CÁLCULO DEL TIEMPO EN EL QUE COMENZARÁ EL DESCESO DE

INFECTADOS POR COVID-19 EN LA CIUDAD DE HUÁNUCO A TRAVÉS

DEL MODELO SIR

Número de Páginas: 19
 INTRODUCCIÓN

El modelo matemático SIR lleva mucho tiempo siendo aplicado en los diferentes

eventos que comprometían el aumento y expansión masiva de virus en todas las

partes del mundo, o pandemia como muchos la conocen. Desarrollado en el año

1927, simplifico muchos otros métodos complejos, obteniendo resultados igual de

precisos, y que ayudo mucho a conocer el desarrollo de las pandemias utilizando

únicamente tres clases de individuos, que son los susceptibles a un contagio, los

contagiados y los recuperados.

Para inicios de 2020, comenzó un tiempo controversial por la expansión del virus

COVID-19, que llegó a convertirse en una pandemia debido a la falta de preparación

de los países para enfrentar este problema. Se realizaron algunos estudios referentes

al tema tales como el estudio realizado por la Revista Mex Med Forense, que hace la

modelización matemática de la propagación del COVID-19 en el estado de Veracruz

con el modelo SEIR (Ortigoza, Lorandi, & Neri, 2020)

Mi interés por este tema nació a partir de un problema que pude ver en mi comunidad,

donde pude observar muchas variaciones en cuanto al número de infectados a lo

largo de los meses que está durando el confinamiento, por lo que me gustaría saber

si llegará algún día en el que este número empezará a disminuir, además al

considerarme un estudiante apasionado por el uso de las matemáticas en la vida real,

me interrogué si sería posible responder a la duda de saber cómo se desarrollara el

número de infectados por este virus a lo largo del tiempo haciendo predicciones con

uso del modelo matemático SIR.

Es por ello que esta exploración tiene como propósito analizar el comportamiento de

los infectados por COVID-19 en mi comunidad, haciendo uso del modelo SIR y

1
determinar la efectividad del mismo a lo largo del tiempo. El objetivo general de este

trabajo es el poder calcular a manera de predicción en cuanto tiempo comenzará el

descenso del número de infectados por este virus haciendo uso del modelo SIR, y

calcular la discrepancia en comparación con los resultados reales, y el objetivo

específico es realizar el análisis de esta predicción y de este modelo, y compararlo

con los resultados reales, analizando la discrepancia para saber cómo esta predicción

puede ser certera durante el tiempo, y los posibles factores influyentes en el resultado

final. La importancia de esta investigación radica en el cálculo y conocimiento de cómo

las medidas de prevención que tomamos para combatir este virus pueden repercutir

en los contagios, ya sea de buena o mala forma, y conocer que acciones podemos

tomar para cambiar nuestra situación debido al COVID-19. Esto será analizado a

través de los valores que tomará el número reproductivo básico por infecciones de

este virus, pues este es un tema relacionado a la salud pública, que permite conocer

como nuestras acciones para combatir enfermedades resultan muy influyentes para

resultados futuros. Por lo que después de esto se plantea la siguiente pregunta de

investigación: ¿En qué medida el modelo SIR resulta efectivo para la predicción de la

variación del número de infectados por COVID-19 a través del tiempo?

Y para ello se usarán datos oficiales de personas infectadas, muertas y recuperadas

de la Dirección Regional de Salud Huánuco (DIRESA), además de obtener algunos

valores como la tasa de recuperación promedio, que se obtiene a través de la división

de 1 entre los días que una persona puede ser infecciosa, que en este caso según

Pullido (2020) son 10 días. Luego se harán uso de las fórmulas del modelo SIR para

calcular el número R0, que es la variable que indicará cuando comenzará el descenso,

que en este caso su fórmula es:

2
 −β
𝑅0 = 𝑆(𝑡)
γ

Y al final, haciendo uso de softwares como Excel, se pueda modelar estos datos en

gráficos y tablas, y se pueda analizar de una forma más clara.

El modelo SIR

De León menciona que el modelo SIR es el modelo compartimental de Kermack-

McKendrick, inspirado a su vez en el de Ronald Ross, que en 1911 modelizó la

propagación de la malaria. La idea del modelo compartimental es dividir la población

en compartimentos y ver como se pasa de uno a otro, en este caso de S a I y luego

a R. (como se citó en Sacristán, 2020)

Los miembros de una población se clasifican en tres grupos: susceptibles (S),

infectados (I) y recuperados (R), y el proceso básico de este modelo supone que

cualquier miembro pasará por ambos grupos, y solo podrá pertenecer a uno.

𝑆→𝐼→𝑅

Además, existen condiciones tales como que los miembros recuperados adquieren

inmunidad, por lo que no pueden regresar a ninguno de los tres grupos, o que no se

toman en cuenta los nacimientos ni muertes para mantener una población constante

en todo tiempo (las muertes se adicionan al grupo de recuperados, mas no como otro

parámetro).

"𝑡" llegará a ser nuestra variable de tiempo, y esta variable aplicada a los diferentes

grupos nos llegarán a indicar el número de personas en un grupo en un tiempo

determinado, además de que el tamaño de la población será la variable 𝑁, y esta es

resultado de la suma de miembros en los tres grupos como se puede ver en la

ecuación 1.

3
 𝑆 (𝑡 ) + 𝐼 (𝑡 ) + 𝑅 (𝑡 ) = 𝑁

Y para calcular independientemente los miembros pertenecientes a cada grupo que

describe el modelo las ecuaciones son las siguientes.

Ecuación 2 para calcular el número de susceptibles: 𝑆 ′ (𝑡) = −β𝑆(𝑡)𝐼(𝑡)

Ecuación 3 para calcular el número de infectados: 𝐼 ′ (𝑡) = β𝑆(𝑡)𝐼 (𝑡) − γ𝐼(𝑡)

Ecuación 4 para calcular el número de recuperados: 𝑅 ′ (𝑡) = γ𝐼

Donde:

β = 𝑇𝑎𝑠𝑎 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑚𝑖𝑠𝑖ó𝑛

1
γ=
𝑑𝑖𝑎𝑠 𝑠𝑖𝑒𝑛𝑑𝑜 𝑖𝑛𝑓𝑒𝑐𝑐𝑖𝑜𝑠𝑜

Y lo más importante, existe un valor que se conoce como 𝑅0 , que se define como “el

número de casos, en promedio, que van a ser causados por una persona infectada

durante el período de contagio.” (Eisenberg, 2020). Este valor adaptado al uso del

modelo SIR nos indicará cuando el número de infectados y/o la tasa de infección

aumenta o disminuye, a través de algunos parámetros.

𝑅0 < 1 = 𝑅𝑒𝑑𝑢𝑐𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑖𝑛𝑓𝑒𝑐𝑡𝑎𝑑𝑜𝑠

𝑅0 = 1 = 𝑀𝑎𝑛𝑡𝑒𝑛𝑐𝑖ó𝑛 𝑒𝑠𝑡𝑎𝑏𝑙𝑒 𝑑𝑒𝑙 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑖𝑛𝑓𝑒𝑐𝑡𝑎𝑑𝑜𝑠

𝑅0 > 1 = 𝐴𝑢𝑚𝑒𝑛𝑡𝑜 𝑦/𝑜 𝑝𝑟𝑜𝑝𝑎𝑔𝑎𝑐𝑖ó𝑚 𝑑𝑒𝑙 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑖𝑛𝑓𝑒𝑐𝑡𝑎𝑑𝑜𝑠

Además, para calcular este número a través del modelo SIR, se tiene la ecuación 5.

−β
𝑅0 = 𝑆(𝑡)
γ

4
Recolectando los datos: Los números de contagio por COVID-19 en la ciudad

de Huánuco

La situación en la ciudad de Huánuco fue variando enormemente a lo largo del tiempo,

pues se habla de que en un inicio la situación colapso en parte al sistema sanitario de

esta ciudad durante la primera ola, mientras que en la segunda esta situación se salió

de control, causando una gran pérdida de vidas, falta de abastecimiento de

medicamentos y oxígeno, y muchos más contagios que antes (Santos, 2021). En base

a esto se procede a describir el modelo matemático SIR con la recolección de

información sobre el número de contagios por COVID-19 desde el 01 de enero hasta

el 28 de febrero del 2021, es decir, 58 días. Esto realizado con la finalidad de tener

más datos y poder hacer predicciones más acertadas debido a un mayor rango de

días y de datos de la enfermedad en la población a usar. Esta fue la parte más sencilla

de todo el trabajo, debido a que esta información se encuentra en el sitio web oficial

de la Dirección Regional de Salud de mi región, pero claro, esto no significa que la

información sea 100% real y exacta, debido a que no todas las personas registran

que han sido infectadas por este virus, sin embargo, los datos tratarán de ser los más

precisos gracias a la institución que está detrás de su registro.

5
Tabla 1

Número de infectados en la ciudad de Huánuco

Personas aún no
Día de
Mes Fecha infectadas Infectados Recuperados
cuarentena
(Susceptibles)

01/01/2021 292 798436 40398 27797

02/01/2021 293 798247 40573 27811

03/01/2021 294 798107 40701 27823

04/01/2021 295 797979 40822 27830

05/01/2021 296 797840 40951 27840

06/01/2021 297 797708 41054 27869

07/01/2021 298 797445 41313 27873

08/01/2021 299 797350 41398 27883

09/01/2021 300 797225 41516 27890

10/01/2021 301 797142 41592 27897

11/01/2021 302 797007 41719 27905

12/01/2021 303 796845 41855 27931

Enero
13/01/2021 304 796675 42003 27953

14/01/2021 305 796490 42165 27976

15/01/2021 306 796235 42391 28005

16/01/2021 307 795895 42516 28220

17/01/2021 308 795850 42550 28231

18/01/2021 309 795785 42607 28239

19/01/2021 310 795562 42800 28269

20/01/2021 311 795357 43001 28273

21/01/2021 312 795183 43152 28296

22/01/2021 313 794962 43360 28309

23/01/2021 314 794812 43498 28321

24/01/2021 315 794682 43617 28332

6
 25/01/2021 316 794566 43725 28340

26/01/2021 317 794301 43981 28349

27/01/2021 318 794120 44153 28358

28/01/2021 319 793787 44450 28394

29/01/2021 320 793595 44632 28404

30/01/2021 321 793488 44739 28404

31/01/2021 322 793383 44827 28421

01/02/2021 323 793269 44922 28440

02/02/2021 324 793115 45076 28440

03/02/2021 325 793013 45178 28440

04/02/2021 326 792807 45346 28478

05/02/2021 327 792664 45481 28486

06/02/2021 328 792482 45652 28497

07/02/2021 329 792279 45819 28533

08/02/2021 330 792228 45869 28534

09/02/2021 331 792043 46043 28545

10/02/2021 332 791811 46275 28545

11/02/2021 333 791638 46442 28551

Febrero 12/02/2021 334 791469 46569 28593

13/02/2021 335 791255 46731 28645

14/02/2021 336 791142 46844 28645

15/02/2021 337 791106 46862 28663

16/02/2021 338 790965 46971 28695

17/02/2021 339 790859 47057 28715

18/02/2021 340 790746 47154 28731

19/02/2021 341 790649 47220 28762

20/02/2021 342 790494 47364 28773

21/02/2021 343 790418 47435 28778

22/02/2021 344 790372 47475 28784

23/02/2021 345 790237 47548 28846

7
 24/02/2021 346 790157 47620 28854

25/02/2021 347 789864 47729 29038

26/02/2021 348 789705 47830 29096

27/02/2021 349 789617 47887 29127

28/02/2021 350 789597 47907 29127

Nota: Adaptado de INFORMACIÓN CORONAVIRUS COVID-19. Por DIRESA HUÁNUCO, 2021.

[Link]

En la tabla 1, se presentan los datos de la cantidad de personas susceptibles.

infectados y personas recuperadas de COVID-19 en la ciudad de Huánuco durante

los días 292 y 350 de pandemia que se vive en este lugar.

Una de los parámetros que resulta más fácil conseguir es γ, y esto debido a que, de

acuerdo a diversos estudios, en la mayoría de pruebas realizadas a pacientes

infectados por COVID-19, la carga viral del virus disminuye a los 10 días, por lo que

en este lapso de tiempo ya resultan ser no infecciosos. (Pullido, 2020). Y en base a

esto, podemos calcular el valor de γ en la ecuación 6.

1
γ= = 0,1
10

Luego, otro parámetro a calcular es β, y en este caso esto se va a calcular haciendo

uso del dato de infectados y susceptibles de cada uno de los días pasados de la

pandemia, a partir del 02 de enero, debido a que no hay datos de días anteriores al

01 de enero, por lo que se realiza la ecuación 7 para calcular ese valor del primer día.

40573 = 40398 + β(798436)(40398) − 0,1(40398)

40573 = 40398 + 32255217528β − 4039,8

40573 = 36358,2 + 32255217528β

4214,8 = 32255217528β

8
 β = 0,000000130670332523451

Luego, para obtener mejores referencias se procede a hacer lo mismo con el segundo

día de registro, o en este caso, del día 03 de enero a través de la ecuación 8.

40701 = 40573 + β(798247)(40573) − 0,1(40573)

40701 = 40573 + 32489451147β − 4057,3

40701 = 36515,7 + 32489451147β

4185,3 = 32489451147β

β = 0,000000129226677186662

Y de igual manera, al igual que en la ecuación pasada, se sigue operando con los

datos respectivos al día 04 de enero para calcular el valor de β en la ecuación 9.

40822 = 40701 + β(798107)(40701) − 0,1(40701)

40822 = 40701 + 32580323954β − 4070,1

40822 = 36630,9 + 32580323954β

4191,1 = 32489451147β

β = 0,000000129226677186662

Este mismo proceso se repite con cada uno de los días restantes, para que al final se

pueda obtener el promedio de todos los valores de β, para calcular un valor fijo del

mismo, evitando sus variaciones, y para operar con este parámetro de una forma

precisa para obtener resultados claros.

9
Tabla 2

Valores de β desde el 02 de enero hasta el 28 de febrero de 2021

Valores de β (Ordenados de izquierda a derecha desde el 02 de enero hasta el 28 de febrero de

2021)

0,0000001306 0,0000001292 0,0000001290 0,0000001292 0,0000001284 0,0000001332

70332523451 26677186662 21421850389 76661104560 90926870037 67767236682

0,0000001279 0,0000001289 0,0000001277 0,0000001292 0,0000001295 0,0000001299

80567628275 90254274000 31342494509 78687889365 59596789763 32442573205

0,0000001303 0,0000001322 0,0000001292 0,0000001266 0,0000001273 0,0000001313

62905032311 80249153221 94415743031 49493886594 35051165465 54288034049

0,0000001316 0,0000001301 0,0000001318 0,0000001297 0,0000001292 0,0000001289

00380212030 44760457393 18927919588 95709513874 57935166912 52334101979

0,0000001332 0,0000001308 0,0000001343 0,0000001311 0,0000001290 0,0000001285

23387555799 20406438933 96073318129 36549463491 29773427953 04733463449

0,0000001287 0,0000001303 0,0000001289 0,0000001307 0,0000001298 0,0000001309

13696263483 82208776346 38230865555 90572297150 89253421195 00118826563

0,0000001308 0,0000001275 0,0000001310 0,0000001326 0,0000001308 0,0000001297

01846822703 95519197980 14571149178 17507014231 50493458205 74712288633

0,0000001307 0,0000001294 0,0000001268 0,0000001293 0,0000001287 0,0000001290

42592587244 37532849302 85254631985 45471282834 42633300785 51234008253

0,0000001282 0,0000001303 0,0000001283 0,0000001275 0,0000001284 0,0000001284

32920772417 35402021870 99492973057 82189672800 68178775907 60524215948

0,0000001294 0,0000001292 0,0000001281 0,0000001271

53961960617 83160003521 38634904678 72603786522

De acuerdo a los datos de la Tabla 1, el promedio que se puede calcular de todos los

valores de β es 0,00000012967904432076, y esto es porque se multiplico el valor real

por (-1) para obtener un resultado positivo en la siguiente operación. Una vez obtenido

10
estos datos, se procede a realizar la ecuación para determinar cuando el número de

infectados empezará a disminuir, y esto se realiza en la ecuación 10.

𝑅0 < 1

−β
𝑆 (𝑡 ) < 1
γ

−β
𝑆 (𝑡 ) < 1
0,1

𝑆(𝑡) 𝑥 0,0000012967904432076 < 1

𝑆(𝑡) < 771134,6156

Una vez obtenido esta inecuación que indica que el número de susceptibles tiene que

ser menor a 771134,6156, pasamos estos datos a una tabla creada en Excel para

realizar la predicción en días que tienen que pasar para que comience la reducción

de los infectados por COVID-19. Para el primer cálculo se usarán los datos de

susceptibles, infectados, recuperados y la población sin infectar del 28 de febrero, y

para los siguientes datos se usarán esos mismos parámetros, pero del día anterior al

mismo.

11
Tabla 3

Predicciones de los parámetros de control de COVID-19 a través del modelo SIR

Día de

cuarenten Susceptibles Infectados Recuperados

866631 47907

− (48021,6928 + 0,0000012967904432076 𝑥 29127 + 47907 x 0,1

351
+ 33917,7000) 789597 𝑥 47907 − 0,1 𝑥 47907 = 33917,7000

= 784691,6018 = 48021,6982

48021,6982
866631
+ 0,0000012967904432076 𝑥 33917,7000
− (48106,1231
352 784691,6018 𝑥 48021,6982 + 48021,6982 x 0,1
+ 38719,8698)
− 0,1 𝑥 48021,6982 = 38719,8698
= 779805,0071
= 48106,1231

48106,1231
866631
+ 0,0000012967904432076 𝑥 38719,8698
− (48160,2121
353 779805,0071 𝑥 48106,1231 + 48106,1231 x 0,1
+ 43530,4821)
− 0,1 𝑥 48106,1231 = 43530,4821
= 774940,3058
= 48160,2121

48160,2121
866631
+ 0,0000012967904432076 𝑥 43530,4821
− (48183,9800
354 774940,3058 𝑥 48160,2121 + 48160,2121 x 0,1
+ 48346,5033)
− 0,1 𝑥 48160,2121 = 48346,5033
= 770100,5167
= 48183,9800

En la tabla 2 se obtuvieron las predicciones de los parámetros de susceptibles,

infectados y recuperados del COVID-19 en los 4 días después del último registro

oficial de la DIRESA HUÁNUCO. No se tomó en cuenta otros días más debido al gran

margen de cambio que la predicción genera con los resultados. Estos datos son

12
predictivos para poder medir la eficacia del modelo SIR, y los resultados que se

obtuvieron servirán para realizar el cálculo respectivo del número reproductivo básico

que servirá para dar una respuesta a toda la investigación.

Tabla 4

Tabla de cálculo del número reproductivo básico

Día de cuarentena 𝑅0

0,0000001297
351 (784691,6018) = 1.02
0,1

0,0000001297
352 (779805,0071) = 1.01
0,1

0,0000001297
353 (774940,3058) = 1.00
0,1

0,0000001297
354 (770100,5167) = 0.99
0,1

En la tabla 3 se pudo calcular el número reproductivo básico en cada uno de los 4

días de los que se hicieron los cálculos de los parámetros del modelo SIR, y tal y

como se puede apreciar, en el día 354 el número reproductivo será menor que 1, por

lo que esto nos indica que a los 354 días comenzarán los decesos de casos de

COVID-19, y ahora, esta información se usará para crear una gráfica que usando el

mismo modelo y en base a los datos anteriormente obtenidos se modelará la

evolución de la expansión del virus en la población.

Figura 1

Gráfico de la evolución de la pandemia con los datos reales y la predicción con el modelo SIR

13
 Evolución de la pandemia en la ciudad de Huánuco
900000
800000
Número de habitantes

700000
600000
500000
S
400000
I
300000
R
200000
100000
0
300

328

356
292
296

304
308
312
316
320
324

332
336
340
344
348
352

360
364
368
372
376
380
384
Tiempo (días)

En base a los resultados obtenidos y representados en la tabla 3 y en la figura 2,

según el modelo SIR es posible afirmar que a los 354 días pasados desde que

comenzó la cuarentena en la ciudad de Huánuco comenzarán el descenso de

infectados, sin embargo, si se realiza el cálculo del número 𝑅0 al día 368 de la

pandemia, se obtiene el siguiente resultado a través de la ecuación 11.

0,0000001310
(787609) = 1.03
0,1

Luego, para el contraste de resultados es necesario calcular la discrepancia de los

valores de infectados reales y los de la predicción a través de la ecuación 12.

49313 − 45512
= 38,01%
100

Al parecer la predicción del número de infectados y el tiempo en el que comenzará su

descenso comparado con lo que pasa realmente, además del 38,01% de discrepancia

obtenida al comparar ambos resultados nos demuestra que el modelo SIR no ha sido

tan preciso al momento de calcular el momento en el que comenzará el descenso de

14
infectados por COVID-19, al igual que la evolución del número de infectados por esta

enfermedad a lo largo del tiempo.

Por lo visto, se puede apreciar que este cambio drástico de la curva de contagios

según el modelo SIR, al igual que la reducción del valor del número reproductivo

básico según este modelo baja rápidamente debido a las condiciones que se vivieron

en ese momento, ya que para ese tiempo, las medidas de libertad para el

desplazamiento peatonal aun eran estrictas, además que las personas se protegían

de una mejor forma para evitar los contagios, sin embargo ahora se han flexibilizado

estas medidas, permitiéndonos un mayor desplazamiento a muchos lugares y con

una mayor libertad representada en las horas y actividades disponibles, que de una

u otra manera representan las cifras actuales que se analizaron estando al día 368

de la pandemia, y a lo mejor estas cifras se mantengan de esta forma durante unos

días, hasta que ocurra un nuevo rebrote del virus en la población, o hasta que haya

nuevas variantes del virus como se ha visto ya en muchas partes del mundo que

hagan que esta pandemia vuelva a crecer en número de infectados, lo que nos

demuestra que este modelo no resulta tan efectivo para realizar las predicciones de

infectados si las condiciones cambian en todo momento.

Desde luego, podemos decir que a corto plazo parece ser una realidad que el

descenso puede comenzar mucho antes, talvez no en 4 días, pero a lo mejor en 30

días o más aunque esto puede tener variaciones a mediano y largo plazo, pues si las

medidas impuestas por el estado nuevamente cambian, al realizar el mismo proceso

predictivo a través del modelo SIR, se podrá ver un aumento masivo y luego un

deceso masivo, o viceversa al igual que en este caso, en el que se puede observar

que a los pocos días habrá un descenso masivo, y que en pocas semanas, o unos

cuantos meses, ya no existirán personas infectadas con este virus, pero que este

15
resultado comparado con la realidad resulta que incluso no llegamos aun al día en el

que comience el verdadero descenso del número de infectados, y que incluso

estemos por afrontar una tercera ola que haga que estos resultados varíen en gran

medida nuevamente, aunque lo cierto es que este modelo siempre tendrá sus

limitaciones con respecto a las condiciones en la que nos encontremos para ese

momento, por lo que algún cambio o variación hará que la predicción sea más o

menos precisa con respecto a la realidad.

16
 CONCLUSIÓN

En conclusión, la predicción de ese tiempo a través del modelo SIR resultó efectiva

en cierta medida, debido a que estos resultados comparados con la realidad no están

casi nada cerca en el cálculo del tiempo en el que comenzará un descenso de

infectados representado por el número reproductivo básico, además que la

discrepancia obtenida con respecto a los resultados reales y predichos al día 368 de

la pandemia están algo alejados de nuestra realidad, aunque es cierto que estos

resultados podrán ser más acertados si las condiciones en la que nos encontramos

el último día de realizada la medición se mantuviera igual en esos días que tardaría

en llegar el descenso. Al fin y al cabo, son este tipo de condiciones las que de una u

otra manera influyen en los resultados y en las predicciones que se pueden hacer con

este tipo de modelos matemáticos, por lo que no existe un modelo que sea capaz de

predecir este tipo de resultados como el tiempo que tomará para que no haya más

infectados, a causa de que esto se ve implicado por factores y errores humanos que

estos modelos no pueden controlar.

Al final del trabajo se puede afirmar que se alcanzó el objetivo principal y específico,

ya que se pudo calcular el tiempo en el que comenzará el descenso de infectados por

COVID-19, además de que se pudo dar un correcto análisis a los resultados obtenidos

a través del modelo SIR en comparación con los datos reales y los posibles cambios

y/o variaciones del mismo a lo largo del tiempo.

Como solución a estas dificultades presentadas, se sugiere ver videos tutoriales para

aprender más sobre su uso que hablen específicamente sobre la modelación de este

modelo matemático haciendo uso de este programa, tales como “Modelización en

Excel de la propagación de virus y enfermedades infecciosas” (Excel Avanzado para

17
Administración de Empresas, 2020), además que en estos tutoriales se puede

aprender como personalizar los datos a mostrar en los gráficos, por lo que de esta

manera incluso se logró mostrar las fechas en un intervalo de 20 días para un mejor

orden en la gráfica.

En el caso de posteriores investigaciones a este mismo tema, sugiero que para poder

predecir mejor la tasa de transmisión y sus variaciones haciendo uso del modelo SIR,

el registro de datos y el trabajo sea constante, o en otras palabras, cada día se debe

de registrar estos datos de infectados y recuperados, para que de esta manera el

valor de la tasa de contagio no tenga grandes variaciones, ya que se sabe que existen

muchos factores que harán que el valor de esta tasa varié constantemente, y que

estos factores no se pueden controlar ni considerar en el modelo usado, tales como

el sistema de salud y el registro que ellos tienen de cada una de las personas, o al

igual que el compromiso de cada persona y la cantidad de pruebas moleculares, y lo

más importante, que son las medidas que establecen cada gobierno para controlar

este problema.

Por último, es importante resaltar la importancia de este trabajo, ya que ayudo a

predecir dentro de cuantos días contados desde que comenzó la cuarentena en la

ciudad de Huánuco el número de infectados se reducirá, y a la vez, a comprender por

qué estos modelos no siempre son exactos, y que mientras más datos de más días

se obtengan, más exacta será esta predicción.

18
 REFERENCIAS BIBLIOGRÁFICAS

DIRESA HUÁNUCO. (2021). INFORMACIÓN CORONAVIRUS COVID-19. Obtenido

de [Link]

grberg, J. (6 de Mayo de 2020). Qué es el R0, el número que siguen los científicos

para ver la intensidad del coronavirus. Obtenido de

[Link]

cientificos-para-ver-la-intensidad-del-coronavirus-137744

Excel Avanzado para Administración de Empresas. (12 de Marzo de 2020).

Modelización en Excel de la propagación de virus y enfermedades

infecciosas. Obtenido de

[Link]

oparaAdministraci%C3%B3ndeEmpresas

Pullido, S. (2 de Abril de 2020). Un estudio alemán identifica el momento en el que

el paciente deja de ser contagioso. Obtenido de

[Link]

momento-en-el-que-el-paciente-deja-de-ser-contagioso/

Sacristán, E. (20 de Marzo de 2020). Un modelo, un teorema y teoría de juegos

contra el coronavirus. Obtenido de

[Link]

juegos-contra-el-coronavirus

19