Estudio comparativo entre técnicas estadísticas multivariadas y redes neuronales artificiales para la optimización de la vigilancia de la calidad de agua para consumo humano en la red de salud Abancay 2022
Barra lateral del artículo
Contenido principal del artículo
Resumen
Actualmente en la mayoría de instituciones, incluyendo la red de salud Abancay, se utiliza estadística tradicional con el fin de determinar tendencias sobre un conjunto de datos que se centra en una sola variable, es complicado aplicar este tipo de análisis a conjunto de datos multivariados, que son los que usualmente se obtienen en los programas de control de calidad de agua y, que excluye diferencias entre las variables analizadas y sus relaciones. El objetivo del estudio es realizar una comparación entre las diferentes técnicas estadísticas multivariables y redes neuronales artificiales, con la finalidad de relacionar y clasificar las variables. Para realizar esto se eligió dos técnicas de estadística multivariada, análisis de componentes principales (ACP) y análisis discriminante (AD) y dos tipos de redes Neuronales artificiales, de aprendizaje no supervisado, hebbiano (RNAH), y de aprendizaje supervisado, perceptrón multicapa (RNAPM), el tipo de investigación que se usará en el estudio será investigación aplicada de enfoque cuantitativo, con un nivel de investigación explicativo y con un diseño transversal. Dada la comparación entre el análisis de componentes principales y la red neuronal artificial de tipo Hebbiano, se obtuvo que las redes neuronales pudieron asociar mejor las variables que el análisis de componentes principales. En la segunda comparación entre el análisis discriminante y la red neuronal artificial perceptrón multicapa los resultados fueron buenos para el análisis discriminante debido a que obtuvo un 95% de clasificación correcta, mientras que la red neuronal artificial obtuvo un 74.6%, sin embargo, debido a las limitaciones del análisis discriminante, se infiere que la red neuronal artificial perceptrón multicapa es un mejor modelo a escoger.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Cuando un autor crea un artículo y lo publica en una revista, los derechos de autor pasan a la revista como parte del acuerdo de publicación. Por lo tanto, la revista se convierte en la dueña de los derechos de reproducción, distribución y venta del artículo. El autor conserva algunos derechos, como el derecho a ser reconocido como el creador del artículo y el derecho a utilizarlo para sus propios fines académicos o de investigación, a menos que se acuerde lo contrario en el contrato de publicación.
Cómo citar
Referencias
M. Greenacre, P.J.F. Groenen, T. Hastie, et al, “Principal component analysis”, Nat Rev Methods Primers vol. 2, pp. 100, 2022, https://doi.org/10.1038/s43586-022-00184-w DOI: https://doi.org/10.1038/s43586-022-00184-w
S. Mishra, U. Sarkar. et al, “Principal Component Analysis,” International Journal of Livestock Research, 2017, https://doi.org/10.5455/ijlr.20170415115235 DOI: https://doi.org/10.5455/ijlr.20170415115235
D. Dhamnetiya, MK. Goel, RP. Jha, S. Shalini, K. Bhattacharyya, “How to Perform Discriminant Analysis in Medical Research? Explained with Illustrations,” J Lab Physicians, vol. 14(4), pp. 511-520, 2022 https://doi.org/10.1055/s-0042-1747675 DOI: https://doi.org/10.1055/s-0042-1747675
R. Flóres y J. Fernández, “Las Redes Neuronales Artificiales: Fundamentos teóri-cos y aplicaciones prácticas,” La Coruña, NETBIBLO. 2008 S. L, 2008. ISBN: 978-84-9745-246-5.
M. W. Gardner and S. Dorling, “Artificial neural networks (the multilayer percep-tron)—a review of applications in the atmospheric sciences,” Atmospheric envi-ronment, vol. 32, pp. 2627–2636, 1998 DOI: https://doi.org/10.1016/S1352-2310(97)00447-0
R. Aroca, “Redes neuronales para el análisis y control de calidad del aceite de oliva virgen extra,” Universidad Complutense de Madrid, Madrid, 2019.
N. Rodríguez, “Pronóstico de Demanda de Agua potable mediante Redes Neu-ronales,” Universidad Técnica Federico Santamaria, Valparaiso, 2016.
S. Gour y M Gour, “Neural Network Approach In Water Quality Data Analysis For The River Narmada,”, Binary Journal of Data Mining & Networking, vol. 4, pp. 49-53, 2014.
S. Heddam, A. Bermad y N. Dechime, “Applications of Radial-Basis Function and Generalized Regression Neural Networks for Modeling of Coagulant Dosage in a Drinking Water-Treatment Plant: Comparative Study,” Journal of Environ-mental Engineering, vol. 137, pp. 1209-1214, New York, 2011, https://doi.org/10.1061/(ASCE)EE.1943-7870.0000435 DOI: https://doi.org/10.1061/(ASCE)EE.1943-7870.0000435
J.C. Rodríguez, “Estudio Comparativo de Técnicas Estadísticas Multivariadas versus las Redes Neuronales Artificiales en el análisis de datos de Calidad de Agua,” Pontificia Universidad Javeriana, Bogotá, 2008.
J. Valencia, “Estudio Estadístico de la Calidad de las aguas en la cuenca hidrográ-fica del río Ebro,” Universidad Politécnica de Madrid, Madrid, 2007.
R. Padilla, “Modelo de Red Neuronal para mejorar la Dosificación de Cloro Gas en la planta de tratamiento de agua potable de la municipalidad provincial de Tayacaja,” Universidad Nacional del Centro del Perú, Huancayo, Perú, 2021.
A. Peña, L. Flores del Pino, “Redes neuronales para el tratamiento de agua potable en zona de altitud del Perú,” Ambiente y Desarrollo vol. 18, pp. 109-116, 2014, https://doi.org/10.11144/Javeriana.AyD18-35.rnta DOI: https://doi.org/10.11144/Javeriana.AyD18-35.rnta
R. Álvarez, “Estadistica mutivariante y no parametrica con SPSS. Aplicacion a las ciencias de la salud,” Ediciones Diaz de Santos, S. A., Madrid, 1995. ISBN: 978-84-7978-180-4.
M. Andersson, J. Palm, “Forecasting the Stock Market - A Neural Network Ap-proach,” MÄLARDALEN UNIVERSITY, Västerås, 2009.
L. Díaz, “Estadística Multivariada: Inferencia y Métodos”, Bogota, 2007. ISBN 978-958-701-195-1.
D. Hahs-Vaughn, “Applied Multivariate Statical Concepts,” New York, 2017. ISBN: 978-1-315-81668-5.
J. Hilera. y V. Martínez. “Redes Neuronales Artificiales: Fundamentos, modelos y aplicaciones,” Madrid, 1995. ISBN: 84-7897-155-6.
P. Isasi y I. Galván, “Redes de Neuronas Artificiales: Un enfoque práctico,” Ma-drid, 2004. ISBN: 84-205-4025-0.
R. Johnson y D. Wichern, “Applied Multivariate Statistical Analysis,” vol. 6a, New Jersey, 2007. ISBN 13: 9780131877153.
J. Rodríguez, M. Ferreras y A. Núñez, “Inferencia Estadística, niveles de precisión y diseño muestral,” Madrid, 1991.
C. Sierra, “CALIDAD DEL AGUA – Evaluación y diagnóstico,” Medellín, 2011. ISBN: 978-958-8692-06-7.
Y. Vidaurre, “Aplicación de las redes neuronales artificiales para el pronóstico de la demanda de agua potable en la empresa EPSEL S.A de la ciudad de Lambaye-que,” Universidad Católica Santo Toribio de Mogrovejo, Chiclayo, Perú, 2012.
F. Murtaghl, “The Multilayer Perceptron for Discriminant Analysis: Two Exam-ples,” Springer, Berlin, Heidelberg, 1992 doi: https://doi.org/10.1007/978-3-642-46757-8_32 DOI: https://doi.org/10.1007/978-3-642-46757-8_32
L. Heazlewood, J. Walsh, M. Climstein, J. Kettunen, K. Adams, M. DeBeliso, “A Comparison of Classification Accuracy for Gender Using Neural Networks Mul-tilayer Perceptron (MLP), Radial Basis Function (RBF) Procedures Compared to Discriminant Function Analysis and Logistic Regression Based on Nine Sports Psychological Constructs to Measure Motivations to Participate in Masters Sports Competing at the 2009 World Masters Games,” Advances in Intelligent Systems and Computing, vol. 392, Springer, Cham, 2016, doi: 10.1007/978-3-319-24560-7_12 DOI: https://doi.org/10.1007/978-3-319-24560-7_12
E.I. Altman, G. Marco, F. Varetto, “Corporate distress diagnosis: Comparisons using linear discriminant analysis and neural networks (the Italian experience),” Journal of Banking & Finance, vol. 18, pp. 505-529, 1994, https://doi.org/10.1016/0378-4266(94)90007-8 DOI: https://doi.org/10.1016/0378-4266(94)90007-8
K. Diamantaras, “Robust hebbian learning and noisy principal component analysis,” International Journal of Computer Mathematics, vol. 67, pp. 5-24, 1998, https://doi.org/10.1080/00207169808804649 DOI: https://doi.org/10.1080/00207169808804649