Santiago, Chile
Las estrategias que intentan reducir el impacto de Covid19 intentaron aprovechar los datos geoespaciales, demográficos y de comportamiento disponibles. Dichos datos han demostrado ser extremadamente útiles para identificar las razones detrás de la transmisión de la enfermedad. En este artículo, desarrollamos un modelo de juguete que emula las características espaciales y demográficas de Santiago de Chile, cuantificamos la presencia e interacción entre diferentes grupos en los diferentes espacios definidos por el modelo y mostramos que hay efectos espaciales de la dinámica de infección que están ocultos en las tasas de infección que se ajustan desde los datos. En particular, mostramos que la distribución de las tasas de contagio entre diferentes sectores se distribuye como una ley de potencia independientemente de la situación de pandemia (brote vs propagación total), y que la distribución de la ley de potencia depende fuertemente de un parametro que mide la segregacion social.
Strategies attempting to reduce the impact of Covid19 attempted harnessing available geo-spatial, demographic, and behavioural data. Such data has shown to be extremely useful for identifying drivers behind the transmission of the disease. In this article, we develop a toy model emulating the spatial and demographic features of Santiago de Chile, quantify the presence and interaction among different groups in the different spaces defined by the model, and show that effects of the infection dynamics are hidden in the infection data that is usually fitted. In partiucular, we show that the distribution of contagion rates among different sectors distributes as a power-law regardless of the pandemic situation (outbreak vs full spread), and that the power-law distribution strongly depends on a social segregation
© 2001-2024 Fundación Dialnet · Todos los derechos reservados