Análisis del alcance de uso de las redes bayesianas, arboles de falla y ecuaciones estructurales

Luz Angélica Aguilar Chávez; Xóchitl Graciela Aguilar Rivas; Manuel Arnoldo Rodríguez Medina; Ericka Berenice Herrera Ríos; Jorge Adolfo Pinto Santos

doi:10.61273/neyart.v2i4.73

Autores/as

Luz Angélica Aguilar Chávez Tecnológico Nacional de México https://orcid.org/0009-0000-5700-6399
Xóchitl Graciela Aguilar Rivas Tecnológico Nacional de México https://orcid.org/0009-0002-2281-1114
Manuel Arnoldo Rodríguez Medina Tecnológico Nacional de México https://orcid.org/0000-0003-1676-0664
Ericka Berenice Herrera Ríos Tecnológico Nacional de México https://orcid.org/0000-0002-6964-5830
Jorge Adolfo Pinto Santos Tecnológico Nacional de México https://orcid.org/0000-0001-9614-2764

DOI:

https://doi.org/10.61273/neyart.v2i4.73

Palabras clave:

Redes bayesianas, Ecuaciones estructurales, Árboles de falla, Rendimiento escolar, Probabilidad

Resumen

Las herramientas estadísticas como las redes bayesianas, los árboles de falla y las ecuaciones estructurales han demostrado tener un gran potencial para ser utilizadas en el modelamiento y análisis de situaciones de intereses tanto en áreas sociales como industriales. El objetivo de este trabajo es mostrar la aplicación de estas tres herramientas en conjunto para el análisis de una problemática educativa, el rendimiento escolar, el cual se considera que esta determinado por factores sociodemográficos y estudiantiles propios del contexto de los individuos. Se aplicaron herramientas estadísticas como las ecuaciones estructurales para la validación del instrumento de medida, redes bayesianas como auxiliares del cálculo de probabilidades y arboles de falla como evaluaciones del riesgo de suceso de un evento, obteniendo así el modelo para el análisis y la evaluación de las relaciones y probabilidades existentes para determinar una probabilidad menor al 1% para el bajo rendimiento académico de aquellos estudiantes que se encuentran en escenarios de estudio y de contexto social favorables para la creación de ambientes de estudio.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Afifi, A. A., Clark, V. A., & Virginia, C. (1990). Computer-aided Multivariate Analysis (2a ed.). Kluwer Academic.

Aldás, J., Martí, J., Sanz, S., & Ruiz, C. (2013). Key factors ofteenagers’ mobile advertising acceptance. Industrial Management (3 Data Systems), (113), 732–749. DOI: https://doi.org/10.1108/02635571311324179

Anderson, R. T., Skovlund, S. E., Marrero, D., Levine, D. W., Meadows, K., Brod, M., & Balkrishnan, R. (2004). Development and validation of the insulin treatment satisfaction questionnaire. Clinical therapeutics, 26(4), 565–578. DOI: https://doi.org/10.1016/S0149-2918(04)90059-8

Arbuckle J. (2003). Amos user’s guide. SmallWaters Corporation.

Bentler, P. (1995). Los modelos de ecuaciones estructurales y su aplicación en el índice europeo de satisfacción al cliente. Universidad de Zaragoza.

Bustamante, T., Dávila Aragón, A., & Ibarra, G. (2019). Gestión de la tecnología e innovación: un Modelo de Redes Bayesianas. Economía: teoría y práctica, (50), 63-100.

Chonawee, S., Kenyon, C. Y., & Heusler, L. (2006). Cause to Effect Operational Risk Quantification and Management. Palgrave Macmillan Journals, 8(1), 16–42. DOI: https://doi.org/10.1057/palgrave.rm.8250001

Contini, S., & Matuzas, V. (2012). Coupling decomposition and truncation for the analysis of complex fault trees. Journal of Risk and Reliability, 226(3), 249–261. DOI: https://doi.org/10.1177/1748006X11401495

Escobedo Portillo, M. T., Hernández Gómez, J. A., Ortega, V., & Moreno, G. (2016). Modelos de ecuaciones estructurales: Características, fases, construcción, aplicación y resultados. Ciencia & trabajo, 18(55), 16–22. DOI: https://doi.org/10.4067/S0718-24492016000100004

González, C. (2021, julio 9). Análisis árbol de fallas (FTA), qué es y cómo se utiliza – Software GMAO. https://software.aeromarine.es/analisis-arbol-de-fallas-fta-que-es-y-como-se-utiliza/. Aeromarine.

Kaplan, D. (2000). Structural equation modeling: Foundations and extensions. SAGE publications

Kline, R. B. (2023). Principles and practice of structural equation modeling (5a ed.). Guilford Press.

Lopez, G. A., Alonso, I., Mazaira, Z., & Ricardo, H. (2018). Árbol de fallo como herramienta para la mejora de procesos. Estudio de caso cementera XPZ. Revista Espacios, 39(06), 19.

Olmedo-Plata, J. M. (2020). Estilos de aprendizaje y rendimiento académico escolar desde las dimensiones cognitiva, procedimental y actitudinal. Revista de estilos de aprendizaje, (13), 143–159. DOI: https://doi.org/10.55777/rea.v13i26.1540

Pearl, J. (2014). Probabilistic reasoning in intelligent systems: Networks of plausible inference. Morgan Kaufmann. https://doi.org/10.1016/c2009-0-27609-4 DOI: https://doi.org/10.1016/C2009-0-27609-4

Ponce Cumbreras, J., & Gamarra Bustillos, C. (2015). Estilos de Aprendizaje y Rendimiento Académico en Estudiantes de la Universidad María Auxiliadora. Ágora Revista Científica, 2(1), 105–111. https://doi.org/10.21679/arc.v2i1.24 DOI: https://doi.org/10.21679/arc.v2i1.24

Serra-Olivares, J., Muñoz Valverde, C. L., Cejudo Armero, C., & Gil Madrona, P. (2016). Estilos de aprendizaje y rendimiento académico de universitarios de Educación Física chilenos (Learning styles and academic performance of Chilean Physical Education university students). Retos digitales, (32), 62–67. https://doi.org/10.47197/retos.v0i32.51919 DOI: https://doi.org/10.47197/retos.v0i32.51919

Terán Bustamante, A., Dávila Aragón, G., & Castañón Ibarra, R. (2019). Gestión de la tecnología e innovación: un Modelo de Redes Bayesianas. Economía: teoría y práctica, (50), 63-100.