Publicación:
Análisis de series temporales para pronosticar los casos de dengue en el departamento de Córdoba

Vista sencilla de ítem
dc.audience
dc.contributor.advisorCogollo Flórez, Myladis Rocíospa
dc.contributor.authorMedina Segovia, Ever
dc.date.accessioned2023-08-21T04:30:11Z
dc.date.available2024-08-18
dc.date.available2023-08-21T04:30:11Z
dc.date.issued2023-08-18
dc.description.abstractEste trabajo propone una estrategia de modelado para predecir la tasa de incidencia del dengue en el Departamento de Córdoba por cada 100.000 habitantes, teniendo en cuenta el impacto de variables exógenas. Se usaron los datos de los casos de dengue, precipitación y humedad relativa, reportados desde el año 2007 hasta el 2021, por periodo epidemiológico. En el ajuste del modelo de series de tiempo, se utiliza la combinación del enfoque de validación cruzada y la metodología de Box-Jenkins. Además, se muestra que al incluir las variables humedad relativa y precipitación, como exógenas, se encuentra que el mejor modelo es el SARIMAX(1, 1, 1)(0, 0.1)[13], quién presenta los resultados de desempeño más consistentes en los conjuntos de entrenamiento y prueba de todos los modelos ajustados.spa
dc.description.degreelevelPregradospa
dc.description.degreenameEstadístico(a)spa
dc.description.modalityArtículospa
dc.description.tableofcontentsResumen ............................................................................................................................................3spa
dc.description.tableofcontentsIntroducción..................................................................................................................................... 6spa
dc.description.tableofcontents1. Marco teórico............................................................................................................................... 7spa
dc.description.tableofcontents1.1. Virus del dengue . . . . . . . . . . . . . . . . . . . . . . . . . . . 7spa
dc.description.tableofcontents1.1.1. Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . 7spa
dc.description.tableofcontents1.1.2. Síntomas . . . . . . . . . . . . . . . . . . . . . . . . . . . 8spa
dc.description.tableofcontents1.1.3. Tratamiento . . . . . . . . . . . . . . . . . . . . . . . . . . 8spa
dc.description.tableofcontents1.2. Análisis de regresión lineal . . . . . . . . . . . . . . . . . . . . . . 9spa
dc.description.tableofcontents1.3. Modelos clásicos para el análisis de series temporales . . . . . . . 10spa
dc.description.tableofcontents1.3.1. Modelo Autorregresivo Integrado de Medias Móviles no Estacional. . . . . . . . . . . . . . . . . . . . . . . . . . . 11spa
dc.description.tableofcontents1.3.2. Modelo Autorregresivo Integrado de Medias Móviles Estacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12spa
dc.description.tableofcontents1.4. Modelos de series temporales con variables exógenas . . . . . . . 13spa
dc.description.tableofcontents1.4.1. Modelos ARIMAX y SARIMAX . . . . . . . . . . . . . . 13spa
dc.description.tableofcontents1.5. Metodología Box-Jenkins . . . . . . . . . . . . . . . . . . . . . . 14spa
dc.description.tableofcontents1.5.1. Paso preliminar: Análisis exploratorio de los datos. . . . . 14spa
dc.description.tableofcontents1.5.2. Paso 1: Identificación del modelo. . . . . . . . . . . . . . . 14spa
dc.description.tableofcontents1.5.3. Paso 2: Estimación del modelo. . . . . . . . . . . . . . . . 15spa
dc.description.tableofcontents1.5.4. Paso 3: Diagnostico del modelo. . . . . . . . . . . . . . . . 15spa
dc.description.tableofcontents1.5.5. Paso 4: Pronóstico. . . . . . . . . . . . . . . . . . . . . . . 15spa
dc.description.tableofcontents1.6. Método de validación cruzada . . . . . . . . . . . . . . . . . . . . 16spa
dc.description.tableofcontents1.7. Criterios para la selección del modelo. . . . . . . . . . . . . . . . 16spa
dc.description.tableofcontents2. Antecedentes.......................................................................................................................... 17spa
dc.description.tableofcontents3. Fuentes de los datos ...........................................................................................................19spa
dc.description.tableofcontents3.1. Datos de los casos del dengue en el departamento de Córdoba . . 20spa
dc.description.tableofcontents3.2. Variable respuesta . . . . . . . . . . . . . . . . . . . . . . . . . . 20spa
dc.description.tableofcontents3.3. Variables exógenas . . . . . . . . . . . . . . . . . . . . . . . . . . 20spa
dc.description.tableofcontents4. Resultados.................................................................................................................................. 21spa
dc.description.tableofcontents4.1. Análisis preliminar . . . . . . . . . . . . . . . . . . . . . . . . . . 21spa
dc.description.tableofcontents4.2. Validación cruzada . . . . . . . . . . . . . . . . . . . . . . . . . . 21spa
dc.description.tableofcontents4.3. Identificación y estimación del modelo . . . . . . . . . . . . . . . 22spa
dc.description.tableofcontents4.4. Comparación de varios modelos candidatos . . . . . . . . . . . . 22spa
dc.description.tableofcontents4.5. Selección del mejor modelo . . . . . . . . . . . . . . . . . . . . . 22spa
dc.description.tableofcontents5. Conclusión................................................................................................................................ 23spa
dc.description.tableofcontentsBibliografía................................................................................................................................ 24spa
dc.format.mimetypeapplication/pdfspa
dc.identifier.urihttps://repositorio.unicordoba.edu.co/handle/ucordoba/7692
dc.language.isospaspa
dc.publisher.facultyFacultad de Ciencias Básicasspa
dc.publisher.placeMontería, Córdoba, Colombiaspa
dc.publisher.programEstadísticaspa
dc.rightsCopyright Universidad de Córdoba, 2023spa
dc.rights.accessrightsinfo:eu-repo/semantics/embargoedAccessspa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/spa
dc.subject.keywordsDenguespa
dc.subject.keywordsTime series analysisspa
dc.subject.keywordsIncidence ratespa
dc.subject.keywordsSARIMAXspa
dc.subject.keywordsExogenous variablesspa
dc.subject.proposalDenguespa
dc.subject.proposalAnálisis de series de tiempospa
dc.subject.proposalTasa de incidenciaspa
dc.subject.proposalSARIMAXspa
dc.subject.proposalVariables exógenasspa
dc.titleAnálisis de series temporales para pronosticar los casos de dengue en el departamento de Córdobaspa
dc.typeTrabajo de grado - Pregradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesisspa
dc.type.redcolhttp://purl.org/redcol/resource_type/ARTspa
dc.type.versioninfo:eu-repo/semantics/submittedVersionspa
dcterms.referencesAkaike, H. (1976). Canonical correlation analysis of time series and the use of an information criterion. In Mathematics in science and engineering, volume 126, pages 27–96. Elsevier.spa
dcterms.referencesBaeza-Serrato, R. and Vázquez-López, J. A. (2014). Transición de un modelo de regresión lineal múltiple predictivo, a un modelo de regresión no lineal simple explicativo con mejor nivel de predicción: Un enfoque de dinámica de sistemas. Revista Facultad de Ingeniería Universidad de Antioquia, pages 59 – 71.spa
dcterms.referencesBenedum, C. M., Shea, K. M., Jenkins, H. E., Kim, L. Y., and Markuzon, N. (2020). Weekly dengue forecasts in iquitos, peru; san juan, puerto rico; and singapore. PLoS neglected tropical diseases, 14(10):e0008710.spa
dcterms.referencesBomfim, R., Pei, S., Shaman, J., Yamana, T., Makse, H. A., Andrade Jr, J. S., Lima Neto, A. S., and Furtado, V. (2020). Predicting dengue outbreaks at neighbourhood level using human mobility in urban areas. Journal of the Royal Society Interface, 17(171):20200691.spa
dcterms.referencesBox, G., Jenkins, G., Reinsel, G., and Ljung, G. (2016). Time series analysis: forecasting and control. John Wiley & Sons, 5 edition.spa
dcterms.referencesBuczak, A. L., Baugher, B., Moniz, L. J., Bagley, T., Babin, S. M., and Guven, E. (2018). Ensemble method for dengue prediction. PloS one, 13(1):1–23.spa
dcterms.referencesCastillo, B., Castillo, J., and Salas, M. (2015). El dengue y su incidencia en la salud de niños y adolescentes frente a la economía colombiana. Revista Medicina - Facultad de Ciencias de la Salud - Programa de Medicina, 14:38– 44.spa
dcterms.referencesCastrillón, J. C., Castaño, J. C., and Urcuqui, S. (2015). Dengue en Colombia: diez años de evolución. Revista chilena de infectología, 32:142–149.spa
dcterms.referencesCastro, R., Carrasquilla, G., Porras, A., Galera-Gelvez, K., Lopez, J. G., and Rueda-Gallardo, J. (2016). The burden of dengue and the financial cost to colombia, 2010–2012. The American journal of tropical medicine and hygiene, 94(5):1065spa
dcterms.referencesChakraborty, T., Chattopadhyay, S., and Ghosh, I. (2019). Forecasting dengue epidemics using a hybrid methodology. Physica A: Statistical Mechanics and its Applications, 527:121266.spa
dcterms.referencesChatfield, C. (1979). Inverse autocorrelations. Journal of the Royal Statistical Society: Series A (General), 142(3):363–377.spa
dcterms.referencesCleveland, W. S. (1972). The inverse autocorrelations of a time series and their applications. Technometrics, 14(2):277–293.spa
dcterms.referencesCooper, D. M. and Wood, E. F. (1982). Identifying multivariate time series models. Journal of Time Series Analysis, 3(3):153–164.spa
dcterms.referencesCorres, G., Esteban, A., García, J. C., and Zárate, C. (2009). Análisis de series temporales. Revista Ingeniería Industrial, 8(1).spa
dcterms.referencesCortes, F., Martelli, C. M. T., de Alencar Ximenes, R. A., Montarroyos, U. R., Junior, J. B. S., Cruz, O. G., Alexander, N., and de Souza, W. V. (2018). Time series analysis of dengue surveillance data in two brazilian cities. Acta tropica, 182:190–197.spa
dcterms.referencesCryer, J. and Chan, K.-S. (2008). Time series analysis: With applications in R. Springer, 2 edition.spa
dcterms.referencesDíaz, M., Cruz, E., and Pineda, W. (2021). Modelamiento del precio de la papa criolla en el departamento de Cundinamarca por medio de series de tiempo y modelos dinámicos. Comunicaciones en Estadística, 14(1):31–52.spa
dcterms.referencesGabriel, A., Alencar, A., and Miraglia, S. (2019). Dengue outbreaks: unpredictable incidence time series. Epidemiology & Infection, 147spa
dcterms.referencesGonzález-Sopeña, J., Pakrashi, V., and Ghosh, B. (2021). An overview of performance evaluation metrics for short-term statistical wind power forecasting. Renewable and Sustainable Energy Reviews, 138:110515.spa
dcterms.referencesGonzález Tous, M. and Mattar, S. (2018). ¿los microbiomas de insectos y los virus específicos de insectos son una nueva clave para entender las enfermedades de los arbovirus? Revista MVZ Córdoba, 23(2):6595–6597.spa
dcterms.referencesGuhl, F. (2011). Una articulación necesaria para el buen desempeño de los programas en salud pública. Biomédica, 31.spa
dcterms.referencesGujarati, D. (2010). Econometría. McGRAW-HILL, 5 editionspa
dcterms.referencesHyndman, R. J. and Athanasopoulos, G. (2018). Forecasting: principles and practice. OTexts.spa
dcterms.referencesJaramillo, A. C. (2000). Infecciones por arbovirus. Revista MVZ Córdoba, 5(1).spa
dcterms.referencesJayaraj, V. J., Avoi, R., Gopalakrishnan, N., Raja, D. B., and Umasa, Y. (2019). Developing a dengue prediction model based on climate in tawau, malaysia. Acta tropica, 197:105055.spa
dcterms.referencesKannan, M., Ananthan, M., Kalyanasundaram, M., Jayaprakash, S., Elango, K., and Kumar, P. D. (2022). Population dynamics, weather parameters interaction of insect pests on indian bean, lablab purpureus and prediction analysis using arimax model. Journal of Environmental Biology, 43(4):578– 584.spa
dcterms.referencesLi, Z., Gurgel, H., Xu, L., Yang, L., and Dong, J. (2022). Improving dengue forecasts by using geospatial big data analysis in google earth engine and the historical dengue information-aided long short term memory modeling. Biology, 11(2):169.spa
dcterms.referencesLópez-Montenegro, L. E., Pulecio-Montoya, A. M., and Marcillo-Hernández, G. A. (2019). Dengue cases in Colombia: Mathematical forecasts for 2018– 2022. MEDICC review, 21:38–45.spa
dcterms.referencesMattar, S., Montero A, J., and González Tous, M. (2019). La historia del dengue aún no termina. Revista MVZ Córdoba, 24(2):7177–7179.spa
dcterms.referencesMontgomery, D. C., Peck, E. A., and Vining, G. G. (2006). Introduction to linear regression analysis. John Wiley & Sons, 5 edition.spa
dcterms.referencesNavarro Valencia, V., Díaz, Y., Pascale, J. M., Boni, M. F., and Sanchez-Galan, J. E. (2021). Assessing the effect of climate variables on the incidence of dengue cases in the metropolitan region of panama city. International journal of environmental research and public health, 18(22):12108.spa
dcterms.referencesOMS (2009). Dengue: Guías para el diagnóstico, tratamiento, prevención y control: Nueva edición. Technical report, Organizacion Mundial de la Salud (OMS).spa
dcterms.referencesOrganización Mundial de la Salud (2022). Dengue y dengue grave. https://www.who.int/es/news-room/fact-sheets/detail/dengue -and-severe-dengue. Accessed: 2022-11-30.spa
dcterms.referencesPadilla, J., Rojas, D., and Sáenz, R. (2012). Dengue en Colombia: epidemiología de la reemergencia a la hiperendemia. Guías de Impresión Ltda.spa
dcterms.referencesPan American Health Organization (2022). Dengue - ops/oms — organización panamericana de la salud. https://www.paho.org/es/temas/dengue. Accessed: 2022-11-30.spa
dcterms.referencesPolwiang, S. (2020). The time series seasonal patterns of dengue fever and associated weather variables in bangkok (2003-2017). BMC infectious diseases, 20(1):1–10.spa
dcterms.referencesSuárez, M. F. and Nelson, M. J. (1981). Registro de altitud del aedes aegypti en colombia. Biomédica, 1(4):225–225.spa
dcterms.referencesSánchez Jabba, A. M. (2014). Análisis de la respuesta del Estado colombiano frente al Fenómeno de La Niña 2010-2011: El caso de Santa Lucía.spa
dcterms.referencesTaieb, S. B., Bontempi, G., Atiya, A. F., and Sorjamaa, A. (2012). A review and comparison of strategies for multi-step ahead time series forecasting based on the nn5 forecasting competition. Expert systems with applications, 39(8):7067–7083.spa
dcterms.referencesTaieb, S. B., Sorjamaa, A., and Bontempi, G. (2010). Multiple-output modeling for multi-step-ahead time series forecasting. Neurocomputing, 73(10-12):1950– 1957.spa
dcterms.referencesThiruchelvam, L., Dass, S. C., Asirvadam, V. S., Daud, H., and Gill, B. S. (2021). Determine neighboring region spatial effect on dengue cases using ensemble arima models. Scientific Reports, 11(1):5873.spa
dcterms.referencesTsay, R. S. and Tiao, G. C. (1984). Consistent estimates of autoregressive parameters and extended sample autocorrelation function for stationary and nonstationary arma models. Journal of the American Statistical Association, 79(385):84–96.spa
dcterms.referencesTsay, R. S. and Tiao, G. C. (1985). Use of canonical analysis in time series model identification. Biometrika, 72(2):299–315.spa
dcterms.referencesVishwas, B. and Patel, A. (2020). Hands-on Time Series Analysis with Python. Springer.spa
dcterms.referencesWang, D., Gryshova, I., Kyzym, M., Salashenko, T., Khaustova, V., and Shcherbata, M. (2022). Electricity price instability over time: Time series analysis and forecasting. Sustainability, 14(15):9081.spa
dcterms.referencesWang, J., Song, Y., Liu, F., and Hou, R. (2016). Analysis and application of forecasting models in wind power integration: A review of multi-step-ahead wind speed forecasting models. Renewable and Sustainable Energy Reviews, 60:960–981.spa
dcterms.referencesWoodward, W. A. and Gray, H. L. (1981). On the relationship between the s array and the box-jenkins method of arma model identification. Journal of the American Statistical Association, 76(375):579–587.spa
dcterms.referencesZhao, N., Charland, K., Carabali, M., Nsoesie, E. O., Maheu-Giroux, M., Rees, E., Yuan, M., Garcia Balaguera, C., Jaramillo Ramirez, G., and Zinszer, K. (2020). Machine learning and dengue forecasting: Comparing random forests and artificial neural networks for predicting dengue burden at national and sub-national scales in colombia. PLOS Neglected Tropical Diseases, 14(9):e0008056.spa
dspace.entity.typePublication
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa
oaire.versionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
Archivos
Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
MEDINA SEGOVIA, EVER.pdf
Tamaño:
728.2 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
No hay miniatura disponible
Nombre:
AutorizaciónPublicación..pdf
Tamaño:
345.04 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
14.48 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
B.F.K. Artículos