Revista de Matemática: Teoría y Aplicaciones ISSN Impreso: 1409-2433 ISSN electrónico: 2215-3373

OAI: https://revistas.ucr.ac.cr/index.php/matematica/oai
Mezcla de Gompertz para modelar la evolución de la dinámica del COVID-19
PDF (English)

Palabras clave

COVID-19
Gompertz mixture
Poisson process
Cox process
COVID-19
Mezcla de Gompertz
Proceso de Poisson
Proceso de Cox

Cómo citar

Gonzalez Farias, G., Vásquez Martínez, R., Márquez Urbina, J. U., & Ramos Quiroga, R. (2023). Mezcla de Gompertz para modelar la evolución de la dinámica del COVID-19. Revista De Matemática: Teoría Y Aplicaciones, 30(1), 141–172. https://doi.org/10.15517/rmta.v30i1.50927

Resumen

Diferentes países usaron la función de crecimiento Gompertz al principio de la pandemia por COVID-19 para modelar el numero acumulado de infectados dado que proporcionaba un ajuste razonable. Este modelo permite una única moda, pero la pandemia evoluciono exhibiendo un comportamiento multimodal debido a las diferentes olas y variantes del COVID-19. Por tanto, el modelo Gompertz clásico de crecimiento no ajusta bien para describir una pandemia larga con diferentes variantes del virus. Este trabajo presenta generalizaciones del modelo Gompertz donde se pueda capturar un comportamiento multimodal para modelar la dinámica de los casos infectados. Este modelo es aplicado a datos de COVID-19 de Nuevo León, México.

https://doi.org/10.15517/rmta.v30i1.50927
PDF (English)

Citas

I. Ahmed, G. U. Modu, A. Yusuf, P. Kumam, I. Yusuf, A mathematical model of Coronavirus Disease (COVID-19) containing asymptomatic and symptomatic classes. Results in physics 21(2021), 103776.

M. Catala, D. Pino, M. Marchena, P. Palacios, T. Urdiales, P.-J. Cardona, S. Alonso, D. Lopez-Codina, C. Prats, E. Alvarez-Lacalle, Robust estimation of diagnostic rate and real incidence of COVID-19 for European policymakers. PLoS One 16(2021), no. 1, e0243701. DOI: 10.1371/journal.pone.0243701

S. Coles, An introduction to statistical modeling of extreme values. Springer Series in Statistics. Springer-Verlag London, Ltd., London, 2001, xiv+208. DOI: 10.1007/978-1-4471-3675-0

CONACYT, Estimaciones de la Tasa de Reproduccion Efectiva Rt de COVID-19 para los Estados y Zonas Metropolitanas de Mexico. 2022. URL: https://salud.conacyt.mx/coronavirus/investigacion/productos/. Accessed: 29-Apr-2022, 10:06 a.m.

CONACYT, Vigilancia de variantes del virus SARS-CoV-2. 2022. URL: https://salud.conacyt.mx/coronavirus/variantes/. Accessed: 30-Apr-2022, 11:03 p.m.

C. Gourieroux, J. Jasiak, Time varying Markov process with partially observed aggregate data: An application to coronavirus. J. Econometrics 232(2023), no. 1, 35–51. DOI: 10.1016/j.jeconom.2020.09.007

T. Hastie, R. Tibshirani, J. Friedman, The elements of statistical learning. Springer Series in Statistics. Springer, New York, 2009, xxii+745. DOI:10.1007/978-0-387-84858-7

J. D. Kalbfleisch, R. L. Prentice, The statistical analysis of failure time data.Wiley Series in Probability and Statistics.Wiley-Interscience, Hoboken, NJ, 2002, xiv+439. DOI: 10.1002/9781118032985

J. U. Marquez Urbina, G. Gonzalez Farias, L. L. Ramirez Ramirez, D. I. Rodriguez Gonzalez, A multi-source global-local model for epidemic management. PLoS One 17(2022), no. 1, e0261650. DOI: 10.1371/journal.pone.0261650

A. W. Marshall, I. Olkin, Life distributions. Springer Series in Statistics. Structure of nonparametric, semiparametric, and parametric families. Springer, New York, 2007, xx+782.

L. Martino, D. Luengo, J. Miguez, Independent random sampling methods. Statistics and Computing. Springer, Cham, 2018, xii+280. DOI: 10.1007/978-3-319-72634-2

G. McLachlan, A. Ng, P. Adams, D. C. McGiffin, A. Gailbraith, An algorithm for fitting mixtures of Gompertz distributions to censored survival data. Journal of Statistical Software 2(1997), 1–23. DOI: 10.18637/jss.v002.i07

G. McLachlan, D. Peel, Finite mixture models. Wiley Series in Probability and Statistics: Applied Probability and Statistics. Wiley-Interscience, New York, 2000, xxii+419. DOI: 10.1002/0471721182

G. J. McLachlan, T. Krishnan, The EM algorithm and extensions. Wiley Series in Probability and Statistics. Wiley-Interscience, Hoboken, NJ, 2008, xxviii+359. DOI: 10.1002/9780470191613

Mexican Government, Datos Abiertos Direccion General de Epidemiologia. 2022. URL: https://www.gob.mx/salud/documentos/datos-abiertos-152127. Consulted on 30-Apr-2022, 11:06 p.m.

Mexico’s Secretariat of Health, Sistemas de Informacion de la Red IRAG. 2021. URL: https://www.gits.igg.unam.mx/red-iragdashboard/reviewHome. Consulted on 07-Sept-2022, 11:00 p.

C. Murray et al., Forecasting COVID-19 impact on hospital bed-days, ICU-days, ventilator-days and deaths by US state in the next 4 months. MedRxiv. 2020. DOI: 10.1101/2020.03.27.20043752

J. Nocedal, S. J. Wright, Numerical optimization. Second. Springer Series in Operations Research and Financial Engineering. Springer, New York, 2006, xxii+664. URL: https://www.math.uci.edu/~qnie/Publications/NumericalOptimization.pdf.

J. Pickands, Statistical inference using extreme order statistics. Ann. Statist. 3(1975), 119–131. URL: http : / / links . jstor . org /sici?sici=00905364(197501)3:1%3C119:SIUEOS%3E2.0.CO;2-O&origin=MSN.

M. A. Pinsky, S. Karlin, An introduction to stochastic modeling. Elsevier/Academic Press, Amsterdam, 2011, x+563. DOI: 10.1016/B978-0-12-381416-6.00001-0

S. I. Resnick, Extreme values, regular variation, and point processes. Vol. 4. Springer Science & Business Media, 2008.

H. Rinne, The Hazard Rate: Theory and Inference (with Supplementary MATLAB-Programs). 2014. URL: https://books.google.co.cr/books?id=welNuwEACAAJ.

G. R. Shinde, A. B. Kalamkar, P. N. Mahalle, N. Dey, J. Chaki, A. E. Hassanien, Forecasting models for coronavirus disease (COVID-19): a survey of the state-of-the-art. SN Computer Science 1(2020), no. 4, 1–15.

K. Systrom, Estimating COVID-19’s in Real-Time. 2022. URL: https://github.com/k-sys/covid-19/blob/master/Realtime%20R0.ipynb.

T. M. Therneau, P. M. Grambsch, Modeling survival data: extending the Cox model. Statistics for Biology and Health. Springer-Verlag, New York, 2000, xiv+350. DOI: 10.1007/978-1-4757-3294-8

K. M. Tjorve, E. Tjorve, The use of Gompertz models in growth analyses, and new Gompertz-model approach: An addition to the Unified-Richards family. PloS one 12(2017), no. 6, e0178691. DOI: 10.1371/journal.pone.0178691

C. P. Winsor, The Gompertz curve as a growth curve. Proceedings of the national academy of sciences 18(1932), no. 1, 1–8.

Comentarios

Creative Commons License

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

Derechos de autor 2023 Revista de Matemática: Teoría y Aplicaciones

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...