Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Marzo-31 Prediccion Covid19 Peru PDF
Marzo-31 Prediccion Covid19 Peru PDF
COVID-19 en el Perú
Informe
Actualización al 31 de marzo del 2020
Notas preliminares
• Las fuentes de información usadas son oficiales y provienen del Ministerio de Salud y la OMS.
• La metodología y supuestos de predicción son detalladas en la nota técnica que acompaña el documento.
• El contexto actual presenta una gran incertidumbre, por tanto las predicciones son actualizadas día a día incorporando la
nueva información disponible.
• El primer reporte fue realizado con información al 24 de marzo del 2020. La lista completa de reportes se encuentran en un
repositorio virtual de libre acceso.
• A partir del 1 de abril se dejará de publicar este reporte en el formato actual, el monitoreo de casos y las predicciones estarán
disponibles en una plataforma virtual de libre acceso.
2
Resumen de la predicción del COVID-19 en el Perú
PREDICCIÓN DE CASOS CONFIRMADOS • A la fecha se reportan 1065 casos confirmados, de los cuales
799 se concentran en la ciudad de Lima.
3 200 Intervalos de confianza • Los fallecidos representan el 2.8% de los casos confirmados.
estadística al 90%
2 800 • Se corrigen fuertemente las predicciones, la entrada a la
fase de contención (aplanamiento de la curva) sucedería
2 400
a fines de abril.
2 000
• La entrada en la zona de contención NO es equivalente al
1 600 levantamiento de la cuarentena, medida que es tomada
por Estado.
1 200
3
1. Evolución del COVID-19 en el Perú
Desde el inicio de la cuarentena, el ritmo de casos confirmados ha evolucionado a la par que el número de test aplicados. Se espera
que se mantenga esta tendencia en los próximos días. Esto es respaldado tanto por el incremento en la tasa de detección observado
recientemente como por los test aún pendientes de evaluación fuera de Lima y Callao.
La zona de contención1/ del COVID-19 se alcanzaría cerca del final del mes de abril. La aplicación de más test de detección ha
permitido una mayor identificación de casos confirmados. A medida que continúe este incremento en la aplicación de test, se
esperaría que la senda de casos confirmados se incremente.
2 400 60%
2 000
1 600 40%
A partir del 27 de
1 200
abril se tendría una
20% probabilidad mayor a
800
60% de entrar a la
zona de contención
400
del COVID-19
0%
0
30-mar 09-abr 19-abr 29-abr 09-may
09-mar 21-mar 02-abr 14-abr 26-abr 08-may
Nota: 1/ La zona de contención es definida cuando la tasa de crecimiento de casos confirmados no supera el 1% por al menos 3 días consecutivos, esta definición se sustancia en la
6
evidencia empírica observada en las provincias de China y en Corea del Sur. 2/ Los supuestos de proyección son explicados en la nota técnica. Fuente: Ministerio de Salud, OMS.
4. Comparación de la predicción con otros países
Se estima que el tiempo esperado para alcanzar la zona de contención será entre 35 a 49 días después del inicio de la cuarentena 1/.
Perú seguiría una trayectoria de casos confirmados inferior a Chile o Brasil.
Chile
1 000
Nota: 1/ Con un intervalo de confianza de 90%. 2/ Para las trayectorias de otros países, se imputa la tasa de crecimiento de casos confirmados de Brasil, Chile y Europa al día que Perú
7
supero los 20 casos (12-mar). En el caso de China, se imputa el crecimiento desde 4 días antes del inicio de su cuarentena. 3/ Contempla provincias, municipios y regiones autónomas.
5. Tasa de letalidad
A la fecha, el Perú tienen una tasa de letalidad del COVID-19 comparable a la mayoría de países del mundo. Los casos de mayor
letalidad son reportados por países como España, Irán e Italia que han visto rebasados sus sistemas de atención sanitaria.
1
0% 2% 4% 6% 8% 10% 09-mar 21-mar 02-abr 14-abr 26-abr 08-may
Casos reales Fallecidos Predicción de casos
confirmados
Nota: 1/ Se considera el último dato de tasa de letalidad a la fecha de actualización para una muestra de 32 países, que reportan más de 15 días de pandemia desde el caso confirmado
8
número 20 y el número total de casos es similar o mayor al del Perú.
6. Comparación con la predicción del día anterior
Considerando el contexto de incertidumbre, se opta por actualizar las proyecciones día a día con la nueva información disponible.
Los últimos datos relevados corrigen la proyección al alza y retrasan el tiempo esperado de entrada a la zona de contención hacia
fines de abril. Esto obedece a la mayor tasa de detección de test y la aplicación de test de detección en los últimos días.
2 400 60%
2 000
A partir del 27 de
1 600 40% abril se tendría una
probabilidad mayor a
1 200 60% de entrar a la
zona de contención
800 20% del COVID-19
400
0 0%
09-mar 21-mar 02-abr 14-abr 26-abr 08-may 30-mar 09-abr 19-abr 29-abr 09-may
1. Modelo: se emplea un modelo de crecimiento logístico, el cual es uno de los modelos más simples aplicados para
reproducir la evolución de contagios de una pandemia. Este modelo replica un crecimiento exponencial que gradualmente
disminuye hasta alcanzar un punto de saturación (Batista, 2020). El modelo se presenta de la siguiente manera:
𝑑𝐶 𝑡 𝐶 𝑡
= 𝑟𝐶 𝑡 1 − ,
𝑑𝑡 𝐾
donde 𝐶 𝑡 es el número de casos confirmados acumulados, 𝑟 es la tasa de infección y 𝐾 es el número de casos al final de
𝐾 𝐾−𝐶0
la pandemia. Si 𝐶(0) = 𝐶0 , entonces la solución de la ecuación representada es 𝐶 𝑡 = −𝑟𝑡 , donde 𝐴 = .
1+𝐴𝑒 𝐶0
2. Estimación: Se observa dos características de los datos: (i) 𝐶(𝑡) es medido imprecisamente cuando el número de nuevos
test realizados (𝑇𝑒𝑠𝑡𝑡 ) registra un nivel bajo; (2) las observaciones más recientes son las que brindan mayor información
sobre la evolución futura de 𝐶(𝑡). Entonces, buscando descontar las observaciones que son medidas con imprecisión y a su
vez priorizando las observaciones recientes para la predicción, se considera el estimador de mínimos cuadros ponderados
no lineales donde los pesos son formulados de la siguiente manera 𝑤 𝑡 = 𝜃 𝑇−𝑡 𝑇𝑒𝑠𝑡𝑡 que recoge estas dos características.
Otras parametrizaciones de pesos ha sido estudiadas en Steude (2011), Pesaran, Pick y Pranovich (2013), Romano y Wolf
(2017), Miller y Startz (2018), entre otros.
3. Incorporación de incertidumbre: en línea con diversos estudios, se estima los intervalos de confianza implementado un
método bootstrap paramétrico como en Chowell, Nishiura, Bettencourt (2007), Viboud, Simonsen, y Chowell (2016), Ma
(2020), entre otros. El procedimiento es el siguiente: cada realización de la curva epidemiológica 𝐶 𝑡 𝑖 𝑖 = 1,2, … , 1000 se
genera como la acumulación de los incrementos obtenidos de una distribución Poisson con media 𝐶 𝑡 − 𝐶 𝑡 − 1 , donde
𝐶 𝑡 es la curva que mejor se ajusta a los datos reales. Esta estructura permite tomar en cuenta la alta variabilidad al inicio
de los números de casos confirmados en contraste de la baja variabilidad en la medida que la epidemia se acerca al final.
Luego, por cada 𝐶 𝑡 𝑖 simulado se obtiene una nueva estimación de los parámetros del modelo, con ellos, una nueva
trayectoria, y de la distribución de trayectorias, sus intervalos de confianza.
10
Bibliografía
• Batista, M. (2020). Estimation of the final size of the COVID-19 epidemic. medRxiv, doi, 10(2020.02), 16-20023606.
• Chowell, G., Nishiura, H., & Bettencourt, L. M. (2007). Comparative estimation of the reproduction number for pandemic
influenza from daily case notification data. Journal of the Royal Society Interface, 4(12), 155-166.
• Ma, J. (2020). Estimating Epidemic Exponential Growth Rate And Basic Reproduction Number. Infectious Disease Modelling.
• Miller, Steve, and Richard Startz. (2018). Feasible Generalized Least Squares Using Machine Learning. Available at SSRN
2966194.
• Pesaran, M Hashem, Andreas Pick, and Mikhail Pranovich. (2013). Optimal forecasts in the presence of structural breaks."
Journal of Econometrics, 177(2): 134:152.
• Romano, Joseph P, and Michael Wolf. (2017). Resurrecting weighted least squares. Journal of Econometrics, 197(1): 1:19.
• Steude, Sven C. (2011). Weighted maximum likelihood for risk prediction. NCCR FINRISK, , (689).
• Viboud, C., Simonsen, L., & Chowell, G. (2016). A generalized-growth model to characterize the early ascending phase of
infectious disease outbreaks. Epidemics, 15, 27-37.
11
Notas finales
• El presente reporte no tiene fines comerciales, sino informativos y de acceso público dado la coyuntura actual del COVID-19.
El estudio ha sido realizado por el equipo de Apoyo Analytics y con la colaboración ad honorem de Jairo Flores Audante de la
Universidad Pompeu Fabra y BCRP1/.
• Apoyo Analytics es una unidad de negocio de Apoyo Consultoría dedicada a brindar soluciones de analítica avanzada a partir
del conocimiento del negocio y del entorno. El equipo está compuesto por Susana Cáceres, Saied Esmaili, Anthony Gómez,
Ángel Guillén, Erick Oré y Jesús Torres.
• Jairo Flores es estudiante del doctorado en economía de la Universidad Pompeu Fabra de Barcelona y master en economía
de la Pontificia Universidad Católica del Perú, se especializa en temas de econometría de series de tiempo, forecasting y
macroeconomía aplicada.
Ángel Guillén
Director de Analytics
aguillen@apoyoconsultoria.com
Nota: 1/ Los puntos de vista expresados en este documento no reflejan necesariamente la opinión del Banco Central de Reserva del Perú.
12