Julia Iraida Ortiz-Guizado
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Julia Iraida Ortiz-Guizado has a total of 16 co-authors. Here are the top co-authors by number of shared publications:
- Olegario Marín-Machuca
Grupo de Investigación en Sostenibilidad Ambiental (GISA), Departamento Académico de Ingeniería en Acuicultura, Facultad de Oceanografía, Pesquería, Ciencias Alimentarias y Acuicultura, Escuela Universitaria de Graduados (EUPG), Universidad Nacional Federico Villarreal, Lima 15088, Peru
4 shared publications - Fredy Aníbal Alvarado-Zambrano
Laboratorio de Análisis Sensorial de Alimentos, Facultad de Ingeniería de Industrias Alimentarias Universidad Nacional Santiago Antúnez de Mayolo. Huaraz, Perú
3 shared publications - José Eduardo Candela-Díaz
Faculty of Oceanography, Fisheries, Food Sciences, and Aquaculture. Universidad Nacional Federico Villarreal. Lima, Peru
3 shared publications - Ricardo Arnaldo Alvarado-Zambrano
Facultad de Industrias Alimentarias. Departamento de Ciencia y Tecnología. Universidad Nacional Agraria de la Selva. Tingo María, Perú
3 shared publications - Ulert Marín-Sánchez
Dirección General de Asuntos Ambientales de Industria (DGAAMI). Ministerio de la Producción (PRODUCE), Lima, Perú
3 shared publications - Carlos Enrique Chinchay-Barragán
Professional School of Food Engineering, Faculty of Fisheries and Food Engineering, Universidad Nacional del Callao. Callao, Peru
2 shared publications
Latest Publications
- Open Access
- 22 February 2024
- Published by Universidad Ricardo Palma in Biotempo
- Vol. 21 (1) , 11-21
Comparación estadística de la infección por la viruela del mono (MPOX) entre Norteamérica y Sudamérica
La viruela del mono (mpox) es un virus de la misma familia que la viruela humana, detectada en regiones boscosas tropicales en mayo de 2022 en el Reino Unido y posteriormente en América Latina. El objetivo de la presente investigación fue estudiar, mediante modelos matemáticos, la infectividad del Monkeypox en Norteamérica en comparación epidemiológica con Sudamérica. Se ha tomado en cuenta los datos de contagiados por la viruela del mono tanto en Norteamérica y Sudamérica entre inicio de junio 2022 y fines de febrero 2023. Realizando la dispersión pandémica, se determinó que el modelo matemático de estimación es ; con el cual se estimó el número de personas contagiadas con la viruela del mono, tanto en Norteamérica como en Sudamérica. Se determinó modelo matemático de estimación de la velocidad de contagios con la viruela del mono, tanto de Norteamérica como de Sudamérica, es: . A nivel de significancia del 5 %, las varianzas de las constantes ( ) de los dos modelos son homogéneas, los contagios por la viruela del mono en Norteamérica como en Sudamérica tienen diferencia no significativa; las constantes de proporcionalidad de los modelos son iguales y existe una “correlacion muy fuerte” entre el tiempo y las personas contagiadas por la viruela del mono (mpox).
- 22 February 2024
- Published by Universidad Ricardo Palma in Biotempo
- Vol. 21 (1) , 11-21
Open AccessComparación estadística de la infección por la viruela del mono (MPOX) entre Norteamérica y Sudamérica
La viruela del mono (mpox) es un virus de la misma familia que la viruela humana, detectada en regiones boscosas tropicales en mayo de 2022 en el Reino Unido y posteriormente en América Latina. El objetivo de la presente investigación fue estudiar, mediante modelos matemáticos, la infectividad del Monkeypox en Norteamérica en comparación epidemiológica con Sudamérica. Se ha tomado en cuenta los datos de contagiados por la viruela del mono tanto en Norteamérica y Sudamérica entre inicio de junio 2022 y fines de febrero 2023. Realizando la dispersión pandémica, se determinó que el modelo matemático de estimación es ; con el cual se estimó el número de personas contagiadas con la viruela del mono, tanto en Norteamérica como en Sudamérica. Se determinó modelo matemático de estimación de la velocidad de contagios con la viruela del mono, tanto de Norteamérica como de Sudamérica, es: . A nivel de significancia del 5 %, las varianzas de las constantes ( ) de los dos modelos son homogéneas, los contagios por la viruela del mono en Norteamérica como en Sudamérica tienen diferencia no significativa; las constantes de proporcionalidad de los modelos son iguales y existe una “correlacion muy fuerte” entre el tiempo y las personas contagiadas por la viruela del mono (mpox).
- 1 September 2023
- Published by Universidad Ricardo Palma in Biotempo
- Vol. 20 (2) , 237-245
Modelado y análisis de los contagios por Covid-19 en el Perú
Describir la pandemia de la COVID-19 en el Perú, realizar un modelamiento estadístico matemático, determinar el tiempo crítico, la velocidad con que se desarrolló la pandemia y validar de los datos estimados; han caracterizado esta investigación; cuyo objetivo ha sido modelar y analizar los contagios por COVID-19 en el Perú, y comparar las personas contagiadas y las personas estimadas contagiadas; valorar el tiempo crítico en la que se produce la velocidad máxima de personas estimadas contagiadas y validar estadísticamente el modelo. Se ha tomado en cuenta los datos de contagios por la COVID-19 hasta el veinticuatro de febrero del 2023; llegando a determinar que describen una dispersión logística sigmoidal; suceso que fue modelado matemáticamente mediante la expresión , que es una ecuación logística predictora. Con el modelo matemático predictivo se estimó el número de personas contagiadas y su comportamiento de la COVID-19 en el Perú. De igual forma se evaluó la velocidad de las personas contagiadas con la COVID-19 en el Perú. Se estimó el tiempo crítico ( ) para la cual la velocidad de personas contagiadas fue máxima, valores que son y la velocidad máxima , respectivamente y la fecha que hubo la máxima velocidad de contagios por la COVID-19, fue el 28 de febrero del 2022. El coeficiente de correlación de Pearson para el tiempo transcurrido ( ) y el número de personas contagiadas ( ) en el Perú, por la COVID-19, basado en 37 casos, fue de ; determinando que la relación entre el tiempo y el número de contagios, es real, que el modelo predictivo tiene alta estimación de los datos correlacionados, que existe una “correlacion muy fuerte” entre el tiempo transcurrido ( ) y el número de personas contagiadas ( ) y que el 63 % de la variancia en es explicada por . Se concluye que el modelo logístico se puede aplicar con rigurosidad a fenómenos pandémicos y epidemiológicos con alta resolución y con alto grado de estimación y, se ha determinado que el coeficiente de correlación tiene una “asociación negativa muy fuerte” entre el número de contagios por la COVID-19 y el tiempo transcurrido en días.
- 1 September 2023
- Published by Universidad Ricardo Palma in Biotempo
- Vol. 20 (2) , 237-245
Modelado y análisis de los contagios por Covid-19 en el Perú
Describir la pandemia de la COVID-19 en el Perú, realizar un modelamiento estadístico matemático, determinar el tiempo crítico, la velocidad con que se desarrolló la pandemia y validar de los datos estimados; han caracterizado esta investigación; cuyo objetivo ha sido modelar y analizar los contagios por COVID-19 en el Perú, y comparar las personas contagiadas y las personas estimadas contagiadas; valorar el tiempo crítico en la que se produce la velocidad máxima de personas estimadas contagiadas y validar estadísticamente el modelo. Se ha tomado en cuenta los datos de contagios por la COVID-19 hasta el veinticuatro de febrero del 2023; llegando a determinar que describen una dispersión logística sigmoidal; suceso que fue modelado matemáticamente mediante la expresión , que es una ecuación logística predictora. Con el modelo matemático predictivo se estimó el número de personas contagiadas y su comportamiento de la COVID-19 en el Perú. De igual forma se evaluó la velocidad de las personas contagiadas con la COVID-19 en el Perú. Se estimó el tiempo crítico ( ) para la cual la velocidad de personas contagiadas fue máxima, valores que son y la velocidad máxima , respectivamente y la fecha que hubo la máxima velocidad de contagios por la COVID-19, fue el 28 de febrero del 2022. El coeficiente de correlación de Pearson para el tiempo transcurrido ( ) y el número de personas contagiadas ( ) en el Perú, por la COVID-19, basado en 37 casos, fue de ; determinando que la relación entre el tiempo y el número de contagios, es real, que el modelo predictivo tiene alta estimación de los datos correlacionados, que existe una “correlacion muy fuerte” entre el tiempo transcurrido ( ) y el número de personas contagiadas ( ) y que el 63 % de la variancia en es explicada por . Se concluye que el modelo logístico se puede aplicar con rigurosidad a fenómenos pandémicos y epidemiológicos con alta resolución y con alto grado de estimación y, se ha determinado que el coeficiente de correlación tiene una “asociación negativa muy fuerte” entre el número de contagios por la COVID-19 y el tiempo transcurrido en días.
- Open Access
- 1 September 2023
- Published by Universidad Ricardo Palma in Biotempo
- Vol. 20 (2) , 183-196
Cuantificación de la alcalinidad del agua natural aplicando los números de Bernoulli y la integral aproximada de Simpson
El cálculo de los números de Bernoulli se fundamenta en que existen numerosas expresiones matemáticas y fenómenos de la ingeniería ambiental en las que se pueden aplicar. Sí bien es cierto que, con ayuda de la computadora y el uso de programas, existen gran cantidad de ellos; en las referencias actuales se publican en un número reducido y, por lo tanto, al emplearlas, se hacen aproximaciones no satisfactorias. El propósito fue calcular los veinte primeros números de Bernoulli, aplicarlo a la matemática (∫ ln(cosx)dx) y a la ingeniería ambiental, cuantificando la alcalinidad del agua natural en forma de carbonato de calcio (CaCO3)(mg/l ), midiendo el dióxido de carbono (CO2). Existe una gran variedad de relaciones que contienen a los números de Bernoulli presentándose en varias aplicaciones prácticas de la matemática. Las mejores relaciones utilizadas en esta oportunidad son desarrollos binomiales. Empleando las ecuaciones planteadas y adecuadas, los números de Bernoulli fueron calculados mecánicamente, llegando a determinar el número de números planteados como objetivo. Finalmente, los números de Bernoulli contribuyen de forma significativa a cálculos matemáticos como para calcular las integrales del tipo ln(cosx), así como las a aplicaciones a la ingeniería ambiental, evaluando la alcalinidad del agua como carbonato de calcio (CaCO3).
- 1 September 2023
- Published by Universidad Ricardo Palma in Biotempo
- Vol. 20 (2) , 183-196
Open AccessCuantificación de la alcalinidad del agua natural aplicando los números de Bernoulli y la integral aproximada de Simpson
El cálculo de los números de Bernoulli se fundamenta en que existen numerosas expresiones matemáticas y fenómenos de la ingeniería ambiental en las que se pueden aplicar. Sí bien es cierto que, con ayuda de la computadora y el uso de programas, existen gran cantidad de ellos; en las referencias actuales se publican en un número reducido y, por lo tanto, al emplearlas, se hacen aproximaciones no satisfactorias. El propósito fue calcular los veinte primeros números de Bernoulli, aplicarlo a la matemática (∫ ln(cosx)dx) y a la ingeniería ambiental, cuantificando la alcalinidad del agua natural en forma de carbonato de calcio (CaCO3)(mg/l ), midiendo el dióxido de carbono (CO2). Existe una gran variedad de relaciones que contienen a los números de Bernoulli presentándose en varias aplicaciones prácticas de la matemática. Las mejores relaciones utilizadas en esta oportunidad son desarrollos binomiales. Empleando las ecuaciones planteadas y adecuadas, los números de Bernoulli fueron calculados mecánicamente, llegando a determinar el número de números planteados como objetivo. Finalmente, los números de Bernoulli contribuyen de forma significativa a cálculos matemáticos como para calcular las integrales del tipo ln(cosx), así como las a aplicaciones a la ingeniería ambiental, evaluando la alcalinidad del agua como carbonato de calcio (CaCO3).
- Open Access
- 13 July 2020
- Published by Universidad Nacional Federico Villarreal in The Biologist
- Vol. 18 (1) , 83-89
MODELAMIENTO MATEMÁTICO DEL COMPORTAMIENTO EPIDEMIOLÓGICO DE LA PANDEMIA COVID-19 EN CHINA
El objetivo del trabajo fue desarrollar un modelo matemático que haga la predicción del comportamiento epidemiológico causado por SARS-CoV2 (COVID-19) en la República Popular de China. El modelo de basó en determinar la relación entre la variación del número de casos reportados (dN) y la variación del tiempo transcurrido (dt), denominado velocidad con que el fenómeno de casos reportados en China. La velocidad del fenómeno se determinó por diferenciación gráfica, con el propósito de encontrar una Ecuación Diferencial Ordinaria de Primer Orden (EDOPO), tipo lineal. Esta ecuación fue resuelta entre las condiciones iniciales de los datos reportados (t=1 día, N=278 casos reportados), llegando a obtener el modelo predictivo correspondiente. El modelo predictivo (Ecuación 15) fue validado estadísticamente, evaluando su coeficiente de correlación r de Pearson, cuyo valor es de 0,97, indicando una buena estimación del modelo en relación con el comportamiento epidemiológico de COVID-19.
- 13 July 2020
- Published by Universidad Nacional Federico Villarreal in The Biologist
- Vol. 18 (1) , 83-89
Open AccessMODELAMIENTO MATEMÁTICO DEL COMPORTAMIENTO EPIDEMIOLÓGICO DE LA PANDEMIA COVID-19 EN CHINA
El objetivo del trabajo fue desarrollar un modelo matemático que haga la predicción del comportamiento epidemiológico causado por SARS-CoV2 (COVID-19) en la República Popular de China. El modelo de basó en determinar la relación entre la variación del número de casos reportados (dN) y la variación del tiempo transcurrido (dt), denominado velocidad con que el fenómeno de casos reportados en China. La velocidad del fenómeno se determinó por diferenciación gráfica, con el propósito de encontrar una Ecuación Diferencial Ordinaria de Primer Orden (EDOPO), tipo lineal. Esta ecuación fue resuelta entre las condiciones iniciales de los datos reportados (t=1 día, N=278 casos reportados), llegando a obtener el modelo predictivo correspondiente. El modelo predictivo (Ecuación 15) fue validado estadísticamente, evaluando su coeficiente de correlación r de Pearson, cuyo valor es de 0,97, indicando una buena estimación del modelo en relación con el comportamiento epidemiológico de COVID-19.