Artículo Científico / Scientific Paper

TÍTULO DE ARTÍCULO EN ESPAÑOL

ARTICLE TITLE IN ENGLISH

Nombre Autor 11, Nombre Autor 22, Nombre Autor 33

Resumen Abstract
En este documento se encuentran detalladas las Redactar aquí el resumen en inglés con las mismas
instrucciones para que los autores preparen un especificaciones del formato descrito en español.
artículo en el formato requerido de la Revista ……………..
INGENIUS y además puede emplearse como plantilla.
Se presenta el formato de publicación, tamaños y
tipos de fuente, contiene además las normas para
presentar ecuaciones, figuras, tablas y referencias.
Los autores deben seguir las instrucciones para
mantener el estándar de publicación.
Esta primera sección es para generar un resumen del
contenido del artículo dando una clara indicación de
la justificación del tema, objetivos, metodología, y
principales resultados para que los lectores puedan
determinar si el texto completo será de su particular
interés. Debe contener un máximo de 230 palabras,
no debe incluir ecuaciones o referencias y debe estar
escrito de manera impersonal. Use la fuente Times
New Roman en tamaño 12. El contenido del
resumen debe estar completamente justificado.

Palabras Clave: Incluya aquí las palabras claves

que tienen relación con el contenido o enfoque del
artículo. Las palabras clave serán hasta seis y se Keywords: Escriba nuevamente las palabras claves
citarán en orden alfabético. Será valorado en inglés.
positivamente el uso de las palabras claves
expuestas en el Thesaurus de la UNESCO.

1
En esta sección escriba la adscripción institucional actual en el siguiente orden: Dependencia a la que pertenece en su institución,
Institución a la que pertenece, país, ORCID; como se presenta en el ejemplo siguiente.
2
Laboratorio de Investigación en Sistemas Informáticos e Inteligencia Artificial , Universidad Politécnica de Valencia – España, ORCID:
0000-0002-8235-4886
3
……….
Autor para correspondencia: correoelectrónico@autorparacorrespondencia

1
 Artículo Científico / Scientific Paper

1. Introducción 2.1. Aplicaciones del método de Monte Carlo

La esencia del método de Monte Carlo es el hallazgo de Travin, Serghei presentan un interés específico a los
juegos de contingencia [1] cuyo comportamiento y cambios en el perfil de contaminación debido a una
resultado es aprovechado para examinar fenómenos adsorción específica en la superficie subyacente (suelo,
interesantes con la necesidad práctica de un método de agua) planteándose como objetivo demostrar la
cálculo poderoso y la herramienta adecuada para efectividad del método de Monte Carlo al modelado y
llevarlo a cabo [2]. Creado en el año 1949 por Stanislav visualización de simulación de la propagación de
Ulam y John Von Neumann inspirado en la construcción manchas de contaminación aportando nuevos
de la primera bomba atómica y la disponibilidad de una conocimientos para mejorar su compresión, exponiendo
de las primeras computadoras de uso general. [3] las técnicas básicas para la implementación del modelo
Nicholas Metropolis sugirió el nombre de Monte Carlo en el entorno VBA-Excel. Utilizando la muestra más
para esta metodología, haciendo referencia a la afición simple de degradación química y distribución de materia
de Ulam por los juegos de azar. [4] de un medio homogéneo. Como resultado se obtuvo los
El método de Monte Carlo es un método numérico parámetros necesarios del modelo para obtener curvas
para solventar problemas matemáticos con la ayuda de cinéticas de alta calidad y proporcionar
modelar variables aleatorias [5]. Dicho método radica en recomendaciones para su optimización. Permitió
resolver diversos problemas de matemáticas demostrar más claramente el efecto de la extracción de
computacionales mediante la construcción de algún manchas y la concentración del contaminante en el
proceso aleatorio para cada problema, con los límite [17].
parámetros del proceso iguales a las cantidades Gu, Yaxiu; Zhang, Xingxing; Are Myhren, Jonn;
requeridas del problema [6]. En otras palabras, resolver Han, Mengjie; Chen, Xiangjie; Yuan, Yanping hacen
un problema con el Método Monte Carlo consiste en referencia a la innovadora tecnología solar híbrida
realizar una simulación matemática del fenómeno físico fotovoltaica/térmica (PV/T), que puede generar energía
de interés en lugar de resolver la ecuación o conjunto de eléctrica y térmica simultáneamente con la probabilidad
ecuaciones que lo gobiernan [7]. A medida que aumenta de convertirse en una solución potencial ya que combina
el número de historias de las partículas simuladas, componentes eléctricos y térmicos en una sola unidad de
mejora la calidad del comportamiento promedio del área no obstante la sensibilidad de diferentes variables
sistema. [8] del rendimiento económico de PV/T no está claro. Por
Uno de las aplicaciones del método de Monte Carlo lo tanto, aplicar el método Monte Carlo es una solución
es la generación de series sintéticas que se obtiene de eficaz a este desafío, una técnica relativamente simple y
una información original dada por el usuario, establecida para involucrar duda y riesgo en modelos
consiguiendo nuevos datos con comportamientos cuantitativos, proporcionando información más realista
parecidos al original, los cuales pueden presentar sobre el riesgo y la incertidumbre, permitiendo un
proyecciones de algún fenómeno por estudiar Monte análisis más útil de las posibles inversiones en
Carlo [9]. generación de electricidad. El modelo existente y los
Prácticamente, el método de Monte Carlo es la de la datos nominales predijeron los valores de LCOE, NPV y
casualidad transformada en conocimiento, de la PP, cambiando el valor de cada variable importante en
aleatoriedad domada para devolver soluciones [10]. Se un cierto rango mientras se mantienen las demás con los
erige como un faro de investigación computacional, mismos supuestos. El artículo motiva a un estudio
iluminando el camino para científicos, ingenieros y contante. Como resultado se obtuvo un uso más eficaz
pensadores para navegar el laberinto de problemas de todo el espectro solar con componentes fotovoltaicos
complejos y surgir victoriosos con nuevos y térmicos en una sola unidad, reducción del costo y el
conocimientos cumpliendo con los objetivos espacio de instalación disminución de la carga térmica
(simulación, estimación, optimización, aprendizaje y de todo el edificio y mejor estética integración
visualización) [2]. arquitectónica que el uso de dos paneles fotovoltaicos y
térmicos individuales coleccionistas [18].

2. Materiales y Métodos 2.2. Distribuciones de probabilidad

2
 Apellido Autor et al / Titulo del Articulo

Para la simulación del método de Monte Carlo se otras funciones de densidad de probabilidad son:
necesita aplicar una distribución de probabilidad, en este permitir estimaciones satisfactorias de la asimetría de la
caso utilizamos la probabilidad Normal paralelamente la distribución de densidad de probabilidad [14]. El
distribución de Weibull. nombre del método se lo lleva por su creador Weibull.
Para ajustar la distribución de Weibull se emplea el
método de máxima verosimilitud. Cabe recalcar que
2.2.1. Distribución de probabilidad Normal para encontrar el valor de k se debe utilizar un algoritmo
La distribución de probabilidad Normal es la más de iteración numérica tal como el método de Newton-
importante en toda la probabilidad y estadística, Raphson para obtener una solución aproximada. Una
conocida como gaussiana o acampanada es simétrica, la vez hallado el parámetro de forma (k) se puede hallar el
media, moda y mediana coinciden, y es descrita parámetro de escala (c). La fórmula que se utiliza para
completamente por sus dos parámetros mu ( μ) y sigma ( la distribución de Weibull es la siguiente: [15].
( ( ))
k
x
σ ). El primero en detallar dicho paradigma fue Abraham
()
k−1 −
k x c
(2)
de Moivre, no obstante, fue Gauss quien colocó al f ( x )= e
c c
alcance de las personas [12]. La fórmula general de la
distribución de probabilidad normal es la siguiente:
10-4
2
6
− ( X −μ )
1 2σ
2
(1)
f ( X ; μ , σ )= ∙e
√2 π σ 5

4
10-4
6

3
5

2
4

1
3

0
500 1000 1500 2000 2500 3000 3500 4000 4500
2
Figura 2. Gráfica de la densidad de una Distribución de Weibull. [4]

1 El diagrama de la Figura 3 ilustra el proceso para

generar series sintéticas. El método de Montecarlo
0 utilizado se emplea para analizar patrones y anticipar
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
posibles resultados de eventos aleatorios. Este enfoque
Figura 1. Gráfica de la densidad de una Distribución de Probabilidad hace uso de datos históricos y técnicas avanzadas de
Normal. [2]
estadística.
2.2.2. Distribución de probabilidad de Weibull
La función de Weibull es una función caracterizada por Ingreso de Simulación del
Validación
dos parámetros; uno de escala y otro de forma, el datos Método de Montecarlo
primero define cuán dispersa se encuentra la
distribución mientras que el segundo define la forma de Figura 3. Diagrama de bloques de la metodología.
la distribución [14]. Es utilizado en muchos campos,
uno de los métodos estadísticos más utilizados es A. Ingreso de datos
especialmente en el análisis de datos de viento [15]. Los datos históricos recopilados se basan en tres
Algunas ventajas de la función de Weibull [11] sobre contextos: Demanda Eléctrica, Radiación Solar y
3
Velocidad del Viento. Los datos se obtuvieron de un 4000
Typical daily demand
conjunto habitacional ubicado en la ciudad de Quito
Ecuador, mientras que las mediciones meteorológicas se 3500
obtuvieron de una estación en la provincia de Cotopaxi,
cantón Salcedo, específicamente en la zona de Salache.
3000
Los detalles de los datos históricos utilizados se

Power [kW]
muestran a continuación:
2500

2000
La Demanda Eléctrica se relaciona con la cantidad de
energía consumida cada hora durante el mes de marzo,
como resultado una matriz de datos que contiene 24 1500
registros por cada uno de los 31 días del mes, los datos

1
2
3
4
5
6
7
8
9
10

12
13
14
15
16
17
18
19
20
21
22
23
24
11
Time [H]
utilizados hacen énfasis a un promedio (media) mensual
de cada hora respecto al mes de marzo como se Figura 4. Promedio mensual de la Demanda Eléctrica.
representa en la Figura 4.
La Radiación Solar y la Velocidad del Viento
reflejan mediciones tomadas cada 5 minutos durante el
mes de agosto, dándonos una matriz de 288 datos por 30
días, al igual que la Demanda Eléctrica se usó los datos
promedio de cada 5 minutos como se representa en la
Figura 5 y la Figura 6.
Al analizar la Demanda Eléctrica, se observó que
los datos históricos presentan una variabilidad moderada
con respecto al consumo eléctrico. Esto sugiere que a lo
largo del mes no se registraron cambios significativos en 600 Average solar radiation
el consumo eléctrico. Por otro lado, en el caso de la
Radiación Solar, se identificó una menor variabilidad en 500
la intensidad de la radiación, ya que tiende a mantener
Solar Radiation [W/m 2]

valores más estables con el tiempo. En cuanto a la 400

Velocidad del Viento, se observó una alta variabilidad

300
en los datos históricos debido a la sensibilidad de esta a
cambios más drásticos. 200

100

0
10 0
11 0
12 0
12 0
13 0
13 0
14 0
40
0
0
0
0
0
0
0
0
0
0
0
0
0
0
10 0
60

2
8
4
0
6
2
8
0

12
18
24
30
36
42
48
54
60
66
72
78
84
90
96

Time [min]

Figura 5. Promedio mensual de la Radiación Solar.

4
 Apellido Autor et al / Titulo del Articulo

5.5 El proceso comienza ingresando datos históricos de

Average wind speed
5 tres situaciones distintas: Demanda Eléctrica, Radiación
Solar y Velocidad del Viento como un vector para
4.5 generar series sintéticas. Luego, se realizan dos métodos
de distribución de probabilidad: uno basado en la
Wind Speed [m/s]

4
Distribución de Probabilidad Normal, que calcula tanto
3.5 el valor promedio (media) como la desviación estándar
3 y otro basado en la Distribución de Weibull, que calcula
los parámetros de forma y escala. Estos valores son
2.5 esenciales para comprender el comportamiento de los
2 datos y permiten generar valores aleatorios.
Posteriormente, se aplica una restricción de error, que
1.5 compara los valores generados con los valores reales
0
60
0
0
0
0
0
0
0
0
0
0
0
0
0
0
10 0
10 0
11 0
12 0
12 0
13 0
13 0
14 0
40
para llegar al resultado deseado, como se detalla más
12
18
24
30
36
42
48
54
60
66
72
78
84
90
96
2
8
4
0
6
2
8
Time [min]
adelante.
Figura 6. Promedio mensual de la Velocidad del Viento. En la Figura 9, Figura 10 y Figura 11 se muestra la
generación de series sintéticas utilizando la Distribución
de Probabilidad Normal. En la Figura 12, Figura 13 y
B. Simulación del Método de Monte Carlo Figura 14 se presenta la generación de series sintéticas
El método de Montecarlo puede usarse para abordar utilizando la Distribución de Weibull. Cada imagen
problemas complejos a través de un proceso iterativo. muestra una representación visual de los datos, que
Este proceso utiliza datos históricos para generar un incluye el vector original y 10 series sintéticas
conjunto de valores aleatorios que se combinan para generadas con el método mencionado anteriormente.
obtener una estimación del resultado. Se puede
visualizar en el diagrama de flujo de la Figura 7 y
Figura 8.

5
 Figura 8. Diagrama de flujo del método de Montecarlo aplicada la
INICIO
distribución de Weibull.

4500
Ingresar datos:
Typical daily demand
Vector datos, n Synthetic Series
4000

Calcular:
m = length (Vector datos) 3500
mu = mean (Vector datos)

Power [kW]
sigma = std (Vector datos)
3000

‹ǡ ൌ
ൌ ͳ
2500

i, k ൑ n, m 2000

1500
Calcular:

1
2
3
4
5
6
7
8
9
10

12
13
14
15
16
17
18
19
20
21
22
23
24
11
Si Time [H]
sinteticas (k, i) = normrnd (mu, sigma, 1, 1)

No No
Figura 9. Series sintéticas generadas de Demanda Eléctrica con el
método Montecarlo (Distribución de probabilidad normal).
Restricción:
ER ൑ ͲെͳͲͲΨ

FIN
Figura 7. Diagrama de flujo del método de Montecarlo aplicada la
Distribución de probabilidad normal.

INICIO 600 Typical daily demand

Synthetic Series

Ingresar datos: 500

Vector datos, n
Solar Radiation [W/m 2]

400
Calcular:
m = length (Vector datos)
mu = mean (Vector datos) 300
weibull = wblfit (Vector datos)
200
i, k == 1
100

i, k ൑ n, m
0
10 0
11 0
12 0
12 0
13 0
13 0
14 0
40
0
0
0
0
0
0
0
0
0
0
0
0
0
0
10 0
60

2
8
4
0
6
2
8

Calcular:
0

12
18
24
30
36
42
48
54
60
66
72
78
84
90
96

Si
sinteticas (k, i) = wblrnd (weibull (k, 1), weibull (k, 2), 1, 1) Time [min]

No No

Restricción: Figura 10. Series sintéticas generadas de Radiación Solar con el

ER ൑ ͲെͳͲͲΨ método Montecarlo (Distribución de probabilidad normal).

FIN

6
 Apellido Autor et al / Titulo del Articulo

5.5 Figura 12. Series sintéticas generadas de Demanda Eléctrica con el

Typical daily wind speed método Montecarlo (Distribución de Weibull).
5 Synthetic Series

600 Tipical daily demand

4.5
Synthetic Series
Wind Speed [m/s]

4 500

Solar Radiation [W/m 2]

3.5
400

3
300
2.5
200
2
100
1.5
0
60
0
0
0
0
0
0
0
0
0
0
0
0
0
0
10 0
10 0
11 0
12 0
12 0
13 0
13 0
14 0
40
12
18
24
30
36
42
48
54
60
66
72
78
84
90
96
2
8
4
0
6
2
8
0
Time [min]

10 0
11 0
12 0
12 0
13 0
13 0
14 0
40
Figura 11. Series sintéticas generadas de Velocidad del Viento con el

0
0
0
0
0
0
0
0
0
0
0
0
0
0
10 0
60

2
8
4
0
6
2
8
0

12
18
24
30
36
42
48
54
60
66
72
78
84
90
96
método Montecarlo (Distribución de probabilidad normal). Time [min]

Figura 13. Series sintéticas generadas de Radiación Solar con el

método Montecarlo (Distribución de Weibull).

5.5
Typical daily wind speed
5 Synthetic Series

4.5
Wind Speed [m/s]

3.5

2.5

4500 1.5
Typical daily demand
0
60
0
0
0
0
0
0
0
0
0
0
0
0
0
0
10 0
10 0
11 0
12 0
12 0
13 0
13 0
14 0
40
12
18
24
30
36
42
48
54
60
66
72
78
84
90
96
2
8
4
0
6
2
8
Synthetic Series
Time [min]
4000

3500 Figura 14. Series sintéticas generadas de Velocidad del Viento con el
método Montecarlo (Distribución de Weibull).
Potencia [kW]

3000

C. Validación
2500 El análisis de error significativo, requiere que la medida
de error propuesta se relacione con los datos reales
2000 obtenidos en los experimentos que se van a comparar,
sosteniendo dos requisitos necesarios para una buena
1500 medida de error: (a) una medida de error es una
cuantificación de las diferencias entre el observable
10

12
13
14
15
16
17
18
19
20
21
22
23
24
11
1
2
3
4
5
6
7
8
9

Time [H]
objetivo y el observable aproximado que se está
7
midiendo; en particular, debería indicar correctamente En donde:
los casos en los que el objetivo y los observables
V E=valor exacto
aproximados concuerdan y en los que no; (b) el error
puede estimarse a partir de los datos obtenidos en el V A =valor aproximado
experimento en cuestión y una medición de referencia
ideal del objetivo observable [23]. E A =error absoluto
Es fundamental tener en cuenta la importancia del
análisis de error para evaluar el proceso mencionado
anteriormente. Este análisis nos permite controlar que 2.2. Error relativo
los datos generados a partir de una distribución se El error relativo es una medida de la precisión relativa
ajusten a los datos reales, lo que implica una menor de una medición o cálculo en relación con el valor real.
dispersión en las gráficas sintéticas. A continuación, los Se calcula como el cociente del error absoluto y el valor
tipos de errores mencionados se aplicaron real (o una estimación de la magnitud real). El error
posteriormente tanto a los datos reales como a cada serie relativo se expresa típicamente como un porcentaje o
sintética creada. una fracción [26]. Fórmula del error relativo:
Para garantizar la generación de números aleatorios
controlados se estableció errores relativos de forma EA
Erelativo = ( 4)
independiente para cada contexto en función de las VE
características específicas de cada conjunto de datos
ingresados. Cada error relativo se determinó de manera En donde:
diferente de acuerdo al comportamiento de los datos, V E=valor exacto
con el objetivo de lograr un margen de Error Cuadrático
Medio Normalizado (ECMN) como se observa en el E A =error absoluto
diagrama de flujo de la Figura 15 que fuera menor al
5%. Esto asegura que el (ECMN) se mantenga dentro de 2.3. Error cuadrático medio (ECM)
un rango óptimo y demuestre la efectividad del método
El error cuadrático medio (ECM) es una medida
de Montecarlo como una estrategia confiable para
comúnmente utilizada para evaluar la precisión de un
generar series sintéticas precisas. En este proceso, se
modelo de predicción o estimación en comparación con
evaluó el error relativo entre el valor generado y el valor
los valores reales. Representa el promedio de los errores
real. Si el error relativo es menor que la restricción
al cuadrado entre las predicciones del modelo y los
establecida, se guarda el valor generado. En caso
valores observados [11]. La fórmula del error cuadrático
contrario, se procede a generar un nuevo valor hasta que
medio es:
se cumpla la condición preestablecida.
n
1
MSE=ECM = ∑ ( Y i−Y i ) (5)
2

2.1. Error absoluto n i=1

El error absoluto es la magnitud de la diferencia entre un En donde:
valor aproximado y el valor verdadero de una cantidad.
Es la cantidad por la cual una medición o estimación n=número total de datos /muestras
específica se desvía del valor correcto. El error absoluto 2
( Y i−Y i ) =diferencia delmodelo y el valor real
se expresa en las mismas unidades que la cantidad
aproximada. Cuanto menor sea el error absoluto, mayor Y i=valor real
será la precisión de la medición o el cálculo [26].
Y i= predicción del modelo
Fórmula del error absoluto:
i=valor inicial
E absoluto=|V E−V A|=E A (3)

8
 Apellido Autor et al / Titulo del Articulo

2.4. Error cuadrático medio normalizado 3. Resultados y Discusión

(ECMN) En esta investigación, se aplicó con éxito el Método de
El error cuadrático medio normalizado (ECMN) es una Montecarlo para generar series sintéticas en tres
variante del error cuadrático medio (ECM) que se utiliza contextos diferentes. Se generaron un total de 10 series
para evaluar la precisión de un modelo de predicción o sintéticas para cada uno de estos parámetros. Cada serie
estimación, pero en una escala relativa. El ECMN es útil generada se basó en un conjunto de datos históricos
en situaciones donde los valores reales tienen diferentes correspondientes a un mes específico del año.
escalas o dispersión, lo que puede dificultar la Las Figuras 9 y 12 muestran una comparación de la
comparación directa de diferentes modelos utilizando Demanda Eléctrica. Las series sintéticas se representan
solo el ECM. Al normalizar el ECM con respecto a la con líneas entrecortadas de color morado, mientras que
varianza, se obtiene una métrica que expresa el error en los datos reales se muestran con líneas continuas en
términos relativos, lo que facilita la comparación entre azul. En las Figuras 10 y 13, la línea continua en naranja
modelos y permite identificar aquellos que tienen un muestra el comportamiento de la radiación solar a lo
rendimiento más estable y consistente en diferentes largo del tiempo. Por otro lado, las series sintéticas se
conjuntos de datos [25]. La fórmula quedaría de la representan con líneas entrecortadas en amarillo, y son
siguiente manera: el resultado de la simulación del Método. Finalmente, en
las Figuras 11 y 14, se presenta la comparación de
ECM velocidad del viento. Los datos reales están
ECMN = 2
(6)
σ representados por líneas continuas en negro, y las series
sintéticas se muestran con líneas entrecortadas en gris.
En donde: En cada una de estas gráficas, se puede apreciar que las
ECM = Es error cuadrático medio series sintéticas siguen una tendencia cercana a los datos
2
reales.
σ = La varianza de los datos reales Para evaluar la efectividad de las series sintéticas
generadas, se incluyen tablas que muestran una
INICIO comparación detallada de los errores cuadráticos medios
normalizados (ECMN) entre los datos reales y las series
Ingresar datos: sintéticas generadas utilizando tanto la distribución
sinteticas, n, mu normal como la distribución de Weibull. A
continuación, se presentan estas tablas:
i == 1 Tabla 1: Análisis y Comparación de Errores entre las
Distribuciones de Probabilidad Normal y de Weibull para la
Calcular: Demanda Eléctrica
ECM = immse (mu, sinteticas (:, i))
ECMN con
ECMN = (ECM / var (mu)) * 100 ECMN con
Serie Distribución de
Si Distribución de
Sintética Probabilidad
Weibull
Normal
i൑ n Serie 1 3,3198 3,3894
Serie 2 2,5260 3,2443
No Serie 3 2,0399 2,8698
Graficar: Serie 4 3,4230 2,8984
mu, sinteticas Serie 5 2,8575 2,5595
Serie 6 2,1221 3,4188
Serie 7 2,3360 2,7121
FIN Serie 8 2,3335 2,3217
Figura 15. Diagrama de flujo para la validación del método de Serie 9 2,6561 2,1964
Montecarlo. Serie 10 2,5313 2,3382
9
 Promedio 2,61 2,79 Tabla 3: Análisis y Comparación de Errores entre las
Distribuciones de Probabilidad Normal y de Weibull para la
La tabla que muestra los errores cuadráticos medios
Velocidad del Viento
normalizados (ECMN) para la demanda de energía
muestra que los valores de ECMN son más bajos ECMN con
ECMN con
cuando Serie Distribución de
Distribución de
se utiliza la distribución de Weibull en lugar de la Sintética Probabilidad
Weibull
Normal
distribución de probabilidad normal. Esto demuestra una
mejor relación entre los datos reales de la demanda Serie 1 1,9478 2,1535
Serie 2 1,9663 2,1691
eléctrica y las series sintéticas creadas con la
Serie 3 2,0534 2,1486
distribución de Weibull. La distribución de Weibull
Serie 4 2,2053 1,9932
parece ser más adecuada para modelar las tendencias de
Serie 5 2,0665 2,3986
la demanda eléctrica.
Serie 6 2,1071 1,9202
Serie 7 2,1775 2,0225
Serie 8 2,1364 2,0456
Serie 9 2,2533 2,0838
Tabla 2: Análisis y Comparación de Errores entre las
Distribuciones de Probabilidad Normal y de Weibull para la Serie 10 2,1209 2,2061
Radiación Solar Promedio 2,10 2,11
La tabla que muestra los errores cuadráticos medios
ECMN con normalizados (ECMN) para la velocidad del viento
ECMN con
Serie Distribución de
Sintética Probabilidad
Distribución de muestra que los valores de ECMN son más bajos
Weibull cuando se utiliza la distribución de Weibull en lugar de
Normal
Serie 1 2,0482 2,6378 la distribución de probabilidad normal. Esto demuestra
Serie 2 2,1763 2,0354 una mejor relación entre los datos reales de la velocidad
Serie 3 2,1518 2,1057 del viento y las series sintéticas creadas con la
Serie 4 1,9834 2,1547 distribución de Weibull. La distribución de Weibull
Serie 5 1,8697 2,0209 parece ser más adecuada para modelar las tendencias de
Serie 6 2,0433 2,0967 la velocidad del viento.
Serie 7 2,0846 2,0984
Serie 8 2,1626 2,1054
Serie 9 1,9011 1,8729 4. Conclusiones
Serie 10 1,8493 2,3629 Las conclusiones deben obtenerse, por tanto, a partir de
Promedio 2,03 2,15 algo más que de los simples datos registrados. De
La tabla que muestra los errores cuadráticos medios hecho, unos datos o resultados pueden tener un sentido u
normalizados (ECMN) para la radiación solar muestra otro y, por tanto, pueden llevarnos a unas conclusiones y
que los valores de ECMN son más bajos cuando se otras, dependiendo del marco conceptual que justifica
utiliza la distribución de Weibull en lugar de la nuestra investigación, de la metodología seguida, de los
distribución de probabilidad normal. Esto demuestra una objetivos propuestos, etc.
mejor relación entre los datos reales de la radiación
solar y las series sintéticas creadas con la distribución de
Weibull. La distribución de Weibull parece ser más Referencias
adecuada para modelar las tendencias de la radiación
solar. Artículos de revistas:
[1] W. Rafferty, “Ground antennas in NASA’s deep
space telecommunications,” Proc. IEEE vol. 82,
pp. 636-640, 1994.
[2] J.J. Kavanagh, R.S. Barrett, S. Morrison “Upper
body accelerations during walking in healthy
10
 Apellido Autor et al / Titulo del Articulo

young and elderly men” Gait Pos vol. 20, pp. 291- Tesis:
298. 2004 [11] J. Basantes, F. Torres, “Desarrollo de un
[3] J. Riess, J. J. Abbas, “Adaptive control of cyclic Sistema de Control para un Brazo Robótico
movements as muscles fatigue using functional mediante Adquisición y Procesamiento de
neuromuscular stimulation”. IEEE Trans. Neural Imágenes” Proyecto de titulación, Escuela
Syst. Rehabil. Eng vol. 9, pp.326–330, 2001. Politécnica Nacional, Quito, Ecuador. Feb. 2009.
[12] S.M. Newman, “Active damping control of a
Libros: flexible space structure using piezoelectric sensors
[4] L. Stein, “Random patterns,” in Computers and and actuators” Master Thesis, U.S. Naval
You, J. S. Brake, Ed. New York: Wiley, 2004, pp. Postgraduate School, 1992.
55-70. [13] L.M. Moreno, "Computación paralela y
[5] A. Barrientos, L. Peñin, et. Al, “Coordenadas” en entornos heterogéneos," Tesis doctoral, Dep.
Fundamentos de Robótica, 2da ed., vol. 2, Ed. Estadística, Investigación Operativa y
McGraw-Hill, España, 2007, pp. 217–29. Computación, Universidad de La Laguna, La
[6] G. O. Young, “Synthetic structure of industrial Laguna, 2005.
plastics” in Plastics, 2nd ed., vol. 3, J. Peters, Ed.
New York: McGraw-Hill, 1964, pp. 15-64. Estándares:
[14] IEEE Guide for Application of Power
Reportes Técnicos: Apparatus Bushings, IEEE Standard C57.19.100-
[7] E. E. Reber, R. L. Mitchell, y C. J. Carter, 1995, Aug. 1995.
"Oxygen absorption in the Earth's atmosphere,"
Aerospace Corp., Los Angeles, CA, Tech. Rep. Patentes:
TR-0200 (4230-46)-3, Nov. 1968. [15] G. Brandli, M. Dick, "Alternating current fed
[8] M. A. Brusberg and E. N. Clark, “Installation, power supply," U.S. Patente 4 084 217, Nov. 4,
operation, and data evaluation of an oblique- 1978.
incidence ionosphere sounder system,” in “Radio [16] J. P. Wilkinson, “Nonlinear resonant circuit
Propagation Characteristics of the Washington- devices,” U.S. Patent 3 624 125, July 16, 1990.
Honolulu Path,” Stanford Res. Inst., Stanford, CA,
Contract NOBSR-87615, Final Rep., Feb. 1995, Manuales:
vol. 1 [17] Motorola Semiconductor Data Manual,
Motorola Semiconductor Products Inc., Phoenix,
Artículos presentados en conferencias (No AZ, 1989.
publicados):
[9] Vázquez, Rolando, Presentación curso “Realidad Recursos de Internet:
Virtual”. National Instruments. Colombia, 2009. [18] J. Lau, “Directrices internacionales para la
alfabetización informativa” [online]. México:
Artículos de Memorias de Conferencias Universidad Veracruzana, 2004 Disponible
(Publicados): en:[Link]
[10] L. I. Ruiz, A. García, J. García, G. Taboada. [Link]
“Criterios para la optimización de sistemas [19] E. H. Miller, “A note on reflector arrays”
eléctricos en refinerías de la industria petrolera: [online] IEEE Trans. Antennas Propag., vol. 53,
influencia y análisis en el equipo eléctrico,” IEEE pp. 475, 2005. Disponible en:
CONCAPAN XXVIII, Guatemala 2008. [Link]
arnumber=1549967&tag=1

11