Arriaga, M. (2021). An�lisis diagn�stico. Atenas, 9-15.

Arteaga, G. (2020). �Qu� es el an�lisis de datos? Testsiteforme, 1-5.

Bravo, G. (2018). Aplicaci�n de sistemas de simulaci�n en la industria. ITCL, 3-6.

Carmona, F. (2023). Introducci�n al Bootstrap. Cursos, 1-4.

Hern�ndez, F. (2014). Investigaci�n cuantitativa, cualitativa y misxta. Recursos, 8-12.

Jhon, F. (2022). M�todo estad�stico. Excel para todos, 3-6.

L�pez, E. (2019). �Qu� es la simulaci�n Monte Carlo? AWS, 1-6.

L�pez, M. (2022). Simulaci�n Estad�stica. Estudio Static, 1-5.

Martinez, J. (2020). An�lisis descriptivo, predictivo y prescriptivo de datos. Iartificial, 7-9.

Ortega, C. (2022). An�lisis estad�stico. Question Pro, 3-5.

Padilla, J. (2007). Escalas de Medici�n. Universidad de la Rioja, 8-12.

Pati�o, D. (2021). Simulaci�n de procesos. Elogistica, 1-4.

P�rez, F. (2007). Enfoque cualitativo. Eumed, 5.

Rivas, M. (2021). �Qu� es la simulaci�n de procesos? Centro de formaci�n t�cnica para la industria, 1-2.

S�nchez, J. (2016). Bootstrap. Economipedia, 3-7.

Villa, E. (2017). T�cnicas de simulaci�n para el an�lisis estad�stico de datos de medici�n. Centro de Investigaci�n en matem�ticas, 3-5.

Yirda, A. (2021). Definici�n de Medici�n. ConceptoDefinici�n, 4-6.

 

 

 

 

� 2023 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).