Modelo Informe Final Capstone

UNIVERSIDAD NACIONAL DE
INGENIERÍA
FACULTAD DE INGENIERÍA ECONÓMICA,

ESTADÍSTICA Y CIENCIAS SOCIALES
ESCUELA PROFESIONAL DE INGENIERÍA ESTADÍSTICA
SEMINARIO CAPSTONE
Análisis de la Evolución del COVID 19 en el Perú mediante la estimación del

Indice de Reproducibilidad e Indicadores de Mortandad
Integrantes
Lesly Shirley Rodriguez Gonzales
Karen Barrozo Razo
Lesly Maza Gómez
Jennifer Asparrin Ramos
Docente
Carlos Risco Franco
2020
2
Abstract
Currently, the emergence and rapid spread of COVID-19 has had serious effects in most countries, including
Peru. Therefore, the Peruvian government has seen the need to take preventive measures in the face of this re-
cent pandemic. Despite the preventive measures that Peru has taken, we continue to be one of the most affected
countries in Latin America due to the high number of infections. Mandatory social isolation, bonds granted by the
government, mandatory immobilization, among others; it has not given the expected results compared to countries
that have taken similar measures. Peru continues to fight a tough battle against COVID-19 and the different social
and economic problems that forces the government to take short-term measures. That is why the need to analyze
the data of the newly infected not as static data but as real-time information. In addition, these decisions at this
stage must be made in a differentiated way, because as mentioned, the country is not only fighting COVID-19 but
also the economic problems which were a consequence of the quarantine; It is necessary to analyze the regions in a
differentiated way to take new measures that counteract economic and social problems, as well as avoid new cases.
The following research will compare the evolution of COVID 19 in all the departments of Peru without including
Lima and Callao, taking into account their population and demographic characteristics. To achieve this objective,
the real-time reproducibility index of COVID-19 in Peru was estimated with a Bayesian approach, and then the
departments of Peru were classified according to this index. In addition to the positive cases analyzed, the cases
of deaths from Covid for the different regions of Peru were compared using demographic characteristics such as
sex and age as a comparison attribute. The analysis is done with the data provided by the government, through
MINSA. The following were specifically used: positive cases and deaths from Covid-19 from the different regions of
Peru, excluding Metropolitan Lima and Callao.
The results first showed inconsistencies with the data provided by the MINSA, these inconsistencies are mainly
due to the fact that the number of tests performed is not significant for the population, one of the reasons is
that Peru has a percentage of asymptomatic patients of 40 %. However, information provided by the government is
needed to have an overview and thus control the progress of the pandemic. Rt estimates are of great importance for
making decisions in the event of a pandemic, therefore these estimates found for the different regions present upper
and lower limits with low ranges in most of them, which means that the model does not have much uncertainty. In
addition, it could be observed according to the daily estimates of the Rt that the measures taken by the government
in some cases were correct and in another late and as of August 31 the regions that are still on alert are Moquegua,
Cusco, Apurı́mac, Arequipa.
Índice general
1. Fundamento del Problema 5

1.1. Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2. Formulación del Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3. La sistematización del Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4. Objetivos de la Investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.1. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.2. Objetivos Especı́ficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5. Justificación de la Investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5.1. Motivaciones de carácter práctico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5.2. Motivaciones de carácter metodológico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5.3. Motivaciones de carácter teórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2. Marco Teórico Conceptual 7

2.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.1. Bases Teóricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2. Formulación y operalización de Hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.1. Formulación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.2. Operacionalización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3. Aspecto Generales de la Investigación 17

3.1. Sobre la Investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.1.1. Tipo de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.1.2. Método de Investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.1.3. Fuentes y técnicas de recolección de información . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.1.4. Tratamiento de la información . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2. Carácter innovador de la Propuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.3. Impacto que tendrá la investigación en la polı́tica Pública . . . . . . . . . . . . . . . . . . . . . . . . 18
3.4. Limitaciones de la Propuesta de Investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4. Metodologı́a 21
4.1. Fuentes de información y calidad de los datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.1.1. Inconsistencias en los datos de fallecidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.2. Situación del COVID-19 en el Perú . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.2.1. Análisis de Contagios por COVID-19 en Perú . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.2.2. Análisis de fallecidos por COVID-19 en Perú . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.2.3. Análisis de los datos hospitalarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.3. Estimación del Número de reproducción efectivo (Rt ) . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.3.1. Tratamiento de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.3.2. Función de probabilidad posteriori P (kt |Rt ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.3.3. Estimar Rt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3
4 ÍNDICE GENERAL
4.3.4. Elegir el σ óptimo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5. Resultados 43
5.1. Análisis Regional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.1.1. Número Reproductivo Básico R0 y Número Reproductivo Efectivo Rt . . . . . . . . . . . . . 43
5.2. Análisis de los Fallecidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
6. Conclusiones 81
7. Bibliográfia 83
8. Anexos 85
Capı́tulo 1
Fundamento del Problema
1.1. Planteamiento del problema

A pesar de las médidas preventivas que Perú tomó ante la propagación del COVID 19 seguimos siendo uno de
los paı́ses más golpeados de Latinoamérica por el alto número de contagios. Debido a que en un primer momento
no se contó con una gran cantidad de pruebas lo cual no permitı́a indicar el número real de contagios en el Paı́s
desencadenando su rápida propagación.
El aislamiento social obligatorio, los bonos otorgados por el gobierno, inmovilización obligatoria, entre otros; no ha
dado los resultados esperados comparados con paı́ses que han tomado medidas similares. El Perú sigue luchando
esta dura batalla contra el COVID-19 y los diferentes problemas sociales y económicos que obliga al gobierno a
tomar medidas a corto plazo. Es por ello la necesidad de analizar los datos de los nuevos contagiados no como
datos estáticos sino como información a tiempo real. Además estas decisiones en esta etapa debe ser tomado de
manera diferenciada, pues como se ha mencionado el paı́s no solo está combatiendo el COVID-19 sino también los
problemas económicos los cuales fueron consecuencia de la cuarentena; se necesita analizar las regiones de manera
diferenciada para tomar nuevas medidas que contrarresten los problemas económicos y sociales, como también
evitar nuevos casos. Es por ello la necesidad de conclusiones basadas en el análisis de los contagiados por dı́a de
manera adecuada, esto ayudará a anticiparse dentro de lo posible a futuros rebrotes, y a que se tomen medidas de
confinamiento más adecuadas, tomando en cuenta la evolución de la pandemia en las diferentes regiones del paı́s.
1.2. Formulación del Problema

¿Cómo la tasa de contagio permitirá al gobierno tomar decisiones acertadas para detener el avance de la pandemia
en cada uno de los departamentos del Perú?
1.3. La sistematización del Problema

- ¿Qué departamentos actualmente necesitan mayor atención por parte del gobierno?
- ¿Cómo se comportará la curva de evolución del COVID 19 en los próximos meses en Perú?
- ¿Cuál es la relación entre las caracterı́sticas poblacionales sexo y edad para la evolución de los contagios en
los departamentos del Perú?
- ¿Cuál es la relación entre las caracterı́sticas poblacionales sexo y edad de los fallecidos en los distintos depar-
tamentos del Perú?
- ¿Realmente ha habido un cambio significativo en los contagios de los departamentos más afectados con las
medidas tomadas por el gobierno?
5
6 CAPÍTULO 1. FUNDAMENTO DEL PROBLEMA
- ¿Qué medidas aún más estrictas deberı́a ser consideradas por el gobierno, analizando caracterı́sticas pobla-
cionales como edad y sexo de los individuos en los distintos departamentos del Perú con más alta tasa de
contagios?
1.4. Objetivos de la Investigación

1.4.1. Objetivo General
Estudiar la evolución del indice de reproductibilidad (Rt ) del COVID 19 en todos los departamentos del Perú
sin incluir Lima y Callao, tomando en cuenta sus caracterı́sticas poblacionales y demográficas.
1.4.2. Objetivos Especı́ficos

1. Clasificar a los departamentos en los diferentes estados de la evolución de la pandemia según el ı́ndice de
reproducibilidad y caracterı́sticas poblacionales.
2. Estimar las cantidad de falllecidos real por covid, apartir de los fallecimientos reportados al SINADEF.
3. Comparar la relación entre las caracterı́sticas poblacionales, como sexo y edad, y los contagiados y los fallecidos
por el COVID 19.
4. Comparar las medidas aplicadas por el gobierno en relación a la evolución del COVID 19 en los departamentos
del Perú.
1.5. Justificación de la Investigación

1.5.1. Motivaciones de carácter práctico
Dada la emergencia sanitaria que vive el paı́s, a causa de la propagación del COVID 19 se considera importante
observar la evolución de la pandemia de manera diferenciada por departamento mediante el ı́ndice de reproductibi-
lidad del Covid-19. Ser capaz de comparar Rt a nivel de departamentos y / u observar cómo cambia Rt en un lugar
puede ayudarnos a medir qué tan efectivas son las polı́ticas regionales para frenar la propagación del virus.
1.5.2. Motivaciones de carácter metodológico

En el presente trabajo de investigación se plantea realizar un estudio descriptivo - explicativo, puesto que se busca
describir la evolución de las curvas de la tasa de contagio de los departamentos del Perú, ası́ como hacer uso del
contraste de hipótesis para determinar la relación de las medidas implementadas por el gobierno y la evolución de
la curva de contagios.
1.5.3. Motivaciones de carácter teórico

Para estimar Rt es una función de cuántos casos nuevos aparecen cada dı́a. La relación entre el número de casos
de ayer y el número de casos de hoy otorga una pista de cómo se comportarı́a el Rt . Sin embargo, no se puede
confiar demasiado en ningún dı́a para tratar de adivinar Rt , ya que los recuentos diarios de casos presentan algunas
irregularidades (pruebas atrasadas, inconsistencia en el número de pruebas). Sin embargo, utilizando el Teorema
de Bayes, se puede tomar nueva información que se obtiene del recuento de casos de cada dı́a para ajustar nuestras
expectativas de lo que es Rt , aproximando al valor real a medida que se dispone de más datos diarios.
Capı́tulo 2
Marco Teórico Conceptual
2.1. Antecedentes
La situación actual del paı́s y en general del mundo, ha hecho que se analice el desarrollo de diversas técnicas
estadı́sticas en relación al covid19, este hecho nos permite contar con gran cantidad de información disponible.
Algunos de los estudios realizados sobre una potencial amenaza de enfermedades infecciosas emergentes y que
resultarán importantes para el objetivo de nuestra investigación son:
Luı́s M. A. Bettencourt / Ruy M. Ribeiro - 2008

“Estimación bayesiana en tiempo real del potencial epidémico de enfermedades infecciosas emergentes”
El estudio se basó en la influenza aviar H5N1 en humanos, con más de 50 paı́ses afectados en todo el mundo, lo
cual hace que se enfatice en la necesidad de nuevos enfoques dirigidos especı́ficamente a detectar y monitorear
la evolución de enfermedades infecciosas emergentes.
El objetivo del artı́culo es emitir modelos estándar de clase SIR en una forma que se relacione directamente
con los datos de series temporales de enfermedades infecciosas emergentes. El modelo se basa en términos
de observables de vigilancia e inmediatamente sugiere un procedimiento de estimación gráfica simple para el
número reproductivo efectivo R (número medio de casos generados por un individuo infeccioso) de epidemias
estándar. Para las enfermedades infecciosas emergentes, que generalmente muestran grandes fluctuaciones
relativas del número de casos en el tiempo, desarrollamos un esquema bayesiano para la estimación en tiempo
real de la distribución de probabilidad del número efectivo de reproducción y mostramos cómo usar tales
inferencias para formular pruebas de significación en futuras observaciones epidemiológicas.
Ésta metodologı́a se ha aplicado a los datos de casos de los informes de la Organización Mundial de la Salud
para poner lı́mites a la transmisibilidad de la influenza H5N1 en humanos y establecer una base estadı́stica
para monitorear su evolución en tiempo real.
Anne Cori , * Neil M. Ferguson , Christophe Fraser y Simon Cauchemez
“Un nuevo marco y software para estimar los números de reproducción que varı́an en el tiempo durante las
epidemias”
El objetivo principal de estudio fue desarrollar una herramienta genérica y robusta para estimar el número de
reproducción variable en el tiempo implementado con software listo para usar y sin inconvenientes, algunos
inconvenientes mencionados, son:
- Cuando el paso del tiempo de agregación de datos es pequeño (p. Ej., Datos diarios), las estimaciones
de R pueden variar considerablemente en cortos perı́odos de tiempo, produciendo una autocorrelación
negativa sustancial.
- Diferentes estudios han desarrollado métodos para lograr estimaciones más uniformes, pero los resultados
pueden ser sensibles al paso de tiempo seleccionado o a los parámetros de suavizado.
7
8 CAPÍTULO 2. MARCO TEÓRICO CONCEPTUAL
Es por ello que éste artı́culo busca realizar estimaciones analı́ticas novedosas y estadı́sticamente sólidas de R
e incorpora incertidumbre en la distribución del intervalo en serie (el tiempo entre el inicio de los sı́ntomas en
un caso primario y el inicio de los sı́ntomas en los casos secundarios).
Esta herramienta deberı́a ayudar a los epidemiólogos a cuantificar los cambios temporales en la intensidad
de transmisión de epidemias futuras mediante el uso de datos de vigilancia (implica la recolección de datos
sobre un problema de salud, su análisis y posteriormente la utilización de los mismos en la prevención de
enfermedades y en la mejora de las condiciones de salud de la población.)
Qun Li, M.Med., Xuhua Guan, Ph.D., Peng Wu, Ph.D., Xiaoye Wang, MPH, Lei Zhou, M.Med., Yeqing Tong,
Ph.D., Ruiqi Ren, M.Med. Kathy SM Leung, Ph.D., Eric HY Lau, Ph.D., Jessica Y. Wong, Ph.D., Xuesen
Xing, Ph.D., Nijuan Xiang, M.Med., et al.
“Dinámica de transmisión temprana en Wuhan, China, de neumonı́a infectada por coronavirus novedoso”
En esta investigación se recopilaron extensos informes de casos individuales en China y se estimó los parámetros
epidemiológicos clave, incluido el perı́odo de incubación (4,2 dı́as). Luego, se diseñó 2 enfoques de modelado
matemático para inferir la dinámica del brote en Wuhan mediante el uso de datos de alta resolución de viajes
domésticos e infecciones El objetivo que se planea es diseñar 2 enfoques de modelado matemático para inferir
la dinámica del brote en Wuhan mediante el uso de datos de alta resolución de viajes domésticos e infecciones;
cuyos resultados muestran que el tiempo de duplicación temprano en la epidemia en Wuhan fue de 2.3 a 3.3
dı́as. Suponiendo un intervalo en serie de 6 a 9 dı́as se calculó una mediana R0 valor de 5,7 (IC 95 % 3,8–8,9).
En el primer modelo, el primer modelo de llegada, se calculó la probabilidad de los tiempos de llegada de
los primeros casos conocidos en provincias fuera de Hubei en función de la creciente población exponencial
de personas infectadas en Wuhan antes de finales de enero. Este cálculo implicó el uso de datos de viajes
nacionales para calcular la probabilidad de que una persona infectada viajará de Wuhan a una provincia
determinada en función del número real desconocido de personas infectadas en Wuhan y la probabilidad de
que viajaran. Los tiempos de llegada de las primeras personas infectadas en diferentes provincias reflejarán la
tasa de crecimiento de la epidemia en Wuhan.
En el segundo modelo, el modelo de conteo de casos, contabilizamos la detección de personas adicionales que
fueron infectadas en Wuhan y recibieron sus diagnósticos en otras provincias y se modeló explı́citamente a
esas personas usando un SEIR hı́brido determinista-estocástico (susceptible-expuesto-infeccioso- recuperado)
modelo. Luego se ajustó este modelo a los nuevos datos de recuento de casos diarios informados fuera de la
provincia de Hubei durante el perı́odo anterior a la transmisión sustancial ocurrida fuera de la provincia.
2.1.1. Bases Teóricas

Series de tiempo
Una serie temporal definida como Xt es una sucesión de observaciones de una variable X tomadas en varios
instantes de tiempo t. Estas observaciones provienen de una distribución que puede ser diferente en cada instante
del tiempo.Se clasifican en :
Una serie es estacionaria si la media y la variabilidad se mantienen constantes a lo largo del tiempo.
• Media: E(Xt ) = E(Xt+m ) , ∀m ∈ t

• Varianza: V ar(Xt ) = V ar(Xt+m ), ∀m ∈ t
Una serie es no estacionaria si la media y/o la variabilidad cambian a lo largo del tiempo.Sin embargo, si
dicha serie es diferenciada una o más veces la serie resultante será estacionaria.
Componentes de la serie La serie temporal es la suma de varias componentes:
Xt = Tt + St + εt , εt ∼ N (0, σε2 )
Tendencia (Xt ): comportamiento o movimiento suave de la serie a largo plazo.

2.1. ANTECEDENTES 9
Estacionalidad (St ): movimientos de oscilación dentro del año.

Aleatorio (εt ): variaciones aleatorias(no tiene un patrón común) alrededor de los componentes anteriores,
por lo general debe ser un ruido blanco; es decir se distribuye con media cero y varanza σε2 .Si, además, la
distribución que sigue es normal, entonces es ruido blanco gaussiano.
La componente aleatoria de una serie de tiempo no nos ayuda a revelar caracterı́sticas importantes y las componentes
(tendencia y estacionalidad), existen dos técnicas que eliminan ese ruido son la suavización y el filtrado.
El suavizado puede ser usado para rellenar valores perdidos y realizar pronósticos. Los métodos de suavización
pueden ser: medias móviles,exponencial simple, exponencial de Holt y exponencial de Holt Winter.
El filtrado puede ser usado para remover el ruido no deseado.Los métodos de filtrados pueden ser: lineal (filtro
de medias y filtro gaussiano) y no lineal(filtros estadisticos ordenados)
Métodos de Suavización Para nuestro caso, utilizaremos la suavización de medias móviles y se define como:
1. Media Móvil Es un cálculo utilizado para analizar un conjunto de datos en modo de puntos para crear
series de promedios. Ası́ las medias móviles son una lista de números en la cual cada uno es el promedio
de un subconjunto de los datos originales.Supongamos que disponemos de una serie temporal, Xt donde
t = 1, 2, ..., T , y sea p un número entero positivo. La media móvil de orden p se define como la serie
siguiente:
Si p es impar:
p 1
Mt+(p+1)/2 = (Xt+1 + ... + Xt+p )
p
Si p es par, se calculan las medias móviles con la expresión anterior y luego se obtienen las definitivas:
p p
Mt−1/2 + Mt+1/2
Mtp =
2
Métodos de Filtrado Para nuestro caso, utilizaremos el filtro gaussiano con ventana movil y se define como:
1. Filtro Gaussiano es una técnica del filtrado lineal la cual es aplicada para la supresión de ruido gaussiano en
una serie de tiempo. Para aplicar el filtro gaussiano primero se contamina con ruido gaussiano de media cero
y varianza σε2 , luego se calcula el error cuadrático medio entre la serie contaminada y la original para saber
el valor de éste antes de la descontaminación. Se busca un valor de sigma óptimo σε , que será diferente en
cada serie y para las diferentes varianzas del ruido con la cual se contaminan, donde este produzca la máxima
reducción de ruido con el mı́nimo error cuadrático medio para la serie filtrada. Finalmente se calcula el error
cuadrático medio entre la serie original y la filtrada, que debe dar un valor menor al de la serie contaminada.
Diferenciación de la serie Para eliminar la tendencia consiste en suponer que esta evoluciona lentamente en el tiempo,
de manera que en el instante t debe estar próxima al instante t1. De esta manera, si restamos a cada valor de la
serie el valor anterior, la serie resultante estará aproximadamente libre de tendencia. Esta operación se denomina
diferenciación de la serie y consiste en pasar de la serie original Xt a la serie Yt mediante:
Yt = Xt − Xt−1
De este modo, la serie diferenciada resulta ser estacionaria. Modelos de Series de tiempo Los modelos Box y Jenkins
se conocen con el nombre genérico de ARIMA, que deriva de sus tres componentes AR (Autoregresivo), I(Integrado)
y MA (Medias Móviles).
El modelo ARIMA permite describir un valor como una función lineal de datos anteriores y errores debidos al
azar, además, puede incluir un componente estacional. Es decir, debe contener todos los elementos necesarios para
describir el fenómeno.
La metodologı́a de Box y Jenkins se resume en cuatro fases:
La primera fase consiste en identificar el posible modelo ARIMA que sigue la serie, lo que requiere:
Decidir qué transformaciones aplicar para convertir la serie observada en una serie estacionaria.
Determinar un modelo ARMA para la serie estacionaria, es decir, los órdenes p y q de su estructura
autorregresiva y de media móvil.
La segunda fase: Seleccionado provisionalmente un modelo para la serie estacionaria, se pasa a la segunda
etapa de estimación, donde los parámetros AR y MA del modelo se estiman por máxima verosimilitud y se
obtienen sus errores estándar y los residuos del modelo.
La tercera fase es el diagnostico, donde se comprueba que los residuos no tienen estructura de dependencia y
siguen un proceso de ruido blanco. Si los residuos muestran estructura se modifica el modelo para incorporarla
y se repiten las etapas anteriores hasta obtener un modelo adecuado.
La cuarta fase es la predicción, una vez que se ha obtenido un modelo adecuado se realizan predicciones con
el mismo.
Definición de términos básicos

Número de reproducción de una enfermedad (Rt ) En epidemiologı́a, R es el número de reproducción de una
enfermedad infecciosa. Te indica, en promedio, cuántas personas van a ser contagiadas por 1 persona infectada antes
de que se recupere (o muera).
R = 3 significa que una persona infectada, en promedio, va a contagiar a 3 más (la enfermedad crece).
R = 5 significa que una persona infectada, en promedio, va a contagiar a 5 más (la enfermedad crece)
R = 1 significa que una persona infectada, en promedio, va a contagiar a 1 más (la enfermedad se mantiene)
R<1 significa que una persona infectada, en promedio, puede que no contagie a nadie (la enfermedad muere)
El demógrafo Alfred Lotka propuso el número de reproducción durante la década de 1920, como una medida de
la tasa de reproducción de una población determinada. En la década de 1950, el epidemiólogo George McDonald
sugirió usarla para describir el potencial de transmisión de la malaria. Sugirió que, si Ro es menor que 1, entonces
la enfermedad va a desaparecer de la población porque en promedio una persona infectada va a contagiar a menos
de una persona susceptible. Por otra parte, si R0 es mayor a 1, la enfermedad se va a diseminar.
Número básico de reproducción (R0 ): Consiste en el número esperado de nuevos sujetos infecciosos que provo-
cará por término medio un sujeto previamente infectado durante su periodo de transmisibilidad en una población
completamente susceptible. El RO no incluye los casos causados a su vez por los casos secundarios. Es bastante
constantes y se considera que no cambia por la vacunación. Depende de tres parámetros:
Número de contactos por unidad de tiempo (τ )

Probabilidad de transmisión por contacto (c)
Duración del periodo de transmisibilidad (d)
Ro = τ.c.d
Modelo SIR
Los modelos SIR son modelos epidemiológico estándar de susceptibles-infectados-recuperados (SIR por sus siglas
en inglés) fueron desarrollados por Kermack y McKendrick en 1927 y han sido aplicados en diversos escenarios de
epidemias. Estos modelos estiman el número teórico de personas susceptibles de enfermar (susceptibles), el número
de enfermos (infectados) y el número de personas que ya no pueden transmitir la enfermedad (removidos), en una
población a lo largo del tiempo. Los supuestos básicos de los modelos SIR son:
1. La población es homogénea y de tamaño fijo.

2.1. ANTECEDENTES 11
2. En un momento dado, cada individuo sólo puede pertenecer a uno de los siguientes conjuntos: infectados,
susceptibles o removidos.
3. La interacción entre los individuos es aleatoria.
4. No hay intervención externa que cambie la tasa de contacto de la población . Se asumió que la población
por estado (N) es constante y que el número de individuos susceptibles St , infectados It y removidos Rt son
variables dependientes del tiempo.
De esta forma, se definieron las fracciones de susceptibles, infectados y removidos mediante las siguientes fórmulas,
respectivamente:
S I R
s= , i= , r=
N N N
ds
dt = −βsi .....(1)
di
dt = βsi − γi .....(2)
dr
dt = γi .....(3)
donde β es la tasa de transmisión, γ es la tasa de recuperación (o la inversa del perı́odo infeccioso) y N es el tamaño
total de la población, de manera que N = S + I + R. En el modelo ordinario de la ecuación 1 se da por sentado
que no hay nacimientos ni muertes. Al comienzo del brote o epidemia (t = 0) suponemos que la población está
constituida totalmente por individuos susceptibles y un solo individuo infeccioso.
Este modelos es apropiado para enfermedades infecciosas emergentes, que describen la progresión probabilı́stica
de los números de casos debido a los efectos concurrentes de la transmisión humana y las introducciones múltiples
desde un reservorio. El modelo está elaborado en términos de observables de vigilancia e inmediatamente sugiere
un procedimiento de estimación gráfica simple para el número reproductivo efectivo R(número medio de casos
generados por un individuo infeccioso) de epidemias estándar. Para las enfermedades infecciosas emergentes, que
tı́picamente muestran grandes fluctuaciones relativas del número de casos a lo largo del tiempo, se desarrolla un
esquema bayesiano para la estimación en tiempo real de la distribución de probabilidad del número de reproducción
efectiva y muestra cómo se utiliza tales inferencias para formular pruebas de significancia en futuras observaciones
epidemiológicas.
La derivación del modelo escapa al alcance de este documento, pero basta para nuestros fines resumirlo en la
siguiente ecuación que se obtiene al final:
kt = kt−1 exp{γ(Rt − 1))}
donde kt representa el número de nuevos casos observados en ty γ es el recı́proco del intervalo de serie (el intervalo
de tiempo entre la infección y la transmisión posterior).
Distribución Poisson
Para la estimación del ı́ndice de reproductibilidad a tiempo real (Rt ) se modelará el proceso de llegada de
contagiados para esto usaremos Distribución Poisson, es una distribución de probabilidad discreta que a partir de
una frecuencia de ocurrencia media (λ) expresa la probabilidad de que ocurra un determinado número de eventos
(k) durante cierto perı́odo de tiempo.
λk e−λ
P (k/λ) =
k!
Enfoque Bayesiano
Es un enfoque alternativo para el análisis estadı́stico convencional de datos, se basa en el teorema de Bayes:
Dado dos eventos A y B tal que P (B) 6= 0, entonces
P (A ∩ B) P (B/A)P (A)
P (A/B) = =
P (B) P (B)
El objetivo de la inferencia bayesiana es la reasignación de la credibilidad o probabilidad a través de las diferentes

posibilidades de uno o varios parámetros, la distribución de la credibilidad inicialmente refleja el conocimiento
previo acerca de esas posibilidades, luego que se obtiene nueva información o datos la credibilidad inicial se reasigna.
Las posibilidades que son más conscientes con los datos ganan en credibilidad, mientras las que no disminuye en
credibilidad, el análisis bayesiano se representa como:
P (θ)P (Datos/θ)
P (θ/Datos) =
P (Datos)
P (θ/Datos) : distribución posteriori
P (θ) : distribución a priori
P (Datos/θ) función de verosimilitud
P (Datos) constante de normalización
Esto se puede expresar como:

P (θ/Datos)αP (θ)P (Datos/θ)
Para comprender la inferencia bayesiana debemos entender cada uno de sus componentes:
Función Verosimilitud: La verosimilitud relaciona los parámetros no observables con los datos observados.
Es una función de los parámetros de un modelo estadı́stico que infiere su valor a partir de un conjunto de
observaciones y se define como: P (Datos/θ) = L(θ/Datos)
Distribución a Priori: La distribución a priori juega un papel importante en la inferencia bayesiana ya que
representa nuestros conocimientos acerca del parámetro antes de colectar los datos, a más conocimiento como
a priori se tendrá mejores resultados para la distribución posteriori.
Distribución Posteriori: La distribución posteriori es el conocimiento actualizado que se tiene de los datos,
es lo que aprendimos de los datos y representa nuestro resultado.
R Normalización:Es la distribución marginal que se puede

Constante de P representar para datos continuos
P (Datos) = P (Datos/θ)P (θ)dθ y para datos discretos P (Datos) = P (Datos/θ)P (θ)
Análisis bayesiano de un modelo AR(1)

Sea un proceso Yt ; t = 1, 2, 3, .. de tipo AR (1). Es decir Yt = θYt−1 + εt con θ ∈ (0, 1) ; ε1 , ε2 , ... v.a. indepen-
dientes e idénticamente distribuidas, exponenciales de parámetro λ siendo λ > 0 y θ parámetros desconocidos.
Por lo tanto, cada observación es una función lineal de la anterior más un ruido”, no negativo, de tipo exponen-
cial. Denotemos el modelo por ARE(1).
Sean n observaciones y1 , y2 , y3 , ..., yn del modelo descrito, siendo y0 un valor inicial conocido. Puesto que los
errores son independientes y con igual distribución, la densidad conjunta de las observaciones será:
f (yn /y0 , λ, θ) = λn exp [−λ(Sn − θRn )] (2.1)

donde
X
yn = (y1 , y2 , y3 , ..., yn ) , Sn = yt Rn = y0 + Sn−1 t R+ (t = 1, 2, ..., n)
1≤t≤n
Deseamos hacer inferencias sobre el parámetro Φ = (λ, θ). Desde este punto de vista, (2.1 ) es la función de ve-
rosimilitud de Φ basada en las observaciones. Resulta fácil de comprobar que el estimador de máxima verosimilitud
2.1. ANTECEDENTES 13
para Φ es:
n i−1
b y0 + y
h
θb = θ∗ y λ
b= = y n − θ( n−1 )
Sn − θR
b n n
donde y n es la media muestral y θ∗ está definido más abajo.
Supongamos que λ y θ son independientes a priori y que nuestras opiniones iniciales vienen expresadas por una
no informativa para el parámetro autorregresivo θ, y por una distribución Gamma, G(λ/α, β), para el parámetro
exponencial. Es decir:
f (Φ) ∝ λα−1 e−λβ (λ, α, β > 0) (2.2)

Por lo tanto, como la verosimilitud es
Y
l(Φ/yn , y0 ) = λn exp [−λ(yt − θyt−1 )]
1≤t≤n
se tendrá yt − θyt−1 ≥ 0∀t, y por lo tanto

yt
θ∗ = min ,1
1≤t≤n yt−1
Con esto, la posteriori para Φ verifica:
f (Φ/yn , y0 ) ∝ λn+α−1 exp [−λ(βn − θRn )] I(0,∞) (λ)I(0,θ∗ ) (θ)
Análisis Cluster
Una de las técnicas más básicas en el análisis de datos consiste en dividir los datos en un conjunto de grupos de
forma que los que esten dentro de un mismo grupo tenga caracterı́sticas similares. Hay vario algoritmos de agrupa-
miento, diferenciándose unos de otros en la difinición de lo que constituye un grupo y que hace para encontrarlo.
Métricas para los métodos de agrupamiento

La herramienta básica para los métodos de agrupamiento son medidas que miden la similitud o la disimilitud
entre los objetos a ser agrupados. Para medir la cercanı́a entre los objetos, se toma como referencia otros obje-
tos o alguna medida estadı́stica de tendencia central (media, mediana, moda,etc.). La decisión de la medida a
usar en cualquier aplicación es a menudo una cuestión de una elección muy cuidadosa en la que resulta no sólo
la importancia del tipo de variable (cuantitativo o cualitativo) sino del conocimiento previo del experto sobre el
dominio de estudio. Existen dos tipos de medidas o ı́ndices de proximidad: los que miden la cercanı́a entre los obje-
tos o similitud o los que miden la distancia entre los objetos o la disimilitud. Ambos ı́ndices son complementarios,
lo cual quiere decir que cuanto mayor sea el ı́ndice de similitud entre dos objetos, menor serı́a su ı́ndice de disimilitud.
Medidas de Similaridad
Las métricas para medir la similaridad, se conocen como distancia y se utiliza como sinónimo de métrica. Un
valor mayor de distancia, indica que los objetos están más alejados. Generalmente, antes de aplicar estas medidas
de distancia se realiza un proceso de estandarización o tipificación de los datos previamente, con la finalidad de
eliminar la influencia de las unidades de medidas de las variables en el análisis. Sean xi = xi1 , xi2 , xi3 , ...., xip y
xj = xj1 , xj2 , xj3 , ...., xjp dos vectores de observaciones de pdimensional de variables, entonces algunas medidas de
similitud son las siguientes:
Distancia euclidiana: Es la más conocida y utilizada. Mide la distancia geométrica entre los vectores. Se
qP
p 2
define como: d (xi , xj ) = l=1 (xil − xjl )
Distancia Manhattan: Es la sumatoria en valor absoluto de las distancias entre las componentes de los
2
vectores. Se define como: d (xi , xj ) = max (xik − xjk )

Distancia de Mahalanobis: Es la sumatoria en valor absoluto de las distancias entre las componentes de los
qP
p 0
−1 (x̄ − x¯ )
vectores ponderando por la matriz de covariancias. Se define como: d (xi , xj ) = l=1 (x̄i − x¯j ) S i j
Agrupamiento por K-means

El agrupamiento K-means (Forgy,1965; MacQueen, 1967) es un tipo de aprendizaje no supervisado que se usa
cuando se tiene datos sin clasificar. El objetivo de este algoritmo es encontrar grupos en los datos, con el número de
grupos representado por la variable k. Este algoritmo trabaja de forma iteractiva asignado cada dato a uno de los k
grupos o cluster, basándose en sus caracterı́sticas. K-means es uno de los algoritmos más simples y más utilizados
que resuelven el problema de agrupamiento.
La idea principal comienza por definir k centroides, uno para cada cluster. Estos centroides se seleccionan
inicialmente de forma aleatoria. El siguiente paso es seleccionar cada uno de los datos de entrada y asignarlos
al centroide mas cercano. Cuando ya no queden datos sin asociar se habrá completado el agrupamiento inicial.
En este punto hay que recalcular k nuevos centroides según la media de cada grupo resultante del paso anterior.
Después debe comenzar una nueva etapa de asignamiento de los datos más cercanos a estos nuevos centroides. Como
resultado de este proceso iteractivo los centroides se van desplazando poco a poco, hasta que llega un momento en
que dejan de moverse y alcanzan su posición final.
Prueba de Kruskal-Wallis
La prueba de Kruskal-Wallis (de William Kruskal y W. Allen Wallis) es un método no paramétrico para probar
si un grupo de datos proviene de la misma población. Intuitivamente, es idéntico al ANOVA con los datos reempla-
zados por categorı́as. Es una extensión de la prueba de la U de Mann-Whitney para 3 o más grupos.
Ya que es una prueba no paramétrica, la prueba de Kruskal-Wallis no asume normalidad en los datos, en opo-
sición al tradicional ANOVA. Sı́ asume, bajo la hipótesis nula, que los datos vienen de la misma distribución. Una
forma común en que se viola este supuesto es con datos heterocedásticos.
El estadı́stico esta dado por: Pg

n (r − r)2
Pnii i
K = (N − 1) Pnii=1 2
g j=1 (r ij − r)
Donde:
ni es el número de observaciones en el grupo i.
rij es el rango (entre todas las observaciones) de la observación j en el grupo i.
N es el número total de observaciones entre todos los grupos.
Pni
rij
ri = j=1ni
(N +1)
r= 2 es el promedio de rij
PG 3
(ti −ti )
Se puede realizar una correción para los valores perdidos dividiendo K por 1− i=1
N 3 −N , donde G es el número
de grupos de diferentes rangos repetidos, y ti es el número de observaciones repetidas en cada grupo dentro del
grupo i que tiene observaciones repetidas para un determinado valor. Esta corrección hace cambiar a K muy poco
al menos que exista un gran número de observaciones repetidas.
Finalmente, el p-value (valor p) es aproximado por P r(χ2g−1 ≥ K). Si algún ni es pequeño (> 5) la distribución
de K puede ser distinta de la chi-cuadrado.
2.2. FORMULACIÓN Y OPERALIZACIÓN DE HIPÓTESIS 15
2.2. Formulación y operalización de Hipótesis

2.2.1. Formulación
Hipótesis General
H0 : Las medidas implementadas por el gobierno en cuanto al aislamiento social no produjo cambios significativos
en la evolución del COVID 19 en los departamentos del Perú.
H1 : Las medidas implementadas por el gobierno en cuanto al aislamiento social ha disminuido la evolución del
COVID 19 en los departamentos del Perú.
Hipótesis Espécificas
Para los casos de contagios:
en el ı́ndice de reproducibilidad Rt del COVID 19 en los departamentos del Perú.
H1 : Las medidas implementadas por el gobierno en cuanto al aislamiento social ha disminuido el ı́ndice de repro-
ducibilidad Rt del COVID 19 en los departamentos del Perú.
Para los fallecidos:

en el número de fallecidos del COVID 19 en los departamentos del Perú.
H1 : Las medidas implementadas por el gobierno en cuanto al aislamiento social ha disminuido el número de
fallecidos del COVID 19 en los departamentos del Perú.
2.2.2. Operacionalización
- Las medidas implementadas por el gobierno engloban a los periodos de aislamiento social establecidos y la
inmovilización social obligatoria (distinción de sexo y edad) del estado de emergencia en el Perú.
- El ı́ndice de reproducibilidad Rt , es nuestro indicador base para medir la tasa de contagios en los distintos
departamentos del Perú durante el estado de emergencia.
- El número total de fallecidos desde el 6 de marzo hasta el 31 de agosto.
Capı́tulo 3
Aspecto Generales de la Investigación
3.1. Sobre la Investigación

3.1.1. Tipo de estudio
Descriptivo:
Se describirá las curvas de contagios mediante el uso de series de tiempo con datos diarios del número de contagios
como parte de la estimación del ı́ndice de Reproductibilidad, para cada uno de los departamentos del Perú, sin
incluir Lima, durante el periodo del 15 de marzo 2020 (inicio del estado de emergencia) al 14 de junio 2020 (fecha
de corte seleccionada). Para evaluar las medidas establecidas por el gobierno y su impacto generado en busca del
control de la pandemia COVID 19, anteriormente se ha realizado investigaciones sobre el modelamiento del ı́ndice de
reproductibilidad para la pandemia del coronavirus, cuyo tı́tulo es Perú — ¿Qué factores están detrás del impacto
diferencial del COVID-19 en Perú? realizado por el BBVA Research, cuyo archivo servirá de guı́a para el presente
estudio.
Explicativo:
Se sabe que actualmente según fuente el MINSA, la curva de contagios no ha disminuido como se esperaba al
momento de declarar el estado de emergencia en Perú, existen muchas causas que podrı́a explicar esto, según el
informe cuyo tı́tulo es Perú — ¿Qué factores están detrás del impacto diferencial del COVID-19 en Perú? realizado
por el BBVA Research, menciona las siguientes causas:
1. Mayor frecuencia de uso de mercados tradicionales para el abastecimiento de alimentos en los hogares.
2. Aglomeraciones en esos mercados tradicionales, uno de los focos de infección, potenciado por la reducción del
número de horas de funcionamiento debido al toque de queda.
3. Baja bancarización y aglomeraciones en las oficinas bancarias para el cobro de las transferencias del estado.
Aglomeración también potenciada por el toque de queda.
4. Una mayor informalidad laboral y el incentivo a quebrar el confinamiento para obtener ingresos.
5. Un mayor hacinamiento en los hogares, que dificulta el aislamiento de los casos positivos.
Sin embargo; actualmente se conoce que la realidad de Lima no es igual en todos los departamentos del Perú, por ello,
la necesidad de explicar mediante el modelamiento del ı́ndice de reproductibilidad Rt , cómo ha evolucionado la curva
de contagios en cada departamento y que causas han llevado a la disminución o aumento de contagios, permitiendo
generar una evaluación de que departamentos ya estarı́an aptos para reiniciar sus actividades continuando con
medidas de protección para evitar el rebrote de esta pandemia.
17
18 CAPÍTULO 3. ASPECTO GENERALES DE LA INVESTIGACIÓN
3.1.2. Método de Investigación

Análisis y sı́ntesis:
El estudio se realizará de manera individual para la curva de contagio de cada departamento del Perú exceptuando
Lima, con ello se podrá realizar conclusiones en cuanto a la división esperada de los departamentos potencialmente
disponibles para reiniciar sus actividades y departamentos que aún presentan una curva de crecimiento muy grande.
3.1.3. Fuentes y técnicas de recolección de información

Fuentes secundarias:
Para la base de datos se hará uso de una recopilación del acumulado de número de contagios de cada departamento
desde el inicio del aislamiento social obligatorio hasta el 14 de junio del 2020, información proporcionada por el
Ministerio de Salud.
3.1.4. Tratamiento de la información

Técnicas de análisis estadı́stico:
El insumo principal para la estimación del número de reproducción en tiempo real es la serie de tiempo diaria de
nuevos casos detectados, proporcionada en el caso peruano por el Ministerio de Salud (MINSA).
3.2. Carácter innovador de la Propuesta

Los efectos de la pandemia por la propagación del COVID-19 están sacudiendo las estructuras socioeconómicas
a nivel global. Los impactos se estiman en cifras astronómicas de pérdidas de vidas y empleos. Nuestro paı́s, al
igual que otros, está desplegando medidas sanitarias y económicas para frenar el avance de la epidemia con gran
incertidumbre aún sobre la duración del periodo de emergencia sanitaria y las consecuencias reales de la pandemia
sobre la población. Desde su lado, el mundo de la ciencia, la innovación y el sector empresarial están desplegando
esfuerzos para apoyar la emergencia y las acciones de los gobiernos a una velocidad vertiginosa. Estamos viendo en
tiempo real a cientı́ficos colaborando a nivel mundial, en una carrera contra el tiempo, desarrollar una vacuna y
medicaciones antivirales, a la industria modificando sus procesos de producción para poder contribuir a la fabricación
a gran escala de insumos sanitarios, y a los innovadores organizándose para aportar soluciones a las problemáticas
más urgentes. Si bien el periodo de confinamiento impuesto a la población permite ganar algo de tiempo para reducir
los contagios y ası́ aligerar la carga sobre el sistema de salud, se debe aprovechar este periodo para preparar una
propuesta sobre cómo la población podrı́a volver paulatinamente a la actividad. Para nosotros, la tasa de contagio
(Rt ) es tomado como un factor importante dentro de las propuestas que se plantearı́an como acciones ante un
posible rebrote; sin embargo, esto no garantizarı́a que los objetivos de desacelerar la propagación del virus, tomadas
por el estado, disminuyan; ya que serı́a tomada de manera general con respecto al Perú. La propuesta del cálculo de
la tasa de contagio, en este proyecto, tiene como fin innovador realizar una proyección de los valores de Rt a nivel
departamental ya que ası́ podrı́a generarse un mayor control sobre aquellas regiones con más afectación a causa del
COVID-19 y monitorear la evolución de los contagios de forma intensiva a fin de salir de esta situación y volver a
lo que serı́a una “nueva normalidad”.
3.3. Impacto que tendrá la investigación en la polı́tica Pública

La grave pandemia del coronavirus COVID-19 ha dominado la discusión de polı́tica pública en el paı́s. El gobierno
peruano ha tomado medidas de emergencia para detener la propagación del virus, tales como la suspensión de los
viajes nacionales, el cierre de fronteras y la imposición de las cuarentenas obligatorias. Dada la ausencia de inmunidad
en la población ante esta nueva epidemia, la capacidad del sector salud se verá abrumada si las tasas de contagio no
se frenan. Las predicciones de los modelos epidemiológicos cambian casi diariamente, pero según las polı́ticas que se
han aplicado hasta el momento no han tenido los resultados esperados por el gobierno. De hecho, el confinamiento
estricto que ha venido aplicando el gobierno peruano está ayudando en cierta medida a combatir la propagación
3.4. LIMITACIONES DE LA PROPUESTA DE INVESTIGACIÓN 19
del COVID-19; sin embargo, en la actualidad se afronta las presiones económicas y sociales que han surgido por los
confinamientos estrictos, pero como se sabe la evolución del COVID-19 en el Perú no está avanzando en la misma
magnitud en todas las regiones del paı́s. Es por ello por lo que la aplicación confinamiento focalizado es una opción
para frenar la tasa de contagio en el Perú, además ayudarı́a a la reactivación económica en lugares donde la tasa de
contagio es menor; pero para que el estado planté polı́ticas de confinamiento focalizado es necesario conocer cómo
avanza y avanzará la tasa de contagio en cada región del paı́s a tiempo real.
3.4. Limitaciones de la Propuesta de Investigación

Si bien el ı́ndice de reproducibilidad a tiempo real (Rt ) es una medida útil para conocer el nivel de control
que se tiene de la pandemia, tiene fallas debido a que la fuente de datos para hallar esta métrica depende del
número de nuevos casos detectados que es proporcionado por el Ministerio de Salud (MINSA). Estos datos sufren
de irregularidades por distintas causas: las pruebas pueden dar falsos negativos, la demora en los resultados de las
pruebas, la poca accesibilidad a centros de salud para realizarse la prueba a tiempo, los casos asintomáticos y los
contagiados en estado grave que les llega la muerte antes de hacerse la prueba. Sin embargo, cuantos más datos
obtengamos y más coherentes sean, más seguros podremos estar de la estimación y las decisiones que se tomen
respecto al resultado. Además, existe un intervalo el HDI (intervalo de mayor densidad) que nos confirma que el
95 % de los valores verdaderos se encuentran dentro de este intervalo, esto nos ayuda a garantizar que los datos no
nos engañen y no se concluya algo que podrı́a ser un grave error.
20 CAPÍTULO 3. ASPECTO GENERALES DE LA INVESTIGACIÓN
Capı́tulo 4
Metodologı́a
4.1. Fuentes de información y calidad de los datos

Los datos que se utilizan para esta investigación son los que proporciona el gobierno, a través del MINSA. A
partir del 22 de mayo del 2020 se liberan los datos abiertos Minsa en los temas de: Casos Positivos por Covid- 19,
y de Fallecidos por Covid, esta Base de Datos es el resultado del procesamiento de datos, que se origina a partir de
la recopilación de información de COVID-19 a cargo del Instituto Nacional de Salud (INS) y del Centro Nacional
de Epidemiologı́a, Prevención y Control de Enfermedades (CDC).
1. Casos confirmados: Según el ultimo informe del Centro Nacional de Epidemiologı́a, Prevención y Control
de Enfermedades del Minsa, se considera un caso confirmado al caso que siendo sospechoso tiene una prueba
de laboratorio positiva para COVID-19, sea una prueba de reacción en cadena de la polimerasa transcriptasa
reversa en muestras respiratorias RT-PCR y/o una prueba rápida de detección de IgM, IgG o IgG/IgM. Para
el caso de sospechoso se considera a las personas con infección respiratoria aguda, que presente tos o dolor
de garganta y al menos uno o más de los siguientes signos / sı́ntomas: Malestar general, Fiebre, Cefalea,
Dificultad para respirar, Congestión nasal.
2. Casos de fallecidos: Los casos de fallecidos que se registran por COVID-19 son solo los hospitalarios y los
que están en vigilancia según el MINSA. El Sinadef es el que registra los fallecidos con pruebas, sin pruebas,
con sospecha, en la casa, en el hospital, etc.
3. Cantidad de pruebas realizadas: Las pruebas que se realiza el gobierno son de forma focalizada, es decir,
en zonas de riesgos y personas vulnerables. Las muestras se aplican especialmente para los ingresantes al
paı́s, retornantes, personas en los penales, albergues. Además, a la PNP, FFAA, Instituciones, Municipios
centro de abastos, estaciones de transporte, transportistas de carga, personal de Salud. Y en la primera
semana de julio se ha empezado a aplicar la Operación Tayta, la cual busca atender en sus viviendas a
las poblaciones más vulnerables, como los mayores de 60 años, y personas con enfermedades crónicas que
agravan su condición de salud si se contagian. Sin embargo, estos datos que publica el MINSA, no incluye a
las personas muestreadas por PR las IPRESS privadas que realizan tamizaje a trabajadores de empresas en
el marco de la reactivación económica, debido a que el objetivo de este tamizaje no permite identificar casos
nuevos en personas sospechosas Elaborado por Centro Nacional de Epidemiologı́a, Prevención y Control de
Enfermedades – MINSA.
En esta contextualización se puede notar que las cifras que circulan actualmente no son comparables desde
el punto de vista cientı́fico porque no se recopilan de forma sistemática y representativa. La estrategia de
prueba se basa principalmente en casos concretos, lo que significa que se somete a prueba especialmente a
personas con sı́ntomas especı́ficos o una cierta gravedad de la enfermedad. Ahora bien, de hecho, las muestras
han ido aumentando en toda esta etapa que vive el Perú por el COVID-19, pero el principal problema es que
las muestras no llegan a todos las personas que se contagian por Covid-19 por dos motivos principales; hay un
21
22 CAPÍTULO 4. METODOLOGÍA
gran porcentaje de personas asintomáticas y se prioriza el tamizaje a regiones con mayor numero de contagios
en el momento. Esto genera que otras regiones aumenten el numero de contagiados y fallecidos de manera
silenciosa.
4.1.1. Inconsistencias en los datos de fallecidos

Para esta investigación la fuente principal de datos es el MINSA, en cuanto al reporte de fallecidos que presenta se
ha encontrado inconsistencias para la cifra reportada al 31 de agosto, si bien es cierto el MINSA recoje la información
de las defunciones que previamente se encontraban mapeadas como contagios confirmados, todos aquellos que no
se sometieron a autopsia o se estudiaron antes del deceso, no forman parte del conteo de fallecidos.Por lo que
analizando la base de datos del Sistema Nacional de Defunciones (SINADEF), la cual muestra la cifra de decesos
reportados diariamente por distintas causas, se observa un crecimiento exponencial para los meses una vez llegada
la pandemia al PERÚ.
Figura 4.1. Gráfica de la cantidad de defunciones reportadas en los departamentos del Perú para el periodo
2017 - 2020
4.2. Situación del COVID-19 en el Perú

4.2.1. Análisis de Contagios por COVID-19 en Perú
El caso ı́ndice (primer caso) de COVID-19, fue un peruano con historial de viaje a España, Francia y República
Checa, a partir del cual se detectaron 8 casos confirmados de 1era generación (contactos directos), 2 casos confir-
mados de 2da generación (contactos de un caso confirmado de primera generación) y 2 casos confirmados de 3ra
generación (contactos de un caso confirmado de segunda generación), habiendo fallecido uno de estos últimos, según
el informe publicado en el Análisis Epidemiológico de la Situación Actual de COVID-19 en el Perú, basado en la
información de la Vigilancia Epidemiológica y la Investigación de Campo del MINSA.
Del 6 al 15 de marzo: el primer caso se detectó en Lima (6/03/2020), siguió Arequipa, Huánuco, Ica, Cusco, Callao,
La Libertad, Lambayeque, Ancash y Piura. Entre el 16 y 30 de marzo: se reportó casos nuevos en Loreto, Madre
de Dios, San Martı́n, Junı́n, Tumbes, Cajamarca, Pasco, Ayacucho, Tacna y Huancavelica.
A pesar de haber sido uno de los paı́ses que más temprano implementó medidas para aumentar el distanciamiento
social y restringir la movilidad de sus ciudadanos, Perú es en este momento uno de los paı́ses más golpeados por el
4.2. SITUACIÓN DEL COVID-19 EN EL PERÚ 23
COVID-19 en América Latina.
Por el lado de las medidas, el 16 de marzo, el gobierno decretó un estado de emergencia sanitaria, cerró las fronteras
del paı́s y ordenó que las personas salieran sólo para acciones imprescindibles como comprar alimentos y medica-
mentos. Dos dı́as después, el gobierno endureció las medidas de aislamiento social al decretar toques de queda en
distintos horarios en todas las ciudades.
En la décimo quinta semana de aislamiento social obligatorio, el gobierno anunció la prórroga del estado de emergen-
cia hasta el 31 de julio. Esta medida levanta el aislamiento social obligatorio en todo el territorio nacional y dispone
un enfoque de cuarentenas focalizadas. Según el Decreto Supremo N 116-2020-PCM, publicado el 26 de junio de
este año, las regiones que se mantuvieron en el aislamiento obligatorio fueron Arequipa, Ica, Junı́n, Huánuco, San
Martı́n, Madre de Dios y Áncash. Sin embargo, se mantuvó la inmovilización social, o toque de queda, en todo el paı́s.
Posterior a ello mientras Perú trabaja para frenar la expansión del virus en el paı́s desde el ejecutivo nacional se
decidió ampliar el plazo del estado de emergencia y la duración de la cuarentena focalizada hasta final de mes, en
concreto, al 31 de agosto.
Son cinco regiones del paı́s en las que la cuarentena se mantiene en la totalidad de sus provincias, que son Arequipa,
Ica, Junı́n, Huánuco y San Martı́n. En cuanto al resto de territorios, son solo algunas de las provincias las que
mantienen la cuarentena con las mismas medidas estrictas que dictaminó el Gobierno de la nación. Precisamen-
te, en estos territorios en los que se mantiene la cuarentena, el toque de queda sigue vigente de 20:00 PM a 04:00 AM.
Haciendo un recuento de los casos de contagios diarios que se lleva al 31 de agosto en los departamentos del Perú
sin incluir a Lima y Callao, se muestra la gráfica a continuación:
Figura 4.2. Gráfica de Casos positivos confirmados reportados diariamente por COVID-19 en el Perú
La evolución de la pandemia es un factor clave en la extensión de las medidas de aislamiento social, las cuales
tienen un fuerte impacto sobre el nivel de actividad económica. Por lo tanto, tener una visión clara de la evolución
de la enfermedad es imperativo para poder estimar el desempeño de la economı́a este año. Sin embargo, hacer un
seguimiento al número de nuevos casos confirmados diarios no es suficiente. Por ejemplo, en la última semana estos
se han reducido significativamente, de 5 087 (28-Ago) a 3 587 (31-Ago). Sin embargo, el número de fallecidos tiene
un comportamiento muy aleatorio, y no permite estimar una tendencia o estación para pronosticar sus valores, con
decir que se redujó de 64 (28-Ago) a 48 (31-Ago) no muestra una reducción significativa. Ello nos hace concluir que
el menor número de contagios nuevos confirmados en los últimos dı́as podrı́a estar reflejando, en buena parte, un
menor número de fallecidos reportados.
Los factores que habrı́an impulsado los casos de COVID-19 en Perú

El bajo distanciamiento social y algunas caracterı́sticas sociodemográficas han impulsado un mayor número de
casos y muertes en Perú, respecto a otros paı́ses de América Latina. Estos dos factores se han manifestado a través
de cinco dimensiones, según el informe publicado por el BBVA Research:
1. La mayor frecuencia de uso de mercados tradicionales para el abastecimiento de alimentos en los hogares.
2. Aglomeraciones en esos mercados tradicionales, uno de los focos de infección, potenciado por el toque de
queda.
3. Baja bancarización y aglomeraciones en las oficinas bancarias para el cobro de las transferencias del estado,
también potenciadas por el toque de queda.
4. Una mayor informalidad laboral y el incentivo a quebrar el confinamiento.
5. Un mayor hacinamiento en los hogares.
Todo ello en el contexto de un sistema sanitario cuyo pilar público era bastante débil antes de la pandemia y que
actualmente se encuentra presionado tanto en el ámbito público como en el privado.
1. La mayor frecuencia de visitas a los mercados tradicionales
Una de las dificultades que tienen los hogares en Perú y que explica la necesidad de salir frecuentemente a
los mercados es la falta de infraestructura de conservación de alimentos. Perú destaca como uno de los paı́ses
de América Latina con la menor penetración de refrigeradores en los hogares (50 %), muy por detrás de otros
paı́ses de la región. En el caso de los hogares de bajos ingresos la estimación es que solamente uno de cada
cinco hogares (21,9 %) tiene ese electrodoméstico en casa. Esto, unido al menor precio de los alimentos frescos
frente a los procesados, explica una alta frecuencia de visitas a los mercados tradicionales.
2. Aglomeraciones en los mercados tradicionales los convirtieron en foco de contagios
Pruebas realizadas a mediados de mayo (en su mayorı́a, serológicas) a los comerciantes de los principales
mercados tradicionales, mayoristas y minoristas, han mostrado una alta prevalencia de casos positivos (entre
el 50 y 85 % de los comerciantes). El caso del mercado mayorista de frutas de Lima, donde 86 % de sus
vendedores dieron positivo en las pruebas, es particularmente ilustrativo de que venı́a ocurriendo en los
mercados. Además, los toques de queda, que en la mayorı́a de las ciudades empezaban a las 18h (en algunas
a las 16h), limitaban el horario de apertura (incluyendo el cierre todo el domingo porque el toque de queda
rige todo el dı́a) y contribuı́a a las aglomeraciones los dı́as en los que se puede hacer compras.
3. Baja bancarización y aglomeraciones en las oficinas bancarias.
Junto a las restricciones a la movilidad de las personas, el gobierno aprobó un bono universal de alrededor de
USD 220 para 6,8 millones de hogares (83 % del total de hogares) que incluyó a los de menores ingresos. Sin
embargo, Perú es unos de los paı́ses de América Latina con menor bancarización: el 57 % de los adultos en Perú
no tiene una cuenta bancaria, porcentaje que aumenta al 73 % de aquellos adultos que se encuentran entre
el 40 % con menores ingresos. En consecuencia, muchos de los beneficiarios tuvieron que retirar las ayudas
gubernamentales en persona en las instituciones bancarias, con horarios reducidos de atención por el toque
de queda. Esto ha generado también aglomeraciones en las oficinas bancarias.
4. Una mayor informalidad laboral y el incentivo a quebrar el confinamiento.
Alrededor del 71 % de la población económicamente activa en el Perú se encuentra empleada en el sector
informal uno de los porcentajes más altos entre las economı́as más grandes de América Latina. La mayor
parte de estas actividades (por cuenta propia o ajena) genera ingresos dı́a a dı́a, por lo que su logı́stica de
funcionamiento también es diaria. Aunque no contamos con estadı́sticas para el caso peruano, en el caso de
Colombia (un paı́s que también muestra altos niveles de informalidad), un 42 % de los informales que trabajan
en las ramas más afectadas por el COVID-19 necesitan movilizarse para poder trabajar. Por lo tanto, la propia
estructura del mercado laboral y de las actividades económicas han generado oportunidades de contagio, que
se han potenciado a través del transporte público.
5. Un mayor hacinamiento en los hogares.

Finalmente, un elemento diferencial adicional en el caso peruano es el hacinamiento de los hogares a los cuales
regresan los infectados en mercados, oficinas bancarias o transporte público.
Casos positivos de COVID-19, según sexo y grupo de edad
Figura 4.3. Gráfica de pirámides por sexo y edad para los contagiados totales al 31 de agosto.
Se observa la priramide poblacional del total de contagiados en el Perú (sin contar Lima Metropolitana y Callao), al
31 de agosto. Primero se puede ver una diferencia entre el sexo femenino y masculino; sin embargo, esta diferencia
no es muy marcada ya que el mayor porcentaje es para el grupo masculino que acumula el 51.83 % de los casos
confirmados versus el 48.17 % por parte del grupo femenino. Por otro lado, los grupos de edad donde se acumulan
la mayor cantidad de contagiados están en el rango de 30 a 50 años de edad para ambos sexos.
Grupo de edad % 31 - may % 30 - jun % 31 - jul % 31 - ago No Contagios

Niño (0 – 11 años) 2.5 % 2.7 % 2.9 % 3.5 % 12,215
Adolescente (12 – 17 años) 1.9 % 2.1 % 2.5 % 2.9 % 10,302
Joven (18 – 29 años ) 18.8 % 18.8 % 18.5 % 18.6 % 65,015
Adulto (30 – 59 años) 60.8 % 59.1 % 58.4 % 57.6 % 201,671
Adulto mayor (60 a más años) 16.0 % 17.3 % 17.7 % 17.4 % 61,051
Los grupos de edad adulto y adulto mayor representan mas del 75 % del total de casos de COVID-19, seguido por
el grupo de jóvenes. Los niños y adolescentes son los grupos que aportan el menor % de casos. En el grupo de niños
la variación porcentual se incrementó en un 20 % en el ultimo mes (varió de 2.9 % a 3.5 %), sin embargo no llega
a valores del inicio de la pandemia que fue 3,2 %, además es explicado por la menor proporción de susceptibles de
adultos y adultos mayores ya afectados en mayor incidencia en lo que va la pandemia.
En la gráfica se observa una serie lineal de tiempo de los contagiados diarios por COVID-19 categorizados por rangos
de edad. Se ven las diferencias significativas entre los diferentes rangos de edad para la cantidad de contagiados
diarios. Los últimos 15 dı́as del mes de marzo el número de contagiados diarios avanza de forma similar. Sin embargo,
desde el mes de abril las pendientes de cada serie se van diferenciando. Se pueden observar tres comportamientos
marcados que se describirán.
Por un lado la serie de contagiados para los adultos (30-59 años) tiene un cambio de pendiente drástico desde
los primeros dı́as de abril, este crecimiento es multiplicativo hasta hasta finales de junio. Desde junio la serie
Figura 4.4. Gráfica de los casos diarios por rangos de edad.
tiene un comportamiento casi constante. Sin embargo, a partir de agosto la serie de adultos presentó un
crecimiento significativo teniendo picos que llegarón hasta los 4000 mil contagiados por dı́a.
Por otro lado están los rangos de edad para jóvenes y adultos mayores los cuales tienen casi el mismo com-
portamiento. Desde la segunda semana de abril su pendiente empezó a incrementarse pero con una pendiente
pequeña en comparacion a la serie de los adultos. Los casos diarios llegarón a superar los mil casos diario.
Esta primera diferencia entre las series de edades podrı́a deberse a las resticciones aplicadas por el gobierno
para estos grupos de edad.
Y por último están los rangos de edad de de niños y adolescentes, ambas gráficas tienen un comportamiento
muy similar y constante a lo largo de los meses que se están considerando en el estudio. Tienen un ligero
incremento a partir del mes de agosto, pero no es significativo en comparacion a las otras series. Además, los
casos diarios para para estos rangos de edad no superan los 300 casos diarios.
En la siguiente gráfica se observa una serie lineal de tiempo de los contagiados diarios por COVID-19 categorizados
por sexo. En las primeras semanas de comienzos de la pandemia no se puede visualizar una diferencia marcada
entre las series de ambos sexos. Sin embargo, la series de tiempo de los hombres está ligeramente por encima de
las series de mujeres para los meses de mayo y junio. En el mes de agosto esto ha cambiado, ya que la serie de las
mujeres ha superado pero ligeramente la serie de los hombres y en algunas semanas coincidian en números.
Figura 4.5. Gráfica de contagios diarios diferenciado por sexo.
En el gráfico de barras se presenta el número de nuevos contagios al dia por departamento, los que están de
rojo representan los departamentos con mayor riesgo de contagio como Piura, Lambayeque, La Libertad, Loreto,
Ancash, Ica y Arequipa,sin embargo solo 3 de estas siguen en aislamiento obligatorio hasta finales de julio. Los
siguientes departamentos son los q tienen riesgo regular Ucayali,San Martı́n, Junı́n ,Huánuco,Madre de Dios hasta
Ayacucho, los que tienen mayor número de nuevos contagios al dia están en aislamiento con excepción de Ucayali
que es más propenso a ser zona de alto riesgo.Finalmente los departamentos de menor riesgo de contagio son los
de azul, notemos que los grupos de mayor a menor riesgo tienen cierta caracterı́stica: Mayor riesgo:(60 %) la zona
norte Riego regular:(28 %) zona de la selva Menos Riesgo:(12 %) zona de la sierra.
Comparación del impacto del COVID-19 entre los departamentos del Perú
Para comparar datos de impacto entre departamentos es necesario considerar la cantidad de población y no
cometer un paso en falso de usar números en bruto. A este proceso se le llama “normalización” de valores. Por
ejemplo, por cada 100,000 habitantes.
La gráfica representa cuatro mapas de calor para la cantidad de contagiados del fin de los meses de mayo, junio,
julio y agosto para cada departamentos del Perú, para esto se utilizó los datos acumulados de casos confirmados
(agrupados por departamento), pero en vez de utilizar los casos en bruto, se utilizó los casos por cada 100,000
habitantes. Dejando de lado lima ya que el análisis de esta investigación se basa en la evolución del COVID-19 en el
resto del Perú; los resultados obtenidos muestran como el estado de la pandemia ha ido cambiando con el tiempo.
El primer análisis de los contagios acumulados al 31 de mayo, se puede observar la diferencia marcada entre
los departamentos de las regiones de la selva y costa, los cuales presentan mayor contagios. Por otro lado,
están los departamentos de la sierra en los que se puede ver que la pandemia no esta tan avanzada sobre todo
los departamentos de la zona sur.
Para fines del mes de julio se pueden observar que las regiones de la selva como Loreto, Ucayali y Madre de
Dios se encuentran aumentando considerablemente la cantidad de contagiados. Al igual que los departamentos
de la costa norte.
Figura 4.6. Mapa de calor de los casos acumulados por cada mil habitantes, para los meses de Mayo, Junio,
Julio y Agosto.
Para fines del mes de julio, se sigue manteniendo el escenario del mes de junio, pero se intensifico en los
departamentos de Ucayali y Madre de Dios. Además, se empezó a incrementar los casos en la zona sur,
especialmente en los departamentos de Ica, Arequipa y Moquegua.
Para finales del mes de agosto se ve un escenario muy diferente al resto de los otros meses. Ucayali y Moquegua
tienen una gran cantidad de contagiados por mil habitantes
Análisis de cluster de los casos de contagios para los departamentos del Perú
Como se conoce la pandemia en el Perú avanza de manera diferente en cada departamento; por lo tanto, es
importante reconocer que departamentos están mas avanzados y cuales no. En la figura se observan 3 grupos de
departamentos los cuales forman parte de un estadio diferente con respecto al avance del COVID-19. El primer
grupo contiene a los departamentos de Ica, Loreto, Ancash, San Martin, Arequipa y La Libertad; estas regiones son
las que han alcanzado la mayor cantidad de contagiados con respecto a las demás regiones. En segundo grupo están
las regiones como Madre de Dios, Ucayali, Tumbes, Moquegua y Amazonas los cuales están en la parte media de la
pandemia, pero están en camino cercano de alcanzar la mayor cantidad de contagios. Por último, están las regiones
de la sierra como Huánuco, Cusco, Apurı́mac, Ayacucho, Cajamarca, Puno, Huancavelica y Pasco los cuales tienen
cantidades mı́nimas de contagiados en comparación de las cantidades máximas alcanzadas por otros departamentos;
aunque estas regiones aun tengan cifras que no son grandes no se puede descuidar estas regiones.
Figura 4.7. Cluster de los casos de contagios para los departamentos del Perú
4.2.2. Análisis de fallecidos por COVID-19 en Perú
Figura 4.8. Gráfica de los fallecidos por rangos de edad.
Fallecidos Reportados Mujeres

En la siguiente tabla podemos apreciar a los fallecidos mujeres reportados en el SINADEF, por grupos de edades
para el año 2020 en el periodo de mayo a agosto en los departamentos del Perú sin incluir Lima y Callao.
Tabla 4.1. Mujeres reportadas como fallecidas en el SINADEF
Grupo de edad % 31 - may % 30 - jun % 31 - jul % 31 - ago No Fallecidos

Niño (0-14 años) 2.0 % 2.2 % 1.9 % 2.0 % 196
Adolescente - Joven (15-44 años) 7.1 % 7.4 % 7.1 % 6.4 % 627
Adulto (45-64 años ) 23.4 % 23.4 % 23.8 % 24.0 % 2,333
Adulto Mayor (65-74 años) 22.9 % 22.2 % 21.7 % 21.6 % 2,101
Anciano (85 a más años) 44.6 % 44.8 % 45.5 % 45.9 % 4,466
Aqui se puede observar la marcada diferencia entre grupos de edad en cuanto a los fallecimientos reportados en los
departamentos, donde ha habido una mayor cantidad de personas mayores a 85 años que han fallecidos, mantenien-
do un valor porcentual de 44 % - 45 % de forma constante, lo que equivale a 4,466 ancianas reportadas, seguidos de
los adultos y adultos mayores que en conjunto suma una cantidad porcentual similar a los ancianos, igualmente se
establece un valor constante de 45 %. Para conocer un poco acerca de lo sucedido con las mujeres detallaremos un
resumen del boletin publicado por la defensorı́a del pueblo.
En mayo, las medidas de aislamiento social obligatorio se extendieron hasta el 30 de junio, tras emitirse el De-
creto Supremo N094, ante un panorama que el Gobierno ha denominado de “nueva convivencia social”, con la
reapertura de algunos sectores de la producción y nuevos horarios para la inmovilización total. En este contexto,
la Defensorı́a del Pueblo advierte una vez más que la violencia contra las niñas, adolescentes y mujeres adultas
persiste como un problema latente, aunque continúa siendo invisibilizada por las medidas restrictivas que obstacu-
lizan la denuncia y reducen la capacidad de atención de los miembros del Sistema Nacional de Justicia Especializado.
A pesar de que estas instituciones han ido implementando el Decreto Legislativo 1470, que representó un avance
importante para reforzar la protección de las vı́ctimas de violencia de género, aún se siguen registrando un gran
número de casos de mujeres adultas y menores de edad reportadas como desaparecidas, además de feminicidios,
consumados y en grado de tentativa.
Mujeres adultas reportadas como desaparecidas En mayo, 76 mujeres adultas fueron reportadas como des-
aparecidas. Esto es, 18 más que el mes pasado (un aumento del 31 %). Este cambio en la cifra se produce en un
periodo de estado de emergencia similar al anterior, aunque marcado por nuevos horarios para la inmovilización
total y con la progresiva adecuación al D.L. 1470 de los servicios de atención de denuncias. Por ejemplo, la norma
establece la atención prioritaria de cualquier forma de violencia contra las mujeres independientemente del riesgo
y canales electrónicos, como correos y lı́neas de WhatsApp para presentar las denuncias y dictar las medidas de
protección.
En este panorama, preocupa que, en la mayorı́a de regiones, haya aumentado el número de casos registrados en su
territorio. Lima sigue siendo la región con más denuncias y, este mes, presentó un incremento de 33 a 39 reportes
(un 18 % más). Le sigue Lambayeque, donde el mes pasado no se reportó ninguna mujer como desaparecida, pero
este mes presenta 7 casos. Finalmente, Arequipa y Junı́n presentan el mismo número que en abril (4 cada una).
Asimismo, en Piura y La Libertad, se triplicó el número de casos y en Huánuco se duplicó. Adicionalmente, regiones
como Áncash, Ica, Moquegua, Ucayali y Madre de Dios, que no registraban denuncias en abril, ahora aparecen con
una cada una.
Niñas y adolescentes reportadas como desaparecidas En mayo, se denunció la desaparición de 207 menores
de edad, de los cuales 158 fueron niñas y adolescentes (76 %). Esta cifra de mujeres refleja un aumento con respecto
a abril (112) de más del 40 %, lo que significa que no solo existe una mayor afectación por la conjunción del género
y la edad, sino que, en general, la problemática se ha ido acentuando durante la actual emergencia sanitaria y
preocupa no saber qué pasó con ellas.
Cabe indicar que el incremento de casos se ha producido en casi todas las regiones, exceptuando a Lima. Sin embargo,
esta última sigue siendo el departamento en donde más denuncias se presentaron (56), seguido de Arequipa (15),
Lambayeque (11), Callao (10) y Piura (8). Estas dos últimas, en abril, también se encontraban entre las que más
casos reportaron. En cuanto al incremento de las denuncias por desaparición de mujeres menores de edad, preocupan
Ayacucho, en donde se pasó de 0 a 6 casos, y Arequipa (15), que quintuplicó sus reportes con respecto al mes de
abril. Por su parte, Lambayeque casi cuadriplicó sus cifras, y Cajamarca y Madre de Dios pasaron de 0 a 3 denuncias
registradas.
Feminicidios y tentativas Durante mayo, la Defensorı́a del Pueblo registró 9 feminicidios, uno menos que el
mes de abril. A pesar de esta ligera reducción, preocupa que cinco regiones en donde no se presentaron casos en
abril, ahora se reporten la ocurrencia de más de la mitad del total de mayo: Tumbes con 2, y Cajamarca, Puno,
Huancavelica y Piura con 1, respectivamente.
Las medidas restrictivas han confinado a las mujeres en sus hogares, obligándolas a convivir con su agresor, lo que
las coloca en una situación de vulnerabilidad frente a formas de violencia que pueden desencadenar en feminicidio.
Al no existir los canales de atención adecuados y no declararse el servicio como esencial en esta pandemia, las
mujeres ven limitada su capacidad de denunciar, lo que invisibiliza la real magnitud del problema. Si en situaciones
ordinarias, la violencia contra mujeres ejercida al interior de un hogar presenta elevadas cifras ocultas, en este
contexto, estas son aun mayores. El informe del Observatorio de Criminalidad detalló que la mayor cantidad de
vı́ctimas se presentó en el interior del paı́s, con tres en la región sur andina de Ayacucho, y otras dos, en cada caso,
en la sureña Arequipa, la norteña Tumbes y la selva central del paı́s. Dos casos también se presentaron en el puerto
limeño del Callao y dos en la zona de Lima Sur. Un caso por región se reportó en la central Huánuco, la norteña
La Libertad, la amazónica Loreto, y en las sureñas Puno y Tacna. Trece vı́ctimas eran madres y ocho tenı́an entre
25 y 34 años de edad.
En 16 de los casos se trató de ”feminicidios ı́ntimos”, como denominan los investigadores a los que son causados por
agresores vinculados a las vı́ctimas, como el cónyuge o ex-cónyuge, el esposo o enamorado, la pareja sentimental,
ası́ como un conocido o un vecino.
Fallecidos Reportados Hombres

En la siguiente tabla podemos apreciar a los fallecidos hombres reportados en el SINADEF, por grupos de edades
para el año 2020 en el periodo de mayo a agosto en los departamentos del Perú sin incluir Lima y Callao.
Tabla 4.2. Hombres reportados como fallecidas en el SINADEF
Grupo de edad % 31 - may % 30 - jun % 31 - jul % 31 - ago No Fallecidos

Niño (0-14 años) 1.4 % 1.5 % 1.4 % 1.3 % 214
Adolescente - Joven (15-44 años) 8.2 % 8.1 % 8.0 % 7.9 % 1,345
Adulto (45-64 años ) 29.8 % 30.6 % 30.0 % 29.6 % 5,029
Adulto Mayor (65-74 años) 24.7 % 23.5 % 24.2 % 24.4 % 4,153
Anciano (85 a más años) 35.9 % 36.3 % 36.5 % 36.9 % 6,274
En el caso de los hombres, igualmente se evidencia que los ancianos mayores a 85 % han presentado el mayor valor
porcentual para la tabla de fallecimientos reportados, seguido de adulto mayor y luego adulto; a diferencia de las
mujeres, se puede observar que hay un menor porcentaje en cuanto a los ancianos y adulto mayor, pero este valor
porcentual aumenta para el rango adulto que tiene un valor constante muy cercano al 30 %. Además se puede
apreciar la marcada diferencia de cantidad de fallecidos hombres respecto a las mujeres.
Para poder conocer un poco más a detalle sobre lo ocurrido con los hombres durante la pandemia, se detallará el
reporte publicado por ANDINA (Agencia Peruana de noticias), quienes mencionan lo siguiente:
El covid-19 afecta más a hombres que a mujeres en todo el mundo. De acuerdo con reportes de la Organización
Mundial de la Salud (OMS), el 60 % de fallecidos son varones y el 90 % de ellos tiene más de 60 años de edad.
En Perú, el 71.7 % de los decesos corresponde a varones y el 28.3 %, a mujeres, según la Sala Situacional Covid-19,
página web a través de la cual el Ministerio de Salud (Minsa) detalla la evolución diaria de la enfermedad. Según
explicó a la Agencia Andina el jefe del Instituto Nacional de Salud (INS), César Cábezas, los hombres tienen una
predisposición genética para contraer ciertas enfermedades como el covid-19.
“Los varones son biológicamente diferentes de las mujeres y por ello su respuesta inmunitaria tam-
bién es distinta. Por esa razón padecen formas severas del covid-19”.
Enfermedades como la hepatitis B, el cáncer de hı́gado o la cirrosis suelen presentarse más en hombres y no tanto
en mujeres, porque ellas están protegidas por los estrógenos (hormonas femeninas). Sin embargo, advirtió Cabezas,
la explicación también puede ser multifactorial. A los hombres no los preparan culturalmente para evitar poner en
riesgo a sus familias y además muchos padecen enfermedades preexistentes como hipertensión, diabetes o afecciones
cardiacas, en todo caso, el sistema inmunitario entre hombres y mujeres es distinto, porque, biológicamente, son
diferentes, y en el caso de la mujer ”ser madre hace la diferencia, pues la convierte en garantizadora de la especie
humana”.
“Si las mujeres fueran más débiles o fallecieran con mayor frecuencia la especie humana no sobre-
vivirı́a, estarı́a en riesgo su existencia”
Heinner Guio, médico e investigador principal del INS, detalló que en la superficie celular de los pulmones, riñones
e hı́gado existen receptores (proteı́nas) que facilitan el ingreso de las espı́culas o espinas (especie de ganchos) del
coronavirus covid-19. Toda la información del ser humano se encuentra en sus 23 pares de cromosomas. El par
número 23 es el que contiene los cromosomas sexuales X o Y: XY en el caso de los hombres y XX en el caso de las
mujeres, uno de los receptores para que este virus ingrese a la superficie celular se denomina ACE-2 y es producido
por un gen del mismo nombre que se encuentra en el cromosoma X.
“Siendo ası́, podrı́a deducirse que las mujeres (al ser XX) tendrı́an más ACE-2 y, por lo tanto, ma-
yor riesgo de infección o muerte por coronavirus COVID-19. Pero en genética existe la impronta, un
fenómeno por el cual un gen elimina a su copia. Y eso ocurrirı́a con las mujeres, es decir el gen ma-
ta a su copia; pero en los hombres (al ser XY) el virus puede seguir viviendo y hacer daño al cuerpo”.
Si el receptor ACE-2 (que es como una cerradura y las espinas del coronavirus covid-19 las llaves) está presente en
grandes cantidades en los pulmones de los varones, desencadenará entonces una reacción exacerbada del sistema
inmune. Lo mismo sucede en adultos mayores.
Sin embargo, las personas pueden sufrir una variación genética y el receptor ACE-2 puede variar también. Este
cambio impedirı́a que las espı́culas del coronavirus se “enganchen” con él y, como resultado, que la persona se
mantenga con vida por una respuesta inmunitaria natural.
Figura 4.9. Gráfica de Casos fallecidos reportados diariamente por COVID-19 en el Perú
En la gráfica 4.9, se puede visualizar la cantidad total de fallecidos por COVID 19 reportados por el MINSA,
en el periodo marzo a agosto 2020 para todos los departamentos del Perú sin incluir Lima y Callao.
En esta serie se puede observar que para los meses de mayo a junio se presentó la mayor cantidad de fallecidos;
según el diario Gestión, menciona que el Sistema Informático Nacional de Defunciones (Sinadef) informó que en
mayo último se registraron 23.351 muertes frente a los 8.937 decesos del mismo mes del 2019. Es decir, se reportaron
14 mil decesos más que el año pasado.
De acuerdo a la información de fallecimientos en mayo del 2019, un 53,7 % fueron varones y 46,3 % mujeres, respec-
tivamente. Mientras, 220 fueron calificados por muerte violenta. En comparación al mismo mes de 2020, las cifras
muestran un 63,1 % (varones) y 36,9 % (mujeres) y solo 54 fueron calificados como muerte violenta.
Según información del Ministerio de Salud (Minsa), en mayo de este año, 3.510 personas perdieron la vida por el
coronavirus. Y las regiones donde presenta la mayor cantidad de decesos por COVID-19 continúan siendo: Lima,
Callao, Lambayeque, Piura, Loreto y La Libertad.
Con relación al incremento de los decesos, Eduardo Gotuzzo, médico infectólogo y exdirector del Instituto de Me-
dicina Tropical Alexander Von Humboldt de la Universidad Peruana Cayetano Heredia (Upch) señaló que existe
una cantidad de decesos no detallados y que podrı́a deberse a un subregistro de fallecidos en medio de la pande-
mia. No obstante, añadió que también puede tomarse en consideración los decesos de pacientes con enfermedades
como cáncer, diabetes, infarto, accidentes cerebrovasculares, hipertensión, tuberculosis y sida, que no recibieron un
tratamiento debido a que el sistema de salud está enfocado ahora en la atención de pacientes con coronavirus.
“En todo el mundo hay un subregistro que estima un doble o tercio de los casos. En mi opinión
muchas de esas personas que han fallecido en su casa pueden ser que tuvieron un infarto y no pu-
dieron ir al hospital, que tuvieron una complicación cardiovascular o un accidente porque eso puede
ocurrir en cualquier dı́a. Hoy la gente no va a los hospitales por miedo al contagio o porque no hay
espacio y eso es un poco lo que dice la cifra”
“En el Perú, obviamente hay un subregistro, y el número probable de fallecidos tendrá que evaluarse
siempre basado en sospechar que hay un número importante de pacientes que son registrados por
defunción, pero no son registrados por COVID-19”
Por su parte, José Incio, especialista en polı́tica comparada, y metodologı́as de investigación, consideró que hay una
diferencia muy importante de fallecidos respecto a las cifras del 2019 y 2020. Sin embargo, señaló que esta situación
no ocurre en todas las regiones.
“Existen regiones como Loreto, Ucayali, Piura o Áncash que tienen esta brecha, pero hay regiones
que el número de muertos del 2020 es muy similar al número de mayo de 2019 o incluso es igual”
Es necesario buscar, analizar, investigar y trabajar mejor la data para tener una mejor respuesta. Como se menciona
anteriormente puede estar muy relacionado con una suerte de subregistro de muertes por COVID-19 y esto amerita
un análisis descriptivo de ciertos ratios que permitan tener un panorama mucho más claro de lo que está ocurriendo
con los fallecidos; por ejemplo, si se analiza la data de muerte por domicilio puede ser mucho más alta. Entonces
están muriendo en los domicilios y no se está clasificando como tal. Además los casos de las personas que necesitan
atención médica para tratar enfermedades pre existentes y debido a que el sistema está enfocado en la pandemia
no pueden ser atendidos por temor a contagiarse produciendo que tenga una mayor probabilidad de fallecer.
Comparación de los departamentos de acuerdo a los fallecimientos por COVID 19
Al igual que para los contagios, para realizar la gráfica del total de fallecidos al 31 de agosto, previamente se
realizó la ”normalización”de datos, con el fin de considerar de forma exacta la precisión del ı́ndice de fallecimiento
por mil habitantes para cada uno de los departamentos. La figura representa un mapa de calor de la cantidad de
fallecidos acumulados hasta el 31 de agosto por departamentos, para esto se utilizó los datos acumulados de casos
fallecidos (agrupados por departamento), pero en vez de utilizar los casos en bruto, se utilizó los casos por cada 1,000
habitantes, los resultados obtenidos muestran que los departamentos como Ucayali, Madre de Dios, Lambayeque y
Tumbes tienen tienen el mayor impacto por la pandemia del COVID-19. Los departamentos como Lambayeque, La
libertad, Ancash, Ica están en un punto alto de deceso mientras que Loreto, Ucayali, Madre de Dios, Arequipa se
encuentran en medio de los decesos por lo cual se deben tomar medidas para estas regiones para que el impacto se
pueda controlar de forma oportuna.
Figura 4.10. Mapa de calor de los casos fallecidos acumulados por mil habitantes al 15 de agosto del 2020
Análisis de cluster de los casos de fallecidos para los departamentos del Perú
Como se conoce la pandemia en el Perú avanza de manera diferente en cada departamento; por lo tanto, es
importante reconocer que departamentos presentan mayor tasa de decesos y cuales estan controlados. En la figura
se observan 3 grupos de departamentos los cuales forman parte de un estadio diferente con respecto al avance del
COVID-19. El primer grupo contiene a los departamentos de Lambayeque, La libertad, Ancash, Ica y Piura; estas
regiones son las que han alcanzado la mayor cantidad de fallecidos con respecto a las demás regiones. En segundo
grupo están las regiones como Loreto, Arequipa, Ucayali, San Martin y Junı́n los cuales están en la parte media de la
pandemia, pero están en camino cercano de alcanzar la mayor cantidad de fallecidos. Por último, están las regiones
de la sierra como Moquegua, Amazonas, Huanuco, Cajamarca, Cusco entre otros los cuales tienen cantidades bajas
de fallecidos en comparación de las cantidades máximas alcanzadas por otros departamentos. Es por ello la vitalidad
del presente estudio, cuyo fin es poder diagnosticar los grupos con mayor tasa de fallecimientos.
4.2.3. Análisis de los datos hospitalarios

En el paı́s los profesionales que se encuentran en la primera lı́nea contra el coronavirus, se enfrentan a diario a
tomar decisiones para priorizar el ingreso de pacientes a las Unidad de Cuidados Intensivos(UCI), por eso se realizó
un gráfico de la disponibilidad de camas UCI durante la pandemia, en la Figura 21 se muestra la evolución de
disponibilidad de camas UCI, donde la cantidad de camas disponibles es de 100 a 200 al dı́a manteniéndose constante
a lo largo del tiempo y las camas en uso incrementan dı́a a dı́a , las cantidad de camas UCI total aumentan todos
los dı́as significa que se están comprando diariamente nuevas camas UCI en todo el paı́s.
Además se sacó la proporción de camas UCI disponibles y en uso de todo el paı́s para el 16 de agosto, donde el
95 % de las camas están en uso y el 5 % están disponibles, esto significa que no hay suficientes camas disponibles
para la población.
Camas UCI en los sectores de Essalud y Privado

Se observa en la figura 23 que la cantidad de camas UCI para cada mes se ha ido incrementando tanto para
Essalud y el privado, sin embargo Essalud ha tenido un incremento mucho mayor cada mes en contraste con el
sector privado.
Figura 4.11. Clúster de los casos de fallecimientos para los departamentos del Perú al 31 de agosto.
Figura 21. Evolución de la cantidad de camas UCI disponibles y en uso
Figura 22. Gráfico circular de la cantidad de camas UCI disponibles y en uso del 16 de agosto
4.3. ESTIMACIÓN DEL NÚMERO DE REPRODUCCIÓN EFECTIVO (RT ) 37
Figura 23. Cantidad de camas UCI en Essalud y el sector privado para cada fin de mes.
4.3. Estimación del Número de reproducción efectivo (Rt )

El Rt , o número de reproducción efectivo, es el número promedio de infecciones causadas por cada persona
infectada en un momento dado, teniendo en cuenta los cambios en el comportamiento de la población (cuarentena,
uso de máscaras, teletrabajo, etc.). Un Rt de 3–4 infectará virtualmente a toda la población, mientras que un Rt de
1.5 aún puede llegar al 60 % de la población. Solo si el Rt es menor que 1, la epidemia disminuirá de tamaño hasta
que se elimine.
Para la estimación del Rt se utilizarón los datos que proporciona el MINSA para los casos positivos los cuales se
publican diariamente, en este caso los datos utilizados para la estimación fueron a partir del 10 de marzo hasta el 31
de agosto para todos los departamentos del Perú sin incluir a Lima Metropolitana y Callao. Todo el procedimiento
de tratamiento de los datos y estimación fueron relizados en Python.
4.3.1. Tratamiento de datos

El primer paso fue agrupar los datos por fecha y región para luego hacer un filtro excluyendo la región del Callao
y Lima Metropolitana. Esta nueva base de datos es una serie de la cantidad de nuevos casos diarios por región.
Observando esta nueva serie de caso diarios, se debe comenzar el análisis cuando haya un número constante de
casos cada dı́a, pues si hay casos cero en un dı́a, esto trastoca el modelo ( por motivo de la división por cero ) y lo
hace iniciar de nuevo. Por lo tanto se encontró el último dı́a cero de casos nuevos y se comenzó la construcción del
modelo el dı́a siguiente.
Además, la notificación de casos es muy errática en función de las pruebas pendientes, inconsistencia en el núme-
ro de pruebas que se llevan a cabo en los distintos dı́as de la semana, etc. Un primer paso para trabajar los datos
será normalizarlos en función al número de pruebas tomadas cada dı́a para compensar por la variabilidad en estas
últimas y aplicar una media móvil de siete dı́as para lidiar con efectos de estacionalidad semanales y mitigar en lo
posible el impacto de cambios en los criterios de muestreo (enfoque en mercados o estaciones de transporte público,
por ejemplo). A fin de retirar el componente aleatorio que “ensucia” los datos, después de compensar por pruebas
y promediar sobre los últimos 7 dı́as, aplicamos un filtro gaussiano de ventana móvil centrado, con el tamaño de la
ventana igual a 7 dı́as (una semana calendario).
Se aplicaron este y los siguientes pasos a un departamento seleccionado, por lo que es más fácil ver los resultados
y entenderlos. Se ha seleccionado al departamento de Arequipa.
Figura 4.12. Gráfica de la serie diaria de los casos confirmados por COVID-19 en Arequipa y su suavización.
4.3.2. Función de probabilidad posteriori P (kt |Rt )

El enfoque original simplemente selecciona el dato posterior de ayer como el anterior de hoy. Si bien es intuitivo,
hacerlo no permite nuestra creencia de que el valor de Rt probablemente haya cambiado desde ayer. Para permitir
ese cambio, se aplico un ruido gaussiano a la distribución anterior con alguna desviación estándar σ. Cuanto más
alto σ, más ruido y más esperamos que el valor de Rt se desvı́e cada dı́a. Curiosamente, aplicar ruido sobre ruido
de forma iterativa significa que habrá una decadencia natural de los últimos distantes. Este enfoque tiene un efecto
similar de ventana, pero es más robusto y no olvida arbitrariamente los posteriores después de un cierto tiempo
como mi enfoque anterior. Especı́ficamente, el sistema de ventanas calculó un Rt fijo en cada momento t que expli-
caba los w dı́as de casos circundantes, mientras que el nuevo enfoque calcula una serie de valores de Rt que explican
todos los casos, asumiendo que Rt fluctúa aproximadamente σ cada dı́a.
Sin embargo, todavı́a hay una elección arbitraria, Adam Lerer señaló que podemos utilizar el proceso de máxima
probabilidad para informar nuestra elección. Ası́ es como funciona:
La probabilidad máxima dice que nos gustarı́a elegir un σ que maximice la probabilidad de ver nuestros datos
k: P (k|σ). Dado que σ es un valor fijo, se dejó fuera de la notación, por lo que se trató de maximizar P (k) en todas
las opciones de σ.
Dado que P (k) = P (k0 , k1 , . . . , kt ) = P (k0 )P (k1 ) . . . P (kt ) se necesita definir P (kt ). Resulta que este es el deno-
minador de la regla de Bayes:
P (kt |Rt )P (Rt )

P (Rt |kt ) =
P (kt )
Para calcularlo, notamos que el numerador es en realidad solo la distribución conjunta de k y R:
P (kt , Rt ) = P (kt |Rt )P (Rt )
Se puede marginar la distribución sobre Rt para obtener P (kt ):
X
P (kt ) = P (kt |Rt )P (Rt )
Rt
Entonces, si se suma la distribución del numerador sobre todos los valores de Rt , obtenemos P (kt ). Y dado que
se esta calculando eso de todos modos mientras se calcula el posterior, se seguira por separado.
Dado que se esta buscando el valor de σ que maximice P (k) en general, en realidad queremos maximizar:
T
X
P (Rt |kt ) ∝ exp log(L (kt |Rt ))
t=T −m
donde t son todos los tiempos y i es cada departamento.
Como se esta multiplicando muchas probabilidades pequeñas, puede ser más fácil (y menos propenso a errores)
tomar el log de los valores y sumarlos. recordar que log ab = log a + log b. Y dado que los logaritmos aumentan
monótonamente, maximizar la suma de log de las probabilidades es lo mismo que maximizar el producto de las
probabilidades no logarı́tmicas para cualquier elección de σ.
Función para calcular los posteriores para calcular los posteriores seguimos estos pasos:
1. Se calcula λ - la tasa de llegada esperada para el proceso de poisson de cada dı́a
2. Luego se calcula la distribución de probabilidad de cada dı́a sobre todos los valores posibles de Rt
3. Despúes la matriz del proceso en función del valor de σ que que se discutio anteriormente
4. Se procede a calcular lo previo inicial porque lo del primer dı́a no tiene un dı́a anterior del que tomar el
posterior
5. Basándose en la información del centro epidemiológico, se eligio un Gamma con una media de 7.
6. Se repite desde el dı́a 1 hasta el final, haciendo lo siguiente:
Calcular el anterior aplicando el gaussiano al anterior de ayer.

Aplicar la regla de Bayes multiplicando este a priori y la probabilidad que calculamos en el paso 2.
Dividir por la probabilidad de los datos (también la regla de Bayes)
A continuación, en la Figura 4.13 se puede ver todos los dı́as de la distribución posterior graficados simultánea-
mente. Los posteriores comienzan sin mucha confianza (más amplios) y se vuelven progresivamente más seguros
(más estrechos) sobre el verdadero valor de Rt
Figura 4.13. Gráfica del cálculo del dı́a posterior par evaluar el valor de Rt.
4.3.3. Estimar Rt
El paso final es estimar los valores de Rt y los intervalos de densidad más altos que los rodean. Se necesito simu-
lar valores aleatorios para Rt usando las probabilidades posteriores para calcular los intervalos de densidad más altos.
Dado que nuestros resultados incluyen incertidumbre, nos gustarı́a poder ver el valor más probable de Rt junto
con su intervalo de densidad más alta.
Tabla 4.3. Los valores más probables para Rt y los valores de los Intervalos de Máxima densidad
Fecha Valor más probable I. Bajo I. Alto

07-03-2020 2.00 0.50 5.54
11-03-2020 1.96 0.50 5.09
19-03-2020 1.92 0.51 4.80
20-03-2020 2.14 0.59 5.02
... ... ... ...
29-08-2020 0.46 0.27 0.65
30-08-2020 0.54 0.36 0.76
31-08-2020 0.59 0.40 0.81
Finalmente, se puede trazar tanto los valores más probables para Rt como los intervalos de densidad máxima a
lo largo del tiempo. Esta es la representación más útil ya que muestra cómo nuestras creencias cambian cada dı́a.
Figura 4.14. Gráfica de la estimación real del Rt para Arequipa.
El gráfico de la figura 4.14 muestra dos cosas importantes. Primero, el ”valor más probable”de Rt para cada
dı́a, representado por los puntos (cuanto más rojo es un punto, más alto y peligroso es el valor de Rt ). En segundo
lugar, el intervalo de valores que Rt podrı́a ser en realidad está representado por las bandas grises (si hay un ’valor
más probable’, entonces también hay otros valores menos probables pero posibles).
4.3.4. Elegir el σ óptimo

El modelo en Python se hara de manera iteractiva para todos los departamentos por lo tanto se debe elegir un
σ para cada uno de ellos de manera interactiva.
En lineas anteriores se describió la elección de un σ óptimo, pero se asumió asumiendo un valor para el departamento
trabajado. Ahora se puede evaluar cada estado con cualquier sigma, se tiene las herramientas para elegir el σ óptimo
la cual es que maximice la probabilidad de los datos P (k). Como no se queire sobreajustar en ningún estado, se
elige el sigma que maximiza P (k) en cada estado. Para hacer esto, se suma todas las probabilidades de registro por
estado para cada valor de sigma y luego se elige el máximo.
Figura 4.15. Gráfica de del valor de σ óptimo.

Capı́tulo 5
Resultados
5.1. Análisis Regional

5.1.1. Número Reproductivo Básico R0 y Número Reproductivo Efectivo Rt
Actualmente se está trabajando con el Rt como indicador epidemiológico bajo un enfoque bayesiano. Los datos
con los que se trabaja sufren de irregularidades por distintas causas (pruebas atrasadas, inconsistencia en el número
de pruebas que se llevan a cabo en los distintos dı́as de la semana), por ello para trabajarlos se ha realizado una
normalización en función al número de pruebas y se ha aplicado una media móvil de siete dı́as para lidiar con
efectos de estacionalidad semanales. A continuación se detallan las medidas establecidas por el gobierno peruano y
posterior a ello se mostrará los resultados obtenidos para el primero objetivo planteado.
Estado Nacional de Emergencia Extendido El gobierno de Perú extendió el estado de emergencia actual por
30 dı́as adicionales a partir del martes 1 de septiembre. Ya no se permitirá que los niños menores de 14 años salgan
por ningún perı́odo de tiempo, y los adultos mayores de 65 años a más edad deben permanecer adentro excepto
cuando sea absolutamente necesario. No se permiten reuniones sociales de ningún tipo, incluso en el hogar con la
familia. El toque de queda de 10:00 pm a 4:00 am de lunes a sábado y la cuarentena de todo el dı́a el domingo
permanecen vigentes en la mayor parte del Perú, con la excepción de las siguientes regiones de Perú donde hay una
cuarentena y un toque de queda diario obligatorio desde las 8:00 pm a 4:00 am.
Áreas de Cuarentena (al 28 de agosto de 2020): Amazonas (Bagua, Chachapoyas, Condorcanqui y Utcu-
bamba); Ancash (Santa, Casma y Huarmey); Apurı́mac (Abancay); Arequipa (Cailloma, Camaná, Castilla, Islay);
Ayacucho (Huamanga, Huanta, Lucanas y Parinacochas); Cajamarca (Cajamarca y Jaén); Cusco (toda la región);
Huancavelica (Huancavelica, Angaraes y Tayacaja); Huánuco (Huánuco, Leoncio Prado, Puerto Inca y Humalı́es);
Ica (Ica, Pisco, Nasca y Palpa); Junı́n (Huancayo, Satipo y Chanchamayo); La Libertad (Trujillo, Virú, Sánchez
Carrión, Pacasmayo, Chepén y Ascope); Lima (Barranca, Cañete, Huaura y Huaral); Madre de Dios (Tambopata);
Moquegua (toda la región); Pasco (Pasco y Oxapampa); Puno (toda la región); y Tacna (toda la región).
En las áreas de cuarentena antes mencionadas, solo una persona por familia podrá salir de la casa durante las horas
que no sean de cuarentena.
Medidas Nacionales de Salud extendidas por 90 dı́as: El 28 de agosto, el presidente peruano Martı́n
Vizcarra firmó un decreto supremo que prorroga el Estado de Emergencia Sanitaria del Perú por 90 dı́as a partir
del martes 8 de septiembre. Será necesario el distanciamiento social y el uso de mascarillas en el futuro previsible.
El Ministerio de Salud de Perú (MINSA), el Instituto Nacional de Salud y EsSalud el Seguro Social de Salud
continúan desarrollando e implementando un plan de acción para la vigilancia, contención y atención de nuevos
casos de COVID-19 en Perú. El gobierno de Perú continuará adquiriendo los bienes y servicios necesarios para
combatir la propagación de COVID-19.
43
44 CAPÍTULO 5. RESULTADOS
Clasificación de los departamentos en base a la investigación realizada: Se realizó un análisis Clúster

para poder identificar a los departamentos de comportamiento similar según los datos proporcionados por el MINSA,
la agrupación se realizó en base a los valores pronosticados del Rt , tomando el valor medio y el máximo alcanzado
en el intervalo de confianza de cada departamento al 31 de agosto.
Figura 5.1. Análisis Clúster de los departamentos en base a su último Rt estimado al 31 de agosto.
Según la figura 5.1 se observa 4 grupos, por lo que se procedió a identificar los departamentos que pertenecen a
cada grupo en la siguiente tabla.
Tabla 5.1. Clasificación de departamentos mediante el análisis Clúster
Grupo 1 Grupo 2 Grupo 3 Grupo 4

AMAZONAS TUMBES MOQUEGUA APURIMAC
LORETO SAN MARTIN PUNO HUANCAVELICA
TACNA ICA LA LIBERTAD LAMBAYEQUE
CUSCO AREQUIPA HUANUCO PASCO
CAJAMARCA PIURA MADRES DE DIOS
AYACUCHO ANCASH
UCAYALI JUNIN
Para poder determinar la similaridad intragrupos y las disimilaridad entre grupos aplicamos una prueba de hipótesis
no paramétrica de la siguiente forma:
- H0 : Las medianas de los grupos son todas iguales.

- Ha : Al menos una de las medianas de los grupos es diferente a las demás.
Aceptar la hipótesis nos permitirá podre afirmar que los grupos tienen la misma mediana lo cual implicaria un
comportamiento similar dentro de cada grupo bajo el supuesto de independencia entre grupos. Para ello usaremos
la prueba de Kruskal Wallis, con un del 0.001 el valor χ2c calculado de la prueba fue de 15.48, por lo que se concluiria
que a un nivel de significancia del 0.1 %, no se rechaza que las medianas de los grupos sean iguales.
En base al agrupamiento se define al grupo 4 como el grupo que al 31 de agosto presenta un valor máximo de Rt ¿1
por lo que seria de recomendaciones para los departamentos de Apurimac, Huancavelica, Lambayeque y Pasco, que
aún no se liberen las medidas ya que son los departamentos más propensos a contraer mayor cantidad de contagios.
5.1. ANÁLISIS REGIONAL 45
A continuación se muestra la última tasa de reproducibilidad calculada (Rt ) estimado en tiempo real de los depar-
tamentos del Perú hasta el 31 de Agosto.
Figura 5.2. Rt en tiempo real estimado para todos los departamentos al 31 de agosto.
Por lo que se puede clasificar Junin, Huancavelica, Ayacucho, Lambayeque y Pasco, como los departamentos más
propenso a surgir el rebrote de la pandemia, seria necesario no descuidar las medidas aplicadas en esos departa-
mentos, como el toque de queda, la inmovilización social obligatoria, entre otras. Con el fin de disipar el contacto
entre individuos, y convertir a cero la tasa actualmente calculada.
Para los otros departamentos como Madre de Dios, La Libertad, Huánuco, Puno, etc; igualmente es necesaria con-
tinuar con las medidas pero podria ser un tanto menos estrictas a las disposiciones previamente establecidas.
A través de esta gráfica, se puede notar la diferencia entre las medidas implementadas por el gobierno de disponer la
cuarentena total en departamentos como Moquegua, Tacna, Cusco y Puno, a diferencia de los resultados obtenidos;
seria importante considerar que se puede tener estas inconsistencia, por la limitación que se posee de acceder a
mayores indicadores en la población.
Para poder dar a conocer el detalle de la clasificación, se procede a explicar el diagnóstico realizado a cada departa-
mento del Perú sin incluir Lima y Callao, donde se conocerá un poco más a fondo la consistencia de la investigación.
Región de Amazonas
Figura 5.3. Contagios confirmados en Amazonas al 31 de agosto.
La propagación del coronavirus a lo largo y ancho del territorio peruano se confirmó con distintos casos en algunas
de las comunidades más remotas de la Amazonia peruana, ubicadas en la frontera con Brasil, una zona sin control
migratorio.
Para marzo, Los indı́genas de la Amazonia peruana se declararon en alerta ante la expansión en el paı́s del corona-
virus después de que se hayan registrado los primeros casos en la ciudades de la parte selvática de Perú, que ocupa
el 61 % del territorio nacional.
La Central Asháninka del Rı́o Ene (CARE), que representa a 18 comunidades nativas, anunció el 19 de marzo que
se declaraba en .alerta máxima no permitirı́a el ingreso a su espacio a ningún foráneo, bajo amenaza de ser detenido
2
por sus comités de autodefensa y expulsado o entregado a la Policı́a Nacional o a las fuerzas armadas.
Hay al menos seis casos en el Alto Purús de indı́genas sharanahuas que llegaron a esta zona procedentes del lado
brasileño de la frontera. Situación parecida se da algo más al norte en la comunidad nativa de etnia ashéninka Alto
Tamaya-Saweto, donde también se dieron seis casos en finales de Junio.
Por ello, las primeras semanas del mes de julio se dieron varias movilizaciones de indı́genas en ciudades de la Ama-
zonı́a para protestar por la falta de atención en salud para poblaciones nativas desde que comenzó la emergencia,
pues hasta ahora se desconoce el número de indı́genas contagiados y fallecidos por COVID-19 a nivel nacional.
Al mes de agosto en la sala situacional del COVID-19 en Amazonas reporta 21,199 casos autóctonos y 711 casos
extranjeros, lo que se justificarı́a principalmente porque los departamentos no tienen un control en el registro de los
muestras para evitar los casos duplicados.
Figura 5.4. Rt real estimado para el departamento de Amazonas al 31 de agosto.
Estimando el RT en tiempo real, se observa que en los primeros meses iniciada la pandemia, la tasa de contagios
oscilaba entre 2 a 3, es decir que 1 persona podı́a contagiar de 2 a 3 personas, posterior a ello se implementaron
mayores medidas en cuanto a la inmovilización social y la cuarentena, además amazonas se encargó de cerrar las
fronteras con otros paı́ses para evitar contagios y perdidas de las tribus del departamento, por ello se puede observar
que en la parte intermedia en el periodo de mayo a julio el valor de la tasa de reproducibilidad cayo enormemente,
por debajo de 1, después de ello se sabe que el gobierno peruano permitió los vuelos nacionales, además la crisis
económica amerita la lucha del conseguir sostener una familia, permitiendo generar ingresos, es por ello que la tasa
se elevo cercanamente a 2, pero se restauraron las medidas en cuanto a cuarentena focalizada, lo que ha permitido
un mayor control para el departamento de amazonas.
Región de Ancash
Figura 5.5. Rt real estimado para el departamento de Ancash al 31 de agosto.
Evolución del Rt en el departamento de Ancash Para el departamento de Ancash se visualiza un Rt creciente

durante el mes de marzo, esto puede deberse a que inicialmente no se tomó ninguna medida preventiva, el 15 de
marzo recién se dio inició la cuarentena a nivel nacional, en consecuencia, se observa un decaimiento significativo del
Rt a partir del 1 de abril, este comportamiento se puede deber a que una persona contagiada deja de portar el virus
después de 15 dı́as y al no portar deja de contagiar a otras personas. En el gráfico se observa que el decaimiento
es continuo hasta inicios de junio, donde el Rt tiende a oscilar al valor de 1, esto quiere decir que una persona con
COVID-19 puede contagiar solo a uno, da a entender que las medidas que esta tomando el gobierno están dando
resultados al control de la pandemia, a continuación se detalla algunas de estas medidas del Gobierno Regional de
Ancash(GRA):
En un trabajo en conjunto con el Gobierno Central se hizo la entrega de las modernas instalaciones del
hospital modular en el estadio Rosas Pampa de Huaraz, donde actualmente se cuenta ya con 120 camas para
hospitalización, cinco camas para cuidados intensivos, oxigenación, zona de triaje y estaciones para el trabajo
de enfermerı́a.
En coordinación con el Ministerio de Salud se instaló 73 camas y equipos médicos en el nuevo hospital de
campaña implementado en el “Ramos Guardia” de Huaraz. Las instalaciones cuentan con 26 camas dis-
ponibles, donde serán derivados pacientes COVID-19 leves y moderados. Además, se dispone de monitores
multiparámetros, balones de oxı́geno y sistema de aire acondicionado.
A través de la Red Pacı́fico Sur se hizo entrega de 8 mil dosis de ivermectina para las redes de salud y hospitales
de la región. Estas muestras fueron elaboradas en el Laboratorio Regional de Ancash, ubicado en la ciudad
de Casma y su distribución es gratuita en todos los establecimientos de salud de Ancash.
Se realizó la compra de ambulancias para la atención rápida a pacientes con covid 19.
Evolución de los contagios confirmados en el departamento de Ancash En la figura, se observan tres

comportamientos de la serie de contagios muy marcados:
La primera que se da desde inicio de la pandemia hasta fines de mayo donde se tiene un crecimiento continuo,
esto se da en general para la mayorı́a de departamentos ya que es el efecto de la pandemia por la falta de
medidas preventivas al inicio del primer contagiado registrado que se dio el 6 de marzo.
Figura 5.6. Contagios confirmados en Ancash al 31 de agosto.
El segundo es cuando empieza a decaer levemente la curva de contagios hasta mantener 125 contagiados al
dı́a aproximadamente, esto es consecuencia de la cuarentena que se dio la quincena de marzo hasta el 26 de
junio.
El tercer comportamiento es el crecimiento de contagios a partir de fines de julio, este hecho se dio porque
se levantó la cuarentena a fines de junio y con una brecha de 15 dı́as se dieron los contagios, el crecimiento
no es exponencial debido a las medidas que tomó el gobierno regional de Ancash, haciendo que las cifras de
contagios no se disparen.
En general las acciones que esta tomando el gobierno Regional de Ancash esta funcionando, se hizo la mayor
inversión para mejora de hospitales e implementación con equipos médicos y ambulancias, despliego de equipos de
respuesta rápida (campañas) y materiales de protección personal para la primera linea de batalla frente al COVID-
19, además se preocupó en la capacitación de su personal de salud y nuevos servicios de telefonı́a para atención
de los casos sospechosos. Estas medidas se podrı́an tomar como modelo en otras regiones para que la pandemia se
puedan controlar con mayor eficacia.
Región de Apurimac
El comportamiento de la pandemia del COVID-19 en Apurimac ha tenido un comportamiento estable y con
números muy bajos desde que empezó la cuarentena en el Perú, en promedio los valores de casos diarios osilaban
entre 15 a 25 casos confirmados. Sin embargo se puede observar un cambio drástico en la curva de casos diarios
a partir de la quincena de Julio, dónde la pendiente de la curva sufre un cambio significativo. Para explicar este
comportamiento en la curva nos pondremos en contexto, Apurimac es un deparatmento ubicado en la sierra sur, al
aplicar la inmobilización obligatoria en todo el paı́s, esta región quedo aislada, su primer caso fue reportado recien
en Abril. Pero el 15 de Julio se aperturaron los viajes interprovinciales, por lo que se podrı́a decir que fue una razón
del aumento en los contagios diarios.
Figura 5.7. Contagios confirmados en Apurimac al 31 de agosto.
Ahora bien una manera de explicar un poco este comportamiento es analizando la estimación a tiempo real del
número de reproductibilidad en Apurimac, las estimaciones en los primeros meses tienen un comportamiento muy
cambiante con valores por debajo de 1 en un dia y al dia sigueinte encima de 1, además su rango es muy grande
por ende la incertidumbre del modelo también es elevado, esto debido a la poca cantidad de datos en esos meses,
lo que hace notar que Apurimac en lineas generales no estaba como region en alerta. Sin embargo desde la primera
semana del mes de julio el Rt se encontraba encima de 1 si se mantuvo asi hasta fines del mes de agosto, lo que
quiere decir que una persona podia contagiar a una mas y asi sucesivamente. Las acciones tomadas por el gobierno
en este caso fueron tardias, pues recién en agosto Apurimac entro en la lista de regiones con cuarentena focalizada.
Y continua en cuarentena focalizada, en este caso solo la provincia de Abancay, hasta el 30 de septiembre.
Figura 5.8. Evolución del Rt en el departamento de Apurimac

Región de Arequipa
Figura 5.9. Evolución del Rt en el departamento de Arequipa
Evolución de los contagios confirmados en el departamento de Arequipa De acuerdo con la Gerencia

Regional de Salud, y como puede observarse en la Figura 5.8, el número de casos en Arequipa, la segunda ciudad
más poblada en el Perú, se ha ido incrementando con rapidez a partir de la primera semana de junio. A fines de
julio y con más de 43 mil casos y 853 fallecidos, esta región del sur peruano se habı́a convertido en otro importante
epicentro de la pandemia en el paı́s, debido principalmente a su débil infraestructura de salud, la falta de personal
médico, su economı́a informal, el incumplimiento de las normas por parte de la población y una pobre gestión
regional. Sin embargo los picos más altos de contagios se dieron durante el mes de Agosto; es por esto, que ante
tales cifras, el gobierno nacional tomó el control sanitario ante la lenta respuesta local, comenzando por prorrogar
la cuarentena total en algunas provincias como Arequipa, Ica, Junı́n. Huánuco y San Martı́n hasta el 31 de Agosto.
Figura 5.10. Evolución del Rt en el departamento de Arequipa
Evolución del Rt en el departamento de Arequipa El primer caso de la pandemia de enfermedad por

coronavirus en Arequipa, inició el 7 de marzo de 2020. El primer caso fue un varón de 26 años que provino de
Reino Unido. En ese momento el gobierno aún no tomaba las medidas respectivas para mitigar la propagación de la
enfermedad, es por ello; que el Rt tomaba valores por encima de 1, lo que nos indica que una persona con el virus,
puede contagiar en promedio a otras dos personas más lo que me indica que la enfermedad crece. Sin embargo,
este ı́ndice de reproductibilidad tiene un decaimiento lento hasta inicios del mes de julio, en donde el Rt fluctúa
alrededor de 1 y que aún no es controlada entre la primera semana de julio e inicios de agosto aproximadamente;
esto debido a que conforme pasaban los meses y la población se quedaba sin recursos económicos, los residentes de
esta ciudad del sur peruano comenzaron a salir a las calles por necesidad de trabajo, lo que ha generado a su vez,
el contacto con otras personas. ”Muchos lo hicieron por necesidad de trabajo”, dijo Oswaldo Zeballos, decano del
Colegio de Economistas de Arequipa.
Región de Ayacucho
Figura 5.11. Contagios confirmados en Ayacucho al 31 de agosto.
Para el departamento de Ayacucho se puede observar que el incremento de contagios se dio para los meses julio
a agosto, en los primeros meses se observa una ligera cantidad de personas contagiadas y esto podria ser por las
medidas que implementó el gobierno regional, para ello las veremos a detalle.
Para el mes de marzo el gobierno regional de Ayacucho, inicio con las campañas de concientización, como se
vivió a nivel nacional, dando especificaciones sobre el uso de mascarillas, el lavado de manos con agua y jabón,
el distanciamiento social y el YoMeQuedoEnCasa.
Una semana despues, se realizó el cierre de los puntos de ingreso hacia ayacucho, con la ayuda del PNP,
ejercito peruano, comites de autodefensa y juntas vecinales.
Para el mes de abril, contribuyendo con las campaña inclusiva, promovieron videos de concientización en
quechua, que permitió llegar a más pobladores.
Para el mes de mayo, se intensificaron la cantidad de pruebas realizadas a 4734, lo cual permitió identificar
las personas que contraeron el virus y ayudar con su pronta recuperación.Se buscó atender con un sesgo
farmacológico, a todos los pacientes con sı́ntomas para que puedan ser atendidos en establecimientos de salud
más cercanos, por lo que se abasteció con medicamentos a las postas de salud, para poder ayudar a la pronta
recuperación de los pacientes.
Otra medida aplicada fue la autorización del funcionamiento de Hospital Antigo para la prevención de la
propagación del COVID-19 aún con falta de instrumentos para la atención de sus pacientes.
Estas son las principales medidas que permitieron un mayor control en la curva de contagios del COVID 19, para
Ayacucho, sin embargo para el mes de agosto que es donde se ve su notable incremento, se dispusieron de nuevas
medidas por parte del gobierno peruano, como la nueva restricción los domingos, los horarios de inmovilización, y
se intensificaron las campañas de concientización, para poder controlar la pandemia.
Figura 5.12. Rt en tiempo real estimado para el departamento de Ayacucho al 31 de agosto.
En esta gráfica se puede visualizar que en el primer mes, la tasa de reproducibilidad Rt , alcanzó un valor de 2, lo
cual implicaba que 1 persona, podia contagiar a otras dos, por lo que era una tasa de contagio considerable a inicio
de la pandemia, el gobierno regional pudo controlar, realizando campañas de cuidado y concientización, ademas de
cierto de los puntos de ingreso a la ciudad de Ayacucho, por ello el valor de la tasa llego de descender hasta un
valor menor a 1; sin embargo, para el mes de abril, la tasa de contagios volvió a incrementarse exponencialmente,
llegando a tener un valor mayor a 3, es decir que un ayacuchano podı́a contagiar a otras 3 o más personas, por ello
se implementó el abastecimiento de medicamentos a las postas de salud para la pronta atención de las personas
con sı́ntomas de COVID 19 ası́ como enfermedades pre-existentes, además el gobierno peruano decreto la salida
diferenciada tanto por sexo y por edad; todo ello sumó a que la tasa de contagios diarios pudiera ser controlada,
llegando al 31 de agosto, con un valor menor a 1.
Región de Cajamarca
En la evolución de los contagios se observa que es bajo en los primeros meses, esto se debe a la poca densidad
poblacional del departamento de Cajamarca y la intervención las rondas campesinas con la creación de cercos
estrictos en las poblaciones pequeñas además de sanciones a los pobladores que no aplicaban las normas establecidas
mediante ejercicios fı́sicos, para el mes de agosto y setiembre se observa un crecimiento con un pico para el primero
de agosto esto se debe a que el gobierno permitió el regreso de los pobladores cajamarquinos que vivı́an en Lima
y por la falta de hospitales en muchos de los pueblos. Entre las medidas que tomó el gobierno regio de Cajamarca
ante este problema fueron:
Creación de albergues comunitarios para que los recién llegados guardaran 15 dı́as de cuarentena antes de
entrar a cualquier localidad.
Implementación del geo-covid para hacerle seguimiento al paciente con el objetivo de tomar acciones perti-
nentes como las pruebas rápidas y campañas sanitarias.
Alianza con la empresa privada y MINSA para gestionar 420 camas clı́nicas, tipo I, II, III y IV.
Figura 5.13. Contagios confirmados en Cajamarca al 31 de agosto.
El Rt para el departamento de Cajamarca presenta un valor alto para el mes de mayo y esto continua hasta
inicios de agosto donde empieza a bajar el indice de reproductibilidad, esto nos indica que las medidas que esta
tomando el gobierno esta siendo efectiva,dando un Rt para la ultima fecha cerca a cero.
Figura 5.14. Rt real estimado para el departamento de Cajamarca al 31 de agosto.
Región de Cusco
La región del Cusco como se puede observar en la Figura 5.12 ha tenido un comportamiento muy estable y con
casos confirmados diarios muy bajos en comparación a otras regiones. Este comportamiento se mantuvo solo hasta
la tercera semana del mes de julio, como ya se ha mencionado cusco es una ciudad que se aislo por completo de
ciudades como Lima, la cual era el foco de contagios. Sin embargo cuando reabrieron los vuelos y el transporte
intreprovincial en el Perú como parte de la reactivación económica, la región del Cusco empezó a aumentar sus
casos confirmados dairios de forma exponencial.
Figura 5.15. Serie casos confirmados diarios en Cusco al 31 de agosto.
En la Figura 5.13, se puede observar que el Rt es muy cambiante en el inicio de la cuarentena en el Perú; sin
embargo, a partir de la tercera semana de junio el Rt se mantuvó por encima de 1, es decir una persona podia
cotagiar a 1 y esa persona a otra y asi sucesivamente. Pero, hasta la segunda semana de julio el rango de los limites
de confianza eran muy grandes es decir habia mucha incertidumbre en el modelo, ya a partir de la tercera semana
de julio ese rango fue sisminuyendo y el Rt seguia por encima de 1 es decir Cusco ya estaba en alerta. Las medidas
tomadas para Cusco fueron tardias, sin embargo el gobierno regional ha realizado campañas constantemente lo que
ha generado que el crecimiento exponencial no sea tan drastico.
Figura 5.16. Evolución del Rt en el departamento de Cusco hasta el 31 de agosto

Región de Huancavelica
Evolución de los contagios confirmados en el departamento de Huancavelica Como se puede observar
en la Figura 5.16, el número de casos por COVID-19 en el departamento de Huancavelica ha sido notablemente
controlado hasta mediados de julio, que es donde empieza a incrementarse los contagios diarios en la región, una
causa de este suceso es que el 1 de julio el estado peruano da inicio a la “Tercera fase” que contempla la apertura
de unas 60 actividades comerciales; y si bien, el número de contagios se ha incrementado, éste no ha sido de manera
exponencial como sı́ ha ocurrido en otras regiones. Sin embargo, también podemos notar hay un ligero incremento de
la cantidad de contagios en los primeros dı́as de mayo, esto es explicado por los traslados masivos desorganizados y
sin coordinación que realizaron muchas personas queriendo regresar a sus lugares de origen producto de los desalojos
por parte de sus arrendatarios.
Figura 5.17. Evolución del Rt en el departamento de Huancavelica hasta el 31 de agosto
Evolución del Rt en el departamento de Huancavelica Una forma de medir como evolucionaban los de-
partamentos con respecto al número de contagios y ası́ poder tomar medidas como la cuarentena focalizada, es
mediante la evolución del Índice de Reproductibilidad Rt a tiempo real. En el caso del departamento de Huanca-
velica, se observa que éste, al inicio es muy variable hasta la segunda semana de Julio. A partir del 15 de julio
notamos que este Rt se mantiene por encima de 1 hasta la tercera semana de agosto aproximadamente, esto debido
a la reactivación económica en más sectores del Perú. Sin embargo ya a fines de agosto este Rt se encuentra por
debajo de 1, lo que significa que una persona contagiada ya no puede contagiar a otra.
Figura 5.18. Evolución del Rt en el departamento de Huancavelica hasta el 31 de agosto
Región de Huánuco
Figura 5.19. Contagios confirmados en Huanuco al 31 de agosto.
Para el mes de julio - agosto, ha sido los meses de mayor incremento de contagios para el departamento de
Huánuco, para entender un poco sobre las medidas implementadas por el Gobierno Regional, lo detallaremos a
continuación.
Una de las primeras medidas en el mes de marzo, fue implementada por ESSALUD, en el Hospital II Huánuco un
área externa de triaje y tópico diferenciado para la atención de casos sospechosos de coronavirus. El horario de
atención fue 7 de la mañana a 12 de la noche. Lo mismo se realizó en el Hospital de Tingo Marı́a, Centro Médico
Ambo y CAP III Metropolitano.
Asimismo, se ha dotó al personal asistencial y administrativo de los implementos necesarios, de acuerdo a la norma
técnica de atención y manejo clı́nico de caso COVID-19. Además, se cuenta con medicamentos, insumos y materiales
médicos para la atención de los pacientes que presentan sı́ntomas del virus.
Como medida preventiva, se restringió el horario de visita de 4 a 6 de la tarde, en el Servicio de Hospitalización

y la visita se limitó a un familiar por paciente. La misma medida se ha impartió en los servicios de Emergencia y
UVI (Unidad de Vigilancia Intensiva).
Paralelamente, se instauró jabón lı́quido y papel toalla para el adecuado lavado de manos en todos los servicios
higiénicos de los 13 centros asistenciales de Huánuco.
Cabe agregar que, de acuerdo al protocolo establecido, todo paciente que presente fiebre, dificultad respiratoria
y otros malestares son evaluados de inmediato por los médicos de turno, que proceden a realizar la prueba de
hisopado. La muestra fue enviada al Instituto Nacional de Salud (INS) a fin de descartar la presencia del virus que
causa la enfermedad.
En los primeros dias del mes de junio, se aprobó el Plan de Vigilancia y Control del COVID 19 en Huánuco, que
buscabas plantear medidas de vigilancia para el reinicio de laboral en el departamento de Huánuco.
Para el mes de julio, el MINSA envió 45 balones de oxı́geno, necesarios para salvar la vida de personas afectadas por
el nuevo coronavirus, entregados a la Red de Salud Leoncio Prado y distribuidos en el Centro de Hospitalización
Temporal Covid-19, que se instaó en Tingo Marı́a y alberga 40 camas.
Se destinó 500 mascarillas N95 para protección exclusiva del personal de la salud que brinda atención en este centro
de atención COVID-19.
Debido a la alta demanda de oxı́geno, el MINSA también viene gestionando un puente aéreo para paliar cualquier
riesgo de desabastecimiento en la región y salvar la vida de los pacientes con el nuevo coronavirus.
Figura 5.20. Rt en tiempo real estimado para el departamento de Huánuco al 31 de agosto.
Para el caso de la tasa de reproducibilidad Rt , se observa que en los primeros meses marzo y abril, fue en donde
la tasa llegó a ser mayor a 2, lo que implicaba que 1 persona podı́a contagiar a más de dos personas, por lo que si
no se hubiera tomado las medidas para poder frenar la expansión del COVID-19, la situación se hubiera agrabado
en Huánuco, posterior a ello, luego de la implementación de medidas para el mayor control por parte de salud, ası́
como el plan de vigilancia, el valor de Rt ha sido oscilado entre 1 y 2, gracias a las medidas diferenciadas por sexo
y edad se pudo disminuir el valor de la tasa de contagio en los meses siguientes, llegando a un valor menor a 1 para
el mes de agosto.
Región de Ica
La evolución de los contagios para el departamento de Ica tiene un ligero crecimiento para los meses de abril a
junio, esto se debe a que el gobierno tenia como objetivo ganar tiempo para equipar sus hospitales, tomando medidas
como movilizar los pacientes mas graves a Lima, aplicación del tratamiento del COVID19 y el debido aislamiento
tanto a las personas que daban positivo a la prueba como a las personas que presentaban la sintomatologı́a de la
enfermedad , para ası́ bajarles la carga viral y evitar que agraven su estado de salud y lleguen a emergencia. Esta
medida ayudo a que la cantidad de contagiados no sean excesivos además el sistema de salud no colapsó y la gente
no murió en las calles como en otros departamentos, sin embargo a partir de quincena de julio los casos seguı́an en
incremento, por eso el gobierno tomó la medida de cuarentena hasta el momento
Figura 5.21. Contagios confirmados en Ica al 31 de agosto.
El Rt para el departamento de Ica a diferencia de otros, se redujo a inicios del mes de mayo mucho antes, se
observa en la gráfica que el valor del ı́ndice de reproducibilidad oscila en 1.5 y tiene el mismo comportamiento hasta
finales de agosto, esto se debe a que el gobierno mantuvo en cuarentena a su población y continuo con las medidas
que tomaron inicialmente.
Figura 5.22. Rt real estimado para el departamento de Ica al 31 de agosto.
Región de La Libertad
Evolución de los contagios confirmados en el departamento de La Libertad En la Figura 5.22 se muestra
los contagios por coronavirus desde el 15 de marzo, fecha en la que se reportó el primer caso en el departamento
de La Libertad. Un mes después de este hecho se observa que los contagios han ido incrementándose rápidamente,
esto producto del completo desinterés de la población de La Libertad por acatar las medidas y la falta de personal
policial y del ejército. Este alto número de contagios se mantuvo durante los meses de mantuvo durante los meses
de junio, julio y agosto.
Figura 5.23. Evolución del Rt en el departamento de La Libertad hasta el 31 de agosto
Evolución del Rt en el departamento de La Libertad A continuación en la Figura 5.23, se observa el Índice

de Reproductibilidad Rt a lo largo de la pandemia en la región de La Libertad, en sus inicios, ası́ como en otros
departamentos es muy variable, es decir, puede alcanzar valores por encima o por debajo de 1, sin embargo; para los
meses de Julio y Agosto, este Rt mayor o igual a 1, lo que significa que la enfermedad se mantiene en dicha región
pero no desaparece. Tales resultados hicieron que el estado continúe tomando medidas sobre estos departamentos
ası́ como otros de la zona Norte del Perú.
Figura 5.24. Evolución del Rt en el departamento de La Libertad hasta el 31 de agosto
Región de Lambayeque
Figura 5.25. Contagios confirmados en Lambayeque al 31 de agosto.
En Lambayeque se puede apreciar, que el número de contagios casi se ha mantenido constante alrededor de
200 casos diarios registrados durante los meses marzo - agosto, desde la llegada de la pandemia al Perú, según el
informe publicado por el diario El Comercio, que se detalla a continuación. los primeros dı́as de marzo, antes de la
cuarentena, un joven nacido en el centro poblado de Calupe, en Tumán, y residente en España desde hace varios
años, se hizo la prueba del hisopado y dio positivo para COVID-19. La noticia llegó rápidamente a Lambayeque,
donde vive su familia. En ese entonces, más de 2 mil españoles habı́an enfermado y 55 habı́an muerto. En el Perú
habı́a apenas 17 contagiados, la situación aún parecı́a manejable. La región norteña veı́a al coronavirus como un
mal ajeno, remoto, casi exótico. Pocas semanas después, todo fue distinto, todo empeoró.
Los lambayecanos estaban tan despreocupados, que cometieron errores, uno tras otro. Por aquellos dı́as, un chicla-
yano de 57 años, recién llegado de España, estaba en el hospital Luis Heysen y le iban a hacer la prueba de despistaje,
pero los enfermeros lo dejaron a solas y este huyó. Si tenı́a el virus, lo esparció. Los errores eran muchos y muy
serios. Dı́as después, cuando ya el Gobierno habı́a suspendido las clases escolares, las autoridades descubrieron que
al menos un colegio privado de Chiclayo seguı́a dando clases, exponiendo a los alumnos y profesores.
Según el reporte enviado (Minsa), en Lambayeque para el mes de abril habia 642 casos confirmados de coronavirus
(de un total de 14.120) y 75 fallecidos (en todo el Perú eran 348). Es decir, una de cada cinco vı́ctimas del COVID-19
es de esta región norteña. Allı́, la tasa de letalidad fue del 11,68 %, la más alta del paı́s. Es la tercera región con
más casos y su situación es realmente trágica.
Las provincias de Chiclayo y Ferreñafe reúnen la mayor cantidad de casos de contagio, ası́ como de vı́ctimas. “La
población tiene conocimiento de la crisis, pero no toma conciencia”, comenta por teléfono el alcalde
provincial de Chiclayo, Marcos Gasco.
En cuanto a las medidas implementadas se detalla que:

En cuanto a salud, para el mes de marzo se dispusó del control preventivo en el ámbito regional, se habilitó tres
lı́neas telefónicas de Call Center para que las personas que presentarán sı́ntomas de infección respiratoria aguda,
fiebre, tos, dolor de garganta puedan llamar para que el personal de salud acuda a asistirlos en su propio domicilio,
y evitar hacinamiento en los hospitales.
De igual modo, para los comerciantes mayoristas y minoristas, evitar el acaparamiento y especulación de los produc-
tos en general y, especialmente de primera necesidad, en perjuicio de la población lambayecana y no aprovecharse
indebidamente de las circunstancias surgidas de las medidas dictadas por el Gobierno Nacional en la lucha contra
el COVID-19 que afecta nuestro paı́s.
Para el mes de mayo, el gobernador regional, Anselmo Lozano Centurión, formalizó un pedido del Comando Covid
19 al Presidente de la República, que se sustentó el pedido de inmovilización del 8 al 12 de mayo del 2020, las 24
horas del dı́a, basado en un análisis epidemiológico realizado por las autoridades de Salud.
La medida extrema sugerida se sustentó en el incumplimiento de las medidas de aislamiento y distanciamiento

social, observándose por el contrario, un alto tránsito de personas en las calles sin el uso correcto de las mascarillas,
incremento exponencial de personas Covid positivos y pacientes que llegan a los hospitales en estado de gravedad
extrema poniendo en riesgo la capacidad de atención de los sistemas de salud.
Para junio, la Gerencia Regional de Salud Lambayeque, inicio la vacunacion contra la influenza y el neumococo en
adultos y poblacion vulnerable que presentan factores de riesgo como diabetes, hipertension arterial, enfermedades
cardiovasculares, entre otros.
Para el mes de agosto, a través de decreto No 000017-2020-GR.LAMB/GR, el Gobierno Regional de Lambayeque,
dispuso que la Gerencia Regional de Salud implemente una serie de medidas en los 182 Centros de Salud priorizando
el diagnóstico y tratamiento para frenar el avance del Covid 19. De este modo, a través de dichos establecimientos, se
distribuirá gratuitamente kits médicos Covid-19, a las personas con diagnóstico positivo de Coronavirus (Covid19),
consistente en medicamentos esenciales como: Ivermectina, Azitromicina y Paracetamol o Ibuprofeno, previa receta
médica otorgada por el Centro de Salud correspondiente.
Figura 5.26. Rt en tiempo real estimado para el departamento de Lambayeque al 31 de agosto.
En cuanto al valor de la tasa de Reprudicibilidad Rt , se puede observar que en el mes de marzo alcanzó un valor
muy cercano a 4, lo que implica que 1 persona podia contagiar a otras 4, por ello se propició el aumentó exponencial
de los contagios, contribuyendo a la gran cantidad de fallecidos, lo cual situó a Lambayeque como uno de los
departamentos más golpeados para el mes de marzo y abril, posterior a ello el gobierno regional propició medidas
con el fin de atender prudentemente a las personas con sintomas de COVID 19, y pacientes con enfermedades pre
existentes, con el fin de reducir la letalidad de la pandemia en el departamento, por ello se ha logrado estabilizar la
tasa de contagio para este departamento, tanto que al mes de agosto se tiene un valor menor a 1 con un intervalo de
confianza al 95 %, que indicariá que aún podria ser un valor mayor a 1, por ello las medidas para este departamento
no deben ser descuidadas.
Región de Loreto
Para el departamento de Loreto el crecimiento de los contagios fue exponencial para los primeros meses, esto se
debió a que la población no acataba el aislamiento, los militares y policias que se encargaban de llevar a la cárcel a
las personas que estaban fuera de sus casas, al exponerse terminaron contagiandose ,Ministerio de Salud(MINSA)
mostró su preocupación con una donación de un cargamento de 15 toneladas, consistente en insumos y materiales
de bioseguridad, ası́ como reactivos para la toma de muestras y medicinas, al tener tantas pruebas los datos de
contagios se dispararon en inicios de mayo. Entre las medidas que tomó el Gobierno Regional de Loreto para el mes
de junio fueron:
Aprobación del proyecto sanitario dirigido a 89 177 ciudadanos de las comunidades indı́genas, con una inversión
total de S/29 millones. Asimismo, la ampliación de la capacidad hospitalaria con 300 camas hospitalarias y
25 camas UCI.
La movilización de 102 profesionales de salud para las ciudades de Yurimaguas, Requena y Caballococha.
Distribución de 4450 pruebas moleculares y 62 775 pruebas rápidas para el diagnóstico; la distribución de 999
568 equipos de bioseguridad para el personal de salud.
Adquisición de 900 cilindros de oxı́geno para la atención de pacientes con enfermedad moderada y severa.
Recordemos que el departamento de Loreto es grande con una población de 883510 habitantes, por eso que a pesar
de todas estas medidas el crecimiento del contagio oscila a 150 diariamente para el mes de agosto, sin embargo,
ya no vuelve a tener un crecimiento con pendiente grande. L evolución del Rt para Loreto es muy alta para los
primeros meses de marzo , abril y mayo esto se debe a las razones explicadas anteriormente, y esto se reduce a
partir del mes de junio donde los valores del Rt oscila a 1 donde indica que hay un buen control de la pandemia.
Figura 5.27. Contagios confirmados en Loreto al 31 de agosto.

Figura 5.28. Rt real estimado para el departamento de Loreto al 31 de agosto.
Región de Moquegua
Figura 5.29. Evolución del Rt en el departamento de Moquegua hasta el 31 de agosto
Evolución de los contagios confirmados en el departamento de Moquegua El número de casos diarios

por Covid-19 en el departamento de Moquegua no ha sido significativo en los primeros meses ya que desde que se
reportó el primer caso, la población tomo las medidas necesarias ası́ como también se enfocó en contar con la mayor
cantidad de pruebas a fin de tener una información más exacta sobre la situación, llegando a ser la primera región
del paı́s en número de pruebas Covid-19 por cada 10 mil habitantes. No obstante, en la tercera semana de mayo,
nos indica que los traslados masivos que la población empezó a realizar causaron un ligero incremento en el número
de contagios, que después; fue controlado debido a la rápida respuesta del gobierno.
Evolución del Rt en el departamento de La Moquegua Rt

Figura 5.30. Evolución del Rt en el departamento de Moquegua hasta el 31 de agosto
Como se puede observar en la figura 5.29, Moquegua presenta un Rt alto en las dos últimas semanas de mayo,
y como se mencionó anteriormente, esto como consecuencia de la movilización masiva de la población por querer
regresar a sus lugares de origen. Ya para mediados de junio hasta agosto se observa que este Rt se mantiene por
encima de 1 e incluso llegando a ser 2, lo que indica que una persona infectada con el virus Covid-19 puede contagiar
a 1 o 2 personas haciendo que la epidemia vaya en aumento, ante esto El Seguro Social de Salud (EsSalud) envió
un grupo de 30 profesionales de la salud a Moquegua para la detección y el tratamiento oportuno a los pacientes
covid-19 además de un cargamento con 6,000 pruebas rápidas y 6,000 kits covid-19. Esto hizo que para la última
semana de agosto el Rt se ubique por debajo de 1.
Región de Pasco
Figura 5.31. Contagios confirmados en Pasco al 31 de agosto.
Pasco es una de las regiones que mejor ha asimilado la pandemia del COVID 19. Según el informe de la Dirección
Regional de Salud (Diresa) de la región para el mes de junio, hasta la fecha contabilizan 1332 personas contagiadas y
18 fallecidos, esta última cifra no asciende desde el 21 de junio; es decir lleva casi 8 dı́as sin contar otra muerte a cau-
sa del virus. ¿Por qué luego de tres meses de aparecido el virus, Pasco mantiene cifras bajas de infectados y muertos?
Según el director de la Diresa de Pasco, Alcedo Jorges, esto se debe a las medidas que han aplicado: “Hemos
fortalecido la atención primaria de la salud, tenemos una vigilancia epidemiológica más activa, es decir, estamos
en la búsqueda de casos, hay una coordinación con las entidades privadas para la compra de pruebas rápidas y
moleculares y realizamos campañas comunicacionales para informar a la población sobre las medidas adoptadas y
los riesgos de salir de casa si eres positivo”, señaló.
Jorges sostiene que en Pasco están apostando en un seguimiento epidemiológico continuo que ayude a detectar y
aislar prontamente a los casos positivos y a sus familiares. Esta medida pueden llevarla a cabo debido a que, tanto
desde el Gobierno Regional como desde la entidades privadas, se está comprando pruebas para lograr un tamizaje
a mayor escala. También señala que se ha reforzado el monitoreo: “Los equipos de seguimiento hacen el monitoreo
clı́nico diario de estos pacientes para ver su estado. Esto lo hacen de manera diaria cuando es telefónica, y a aquellas
que son pacientes de riesgo, se hace presencial cada tres dı́as”, señaló.
Figura 5.32. Rt en tiempo real estimado para el departamento de Pasco al 31 de agosto.
En cuanto al valor del Rt para Pasco, se observa que los primeros meses llego a tener un valor cercano a 3,
pero que posteriormente a tendido a la baja, lo que permitiriá que para el mes de agosto el valor de Rt llege a ser
menor a 1, sin embargo, es necesario considerar que el intervalo de confianza del 95 % utilizado para la estimación
mencionarı́a que aún posiblemente podamos estar sobre una tasa mayor 1.
Región de Piura
Figura 5.33. Contagios confirmados en Piura al 31 de agosto.
Evolución del Rt en el departamento de Piura En la figura se observa que Piura tuvo un crecimiento continuo
hasta inicios de mayo, pero esto se dispara desde quincena de mayo donde empezaron a colapsar los hospitales ya
no habı́a camas, los pacientes eran atendidos en los pasillos de los nosocomios, la desesperación de la población
por ser atendidos hizo que continuara creciendo, por estos problemas el gobierno Regional de Piura decidió tomar
medidas que ayudaron a controlar la pandemia, , entre la medidas y acciones que tomaron :
Instalación de isotanques,que es un tanque de almacenamiento criogenico para oxı́geno que almacena 60 mil
metros cúbicos de oxı́geno lı́quido, distribuido por redes de gases medicinales para cada una de las 320 cama
de los Hospitales Santa Rosa y Cayetano Heredia de Piura.
Creación del programa “MÉDICO A TU CASA” para el 29 de mayo, un Programa de Apoyo Social (PAS)
que consiste en llevar atención médica a los domicilios de la población vulnerable que presenten sı́ntomas de
coronavirus.
Teleorientacion y telemonitoreo que es la comunicación por medio de tecnologı́as(redes sociales, videollamadas)
que realiza el personal de enfermerı́a de establecimientos de salud para orientar a los familiares del Covid-19
, esto se ejecutó a partir del 1 de julio.
Creación de nuevos hospitales temporales y ambulancias para varias provincias el 6 de julio.

Estas medidas que tomó el gobierno regional de Piura hizo que los valores del Rt que estaban en valores de más
de 3 se redujera por debajo de 1 para el mes de junio, quiere decir que la pandemia estaba más controlada esto se
observa en el gráfico de la evolución del Rt . Recordemos que para el 1 de julio se aplica cuarentena focalizada, esto
no se para Piura es por eso que para el 15 de julio la tasa de contagio empieza a crecer superando el valor de 1.
Figura 5.34. Rt real estimado para el departamento de Piura al 31 de agosto.
Región de San Martı́n
Figura 5.35. Evolución del Rt en el departamento de San Martı́n hasta el 31 de agosto
Evolución de los contagios confirmados en el departamento de San Martı́n El departamento de San

Martı́n es también uno de los más afectados de la región selva. La Figura 5.34 nos muestra cómo es que ya desde
mediados de abril el número de contagios ha ido incrementándose continuamente, esto comenzó con el traslado del
gran número de personas hacia San Martı́n lo que dificultó la organización de las autoridades tanto del Estado
como del gobernador regional ya que la falta de pruebas rápidas por parte del Ejecutivo, no permitió trasladar a
varias grupos hacia sus ciudades natales. Todo esto sumando a la falta de camas y oxı́geno en los hospitales, hizo
que su crecimiento sea exponencial. En el mes de julio, y gracias a las dos brigadas médicas conformadas por 37
profesionales de la salud, entre médicos, enfermeras, tecnólogos y farmacéuticos permitieron reforzar la atención a
los casos de coronavirus haciendo que ésta disminuya, sin embargo para fines de julio estos contagios volvieron a
elevarse, esto podrı́a ser resultado del poco cuidado de la población al iniciarse la reactivación económica.
Figura 5.36. Evolución del Rt en el departamento de San Martı́n hasta el 31 de agosto
Evolución del Rt en el departamento de San Martı́n En San Martı́n el ı́ndice de reproductibilidad ha ido
variando notablemente desde que se dio a conocer el primer caso, un amerindio de 46 años que habı́a tenido contacto
con turistas de Paı́ses Bajos. La Figura 5.35 nos muestra que este Rt en el mes de junio ha estado por encima de
uno, para el siguiente mes este ı́ndice ha estado por debajo de 1 debido a la llegada de brigadas médicas como
apoyo. Para fines de julio y agosto el Rt ha ido oscilando sobre uno hasta finalmente ser menor a 1 para la última
semana de agosto, lo que indicarı́a que una persona infectada, en promedio, puede que no contagie a nadie; lo que
resulta favorable para la región.
Región de Tacna
La evolución de los contagios en Tacna es lenta durante los meses de abril, mayo , junio y julio, esto se debe a las
medidas que tomó el gobierno como la capacitación del personal asistencial y administrativo de la Red Asistencial
de EsSalud, además los dı́as miércoles se cierran los mercados para una limpieza profunda y desinfección a cargo
de los mismos comerciantes, y la llegada de 25 profesionales de la saluda movilizados a las zonas más impactadas
por la pandemia.Debido a su alta cantidad de contagios para el mes de agosto, Tacna se encuentra en cuarentena.
Figura 5.37. Contagios confirmados en Tacna al 31 de agosto.
La Figura 5.37 nos muestra como ha ido evolucionando el ı́ndice de reproductibilidad en el departamento de
Tacna, este ı́ndice muestra la variabilidad al inicio de la pandemia, sin embargo; en los meses de julio y agosto este
ı́ndice ha estado por encima de 1 , esto debido a los desbordes en los hospitales y la falta de equipos médicos.
Figura 5.38. Rt en tiempo real estimado para el departamento de Tacna al 31 de agosto.

Región de Tumbes
La evolución de contagios de Tumbes aumenta constantemente hasta inicios de julio donde se tiene el pico más
alto de 140 contagios, a pesar de la cuarentena extendida a esta fecha los contagios seguı́an en aumento , esto fue
debido a la poca responsabilidad de la población para acatar el aislamiento, las aglomeraciones en todo tipo de
establecimiento sin la debida distancia. El 4 de junio el gobierno regional de Tumbes no reinicia las actividades de los
conglomerados productivos y comerciales como en los demás departamentos debido a que el número de contagiados
no reducı́a, el gobierno al ver que la población de Tumbes no acataba el aislamiento sabia que vendrı́an contagios
diarios más altos, por eso se comenzaron a repartir de manera masiva pruebas rápidas y kit de medicamentos en
campañas, esto hizo que se redujera los contagios manteniéndose e 40 al dı́a. El 1 de julio terminó la cuarentena
para la población tumbesina, debido a que la pandemia ya se encontraba controlada.
Figura 5.39. Contagios confirmados en Tumbes al 31 de agosto.
En el gráfico del ı́ndice de reproductibilidad, se observa que al igual que la evolución de contagios, el Rt es alto
, la parte sombreada indica que puede llegar a valores de 3, es decir una persona con el COVID19 puede llegar a
contagiar hasta 3 personas. En el último mes se observa un Rt bajo esto quiere decir que se están tomando medidas
que están controlando la pandemia.
Figura 5.40. Rt real estimado para el departamento de Tumbes al 31 de agosto.
Región de Ucayali
La región de Ucayali ha sido una de las regiones con un comportamiento no muy estable a lo largo del tiempo, es
decir ha tenido una fuerte ola de contagios a finales del mes de mayo, esto debido a que en la Selva habı́a demasiada
desinformación además del colapso de los centros sanitarios. Por este comportamiento tan elevado en la curva de
contagios Ucayali fue uno de los primeros departamentos en tener una cuaretena focalizada ya que la curva no tenia
un decrecimiento significativo.
Dadas las medidas implementadas por el gobierno central como regional para detener el avance del COVID-19
se tuvo una disminución en el número de reproductibilidad para el mes de junio, sin embargo como se observa en
la Figura 5.41 para ese mes el Rt esta por debajo de 1 pero su intervalo de máxima densidad esta por encima de 1
por lo que las medidas no debieron de cesarse ni confiarse por completo en Ucayali. Este descuido por parte de las
autoridades se ve reflejado en la subida abrupta del Rt para el mes de agosto donde este y su intervalo están por
encima de 1, es decir una persona podr”ia contagiar a otra y ası́ sucesivamente.

5.2. Análisis de los Fallecidos

Como se comentó anteriormente, se considera que no hay un buen conteo del número real de fallecidos por
COVID 19, por lo que se buscó aproximar el número real de fallecidos por COVID 19 mediante el uso de series de
tiempo con la técnica de modelamiento ARIMA con los datos de fallecidos reportados al SINADEF en el periodo de
enero 2017 a marzo 2020, a partir de allı́ emitir pronósticos para el periodo abril - julio 2020, con el fin de calcular
en base a la diferencia un aproximado del número de fallecidos por COVID 19 reportados.
Figura 21. Serie de Tiempo Estimada de los casos de fallecimientos para los departamentos del Perú reportados
al SINADEF en el periodo 2017 - 2020
Se aprecia en la figura 21 los pronósticos arrojados en el modelo ARIMA con un intervalo de confianza al 90 %
y al 80 %.
Posterior a ello realizamos la comparación de la serie de fallecidos reportada al SINADEF y la serie estimada.
Se puede observar, que la serie estimada tiene mucha similitud a la serie real, por lo que podemos inferir en base
Figura 21. Serie de Tiempo Estimada vs Serie Real de los casos de fallecimientos para los departamentos del
Perú reportados al SINADEF en el periodo 2017 - 2020
los pronósticos, que si la pandemia no hubiera llegado al Perú, la cantidad de fallecidos reportados mensualmente
seguirı́a la tendencia de la serie estimada, pero producto de la pandemia la curva de fallecidos creció de forma
exponencial.
Calculando las diferencias entre lo real y lo pronosticado tenemos 23,858 fallecidos en el periodo abril - agosto 2020
5.2. ANÁLISIS DE LOS FALLECIDOS 79
respecto a los 11,364 reportados por el MINSA.
Tabla 5.2. Fallecidos pronosticados a partir de la data del SINADEF, por modelamiento ARIMA
Mes Fallecidos
(en miles)
Abril 1.17
Mayo 6.41
Junio 7.72
Julio 10.16
Agosto 8.67
Capı́tulo 6
Conclusiones
1. Respecto al análisis exploratorio realizado, se pudo observar que a la fecha del 31 de agosto, el comportamiento
de la curva de contagios diario tuvo cambios de pendiente muy diferenciados, para los meses de julio y agosto
tuvo los picos más elevados. Además, se observa que estos casos diarios tienen un comportamiento estacional
semanal, es decir en la semana se tiene diferentes cantidades de casos diarios, la explicación es por los dias
en los que se toman las pruebas y los cambios de criterio de muestreo, pues hay dias en los que se realizarón
operativos masivos y esto es lo que produce la variabilidad en los dias. Por otro lado, comparando la cantidad
de contagios totales por sexo, se puedo observar que la diferencia es alrededor del 3 % la cual no es significativa
y en el casos de grupos de edad, el grupo denominado como adultos (30-50 años) presenta la mayor cantidad
de contagios acumulados con respecto a los otros grupos de edad.
2. En el caso de los fallecidos se puedo observar que los casos diarios de fallecido alcanzaron sus picos mas
elevados entre el mes de mayo y la primera semana de Junio y para las fechas posteriores se ha visto una serie
constante y decreciente ligeramente. Como otro punto a rescatar se puede observar la diferencia significativa
entre los fallecidos de COVID-19 por sexo, pues el estudio mostró que al 31 de agosto la diferencia entre ambos
era del 40 %, siendo el sexo masculino el que mayor casos reporto. Además, los grupos de edad que tuvo la
mayor cantidad de fallecidos fueron las personas tanto hombres como mujeres que tenı́an edades, las cuales
oscilaban entre los 50 y 80 años de edad.
3. Con el estudio se pudo observar que en el Perú se han vivido y se viven diferentes estadios de la pandemia del
COVID-19, estos estados se viven de manera diferente en cada departamento. La diferencia es por el caso de
contagios diarios y la cantidad de contagiados por mil habitantes. Se notó que los departamentos como Loreto,
Ucayali, Madre de Dios, Piura y Lambayeque presentan curvas de contagios diarios muy similares y los cuales
tenı́an contagios diarios elevados desde el mes de mayo hasta fines del mes de julio. Y por otro lado están
los departamentos que cuyas curvas de contagio diario hasta la segunda semana de julio no sobrepasaba los
150 contagios diarios, departamentos como Cusco, Apurimac, Puno, Moquegua y Ayacucho recién la tercera
semana de julio empezarón a aumentar drásticamente los casos de contagios diarios, esto debido principalmente
a la reactivación de los vuelos nacionales y transporte interprovincial.
4. Se definió 4 grupos de acuerdo al Rt , el primer grupo ha sido denominado como alto riesgo de que la po-
blación se siga contagiando ya que tienen el máximo valor de sus intervalos de credibilidad por encima de 1,
es decir una persona puede contagiar a 1 persona en promedio, estos departamentos son Apurı́mac, Pasco,
Lambayeque y Huancavelica. El segundo grupo conformado por los departamentos de Madre de Dios, Junin,
Ancash, Huanuco, La Libertad, Puno y Moquegua son denominados como departamentos en riesgo, ya sus
valores máximos de sus intervalos de credibilidad están ligeramente por encima de 1 o cercanos a 1. Por otro
lado están el grupo de departamentos que está en un estado moderado de la pandemia, en este grupo se
encuentran los departamentos de Tumbes, Ucayali, Ayacucho, Piura, Arequipa, Ica, San Martin. Por ultimo
81
82 CAPÍTULO 6. CONCLUSIONES
están los departamentos en donde la pandemia está controlada según su Rt , este grupo está conformado por
Loreto, Tacna, Amazonas, Cajamarca y Cusco.
5. Hay que tomar en cuenta que los grupos mencionados en el punto número 4, se ha clasificado en base a la
estimación bayesiana del Rt , realizado en la presente investigación, no obstante, se observa diferencias con
respecto a las medidas implementadas por el estado Peruano a lo largo de la pandemia, ya que para el 31
de agosto los departamentos en cuarentena total han sido Puno, Tacna, Moquegua, Cusco y cuarentenas
focalizadas para los demás departamentos, sin embargo, se sugiere que las medidas de cuarentena total se
implementen en los departamentos de Apurı́mac, Pasco, Lambayeque y Huancavelica debido a que su Rt
estimado en tiempo real al 31 de agosto es mayor a 1.
6. En el análisis de los fallecidos se ha podido notar una inconsistencia significativa en los casos reportados por
el MINSA y los fallecimientos registrados por el SINADEF. Al hacer las proyecciones usando la técnica de
modelamiento ARIMA de series de tiempo se pudo notar que existe un exceso de muertes con respecto a años
anteriores, este exceso se puede explicar por causa del COVID-19 u otros factores, sin embargo comparando
los datos del MINSA se pueden ver que la cantidad que registran ellos es mucho menor a la que deberı́a
ser en realidad, es alrededor de 4 veces la cifras oficiales. Esto es explicado por muchas razones, como el
porcentaje de asintomáticos que existen es del 40 % muchos fallecen en sus casas o ya en el hospital, pero
como no fueron registrados antes con una prueba que confirmará su positividad al COVID-19 simplemente no
son considerados, además de tomar en cuenta a las personas con enfermedades pre existentes, que debido a
la prioridad que presentaba el COVID 19 en muchos centros de salud sobre todo público, no han podido dar
continuidad a sus tratamientos, como cáncer, enfermedades crónicas, etc. También se debe tomar en cuenta
que al estar confinados dentro de sus hogares, los casos de feminicidios han aumentado considerablemente;
todos estos casos aunque no necesariamente han sido diagnosticados como COVID 19 podrı́a ser considerados
como población afectada directamente por el COVID 19.
Capı́tulo 7
Bibliográfia
1. Hugo Perea & Juan Ruiz Hugo Vega (2020),“Perú — ¿Qué factores están detrás del impacto dife-
rencial del COVID-19 en Perú? “
2. Bettencourt & Ribeiro (2008), “Real Time Bayesian Estimation of the Epidemic Potential of Emer-
ging Infectious Diseases”
3. Vaidyanathan (2020), “Estimating COVID-19 Rt in Real-Time”
4. Perone (2020),“COVID-19 Time varying reproduction numbers estimation for Brazil”

5. Ávila Ayala, R. M. (2016),“Inferencia de modelos epidemiológicos compartimentales en redes so-
ciales.” [Tesis de Maestrı́a, Centro de Investigación en Matemáticas, A.C.]
6. Ridenhour B, Kowalik JM, Shay DK. (2014), “Unraveling R0: Considerations for Public Health Ap-
plications. AmJ Public Health.”
7. Ridenhour, Kowalik y Sahay. (2007), “El número reproductivo básico y sus consideraciones en salud
pública.”
8. Defensorı́a del Pueblo (2020), “¿Qué pasó con ellas durante el aislamiento obligatorio?”
9. J. Aronson, J. Brassey, K. Mahtani, on behalf of the Oxford COVID-19 Evidence Service Team. “When will it
be over?”: an introduction to viral reproduction numbers, R0 and Re. (2020) https://www.cebm.net/covid-
19/when-will-it-be-over-an-introduction-to-viral-reproduction-numbers-r0-and-re
10. Norma Técnica Peruana ISO/ TR 10017 - 2004
11. NTP-ISO3534-1: 2015 Estadı́stica. Vocabulario y sı́mbolos
83
84 CAPÍTULO 7. BIBLIOGRÁFIA
Capı́tulo 8
Anexos
Fases de una pandemia por influenza

Según la OMS, existen 6 fases en una pandemia por influenza:
Fase 1: No se ha notificado que un virus que circula entre los animales cause infecciones humanas.
Fase 2: Se sabe que un virus de influenza animal que circula entre animales, domésticos o silvestres, ha causado
infección humana, por lo que se considera como una posible amenaza de pandemia.
Fase 3: Un virus de influenza animal o animal-humana reasociado ha causado casos esporádicos o pequeños con-
glomerados de enfermedad en personas, pero sin transmisión de persona a persona suficiente para mantener brotes
sostenidos a nivel de la comunidad. En algunos casos puede darse transmisión limitada de persona a persona, por
ejemplo, cuando hay estrecho contacto entre una persona infectada y un trabajador de salud sin protección. Sin
embargo, la transmisión limitada en tales circunstancias restringidas no indica que el virus haya adquirido el nivel
de transmisibilidad entre personas necesario para causar una pandemia.
Fase 4: Se caracteriza por la transmisión comprobada de persona a persona de un virus de influenza animal o
animal-humana capaz reasociado de causar “brotes a nivel de la comunidad”. La capacidad de causar brotes sosteni-
dos de la enfermedad en una comunidad es signo de un aumento significativo del riesgo de pandemia. Cualquier paı́s
que sospeche o haya comprobado un evento de esta naturaleza debe consultar urgentemente con la OMS para que la
situación pueda evaluarse conjuntamente y para que el paı́s afectado pueda decidir si hay que poner en marcha una
operación de contención rápida de la pandemia. La fase 4 indica un aumento significativo del riesgo de pandemia,
sin que ésta sea necesariamente inevitable.
Fase 5: Se caracteriza por la propagación de persona a persona del virus en, al menos, dos paı́ses de una región
de la OMS. Si bien la mayorı́a de los paı́ses no se verán afectados en esta etapa, la declaración de la fase 5 es una
señal fuerte de que una pandemia es inminente y de que se dispone de poco tiempo para concluir la organización,
la comunicación y la ejecución de las medidas planificadas de mitigación.
Fase 6: La fase pandémica, se caracteriza por brotes a escala de la comunidad en al menos otro paı́s de una región
diferente de la OMS, además de los criterios definidos en la fase 5. La declaración de esta fase indica que una
pandemia mundial está en marcha.
En el caso del Perú, las fases epidemiológicas por el nuevo coronavirus, según el gobierno peruano fueron:
Fase 1 (Llega el primer caso): En esta fase, la enfermedad ingresa al paı́s con el paciente cero, un porta-
dor del virus que llega desde el extranjero y que viajó a un paı́s en zona de riesgo. El primer paciente es aislado y
se inicia una investigación para identificar su actividad y las personas con las que pudieron estar en contacto. En
este contexto, se definen protocolos y se determinaron los hospitales para atender a los casos.
Fase 2 (Transmisión focalizada o contención): Se registran más casos importados por personas que llegan
desde el extranjero y contagian a personas que estuvieron en contacto con el paciente cero. Se empieza a identificar
a aquellas personas que traen esta infección importada desde el extranjero para lograr una contención adecuada; en
este escenario, se intenta implementar a los ciudadanos medidas que eviten que el virus se propague a nivel domi-
85
86 CAPÍTULO 8. ANEXOS
ciliario, comunitario, a nivel de espacios colectivos con medidas básicas de higiene y al evitar las concentraciones.
Fase 3 (Transmisión comunitaria o contagio comunitario): Las primeras personas con la enfermedad han
contagiado a un grupo cercano y estos a otros. En esta fase, los casos positivos se incrementan y hay mayor expan-
sión, se empiezan a identificar pacientes que no tienen relación con los pacientes importados. Una de las medidas
que se tomó para frenar el avance descontrolado de la COVID-19 en esta etapa es el estado de emergencia y la
inmovilización social obligatoria (cuarentena) que se decretó en todo el paı́s.
Fase 4 (Transmisión sostenida): En esta fase existe un crecimiento exponencial de casos infectados en la po-
blación, contagios que afectan a muchas localidades. Las autoridades sanitarias deben garantizar a la ciudadanı́a el
manejo oportuno de la emergencia y garantizar los recursos.
ESTANDARES INTERNACIONALES
NTP-ISO3534-1: 2015 Estadı́stica. Vocabulario y sı́mbolos.

Parte 1. Términos estadı́sticos generales y términos empleados en el cálculo de probabilidades. 2a Edición
DISTRIBUCIÓN POISSON:
λx −λ
P (X = x) = e
x!
donde:
x = 0,1, . . . , con parámetro λ > 0
ORIENTACIÓN SOBRE LAS TÉCNICAS ESTADISTICAS PARA LA NORMA NTP-ISO 9001:2001
Análisis de Series de Tiempo
1. ¿Que es?
El análisis de series de tiempo es una familia de métodos para estudiar una colección de observaciones
realizadas secuencialmente en el tiempo. El análisis de series de tiempo se utiliza aquı́ para referirse a
las técnicas analı́ticas en aplicaciones tales como:
- la búsqueda de patrones de ’retraso’ mediante el análisis estadı́stico de como se correlaciona cada
observación con la observación inmediatamente anterior, y repitiendo esto para cada periodo de
separación sucesivo;
- la búsqueda de patrones cı́clicos o estacionales, para entender cómo factores causales en el pasado
podrı́an influir repetidamente en el futuro;
- la utilización de herramientas estadı́sticas para predecir observaciones futuras o para entender cuales
son los factores que han contribuido más a las variaciones en una serie de tiempo.
Aun cuando las técnicas empleadas en el análisis de series de tiempo pueden incluir ”gráficos de tenden-
cias”simples, en esta Norma Técnica Peruana tales gráficos elementales se enumeran entre los métodos
gráficos simples citados en la .Estadı́stica descriptiva”.
2. ¿Para que se utiliza?

El análisis de series de tiempo se utiliza para describir patrones en los datos de series de tiempo, para
identificar valores atı́picos (es decir, valores extremos cuya validez deberı́a ser investigada), bien para
ayudar a entender los patrones o para hacer ajustes, y para detectar los puntos de cambio en una ten-
dencia. Otro uso que se le da es para explicar los patrones en una serie de tiempo con los de otra serie
de tiempo, con todos los objetivos inherentes en el análisis de regresión.
87
El análisis de series de tiempo se utiliza para predecir valores futuros en serie de tiempo, habitualmente
con algunos limites superiores e inferiores, conocidos como el intervalo de predicción. Se utiliza amplia-
mente en el área de control y frecuentemente se aplica en procesos automatizados. En ese caso, se ajusta
un modelo de probabilidad al historial de la serie de tiempo, se predicen los valores futuros y luego se
ajustan par·metros del proceso especı́ficos para mantener el proceso de acuerdo a lo previsto, con tan
poca variación como sea posible.
Definición internacional de salud
Según el Centro de Medicina basada en la Evidencia (CBEM), Departamento de Ciencias de la Salud de

Atención Primaria de Nuffield Universidad de Oxford en el articulo ”¿Cuándo terminará?”: Introduc-
ción a los números de reproducción viral, R0 y Re
El número reproductivo básico R0 es el número de casos que se espera que ocurran en promedio en
una población homogénea como resultado de la infección por un solo individuo, cuando la población es sus-
ceptible al comienzo de una epidemia, antes de que comience a desarrollarse una inmunidad generalizada. y
antes de que se haya hecho cualquier intento de inmunización. Entonces, si una persona desarrolla la infección
y se la transmite a otras dos, el R0 es 2.
El cero en R0 significa que se estima cuando hay inmunidad cero en la población, aunque no todos serán
necesariamente susceptibles a la infección, aunque esa es la suposición habitual. En una epidemia con un
virus completamente nuevo, cuanto antes se realicen las mediciones, es probable que el valor calculado esté
más cerca del valor real de R0 , asumiendo datos de alta calidad. Por este motivo, es mejor hablar de la
transmisibilidad del virus en el momento en que se mide, utilizando un sı́mbolo diferente, Re , el número de
reproducción efectiva.
El número de reproducción efectiva Rt es el número de personas en una población que pueden ser
infectadas por un individuo en cualquier momento especı́fico. Cambia a medida que la población se inmuniza
cada vez más, ya sea por inmunidad individual después de la infección o por vacunación, y también a medida
que las personas mueren.
Rt se ve afectado por el número de personas con la infección y el número de susceptibles con los que las
personas infectadas están en contacto. El comportamiento de las personas (por ejemplo, el distanciamiento
social) también puede afectar al Rt .
El número de susceptibles disminuye a medida que las personas mueren o se inmunizan por exposición. Cuanto
antes se recupere o muera la gente, menor será el valor de Rt en un momento dado.
Análisis bayesiano de un modelo AR(1) con errores exponenciales
Según el Análisis Bayesiano de un Modelo AR(1) con Errores Exponenciales *, desarrolado por Dpto. Ma-
temáticas (Estadı́stica e Investigación Operativa) Facultad de Ciencias de la Universidad de Málaga, es un
artı́culo recuperado por el Instituto de Estadı́stica Española (1990)
Se construye y analiza, desde un punto de vista bayesiano, un modelo AR (1) para Series Temporales positı́vas
con errores no normales. Para ello, se introduce un modelo con errores exponenciales y estacionaridad dada
mediante una dependencia autorregresiva positiva. Dada una a priori informativa y otra no informativa para
los parámetros (autorregresivo y exponencial) objeto de aprendizaje, se obtienen las correspondientes distri-
buciones a posteriori y predictiva, que son no estandar.
La funcion posteriori para Φ:
f (Φ/yn , y0 ) ∝ λn+α−1 exp [−λ(βn − θRn )] I(0,∞) (λ)I(0,θ∗ ) (θ)
donde, Φ = (λ, θ)
88 CAPÍTULO 8. ANEXOS
Limitaciones de la Investigación
Limitaciones de la Metodologı́a
Muestra no representativa
Los diferentes gobiernos han reportado cifras de infectados desde el inicio de la crisis. Sin embargo, pronto se ha
puesto de manifiesto que estas cifras estaban claramente sesgadas a la baja, por diferentes razones:
1. Hay pacientes asintomáticos: no tienen sı́ntomas, pero están o han estado infectados. Si no hay sı́ntomas, no
se hacen pruebas.
2. La incapacidad de hacer suficientes pruebas diagnósticas. Mientras estados como Alemania han sido capaces
de realizar un gran número de tests, otros paı́ses como España o Italia no han podido realizar tantas pruebas
como habrı́an deseado. Esto ha llevado a recomendar a pacientes con sı́ntomas que se confinasen en su domicilio
en caso de sospecha, sin llegar a saber si han sido infectados.
La principal evidencia de que el número oficial de infectados es incorrecto es la desproporción entre infectados y
muertes. Tomando el ejemplo de España, el 20 de abril se reportaron 200.210 infectados y 20.852 fallecidos, un
10,4 %. Es sabido que el Covid-19 no tiene una tasa de mortalidad tan elevada, lo que solo puede significar que el
número de infectados es muy superior al reportado.
Han sido varias las personas que, usando modelos estadı́sticos, han tratado de estimar el número real de infectados
y alertarnos de la situación que se nos venı́a encima.
En fechas tan tempranas como el 10 de marzo autores como Tomás Pueyo advertı́an a los gobernantes de todo el
mundo sobre la gravedad de la situación. Simplemente revisando (1) los datos existentes, (2) la experiencia de los
paı́ses que en aquel momento estaban siendo más afectados (China, Corea del sur, Italia e Irán) y (3) conociendo
el crecimiento exponencial que acostumbran a tener los contagios vı́ricos, Pueyo nos dibujaba el panorama desalen-
tador que nos esperaba, especialmente si los gobiernos no tomaban medidas de aislamiento.
Bort, en su artı́culo, hacı́a una estimación partiendo del número de infectados oficial y otra partiendo del número de
fallecidos. La primera estimación tenı́a como gran inconveniente la poca fiabilidad del dato oficial, lo que debilitaba
el análisis. Por el contrario, la estimación a partir del número de fallecidos partı́a de un dato mucho más fiable.
Lamentablemente, más tarde hemos descubierto que ni tan solo el dato de fallecimientos es fiable, ya que durante
muchas semanas no se han computado debidamente los fallecimientos derivados del Covid-19, especialmente en
residencias de ancianos.
Si queremos estimar de forma fiable el número real de infectados por covid-19 necesitamos una muestra represen-
tativa de personas. Sı́, una muestra, lo mismo que usamos para hacer una encuesta electoral o un test de recuerdo
de marca.
Una muestra, si ha sido convenientemente diseñada, permite estimar de forma precisa la incidencia real de una
enfermedad en la población, con independencia de factores como la sintomatologı́a o la saturación del sistema hos-
pitalario. El principio es muy básico: seleccionamos personas al azar y hacemos un test para detectar la enfermedad.
Las personas se seleccionan sin importar que tengan sı́ntomas o no, en todas las regiones, de todas las edades y el
resultado se extrapola al conjunto de la población.
89
Subregistros de Fallecidos
En Perú los registros oficiales de muertes por Covid-19 solo incluyen a los casos confirmados por “pruebas molecu-
lares y rápidas”. Sin embargo, un reportaje de IDL-Reporteros comparó las estadı́sticas entregadas a la OMS con
la del Sistema Informático Nacional de Defunciones (Sinadef) sobre los fallecidos por causa de muerte.
Desde marzo y hasta el 15 de junio, el Minsa informó 6.860 fallecidos, pero el Sinadef, también una entidad guber-
namental, contabilizó al menos 24.262 muertos por la pandemia. De estos, 16.213 eran vı́ctimas fatales confirmadas
por el Covid-19 y 8.049 catalogados como “sospechosos”, “probable” o “no confirmado”. Al igual que en otros paı́ses,
muchos murieron antes de ser testeados o ingresados a hospitales.
El radical contraste de los decesos se deberı́a a que el Sinadef “registra casos que los médicos certificaron como
fallecidos por el virus, ya sea por sus sı́ntomas y/o el resultado de los exámenes rápidos o moleculares”.Justamente,
como los diagnósticos de causa de muerte son inscritos por los equipos médicos hay variaciones como “neumonı́a
por Covid-19”; “infección por Covid-19”; “enfermedad por coronavirus SARS CoV 2”; “neumonı́a atı́pica” y otros.
De esta manera, los registros de Sinadef advierten que en lo que va de junio han fallecido en promedio 494 personas
por el virus a diario. Según IDL Reporteros, esta información debe ser contrastada con la base de datos general,
ya que existen errores de “tipeo” en la base de datos pública con certificados en lı́nea, donde “cerca del 30 % de los
certificados de defunción son en papel”.
El ministro de Salud,Vı́ctor Zamora, admitió en abril ante la Comisión de Salud, de Fiscalización y de seguimiento
a las acciones de Covid-19 del Congreso que “en todos los paı́ses del mundo existen diferentes grados de subregistro.
No existe voluntad de ocultar esa información, pero puede haber debilidades en cuanto a la calidad del registro”.
.
Limitaciones de la Herramienta
Norma Técnica Peruana ISO/ TR 10017 - 2004
Limitaciones del uso del análisis de las series de tiempo:
Las mismas limitaciones y precauciones citadas para el análisis de regresión son también validas para el análi-
sis de series de tiempo. Al realizar modelos de un proceso para entender las causas y sus efectos, se necesita
gran habilidad para seleccionar el modelo más apropiado y para utilizar las herramientas de diagnóstico para
mejorarlo.
La inclusión u omisión de una única observación o un pequeño conjunto de observaciones en el análisis, puede
tener una influencia significativa en el modelo. Por tanto se deberı́an comprender y distinguir las observaciones
influyentes de los valores atı́picos en los datos.
Las diferentes técnicas para la estimación de series de tiempo pueden tener diferentes grados de éxito, depen-
diendo de los patrones de las series de tiempo y el número de periodos para los que se quiere pronosticar, en
relación al número de periodos para los que se dispone de datos de series de tiempo. La selección de un modelo
deberı́a tener en cuenta el objetivo del análisis, la naturaleza de los datos, el costo relativo y las propiedades
analı́ticas y predictivas de los diferentes modelos.

Modelo Informe Final Capstone

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modelo Informe Final Capstone

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD NACIONAL DE

FACULTAD DE INGENIERÍA ECONÓMICA,

ESCUELA PROFESIONAL DE INGENIERÍA ESTADÍSTICA

Análisis de la Evolución del COVID 19 en el Perú mediante la estimación del

1. Fundamento del Problema 5

2. Marco Teórico Conceptual 7

3. Aspecto Generales de la Investigación 17

4.3.4. Elegir el σ óptimo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

Fundamento del Problema

1.1. Planteamiento del problema

1.2. Formulación del Problema

1.3. La sistematización del Problema

1.4. Objetivos de la Investigación

1.4.2. Objetivos Especı́ficos

1.5. Justificación de la Investigación

1.5.2. Motivaciones de carácter metodológico

1.5.3. Motivaciones de carácter teórico

Marco Teórico Conceptual

Luı́s M. A. Bettencourt / Ruy M. Ribeiro - 2008

2.1.1. Bases Teóricas

• Media: E(Xt ) = E(Xt+m ) , ∀m ∈ t

Componentes de la serie La serie temporal es la suma de varias componentes:

Tendencia (Xt ): comportamiento o movimiento suave de la serie a largo plazo.

Estacionalidad (St ): movimientos de oscilación dentro del año.

Definición de términos básicos

Número de contactos por unidad de tiempo (τ )

1. La población es homogénea y de tamaño fijo.

kt = kt−1 exp{γ(Rt − 1))}

El objetivo de la inferencia bayesiana es la reasignación de la credibilidad o probabilidad a través de las diferentes

P (θ/Datos) : distribución posteriori

P (θ) : distribución a priori

P (Datos/θ) función de verosimilitud

P (Datos) constante de normalización

Esto se puede expresar como:

R Normalización:Es la distribución marginal que se puede

Análisis bayesiano de un modelo AR(1)

f (yn /y0 , λ, θ) = λn exp [−λ(Sn − θRn )] (2.1)

f (Φ) ∝ λα−1 e−λβ (λ, α, β > 0) (2.2)

se tendrá yt − θyt−1 ≥ 0∀t, y por lo tanto

f (Φ/yn , y0 ) ∝ λn+α−1 exp [−λ(βn − θRn )] I(0,∞) (λ)I(0,θ∗ ) (θ)

Métricas para los métodos de agrupamiento

Agrupamiento por K-means

El estadı́stico esta dado por: Pg

2.2. Formulación y operalización de Hipótesis

Para los fallecidos:

Aspecto Generales de la Investigación

3.1. Sobre la Investigación

3.1.2. Método de Investigación

3.1.3. Fuentes y técnicas de recolección de información

3.1.4. Tratamiento de la información

3.2. Carácter innovador de la Propuesta

3.3. Impacto que tendrá la investigación en la polı́tica Pública

3.4. Limitaciones de la Propuesta de Investigación

4.1. Fuentes de información y calidad de los datos

4.1.1. Inconsistencias en los datos de fallecidos

4.2. Situación del COVID-19 en el Perú

COVID-19 en América Latina.

Los factores que habrı́an impulsado los casos de COVID-19 en Perú

5. Un mayor hacinamiento en los hogares.

Casos positivos de COVID-19, según sexo y grupo de edad

Grupo de edad % 31 - may % 30 - jun % 31 - jul % 31 - ago No Contagios

Figura 4.4. Gráfica de los casos diarios por rangos de edad.

Figura 4.5. Gráfica de contagios diarios diferenciado por sexo.

4.2.2. Análisis de fallecidos por COVID-19 en Perú