27
ISSN electrónica 2697-3243
Revista INGENIO Vol. 4 N.° 1 (2021)
Estadísticas y Análisis del Covid-19 en Ecuador Utilizando
Microso Power BI
Statistics and Analysis of Covid-19 in Ecuador Using Microsoft Power BI
Vivas K.
1
; Vivas D.
2
1
Universidad de las Fuerzas Armadas ESPE, Departamento de Ciencias Exactas, Quito-Ecuador
e-mail: akvivas@espe.edu.ec
2
Universidad San Francisco de Quito, Facultad de Ingeniería, Quito-Ecuador
e-mail: dvivasp@asig.edu.ec
Información del artículo
Recibido: 13/01/2021
Aceptado:17/03/2021
RESUMEN
Dada la emergencia que el Ecuador y el mundo están atravesando a causa del covid-19, se vuelve indis-
pensable la descripción rápida y el análisis efectivo de las diferentes variables que explican la evolución
de una enfermedad contagiosa. El propósito de este trabajo es mostrar la versatilidad que Microso
Power BI como herramienta de inteligencia de negocios posee para describir y analizar la información
emitida por las entidades ociales de salud que permitan generar un rápido conocimiento y análisis de
los datos de modo que se puedan tomar decisiones correctas respecto al control de la pandemia. Para
esto, se recolectó la información ocial que provee el Ministerio de Salud Pública del Ecuador (MSP) y
otros portales de noticias. Esta información fue procesada y analizada mediante la plataforma Power BI
y el soware estadístico R. El análisis de los datos recientes sobre covid-19 muestran que la enfermedad
aún se expande en algunas localidades del país. La propuesta sería dar más y mejor acceso a datos abier-
tos e innovar agregando inteligencia de negocios para controlar esta pandemia.
Palabras clave: covid-19, Power BI, estadística, datos, pandemia.
ABSTRACT
Given the emergency that Ecuador and the world are going through due to covid-19, the rapid des-
cription and eective analysis of the dierent variables that explain the evolution of a contagious di-
sease becomes essential. e purpose of this work is to show the versatility that Microso Power BI as
a business intelligence tool has to describe and analyze the information issued by ocial health entities
that allow generating rapid knowledge and analysis of the data so that it can be taken correct decisions
regarding pandemic control. For this, the ocial information provided by the Ministry of Public Health
of Ecuador (MSP) and other news portals was collected. is information was processed and analyzed
using the Power BI platform and R soware. Analysis of recent data on covid-19 shows that the disease
is still spreading in some localities of the country. e proposal would be to give more and better access
to open data and innovate by adding business intelligence to control this pandemic.
Keywords: covid-19, Power BI, statistics, data, pandemic.
DOI https://doi.org/10.29166/ingenio.v4i1.3068
28
ISSN impresa 2588-0829
Facultad de Ingeniería y Ciencias Aplicadas
1. Introducción
El 29 de febrero del 2020 se conrma el primer
caso de covid-19 en Ecuador, la enfermedad se ex-
pandió rápidamente, de modo que para el 1.º de
mayo se acumularon más de 26.000 casos y al día
de realización de este trabajo (21 de noviembre)
ya son más de 186.000 [1]. Además, de acuerdo a
los análisis a nivel regional, Ecuador presenta el
índice de letalidad más alto en Sudamérica [2].
Las principales ciudades como Guayaquil y Quito,
tienen un crecimiento alarmante en el número de
nuevos casos. La región Costa y Sierra son las más
afectadas mientras que la región Oriente e Insular
presentan menos casos.
Los países de la región han adoptado medidas es-
trictas desde el principio para contener la primera
ola de covid-19, incluidos bloqueos nacionales,
toques de queda generales y focalizados, restric-
ciones vehiculares, sin embargo, estas medidas
no alcanzaron para contener la enfermedad. Las
medidas se vieron socavadas por la fragilidad
existente de los sistemas de salud, que se carac-
terizan por una inversión insuciente en recur-
sos sanitarios, disparidades regionales, sistemas
de información modestos, corrupción (en el caso
de Ecuador) y una comunicación y coordinación
decientes. Fuimos testigos de que nuestros hos-
pitales y centros de salud se desbordaron en los
primeros 3 meses de la pandemia, las UCI (uni-
dad de cuidados intensivos), alcanzaron una ocu-
pación del 100% en algunas localidades, tanto así
que muchas personas tuvieron que viajar a otras
ciudades para encontrar atención médica [3].
Uno de los factores que permiten el control de una
epidemia es la recolección, procesamiento y visua-
lización de los datos que representan las variables
de la enfermedad. El Comité de Operaciones de
Emergencia Nacional (COE) junto con el Ministe-
rio de Salud Pública (MSP) son las entidades ocia-
les encargadas de manejar la información generada
por el proceso y las distintas variables de la pan-
demia. Se vuelve necesaria la descripción, proce-
samiento y el análisis de la información obtenida,
de modo que se pueda conocer de forma continua,
rápida y efectiva la visualización de las diferentes
variables con el n de proveer resultados que sirvan
para tomar decisiones y acciones pertinentes por
parte de los las personas y entes gubernamentales.
Dado que el número de personas infectadas está
aumentando muy rápidamente a nivel nacional y
en todo el mundo, es necesario obtener nuevas so-
luciones a los problemas emergentes de gestión de
la atención médica para hacer frente a la epidemia
y evitar el colapso de los sistemas de salud. En este
sentido, la Inteligencia de Negocios (BI) puede
analizar datos en tiempo real sobre cómo se está
propagando la epidemia y dónde están los focos
principales. Estos datos son fundamentales para
la respuesta rápida de la atención médica [4]the
rst patient was tested positive for SARS-CoV-2 at
Codogno hospital in the Lombardy region. From
that date, the Regional Emergency Medical Servi-
ces (EMS. Hay evidencia de que la BI, disponible
para los líderes y gerentes del sistema de salud,
serviría la toma de decisiones que resulte en un
mejor desempeño organizacional [5].
Este estudio tiene como objetivo presentar un
análisis de los principales indicadores y variables
para la pandemia del covid-19 en Ecuador toman-
do como fuente las cifras ociales brindadas por
el Ministerio de Salud Pública del Ecuador [1] y
el portal periodístico Primicias Ec. [6]. Se utilizó
como herramientas: la plataforma de Microso
Power BI y el soware R que proporcionan prin-
cipalmente información visual efectiva e interac-
tiva a partir de los datos, son de fácil utilización
y principalmente usada para inteligencia de ne-
gocios (business intelligence). Para esto, Power BI
contiene un conjunto de herramientas y servicios
de análisis empresarial que acceden a fuentes de
datos para procesarlos con el n de realizar análi-
sis y visualización de los mismos [7].
La vigilancia de enfermedades constituye la base
de la respuesta a las epidemias. La pandemia del
covid-19 proporciona un ejemplo actualizado de
por qué se deben tomar las consideraciones que
emite la frase «persona, lugar y tiempo» y que son
cruciales para su control, esto se debe a que la epi-
demia requiere conocer las tendencias de las va-
riables de la enfermedad en diferentes subgrupos
y ubicaciones [8].
2. Materiales y métodos
El Ministerio de Salud Pública (MSP) provee de
boletines informativos que nos permiten actua-
lizar la información. De esta entidad se tomó el
29
ISSN electrónica 2697-3243
Revista INGENIO Vol. 4 N.° 1 (2021)
reporte actualizado al 21 de noviembre 2020. La
información presenta el número de casos conr-
mados de covid-19 en el país por cada día, casos
conrmados en las provincias por día, casos tota-
les al 21 de noviembre en cantones, el número de
fallecidos conrmados y probables en el país, gru-
pos etarios y casos por sexo. Esta información fue
recolectada en documentos Excel de modo que
sea fácilmente manejable por Power BI. Los datos
de casos acumulados para las provincias de inte-
rés fueron tomados del portal Primicias, desde el
13 de marzo hasta el 15 de noviembre.
2.1 Microso Power BI
Microso Power BI es una plataforma de análisis
e inteligencia empresarial que consta de aplicacio-
nes y servicios diseñados para proporcionar in-
formación visual coherente e interactiva sobre los
datos, más especícamente, es un conjunto de he-
rramientas y servicios de análisis empresarial que
funcionan en conjunto para acceder a fuentes de
datos, dar forma a las diferentes fuentes, realizar
análisis y visualización de los mismos y compar-
tir conocimientos a través de estos procesos. Cabe
mencionar que para cada proyecto se considera
un conjunto especíco de herramientas, sin em-
bargo, la dinámica y versatilidad de estas siempre
están disponibles al utilizar las características úni-
cas de múltiples herramientas como parte de solu-
ciones integradas que abarcan diversas fuentes de
datos y tipos de visualización [7].
Los componentes de Power BI se dividen en dos
grupos [9]: Complementos de Excel y Servicios en
la Nube que están disponibles mediante Oce 365.
Los complementos de Excel
Power Query, que permite conectar a una amplia
variedad de tipos de fuentes de datos para luego
limpiarlos, ltrarlos o transformar los datos que
serán tratados en Excel.
Power Pivot, que es el motor de la base de datos y
usa los modelos de datos de Excel que permiten
tomar grandes volúmenes de datos (mucho más
que en una plantilla de Excel sola).
Power View, que es la reciente característica de
Excel que permite crear tableros (dashboards)
atractivos e interactivos que incluyen tablas,
gráficos y mapas de fácil manejo para el creador
y el usuario.
Power Map, que es el complemento que permite
trabajar con datos geográcos para crear mapas
2-D o 3-D.
Los servicios en la nube
Mobile BI, que es una aplicación Windows 8.1 que
nos permite observar partes de un trabajo reali-
zado en Power BI como tablas, grácas, tableros,
entre otros.
Power BI Data Catalogue, permite a los adminis-
tradores el acceso a una gran variedad de datos
públicos o corporativos.
Power BI Sites, que permite una organización más
profesional de los reportes o tableros y manejarlos
mientras sus colegas también los revisan.
Se puede observar que la arquitectura y los compo-
nentes principales (Fig. 1) se relacionan de modo
que el desarrollador este siempre en contacto con
las fuentes de información (Power BI puede leer
una gran cantidad de tipos de datos) que pueden
venir de fuentes diversas, cuenta con variadas apli-
caciones extra que pueden incorporarse fácilmente
al sistema, existe además la conexión en línea para
otros usuarios que deseen acceder a la informa-
ción o sus resultados por medio de consultas.
Figura 1. Arquitectura y componentes principales de
Power BI
Fuente: Microso [10].
Adicionalmente, se debe tomar en cuenta los mo-
delos de datos que Power BI genera automática-
mente o que se pueden generar manualmente. Un
modelo de datos es solo un conjunto de tablas vin-
culadas por relaciones. Un modelo de tabla única
ya es un modelo de datos, aunque no muy intere-
30
ISSN impresa 2588-0829
Facultad de Ingeniería y Ciencias Aplicadas
sante. Tan pronto como tenga varias tablas, la pre-
sencia de relaciones hace que el modelo sea mucho
más poderoso e interesante de analizar [11].
2.2 Modelos matemáticos
El modelamiento matemático ha jugado un pa-
pel importante en la planicación de acciones y el
control de la dinámica de las enfermedades. Los
epidemiólogos, en respuesta a una emergencia
sanitaria, obtienen y analizan los datos observa-
dos. Usando datos, observaciones, ciencia y teoría
proceden a planicar o implementar políticas que
mejoren su impacto. Naturalmente, comprender
las causas y los modos de transmisión de cada en-
fermedad es fundamental para pronosticar o mi-
tigar su impacto dentro y entre las poblaciones en
riesgo [12].
Este trabajo utilizó dos modelos de regresión no
lineales: Logístico y de Gompertz, cuyas curvas
se caracterizan por ser sigmoideas (forma de s)
y que poseen por lo tanto un punto de inexión
donde la curva cambia desde un «crecimiento
rápido» (matemáticamente ocurre donde la cur-
va es convexa) en un «crecimiento lento» (mate-
máticamente ocurre donde la curva es cóncava).
Además, cuentan con un parámetro que es el lí-
mite superior de la trayectoria de la pandemia en
términos de casos de infección o muertes, dato
importante sobre cuántas infecciones y cuántas
muertes se pueden esperar en total. Esta informa-
ción puede ser crucial para las autoridades res-
ponsables de abordar y mitigar la pandemia en las
diferentes localidades [13].
El modelo logístico fue propuesto por el biólogo
matemático holandés Pierre Francois Verhulst en
1840 como un modelo para el crecimiento pobla-
cional. Este modelo cumple con varias condicio-
nes que se dan en el crecimiento de la cantidad de
sujetos infectados por un virus especíco. Princi-
palmente, el modelo considera que: el crecimien-
to en la cantidad de infectados es proporcional
al producto de la cantidad de la población actual
con la cantidad de crecimiento futuro. Además,
dicha cantidad llegaría a su capacidad de soporte
en algún momento, y que, si la población tiende al
valor de la capacidad de soporte, la velocidad de
crecimiento disminuye de modo que la población
de infectados se estabiliza [14].
El modelo se expresa
(1)
Para este modelo, es la cantidad la que decli-
na linealmente conforme aumenta w, es decir, la
tasa de crecimiento es relativa al tamaño presente.
La solución a (1) está dada por
(2)
Donde
es la capacidad de soporte del modelo, cantidad
total de casos o muertes que el modelo predice.
es la relación .
k es la tasa de crecimiento relativa del modelo, y
w es la cantidad de casos acumulados.
Esta función tiene su punto de inexión en ,
lo cual signica que antes de este tiempo, la curva
es cóncava hacia arriba y luego del mismo,
la curva es cóncava hacia abajo .
Por otro lado, si se relaciona el cambio en la po-
blación contagiada como proporcional a la pobla-
ción actual y el logaritmo de la relación entre la
capacidad de soporte y dicha población actual, se
obtiene
(3)
La solución a (3) produce el modelo de Gompertz
y lleva su nombre en honor a Benjamín Gompertz
(1779-1865). Es una función sigmoidea que des-
cribe el crecimiento como más lento al comienzo
y al nal de un período de tiempo dado
(4)
Donde
es la capacidad de soporte del modelo, cantidad
total de casos o muertes que el modelo predice.
es el valor que determina el punto del creci-
miento exponencial.
k es la tasa de crecimiento relativa del modelo, y
w es la cantidad de casos acumulados.
Esta curva también es sigmoidal, pero no es si-
métrica alrededor de su punto de inexión cuyo
tiempo es [15].
31
ISSN electrónica 2697-3243
Revista INGENIO Vol. 4 N.° 1 (2021)
Para ambos modelos podemos calcular el coe-
ciente de determinación R como una medida
estadística de qué tan cerca están los datos de la
línea de regresión ajustada. La denición de R es
bastante sencilla: es el porcentaje de la variación
en la variable de respuesta que es explicado por
un modelo. Es decir: R = Variación explicada /
variación total [15].
3. Resultados y discusión
Una vez obtenidos los datos y con la menor can-
tidad de inconsistencias posibles, realizamos los
pasos necesarios para lograr el análisis con R y la
visualización por medio de la herramienta Power
BI. En esta etapa identicamos las variables y los
resultados que deseamos mostrar junto con los
objetos visuales que mejor se acomoden para
una mejor lectura y comprensión por parte de los
usuarios.
3.1 Resultados generales
Los resultados generales al 21 de noviembre (Fig.
2) se muestran mediante un tablero resumen o
dashboard con la siguiente información: casos
totales 184876, total hombres 97.984 que repre-
sentan el 52,9% y total mujeres, 87.076 que repre-
sentan un 47,1 % del total de casos. El total de fa-
llecidos conrmados 8787 y probables 4352, casos
recuperados 160.639. Los casos totales han sido
clasicados por grupo etario en el que se puede
observar que el grupo más afectado es el de las
personas entre 20 y 49 años con el 60% seguido
por el de 50 a 64 años que representa casi el 20%
de la población afectada. Adicional se puede ob-
servar un mapa de localización de provincias con
sus respectivos círculos que se relacionan con la
cantidad de contagios incluida la región insular.
Figura 2. Principales variables presentadas mediante un tablero en Power BI (dashboard)
3.2 Casos acumulados por provincia por cada
1000 habitantes
Se presentan los casos acumulados para las pro-
vincias más afectadas por cada 1000 habitantes
(Fig. 3). Los datos van desde el 13 de marzo hasta
el 15 de noviembre, con el n de observar la di-
námica de cambio comparativa entre estas pro-
vincias. Es evidente que la provincia de Pichincha
(más especícamente Quito) es la más afectada,
seguida por Guayas y Manabí.
32
ISSN impresa 2588-0829
Facultad de Ingeniería y Ciencias Aplicadas
3.3 Modelos de ajuste y predicción para el nú-
mero de casos por provincia
Se aplicaron los modelos logístico y Gompertz por
medio del soware R mediante el paquete easynls
[16]. Para los casos acumulados en las provincias
Pichincha, Guayas, Manabí y Santo Domingo y se
obtuvieron los parámetros , , k y y en cada caso
(Tabla 1). Los resultados muestran un alto nivel
de ajuste de acuerdo al coeciente para Pichin-
cha, Manabí, Los Ríos y Santo Domingo. En el
caso de Guayas, el número de casos real; 23.227,
supera al valor de 20.357 y 20.834 para los mode-
los logístico y de Gompertz respectivamente, con
lo cual los modelos no podrían predecir valores a
futuro para esta provincia. Además, los datos pre-
sentan un pico alrededor del día 50 (30 de abril)
lo cual representa un error en la recolección debi-
do a que es imposible que los datos tomen valores
mas bajos posteriormente. En la siguiente sección
se realiza una corrección para esta provincia. Po-
demos observar también los valores de lo cual
destacamos la provincia de Pichincha cuyo valor
es el más alto para ambos modelos. Esto nos indi-
ca según el modelo Gompertz, que la ciudad aún
no ha llegado al valor pico en sus casos diarios.
Figura 3. Casos acumulados del 13 de marzo hasta el 15 de noviembre para algunas de las provincias más
afectadas
Tabla 1. Parámetros , , k, R y para los modelos logístico y Gompertz en las provincias de interés.
Parámetros Guayas Pichincha Manabí Los Ríos Santo Domingo
Modelo Logístico
20357 105661 11597 3923 5255
6,8647 147,905 37,203 16,4675 94,1132
k 0,0316 0,02215 0,0272 0,02759 0,03715
33
ISSN electrónica 2697-3243
Revista INGENIO Vol. 4 N.° 1 (2021)
Por medio de los parámetros se construyeron los
modelos de cada provincia para compararlos grá-
camente en Power BI mediante su herramienta
Gráco de líneas (Fig. 4 y 5). Se puede apreciar
que el nivel de ajuste en la mayoría de los casos es
alto, permitiendo de esta manera realizar predic-
ciones signicativas.
R 0,9360 0,99770 0,9938 0,98390 0,99800
t
i
60.9 225.3 132.7 101.5 122.3
Modelo de Gompertz
20834 416708 13313 4211 5640
2,7128 7,44176 5,69932 4,06144 10,3447
k 0,0226 0,00566 0,01470 0,01689 0,02171
R
0,9570 0,99780 0,99860 0,99390 0,99760
t
i
37.5 354.5 124.3 83.4 107.6
Figura 4. Ajuste del modelo logístico a las provincias de interés
34
ISSN impresa 2588-0829
Facultad de Ingeniería y Ciencias Aplicadas
3.4 Ajuste de los modelos para Guayas con
datos corregidos
Se realizó una corrección a los datos de la provin-
cia del Guayas para obtener un mejor ajuste del
modelo. Para esto se realizó una interpolación en-
tre los días 40 y 60 de modo que se evita el pico en
esa sección. Además, se ha realizado la regresión
con el modelo de Von Bertalany cuya ecuación
para el número casos viene dada por . Este mode-
lo podría mejorar el ajuste debido a sus cuatro pa-
rámetros, aunque si el crecimiento es isométrico,
la potencia se ja en 3 [17]. Los resultados (Fig.
6) muestran que el ajuste mejora considerable-
mente. Los valores obtenidos para los parámetros
fueron: =22303, =0.67909 y =0.01616. Aunque el
nivel de ajuste dado por el parámetro ha mejo-
rado hasta el valor 0.9901, el valor real de casos
acumulados para el último día; 23.227, sigue su-
perando al valor máximo de casos al que se llega-
ría según el modelo.
Figura 5. Ajuste del modelo Gompertz a las provincias de interés
La Tabla 2 muestra predicciones para cada una de las provincias de interés para las fechas 1/12/2020 y
31/12/2020.
Tabla 2. Predicciones para las provincias de interés
Provincia Actual Modelo Logístico Modelo Gompertz
15/11/2020 1/12/2020 31/12/2020 1/12/2020 31/12/2020
Pichincha 64320 74085 86660 78542 101937
Manabí 12052 11282 11456 11839 13245
Santo Domingo 5403 5227 5246 5454 5542
35
ISSN electrónica 2697-3243
Revista INGENIO Vol. 4 N.° 1 (2021)
Figura 6. Ajuste del modelo Von Bertalany a los
datos corregidos Guayas.
3.5 Muertes acumuladas Ecuador
Se realizó el ajuste para muertes acumuladas en
el país mediante el modelo de Gompertz (Fig. 7).
Los parámetros resultantes fueron: =25728, =
4.296471 y k=0.0078452. El coeciente del nivel
de ajuste fue R=0.9646. Podemos observar un
salto abrupto de los datos alrededor del día 180.
Sin embargo, el coeciente de ajuste presenta un
valor bastante aceptable
Figura 7. Ajuste del modelo de Gompertz para el
número de muertes acumuladas Ecuador
3.6 Muertes en bruto por provincia
Para el caso de muertes por provincia (Fig. 8), se
realizó el análisis al 21 de noviembre tomando los
datos en bruto para cada caso y mostrándolos me-
diante el Gráco de columnas de Power BI. El dia-
grama fue realizado diferenciando la región a la
que pertenece cada provincia mediante colores y
se puede observar que Pichincha, Guayas y Manabí
lideran la lista. Desde el punto de vista de regiones,
la región Costa es la que tiene todas sus provincias,
excepto Esmeraldas en el grupo de más afectadas.
Figura 8. Muertes conrmadas por provincia y región.
3.7 Mapa para casos en bruto por provincia
Se muestra ahora el número de casos en bruto por
provincia (Fig. 9) al 21 de noviembre. Se han in-
cluido las coordenadas de latitud y longitud con
el n de utilizar la herramienta Mapa de Power
BI que nos permite visualizar la información de
forma geográca. El tamaño de los círculos color
rojo son proporcionales al número de casos.
36
ISSN impresa 2588-0829
Facultad de Ingeniería y Ciencias Aplicadas
3.8 Tasa de letalidad por provincia
La tasa de letalidad se la obtiene dividiendo el nú-
mero de muertes para el total de casos conrma-
dos: . La tabla 2 muestra los resultados para cada
provincia. Podemos ver que las provincias con
mayor tasa de letalidad son Santa Elena, Chimbo-
razo, Manabí y Los Ríos.
La información recolectada por las entidades en-
cargadas no es del todo exacta, existen altibajos
abruptos en los datos, días sin información, varia-
bles que han cambiado con el tiempo, entre otros.
Se debe tomar en cuenta, por ejemplo, la existen-
cia de pacientes asintomáticos, personas con bajos
recursos, personas que habitan lejos de los centros
de salud y que, a pesar de poseer el virus, no acu-
den a las pruebas que nos permita contar con in-
formación real de lo que está sucediendo. Esta si-
tuación limita el control estadístico y se convierte
también en una gran limitante para médicos, pa-
cientes y familiares, presas de la incertidumbre a
falta de un diagnóstico oportuno. Sin embargo, se
ha curado la información de modo que se obtenga
el resultado más transparente posible.
Tabla 2. Tasa de letalidad por provincia
Provincia
Casos con-
rmados
Fallecidos
Tasa de
letalidad
Azuay 11353 201 1,77%
Bolívar 2290 67 2,93%
Cañar 2272 86 3,79%
Carchi 3211 109 3,39%
Chimborazo 2732 332 12,15%
Cotopaxi 4934 292 5,92%
El Oro 7046 518 7,35%
Esmeraldas 4556 222 4,87%
Galápagos 258 1 0,39%
Guayas 23567 1755 7,45%
Imbabura 5236 178 3,40%
Loja 6820 238 3,49%
Los Ríos 4261 348 8,17%
Manabí 12403 1172 9,45%
Morona Santiago 3235 24 0,74%
Napo 1503 75 4,99%
Orellana 2052 53 2,58%
Pastaza 2321 60 2,59%
Pichincha 66558 1883 2,83%
Figura 9. Casos por provincia presentados en forma geográca que incluye las coordenadas de latitud y longitud.
37
ISSN electrónica 2697-3243
Revista INGENIO Vol. 4 N.° 1 (2021)
Santa Elena 1898 375 19,76%
Santo Domingo 5444 366 6,72%
Sucumbíos 2866 95 3,31%
Tungurahua 6459 284 4,40%
Zamora Chin-
chipe
1601 53 3,31%
Los datos ociales publicados por el Ministerio de
Salud Pública muestran que existe una tendencia
preocupante al alza para el número de casos to-
tales en el país. A esto hay que añadirle las con-
secuencias propias de un evento tan perjudicial
como la afectación económica a nivel nacional.
Es urgente la necesaria reactivación económica y
social para la población cuya situación en muchos
casos se ha vuelto compleja y cuyas consecuencias
son, por ejemplo, el incremento de forma alar-
mante de los índices delincuenciales a todo nivel.
Se conoce que 289.258 contratos laborales han
nalizado desde el 16 de marzo de 2020, cuan-
do empezó la emergencia sanitaria de covid-19.
La cifra la emitió el Ministerio de Trabajo en una
rueda de prensa el 30 de julio de 2020, en la que
armó, además, que la pequeña y mediana empre-
sa también se ha visto muy afectada, así como la
economía informal debido al connamiento. Los
cinco sectores más afectados serían según infor-
mes ociales el comercio, la agricultura, la manu-
factura, la construcción y el turismo [18].
A pesar de la limitación en el número y distribu-
ción de las pruebas diagnósticas para covid-19, las
autoridades sanitarias podrían analizar la distri-
bución del virus a niveles más desagregados como
cantonales y parroquiales con el n de hallar me-
jores estrategias en el control de la enfermedad
[19]. En este sentido es que Power BI puede ser
una herramienta de gran aporte en el análisis de
la situación general. También se vuelve importan-
te el tecnicismo con el que midan las diferentes
variables de la enfermedad para recolectar la in-
formación adecuada. De acuerdo a [8] tres son los
aspectos que se deben tomar en cuenta: 1) Reali-
zar un buen estudio para medir la tasa correcta de
contagio en cada localidad, si se evalúan solo per-
sonas con síntomas puede ser que se esté subes-
timando de forma sustancial la verdadera tasa de
contagio mientras que, si se miden masivamente
puede ser que la tasa se sobreestime. 2) El rendi-
miento de la prueba (sensibilidad, especicidad,
valores predictivos) de las pruebas en el campo
son todavía en gran parte desconocidos y variarán
según el lugar y el tiempo. 3) Al estimar las tasas
de mortalidad por infecciones, en lugar de cono-
cer el número real de infectados que han muerto,
generalmente tenemos que conformarnos con el
número de personas que han dado positivo y fa-
llecido, lo que puede llevar a una sobreestimación
o subestimación de casos.
La tasa de letalidad es alarmante para Ecuador, al
27 de Noviembre, se encuentra en 7,11%, siendo
la tasa más alta de los países de la región (Perú
3.74%, Colombia 2,82%, Venezuela 0,87%, Chi-
le 2,78%, Argentina 2,70%, Brasil 2,78%, Bolivia
6,19%, Paraguay 2,15% y Uruguay 1,47%) [20].
Las razones serían múltiples: baja calidad de la
información, falta de recursos sanitarios, densi-
dad poblacional, irresponsabilidad en el cuidado
personal y más. El gran tamaño de la población
puede hacer que sea más difícil aumentar la capa-
cidad del sector de la salud. En términos de den-
sidad, Colombia y Ecuador son claramente valo-
res atípicos, lo que puede afectar la capacidad de
mitigar la propagación de covid-19 y mantener
el distanciamiento social en áreas públicas como,
por ejemplo, el transporte público [3].
Los modelos logísticos y de Gompertz resultaron
ser sencillos, pero ecaces para obtener predicciones
conables sin tomar parámetros externos, sino sola-
mente los datos obtenidos de casos diarios y acumu-
lados como en [21], [22], [13]. Los valores para R
también resultaron ser altos como en [22] y [13].
Se puede realizar un ajuste de los datos cuando
estos presentan grandes inconsistencias como en
[22]. En nuestro caso, se realizó un ajuste a los da-
tos del Guayas por medio de una interpolación lo
cual mejoró notablemente al modelo en su ajuste,
aunque no en sus predicciones. En esta provincia
se pudo observar un «rebrote» de casos, ya que se
presenta un aumento repentino al nal de los mis-
mos lo que no hizo posible su predicción con los
modelos dados.
4. Conclusiones
Las plataformas de inteligencia de negocios resul-
tan ser una herramienta con muchas ventajas a la
38
ISSN impresa 2588-0829
Facultad de Ingeniería y Ciencias Aplicadas
hora de presentar resultados ecientes y rápidos.
Por eso se comprende la importancia de que las
entidades públicas cuenten con plataformas de es-
tas características, más aún en una crisis global en
la que se genera información diaria que debe ser
analizada de forma permanente y eciente. Es de
suma importancia contar con datos abiertos y de
calidad y en este sentido, Ecuador necesita mejo-
rar sus sistemas de adquisición de datos de modo
que la información sea completa, sistematizada y
probada para los nes investigativos pertinentes.
Esto requiere del esfuerzo ciudadano y de políti-
cas que permitan ir construyendo estructuras que
generen esta información, más aún si tenemos los
índices más alarmantes para las variables de la
pandemia a nivel regional. Finalmente se debe to-
mar en cuenta que todas las consecuencias nefas-
tas que esta pandemia está generando pueden ser
mitigadas con el solo hecho de adquirir, procesar
y analizar datos de forma correcta.
Referencias
[1] MSP, “Ministerio de Salud Pública,” Actua-
lización de casos de coronavirus, 2020. ht-
tps://www.salud.gob.ec/actualizacion-de-ca-
sos-de-coronavirus-en-ecuador/ (accessed
Aug. 06, 2020).
[2] G. Quiroz, “La letalidad por el covid-19 de
Ecuador es la más alta de Sudamérica | El
Comercio,” 2020. https://www.elcomercio.
com/actualidad/peru-chile-brasil-covid-19.
html (accessed Nov. 26, 2020).
[3] M. Benítez, C. Velasco, A. Sequeira, J. Hen-
ríquez, F. Menezes, and F. Paolucci, “Re-
sponses to COVID-19 in ve Latin Amer-
ican countries,” Heal. Policy Technol., vol.
9, no. January, pp. 525–559, 2020, [On-
line]. Available: https://doi.org/10.1016/j.
hlpt.2020.08.014.
[4] G. M. Sechi et al., “Business intelligence ap-
plied to emergency medical services in the
lombardy region during sars-COV-2 epi-
demic,” Acta Biomed., vol. 91, no. 2, pp. 39–
44, 2020, doi: 10.23750/abm.v91i2.9557.
[5] L. Loewen and A. Roudsari, “Evidence for
Busines Intelligence in Health Care: A Liter-
ature Review,” Stud. Health Technol. Inform.,
vol. 235, no. January, pp. 579–583, 2017, doi:
10.3233/978-1-61499-753-5-579.
[6] Primicias, “Primicias. El periodismo com-
prometido. Noticias, política, economía, so-
ciedad,” 2020. https://www.primicias.ec/ (ac-
cessed Jun. 23, 2020).
[7] B. Powell, Creating Business Intelligence Solu-
tions of Analytical Models, Reports and Dash-
boards. Birmingham: Packt Publishing Ltd.,
2017.
[8] N. Pearce, J. Vandenbroucke, T. Vanden-
Weele, and S. Greenland, “Accurate Statis-
tics on COVID-19 Are Essential for Poli-
cy Guidance and Decisions,” Am. J. Public
Health, vol. 110, no. 7, pp. 964–966, 2020,
doi: 10.2105/AJPH.2020.305708.
[9] C. Webb, Power Query for Power BI and Ex-
cel. New York: Apress, 2014.
[10] Microso, “Data Visualization | Microso
Power BI,” 2020. https://powerbi.microso.
com/en-us/ (accessed Nov. 27, 2020).
[11] A. Ferrari and M. Russo, Analyzing Data
with Power BI and Power Pivot for Excel, 1st
ed. USA: Microso Press, 2017.
[12] F. Brauer, C. Castillo-Chavez, and Z. Feng,
Mathematical Models in Epidemiology. 2019.
[13] J. Mazurek, Z. Neničková, J. Mazurek, and
Z. Nenickova, “Predicting the number of to-
tal COVID-19 cases and deaths in the USA
by the Gompertz curve.” Accessed: Jun. 23,
2020. [Online]. Available: https://www.re-
searchgate.net/publication/340809381.
[14] J. Stewart, Single Variable Calculus, 8th ed.
Boston , 2012.
[15] N. R. Draper and H. Smith, Applied Regres-
sion Analysis, vol. 87, no. 10. Wiley, 1998.
[16] E. Arnhold, “easynls: Easy Nonlinear Model,”
R Packag. version 5.0, pp. 1–9, 2017. Availa-
39
ISSN electrónica 2697-3243
Revista INGENIO Vol. 4 N.° 1 (2021)
ble: https://cran.r-project.org/package=easy-
nls.
[17] R. Villaseñor, J. Jurado, and D. Salas, “Solu-
ción de la ecuación diferencial de crecimien-
to en peso, de Von Bertalany (1938), por
dos métodos distintos,” An. DEL Inst. CIEN-
CIAS DEL MAR Y Limnol., vol. 19, 1993, Ac-
cessed: Mar. 14, 2021.
[18] Reuters, “Más de 289.000 personas han
perdido sus empleos durante pandemia,”
2020. https://www.primicias.ec/noticias/
economia/despidos-registro-pandemia-em-
pleo-ecuador/ (accessed Nov. 27, 2020).
[19] E. Farach and A. Romero, “Escenarios esta-
dísticos del COVID-19 en Honduras: aná-
lisis desde la inteligencia de negocios y la
transparencia de datos,” Innovare Rev. Cienc.
y Tecnol., vol. 9, no. 2, pp. 89–96, 2020, doi:
10.5377/innovare.v9i2.10193.
[20] Johns Hopkins, “COVID-19 Map - Johns
Hopkins Coronavirus Resource Center,”
2020. https://coronavirus.jhu.edu/map.html
(accessed Nov. 27, 2020).
[21] P. Sánchez-Villegas and A. Daponte Codi-
na, “Predictive models of the COVID-19
epidemic in Spain with Gompertz curves,”
Gac. Sanit., May 2020, doi: 10.1016/j.gace-
ta.2020.05.005.
[22] V. Arias and M. Alberto, “Estimación de po-
blación contagiada por Covid-19 usando re-
gresión Logística generalizada y heurísticas
de optimización,” Apr. 2020. Accessed: Jun.
23, 2020. [Online]. Available: http://www.
kerwa.ucr.ac.cr/handle/10669/80859.
