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