Abstract Research around the world has focused on developing ways to predict hydraulic parameters in water distribution systems. The application of these forecasts can contribute to the decision-making of water distribution systems managers, aiming to ensure that the demand is met, and even to reduce water losses. The present work sought, among two data prediction models (ARIMA and Multi-Layer Perceptron Artificial Neural Networks), to assess which one can perform best predictions of pressure and discharge rate data. To reach the stipulated goal, real data were obtained from a water supply network provided by NUMMARH - Nucleus of Modeling and Simulation in Environment and Water Resources and Systems of the Federal University of Itajubá, Brazil. These data initially underwent an adjustment so that it was possible to develop a computer program. The results showed that the best prediction model for the data in question was ARIMA, presenting a mean absolute percentage error (MAPE) of 8.54%. Thus, it is concluded that ARIMA models are easy to build and apply, being an advantageous tool to predict such hydraulic parameters. decisionmaking decision making managers met losses sought MultiLayer Multi Layer Networks, Networks , Networks) goal Itajubá Brazil program MAPE (MAPE 854 8 54 8.54% Thus apply 85 5 8.54 8.5 8.

Resumo Pesquisas ao redor do mundo vem se concentrando em desenvolver maneiras de prever parâmetros hidráulicos em sistemas de distribuição de água. A aplicação destas previsões pode contribuir para a tomada de decisão dos gestores dos sistemas de distribuição de água, visando a garantia do atendimento da demanda, e até mesmo a redução de perdas de água. O presente trabalho buscou, dentre os modelos ARIMA e Redes Neurais Artificiais do tipo “Perceptron” de múltiplas camadas, identificar qual é capaz de realizar a melhor previsão de dados de pressão e vazão. Primeiro foram obtidos dados reais de uma rede de abastecimento de água em região de topografia irregular, que foram coletados pelo grupo de pesquisa NUMMARH - Núcleo de Modelagem e Simulação em Meio Ambiente e Recursos e Sistemas Hídricos, e fornecidos para execução deste trabalho. Os resultados mostraram que o melhor modelo de previsão para os dados em questão foi o ARIMA, apresentando erro médio percentual absoluto (MAPE) de 8,54%. Como conclusão identificou-se que os modelos ARIMA são de fácil construção e aplicação, sendo assim uma vantagem para se prever tais parâmetros hidráulicos. demanda buscou Perceptron “Perceptron camadas vazão irregular Hídricos MAPE (MAPE 854 8 54 8,54% identificouse identificou 85 5 8,54 8,5 8,

Resumen El uso de plantas solares fotovoltaicas para la generación de energía eléctrica ha ido en constante aumento en los últimos años. Muchas de estas se conectan a la red eléctrica externa, por lo que se hace necesario el pronóstico de la energía eléctrica generada por las plantas solares para coadyuvar en la gestión del operador de la red. En esta investigación se presenta una metodología basada en la ciencia de datos para desarrollar el pronóstico de energía eléctrica generada de plantas solares fotovoltaicas, utilizando, para efectos de comparación, tres técnicas diferentes: análisis de series de tiempo, regresión lineal múltiple, y red neuronal artificial. Se trabajó con los datos históricos de la potencia pico, la irradiancia solar, la temperatura ambiente, la velocidad del viento, y la tasa de suciedad, de una planta solar fotovoltaica experimental del NREL. Para evaluar el desempeño de los modelos se utilizan las métricas RMSE, MAE, y MAPE, resultando que el modelo ARIMA del análisis de series de tiempo fue el que mejor desempeño tuvo con un MAE de 1.38 kWh, RMSE de 1.40 kWh, y MAPE de 6.35 %. En el análisis de correlación se determinó que la generación de energía era independiente de la tasa de suciedad, por lo que se descartó esta variable en los modelos de regresión.

Abstract The use of photovoltaic solar plants for the generation of electrical energy has been constantly increasing in recent years, and many of these plants are connected to the external electrical network, which makes it necessary to forecast the electrical energy generated by the solar plants to assist in the management of the network operator. This research presents a methodology based on data science to develop the forecast of electrical energy generated from photovoltaic solar plants, using three different techniques for comparison purposes: time series analysis, multiple linear regression, and artificial neural network. Historical data of peak power, solar irradiance, ambient temperature, wind speed, and soiling rate from an experimental NREL photovoltaic solar plant were used. To evaluate the performance of the models, the RMSE, MAE, and MAPE metrics are used, resulting in the ARIMA model of the time series analysis having the best performance with a MAE of 1.38 kWh, RMSE of 1.40 kWh, and MAPE of 6.35 %. In the correlation analysis, it was determined that power generation was independent of the soiling rate, so this variable was discarded in the regression models.

Objetivo: analisar o padrão temporal e estimar as taxas de mortalidade nas primeiras 24 horas de vida e por causas evitáveis no estado de Pernambuco no período de 2000 a 2021. Método: estudo ecológico, tendo como unidade de análise o trimestre. A fonte de dados foi constituída pelo Sistema de Informações sobre Mortalidade e pelo Sistema de Informações sobre Nascidos Vivos. A modelagem da série temporal foi conduzida segundo o Modelo Autorregressivo Integrado de Médias Móveis. Resultados: foram registrados 14.462 óbitos nas primeiras 24 horas de vida, sendo 11.110 (76,8%) evitáveis. Observa-se para os forecasts que a taxa de mortalidade nas primeiras 24 horas de vida variou de 3,3 a 2,4 por 1.000 nascidos vivos, e a taxa de mortalidade por causas evitáveis variou de 2,3 a 1,8 por 1.000 nascidos vivos. Conclusão: a previsão sugeriu avanços na redução da mortalidade nas primeiras 24 horas de vida no estado e por causas evitáveis. Os modelos ARIMA apresentaram estimativas satisfatórias para as taxas de mortalidade e por causas evitáveis nas primeiras 24 horas de vida. Objetivo 2 200 2021 Método ecológico trimestre Vivos Móveis Resultados 14462 14 462 14.46 11110 11 110 11.11 76,8% 768 76 8 (76,8% Observase Observa se 33 3 3, 4 2, 1000 1 000 1.00 vivos 23 18 1, Conclusão 20 202 1446 46 14.4 1111 11.1 76,8 7 (76,8 100 00 1.0 144 14. 111 11. 76, (76, 10 0 1. (76 (7 (

Objective: to analyze the temporal pattern and estimate mortality rates in the first 24 hours of life and from preventable causes in the state of Pernambuco from 2000 to 2021. Method: an ecological study, using the quarter as the unit of analysis. The data source was made up of the Mortality Information System and the Live Birth Information System. The time series modeling was conducted according to the Autoregressive Integrated Moving Average Model. Results: 14,462 deaths were recorded in the first 24 hours of life, 11,110 (76.8%) of which being preventable. It is observed from the forecasts that the mortality rate in the first 24 hours of life ranged from 3.3 to 2.4 per 1,000 live births, and the mortality rate from preventable causes ranged from 2.3 to 1.8 per 1,000 live births. Conclusion: the prediction suggested progress in reducing mortality in the first 24 hours of life in the state and from preventable causes. The ARIMA models presented satisfactory estimates for mortality rates and preventable causes in the first 24 hours of life. Objective 2 200 2021 Method study analysis Model Results 14462 14 462 14,46 11110 11 110 11,11 76.8% 768 76 8 (76.8% 33 3 3. 4 2. 1000 1 000 1,00 births 23 18 1. Conclusion 20 202 1446 46 14,4 1111 11,1 76.8 7 (76.8 100 00 1,0 144 14, 111 11, 76. (76. 10 0 1, (76 (7 (

Objetivo: analizar el patrón temporal y estimar las tasas de mortalidad en las primeras 24 horas de vida y por causas evitables en el estado de Pernambuco en el período de 2000 a 2021. Método: estudio ecológico, teniendo como unidad de análisis el trimestre. La fuente de datos se constituyó por el Sistema de Informaciones sobre Mortalidad y el Sistema de Informaciones sobre Nacidos Vivos. El modelado de series temporales se realizó según el Modelo Autorregresivo Integrado de Promedio Móvil. Resultados: se registraron 14.462 óbitos en las primeras 24 horas de vida, siendo 11.110 (el 76,8%) evitables. Se observa para los pronósticos ( forecasts) que la tasa de mortalidad en las primeras 24 horas de vida registro una variación de 3,3 a 2,4 por 1.000 nacidos vivos, y la tasa de mortalidad por causas evitables de 2,3 a 1,8 por 1.000 nacidos vivos. Conclusión: la predicción sugirió avances en la reducción de la mortalidad en las primeras 24 horas de vida en el estado y por causas evitables. Los modelos ARIMA presentaron estimaciones satisfactorias para las tasas de mortalidad y por causas evitables en las primeras 24 horas de vida. Objetivo 2 200 2021 Método ecológico trimestre Vivos Móvil Resultados 14462 14 462 14.46 11110 11 110 11.11 76,8% 768 76 8 forecasts 33 3 3, 4 2, 1000 1 000 1.00 vivos 23 18 1, Conclusión 20 202 1446 46 14.4 1111 11.1 76,8 7 100 00 1.0 144 14. 111 11. 76, 10 0 1.

Abstract In recent years, a significant number of demographic statistical methods have been proposed. Most of them have been developed with the purpose of forecasting demographic components or indicators derived from the assumptions of an underlying model. The present work aims to carry out a comprehensive comparative exercise through the estimation and forecast of fertility based on three proposals -classic forecast methods such as ARIMA models and exponential smoothing, functional data models (FDM) and Bayesian hierarchical models (BHM)- as a first step towards the study of population projections derived from each of method, using data from Argentina. The exercise has as final objective the estimation of mortality and fertility through the three aforementioned methods to later integrate them into population projections.

Resumen En los últimos años se ha propuesto una importante cantidad de métodos estadísticos demográficos. La gran mayoría han sido desarrollados con la finalidad de pronosticar las componentes demográficas y/o medidas derivadas a partir de la suposición de un modelo subyacente. El presente trabajo pretende realizar un ejercicio comparativo integral a través de la estimación y pronóstico de la fecundidad a partir de tres propuestas -métodos clásicos de pronóstico, tales como los modelos ARIMA y los suavizados exponenciales, modelos para datos funcionales (MDF) y modelos jerárquicos bayesianos (MJB)-, como un primer paso hacia el estudio de las proyecciones de población derivadas de cada una de ellas, empleando datos de la Argentina. El ejercicio tiene como horizonte final la estimación de la mortalidad y la fecundidad a través de los tres métodos mencionados para luego integrarlos en proyecciones de población.

Abstract Dengue is an arboviral disease that annually reports a large number of infected on the north coast and the Peruvian jungle. According to statistics, it is increasing yearly. This article aims to develop a systematic review of the scientific literature on the study variables and the machine learning methods currently used for detecting dengue infection. The methodology used was PRISMA, initially mapping the literature of 274 scientific articles, leaving 33 articles selected for the systematic review. The results obtained are that the most used machine learning algorithms are neural networks (NN) and support vector machine (SVM). Likewise, it has been found that scientists tend to carry out research with climatic or demographic variables to obtain better results. It is concluded that the machine learning methods that have been used the most are neural networks of different types: convolutional, recurrent, deep, and multilayer, and for the prediction of dengue outbreaks the time series methods with LSTM and ARIMA were the predominant ones, it was also established that the trend is towards the inclusion of climatic and demographic variables in the prediction models.

El dengue es una enfermedad arboviral que anualmente reporta un gran número de infectados en la costa norte y la selva peruana. Según las estadísticas, está aumentando cada año. Este artículo tiene como objetivo desarrollar una revisión sistemática de la literatura científica sobre las variables de estudio y los métodos de aprendizaje automático utilizados actualmente para detectar la infección por dengue. La metodología utilizada fue PRISMA, mapeando inicialmente la literatura de 274 artículos científicos, quedando seleccionados 33 artículos para la revisión sistemática. Los resultados obtenidos son que los algoritmos de aprendizaje automático más utilizados son las redes neuronales (NN) y support vector machine (SVM). Asimismo, se ha encontrado que los científicos tienden a realizar investigaciones con variables climáticas o demográficas para obtener mejores resultados. Se concluye que los métodos de aprendizaje automático que más se han utilizado son las redes neuronales de diferentes tipos: convolucional, recurrente, profunda y multicapa, y para la predicción de brotes de dengue predominaron los métodos de series de tiempo con LSTM y ARIMA, también se estableció que la tendencia es hacia la inclusión de variables climáticas y demográficas en los modelos de predicción.

Abstract Forecasting vehicle traffic flow is considered an important input for traffic planning and management for the countries' intelligent transport systems (ITS). This article analyzes the hourly flow of light vehicle traffic that drives in highway 27 of Costa Rica in one direction (San JoseCaldera). The data collected by the ITS of the route is used to forecast the behavior of hourly vehicular traffic. For this, three forecasting methods are proposed, which are compared to select the model with best performance: Seasonal Arima (SARIMA), Seasonal Naïve (SNAIVE), and Autoregression with Neural Network (NNAR). All three models are evaluated and are considered useful for prediction, however the NNAR model results in better performance when forecasting the hourly time series with the lowest MAPE of 9.4 and is consider a candidate for use in ITS. By applying the cross-validation process in the models, the conclusion is supported that as the NNAR is tested for more days, the prediction results are more stable and accurate.

Resumen El pronóstico de flujo de tráfico vehicular se considera un insumo importante para la gestión y planificación de tráfico para los sistemas de transporte inteligente (STI) de los países. En este artículo se analiza el flujo horario del tráfico de vehículos livianos que circulan en un sentido de la Ruta 27 (San José-Caldera) en Costa Rica. Se aprovechan los datos recolectados por los STI de la ruta para pronosticar el comportamiento de tráfico vehicular horario. Para ello, se proponen tres métodos de predicción, los cuales se comparan para seleccionar el modelo de mejor rendimiento: Arima Estacional (SARIMA), Ingenuo Estacional (SNAIVE)y Autoregresión con Redes Neuronales (NNAR). Los tres modelos de predicción son evaluados y se consideran útiles a la predicción, sin embargo, el modelo de NNAR tiene como resultado un mejor rendimiento al pronosticar la serie de tiempo por hora, teniendo como resultado el menor MAPE de 9.4 y se considera un candidato para ser utilizado en los STI. Al aplicar el proceso de validación cruzada en los modelos, se respalda la conclusión que conforme se prueba el modelo NNAR para más días los resultados de la predicción son más estables y precisos.

Abstract COVID-19 has caused massive disruption at different levels. Scholars around the world have produced a significant number of studies to understand, reduce and predict the effects of this pandemic. Prediction models are crucial at this time of uncertainty and labor indicators are key macroeconomics variables to plan the recovery of the effects of COVID-19. This study aims to model and predict the trend of the Ecuadorian labor system. The statistical analysis model applied for this study was the X-13ARIMA to predict the behavior of four indicators of the Ecuadorian labor system and establish their natural tendency by isolating the COVID-19 variable and determine the quantitative impact of the pandemic. The results show that the labor system was greatly affected by the COVID-19 outbreak; however, a deterioration was already observed in full employment and expanded underemployment. The study concludes that the pandemic altered seasonality of the labor indicators.

Resumen El COVID-19 ha causado una interrupción masiva en diferentes niveles. Académicos de todo el mundo han producido una cantidad significativa de estudios para comprender, reducir y predecir los efectos de esta pandemia. Los modelos de predicción son cruciales en este momento de incertidumbre y los indicadores laborales son variables macroeconómicas clave para planificar la recuperación de los efectos del COVID-19. Este estudio tiene como objetivo modelar y predecir la tendencia del sistema laboral ecuatoriano. El modelo de análisis estadístico aplicado para este estudio fue el X-13ARIMA para predecir el comportamiento de cuatro indicadores del sistema laboral ecuatoriano y establecer su tendencia natural aislando la variable COVID-19 y determinar el impacto cuantitativo de la pandemia. Los resultados muestran que el sistema laboral se vio muy afectado por el brote de COVID-19; sin embargo, ya se observaba un deterioro en el pleno empleo y el subempleo ampliado. El estudio concluye que la pandemia alteró la estacionalidad de los indicadores laborales.

Abstract Corn is one of the most important products in the world due to its nutritional qualities related to human, animal consumption and industrial use. A predictor of corn price behavior is useful for producers and marketers in making decisions. A price indicator is provided in international stock exchanges; however, in Mexico there is no stock exchange that provides an adequate signal about the future behavior of white corn prices in Mexico. In this research, an analysis of white corn prices in Michoacán and Jalisco was carried out, using autoregressive integrated moving average (ARIMA) models with the aim of providing a predictor of white corn prices. Two models were built for each series and point estimates were made. The predictive capacity of the models was evaluated using the mean absolute percentage error, the root-mean-square error and Theil’s U. The results showed that the price of corn in Michoacán and Jalisco can be predicted by its past values with an AR (1) model and an MA (2) model. It was concluded that these models provide a predictor for corn prices and constitute a useful tool in planning and making decisions regarding the process of production, commercialization and related products.

Resumen El maíz es uno de los productos más importantes en el mundo debido a sus cualidades alimenticias relacionadas con el consumo humano, animal y uso industrial. Un predictor del comportamiento del precio del maíz es de utilidad para los productores y comercializadores en la toma de decisiones. Un indicador del precio es proporcionado en las bolsas internacionales; sin embargo, en México no existe una bolsa que proporcione una señal adecuada sobre el comportamiento futuro de los precios del maíz blanco en México. En esta investigación se realizó un análisis de los precios del maíz blanco en Michoacán y Jalisco, usando modelos autorregresivos integrados de media móvil (ARIMA) con el objetivo de proporcionar un predictor de los precios del maíz blanco. Se construyeron dos modelos para cada serie y se realizaron estimaciones puntuales. Se evaluó la capacidad predictiva de los modelos usando el error porcentual absoluto medio del inglés mean absolute percentage error, la raíz del error cuadrático medio y la U de Theil. Los resultados mostraron que el precio del maíz en Michoacán y Jalisco puede predecirse mediante sus valores pasados con un modelo AR (1) y un modelo MA (2). Se concluyó que estos modelos proporcionan un predictor para los precios de maíz y constituyen una herramienta útil en la planeación y toma de decisiones referentes al proceso productivo, de comercialización y productos relacionados.

Resumo As fontes renováveis são responsáveis por mais da metade da geração elétrica brasileira, as quais correspondem basicamente às fontes hidráulica, biomassa e eólica. A presente pesquisa teve como objetivo verificar se os modelos Autorregressivos Integrados de Médias Móveis (ARIMA) possuem bom desempenho ao prever a geração de eletricidade das fontes biomassa, hidráulica e eólica nos primeiros meses da pandemia da COVID-19 no Brasil. O melhor modelo de previsão ajustado para as fontes biomassa, hidráulica e eólica foi o SARIMA, uma vez que esse modelo foi capaz de identificar os efeitos sazonais causados por instabilidades climáticas, como períodos de estiagem. Devido à sazonalidade das principais fontes geradoras, a geração renovável precisa ser compensada com outras fontes, como as não renováveis. Dessa forma, mais esforços são necessários para tornar a matriz elétrica brasileira mais sustentável.

Abstract Renewable sources are responsible for more than half of Brazilian electric generation, which basically correspond to hydropower, biomass and wind sources. This research aimed to verify if the Autoregressive Integrated Moving Average (ARIMA) models present good performance in predicting electricity generation from biomass, hydropower and wind power for the first months of COVID-19 pandemic in Brazil. The best forecasting models adjusted for biomass, hydropower and wind generation was the SARIMA, since this model was able to identify seasonal effects of climatic instability, such as periods of drought. Based on the seasonality of the largest generating sources, renewable generation needs to be offset by other sources, as non-renewable, and more efforts are needed to make Brazilian electric matrix more sustainable.

Resumen La necesidad de adoptar adecuados enfoques empresariales para lograr un mejor desempeño ambiental constituye una tarea inminente. Desarrollar modelos predictivos para indicadores ambientales constituye el objetivo principal de este artículo. Para ello se emplearon tecnologías que demostraron ser competentes para el logro del mismo. La aplicación de técnicas de minería de datos permitió capturar los patrones pasados y replicarlos, además de realizar estimaciones con datos nuevos o fuera de muestra, así como inferir comportamientos y resultados futuros, en aras de anticipar posibles situaciones de deterioro que comprometan la sostenibilidad ambiental. Los experimentos diseñados para comparar los resultados en la clasificación al emplear los modelos predictivos, demuestran que el porcentaje de error oscila entre el 4% y el 5%, lo que evidencia un grado muy bueno (alto), de acuerdo con las escalas de comprobación.

Abstract The need to embrace adequate entrepreneurial focuses to achieve a better environmental performance constitutes an imminent task. Developing predictive models for environmental indicators constitutes the main objective of this paper. An information-technology tool that backs up the decision making will enable an efficient entrepreneurial environmental management, in such a way that they avoid errors that are commented at the present time. The application of techniques of data mining enabled capturing the last bosses and to reply to them, in addition to accomplish estimates with new data or out of sample, as well as inferring behaviors and future results, for the sake of anticipating possible situations of deterioration that compromise the environmental sustainability. The experiments designed to compare to the results in classification using the predictive models, prove that the percentage of error oscillates between the 4 % and the 5 %, what demonstrates extremely good degree of precision (height), according to the scales of verification.

Abstract This work develops a comparison between the volatility prediction of traditional time series models (ARIMA, EGARCH and PARCH), against two new proposed models based on fuzzy theory (FTS-Fuzzy ARIMA Tseng's and FTS-Fuzzy ARIMA Tanaka's). To make this comparison, we estimated the Mexican peso - US dollar exchange rate yield from January 2008 to December 2017. Our main result is that the models based on fuzzy theory generate a better estimate of the volatility. The fuzzy models show a smaller least forecast error than the traditional time series in both; in and out of sample tests; for the volatility in the yield of the Mexican peso - US dollar exchange rate. Therefore, the fuzzy models showed higher efficiency and better reflects the market information.

Resumen Este trabajo desarrolla una comparación entre la predicción de volatilidad de los modelos tradicionales de series de tiempo (ARIMA, EGARCH y PARCH), contra dos nuevos modelos propuestos basados en la teoría difusa (FTS-Fuzzy ARIMA Tseng y FTS-Fuzzy ARIMA Tanaka). Para hacer esta comparación, estimamos el rendimiento del tipo de cambio peso mexicano - dólar estadounidense desde enero de 2008 hasta diciembre de 2017. Nuestro resultado principal es que los modelos basados en la teoría difusa generan una mejor estimación de la volatilidad. Los modelos difusos muestran un menor error de pronóstico que la serie de tiempo tradicional en ambos; dentro y fuera de las pruebas de muestra; para la volatilidad en el rendimiento del tipo de cambio peso mexicano - dólar estadounidense. Por lo tanto, los modelos difusos mostraron una mayor eficiencia y reflejan mejor la información del mercado.

ABSTRACT Introduction: The mathematical models are abstractions of the reality that allow for the description of important characteristics of the phenomena studied. Among these, the epidemic models are considered one of the most powerful tools to analyze and understand epidemic propagation and control. Objective: A model for the forecast of spread scenarios of the COVID-19 has been developed. Methods: A proposed population model inspired by analogy by hydrologic routing in rivers, an autoregressive integrated moving average model (ARIMA) and a transition model were combined in order to evaluate three possible spread scenarios and their temporary evolution during the development of COVID-19 pandemic. Results: In this contribution, 27 countries having coronavirus daily reports until April 16th, 2020 were studied. They were grouped by quartiles according to rates of recovered and deceased people. This information permitted the establishment of criteria for the parameters involved in the proposed model for Cuba as a case study. The favorable, not very favorable and critical epidemic spread scenarios were generated from ARIMA up to April 29th, 2020 and the transition model extended to 120 days. The results of the model implementation were compared with the real data of the pandemic evolution in Cuba up to May 22nd, 2020, resulting in a satisfactory correspondence between the real daily reports and the scenarios of active cases. This model could be used in the same way for other American countries that also have a delay with regard to the countries selected for this study.

RESUMEN Introducción: Los modelos matemáticos son abstracciones de la realidad que permiten describir características importantes de los fenómenos en estudio. Entre estos los modelos epidemiológicos son considerados una de las herramientas más poderosas para analizar y comprender la propagación y el control de epidemias. Objetivos: desarrollar un modelo para el pronóstico de escenarios de contagio de la COVID-19. Métodos: Se combinaron el modelo propuesto de población inspirado en el tránsito hidrológico en ríos, un modelo autorregresivo de medias móviles (ARIMA) y un modelo de transición para evaluar tres escenarios posibles de contagio y su evolución temporal durante el desarrollo de la pandemia de la COVID-19. Resultados: Fueron estudiados 27 países con reporte de contagio hasta el 16 de abril de 2020 y fueron agrupados por cuartiles según un parámetro que relaciona personas recuperadas y fallecidas. Esta información permitió establecer criterios sobre los parámetros involucrados en el modelo propuesto para el caso de Cuba. Los escenarios de contagio de la epidemia favorable, poco favorable y crítico fueron generados a partir de modelos ARIMA hasta el 29 de abril de 2020 y de transición, extendido a 120 días. Los resultados de la implementación del modelo fueron comparados con los datos reales de la evolución de la pandemia en Cuba hasta el 22 de mayo, obteniéndose una correspondencia satisfactoria entre los registros reales y los escenarios de casos activos. Este modelo podría utilizarse de la misma forma para otros países de América que tienen también un retardo con respecto a los países seleccionados para este estudio.

ABSTRACT The feasibility of ARIMA models for syndromic surveillance was evaluated to determine anomalies in births and mortality in swine offspring from a typical commercial farm, and to predict alarm thresholds. For this purpose, data series of these variables aggregated by month over an eight-year period (2010-2017) were analyzed. Models were selected based on the verification of the admissible, parsimonious and stable assumptions, as well as the Akaike criterion for predicting values and their 90 % confidence interval. The best fitting model for both births and mortality was an ARIMA (1,1,0). The lower limit of prediction, set as an alarm level for births, was 109 offspring. In the case of mortality, the alarm level corresponding to the upper limit of the prediction interval was 12.67 %. The ARIMA models established were feasible for syndromic surveillance strategies based on birth and mortality data series, with prediction of alarm thresholds (births <109 offspring and mortality > 10.6 %) that enable early warning and the development of timely responses to correct deviations of productive parameters and their implications.

RESUMEN Con el objetivo de determinar incoherencia en los nacimientos y mortalidad en crías porcinas de una granja comercial típica, y predecir umbrales de alarma, se evaluó la factibilidad de modelos ARIMA para la vigilancia sindrómica. Para ello se analizaron series de datos de estas variables agregadas por mes en un periodo de ocho años (2010-2017). Se seleccionaron modelos a partir de la verificación de los supuestos Admisible, Parsimonioso y Estable, así como el criterio de Akaike para la predicción de valores y su intervalo de confianza al 90%. El modelo de mejor ajuste, tanto para los nacimientos como para la mortalidad, fue un ARIMA (1,1,0). El límite inferior de la predicción, establecido como nivel de alarma para los nacimientos, fue de 109 crías. En el caso de la mortalidad, el nivel de alarma correspondiente al límite superior del intervalo de predicción fue de 12,67 %. Los modelos ARIMA establecidos resultaron factibles para estrategias de vigilancia sindrómica, basadas en series de datos de nacimientos y mortalidad, con predicción de umbrales de alarma (nacimientos <109 crías y mortalidad >10,6 %) que posibilitan la alerta temprana y el desarrollo de respuestas oportunas para corregir desviaciones de los parámetros productivos y sus implicaciones.

Resumen La industria del turismo es de importancia en la región de Puno pues de ella se benefician cientos de personas. Sin embargo, ante la medida de aislamiento social producto de la pandemia mundial del COVID-19, este sector de la economía se perjudicó drásticamente ya que para el segundo trimestre de 2020 el total de arribos cayó en 100%. En este sentido es necesario conocer los arribos futuros ante ausencia de la pandemia para la estimación de las pérdidas y estrategias de reactivación. El objetivo del trabajo es conocer el comportamiento de la demanda de turismo internacional en la región de Puno y proyectarla a futuro haciendo uso de modelos de series de tiempo con información mensual del período 2003 a 2019. Los resultados de la investigación revelaron que el modelo SARIMA (6,1,24)(1,0,1)12 es el de mayor eficiencia para el modelamiento y proyección del turismo en Puno.

Abstract The tourism industry is important in the Puno region as hundreds of people benefit from it. However, in the face of the measure of social isolation resulting from the global pandemic of COVID-19, this sector of the economy was drastically damaged, since for the second quarter of 2020 the total arrivals fell by 100%. In this sense, it is necessary to know the future arrivals in the absence of the pandemic to estimate the losses and reactivation strategies. The objective of the work is to know the behavior of the demand for international tourism in the Puno region and forecast it into the future using time series models with monthly information from the period 2003 to 2019. The results of the investigation revealed that the SARIMA (6,1,24) (1,0,1)12 model is the most efficient for the modeling and forecasting of tourism in Puno.

Resumo Objetivo Avaliar a capacidade preditiva de diferentes modelos de série temporal de casos de malária no estado do Amapá, Brasil, no período 1997-2016. Métodos Estudo ecológico de séries temporais com casos de malária registrados no Amapá. Foram utilizados dez modelos estatísticos determinísticos ou estocásticos para simulação e teste em horizontes de previsão de 3, 6 e 12 meses. Resultados O teste inicial mostrou que a série é estacionária. Os modelos determinísticos apresentaram melhor desempenho do que os modelos estocásticos. O modelo ARIMA apresentou erros absolutos menores do que 2% na escala logarítmica e erros relativos 3,4-5,8 vezes menores em relação ao modelo nulo. A predição de casos futuros de malária nos horizontes de 6 e 12 meses de antecedência foi possível. Conclusão Recomenda-se o uso de modelo ARIMA para a previsão de cenários futuros e para a antecipação do planejamento nos serviços de saúde dos estados da Região Amazônica.

Abstract Objective To evaluate the predictive power of different malaria case time-series models in the state of Amapá, Brazil, for the period 1997-2016. Methods This is an ecological time series study with malaria cases recorded in the state of Amapá. Ten deterministic or stochastic statistical models were used for simulation and testing in 3, 6, and 12 month forecast horizons. Results The initial test showed that the series is stationary. Deterministic models performed better than stochastic models. The ARIMA model showed absolute errors of less than 2% on the logarithmic scale and relative errors 3.4-5.8 times less than the null model. It was possible to predict future malaria cases 6 and 12 months in advance. Conclusion The ARIMA model is recommended for predicting future scenarios and for earlier planning in state health services in the Amazon Region.

Resumen Objetivo Evaluar el poder predictivo de diferentes modelos de series de temporales de casos de malaria en el estado de Amapá, Brasil, en el periodo 1997-2016. Métodos Se trata de un estudio ecológico de series de temporales con casos de malaria registrados en el estado de Amapá. Se utilizaron diez modelos estadísticos determinísticos o estocásticos para la simulación y la prueba en horizontes de predicción de 3, 6 y 12 meses. Resultados La prueba inicial mostró que la serie es estacionaria. Los modelos determinísticos mostraron mejor desempeño que los modelos estocásticos. El modelo ARIMA mostró errores absolutos menores al 2% en la escala logarítmica y errores relativos 3,4-5,8 veces menores que el modelo nulo. La predicción de casos futuros en horizontes de 6 y 12 meses de antelación fue posible. Conclusión Se recomienda utilizar el modelo ARIMA para predecir escenarios futuros y anticipar la planificación en los servicios de salud en los estados de la Región Amazónica.