TEXTO PAGINA: 46
46 NORMAS LEGALES Viernes 8 de julio de 2022 El Peruano / Que, sin perjuicio de lo señalado, de la bibliografía técnica se desprende que el criterio adoptado por Osinergmin se sustenta en conceptos teóricos como los señalados en el documento “Reconstrucción de datos de series de tiempo: una aplicación a la demanda horaria de la electricidad”, que indica que respecto a los datos faltantes: “Los métodos de imputación de valores faltantes suponen conocimiento del modelo o que los datos sean tales que un subconjunto de ellos permita identi fi car el modelo...”; Que, otra referencia es el que aporta el estudio titulado “Implementación en R de la estimación de un modelo espacio de los estados que tenga en cuenta datos faltantes”, en el cual se a fi rma que en un modelo pueden existir 3 tipos de datos faltantes: “Todos los datos faltantes reducen la calidad de estimación del modelo, pero según su tipo los datos faltantes pueden afectar de distinto modo. Existen tres tipos de datos faltantes: - Missing Completely at Random (MCAR): La probabilidad de que un dato sea faltante no tiene correlación con su hipotético valor o el de otros datos faltantes, ni con el valor de los datos observados. - Missing at Random (MAR): La probabilidad de que el dato sea faltante no tiene correlación con su hipotético valor o el de otros datos faltantes, pero sí la tiene con los valores de los datos observados. - Missing Not at Random (MNAR): La probabilidad de que el dato sea faltante tiene correlación con su hipotético valor o el de otros datos faltantes.” Que, bajo dicha a fi rmación los datos MAR son los que se ajustan más a la situación de los suministros sin registros, ya que se trata de suministros distintos (sin correlación) pero que, respecto a los valores (registros) sí guardan correlación, al tratarse de registros de energía y potencia con patrones similares de consumo (horas uso, factores de coincidencia, factores de carga, entre otros). Una vez identi fi cado los tipos de datos faltantes, es importante saber qué porcentaje de estimación en la cantidad de datos faltantes sería permitida para considerar que el estudio tenga una con fi abilidad aceptada, respecto a ello en el estudio “Implementación en R de la estimación de un modelo espacio de los estados que tenga en cuenta datos faltantes” se a fi rma que un pequeño porcentaje de datos faltantes ya supone una desestimación apreciable en la calidad de sus estimaciones. Sin embargo, esto no quiere decir que no pueda existir datos faltantes en algún estudio. Así mismo, a fi rma: “Los datos faltantes son un problema frecuente en el análisis de datos; y pueden tener un efecto importante en las conclusiones que se puedan extraer del análisis de la serie de datos, por lo que es imprescindible entender qué tipo de datos faltantes son y en consecuencia saber qué técnicas son aplicables para su tratamiento”. Que, entonces, cuando se tenga datos faltantes en un estudio, lo importante para poder estimarlos es de fi nir qué tipos de datos son y aplicar técnicas válidas para su tratamiento. Es bien sabido que existen diferentes razones por las cuales los datos de algún estudio no pueden ser obtenidos, y justamente es lo que se detalla en el documento: “La no disponibilidad de los datos puede deberse a numerosas causas dependiendo de la naturaleza de los datos que se estén recopilando. Por ejemplo, si se toman mediciones cada cierto tiempo de los niveles de ruido en una planta industrial, datos faltantes podrían deberse a bloqueos puntuales en los medidores de dB, a averías, a períodos de mantenimiento preventivo, etc. Por otro lado, en un estudio sociodemográ fi co en el que los datos obtenidos son proporcionados por personas, datos faltantes podrían deberse a reticencias de las personas a revelar datos de cierta sensibilidad. Los datos faltantes en el primer caso no son iguales que en el segundo (en el primer caso el hecho de que un dato falte no está ligado a su valor, mientras que en el segundo caso hay una clara correlación entre el hipotético valor del dato faltante y la probabilidad de que este no esté disponible) y por tanto es posible que deban ser tratados de maneras distintas”. Que, si se toma como referencia el caso de Electro Dunas, la empresa indica diferentes razones por los cuales no han podido tomar mediciones y que coincidentemente las razones son similares a la cita anterior (fallas en los medidores, averías en accesorios, difícil acceso, etc.). El cual refuerza y evidencia la importancia de un método o modelo para estimar casos faltantes y que estén sujetas a un porcentaje aceptable en base a su estudio; Que, como acotación fi nal, el hecho de que exista datos faltantes no quiere decir que estos datos no deberían tomarse en cuenta; Que, el trabajo mostrado en dicho documento se asemeja mucho más a la situación de la toma de mediciones del 100% de clientes, por lo que es conveniente fi jar un porcentaje de pérdida de datos aceptable; Que, para validar el estudio, en el documento se exponen 3 escenarios de pérdida de información; el primero con un 10%, el segundo con un 20% y el tercero con un 30% de estimación de dicha información. En el caso de un 10% de datos estimados concluye lo siguiente: “Se puede apreciar que algunos valores reales de las observaciones faltantes se salen del intervalo de con fi anza de los estimadores, pero son pocos en comparación con todos los valores que están estimados correctamente.” Mientras que con un 20% de datos estimados concluye: “Se puede apreciar que la gran mayoría de los valores reales de las observaciones faltantes se salen del intervalo de con fi anza de los estimadores, por lo que el sesgo introducido es muy importante.” Por último, con un 30% de datos estimados concluye:“Se puede apreciar que prácticamente todos los valores reales de las observaciones faltantes se salen del intervalo de con fi anza de los estimadores, por lo que el sesgo introducido es inaceptable.” Que, de las citas mostradas, se interpreta que un 30% de datos estimados son inaceptables debido al sesgo introducido, el cual indica que la con fi abilidad de los datos estimados es casi nula. Un 20% de datos estimados implica que la mayoría de los datos se salen de los intervalos de con fi anza, con lo cual la con fi abilidad de dichos datos es muy dudosa, tal y como se presenta en el caso de la empresa con una falta del 21% de suministros con registros. Por último, un 10% de datos estimados implica que las estimaciones son óptimas y con fi ables en su mayoría, teniendo en cuenta que son pocos los datos que están fuera de los intervalos de con fi anza. Por ello, el valor promedio igual a 5% de suministros sin registros de las otras empresas, técnicamente son aceptables y podría considerarse hasta un 10%; Que, de acuerdo a lo mencionado, Osinergmin no ha realizado ninguna discriminación, sino se ha efectuado una validación técnica de la información de suministros sin registros y de acuerdo con la práctica usual en la ingeniería, así como la teoría estadística mencionada, ha tomado como válido la información de Luz del Sur, Enel Distribución, Electro Sur Este y Seal, no signi fi cando ello un acto discriminatorio. En el caso de Electro Dunas, el porcentaje de registros sin medición no es aceptable; Que, por lo expuesto, este extremo del recurso debe declararse infundado; 2.2 Sobre la supuesta vulneración al Principio de Legalidad Argumento de la recurrenteQue, Electro Dunas alega una vulneración al Principio de Legalidad, indicando que Osinergmin ha aplicado un criterio ilegal para el cálculo del FBP aplicable a Electro Dunas, en la medida que (i) no cuenta con base legal; y, (ii) no ha justi fi cado las razones por las que tomó