Para quienes gustan de meterse con modelizaciones matemáticas en Python, excelente explicación, con documentación de código y el set de datos necesario para hacer los cálculos, del desarrollo de curvas de infección de Covid 19 en Italia a partir de datos reales. El autor trabaja con información obtenida del Departamento de Protección Civil Italiano (http://www.protezionecivile.gov.it/), detallada día por día y centrada en la cantidad de infectados y utiliza, como librerías o terceras partes esenciales para los cálculos, pandas, numpy, matplotlib y scipy.optimize. Esencialmente, lo que hace Gianluca Malato, físico teórico y Científico de Datos, es extraer los datos mínimos necesarios para calcular las trayectorias futuras del total de casos y generar, acorde a ellos, las curvas exponenciales y logísticas adecuadas.
Luego de hacer la proyección, calcula los residuos o el nivel de error producido por cada curva en relación a los datos reales, y encuentra que, por lejos, este valor de error o esta medición de «desajuste» juega fuertemente a favor del modelo de regresión logística por sobre el exponencial, ya que produce un error ,mucho menor (Logistic model MSE: 8254.07 y Exponential model MSE: 16219.82).
En definitiva, el modelo logístico ajusta mucho mejor a los datos que el exponencial en su despliegue general, pero Gianluca hace la salvedad de que el desarrollo de la curva logística debe ser corregido día a día para acercarse a los nuevos datos que van siendo registrados, por lo cual la previsión está irremediablemente afectada por factores «exógenos» como las políticas gubernamentales específicas o los nuevos focos de infección en desarrollo.
Para quienes están haciendo sus primeros palotes en Python y quieren adentrarse en sus misterios en relación a un tema bien actual, recomiendo especialmente este artículo.
Si uno quisiera calcular las mismas proyecciones para otros países, se podrían extraer los datos de los portales disponibles (uno de ellos es https://data.humdata.org/…/novel-coronavirus-2019-ncov-case…) y aplicar los algoritmos aquí presentados.
#COVID19enPython
Se puede acceder al artículo a través del link:
Miceláneas de Jorge E. Miceli 