Objetivo: Proponer un procedimiento metodológico que sirva de guía para aplicar técnicas en la evaluación de la incertidumbre de medida, como son: GUM, MMC y Bayes; además, de desarrollar una aplicación en un caso de estudio no trivial. Materiales y métodos: En el presente artículo, se proponen un conjunto de pasos que permiten validar la evaluación de incertidumbre de medida a partir de técnicas como GUM, MMC y Bayes; estas se aplicaron como estrategia para evaluar la incertidumbre de un proceso de medición indirecta, donde el experimento de pruebas consistió en determinar el nivel de un fluido a través de la medición de presión hidrostática que genera el fluido en estado estacionario sobre la base de un contenedor. Se compararon los resultados obtenidos con cada técnica. Resultados y discusión: se encontró que el uso de la GUM es válido en el fenómeno caso de estudio, sin embargo, los resultados obtenidos aplicando el enfoque Bayesiano y el MMC ofrecieron información complementaria de mucha utilidad, como es la función de densidad de probabilidad (FDP) del mensurando, que permitió una mejor descripción del fenómeno. Asimismo, las FDP a posteriori obtenidas con Bayes permitieron aproximar a valores más cercanos en torno de los verdaderos valores del mensurando, y los intervalos de los posibles valores fueron más amplios que los que ofrecieron el MMC y la GUM. Conclusiones: En el contexto del caso de estudio se tiene que el enfoque bayesiano presenta resultados más realistas que GUM y MMC; además de la ventaja conceptual que presenta Bayes, de la posibilidad de actualizar los resultados de la evaluación de incertidumbre ante la presencia de nueva evidencia.

<p>En el presente artículo se plantea la evaluación de un conjunto de distribuciones a priori para los parámetros de escala del modelo de regresión Poisson inflado con ceros (conocido como modelo ZIP por sus siglas en inglés). Tradicionalmente se utiliza la distribución gamma-inversa como a priori para los parámetros de escala. Algunos estudios han mostrado que cuando los valores de los hiperparámetros de esta distribución son muy pequeños, las inferencias a posteriori no son adecuadas. El interés se centra en evaluar tres distribuciones a priori para los parámetros de escala del modelo: la gamma-inversa; la Half Cauchy que se ha usado para la situación planteada y que ha demostrado funcionar adecuadamente; y la beta 2 escalada (SBeta2) la cual es una distribución de colas pesadas que tiene un mejor comportamiento en el origen y en la cola derecha.</p><p>Se desarrolla un estudio de simulación, con el que se pretende analizar el efecto de la distribución a priori asignada a los parámetros de escala sobre el encogimiento de los parámetros a posteriori del modelo; además se evalúa ante la presencia de observaciones atípicas cómo es el ajuste que el modelo realiza de estas, con cada una de las distribuciones a priori candidatas para los parámetros de escala. El análisis se centra en estas dos características (encogimiento de los parámetros a posteriori y ajuste de observaciones atípicas) pues son estas las principales críticas que diferentes autores plantean al uso de la distribución gamma-inversa como a priori para los parámetros de escala. Finalmente se presenta una aplicación con datos reales.</p>

Objetivo: Proponer un criterio para determinar el tamaño de muestra en simulaciones estocásticas de MC (Monte Carlo) y MCMC (Markov chain Monte Carlo), garantizando una determinada precisión en la estimación de parámetros. Se busca que la precisión se garantice de forma adimensional. Materiales y métodos: El presente artículo propone un criterio buscando cumplir con el objetivo planteado. Además, de una metodología para la aplicación del mismo. Resultados y discusión: Se presenta la aplicación de la metodología en 3 contextos diferentes: Simulación de MC en que la muestra de interés presenta variabilidad moderada, simulación de MC en que la muestra de interés presenta variabilidad excesiva y simulación de MCMC. En todos los casos se obtienen adecuadas estimaciones del número de corridas MC y MCMC a partir de muestras relativamente pequeñas. Además, la aplicación de la metodología representa únicamente un costo computacional adicional marginal. Conclusiones: El criterio presentado en este artículo permite determinar el tamaño de muestra en simulaciones estocásticas, garantizando precisión adimensional en la estimación de parámetros.