El modelo de Malthus aplicado al crecimiento exponencial de Covid 19
##plugins.themes.bootstrap3.article.main##
Keywords
Modelo de Malthus, crecimiento exponencial de COVID 19
Resumen
El modelo de crecimiento de Malthus es la ley más utilizada para modelar procesos dinámicos. En este trabajo utilizamos la teoría maltusiana para estimar la tasa de crecimiento de los nuevos casos diarios de infección por COVID-19 y dos períodos de tiempo en los que se produjo este tipo de crecimiento, el primero de 41 días y el segundo de 101 días. En el primero, la tasa de crecimiento fue 10 veces mayor que en el segundo. De los resultados se concluye que Estados Unidos, España, Francia, Italia, Alemania y el Reino Unido fueron los países que tuvieron mayor impacto en el crecimiento exponencial durante el primer período, mientras que América, Rusia e India fueron los que más contribuyeron en el segundo.
Referencias
[2] Jean R Mee T Kirkby N and Williams M 2015 Quantifying uncertainty in radiotherapy demand at the local and national lavel using the Malthus model Clin. Oncol 27(2) 92-98
[3] Brander J and Taylor M (1998) The simple economics of Easter Island: A Ricardo-Malthus model of renewable use Am Econ Rev 88(1) 119-138
[4] Turner M and Cunneen C (1986) Malthus and his time (New York: Springer)
[5] Ibarguen-Mondragón E, Romero J, Esteva L, Cerón M and Hidalgo-Bonilla S (2019) Stability and periodic solutions for a model of bacterial resistance to antibiotics caused by mutations and plasmids Appl. Math. Model 76 238-251
[6] Wangersky P (1978) Lotka-Volterra population models Annual Review of Ecology and Systematics 9 189-218
[7] Smith D, Battle K, Hay S, Barker C, Scott T and McKenzie F (2012) Ross Macdonald and a theory for the dynamics and control of mosquito-transmitted pathogens PLoS pathog 8 4 e10025883
[8] Monod J (1949) The growth of bacterial cultures Annual review of microbiology 3(1) 371-394
[9] Malthus T, Winch D and James P (1992) Malthus An Essay on the Principle of Population (New York: Cambridge University Press)
[10] Apostolopoulos I, Mpesiana T (2020) Covid-19: automatic detection from X-ray images utilizing transfer learning with convolutional neural networks Physical and Engineering Sciences in Medicine 43(2) 635-640
[11] Drummond A and Rambaut A (2007) BEAST: Bayesian evolutionary analysis by sampling trees BMC Evol Biol 7(214) 725-736
[12] Ibarguen-Mondragón E, Revelo-Romo D, Hidalgo A, García H and Galeano L (2020) Mathematical modelling of MS2 virus inactivation by Al/Fe-PILC-activated catalytic wet peroxide oxidation J. Math. Anal. Appli. 385 7205
[13] World Health Organization 2020 Coronavirus disease (2019) (COVID-19): situation report, 1
[14] Hongzhou L, Charles W, Stratton Y (2019) Outbreak of pneumonia of unknown etiology in Wuhan, China: The mystery and the miracle, J Med Virol, Special Issue 92(4) 789-798
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.details##
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
Revista Boletín Redipe por Red Iberoamericana de Pedagogía se distribuye bajo una Licencia Creative Commons Atribución-CompartirIgual 4.0 Internacional.
Eduardo Ibarguen-Mondragon, Universidad de Nariño, Colombia
Departamento de Matemáticas y Estadística, Universidad de Nariño, Pasto, Colombia
Mawency Vergel-Ortega, Universidad Francisco de Paula Santander, Colombia
Departamento de Matemáticas y Estadística, Universidad Francisco de Paula Santander, Norte de Santander, Cúcuta, Colombia
Carlos Sebastián Gómez Vergel, Universidad de Los Andes, Colombia
Ingeniería Electrónica (estudiante). Universidad de Los Andes, Bogotá- Colombia