Datos de JHU CSSE

Importaremos los datos crudos de la Johns Hopkins Academy CSSE globales, de esta forma definiremos las variables utilizando unicamente la región de México.

url_conf <- "https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_confirmed_global.csv"

url_decesos <- "https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_deaths_global.csv"

url_recuperados <- "https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_recovered_global.csv"

#Leer los archivos .csv de las url 

datos_conf <- read.csv(url_conf)
datos_decesos <- read.csv(url_decesos)
datos_recuperados <- read.csv(url_recuperados)

#definir variables 

conf_mex <- t(datos_conf[datos_conf$Country.Region=="Mexico" ,])
dec_mex  <- t(datos_decesos[datos_decesos$Country.Region=="Mexico" ,])
rec_mex  <- t(datos_recuperados[datos_recuperados$Country.Region=="Mexico" ,])

• Formatear datos

Se crea un vector de fecha del 22 de enero a 2020 hasta el 17 de octubre de 2021, dia por dia. Este será nuestro rango de fecha para visualizar los datos, además se crean los vectores para los casos confirmados, decesos y recuperados abarcando todas las columnas para asignarlos a las fechas y finalmente el data frame con todos estos vectores.

#vector de fecha
Fecha <- seq(from = as.Date("2020-01-22"), to = as.Date("2021-10-17"), by = "day")

#casos confirmados 
vec1 <- as.vector(conf_mex)
vec2 <- vec1[5:639]
num1 <- as.numeric(vec2)
Confirmados <- as.vector(num1)

#decesos 
vec1 <- as.vector(dec_mex)
vec2 <- vec1[5:639]
num1 <- as.numeric(vec2)
Decesos <- as.vector(num1)

#recuperados
vec1 <- as.vector(rec_mex)
vec2 <- vec1[5:639]
num1 <- as.numeric(vec2)
Recuperados <- as.vector(num1)

#generación de un marco de datos (data frame)

datos1 <- data.frame(Fecha, Confirmados, Decesos, Recuperados)

Datos del Gobierno de Mexico

Imporamos datos de los casos diarios y mensuales confirmados en méxico, para realizar objetos de series de timepo y analizarlos.

Estos datos fueron obtenidos de:

#creacion de variables leyendo los archivos
library(readr)
conf_diarios <- read_csv("conf_diarios.csv", show_col_types = FALSE) #Casos diarios confirmados...
conf_mensuales <- read_csv("casosmensuales.csv", show_col_types = FALSE) #Casos diarios confirmados mensuales.
def_diarios <- read_csv("defunciones.csv", show_col_types = FALSE) #Defunciones diarias...
def_mensuales <- read_csv("def_mensuales.csv", show_col_types = FALSE) #Defunciones mensuales...
#creacion de objetos de tiempo
conf_mensuales.ts<-ts(conf_mensuales,start=c(2020,2), end = c(2021,10), frequency=12) #casos confirmados mensuales
conf_diarios.ts<-ts(conf_diarios,start=c(2020,49),frequency=365) #casos confirmados diarios
conf_mex.ts <- ts(Confirmados, start = c(2020, 22), frequency = 365) #casos confirmados acumulados
def_diarios.ts <- ts(def_diarios,start=c(2020,77), frequency=365) #defunciones diarias
def_mensuales.ts <- ts(def_mensuales, start=c(2020,4),end = c(2021,10), frequency=12) #defunciones mensuales
conf_diarios_f.ts <- ts(conf_diarios, start=c(2020,49),end=c(2021,274), frequency=365)#casos diarios sin octubre 2021

Gráfica estática

gcov <- ggplot(data = datos1) +
  geom_line(aes(Fecha, Confirmados, colour="Confirmados")) +
  geom_line(aes(Fecha, Decesos, colour="Decesos")) +
  geom_line(aes(Fecha, Recuperados, colour="Recuperados")) +
  xlab("Fecha") +
  ylab("COVID-19 en México") +
  labs(colour="Casos")+
  ggtitle("Casos de COVID-19 en México (Fuente: JHU CSSE)") +
  scale_y_continuous(labels = comma)
gcov

Gráfico 5.1. Casos de COVID-19 en México

En el gráfico 5.1 se puede observar el aumento constante de los casos confirmados, decesos y recuperados para México, se observa que todas estas lineas han tenido un crecimiento relativamente normal ya que no ha habido cambios bruscos, en confirmados se observa como decrementa la cantidad de casos confirmados a inicios de 2020, pero ésta vuelve a subir rápido para los ultimos méses. Mientras tanto para los casos recuperados tiene un comportamiento parecido a los casos confirmados inicialmente, pero mientras más pasaba el tiempo la brecha entre los casos confirmados y recuperados se hacía más notoria, el único detalle es que para este apartado no se tienen registrados datos desde Julio de 2021 aproximadamente, por lo tanto pareciera que no ha existido ningún caso de personas recuperados desde entonces, que realmente es una falta de datos. Y para los decesos podemos analizar que afortunadamente han sido pocos con relación a los casos confirmados, por lo tanto la mayoría de las personas que han tenido COVID-19 se han recuperado.

Gráfica interactiva

ggplotly(gcov)

Gráfico 5.2. Casos de COVID-19 en México interactiva

Gráfica interactiva para que el usuario pueda acercar y descargar la imagen de la gráfica.

Gráfica animada

ggplot(data = datos1) +
  geom_line(aes(Fecha, Confirmados, colour="Confirmados")) +
  geom_line(aes(Fecha, Decesos, colour="Decesos")) +
  geom_line(aes(Fecha, Recuperados, colour="Recuperados")) +
  xlab("Fecha") +
  ylab("COVID-19 en México") +
  labs(colour="casos")+
  ggtitle("Casos de COVID-19 en México (Fuente: JHU CSSE)") +
  transition_reveal(Fecha)

Gráfico 5.3. Casos de COVID-19 animados

Gráfica animada para ver el crecimiento gradual de las tres variables.

Análisis ciclico mensual

boxplot(conf_mensuales.ts~cycle(conf_mensuales.ts), col = "blue", xlab = "Mes", ylab = "Cantidad de confirmados mensuales", main = "Análisis ciclico mensual")

Gráfico 5.10. Analisis ciclico mensual

Aquí podemos observar como los casos aumentaron en cada uno de los meses, entre más alto se encuentre la caja respecto a las demás índica un mayor número de casos confirmados mensuales, por lo que claramente se observa cómo van en aumento cada mes desde febrero hasta llegar al punto más alto que es en el mes de julio, es decir que en el mes de julio del año 2020 y 2021 en conjunto se registró el mayor número de casos confirmados con respecto a los demás meses, para posteriormente comenzar a bajar en los siguientes y volver a subir en diciembre, acerca del rango que tienen las cajas es decir que se ven unas más grandes que otras eso no quiere decir un aumento en los casos confirmados sino que más bien es porque con respecto a la media o promedio, los valores son dispersos es decir que no están muy cercanos a esta, en caso contrario la caja será más chica porque los números de casos confirmados estarán más concentrados es decir que serán más parecidos entre sí los contagios que hubo en ese mismo mes pero de ambos años (2020-2021).

Descomposición de la serie de tiempo

Componentes de una serie de tiempo:

Serie observada = Tendencia + Efecto estacional + Residuos.

mensualesDesc.ts.desc <- decompose(mensualesDesc.ts)
plot(mensualesDesc.ts.desc)

## Warning in plot.window(...): relative range of values ( 70 * EPS) is small (axis
## 2)

Gráfico 5.11. Descomposición de una serie de tiempo aditiva

• Esta es una descomposición de los datos mensuales de confirmación. Primero tenemos los datos observados y a continuación la tendencia, la estacionalidad, y el residuo de la descomposición.
• En los observados se ven claramente los tres picos en la gráfica correspondientes a las tres olas de contagio vividas en México durante esta pandemia. Por otro lado, tenemos la gráfica de la tendencia, que nos indica que los datos tienden a subir en el periodo del año pasado, pero a bajar desde mediados de este año. Esto es sin tener en cuenta la variación estacional que causa una irregularidad. Por lo tanto, puede ser una indicación de que la tendencia a futuro podría ser una disminución en los casos de confirmación. Sin embargo, lo más importante aquí es la gráfica de la estacionalidad, que nos dice como varían los datos según las estaciones del año. Podemos ver como sus picos casi coinciden con los picos de los datos observados, lo cuál nos indica que los picos de contagio se relacionan enormemente de la estacionalidad. Además, podemos ver como esos picos coinciden con los periodos vacacionales de verano e invierno de ambos años, lo que nos indica que la llegada a los periodos vacacionales puede ser una causa de los contagios en México.

Transformaciones basicas de una serie de tiempo

• Estabilizacion de la varianza

Antes de hacer la estabilizacion de la varianza, transformaremos nuestra serie a una logaritmica

plot(log(conf_diarios.ts))

Gráfico 5.12. Estabilizacion de la varizana

Son perceptibles los 3 picos de contagios en la gráfica. Podemos notar una gráfica con más uniformidad al eliminar la varianza, mensualmente al principio subió de manera exponencial muy bruscamente, dado que al tener ningún caso confirmado a inicios de 2020, cuando se comenzaron a registrar los casos diarios comenzó a subir mucho los casos, pero poco a poco se fue normalizando bajando un poco y volviendo a subir, hasta el año de 2021 que con la aplicacion de la vacuna se podía ver una tendencia de casos confirmados a la baja, pero regreso una nueva ola del virus que provocó un pico en los contagios.

• Estabilizacion de varianza para casos confirmados acumulados

plot(log(conf_mex.ts))

Gráfico 5.13. Estabilizacion de la varizana

• En la gráfica anterior, obsrvamos que durante los primeros meses del año 2020, suben exponencialmente los casos confirmados acomulados, esto se da por el hecho que al principio los marcadores de casos estaban es 0, y al crecer repentinamente se logra ver una pendiente positiva muy pronunciada. Como a mediados del año 2020 hasta la actualidad, podemos ver que la tendencia es positiva, sin embargo, apreciamos que los datos son mas estables que en el estado inicial.

• Una referencia simple, con la que podemos explicar el funcionamiento de esta grafica, empieza por un cuestionamiento, ¿Tiene el mismo conocimiento un adulto mayor de 72 años a uno de 78 años?, la respuesta es no, si bien cada persona es diferente, las estadisticas muestran que, en especial en adultos y adultos mayores, muestran el mismo nivel de conocimiento en base a la experiencia. Ahora bien, si comparamos a un niño de 4 años con uno de 10 años, claramente determinamos que sus conocimientos son totalmente distintos. Con esta analogía, tomando en cuenta lo anterior, empezamos desde 0 de acuerdo a casos confirmados acomulados de covid 19 en méxico, los primeros meses se notó un crecimiento exponencial, ya con el paso de los meses, la tendencia siguió en aumento, pero con factor de no subidas pronunciadas de la pendiente.

Eliminacion de la tendencia

x <- log(conf_diarios_f.ts)
dif1.x <- diff(x)
plot(dif1.x)

Gráfico 5.14. Eliminación de la tendencia

Al eliminar la tendencia, podemos observar que los datos se comportan de manera estable, sin embargo, la grafica tiene puntos muy pronunciados especificamente en al inicio de año 2021 y casi a mediados del mismo año. Esta picos altos, nos muestran que los datos no se comportan de manera normal, esto quiere decir, que los datos obtenidos dentro de ese rango se elevan exponencialmente, causando una anormalidad sobre los datos estadisticos. Esto lo podemos comprobar en el Gráfico 5.6. Decesos confirmados diarios, ya que los datos que obtuvimos en las dos graficas concuardan con sí mísmos, así determinamos la relación que existen en cada una de ellas y poder ver los datos de dos perspectivas diferentes.

¿Cómo ha sido la variación de los casos en el tiempo?

Podemos analizar que en esta serie de datos está presente una variacion estacional muy marcada, segun en qué epoca del año nos encontremos se registran más o menos casos confirmados de COVID-19, y esto puede llegar a ser por ejemplo, que en los meses de Junio, Julio y Agosto cuando las personas del país se encuentran en vacaciones tienden a salir de sus casas lo cual propicia contagiarse de COVID-19, por lo tanto es en estas epocas en las que se registran más casos confirmados, mientras que en otras epocas se registran menos casos.

¿Cómo se comporta esta serie de tiempo?

La serie de tiempo es de tendencia no lineal, y no es una serie de tiempo estacional, ya que existe la media de contagios no es constante a través del tiempo y existen muchas variaciones en los datos, no existe un patrón en los contagios mensuales ya que cambian mucho los casos confirmados en todos los meses originado por los picos y olas de contagio, además de los puntos que van disminuyendo por la aplicación de vacunas, pero se puede concluir también que los contagios de COVID-19 tienden a bajar, con la aplicación de las vacunas y gracias a que las personas están más informadas que en el ultimo año, en estos últimos meses han ido bajando los casos confirmados.

¿Los picos de contagios a que eventos responden?

Agosto 2020

• Aumentan los casos porque tambien aumentaron los casos de los menores y no solo de los adultos y adultos mayores

Registran en agosto mayor cifra de contagios en menores. La cifra de contagios por Covid-19 en menores de edad entre el 1 y el 22 de agosto pasado llegó a 32,159 casos, la cifra más alta hasta ahora para un mes desde que inició la pandemia en México, de acuerdo con datos de la SSA.

a cifra de contagios por Covid-19 en menores de edad entre el 1 y el 22 de agosto pasado llegó a 32,159 casos, la cifra más alta hasta ahora para un mes desde que inició la pandemia en México, de acuerdo con datos de la Secretaría de Salud federal (SSA).

En total suman 156,990 menores de edad que se han infectado con el coronavirus desde abril del 2020 y hasta el pasado 22 de agosto. De ellos, el 59.6% (93,633) son adolescentes de 12 a 17 años; un 25% (39,249) de los infectados tenía una edad entre los 6 a 11 años y 15.4% (24,108) tenía de 0 a 5 años.

Por otra parte, en cuanto defunciones por Covid-19, en los primeros 22 días de agosto se registraron 43 casos de menores de edad, cifra que ya supera los casos contabilizados en todo julio (41) y que iguala a las defunciones registradas en febrero pasado. No obstante, los datos de agosto aún se encuentra por debajo de las cifras registradas el año pasado. En julio del 2020, por ejemplo, se contabilizaron 86 decesos por Covid-19 en menores, la cifra más alta en lo que va de la pandemia.

Marzo 2021

• Bajan los casos exponencialmente debido al plan de vacunación en México

La Secretaría de Salud informó este miércoles que México registra 2 millones 238,887 contagios de COVID-19 y 203,210 defunciones a causa de la enfermedad. Aunque la curva epidémica lleva seis semanas a la baja, se tiene que en las ultimas 24 horas se reportaron 5,977 (0.2%) nuevos casos y 577 (0.2%) decesos.

José Luis Alomía, director general de Epidemiología, indicó en la conferencia vespertina que los casos estimados ascienden a 2 millones 432,924. Mientras que la epidemia activa es del 1% (32,775 casos) y ya suman 1 millón 773,236 de personas recuperadas. En cuanto a las hospitalizaciones, el funcionario mencionó que se ubican en 19%. En específico, la ocupación de camas generales es del 18% y solo la Ciudad de México se mantiene en 34%, por lo que tiene altas posibilidades de descender en los próximos días.

En su intervención, el subsecretario de Salud, Hugo López-Gatell, destacó que conforme van disminuyendo los contagios y las hospitalizaciones, el plan de vacunación avanza significativamente. López-Gatell detalló que, por ejemplo, este miércoles se aplicaron 349,258 dosis, con lo que ya suman dos días con este promedio de aplicación.

Julio 2021

• Tecera ola de casos de covid fue causada por el turismo

Por semanas, el gobierno de México se había resistido a hablar de una “tercera ola” de contagios. Pero ya admitió abiertamente que hay un nuevo repunte que empezó hace cuatro semanas. Este brote inició en estados turísticos como Quintana Roo, Yucatán y Baja California Sur y se extendió en casi todo el país, y en la última semana en estudio registra un incremento del 29 %.

Además, el apogeo de graduaciones en junio llevó a casos masivos de contagios de estudiantes en sus viajes a playas mexicanas y lugares de recreación. Malaquías López, profesor de Salud Pública de la Universidad Nacional Autónoma de México (UNAM), señala que esta ola de contagios en población joven era algo “que se veía venir desde las vacaciones de Semana Santa”.

Refirió que una mayor movilidad y la relajación en las medidas básicas de higiene incidieron en esta oleada, y admitió que “aunque no se ven casos de covid-19 tan complicados como en la población mayor, eso no quiere decir que no puedan complicarse”, apuntó.

Septiembre 2021

• Las vacunas están demostrando que su punto fuerte está en evitar enfermedad severa y muerte por covid, más que contagios. Existe una tendencia a disminuir

México está dejando atrás lo peor del tercer gran pico de contagios en lo que va de pandemia: los datos de contagios y muertes anunciadas diariamente llevan casi un mes de descenso continuado. Y aunque los casos alcanzaron niveles nunca antes vistos (la media móvil semanal se colocó en casi 20.000 diarios), las muertes confirmadas y sospechosas apenas llegaron a la mitad en su punto más álgido (menos de 700 diarias) en comparación con la cresta de la segunda ola, a inicios de año, cuando se registraba una media de casi 1.500. La vacunación, cierta inmunidad adquirida por infecciones pasadas (probablemente más incierta que la proporcionada por la vacuna), y un mayor contagio entre personas más jóvenes ayudan a entender esta diferencia entre casos y muertes.

La hipótesis de que México ha detectado una proporción mayor de los casos reales en esta tercera ola podría explicar al menos en parte el menor ratio aparente entre casos y muertes: desde este punto de vista, la diferencia sería un espejismo. Pero así como durante la primera ola la infradetección tenía su justificación en un sistema que no estaba preparado para detectar un virus nuevo para el mundo entero, no hay razones sólidas para pensar que la diferencia en capacidades entre la segunda y tercera sea igual de notable. La que fue de octubre de 2020 a abril de 2021 fue una ola lenta, de crecimiento paulatino, que permitió una detección progresiva de un patógeno que ya empezaba a conocerse mejor.