Una Aplicación del Delphi de Nube en la Percepción Subjetiva del Pico de la COVID-19

Autores/as

  • Miguel Cruz Ramírez Departamento de Matemática, Universidad de Holguín, Cuba.

Palabras clave:

COVID-19, Delphi de Nube, percepción, modelos gausianos mixtos, paquete R

Resumen

El método Delphi tiene su origen en el campo de la prospectiva, pero su uso se ha extendido a otros ámbitos durante los últimos años. Una de las mejoras para disminuir las deficiencias metodológicas y epistémicas de este método, implica la consideración de modelos difusos en la percepción del panel, junto a elementos de incertidumbre/aleatoriedad. El Delphi de Nube trata de conciliar ambos aspectos. En el presente trabajo, se muestra una aplicación de este enfoque en la percepción subjetiva de un panel de conformación heterogénea, acerca del posicionamiento del pico en la COVID-19 en Cuba. Los resultados se comparan con un modelo de distribución gausiano bimodal.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

J.T. Wu, K. Leung, y G.M. Leung, Nowcasting and forecasting the potential domestic and international spread of the 2019-nCoV outbreak originating in Wuhan, China: a modelling study, Lancet 395 (2020), 689-697. https://doi.org/10.1016/ S0140-6736(20)30260-9

W.C. Roda, M.B. Varughese, D. Han, y M.Y. Li, Why is it difficult to accurately predict the COVID-19 epidemic? (preprint), Infectious Disease Modelling (2020). https: //doi.org/10.1016/j.idm.2020.03.001

C. Anastassopoulou, L. Russo, A. Tsakris, y C. Siettos, Data-based analysis, modelling and forecasting of the COVID-19 outbreak, PLoS ONE 15(3) (2020), e0230405. https://doi.org/10.1371/ journal.pone.0230405

T.-M. Chen, J. Rui, Q.-P. Wang, Z.-Y. Zhao, J.-A. Cui, y L. Yin, A mathematical model for simulating the phase-based transmissibility of a novel coronavirus, Infectious Diseases of Poverty 9(24) (2020). https: //doi.org/10.1186/s40249-020-00640-3

L. Jia, K. Li, Y. Jiang, X. Guo, y T. Zhao, Prediction and analysis of coronavirus disease 2019, arXiv (2020). https://arxiv.org/abs/2003.05447

S. Galindo, M.A. Rodríguez, y J.L. Cervantes, Las matemáticas de las epidemias: caso México 2009 y otros, CIENCIA ergo-sum 20(3) (2020), 238246. https://cienciaergosum.uaemex.mx/ article/view/7038

W.O. Kermack, y A.G. McKendrick Contributions to the Mathematical Theory of Epidemics, Proceeding of the Royal Society of London 115A (1927), 700-721. https://doi.org/10.1016/ S0092-8240(05)80040-0 (reprinted)

J.F. Medina, M.E. Cortés, M. Cortés, A.C. Pérez, y M. Manzano, Estudio sobre modelos predictivos para la COVID-19 en Cuba, Medisur 18(3) (2020). http://www.medisur.sld.cu/index. php/medisur/article/view/4703

M.A. Villalobos, Estimación de población contagiada por COVID-19 usando regresión Logística generalizada y heurísticas de optimización, arXiv (2020). https: //arxiv.org/pdf/2004.01207

A. Ahmadi, Y. Fadai, M. Shirani, y F. Rahmani, Modeling and forecasting trend of COVID-19 epidemic in Iran (preprint), medRxiv (2020). https://doi.org/10. 1101/2020.03.17.20037671

M. Díaz-Canel, y J. Núñez, Gestión gubernamental y ciencia cubana en el enfrentamiento a la COVID-19, Anales de la Academia de Ciencias de Cuba 10(2) (2020), 199-208. http://www.revistaccuba.sld.cu/index. php/revacc/article/view/881

C. Tsallis, y U. Tirnakli, Predicting COVID-19 peaks around the world, Frontiers in Physics 8 (2020), A217. https://doi.org/10.3389/ fphy.2020.00217

A.-P. Zahiri, S. RafieeNasab, y E. Roohi, Prediction of peak and termination of novel coronavirus COVID-19 epidemic in Iran (preprint), medRxiv (2020). https:// doi.org/10.1101/2020.03.29.20046532

T. Benaglia, D. Chauveau, D.R. Hunter, y D. Young, mixtools: An R package for analyzing finite mixture models, Journal of Statistical Software, 32(6) (2009), 1-29. http://dx.doi.org/10.18637/ jss.v032.i06

C.B. Do, y S. Batzoglou, What is the expectation maximization algorithm?, Nature Biotechnology 26(8) (2008), 897-899. https://doi.org/10.1038/ nbt1406

P. Schlattmann, Medical Applications of Finite Mixture Models. Berlin: Springer (2009). https://doi. org/10.1007/978-3-540-68651-4

M. Cruz, El Método Delphi en las Investigaciones Educacionales. La Habana: Academia, 2009.

J. Landeta, El Método Delphi: Una Técnica de Previsión para la Incertidumbre. Barcelona: Ariel, 1999.

M.S. Sawhney, et al., Triaging advanced GI endoscopy procedures during the COVID-19 pandemic: consensus recommendations using the Delphi method, Gastrointestinal Endoscopy (2020). https://doi.org/10. 1016/j.gie.2020.05.014

M. Vitacca, et al., Italian suggestions for pulmonary rehabilitation in COVID-19 patients recovering from acute respiratory failure: results of a Delphi process, Monaldi Archives for Chest Disease 90(2) (2020), 1444. https: //doi.org/10.4081/monaldi.2020.1444

F. Eibensteiner, et al., Rapid response in the COVID-19 pandemic: a Delphi study from the European Pediatric Dialysis Working Group, Pediatric Nephrology (2020). https://doi.org/10.1007/ s00467-020-04584-6

Welsh Surgical Research Initiative (WSRI) Collaborative, Surgery during the COVID-19 pandemic: operating room suggestions from an international Delphi process, British Journal of Surgery, Early View (2020). https://doi.org/10.1002/bjs.11747

F. Hasson, y S. Keeney, Enhancing rigour in the Delphi technique research, Technological Forecasting & Social Change 78(9) (2011), 1695-1704. https://doi. org/10.1016/j.techfore.2011.04.005

M. Cruz, y J.A. Rúa, Surgimiento y desarrollo del método Delphi: una perspectiva cienciométrica, Biblios, 71 (2011), 90-107. https://doi.org/10.5195/ biblios.2018.470

D. Li, y D. Yi, Artificial Intelligence with Uncertainty. Boca Raton, FL: Chapman & Hall/CRC, 2008. https: //doi.org/10.1109/CIT.2004.1357163

T.K. Roy, y A. Garai, Intuitionistic fuzzy Delphi method: more realistic and interactive forecasting tool, Notes on Intuitionistic Fuzzy Sets, 12(2) (2012), 37-50. http://ifigenia.org/images/0/06/ NIFS-18-2-37-50.pdf

D. Li, C. Liu, y W. Gan, A new cognitive model: cloud model, International Journal of Intelligent Systems 24(3) (2009), 357-375. https://doi.org/10. 1002/int.20340

X.-J. Yang, L. Zeng, y R. Zhang, Cloud Delphi method. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems 20(1) (2012), 77-97. https: //doi.org/10.1142/S0218488512500055

M. Cruz, Una función en R para el método Delphi de Nube. Aplicaciones al pronóstico educacional. Artículo enviado a la revista Tecnología Educativa (2020).

Descargas

Publicado

2020-12-01

Cómo citar

[1]
Miguel Cruz Ramírez 2020. Una Aplicación del Delphi de Nube en la Percepción Subjetiva del Pico de la COVID-19. Ciencias matemáticas. 34, 1 (dic. 2020), 113–122.

Número

Vol. 34 Núm. 1: Diciembre, 2020

Sección

Artículo Original

Licencia

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Esta licencia permite copiar y redistribuir el material en cualquier medio o formato bajo los siguientes términos: se debe dar crédito de manera adecuada, no se puede hacer uso del material con propósitos comerciales, y si remezcla, transforma o crea a partir del material, no podrá distribuir el material modificado. Bajo la licencia mencionada, los autores mantienen los derechos de autor de su trabajo.