Una aplicación del Método Montecarlo y los modelos VAR en ciencia animal: Generación de datos sintéticos del movimiento de cabras
Enviado: 10-06-2025
|Aceptado:
|Publicado: 31-07-2025
Derechos de autor 2025 Modelling in Science Education and Learning
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Descargas
Palabras clave:
Simulación de datos, ciencia animal, acelerómetro triaxial, método de Montecarlo, modelos autorregresivos, VAR, PLF, aprendizaje automático
Agencias de apoyo:
Agencia Estatal de Investigación
Unión Europea
Resumen:
Este trabajo presenta una sesión tipo taller dirigida a estudiantes universitarios, cuyo objetivo es introducir los fundamentos de la simulación de datos sintéticos a través de una aplicación práctica en ciencia animal. Usando como ejemplo el comportamiento de cabras registradas mediante sensores de acelerometría triaxial, se explican dos métodos matemáticos clave de simulación: el método de Montecarlo, aplicado tanto a distribuciones discretas no paramétricas —para simular la secuencia de actividades— como a distribuciones continuas paramétricas —para modelar su duración—, y los modelos VAR —para generar señales de aceleración realistas—. La propuesta permite comprender cómo la simulación puede suplir la escasez de datos reales y apoyar el desarrollo de modelos predictivos.
Citas:
Akkaya, M. (2021). Vector Autoregressive Model and Analysis. Handbook of Research on Emerging Theories, Models, and Applications of Financial Econometrics, pp. 197-214. Springer. https://doi.org/10.1007/978-3-030-54108-8_8
Law, A. M., & Kelton, W. D. (2006). Simulation Modeling and Analysis. McGraw-Hill (5ª edición) https://www.mhhe.com/engcs/industrial/law
Lïtkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer. https://doi.org/10.1007/978-3-540-27752-1
Méndez, D. A., Fajardo Viloria, B., Sanjuan, S., Calabuig, J. M., Arnau, R.,Villagrá, A., Calvet, S., & Estellés, F. (2025) Development of Goat Behaviour Prediction with Accelerometer Data: A Machine Learning and Pre-Processing Approach. Available at SSRN. https://doi.org/10.2139/ssrn.5183988
Python Software Foundation (2001). Python, Version 3.11. Retrieved from https://www.python.org Wilmington, DE.
Rubinstein, R. Y., & Kroese, D. P. (2016). Simulation and the Monte Carlo Method. John Wiley & Sons. https://doi.org/10.1002/9781118631980
Shumway, R. H., & Stoffer, D. S. (2000).Time Series Analysis and Its Applications.Springer. https://doi.org/10.1007/978-3-031-70584-7
Stock, J. H., & Watson, M. W. (2001).Vector Autoregressions. Journal of Economic Perspectives, 15(4), 101-115 American Economic Association. https://doi.org/10.1257/jep.15.4.101
