Análisis de patrones estacionarios de atenciones odontológicas mediante el modelo de series temporales

• Autor: Alegria Carhuanambo, Edward Antonio
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Peruana Unión
• Repositorio: UPEU-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.upeu.edu.pe:20.500.12840/9354
• Enlace del recurso: https://hdl.handle.net/20.500.12840/9354
• Nivel de acceso: acceso embargado
• Materia: Ciencia de datos; Estudios de series temporales; Interpretación de datos; Odontología en salud pública; Predicción; http://purl.org/pe-repo/ocde/ford#1.01.03

Objetivo: Se analizaron diferentes patrones mediante un modelo de series temporales de atenciones odontológicas realizadas en establecimientos de salud públicos de la región Huánuco – Perú durante el período 2018-2023. Métodos: La fuente de información se obtuvo del portal web Plataforma Nacional de Datos Abiertos del Seguro Integral de Salud (SIS). Se preparó un dataset con ayuda de software de inteligencia de negocios para estructurar las variables de estudio considerándose sólo atenciones odontológicas, donde se realizaron análisis estadísticos descriptivos y de pronóstico usando software con aplicación de librerías para base de datos, gráficas y series de tiempo. Culminada la transformación se compararon dos técnicas para el análisis de pronósticos Holt Winters(HW) y ARIMA. Resultados: El análisis de autocorrelaciones reveló no estacionariedad por lo que requirió conversión hacia una serie estacionaria. En la evaluación de supuestos del modelo HW obtuvo a estadístico de Breush Pagan (p = 0.0002), Ljung-Box (p = 0.0000) y Prueba de kolgomorov Smirnov (p = 0.0012) todos valores por debajo del nivel de significancia (p < 0.05). Para el modelo ARIMA con nivel de significancia (p = 0.05) se comprobó valores superiores determinándose homocedasticidad residual (p = 0.5073) e independencia de residuos a la prueba de Ljung-Box (p = 0.78), por otro lado, la prueba de normalidad Kolgomorov Smirnov obtuvo un valor p = 0.0513 ligeramente superior a nivel de significancia. Los resultados de pronósticos se observaron a horizontes de 12 meses (h = 12) con intervalos de confianza 80% y 95% determinándose en modelo HW valores con ciertos límites inferiores negativos lo que demuestra inestabilidad del modelo, frente a ARIMA que presenta mayor estabilidad. Conclusiones: el modelo ARIMA presentó mejor desempeño en sus pronósticos frente al modelo de Holt Winters, luego de las transformaciones por la no estacionariedad de los datos considerando un mejor ajuste para las predicciones.