Introducción
El pronóstico de series temporales representa una herramienta esencial en la toma de decisiones en campos tan diversos como la economía, la meteorología, la ingeniería y, más recientemente, la epidemiología (Wieland y Wolters (2013)). La capacidad para anticipar con precisión la evolución de fenómenos a través del tiempo no solo facilita una planificación y gestión eficientes de recursos, sino que también puede ser crucial para mitigar impactos adversos en la sociedad. En este contexto, la comparación del desempeño de métodos de predicción de series temporales emerge como un área de investigación fundamental, especialmente en contextos críticos como el seguimiento y control de pandemias (Kumar y Susan (2020)).
El método de Holt-Winters y el modelo de redes neuronales Perceptrón Multicapa (MLP) representan un punto de partida prometedor para abordar estas problemáticas de gran interés social. Ambos enfoques, ampliamente establecidos en la literatura de análisis predictivo, ofrecen perspectivas únicas y complementarias en el tratamiento e interpretación de datos temporales. Mientras que el método de Holt-Winters es reconocido por su capacidad para detectar patrones estacionales y tendencias en los datos (Chatfield (1978)), se contrasta con el MLP, que representa la aplicación de algoritmos de aprendizaje profundo para capturar y modelar la complejidad inherente a los conjuntos de datos (Popescu et al. (2009)).
La pandemia de COVID-19 proporciona un caso de estudio urgente y relevante para esta investigación. El análisis del número de casos confirmados y fallecimientos a causa del COVID-19 en Irán sirve como un contexto práctico para evaluar la eficacia de estos métodos predictivos (Ciotti et al. (2020)). Este enfoque no solo permite una comparación directa de las metodologías en un escenario real y desafiante, sino que también ofrece la oportunidad de contribuir al entendimiento y manejo de crisis sanitarias globales.
A pesar de los avances significativos en el campo del análisis de series temporales, persiste un vacío en la literatura respecto a la comparación exhaustiva y contextualizada de diferentes metodologías predictivas en el ámbito de la salud pública, especialmente en situaciones de emergencia como una pandemia. La mayoría de los estudios tienden a focalizarse en la eficacia predictiva sin considerar la aplicabilidad o la interpretación contextual de los resultados. Además, existe una necesidad crítica de entender cómo las distintas características de los métodos de pronóstico pueden influir en la toma de decisiones en escenarios de rápida evolución y alta incertidumbre.
Por ende, este trabajo de tesis tiene como objetivo llenar este hueco, proporcionando un análisis detallado y comparativo de dos enfoques predictivos aplicados al contexto de la pandemia de COVID-19. Al hacerlo, aspira a enriquecer la literatura existente, ofreciendo aportaciones valiosas que puedan ser utilizadas por los responsables de la formulación de políticas, investigadores y profesionales de la salud en la lucha contra crisis sanitarias presentes y futuras.
La estructura de la tesis es la siguiente: en la Parte I (Capítulos 1 al 4) se presentan los preliminares necesarios para comprender las partes siguientes, desde teoría de conjuntos hasta procesos estocásticos. En la Parte II y III (Capítulos 5 y 6, respectivamente) se discuten los conceptos fundamentales de series temporales y redes neuronales, que serán utilizados en el estudio de caso. La Parte IV (Capítulos 7 y 8) aborda el estudio de caso, dividiéndose en el pronóstico de casos infectados y decesos diarios por COVID-19 en Irán. Finalmente, en el Capítulo 9 se presentan las conclusiones obtenidas a través del estudio de caso.