Ing. MBA. CLAUDIO S. CARDENAS MANSILLA

Slides:



Advertisements
Presentaciones similares
DISEÑO DE EXPERIMENTOS EXPERIMENTOS DE COMPARACIÓN SIMPLE
Advertisements

Alumno: Henry Segundo Agapito Almeyda
Predicción con modelos ARIMA
Estadística Descriptiva y Analisis de Datos con la Hoja de Cálculo Excel Series Temporales.
Planeación y Programación del Mantenimiento.
VIGILANCIA DE LA FRECUENTACIÓN EN URGENCIAS PLAN DE ALTA FRECUENTACIÓN GARCÍA HERNÁNDEZ, R; SANJUAN HERVÁS, A; RODRIGUEZ TOQUERO, J; CASTILLO CASTILLO,
Introducción En toda investigación, y antes de extraer conclusiones acerca de los objetivos e hipótesis planteados, es necesario llevar a cabo un análisis.
Pronósticos, Series de Tiempo y Regresión
PLANIFICACIÓN Y CONTROL DE LA PRODUCCIÓN
Victoria Eugenia García molina
18 Sesión Contenidos: Derivadas Valores extremos de una función:
Curso de actualización en Ingeniería de calidad
} LISSET BÁRCENAS MONTERROZA
UNIVERSIDAD TECNICA DE AMBATO
Estimación: de una Función de Demanda Mensual por Emisión Monetaria ( ) para Honduras, mediante modelos Econométricos, serie de tiempo y Pronostico.
Pruebas de Especificación en el Modelo de Regresión Múltiple
INTRODUCCIÓN A LAS SERIES DE TIEMPO
Optimización de sistemas de trading
Capitulo 10: La metodología Box-Jenkins
Infopolo 2013 Titulo: Diseño de un Sistema de Inteligencia Empresarial para la Dirección de Gestión y Servicios de Información del Centro de Ingeniería.
Conceptos básicos de inferencia
MARLEN MORENO ENFERMERIA IV FUAA. Persona mayor de 60 años, que por su deterioro físico, cognitivo e independencia necesitan ser tratados como población.
Estadística Descriptiva y Representaciones Gráficas
ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL
VALIDADOR REM SERIE P Junio
Seminario sobre evaluación económica de proyectos de transporte Madrid, 15 y 16 de noviembre LA PREDICCIÓN DE LA DEMANDA EN EVALUACIÓN DE PROYECTOS.
Embriología General a la disciplina Morfofisiología en la carrera
NUESTRA MISION Efectuar un aporte al proceso político a través de una mirada nueva sobre evaluación y gestión de políticas públicas, considerando que.
Análisis de series de tiempo Cuarta semana Abril Julio 2009.
SERIES DE TIEMPO INTEGRANTES :.
ENCUESTA VECINAL 2011 Comité Ciudadano de la Colonia Postal
Método de previsión para el turismo.
ESTIMACION En varios pasajes de este libro hemos planteado la dificultad que se confronta en las investigaciones, de llegar a conclusiones sobre una población.
CAPÍTULO 14º LA VOLATILIDAD.
Tema 8: Estimación 1. Introducción.
SISTEMAS DE GESTION Y HERRAMIENTAS DE CALIDAD
Introducción La inferencia estadística es el procedimiento mediante el cual se llega a inferencias acerca de una población con base en los resultados obtenidos.
Econometría Clase 10 Caso práctico. El Gerente General de la compañía Aceros del Pacífico considera que los ingresos podrían aumentar un 3,5% durante.
ULACIT MAESTRÍA EN ORTODONCIA
INDICADORES DE GESTION
Capacidad de Proceso.
Conceptos de Gestión y Planificación de Proyectos Software
Servicio Salud Araucanía Sur Sub Dirección Medica Departamento de Estadística y Epidemiologia Monitoreo de Hospitalizaciones de Urgencia. Semana desde.
IASCON TLX – TELEMETRIA EXPERTA 1. 2  INTRODUCCION  TLX-ATD  TLX-SRV  TLX-ING.
Estimación por intervalo en la regresión: Bandas de Confianza
Dra. Gisele Coutin Marie. Programas de inmunización Modificación en los criterios de diagnóstico Programas para el control de enfermedades ( Campañas.
Análisis de series de tiempo
INDICADORES DE GESTION 1.- Objetivo. 2.- Consideraciones. 3.- Definiciones. 4.- Perspectivas. 5.- Niveles. 6.- Medición, análisis y Mejora 7.- Acción y.
1. Actualmente el marco general en el que una organización lleva a cabo su actividad se caracteriza por una alta dinamicidad y cambios permanentes. Ante.
Límites y Continuidad.
José Oliver Alberto Bonastre José Luis Poza
AUDITORIA DE COMUNICACIÓN INTERNA
Taller de Desarrollo de Software I José González Figueroa
¿Qué es un pronóstico? Cualquier afirmación acerca de la ocurrencia o no ocurrencia de un evento,la fecha en que va a suceder algo ola intensidad de un.
COMPROBACION DE HIPOTESIS SOBRE DOS PROMEDIOS Mario Briones L. MV, MSc 2005.
Curso Agemap OBJETIVOS –Este curso tiene como objetivo impartir conocimiento teoricos-practicos de la herramienta Agemap. –El curso práctico introduce.
Estimación y contraste de hipótesis
INTERVALO DE CONFIANZA
MUESTREO : Generalidades
DISEÑOS FACTORIALES 2 K. DISEÑOS FACTORIALES 2 K INTRODUCCION PROBLEMA HIPOTESIS SIGNOS DE LAS INTERACCIONES OBTENCION DEL CONTRASTE EFECTOS PROMEDIO.
Calidad de las Mediciones; Repetibilidad y Reproducibilidad
La investigación científica en psicología
CONCEPTOS BASICOS DE EPIDEMIOLOGIA
Clase 17 Introducción a la Estadística Universidad de la República Centro Universitario Regional del Este Pablo Inchausti Licenciatura en Gestión Ambiental.
Estimación Estadística Tares # 3. Estimación Estadística Conjunto de técnicas que permiten dar un valor aproximado de un parámetro de una población a.
Plan de Invierno 2012 Dr. HUGO GONZALEZ DETTONI SUBSECRETARIA DE REDES ASISTENCIALES MINISTERIO DE SALUD.
Estimación estadística
METODOS DE REMUESTREO: JACKKNIFE Y BOOTSTRAP
1 1 Marketing & Estadística – Informe de resultados Estudio Opinión Pública: Termómetro Social m&e – Onda 2014 Agosto de 2014 INFORME CONFIDENCIAL PROHIBIDA.
1 INTRODUCCIÓN AL DISEÑO Y EVALUACIÓN DE PROGRAMAS SOCIALES, EDUCATIVOS Y DE LA SALUD Tema 7. Diseños evaluativos de intervención media (cuasi-experimentos)
Transcripción de la presentación:

SISTEMA DE PRONÓSTICO URGENCIA HOSPITALARIA DEL SERVICIO DE SALUD CHILOE. Mediante modelos SARIMA Ing. MBA. CLAUDIO S. CARDENAS MANSILLA JEFE SUBDEPTO.EVALUACION Y CONTROL DE GESTION

Link: http://www. scielo. cl/scielo. php

INTRODUCCION El objetivo general de este trabajo es un Sistema de pronóstico de Consultas de Urgencia, para los Hospitales de la Red del SS Chiloé, que permitan anticiparse a la contingencias y en consecuencia realizar una programación de recursos técnicos–económica lo mas objetiva posible, Durante el periodo de campaña de invierno.

INTRODUCCION Según esto, y considerando que desde el punto de vista técnico- estadístico, actualmente y según los medios disponibles, la mejor opción lo presentan los modelos de AR, MA, ARMA O ARMA integrado (ARIMA), fundamentalmente por la naturaleza y estructura de las series temporales a modelar. En este sentido estos modelos resultan notablemente eficientes y eficaces en el Modelado de proceso de consultas de urgencia, obteniéndose modelos robustos y en la mayoría de los casos observados, generalizables.

Datos utilizados Los datos utilizados son extraídos del DEIS, diariamente y luego consolidados por semana estadística, según esto, a partir de la semana N°12 del año 2011, el consolidado de los cinco hospitales inicia en la semana antes señalada, por tanto las dos series consolidadas estarán compuestas por Consultas de Urgencia Totales y Respiratorias, en periodos semanales desde la semana estadística

PROCESO MODELADO SARIMA Expresión formal Modelo SARIMA: (1 + 0,6646B)(1 - 0,7322B)(1 - B26)Xt = 84,5597

Descripción de series temporales

Modelo SARIMA Urgencia Total de la forma (p,0,0)(P,D,0)s, específicamente (1,0,0)(1,1,0)26

Modelo SARIMA Urgencia Respiratoria de la forma (p,0,0)(P,D,0)s, específicamente (1,0,0)(1,1,0)26

Pronóstico General Servicio de Salud Chiloé, Urgencias Totales Pronóstico de la serie temporal de consultas de urgencia semanal total. Consolidado de los cinco hospitales del Servicio de Salud Chiloé. Período comprendido desde la semana estadística N° 34 del año 2013 a la semana estadística N° 45 del año 2013. *Total= Demanda consulta de urgencia total observada en el período; Fit_total=Predicción del modelo; SUP. TOTAL= Banda de Confianza superior de la predicción (95%); INF. TOTAL= Banda de Confianza Inferior de la predicción (95%).

Pronóstico de la serie temporal de consultas de urgencia semanal respiratoria. Consolidado de los cinco hospitales del Servicio de Salud Chiloé. Período comprendido desde la semana estadística N° 34 del año 2013 a la semana estadística N° 45 del año 2013. *RESPIRATORIA= Demanda consulta de urgencia respiratoria observada en el período; Fit_respiratorio=Predicción del modelo; SUP. RESP= Banda de Confianza superior de la predicción (95%); INF. RESP= Banda de Confianza Inferior de la predicción (95%).

Control de Pronostico MAPE: Es la media de los errores porcentuales en valor absoluto, no considera el signo del error sólo la magnitud Modelo SARIMA Urgencia Total de la forma (p,0,0)(P,D,0)s, específicamente (1,0,0)(1,1,0)26 = 5,8% promedio error de estimación Modelo SARIMA Urgencia Respiratoria de la forma (p,0,0)(P,D,0)s, específicamente (1,0,0)(1,1,0)26 = 4,27% promedio error de estimación.

CONCLUSIONES La implementación de esta herramienta es reciente en el SS Chiloé, lo observado hasta el día de hoy muestra que los resultados de la demanda en consultas totales de Urgencia, como en consultas de tipo respiratorias, se han enmarcado dentro de los intervalos de confianza del Modelo. Esto ha permitido que la aplicación del Plan de Invierno en nuestro Servicio se vaya implementando con la anticipación adecuada y con mayor certidumbre, lo que es relevante en la eficiencia y optimización de recursos. La proyección de este modelo augura cada vez mayor certeza en sus periodos de pronóstico en la medida que se vaya incorporando la demanda de nuevos.

GRACIAS