SARS-CoV-2 representación multivariable entre países de América del Sur mediante Biplot dinámico y modelado ARIMA de contagios y letalidad

Autores/as

DOI:

https://doi.org/10.53591/easi.v1i2.1857

Palabras clave:

Coronavirus, COVID-19, ARIMA

Resumen

El coronavirus (COVID-19) es una enfermedad infecciosa causada por el virus del SARS-CoV-2 que ha generado una crisis sanitaria a nivel mundial. El 11 de marzo del 2020 dicha enfermedad fue catalogada como pandemia, las regiones más afectadas fueron Latino América y el Caribe, debido a varios factores como densidad poblacional, incapacidad en los sistemas sanitarios, entre otras. En el presente estudio se realizará un análisis general de los datos de contagios y muertes de diez países de América del Sur, con la finalidad de identificar qué país ha manejado mejor la pandemia según sus resultados de contagio y letalidad. Se realizo una predicción para el número de contagios y muertes causadas por la Covid-19, utilizando datos notificados a la OMS (Organización mundial de la salud). Para este estudio se utilizó el modelo ARIMA y el método Biplot dinámico para la representación del análisis.

Biografía del autor/a

Luis Pilacuan, Universidad de Salamanca

Ingeniero Industrial (2012). Facultad de Ingeniería Industrial. Universidad de Guayaquil. Ecuador

Master in Business Administration (2015). Escuela de Administración de Empresas. Escuela Superior Politécnica del Litoral. Ecuador

Beatriz Salmon , Universidad de Guayaquil

Ingeniero Industrial. Facultad de Ingeneiría Industrial, Universidad de Guayaquil. Guayaquil, Ecuador

Diana Gallegos, Universidad de Guayaquil

Electr. Eng. (2009) egresada de la ESPOL. M.Sc. en Enseñanza de la Física, ESPOL (2015). Actualmente, trabaja en la carrera de Telemática de la Universidad de Guayaquil (UG). Es investigadora en el área de Enseñanza de la Física (Facultad de Ingeniería Industrial-UG). Su trabajo de investigación está dirigido hacia la educación en ingeniería, mecánica, electricidad, y magnetismo.

Citas

Araújo Morais, L. R., & da Silva Gomes, G. S. (2022). Forecasting daily Covid-19 cases in the world with a hybrid ARIMA and neural network model. Applied Soft Computing, 126. https://doi.org/10.1016/j.asoc.2022.109315

Box, G. E., Jenkins, G. M. (1970). Time Series Analysis: Forecasting and Control, Holden-Da: San Francisco.

Cárdenas, O., Vicente Villardon, J. L., & Galindo Villardón, M. P. (2007). Los Métodos Biplot: Evolución y Aplicaciones. Revista Venezolana De Análisis De Coyuntura, XIII (1), 279-303. https://www.redalyc.org/pdf/364/36413113.pdf

Egido, J., Galindo, P. (2015). Dynamic Biplot. Evolution of the Economic Freedom in The European Union. British Journal of Applied Science and Technology, 11(3), 1-13. https://DOI:10.9734/BJAST/2015/20289

Fan, W. (2022). Prediction of Monetary Fund Based on ARIMA Model. Procedia Computer Science, 208, 277-285. https://doi.org/10.1016/j.procs.2022.10.040

Figueiredo, A. M. D., Daponte, A., Figueiredo, D. C. M. M. D., Gil-García, E., & Kalache, A. (2022). Letalidad De La COVID-19: Ausencia De Patrón Epidemiológico. Gaceta Sanitaria, 35, 355-357. doi: 10.1016/j.gaceta.2020.04.001

Gabriel, K. R. (1980). Biplot Display Of Multivariate Matrices For Inspection Of Data And Diagnosis. Rochester Univ Ny.

Galindo, M. P. (1986). Una Alternativa De Representación Simultánea. Hj-Biplot. Qüestiió: Quaderns D'estadística I Investigació Operativa, 10(1), 13-23. https://dialnet.unirioja.es/servlet/articulo?codigo=2360880

González Casimiro, M. P. (2009). Análisis De Series Temporales: Modelos Arima. Economía Aplicada Iii/Ekonomia Aplikatua Iii, Upv/Ehu. https://Doi.Org/10/12492

Gómez-Marcos, M.-T., Ruiz-Toledo, M., Vicente-Galindo, M.-P., Martín-Rodero, H., Ruff-Escobar, C., & Galindo-Villardón, M.P. (2021). Multivariate dynamics of Spanish universities in international rankings. Profesional De La información, 30(2). https://doi.org/10.3145/epi.2021.mar.10

Kunst, J. (2020). Highcharter: A Wrapper For The 'Highcharts' Library. Tomado De Https://Jkunst.Com/Highcharter/Authors.Html

Massó Ibarra, V. (2018). Rpubs—Modelos Arima. Recuperado 17 De Octubre De 2022, De https://Rpubs.Com/Valeamasso/386527

Newbold, P. (1983). Arima Model Building And The Time Series Analysis Approach To Forecasting. Journal Of Forecasting, 2(1), 23-35. https://Doi.Org/10.1002/For.3980020104

Nualles, M. V. (2002). Los Métodos Biplot Como Herramienta De Análisis De Interacción De Orden Superior En Un Modelo Lineal/Bilineal. [Disertación de Licenciatura, Universidad de Salamanca. España] http://repositorio.geotech.cu/jspui/handle/1234/2816

OMS. (2019). Nuevo Coronavirus 2019. OMS. Recuperado 17 De Octubre De 2022, De https://Www.Who.Int/Es/Emergencies/Diseases/Novel-Coronavirus-2019

Regenstein, J. K., & Jr. (2018). Finanzas Reproducibles Con R: Flujos De Código Y Aplicaciones Brillantes Para Análisis De Cartera. Chapman and Hall/CRC: New York. https://doi.org/10.1201/9781351052627.

Archivos adicionales

Publicado

29-12-2022

Cómo citar

Pilacuan, L., Salmon , B., & Gallegos, D. (2022). SARS-CoV-2 representación multivariable entre países de América del Sur mediante Biplot dinámico y modelado ARIMA de contagios y letalidad. EASI: Ingeniería Y Ciencias Aplicadas En La Industria, 1(2), 46–52. https://doi.org/10.53591/easi.v1i2.1857

Número

Vol. 1 Núm. 2 (2022): Gestión de la producción y operaciones: soluciones en el contexto social (Edición julio-diciembre)

Sección

Artículos originales

Licencia

Derechos de autor 2022 Luis Pilacuan, Beatriz Salmon, Diana Gallegos

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

Las contribuciones publicadas en la revista EASI se rigen por la licencia de acceso abierto CC BY-NC-ND 4.0 (Creative Commons Reconocimiento-NoComercial-SinDerivadas 4.0). Esta licencia te empodera como autor, y garantiza la amplia difusión de tu investigación mientras protege tus derechos.

Para autores:

  • Conservan los derechos de autor sin restricciones.
  • La revista obtiene una licencia para publicar y distribuir el manuscrito original.

Para lectores/usuarios:

Acceso y distribución gratuita: cualquier lector o usuario puede acceder, descargar, copiar, imprimir y compartir el artículo publicado libremente según los términos de la licencia CC BY-NC-ND 4.0.

Reconocimiento obligatorio: si un tercero utiliza el material publicado, debe dar crédito al creador proporcionando el nombre, el título del artículo y el nombre de la revista, lo que garantiza la propiedad intelectual del autor(es) y ayuda a construir su reputación académica.

Uso no comercial: solo se permite el uso no comercial del trabajo publicado. No comercial significa que no está destinado principalmente ni dirigido al aprovechamiento comercial o la compensación monetaria por parte de ningún tercero.

No se permiten modificaciones: el contenido del artículo publicado no se puede cambiar, mezclar o reconstruir a partir del trabajo del autor. Esto asegura la integridad y precisión de los resultados de la investigación.

Te invitamos a familiarizarte con los términos completos de la licencia:

  • Atribuciones: 

https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es

  • Definiciones, alcance y términos de la licencia: 

https://creativecommons.org/licenses/by-nc-nd/4.0/legalcode.en

Al publicar bajo CC BY-NC-ND 4.0, los autores contribuyen al avance del conocimiento científico mientras mantienen el control sobre su trabajo. Si tienes alguna pregunta, no dudes en ponerte en contacto con los editores de la revista.

Estadística (Statistics)

Crossref
Scopus
Google Scholar
Europe PMC