Un modelo de mezclas Bayesiano para describir rebrotes del COVID-19 en el estado de Guerrero, México
Palabras clave:
mezcla de distribuciones, cadenas de Markov, Monte Carlo, estimación Bayesiana, rebrotes de COVID-19Resumen
El COVID-19 ha puesto en alerta al mundo entero debido al gran número de contagios, hospitalizaciones y defunciones provocadas. Desde su inicio, en diciembre de 2019, han estado ocurriendo “olas” de incrementos considerables del número de contagios y muertes, conocidos como rebrotes. En este trabajo, se modela matemáticamente el comportamiento diario de infecciones, hospitalizaciones y defunciones por COVID-19 en el estado de Guerrero del 15 de marzo de 2020 al 27 de febrero de 2022, haciendo uso de un modelo de mezclas Bayesiano con distribuciones gaussianas. Se estimaron los parámetros de interés involucrados en el modelo mediante el método Bayesiano, se obtuvieron las distribuciones posteriores de cada uno de ellos usando Cadenas de Markov vía Monte Carlo y se validaron las estimaciones con los análisis de convergencia correspondientes. Con el modelo de mezclas se identificaron cinco rebrotes para los casos infectados, y cuatro para los hospitalizados y defunciones. Finalmente, la implementación del modelo se realizó con la ayuda del software estadístico R y el paquete JAGS.
Descargas
Referencias
Baleanu, D., Mohammadi, H., Rezapour, S. (2020). A fractional differential equation model for the COVID-19 transmission by using the Caputo–Fabrizio derivative. Advances in Difference Equations, 2020, 299. https://doi.org/10.1186/s13662-020-02762-2
Beira, M.J., Sebastião, P.J. (2021). A differential equations model-fitting analysis of COVID-19 epidemiological data to explain multi-wave dynamics. Scientific Reports, 11, 16312. https://doi.org/10.1038/s41598-021-95494-6
Calvetti1, D., Hoover, A., Rose, J., Somersalo, E. (2020). Bayesian dynamical estimation of the parameters of an SE(A)IR COVID-19 spread model.
[2005.04365] Bayesian dynamical estimation of the parameters of an SE(A)IR COVID-19 spread model (arxiv.org)
Gelman, A., Chew, G.L., Shnaidman, M. (2004). Bayesian Analysis of Serial Dilution Assays. Biometrics, 60, 407-417. https://doi.org/10.1111/j.0006-341x.2004.00185.x
Green, P.H. (1995). Reversible jump Markov chain Monte Carlo computation and Bayesian model determination. Biometrika, 82, 711-732. https://doi.org/10.1093/biomet/82.4.711
Ghojogh, B., Ghojogh, A., Crowley, M., Karray,
F. (2019). Fitting A Mixture Distribution to Data: Tutorial. arXiv (Cornell University). http://export.arxiv.org/pdf/1901.06708
Kaciroti, N.A., Lumeng, C., Parekh, V., Boulton,
M.L. (2021). A Bayesian Mixture Model for Predicting the COVID-19 Related Mortality in
the United States. American Journal of Tropical Medicine and Hygiene, 104, 1484-1492. https://doi.org/10.4269/ajtmh.20-1147
Koufi, A.E., Koufi, N.E. (2021). Stochastic differential equation model of Covid-19: Case study of Pakistan. Results in physics, 34, 105218.
https://doi.org/10.1016/j.rinp.2022.105218 Manevski, D., Gorenjec, N.R., Kejžar, N., Blagus,
R. (2020). Modeling COVID-19 pandemic using Bayesian analysis with application to Slovene data. Mathematical biosciences, 329, 108466.
https://doi.org/10.1016/j.mbs.2020.108466 Robert, C.P., Casella, G. (2005). Monte Carlo
Statistical Methods (Springer Texts in Statistics). Springer-Verlag New York, Inc. eBooks. https://dl.acm.org/citation.cfm?id=1051451
R Core Team (2021). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria.
PAHO (2020). Epidemic diseases – Cumulative suspected and confirmed COVID-19 cases reported by countries and territories in the Americas. Pan American Health Organization. covid19-cumulative cases-03.31.20.pdf (paho.org)
Plummer, M. (2019). rjags: Bayesian Graphical Models using MCMC. R package version 4-10. https://CRAN.R-project.org/package=rjags
Tejeira-Huacani, J.D. (2020). Análisis de un modelo matemático simple para la descripción de propagación de COVID-19. Revista Boliviana de Física, 37, 41-43.
Publicado
Declaración de disponibilidad de datos
No
Número
Sección
Categorías
Licencia
Derechos de autor 2026 Yaineris Ferrán, Francisco J. Ariza, Martín P. Árciga, Jorge Sánchez (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Declaración de acceso abierto conforme a la definición de DOAJ
“Acceso Abierto” es un término general que abarca tanto el Acceso Abierto Gratis como el Libre. Para DOAJ, el acceso abierto es sólo cuando el contenido digital está disponible gratuitamente en línea y los derechos de usuario y los términos de derechos de autor están definidos.
Todos los textos publicados por Tlamati –sin excepción– se distribuyen amparados bajo la licencia Creative Commons 4.0
Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en Tlamati (por ejemplo, incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en Tlamati.
Este es un resumen legible por humanos de (y no un sustituto) de la licencia
Usted es libre de:
- Compartir
- Leer
- Descargar
- Traducir
- Copiar
- Distribuir
- Imprimir
- Buscar o enlazar los textos completos de los artículos
- Rastrearlos para indexarlos
- Pasarlos como datos a un software o
- Utilizarlos para cualquier otro fin lícito, en cualquier medio o formato
Terminos de la licencia https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es
Usted es libre de:
- Compartir — copiar y redistribuir el material en cualquier medio o formato
- Adaptar — remezclar, transformar y construir a partir del material
- La licenciante no puede revocar estas libertades en tanto usted siga los términos de la licencia
Bajo los siguientes términos:
- Atribución — Usted debe dar crédito de manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante.
- NoComercial — Usted no puede hacer uso del material con propósitos comerciales.
- CompartirIgual — Si remezcla, transforma o crea a partir del material, debe distribuir su contribución bajo la lamisma licencia del original.
- No hay restricciones adicionales — No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otras a hacer cualquier uso permitido por la licencia.
Avisos:
No tiene que cumplir con la licencia para elementos del materiale en el dominio público o cuando su uso esté permitido por una excepción o limitación aplicable.
No se dan garantías. La licencia podría no darle todos los permisos que necesita para el uso que tenga previsto. Por ejemplo, otros derechos como publicidad, privacidad, o derechos morales pueden limitar la forma en que utilice el material.
