Una aplicación del Método Montecarlo y los modelos VAR en ciencia animal: Generación de datos sintéticos del movimiento de cabras

• Calabuig, José M. ^[1] ; García Raffi, Lluís M. ^[1] ; Sánchez Pérez, E. A. ^[1] ; Sanjuan, Sergi ^[1]
  1. [1] Universidad Politécnica de Valencia

     Universidad Politécnica de Valencia

     Valencia, España

     
• Localización: Modelling in Science Education and Learning, ISSN-e 1988-3145, Vol. 18, Nº. 1, 2025, págs. 79-101
• Idioma: español
• DOI: 10.4995/msel.2025.24104
• Títulos paralelos:
  • An application of the Monte Carlo Method and VAR models in animal science: Generating synthetic goat movement data
• Enlaces
  • Texto completo
• Resumen
  • español

    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.

  • English

    This paper presents a workshop-type session aimed at undergraduate students, whose objective is to introduce the fundamentals of synthetic data simulation through a practical application in animal science. Using as an example the behavior of goats recorded by triaxial accelerometry sensors, two key mathematical simulation methods are explained: the Monte Carlo method, applied to both discrete non-parametric distributions —to simulate the sequence of activities— and continuous parametric distributions —to model their duration—, and the VAR models —to generate realistic acceleration signals—. The proposal provides insight into how simulation can make up for the paucity of real data and support the development of predictive models.

• Referencias bibliográficas
  • Akkaya, M. (2021). Vector Autoregressive Model and Analysis. Handbook of Research on Emerging Theories, Models, and Applications of Financial...
  • 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...
  • 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....