Análisis de Series de Tiempo para Datos de Salud con uso de R
VolverInformación General
| Programa | XX Escuela Internacional de Verano 2019 |
|---|---|
| Año | 2019 |
| Semestre | Primero |
| Nombre | Análisis de Series de Tiempo para Datos de Salud con uso de R |
| Nombre Convenio Marco | |
| Equipo coordinador | Encargado: Rodrigo Torres Arellano Coordinador: Rodrigo Torres Arellano Administrativo: Janet Recabarren Valdés |
| Equipo docente |
|
| Unidad académica | Programa de Bioestadística |
| Versión | 3 |
| Modalidad | Presencial |
| Tipo de Curso | |
| Créditos 30 | 0 |
| Horas del Programa |
Horas directas (sincrónicas y asincrónicas): 20 Horas indirectas: 10 |
| Días y Horarios | 14:00 a 18:00 horas |
| Lugar | Sala Bioestadística |
| Cupo alumnos mínimo | 6 |
| Cupo alumnos máximo | 20 |
| Competencias y Habilidades necesarias para la Asignatura (Pre-requisitos) |
Conocimientos de estadística básica y regresión lineal. (No es necesario el conocimiento previo del software R) |
| Arancel | $ |
| Duración (semanas) | 1 |
| Fecha Inicio | 14/01/2019 |
| Fecha Término | 18/01/2019 |
Características del Curso
Área Temática
Análisis de datos
Fundamentos
Muchos conjuntos de datos importantes en salud, corresponden a series temporales. Existen métodos estadísticos poderosos, que permiten mediante su correcta aplicación, el análisis, el control, e incluso la predicción de variables relacionadas con la salud humana. Estas herramientas son de fácil y económica aplicación gracias a la existencia del potente software libre R.
Objetivo General
Identificación, análisis y predicción de series de tiempo de series de tiempo de datos de salud.
Objetivos Específicos
- Aplicar la modelación ARIMA de series de tiempo para el análisis y predicción de series temporales.
- Identificar una serie temporal y determinar sus características esenciales.
- Realizar análisis exploratorio, gráfico y análisis clásico de las series de tiempo.
- Usar el software libre R en relación a los puntos anteriores
Metodología
En el curso se realizarán:
Clases presenciales teórico-practicas con uso intensivo del software R, tareas personales y un trabajo final grupal con datos reales.
Formas de Evaluación
- Este curso es evaluado
- Trabajo grupal
Calendario
| Sesión | Fecha | Hora | Docentes | Contenidos | Modalidad | Actividad |
|---|---|---|---|---|---|---|
| 14 enero 2019 | 14:00 - 18:00 | Rodrigo Torres Arellano | Introducción a R. | Clase Presencial | ||
| 14 enero 2019 | 14:00 - 18:00 | Rodrigo Torres Arellano | Definición de serie de tiempo; Ejemplos de series temporales; Modelos diversos. | Clase Presencial | ||
| 15 enero 2019 | 14:00 - 18:00 | Rodrigo Torres Arellano | Correlación; Medidas de dependencia; Suavizamiento; Análisis exploratorio; regresión clásica | Clase Presencial | ||
| 16 enero 2019 | 14:00 - 18:00 | Rodrigo Torres Arellano | Series estacionarias; Modelos autorregresivos y de medias móviles | Clase Presencial | ||
| 17 enero 2019 | 14:00 - 18:00 | Rodrigo Torres Arellano | Autocorrelación y autocorrelación parcial; estimación y predicción. | Clase Presencial | ||
| 18 enero 2019 | 14:00 - 18:00 | Rodrigo Torres Arellano | Construcción de modelos ARIMA; errores autocorrelacionados; Modelos estacionales. Exposición de trabajo grupal | Clase Presencial |
Bibliografía
| Tipo lectura | Tipo contenido | Referencia | Archivos |
|---|---|---|---|
| Básica/Obligatoria | Otro | Rodrigo Torres. Apunte de clases del curso | |
| Recomendada/Complementaria | Libro | Armando Aguirre Jaime. Introducción al tratamiento de series temporales. Aplicación a las ciencias de la salud. Ed. Díaz de Santos | |
| Recomendada/Complementaria | Libro | George P. Cox, Gwilym M. Jenkins & Gregory C. Reinsel. Time Series Analysis. Forecasting and Control. Fourth Edition. Wiley. |
Tutores/Dinamizadores
|
Requerimientos de Plataforma
| Recursos | Plataformas |
|---|---|
|
Grabación de clases en Video
|
Foros
|