CORONAVIRUS Y BIG DATA

DOCENTE

ESTUDIANTE

ALVAREZ CORDERO JOHEMITH MARIA

FUNDACIÓN UNIVERSITARIA DEL ÁREA ANDINA

INGENIERIA INDUSTRIAL

QUIMICA

2024
 INTRODUCCION

En la actualidad el avance y el aporte de la ciencia, la tecnología y la innovación

como base fundamental en los tiempos donde se presentan las crisis por la
enfermedad del coronavirus (COVID-19) es la clave para afrontar los actuales
desafíos de salud, pero también para apalancar los esfuerzos productivos de la
recuperación económica tras la pandemia.
Alicia Bárcena dice lo siguiente; “Sabemos que la contribución de la ciencia, la
tecnología y la innovación en esta crisis es inmediata. Por lo tanto, en estos
tiempos de pandemia tenemos que pensar cómo podemos abordar la situación
actual y la de post COVID-19. En ese sentido, la relación entre la ciencia, la
tecnología y el sistema productivo nacional va a ser fundamental. Sobre todo,
porque va a haber cambios muy significativos en el comercio internacional y las
cadenas de suministros en sectores claves que se verán cortadas o debilitadas y,
por lo tanto, será necesario desarrollar a nivel local y regional una nueva forma de
producir bienes y servicios más localmente”. Lo que traduce en la actualidad la
manera en que se afrontó y reinventaron las industrias, servicios e incluso el
mismo sistema de salud.
Lo que se busca es colocar a la ciencia y los avances tecnológicos al servicio de
las personas, abrir un nuevo espacio de desarrollo con nuevos sectores, servicios
y productos, un desarrollo productivo y tecnológico. Avanzando hacia la
cooperación en una región que es fundamental pensar hacia un avance de
progreso.

OBJETIVOS
Analizar los datos masivos que se relacionan con el coronavirus, como base
fundamental para el desarrollo de modelos de big data.
 CORONAVIRUS Y BIG DATA

En la gestión de datos es fundamental comprender la diferencia entre Data

Warehouses y Data Lakes, para ello presentamos una descripción de cómo
se pudieron almacenar los datos de la pandemia
Data Warehouse (Almacén de datos): Es un sistema centralizado que
almacena datos históricos de diferentes fuentes. Organizándolo en
esquemas predefinidos y optimizados para consultar y análisis.
Características:
 Estructura: lo datos en una Data Warehoues se estructuran en tablas
con relaciones definidas.
 Transformación: Los datos se someten a procesos de limpieza,
transformándoles y agregándoles antes de almacenarlos.
 Historicidad: Se almacenan históricos de datos para análisis
retrospectivo.
 Consultas optimizadas: En esta data los datos están diseñados para
consultas eficiente.
Data Lake (Lago de datos): este tipo de data es un repositorio de datos sin
estructura definida que permite almacenar la información en formato original
sin transformaciones previas contrario a la data Warehouse.
Características:
 Esquema flexible: Loa datos se almacenan tal como se adquiere, sin
estructura.
 Granularidad: Puede contener datos detallados y datos agregados.
 Escalabilidad: Admite grandes volúmenes de datos.
 Variedad de fuentes: Acepta datos de diversas fuentes como redes
sociales.

Interpretación de los datos de la pandemia del Coronavirus.

De acuerdo con la información y como se suministra en las diferentes
fuentes podemos interpretarla así:
1. Geográfica:

 Los datos muestran la propagación del virus en diferentes regiones

del mundo, identificando una población global y las áreas mas
afectadas como Europa y Asia
  Datos de infección que varían de acuerdo con la ubicación
geográfica, lo que nos indica que las medidas de contención de los
países generaron impacto positivo.

2. Tendencias temporales.

 La actualización en tiempo real de los datos permite observar las

tendencias diarias. Se pueden identificar picos y valles en la curva
de casos confirmados, fallecidos y recuperados.
 La velocidad de propagación del virus ha variado a lo largo del
tiempo, lo que refleja la dinámica de la pandemia y la eficacia de las
intervenciones

3. Relación entre casos

 La relación entre los caso confirmados, fallecidos y recuperados

fue crucial para identificar que a medida que aumentaban los casos
confirmados también lo hacían los fallecidos y se identificó en
menor medida los recuperados.
 La tasa de mortalidad e indicadores de recuperación fueron
indicadores para determinar la gravedad de la enfermedad.

4. Impacto en la salud pública y los sistemas de atención.

 El aumento de casos genero presión sobre los servicios médicos, se

determinó la afectación en los servicios médicos y atención.
 La capacidad de respuesta de cada país para manejar la demanda de
atención médica es fundamental para mitigar el impacto.

5. Influencia de factores sociales y comportamiento.

 El seguimiento a las redes sociales y las consultas sobre la pandemia

reflejaron el pánico, confusión y miedo de las personas. Esto les creo
necesidad de tener información.
 El comportamiento humano con el uso de mascarillas y aislamiento
logro afectar la propagación del virus.
Se puede concluir que estos datos nos aportan una imagen dinámica y completa
de la pandemia con la combinación de los factores geográficos, temporales, de
salud publica y comportamentales que influyeron en la propagación y el manejo
del coronavirus.
Conocer la propagación y este tipo de estadística ayudo para crear barreras de
contención como lo fue la disminución de casos luego del aislamiento. Lo que nos
lleva a que la evaluación y seguimiento de las datas son de gran aporte no solo
para conocimiento y segmentaciones, sino que también nos ayuda a establecer lo
que estábamos haciendo bien para la contención del coronavirus

Sustentación:
1. Teniendo claras las características de este tipo de data podemos concluir
que los datos relacionados con la pandemia como casos confirmados,
fallecidos y recuperados; se podrían almacenar en un tipo de data
Waterhouse. En el entendido que estos datos son históricos y se utilizan
para análisis retrospectivos
2. Pero también debemos considerar que debido a la necesidad de
actualización en tiempo real y los diferentes tipos de fuentes de datos
como, para ello un tipo de data Warehouese no seria los más viable porque
estos datos están en constante cambio.
3. Estableciendo que el panel de control de la universidad de Jhons Hopkins
se alimenta de múltiples fuentes de datos en tiempo real como servicios de
noticias y Twitter, diríamos que una Data Lake fue el uso adecuado para
estos datos.
4. Sobre los datos relacionados con la pandemia, la flexibilidad de este
esquema y la capacidad de almacenar datos sin transfórmalos permiten
una gestión más ágil y escalable de los datos.
5. En conclusión, los datos relacionados con la pandemia podrían están en
una Data lake, especialmente si se requiere acceso en tiempo real y la
capacidad de adquirir la información de múltiples fuentes. No obstante, una
Data Warehouse también podría ser útil para análisis retrospectivo y
consultas optimizadas. Podría decirse que la información contiene los dos
tipos de almacenamiento de acuerdo con el resultado final de la data.

1. Investigue sobre diferentes empresas prestadoras de servicios NoSQL (Bases

de Datos no relacionales) y SQL (Bases de Datos Relacionales) que se
encuentran en el mercado.

1. Revise los conceptos sobre Tipos de Almacenamiento en la Nube, en un

cuadro, catalóguelos y coloque al menos 5 ejemplos de cada uno que usted
utilice o que conozca.
 References

(n.d.). Datos Abiertos Colombia | Datos Abiertos Colombia. Retrieved March 16,

2024, from https://www.datos.gov.co/.

(n.d.). Datos Abiertos Bogotá. Retrieved March 16, 2024, from

https://datosabiertos.bogota.gov.co/.

(n.d.). World Bank Open Data | Data. Retrieved March 16, 2024, from

https://datos.bancomundial.org/.

(2009, June 3). YouTube: Home. Retrieved March 16, 2024, from https://esri.co/datos-

abiertos/nuestros-datos/.

modelos-covid-19. (n.d.). Instituto Nacional de Salud. Retrieved March 16,

2024, from https://www.ins.gov.co/Direcciones/ONS/Paginas/modulos-covid-
19.aspx.