14  
Cesar Mayta Avalos  
Universidad Jorge Basadre Grohman  
cesar.mayta@unjbg.edu.pe  
Jesús Cristian Valdivia Mamani  
Universidad Jorge Basadre Grohman  
jesus.valdivia@unjbg.edu.pe  
https://orcid.org/0000-0002-5722-1854  
https://orcid.org/0000-0001-9566-6988  
Fernando Rosales Castilla  
Universidad Jorge Basadre Grohman  
fernando.rosales@unjbg.edu.pe  
Milca Gines Colana  
Universidad Jorge Basadre Grohman  
milca.gines@unjbg.edu.pe  
https://orcid.org/0000-0003-0668-2885  
https://orcid.org/0000-0002-3596-2803  
ARK: ark:/42411/s6/a43  
PURL: 42411/s6/a43  
RECIBIDO 18/04/2021 ● ACEPTADO 30/05/2021 ● PUBLICADO 30/09/2021  
RESUMEN  
Con el desarrollo de la pandemia en Perú, la cantidad de fallecidos ha ido en aumento y  
lamentablemente no se han tomado las medidas adecuadas, esto por no tener una herramienta  
que nos permita saber la cantidad de fallecidos posibles en un tiempo determinado. El objetivo  
del presente artículo es proponer una herramienta capaz de predecir la cantidad de fallecidos  
por COVID-19 en función del tiempo. La metodología utilizada fue redes neuronales artificiales  
utilizando series temporales con información obtenida del Ministerio de Salud del estado peruano  
a través de su portal de datos abiertos. Los resultados alcanzados tuvieron un error cuadrático  
medio de 0.0037 y pérdida de 0.0480. Los resultados obtenidos a lo largo del artículo confirman  
la validez de esta herramienta y la efectividad en la predicción de la cantidad de fallecidos a  
causa del COVID 19.  
Palabras claves: Inteligencia Artificial, Series Temporales, COVID 19, Predicción, Pronóstico.  
ABSTRACT  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
Predicción de mortalidad a causa del Covid 19 en Perú  
utilizando redes neuronales artificiale
15  
With the development of the pandemic in Peru, the number of deaths has been increasing and  
unfortunately the appropriate measures have not been taken, this because we do not have a tool  
that allows us to know the number of possible deaths in a given time. The objective of this article  
is to propose a tool capable of predicting the number of deaths from COVID-19 as a function of  
time. The methodology used was artificial neural networks using time series with information  
obtained from the Ministry of Health of the Peruvian state through its open data portal. The  
results achieved had a mean square error of 0.0037 and a loss of 0.0480. The results obtained  
throughout the article confirm the validity of this tool and its effectiveness in predicting the  
number of deaths from COVID 19.  
Keywords: Artificial Intelligence, Time Series, COVID 19, Prediction, Forecast.  
INTRODUCCIÓN  
Hoy en día, la prioridad de todas las naciones, es lograr el máximo nivel de salud, tanto en el  
aspecto físico, mental y social. A nivel mundial se toman decisiones a favor del pueblo, con el fin  
de lograr este objetivo. Durante muchos años hemos sido afectados por diversos tipos de  
enfermedades, de los cuales hemos salido airosos a pesar de las pérdidas. Esto conlleva a  
preguntarnos: ¿Estaremos preparados para una pandemia de grandes magnitudes? ¿Nuestro  
sistema de salud llegaría a colapsar?  
En diciembre de 2019, se detectó por primera vez un brote causado por el nuevo coronavirus  
humano del síndrome respiratorio agudo grave de tipo 2 (SARS-CoV-2), en la ciudad de Wuhan,  
provincia de Hubei, en China [1]. Desde entonces se ha propagado por todo el mundo  
produciendo una severa crisis económica, social y de salud, nunca antes vista. Debido a su rápida  
extensión, la Organización Mundial de la Salud declaró la pandemia por la enfermedad de  
coronavirus del 2019 (COVID-19) el 11 de marzo del 2020. El COVID-19 hizo su aparición en  
Perú un poco más tarde en comparación con otros países. Al primer caso confirmado, se tomaron  
medidas como la instauración de un estado de emergencia sanitaria, inmovilización total  
obligatoria, medidas de higiene, cierre de fronteras y de aeropuertos. A pesar de todas las  
medidas tomadas por el estado peruano, se tuvo la tasa de mortalidad más alta a nivel mundial  
durante la primera ola de contagios.  
Con el desarrollo de la pandemia en Perú, la cantidad de fallecidos ha ido en aumento, según el  
registro de fallecimientos del Ministerio de Salud (MINSA) [2], las últimas cifras han sido  
alarmantes alcanzando un total de fallecidos de 193230 hasta el 03 de julio del 2021. Como  
estado, nuestro sistema de salud falló, nuestras entidades hospitalarias no se dieron abasto,  
incluso instituciones funerarias colapsaron, nuestro sistema educativo no está preparado para  
adversidades, nuestro sistema económico es ineficaz. ¿Cuántas personas más tendrán que morir  
para tener un buen sistema, para así prever las muertes de más peruanos?  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
Predicción de mortalidad a causa del Covid 19 en Perú  
utilizando redes neuronales artificiale
16  
Lamentablemente en nuestro país se tiene el pensamiento arcaico de “ver para creer”. Es por  
eso que teniendo cifras adecuadas, que nos permitan saber la cantidad de fallecidos posibles en  
un tiempo determinado, se podrían plantear nuevas estrategias. Para así evitar la aglomeración  
de pacientes y la desesperación de un pueblo que no solo se queja por la enfermedad, sino  
también por la falta de dinero, la crisis que produjo esta pandemia. Actualmente no se tiene un  
modelo predictivo que permita conocer el número de fallecidos diarios por COVID 19 en el Perú,  
al no tener este modelo no se podría estimar si la tasa de mortalidad incrementará en el tiempo.  
La inteligencia artificial es una nueva forma de resolver problemas dentro de los cuales se  
incluyen los sistemas expertos, el manejo y control de robots y los procesadores, que intenta  
integrar el conocimiento en tales sistemas, en otras palabras, un sistema inteligente capaz de  
escribir su propio programa. Un sistema experto definido como una estructura de programación  
capaz de almacenar y utilizar un conocimiento sobre un área determinada que se traduce en su  
capacidad de aprendizaje.  
El objetivo de la investigación es proponer una herramienta capaz de predecir la cantidad de  
fallecidos por COVID-19 en función del tiempo. Para el cumplimiento de dicho objetivo, el  
presente artículo consta de cuatro secciones, aparte de la introducción y se estructura de la  
siguiente manera: La sección Materiales y métodos o Metodología computacional, describe el  
desarrollo de las actividades realizadas a lo largo del trabajo de investigación, partiendo de  
conceptos previos y definición de las herramientas utilizadas, la sección de Análisis de los  
resultados, muestra la descripción del dataset utilizado, su respectivo tratamiento,  
entrenamiento de la herramienta y predicción; Finalmente en la sección de conclusiones, se  
presenta en base al objetivo planteado.  
MATERIALES Y MÉTODOS O METODOLOGÍA COMPUTACIONAL  
Conceptos  
Para dar solución al problema identificado es necesario conocer el concepto de Inteligencia  
Artificial, Series Temporales, Estacionalidad y las Principales librerías utilizadas en Python.  
Inteligencia Artificial  
Una de las definiciones que se puede considerar más ajustada a la realidad es la reflejada en la  
Encyclopedia Of Artificial Intelligence:  
“
La Inteligencia Artificial es un campo de la ciencia y la ingeniería que se ocupa de la  
comprensión, desde el punto de vista informático, de lo que se denomina comúnmente  
comportamiento inteligente. También se ocupa de la creación de artefactos que exhiben este  
comportamiento".  
Otros autores prefieren otras definiciones como:  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
Predicción de mortalidad a causa del Covid 19 en Perú  
utilizando redes neuronales artificiale
17  
“
La Inteligencia Artificial es el estudio de las ideas que permiten ser inteligentes a los  
ordenadores” (H.Winston).  
“
Parte de la informática que estudia procesos simbólicos, razonamiento no algorítmico y  
representaciones simbólicas de conocimiento” [3].  
Series Temporales  
Como lo describe [4], una serie temporal es un conjunto de observaciones de una variable  
tomadas al largo de intervalos regulares de tiempo, como el número de automóviles vendidos  
por un fabricante cada mes durante los últimos diez años. Las series temporales aparecen  
prácticamente en todos los campos de actividad. El interés de su análisis estadístico radica en el  
estudio del comportamiento de la serie, lo que permite explicar sus variaciones y, sobre todo,  
en la posibilidad de predecir valores futuros.  
Estacionalidad  
La estacionalidad se define por una fluctuación cíclica o periódica de la serie temporal que se  
repite de forma regular.  
Si no fuera por la estacionalidad, el análisis de las series temporales se convertiría en una tarea  
muy simple.[5]  
Un ejemplo claro de variación estacional es la que se produce a lo largo del año, particularmente  
en climas templados y fríos, en cuanto la temperatura, las precipitaciones inundaciones y sequías  
periódicas, la duración del día y la noche y la ecología, y que dan lugar a las estaciones del año.  
Herramientas  
En esta investigación propone como aporte una herramienta para determinar la predicción del  
crecimiento de los fallecimientos debido al Covid 19 en el mes de Julio, usando para ello Series  
temporales mediante herramientas de machine learning. Se utilizó como lenguaje de  
programación Python, la cual utiliza programación multiparadigma ya que soporta parcialmente  
la orientación a objetos, programación imperativa y en menor medida la programación funcional.  
Principales librerías de Python para Machine Learning  
●
Pandas: Librería más utilizada para el tratamiento de datos en Python, una de sus  
grandes virtudes que tiene esta librería es la carga de datos como los archivos de texto  
plano como CSV “Comma Separated Valúes”[6].  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
Predicción de mortalidad a causa del Covid 19 en Perú  
utilizando redes neuronales artificiale
18  
●
Numpy: Librería que por excelencia tiene su virtud en el procesamiento de arrays.  
Debido a que contiene una gran colección de funciones que permite realizar cálculos  
matemáticos complejos sobre arrays multidimensionales. [7]  
●
●
Matplotlib: Esta librería es importante en las tareas de visualización y entre sus  
cualidades destacan que es open source y trabaja a bajo nivel.  
Seaborn: Es una librería gráfica basada en matplotlib, especializada en la visualización  
de datos estadísticos. Se caracteriza por ofrecer un interfaz de alto nivel para crear  
gráficos estadísticos visualmente atractivos e informativos.  
●
●
Skelearn: Es una librería que cuenta con algoritmos de clasificación, regresión,  
clustering y reducción de dimensionalidad.  
Keras: Es una interfaz de alto nivel para manipular las redes neuronales, con keras  
podemos ver fácilmente si nuestras ideas darán buenos resultados inmediatos.[8]  
Google Colaboraty  
Como se indica. [9], utilizaremos la herramienta de Google Colaboratory también llamada  
“
Colab” la cual nos permitirá ejecutar y programar en Python desde nuestros navegadores  
mediante una Jupyter Notebook.  
ANÁLISIS Y RESULTADOS  
Diseño y Población  
El presente estudio fue descriptivo y estuvo basado en un análisis de series de tiempo  
correspondiente al período entre el 3 de marzo del 2020 al 3 de julio del 2021 en Perú. Se utilizó  
un dataset de los fallecidos por COVID 19, extraídos del portal del Gobierno del Estado Peruano  
en la sección de datos abiertos proporcionados por el Ministerio de Salud.  
Tratamiento del Dataset  
El dataset consta de 193,230 registros pertenecientes al periodo del 3 de marzo del 2020 al 3  
de julio del 2021, a continuación, se muestra el diccionario de datos:  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
Predicción de mortalidad a causa del Covid 19 en Perú  
utilizando redes neuronales artificiale
19  
Tabla 1. Diccionario de Datos.  
Variable  
FECHA_CORTE  
UUID  
Descripción  
Fecha de corte de información  
ID de la persona fallecida por covid-19  
FECHA_FALLECIMIEN Fecha de fallecimiento que ocurre por covid-19  
TO  
EDAD_DECLARADA  
SEXO  
Edad de la persona fallecida por covid-19  
Sexo de la persona fallecida por covid-19  
CLASIFICACION_DEF Criterios utilizados para la confirmacion de la defunción por covid-19  
UBIGEO  
Código de Ubicación Geografica que denotan "DDppdd" (Departamento,  
provincia,distrito), fuente INEI  
DEPARTAMENTO  
PROVINCIA  
Departamento donde reside la persona fallecida por covid-19  
Provincia donde reside la persona fallecida por covid-19  
DISTRITO  
Distrito donde reside la persona fallecida por covid-19  
Fuente: MINSA.  
Se ejecutaron las acciones de retirar aquellas filas con datos anómalos y anormales con la  
finalidad de no afectar considerablemente a los resultados, la estrategia desarrollada para dicho  
tratamiento consistió en eliminarlas del dataset.  
Seguidamente y disponiendo de un dataset depurado se procedió a eliminar las columnas  
FECHA_CORTE, UUID, CLASIFICACION_DEF, UBIGEO, DEPARTAMENTO, PROVINCIA y  
DISTRITO, la justificación de lo señalado se basa en el aspecto que la serie de tiempo será  
aplicada sobre la columna FECHA_FALLECIMIENTO.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
Predicción de mortalidad a causa del Covid 19 en Perú  
utilizando redes neuronales artificiale
20  
Se realiza una conversión de la columna FECHA_FALLECIMIENTO que es de tipo INT a formato  
DATETIME, el cual nos permitirá realizar el agrupamiento de cantidad de fallecidos por fecha.  
A continuación, se procede a crear un índice con la correspondiente columna de  
FECHA_FALLECIMIENTO, es importante señalar que una de las características más poderosas y  
recomendadas de las series temporales es la indexación basada en el tiempo, el uso de fechas y  
horas para organizar y acceder de forma intuitiva a los datos.  
A partir del índice creado iniciamos las acciones de obtener la cantidad de filas agrupadas por  
fecha con las que se va a procesar siendo un total de: 479 filas.  
La reducción de resolución es volver a muestrear con resample un conjunto de datos de series  
de tiempo a un marco de tiempo más amplio, en el caso aplicado se está pasando de días a  
meses originando un número reducido de filas.  
Estacionalidad  
En el siguiente modelo se ajusta la media de los fallecidos por COVID 19 del año 2020 con el  
año 2021, observando que las líneas de color azul y naranja no coinciden, no son exactas, pero  
sí muestran una misma tendencia. Esto muestra un comportamiento de un periodo de repetición  
por lo cual esta serie temporal es considerada Estacionaria.  
Figura 1. Comportamiento de la Serie temporal de los fallecidos por COVID 19 del año 2020 y 2021.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
Predicción de mortalidad a causa del Covid 19 en Perú  
utilizando redes neuronales artificiale
21  
PREPROCESAMIENTO  
Debido a que la cantidad de variables de entrada es una sola columna, se necesita hacer un  
preprocesamiento de nuestro dataset para tener más variables de entrada. Para este fin estamos  
considerando el hacer una conversión de series a aprendizaje supervisado considerando 7 días.  
El resultado de esta conversión es el siguiente:  
Figura 2. Resultado del preprocesamiento.  
Entrenamiento  
Se aplicó el modelo de series temporales utilizando un 60% para entrenamiento y 40% para  
pruebas. Este procesamiento se hizo sobre un total 479 registros de agrupamiento de  
fallecimientos por fecha.  
Con esto hemos procesado para entrenamiento 287 registros y para la validación 192 días  
teniendo como resultado del entrenamiento los siguientes valores  
0
s 2ms/step - loss: 0.0553 - mse: 0.0049 - val_loss: 0.0480 - val_mse: 0.0037  
El siguiente gráfico nos muestra en los puntos verdes el valor esperado del entrenamiento y los  
puntos rojos el valor resultante de la red neuronal que es valor de validación de prueba y como  
se puede apreciar sin muy cercanos.  
Respecto a la pérdida (loss) se puede apreciar el siguiente gráfico que muestra en azul la pérdida  
del valor esperado y en rojo la pérdida del valor hallado en la prueba de nuestro modelo lo que  
indica que también son similares.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
Predicción de mortalidad a causa del Covid 19 en Perú  
utilizando redes neuronales artificiale
22  
Figura 3. Tendencia de valores esperados vs valores resultantes de la red neuronal.  
Figura 4. Tendencia de valor de Loss (pérdida) de datos esperados y resultantes de la red neuronal.  
En este gráfico tenemos la variación del valor de error cuadrático medio que es la suma de las  
diferencias entre el valor esperado vs el valor de validación elevado al cuadrado el cual nos da  
al final un valor de precisión de 0.037.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
Predicción de mortalidad a causa del Covid 19 en Perú  
utilizando redes neuronales artificiale
23  
Figura 5. Comportamiento del error cuadrático medio.  
Finalmente, para poder visualizar en la Figura 6 la diferencia entre los valores que nuestro  
modelo predijo en el entrenamiento vs el valor real de fallecidos tenemos el siguiente cuadro  
que nos muestra que mantiene la misma tendencia.  
Predicción  
Como nuestro modelo ya se encuentra entrenado y validado, procedemos a realizar la predicción;  
ya que, nuestro dataset solo nos muestra la cantidad de fallecidos hasta el 03 de Julio del 2021,  
se realizó la predicción de la cantidad de fallecidos para el periodo restante hasta fines del mes  
de Julio del 2021. Para la predicción se utilizará los últimos 30 días de nuestro dataset para  
predecir el mes de Julio.  
En la Figura 7 se muestra la distribución de elementos por día, mostrando una tendencia a la  
baja en la cantidad de fallecidos, Se puede evidenciar que para fines del mes de Julio se llegará  
a los 110 fallecidos, la mitad de la cantidad de fallecidos a inicios del mismo mes que es 220;  
asimismo, observamos dos picos durante el mes, al tercer día del mes en el que hay un aumento  
de 208 a 211 fallecidos y el segundo pico lo vemos al sexto día con un aumento de 180 a 182  
fallecidos.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
Predicción de mortalidad a causa del Covid 19 en Perú  
utilizando redes neuronales artificiale
24  
Figura 6. Tendencia de cantidad de fallecidos de la predicción del entrenamiento vs el valor real.  
Figura 7. Pronóstico para el mes de Julio 2021.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
Predicción de mortalidad a causa del Covid 19 en Perú  
utilizando redes neuronales artificiale
25  
CONCLUSIONES  
Con los datos disponibles hasta la fecha se presenta una herramienta para la predicción de la  
cantidad de fallecidos a causa del COVID 19 basada en redes neuronales artificiales, que  
complementa a la información proporcionada por el ministerio de salud a través del portal de  
datos abiertos.  
Los resultados obtenidos a lo largo del artículo confirman la validez de esta herramienta y la  
efectividad en la predicción de la cantidad de fallecidos a causa del COVID 19, lo cual se evidencia  
en la sección de análisis y resultados.  
Los modelos identificados a lo largo del artículo presentan un horizonte de estimación que  
depende de la estacionalidad, en aras de obtener una buena predicción. Para el desarrollo de la  
presente herramienta se utilizó con la cantidad de fallecidos por Covid 19 durante la pandemia,  
por lo que dicha estacionalidad es temporal debido a que al término de la pandemia volvería a  
sus valores normales.  
En otras palabras, se requiere construir un modelo que simule de forma más precisa utilizando  
un dataset más amplio que no considere el tiempo de pandemia para que se pueda aplicar para  
futuros años post pandemia.  
REFERENCIAS  
[
1] Organización Mundial de la Salud, “coronavirus COVID 19” July, 2021. [Online]. Available:  
https://www.who.int/es/emergencies/diseases/novel-coronavirus-2019?gclid=CjwKCAjw55-  
HBhAHEiwARMCszrbbBSFmekHH9cphVjelvC85L8pGGpKMcOMiNDkbJPAMYeUrpSEXaRoCT7MQAv  
D_BwE. [Accessed Jul. 09, 2021].  
[2]  
Ministerio  
de  
salud,  
“datos  
abiertos,”  
July,  
2021.  
[Online].  
Available:  
https://www.datosabiertos.gob.pe/dataset/fallecidos-por-covid-19-ministerio-de-salud-  
minsa/resource/4b7636f3-5f0c-4404-8526. [Accessed Jul. 09, 2021].  
[3] R. Pino, A. Gómez, N.de Abajo, "Introducción a la inteligencia artificial: sistemas expertos,  
redes neuronales artificiales y computación evolutiva," Universidad de Oviedo, pp. 01, 2001.  
[4] C. Guisande, A. Vaamonde, A. Barreiro, "Tratamiento de datos con R, Statistica y SPSS,"  
Ediciones Diaz de santos, pp. 585, 2013.  
[5] J. Arnau, "Diseños de Series Temporales: Técnicas de Análisis," Edicions Universitat  
Barcelona, pp. 92, 2001.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
Predicción de mortalidad a causa del Covid 19 en Perú  
utilizando redes neuronales artificiale
26  
[6] W. McKinney, "Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython,"  
O'Reilly Media, pp. 04, 2012.  
[7] F. Nelli, "Python Data Analytics: With Pandas, NumPy, and Matplotlib," Apress, pp. 47, 2018.  
[8] J. Torres, "DEEP LEARNING Introducción práctica con Keras," CC BY-NC-SA, pp. 97, 2018.  
[9] B. Auffarth, "Artificial Intelligence with Python Cookbook: Proven recipes for applying AI  
algorithms and deep learning techniques using TensorFlow 2.x and PyTorch 1.6," Packt Publishing  
Ltd, pp. 10, 2020.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935