La dinámica de transmisión del COVID-19 desde una perspectiva matemática

Autores/as

Palabras clave:

Covid-19; pandemic; model; outbreak; Benford law

Resumen

El presente trabajo plantea un modelo matemático capaz de reproducir la dinámica de transmisión del nuevo coronavirus (COVID-19) en grupos humanos a partir de un sistema de ecuaciones diferenciales. Para ello se dividió a la población en tres clases diferentes dependiendo de los estadios de la enfermedad: aquellos que son susceptibles de contraer el virus, los infectados y los recuperados. Los parámetros fueron determinados por mínimos cuadrados a partir de los registros diarios del Covid-19 realizados por la Universidad Johns Hopkins, y se validó en cuatro países seleccionados al azar: China, Estados Unidos, Brasil y Venezuela. Simultáneamente, se exploró la calidad de los datos para detectar cualquier manipulación o alteración de las cifras de contagios en estos cuatro países, a partir de dos metodologías computacionales empleadas en análisis forense de información digital. Así, será posible predecir grosso modo el número de contagios en el tiempo: a modo de ejemplo, se estimó que pudieran darse 597 casos de contagios en la República Bolivariana de Venezuela hasta el 22 de junio del presente año en función de la información analizada hasta el 20 de abril, fuertemente influenciada por los brotes detectados.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Alexander, J. C. (2009). Remarks on the use of Benford’s Law. En Red. Disponible en SSRN, 1505147.

Feng, Z. (2007). Final and peak epidemic sizes for SEIR models with quarantine and isolate. Mathematical Biosciences and Engineering, 4(4): 675-686.

Fewster, R. M. (2009). A simple explication of Benford’s Law. The American Statistician, 63(1): 26-32.

Forman, A. K. (2010). The Newcomb-Benford law in its relation to some common distributions. PLoS ONE, 5, e10541.

Huang, Y.; Yang, L.; Dai, H.; Tian, F. & Chen, K. (2020). Epidemic situation and forescasting of COVID-19 in and outside China. DOI: Recuperado en: http://dx.doi.org/10.2471/BLT.20.251561.

Isea, R. (2016). A Preliminary Mathematical Model for the Dynamic Transmission of Dengue, Chikungunya and Zika. American Journal of Modern Physics and Application, 3(2): 11.

Isea, R. (2018). Analytical solutions for the initial steps of the intracellular dynamics of influenza virus. Acta Scientific Microbiology, 1(6): 6-8.

Isea, R. (2019). Modelando la relación de pareja con ayuda de ecuaciones diferenciales. Revista Electrónica, Conocimiento Libre y Licenciamiento, 10(19): 94-98.

Isea, R. & Lonngren, K. E. (2015). A Mathematical Model of Cancer under Radiotherapy. International J. of Public Health Research, 5(3): 340.

Isea, R. y Lonngren, K. E. (2017). A New Variant of the SEIZ Model to Describe the Spreading of a Rumor. International Journal of Data Science and Analysis, 3(4): 28-31.

Isea, R. y Lonngren, K. E. (en prensa). A mathematical model that could explain the social dynamics in a country. Ciencia en Revolución, 6(17).

Zhang, J. (2020). Testing Case Number of Coronavirus Disease 2019 in China with Newcomb-Benford Law. Extraído el 13 febrero, 2020 de arXiV: 2002.05696.

Descargas

Publicado

26-05-2023

Cómo citar

Isea, R. (2023). La dinámica de transmisión del COVID-19 desde una perspectiva matemática. Observador Del Conocimiento, 5(1), 13–19. Recuperado a partir de https://revistaoc.oncti.gob.ve/index.php/odc/article/view/191

Número

Sección

Artículos