Arango Londoño, DavidCastillo Hurtado, Juan David2026-02-162026-02-162025http://hdl.handle.net/11522/5301Este trabajo evalúa si la incorporación de covariables exógenas mejora la predicción semanal de casos de dengue en Cali (Colombia). Se construyeron y compararon cuatro modelos de series de tiempo: SARIMA univariado (A) y tres SARIMAX con predictores exógenos (B: meteorología semanal agregada de NASA POWER; C: índices de búsqueda en Google Trends; y D: Combina B y C). El periodo de datos fue 2007-2024; la validación fuera de muestra se realizó año a año para 2021-2024 mediante un esquema rolling-origin con ventana móvil. El ajuste consideró transformación Box-Cox y selección automática de órdenes; la evaluación incluyó métricas puntuales (MAE, RMSE, MAPE, MASE), desempeño probabilístico (coberturas 80/95 % e interval score) y pruebas de contraste: Diebold-Mariano contra una línea base seasonal naive estacional y Ljung Box sobre residuos. En 2021-2022 los modelos con exógenas redujeron errores y mostraron DM favorables frente a snaive, evidenciando valor añadido en regímenes estacionales “típicos”. En 2023, año epidémico atípico, el rendimiento se degradó y la línea base igualó o superó a los modelos, apuntando a la necesidad de capturar no linealidades y cambios de régimen. En 2024 se recuperó la calibración (altas coberturas) a costa de intervalos más anchos, lo que sugiere incertidumbre ampliada tras el quiebre de 2023. Globalmente, clima y búsquedas aportan señales complementarias (físico-biológica y conductual), y su integración es la vía más prometedora para un sistema de alerta temprana robusto; metodológicamente se recomienda modelar umbrales/no linealidades, incorporar forzantes de gran escala (ENSO) y reentrenar tras años extremos.42 p.application/pdfspaDengueSeries temporalesARIMAClimaGoogle TrendsTime seriesClimatebachelor thesishttps://creativecommons.org/licenses/by-nc-sa/4.0/http://purl.org/coar/access_right/c_abf2