Modelo de simulación de la dinámica de covid-19 en Perú basado en autómatas celulares probabilísticos

La pandemia de COVID-19 se considera la mayor amenaza mundial debido a miles de infecciones confirmadas, acompañadas de muertes en todo el mundo y el Perú; estos eventos epidemiológicos provocados por el nuevo virus COVID-19 pueden provocar grandes pérdidas humanas y económicas; por tanto, gran parte del desarrollo de los modelos epidemiológicos se ha centrado en el uso de modelos matemáticos, estos modelos descuidan las características locales del proceso de propagación y no incluyen la susceptibilidad variable de los individuos; en ese sentido los autómatas celulares, pueden superar estos inconvenientes y son utilizados en varias investigaciones como un método alternativo eficiente para simular la propagación de una epidemia. El objetivo de este trabajo es desarrollar un modelo de simulación de la dinámica de COVID-19 en territorio peruano basado en autómatas celulares probabilísticos, considerando para esto como objetivos específicos analizar la dinámica de la pandemia, proponer un modelo basado en autómatas celulares probabilísticos y simular el comportamiento dinámico del sistema. La muestra fue definida por los casos de COVID-19 confirmados a través del MINSA. Se implementó un modelo basado en individuos con Autómatas Celulares probabilísticos con el que se pueda analizar y simular la dinámica de la pandemia COVID-19, así mismo el modelo epidemiológico desarrollado es el modelo SEIR, la implementación del modelo fue desarrollado con MATLAB. Se concluye que, el modelo implementado permite simular de forma sencilla el comportamiento dinámico del sistema epidemiológico de COVID-19 en el Perú, a través de la inclusión en el modelo del movimiento de individuos. La fortaleza de la implementación propuesta permite abarcar diversos problemas de variantes en la densidad poblacional. Los resultados así obtenidos presentan concordancia con los reportados por la bibliografía de referencia, resaltando que el marco propuesto proporciona amplias ventajas computacionales para modelar fenómenos no lineales de manera precisa