Referencias Bibliográficas

EpiForecast-MX · IMSS × Tec de Monterrey

Maestría en Inteligencia Artificial Aplicada • Febrero 2026

43Referencias
6Categorías temáticas
63%Con enlace digital

Contenido

01 Pronóstico de series de tiempo 02 Epidemiología y salud pública 03 Machine learning y deep learning 04 Datos y fuentes oficiales 05 Metodología y marcos de trabajo 06 Herramientas y software

1. Pronóstico de series de tiempo

Fundamentos teóricos del modelado temporal con Prophet, descomposición estacional y validación cruzada

1

Taylor, S. J., y Letham, B.

Forecasting at scale

The American Statistician, 72(1), 37–45, 2018

doi.org/10.1080/00031305.2017.1380080
2

Hyndman, R. J., y Koehler, A. B.

Another look at measures of forecast accuracy

International Journal of Forecasting, 22(4), 679–688, 2006

doi.org/10.1016/j.ijforecast.2006.03.001
3

Hyndman, R. J., y Athanasopoulos, G.

Forecasting: Principles and practice (3a ed.)

OTexts, 2021

otexts.com/fpp3/
4

Cleveland, R. B., Cleveland, W. S., McRae, J. E., y Terpenning, I.

STL: A seasonal-trend decomposition procedure based on loess

Journal of Official Statistics, 6(1), 3–33, 1990

5

Bergmeir, C., y Benítez, J. M.

On the use of cross-validation for time series predictor evaluation

Information Sciences, 191, 192–213, 2012

doi.org/10.1016/j.ins.2011.12.028

2. Epidemiología y salud pública

Determinantes sociales, prevalencia de trastornos mentales en México e impacto de la pandemia COVID-19

6

Alegría, M., et al.

Social determinants of mental health

Social Psychiatry and Psychiatric Epidemiology, 2018

7

Morales-Chainé, S., López-Montoya, A., Bosch-Maldonado, A., Beristaín-Aguirre, A., Robles-García, R., y López-Rosales, F.

Incidence of depression and suicide rate in Mexico

Salud Mental, 46(5), 131–139, 2023

doi.org/10.17711/SM.0185-3325.2023.017
8

Romero-Guerrero, X. R., Cortés-García, H., Alcántar-Chávez, F., Miranda-García, M., Almazán-Farfán, V., y Victoria-Carrasco, O. Y.

Prevalencia relacionada a trastornos mentales y del comportamiento en población derechohabiente del IMSS, 2021

Revista Médica del Instituto Mexicano del Seguro Social, 62(3), 1–8, 2024

doi.org/10.5281/zenodo.10998791
9

Antonio-Villa, N. E., et al.

Socio-demographic inequalities and excess non-COVID-19 mortality during the COVID-19 pandemic

International Journal of Epidemiology, 51(6), 1711–1723, 2022

doi.org/10.1093/ije/dyac184
10

Hernández-Díaz, Y., et al.

Mental health impact of the COVID-19 pandemic on Mexican population: A systematic review

International Journal of Environmental Research and Public Health, 19(11), 6953, 2022

doi.org/10.3390/ijerph19116953
11

Elliott, P., y Wartenberg, D.

Spatial epidemiology

Environmental Health Perspectives, 112(9), 2004

12

Rothman, K. J., Greenland, S., y Lash, T. L.

Modern epidemiology (3a ed.)

Lippincott Williams & Wilkins, 2008

13

Pérez-Hernández, R.

Enfermedades neurológicas y trastornos mentales en México 2014–2024

Sin fecha de publicación

14

Organización Mundial de la Salud

Reportes sobre salud mental y enfermedades neurológicas

OMS, 2014, 2022, 2025

who.int
15

Organización Panamericana de la Salud

La carga de los trastornos mentales en la Región de las Américas

OPS, 2021

paho.org

3. Machine learning y deep learning

Algoritmos de aprendizaje automático, metodologías MLOps y marcos de referencia CRISP-ML(Q)

16

Géron, A.

Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow (3a ed.)

O'Reilly Media, 2022

17

Hastie, T., Tibshirani, R., y Friedman, J.

The elements of statistical learning (2a ed.)

Springer, 2009

doi.org/10.1007/978-0-387-84858-7
18

James, G., Witten, D., Hastie, T., y Tibshirani, R.

An introduction to statistical learning with applications in R (2a ed.)

Springer, 2021

doi.org/10.1007/978-1-0716-1418-1
19

Studer, S., et al.

Towards CRISP-ML(Q): A machine learning process model with quality assurance methodology

Machine Learning and Knowledge Extraction, 3(2), 392–413, 2021

doi.org/10.3390/make3020020
20

Visengeriyeva, L., et al.

CRISP-ML(Q): The ML Lifecycle Process

ML-Ops.org, 2023

ml-ops.org/content/crisp-ml
21

Costa, R.

The CRISP-ML Methodology: A Step-by-Step Approach to Real-World Machine Learning Projects

2022

22

Kreuzberger, D., Kühl, N., y Hirschl, S.

Machine learning operations (MLOps): Overview, definition, and architecture

IEEE Access, 11, 31866–31879, 2023

doi.org/10.1109/ACCESS.2023.3262138
23

Data Science Dojo

101 machine learning algorithms for data science with cheat sheets

Data Science Dojo, 2023

datasciencedojo.com/blog/machine-learning-algorithms/

4. Datos y fuentes oficiales

Fuentes primarias de datos epidemiológicos, demográficos y socioeconómicos de México

24

Secretaría de Salud / SINAVE

Boletín Epidemiológico — Sistema Nacional de Vigilancia Epidemiológica

Gobierno de México

gob.mx/salud/sinave
25

INEGI

Áreas geográficas, localidades, marco geoestadístico, API PxWeb

Instituto Nacional de Estadística y Geografía, sin fecha

inegi.org.mx
26

CONEVAL

Índices de marginación por entidad federativa y municipio

Consejo Nacional de Evaluación de la Política de Desarrollo Social, 2020

27

CONAPO

Índices de marginación por entidad federativa y municipio

Consejo Nacional de Población, 2020

5. Metodología y marcos de trabajo

Investigación cuantitativa, análisis exploratorio, ingeniería de características y manejo de datos desbalanceados

28

Hernández-Sampieri, R., y Mendoza, C.

Metodología de la investigación: Las rutas de la investigación cuantitativa, cualitativa y mixta (3a ed.)

McGraw-Hill, 2023

29

Tukey, J. W.

Exploratory data analysis

Addison-Wesley, 1977

30

Brownlee, J.

How to Choose a Feature Selection Method for Machine Learning

Machine Learning Mastery, 2020

machinelearningmastery.com/feature-selection-with-real-and-categorical-data/
31

Galli, S.

Python Feature Engineering Cookbook (2a ed.)

Packt Publishing, 2022

32

Kumar Mukhiya, S., y Ahmed, U.

Hands-On Exploratory Data Analysis with Python

Packt Publishing, 2020

33

Huang, C. Y., y Dai, H. L.

Learning from class-imbalanced data

Data Science in Finance and Economics, 1(1), 2021

aimspress.com/article/doi/10.3934/DSFE.2021002

6. Herramientas y software

Versionado de datos, principios de visualización y diseño de dashboards

34

Iterative

DVC: Data version control

Documentación oficial, 2024

dvc.org/doc
35

Few, S.

Information dashboard design: The effective visual communication of data

O'Reilly Media, 2006

36

Midway, S. R.

Principles of effective data visualization

Patterns, 1(9), 100141, 2020

doi.org/10.1016/j.patter.2020.100141