Modelo bivariado, espacio temporal para la explicación de las tasas de infectados y muertos del Covid en Colombia a nivel Departamental.
Los modelos de datos de áreas son usados en la descripción de comportamientos de variables en espacios delimitados conocidos como vecindades. Estas usualmente son producto de la geografía o por factores políticos. Al incluir un factor temporal, se observa como una variable no solo se relaciona con s...
- Autores:
-
Cano Ortega, Camilo Ernesto
- Tipo de recurso:
- Masters Thesis
- Fecha de publicación:
- 2022
- Institución:
- Universidad Santo Tomás
- Repositorio:
- Repositorio Institucional USTA
- Idioma:
- spa
- OAI Identifier:
- oai:repository.usta.edu.co:11634/45882
- Acceso en línea:
- http://hdl.handle.net/11634/45882
- Palabra clave:
- Area Data
CAR Model
COVID-19
Epidemiology
Bayesian
Temporal space
Estadística
Estadística médica
Estadística demográfica
Datos de área
Modelos CAR
COVID-19
Epidemiología
Bayesiana
espacio temporal
- Rights
- openAccess
- License
- Atribución-SinDerivadas 2.5 Colombia
| id |
SANTTOMAS2_9c627adc7ad460f25a4e1765f6f1d432 |
|---|---|
| oai_identifier_str |
oai:repository.usta.edu.co:11634/45882 |
| network_acronym_str |
SANTTOMAS2 |
| network_name_str |
Repositorio Institucional USTA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Modelo bivariado, espacio temporal para la explicación de las tasas de infectados y muertos del Covid en Colombia a nivel Departamental. |
| title |
Modelo bivariado, espacio temporal para la explicación de las tasas de infectados y muertos del Covid en Colombia a nivel Departamental. |
| spellingShingle |
Modelo bivariado, espacio temporal para la explicación de las tasas de infectados y muertos del Covid en Colombia a nivel Departamental. Area Data CAR Model COVID-19 Epidemiology Bayesian Temporal space Estadística Estadística médica Estadística demográfica Datos de área Modelos CAR COVID-19 Epidemiología Bayesiana espacio temporal |
| title_short |
Modelo bivariado, espacio temporal para la explicación de las tasas de infectados y muertos del Covid en Colombia a nivel Departamental. |
| title_full |
Modelo bivariado, espacio temporal para la explicación de las tasas de infectados y muertos del Covid en Colombia a nivel Departamental. |
| title_fullStr |
Modelo bivariado, espacio temporal para la explicación de las tasas de infectados y muertos del Covid en Colombia a nivel Departamental. |
| title_full_unstemmed |
Modelo bivariado, espacio temporal para la explicación de las tasas de infectados y muertos del Covid en Colombia a nivel Departamental. |
| title_sort |
Modelo bivariado, espacio temporal para la explicación de las tasas de infectados y muertos del Covid en Colombia a nivel Departamental. |
| dc.creator.fl_str_mv |
Cano Ortega, Camilo Ernesto |
| dc.contributor.advisor.none.fl_str_mv |
Pineda Rios, Wilmer Dario |
| dc.contributor.author.none.fl_str_mv |
Cano Ortega, Camilo Ernesto |
| dc.contributor.corporatename.spa.fl_str_mv |
Universidad Santo Tomás |
| dc.subject.keyword.spa.fl_str_mv |
Area Data CAR Model COVID-19 Epidemiology Bayesian Temporal space |
| topic |
Area Data CAR Model COVID-19 Epidemiology Bayesian Temporal space Estadística Estadística médica Estadística demográfica Datos de área Modelos CAR COVID-19 Epidemiología Bayesiana espacio temporal |
| dc.subject.lemb.spa.fl_str_mv |
Estadística Estadística médica Estadística demográfica |
| dc.subject.proposal.spa.fl_str_mv |
Datos de área Modelos CAR COVID-19 Epidemiología Bayesiana espacio temporal |
| description |
Los modelos de datos de áreas son usados en la descripción de comportamientos de variables en espacios delimitados conocidos como vecindades. Estas usualmente son producto de la geografía o por factores políticos. Al incluir un factor temporal, se observa como una variable no solo se relaciona con sus vecinos en un periodo t, sino también con elementos de periodos anteriores. El objetivo del presente trabajo es, a partir de la teoría de los modelos espacio temporales para datos de área, lograr explicar cómo la influencia de las vecindades define la evolución de los casos de COVID-19 a nivel departamental en Colombia, del periodo del 1 de junio 2020 al 31 de enero 2021. |
| publishDate |
2022 |
| dc.date.accessioned.none.fl_str_mv |
2022-07-18T14:29:37Z |
| dc.date.available.none.fl_str_mv |
2022-07-18T14:29:37Z |
| dc.date.issued.none.fl_str_mv |
2022-07-10 |
| dc.type.local.spa.fl_str_mv |
Tesis de maestría |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_bdcc |
| dc.type.drive.none.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| format |
http://purl.org/coar/resource_type/c_bdcc |
| status_str |
acceptedVersion |
| dc.identifier.citation.spa.fl_str_mv |
Cano Ortega, C. E. (2022). Modelo bivariado, espacio temporal para la explicación de las tasas de infectados y muertos del Covid en Colombia a nivel Departamental. [Trabajo de maestría, Universidad Santo Tomás]. Repositorio institucional. |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/11634/45882 |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Universidad Santo Tomás |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Santo Tomás |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.usta.edu.co |
| identifier_str_mv |
Cano Ortega, C. E. (2022). Modelo bivariado, espacio temporal para la explicación de las tasas de infectados y muertos del Covid en Colombia a nivel Departamental. [Trabajo de maestría, Universidad Santo Tomás]. Repositorio institucional. reponame:Repositorio Institucional Universidad Santo Tomás instname:Universidad Santo Tomás repourl:https://repository.usta.edu.co |
| url |
http://hdl.handle.net/11634/45882 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Agresti, A. (2015). Foundations of linear and generalized linear models. John Wiley & Sons. Brauer, F., Van den Driessche, P., & Allen, L. J. (2008). Mathematical epidemiology (Vol. 1945, pp. 3-17). J. Wu (Ed.). Berlin: Springer. Anselin, L. (1995). Local indicators of spatial association—LISA. Geographical analysis, 27(2), 93-115. Assunção, R., & Krainski, E. (2009). Neighborhood dependence in Bayesian spatial models. Biometrical Journal: Journal of Mathematical Methods in Biosciences, 51(5), 851-869. Ballesteros, P., Salazar, E., Sánchez, D., & Bolaños, C. (2021). Spatial and spatiotemporal clustering of the COVID-19 pandemic in Ecuador. Revista de la Facultad de Medicina, 69(1). Barbeito, J. M., & Villalón, J. G. (2003). Introducción al cálculo estocástico aplicado a la modelización económico-financiero-actuarial. Netbiblo. Bautista, F., Palma-López, D., & Huchin-Malta, W. (2005). Actualización de la clasificación de los suelos del estado de Yucatán. Caracterización y manejo de los suelos de la Península de Yucatán: Implicaciones agropecuarias, forestales y ambientales, 105-122. Bavaud, F. (1998). Models for spatial weights: a systematic look. Geographical analysis, 30(2), 153-171. Bivand, R. S., & Pebesma, E. J. V. G omez-Rubio.(2008). Applied Spatial Data Analysis with R. Blangiardo, M., & Cameletti, M. (2015). Spatial and spatio-temporal Bayesian models with R-INLA. John Wiley & Sons. Cressie, N. (2015). Statistics for spatial data. John Wiley & Sons. DANE. Producto interno bruto por departamento. 2022. Granada-Echeverri, M., Molina-Cabrera, A., & Granada-Echeverri, P. (2020). Proyección espacio-temporal del Covid-19 en Pereira. TecnoLógicas, 23(49), 108-125. Cuartas, D. E., Arango-Londoño, D., Guzmán-Escarria, G., Muñoz, E., Caicedo, D., Ortega, D., ... & Méndez, F. (2020). Análisis espacio-temporal del SARS-coV-2 en Cali, Colombia. Revista de Salud Pública, 22(2). Feng, C. (2021). Spatial-temporal generalized additive model for modeling COVID-19 mortality risk in Toronto, Canada. Spatial Statistics, 100526. Gelfand, A. E., Diggle, P., Guttorp, P., & Fuentes, M. (2010). Handbook of spatial statistics. CRC press. Gelman, A. (2006). Prior distributions for variance parameters in hierarchical models (comment on article by Browne and Draper). Bayesian analysis, 1(3), 515-534. Griffith, D. A. (1993). Advanced spatial statistics for analysing and visualizing geo-referenced data. International Journal of Geographical Information Science, 7(2), 107-123. Haining, R. P., & Haining, R. (2003). Spatial data analysis: theory and practice. Cambridge university press. Hernández Villaizan, M. F. (2019). Análisis del número de pacientes fallecidos con cáncer de mama y próstata en la población colombiana por departamento en el periodo (2006-2015) mediante un modelo Poisson espacio-temporal bayesiano. Kruschke, J. (2014). Doing Bayesian data analysis: A tutorial with R, JAGS, and Stan. López, G. B. (2015). La geolocalización social. Polígonos. Revista de geografía, 27, 97-118. Manrique-Abril, F. G., Agudelo-Calderon, C. A., González-Chordá, V. M., Gutiérrez-Lesmes, O., Téllez-Piñerez, C. F., & Herrera-Amaya, G. (2020). Modelo SIR de la pandemia de Covid-19 en Colombia. Revista de Salud Pública, 22(2). Molina, L. M. C., Tejeda-Camargo, M. J., Clavijo, J. A. C., Montoya, L. M., Barrezueta-Solano, L. J., Cardona-Montoya, S., ... & Rendón-Varela, J. A. (2020). Características clínicas y sociodemográficas de pacientes fallecidos por COVID-19 en Colombia. Revista Repertorio de Medicina y Cirugía, 45-51. Myers, R. H., Montgomery, D. C., Vining, G. G., & Robinson, T. J. (2012). Generalized linear models: with applications in engineering and the sciences. John Wiley & Sons. Niño Martínez, N. (2018). Modelo de regresión beta espacio temporal bayesiano para estimar la proporción de víctimas de desplazamiento forzado por municipio en Colombia para el periodo 2002-2016. Rachev, S. T., Hsu, J. S., Bagasheva, B. S., & Fabozzi, F. J. (2008). Bayesian methods in finance. John Wiley & Sons. Ripley, B. D. (2005). Spatial statistics. John Wiley & Sons. Rodrigues, E. C., & Assunçao, R. (2012). Bayesian spatial models with a mixture neighborhood structure. Journal of Multivariate Analysis, 109, 88-102. Rue, H., & Held, L. (2005). Gaussian Markov random fields: theory and applications. Chapman and Hall/CRC. Shekhar, S., & Xiong, H. (Eds.). (2007). Encyclopedia of GIS. Springer Science & Business Media. Sidén, P., & Lindsten, F. (2020, November). Deep gaussian markov random fields. In International Conference on Machine Learning (pp. 8916-8926). PMLR. Spiegelhalter, D. J., Best, N. G., Carlin, B. P., & Van Der Linde, A. (2002). Bayesian measures of model complexity and fit. Journal of the royal statistical society: Series b (statistical methodology), 64(4), 583-639. Steinsland, I. (2003). Parallel sampling of GMRFs and geostatistical GMRF models (No. STAT-2003-7). SIS-2005-003. Suárez, N. R. B., Sabogal, J. E. M., Carmona, E. J., Rosales, P. C., Zambrano, F. H. L., Rivas, M. M., & Pérez, N. O. (2005). Análisis de asociación entre indicadores biológicos teniendo en cuenta la estructura de correlación espacial. Modelamiento Estadístico, 275. Tariq, A., Chakhaia, T., Dahal, S., Ewing, A., Hua, X., Ofori, S. K., ... & Chowell, G. (2022). An investigation of spatial-temporal patterns and predictions of the coronavirus 2019 pandemic in Colombia, 2020–2021. PLoS neglected tropical diseases, 16(3), e0010228. Trilleras Martínez, A. (2018). Prior no informativas y su influencia en la estimación de los parámetros no estructurales de un modelo TAR multivariado. Estadística. Velavan, T. P., & Meyer, C. G. (2020). The COVID‐19 epidemic. Tropical medicine & international health, 25(3), 278. |
| dc.rights.*.fl_str_mv |
Atribución-SinDerivadas 2.5 Colombia |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nd/2.5/co/ |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Atribución-SinDerivadas 2.5 Colombia http://creativecommons.org/licenses/by-nd/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.campus.spa.fl_str_mv |
CRAI-USTA Bogotá |
| dc.publisher.spa.fl_str_mv |
Universidad Santo Tomás |
| dc.publisher.program.spa.fl_str_mv |
Maestría Estadística Aplicada |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Estadística |
| institution |
Universidad Santo Tomás |
| bitstream.url.fl_str_mv |
https://repository.usta.edu.co/bitstream/11634/45882/1/2022camilocano.pdf https://repository.usta.edu.co/bitstream/11634/45882/2/Carta%20CRAI%20Camilo%20Ernesto%20Cano%20Ortega.pdf https://repository.usta.edu.co/bitstream/11634/45882/3/Derechos%20de%20autor.pdf https://repository.usta.edu.co/bitstream/11634/45882/4/license_rdf https://repository.usta.edu.co/bitstream/11634/45882/5/license.txt https://repository.usta.edu.co/bitstream/11634/45882/6/2022camilocano.pdf.jpg https://repository.usta.edu.co/bitstream/11634/45882/7/Carta%20CRAI%20Camilo%20Ernesto%20Cano%20Ortega.pdf.jpg https://repository.usta.edu.co/bitstream/11634/45882/8/Derechos%20de%20autor.pdf.jpg |
| bitstream.checksum.fl_str_mv |
df7408ac29f8c3b976c2cbfb96238e9d 90760c532754ff465edc2d6465b421ca 6ad0569b40cb1686c0e30a9e2273eb9a dab767be7a093b539031785b3bf95490 aedeaf396fcd827b537c73d23464fc27 d62ab46ae5c410b0ebcaa3ce2e6e78e5 5b7a687a48a537d8d4fd36529e0f4e64 e7548eaeb7680b8350c43deb99b43ed7 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Universidad Santo Tomás |
| repository.mail.fl_str_mv |
repositorio@usantotomas.edu.co |
| _version_ |
1782026117964627968 |
| spelling |
Pineda Rios, Wilmer DarioCano Ortega, Camilo ErnestoUniversidad Santo Tomás2022-07-18T14:29:37Z2022-07-18T14:29:37Z2022-07-10Cano Ortega, C. E. (2022). Modelo bivariado, espacio temporal para la explicación de las tasas de infectados y muertos del Covid en Colombia a nivel Departamental. [Trabajo de maestría, Universidad Santo Tomás]. Repositorio institucional.http://hdl.handle.net/11634/45882reponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.coLos modelos de datos de áreas son usados en la descripción de comportamientos de variables en espacios delimitados conocidos como vecindades. Estas usualmente son producto de la geografía o por factores políticos. Al incluir un factor temporal, se observa como una variable no solo se relaciona con sus vecinos en un periodo t, sino también con elementos de periodos anteriores. El objetivo del presente trabajo es, a partir de la teoría de los modelos espacio temporales para datos de área, lograr explicar cómo la influencia de las vecindades define la evolución de los casos de COVID-19 a nivel departamental en Colombia, del periodo del 1 de junio 2020 al 31 de enero 2021.Lattice data models are used to describe the behavior of variables in delimited spaces known as neighborhoods, these usually generated geographically or artificially by political factors. In addition to these neighborhoods, we include a temporal factor, we can observe how a variable is not only related to its neighbors in a period t, but also elements from previous periods. This work’s main idea is based on the theory of space-time models for area data, an application of these models usually applied to epidemiology to describe the evolution of COVID-19 at the departmental level in the Colombian territory, in the period chosen from studyMagister en Estadística AplicadaMaestríaapplication/pdfspaUniversidad Santo TomásMaestría Estadística AplicadaFacultad de EstadísticaAtribución-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Modelo bivariado, espacio temporal para la explicación de las tasas de infectados y muertos del Covid en Colombia a nivel Departamental.Area DataCAR ModelCOVID-19EpidemiologyBayesianTemporal spaceEstadísticaEstadística médicaEstadística demográficaDatos de áreaModelos CARCOVID-19EpidemiologíaBayesianaespacio temporalTesis de maestríainfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisCRAI-USTA BogotáAgresti, A. (2015). Foundations of linear and generalized linear models. John Wiley & Sons.Brauer, F., Van den Driessche, P., & Allen, L. J. (2008). Mathematical epidemiology (Vol. 1945, pp. 3-17). J. Wu (Ed.). Berlin: Springer.Anselin, L. (1995). Local indicators of spatial association—LISA. Geographical analysis, 27(2), 93-115.Assunção, R., & Krainski, E. (2009). Neighborhood dependence in Bayesian spatial models. Biometrical Journal: Journal of Mathematical Methods in Biosciences, 51(5), 851-869.Ballesteros, P., Salazar, E., Sánchez, D., & Bolaños, C. (2021). Spatial and spatiotemporal clustering of the COVID-19 pandemic in Ecuador. Revista de la Facultad de Medicina, 69(1).Barbeito, J. M., & Villalón, J. G. (2003). Introducción al cálculo estocástico aplicado a la modelización económico-financiero-actuarial. Netbiblo.Bautista, F., Palma-López, D., & Huchin-Malta, W. (2005). Actualización de la clasificación de los suelos del estado de Yucatán. Caracterización y manejo de los suelos de la Península de Yucatán: Implicaciones agropecuarias, forestales y ambientales, 105-122.Bavaud, F. (1998). Models for spatial weights: a systematic look. Geographical analysis, 30(2), 153-171.Bivand, R. S., & Pebesma, E. J. V. G omez-Rubio.(2008). Applied Spatial Data Analysis with R.Blangiardo, M., & Cameletti, M. (2015). Spatial and spatio-temporal Bayesian models with R-INLA. John Wiley & Sons.Cressie, N. (2015). Statistics for spatial data. John Wiley & Sons.DANE. Producto interno bruto por departamento. 2022.Granada-Echeverri, M., Molina-Cabrera, A., & Granada-Echeverri, P. (2020). Proyección espacio-temporal del Covid-19 en Pereira. TecnoLógicas, 23(49), 108-125.Cuartas, D. E., Arango-Londoño, D., Guzmán-Escarria, G., Muñoz, E., Caicedo, D., Ortega, D., ... & Méndez, F. (2020). Análisis espacio-temporal del SARS-coV-2 en Cali, Colombia. Revista de Salud Pública, 22(2).Feng, C. (2021). Spatial-temporal generalized additive model for modeling COVID-19 mortality risk in Toronto, Canada. Spatial Statistics, 100526.Gelfand, A. E., Diggle, P., Guttorp, P., & Fuentes, M. (2010). Handbook of spatial statistics. CRC press.Gelman, A. (2006). Prior distributions for variance parameters in hierarchical models (comment on article by Browne and Draper). Bayesian analysis, 1(3), 515-534.Griffith, D. A. (1993). Advanced spatial statistics for analysing and visualizing geo-referenced data. International Journal of Geographical Information Science, 7(2), 107-123.Haining, R. P., & Haining, R. (2003). Spatial data analysis: theory and practice. Cambridge university press.Hernández Villaizan, M. F. (2019). Análisis del número de pacientes fallecidos con cáncer de mama y próstata en la población colombiana por departamento en el periodo (2006-2015) mediante un modelo Poisson espacio-temporal bayesiano.Kruschke, J. (2014). Doing Bayesian data analysis: A tutorial with R, JAGS, and Stan.López, G. B. (2015). La geolocalización social. Polígonos. Revista de geografía, 27, 97-118.Manrique-Abril, F. G., Agudelo-Calderon, C. A., González-Chordá, V. M., Gutiérrez-Lesmes, O., Téllez-Piñerez, C. F., & Herrera-Amaya, G. (2020). Modelo SIR de la pandemia de Covid-19 en Colombia. Revista de Salud Pública, 22(2).Molina, L. M. C., Tejeda-Camargo, M. J., Clavijo, J. A. C., Montoya, L. M., Barrezueta-Solano, L. J., Cardona-Montoya, S., ... & Rendón-Varela, J. A. (2020). Características clínicas y sociodemográficas de pacientes fallecidos por COVID-19 en Colombia. Revista Repertorio de Medicina y Cirugía, 45-51.Myers, R. H., Montgomery, D. C., Vining, G. G., & Robinson, T. J. (2012). Generalized linear models: with applications in engineering and the sciences. John Wiley & Sons.Niño Martínez, N. (2018). Modelo de regresión beta espacio temporal bayesiano para estimar la proporción de víctimas de desplazamiento forzado por municipio en Colombia para el periodo 2002-2016.Rachev, S. T., Hsu, J. S., Bagasheva, B. S., & Fabozzi, F. J. (2008). Bayesian methods in finance. John Wiley & Sons.Ripley, B. D. (2005). Spatial statistics. John Wiley & Sons.Rodrigues, E. C., & Assunçao, R. (2012). Bayesian spatial models with a mixture neighborhood structure. Journal of Multivariate Analysis, 109, 88-102.Rue, H., & Held, L. (2005). Gaussian Markov random fields: theory and applications. Chapman and Hall/CRC.Shekhar, S., & Xiong, H. (Eds.). (2007). Encyclopedia of GIS. Springer Science & Business Media.Sidén, P., & Lindsten, F. (2020, November). Deep gaussian markov random fields. In International Conference on Machine Learning (pp. 8916-8926). PMLR.Spiegelhalter, D. J., Best, N. G., Carlin, B. P., & Van Der Linde, A. (2002). Bayesian measures of model complexity and fit. Journal of the royal statistical society: Series b (statistical methodology), 64(4), 583-639.Steinsland, I. (2003). Parallel sampling of GMRFs and geostatistical GMRF models (No. STAT-2003-7). SIS-2005-003.Suárez, N. R. B., Sabogal, J. E. M., Carmona, E. J., Rosales, P. C., Zambrano, F. H. L., Rivas, M. M., & Pérez, N. O. (2005). Análisis de asociación entre indicadores biológicos teniendo en cuenta la estructura de correlación espacial. Modelamiento Estadístico, 275.Tariq, A., Chakhaia, T., Dahal, S., Ewing, A., Hua, X., Ofori, S. K., ... & Chowell, G. (2022). An investigation of spatial-temporal patterns and predictions of the coronavirus 2019 pandemic in Colombia, 2020–2021. PLoS neglected tropical diseases, 16(3), e0010228.Trilleras Martínez, A. (2018). Prior no informativas y su influencia en la estimación de los parámetros no estructurales de un modelo TAR multivariado. Estadística.Velavan, T. P., & Meyer, C. G. (2020). The COVID‐19 epidemic. Tropical medicine & international health, 25(3), 278.ORIGINAL2022camilocano.pdf2022camilocano.pdfTrabajo de Gradoapplication/pdf1581852https://repository.usta.edu.co/bitstream/11634/45882/1/2022camilocano.pdfdf7408ac29f8c3b976c2cbfb96238e9dMD51open accessCarta CRAI Camilo Ernesto Cano Ortega.pdfCarta CRAI Camilo Ernesto Cano Ortega.pdfCarta Facultadapplication/pdf205008https://repository.usta.edu.co/bitstream/11634/45882/2/Carta%20CRAI%20Camilo%20Ernesto%20Cano%20Ortega.pdf90760c532754ff465edc2d6465b421caMD52metadata only accessDerechos de autor.pdfDerechos de autor.pdfCarta de derechos de autorapplication/pdf289810https://repository.usta.edu.co/bitstream/11634/45882/3/Derechos%20de%20autor.pdf6ad0569b40cb1686c0e30a9e2273eb9aMD53metadata only accessCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://repository.usta.edu.co/bitstream/11634/45882/4/license_rdfdab767be7a093b539031785b3bf95490MD54open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8807https://repository.usta.edu.co/bitstream/11634/45882/5/license.txtaedeaf396fcd827b537c73d23464fc27MD55open accessTHUMBNAIL2022camilocano.pdf.jpg2022camilocano.pdf.jpgIM Thumbnailimage/jpeg7633https://repository.usta.edu.co/bitstream/11634/45882/6/2022camilocano.pdf.jpgd62ab46ae5c410b0ebcaa3ce2e6e78e5MD56open accessCarta CRAI Camilo Ernesto Cano Ortega.pdf.jpgCarta CRAI Camilo Ernesto Cano Ortega.pdf.jpgIM Thumbnailimage/jpeg8750https://repository.usta.edu.co/bitstream/11634/45882/7/Carta%20CRAI%20Camilo%20Ernesto%20Cano%20Ortega.pdf.jpg5b7a687a48a537d8d4fd36529e0f4e64MD57open accessDerechos de autor.pdf.jpgDerechos de autor.pdf.jpgIM Thumbnailimage/jpeg7453https://repository.usta.edu.co/bitstream/11634/45882/8/Derechos%20de%20autor.pdf.jpge7548eaeb7680b8350c43deb99b43ed7MD58open access11634/45882oai:repository.usta.edu.co:11634/458822022-10-10 17:04:03.309open accessRepositorio Universidad Santo Tomásrepositorio@usantotomas.edu.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 |