logistica.md

Modelando o Número Total de Casos de COVID-19 para o Brasil

Introdução

Uma estratégia bastante comum para modelar curvas de crescimento é o emprego da função logística ou sigmóide. Neste caso:

Nesta expressão, o parâmetro phi1 é a assíntota da curva (número máximo de casos), phi2 é o tempo em que atinge-se a metade dos casos e 1/phi3 é a velocidade de crescimento da função logística.

Ajuste para Brasil

date	confirmed	deaths	d
2020-02-26	1	0	0
2020-02-27	1	0	1
2020-02-28	1	0	2
2020-02-29	2	0	3
2020-03-01	2	0	4
2020-03-02	2	0	5

	x
phi1	42084.911296
phi2	44.880494
phi3	5.931702

Estimativa do pico: 2020-04-10.

Estado de São Paulo

indata = brasilio() %>%
  filter(place_type == "state", state=="SP") %>%
  select(date, confirmed, deaths) %>%
  ungroup() %>% prepData()
indata %>% head() %>% knitr::kable()

date	confirmed	deaths	d
2020-02-25	1	0	0
2020-02-26	1	0	1
2020-02-27	1	0	2
2020-02-28	2	0	3
2020-02-29	2	0	4
2020-03-01	2	0	5

	x
phi1	14030.398413
phi2	43.608050
phi3	5.384961

Estimativa do pico: 2020-04-08.

Cidade de Campinas

indata = brasilio() %>%
  filter(place_type == "city", state=="SP", city=="Campinas") %>%
  select(date, confirmed, deaths) %>%
  ungroup() %>% prepData()
indata %>% head() %>% knitr::kable()

date	confirmed	deaths	d
2020-03-18	1	NA	0
2020-03-19	1	NA	1
2020-03-20	1	NA	2
2020-03-25	4	0	7
2020-03-26	4	0	8
2020-03-27	5	0	9

Estimativa do pico: 2020-04-30.

Observação

O modelo precisa ser melhorado, pois as estimativas de pico não estão apropriadas.