Covid-19

Site permanente para atualização dos dados para o Brasil

A primeira questão é que o número de casos em valor absoluto, pouco ou nada se refere ao verdadeiro poder destrutivo do contágio em cada país. Afinal, o número da população importa para termos uma ideia da importância relativa de cada pessoa para aquele país, e sua probabilidade de contágio.

Apenas em termos ilustrativos, os dois mapas abaixo representam em termos absolutos e termos relativos o imapcto da COVID19

Evolução da COVID19 pelo mundo

## Parsed with column specification:
## cols(
##   .default = col_double(),
##   `Province/State` = col_character(),
##   `Country/Region` = col_character()
## )

## See spec(...) for full column specifications.

## [1] 177

## Loading required package: sp

## ### Welcome to rworldmap ###

## For a short introduction type :   vignette('rworldmap')

## 123 codes from your data successfully matched countries in the map
## 60 codes from your data failed to match with a country code in the map
## 120 codes from the map weren't represented in your data

Agora em termos relativos

## Parsed with column specification:
## cols(
##   .default = col_double(),
##   `Province/State` = col_character(),
##   `Country/Region` = col_character()
## )

## See spec(...) for full column specifications.

## 123 codes from your data successfully matched countries in the map
## 60 codes from your data failed to match with a country code in the map
## 120 codes from the map weren't represented in your data

A taxa de crescimento deve obedecer o mesmo padrão do exercício anterior. Qual o percentual da população que está de fato afetada por este virus.

São duas bases de dados. A primeira da ECDC fonte da UNião Europeia.

## Parsed with column specification:
## cols(
##   DateRep = col_character(),
##   Day = col_double(),
##   Month = col_double(),
##   Year = col_double(),
##   Cases = col_double(),
##   Deaths = col_double(),
##   `Countries and territories` = col_character(),
##   GeoId = col_character()
## )

A segunda base de dados, indica o seguinte

## Parsed with column specification:
## cols(
##   .default = col_double(),
##   `Province/State` = col_character(),
##   `Country/Region` = col_character()
## )

## See spec(...) for full column specifications.

## [1]  62 249

## Questões Epidemiológicas

Graficamente em valores absolutos

## Parsed with column specification:
## cols(
##   .default = col_double(),
##   `Province/State` = col_character(),
##   `Country/Region` = col_character()
## )

## See spec(...) for full column specifications.

## [1] "Total de Infectados" "336004"

Graficamente teremos em valores relativos

## Parsed with column specification:
## cols(
##   .default = col_double(),
##   `Province/State` = col_character(),
##   `Country/Region` = col_character()
## )

## See spec(...) for full column specifications.

## [1] "Total de Infectados" "336004"

##  [1] "Iceland"       "Andorra"       "Luxembourg"    "Italy"        
##  [5] "Liechtenstein" "Switzerland"   "Spain"         "Monaco"       
##  [9] "Norway"        "Austria"

Epidemiologicamente

Os modelos epidemilógicos mais simples assumem 4 equações para casos . Tem-se a seguinte configuração de eq. diferencial.

\[\begin{aligned} \frac{dS}{dt} & = -\frac{\beta IS}{N}\\ \\ \frac{dE}{dt} & = \frac{\beta IS}{N} - \kappa E\\ \\ \frac{dI}{dt} & = \kappa E - \gamma I\\ \\ \frac{dR}{dt} & = \gamma I \end{aligned}\]

Colocando no modelo

Resultados

Para os países com o pior nível.

## Parsed with column specification:
## cols(
##   .default = col_double(),
##   `Province/State` = col_character(),
##   `Country/Region` = col_character()
## )

## See spec(...) for full column specifications.

Para o Brasil temos a seguinte configuração

## Parsed with column specification:
## cols(
##   .default = col_double(),
##   `Province/State` = col_character(),
##   `Country/Region` = col_character()
## )

## See spec(...) for full column specifications.

Para o Ceará temos a seguinte configuração

library(readxl)
ceara <- read_excel("COVID-19_CEARA.xlsx")

SIR <- function(time, state, parameters) {
  par <- as.list(c(state, parameters))
  with(par, {
    dS <- -beta/N * I * S
    dI <- beta/N * I * S - gamma * I
    dR <- gamma * I
    list(c(dS, dI, dR))
  })
}
  
Infected <- as.numeric(ceara$Confirmados)

Day <- 1:(length(Infected))
N <- ceara$Pop
 
old <- par(mfrow = c(1, 2))
plot(Day, Infected, type ="b")
plot(Day, Infected, log = "y")

## Warning in xy.coords(x, y, xlabel, ylabel, log): 11 y values <= 0 omitted
## from logarithmic plot

abline(lm(log10(Infected+exp(1)) ~ Day))
title(paste("Casos Confirmados no Ceará"), outer = TRUE, line = -2)

Analisando o comportamento desde o primeiro contágio

## Parsed with column specification:
## cols(
##   .default = col_double(),
##   `Province/State` = col_character(),
##   `Country/Region` = col_character()
## )

## See spec(...) for full column specifications.

## [1] 22

Se for citar este estudo utilize a seguinte referência. Salvador (2020)

Salvador, Pedro Ivo Camacho Alves. 2020. “Análise Quantitativa Da Covid19.” rPUBS 1: 1. https://rpubs.com/pedrosalvador/584906.