Ajustes del modelo SIR a los datos iniciales de la pandemia del COVID-19 en Argentina

José Gabriel García Clúa; Victoria Vampa; María Valeria Calandra

doi:10.18682/cyt.vi22.5377

José Gabriel García Clúa Instituto LEICI, Facultad de Ingeniería, Universidad Nacional de La Plata
Victoria Vampa Ciencias Básicas, Facultad de Ingeniería, Universidad Nacional de La Plata
María Valeria Calandra UIDET Gamefi, Ciencias Básicas, Facultad de Ingeniería, Universidad Nacional de La Plata

DOI: https://doi.org/10.18682/cyt.vi22.5377

Palabras clave: COVID-19;, modelo SIR;, Argentina;, ajuste de parámetros

Resumen

Este artículo presenta un estudio que utiliza los datos proporcionados por el Ministerio de Salud de Argentina sobre el número de personas infectadas, fallecidas y recuperadas por la enfermedad de Coronavirus 2019 (COVID-2019). El modelo estándar Susceptible-Infected-Removed (SIR) se usa para simular la población infectada de esta epidemia en Argentina. El modelo SIR, desarrollado por Ronald Ross, William Hamer y otros, es una representación matemática de cómo una infección se propaga en una población en el tiempo. Este modelo tiene dos parámetros, la tasa de transmisión por cápita, β, y la tasa de recuperación, , siendo 1/ el tiempo medio que el individuo permanece infectado. En este trabajo, el parámetro  se considera constante y el parámetro β se ajusta con el tiempo con datos reales, de tres formas distintas, que luego se comparan simulando la evolución epidémica mediante el modelo SIR. Se muestran los resultados obtenidos con datos reales del inicio de la pandemia, del 3 de marzo de 2020 al 21 de julio de 2020. Finalmente se concluye que el modelo se ajusta satisfactoriamente a los datos de Argentina como consecuencia de la variación temporal propuesta de β en corto y mediano plazo.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

José Gabriel García Clúa, Instituto LEICI, Facultad de Ingeniería, Universidad Nacional de La Plata

Ingeniero en Electrónica y Doctor en Ingeniería, por la Facultad de Ingeniería de la Universidad Nacional de La Plata (UNLP). Profesor Adjunto de las Asignaturas “Control de Procesos I” y “Control de Procesos II”, de la carrera de Ingeniería Química, Facultad de Ingeniería, UNLP. Investigador Asistente de la CIC CONICET con lugar de trabajo el Instituto LEICI, UNLP-CONICET.

Victoria Vampa, Ciencias Básicas, Facultad de Ingeniería, Universidad Nacional de La Plata

Doctora en Matemática por la Universidad Nacional de La Plata (UNLP). Se desempeña como Profesora en la Cátedra “Matemática C” de la Facultad de Ingeniería de la UNLP. Categoría III de docente-investigador con lugar de trabajo: UIDET Matemática Aplicada, Departamento de Ciencias Básicas de la Facultad de Ingeniería, UNLP.

María Valeria Calandra, UIDET Gamefi, Ciencias Básicas, Facultad de Ingeniería, Universidad Nacional de La Plata

Licenciada en Matemática, de la Facultad de Ciencias Exactas, y Magister en Educación en Ciencias Exactas y Naturales, de la Facultad de Humanidades y Ciencias de la Educación, Universidad Nacional de La Plata (UNLP). Profesora Adjunta de las Asignaturas “Probabilidades”, “Estadística” y “Probabilidades y Estadística” de la Facultad de Ingeniería, UNLP. Profesora Adjunta de las Asignaturas “Probabilidades”, “Análisis de Datos” y “Probabilidades” de la Lic. Física Médica de la Facultad de Ciencias Exactas, UNLP. Coordina el grupo de investigación, UIDET GAMEFI (Grupo de Aplicaciones Matemáticas y Estadísticas de la Facultad de Ingeniería), Facultad de Ingeniería, UNLP.

Citas

Allen, L. J., Brauer, F., Van den Driessche, P. y Wu, J. (2008). Mathematical epidemiology (Vol. 1945). Berlin: Springer.

Anderson, R. M. (1991). Discussion: the Kermack-McKendrick epidemic threshold theorem. Bulletin of mathematical biology, 53(1), 1-32.

Bacaër, N. y Gomes, M. G. M. (2009). On the final size of epidemics with seasonality. Bulletin of mathematical biology, 71(8), 1954.

Caccavo, D. (2020). Chinese and Italian COVID-19 outbreaks can be correctly described by a modified SIRD model. MedRxiv.

Cooper, I., Mondal, A., & Antonopoulos, C. G. (2020). A SIR model assumption for the spread of COVID-19 in different communities. Chaos, Solitons & Fractals, 139, 110057.

Kermack, W. O. y McKendrick, A. G. (1927). A contribution to the mathematical theory of epidemics. Proceedings of the royal society of London. Series A, Containing papers of a mathematical and physical character, 115(772), 700-721.

Ministerio de Salud de la República Argentina (acceso en 2020). https://www.argentina.gob.ar/coronavirus/informe-diario.

McMahon, A., & Robb, N. C. (2020). Reinfection with SARS-CoV-2: Discrete SIR (susceptible, infected, recovered) modeling using empirical infection data. JMIR Public Health and Surveillance, 6(4), p. e21168.

Moein, S., Nickaeen, N., Roointan, A., Borhani, N., Heidary, Z., Javanmard, S. H., ... & Gheisari, Y. (2021). Inefficiency of SIR models in forecasting COVID-19 epidemic: a case study of Isfahan. Scientific Reports, 11(1), 1-9.

Morato, M. M., Bastos, S. B., Cajueiro, D. O. y Normey-Rico, J. E. (2020). An optimal predictive control strategy for COVID-19 (SARS-CoV-2) social distancing policies in Brazil. Annual reviews in control, 50, 417-431.

Rodrigues, H. S. (2016). Application of SIR epidemiological model: new trends. arXiv preprint arXiv:1611.02565.

Tagliazucchi, E., Balenzuela, P., Travizano, M., Mindlin, G. B. y Mininni, P. D. (2020). Lessons from being challenged by COVID-19. Chaos, Solitons & Fractals, 137, 109923.

ud Din, R., & Algehyne, E. A. (2021). Mathematical analysis of COVID-19 by using SIR model with convex incidence rate. Results in Physics, 23, 103970.

Vampa, V., Calandra, M. V., García Clúa, J. G. y Costa, V. A. “Análisis de datos relativos a la pandemia del COVID-19 en Argentina usando el modelo SIR", AADECA 2020 virtual (27º Congreso Argentino de Control Automático) ISBN: 978-987-46859-2-6. 28 al 30 de octubre de 2020. Plataforma virtual de la Universidad de Palermo, Buenos Aires.