Modelos Epidemiológicos

Grupo: Gabriel Schmökel, Julia Remus e Luis Gustavo Lang Gaiato

O objetivo do trabalho é realizar a implementação do modelo SIR (Suscetível, Infectado e Recuperado) e de um modelo simplificado do proposto pelo artigo "An epidemiological model with voluntary quarantine strategies governed by evolutionary game dynamics" ^[1] utilizando Monte Carlo. Espera-se obter ondas de infecção quando utilizado o processo de quarentena voluntária, tal qual observada pelos dados da Covid-19 e encontrada pelo artigo de referência do modelo.

Será apresentada uma breve introdução sobre o tema e as equações que envolvem o desenvolvimento dos cálculos, as implementações e seus respectivos resultados. São deixados alguns objetivos futuros para um trabalho posterior.

Introdução

A pandemia atual mostrou que táticas para mitigar o avanço da doença dependem não só de medidas governamentais, mas também da percepção do indivíduo nesse meio. ^[2]. Essa percepção depende da métrica utilizada por cada pessoa, levando em consideração fatores como: prejuízos psicológicos, situação econômica, o entendimento sobre o que é certo (como a sociedade o enxerga, quais as verdades que são consideradas pelo indivíduo), a escolha pelo bem comum, entre outros. A visão do indivíduo pode mudar ao longo do tempo e, com isso, modificar como a doença evolui - como é quantificado pela formação de ondas de infecção atualmente. ^[3]

A fim de simular esses cenários de pandemia com e sem a percepção do indivíduo, propõe-se um trabalho com o objetivo de realizar a implementação do modelo SIR e de um modelo simplificado do proposto pelo artigo "An epidemiological model with voluntary quarantine strategies governed by evolutionary game dynamics" ^[1] utilizando Monte Carlo.

O modelo apresentado por Marco Amaral, et al ^[1] propõe que o indivíduo escolha adequar-se a uma das estratégias da quarentena (fazer ou não) dependendo do risco que observa a partir da quantidade de infectados no sistema. Acoplada à escolha da estratégia, está o modelo SIR com parâmetros distintos para indivíduos não isolados e isolados. Para a solução, os autores utilizam a teoria de campo médio, obtendo ondas de infecção ao longo do tempo.

Neste trabalho, a escolha da estratégia pelo indivíduo se dará de acordo com o estado dos seus vizinhos mais próximos - utilizado o dilema do prisioneiro - enquanto a evolução dos infectados no sistema será realizada com o modelo SIR, assim como no trabalho citado. Para a simulação foi utilizado o método de Monte Carlo.

É esperado obter as ondas de infecção como previsto por Marco Amaral, et al ^[1] e observadas nos dados reais da Covid-19, ambos os exemplos podem ser observados a seguir. Como o método é diferente, não é esperado que as ondas sejam iguais às do artigo, mas sim, um movimento mais sutil.

Resultado do modelo proposto por Marco Amaral, et al ^[1]
Casos diários confirmados de Covid-19 a cada um milhão de pessoas no Reino Unido e na Alemanha

No gráfico da direita pode-se observar a quantidade de casos diários (infectados) na Alemanha e no Reino Unido ao longo do tempo, vê-se que existem ondas de infecção. Já no gráfico da direita, é possível observar a solução obtida por Marco Amaral, et al ^[1].

O esquemático do modelo SIR com a escolha da quarentena pode ser visto na seção Modelo SIR com quarentena voluntária.

Modelos

Modelo SIR

Esquemáto modelo SIR

Em 1927 Kermack e McKendrick elaboraram o modelo SIR que tinha como função descrever o comportamento de uma pandemia ^[4]. O modelo SIR é um dos mais simples modelos comportamentais, o qual descreve a variação de três parâmetros ao longo do tempo:

Suscetível (S): Número de indivíduos suscetíveis. Quando um indivíduo suscetível e um infectado entram em contato, o indivíduo suscetível tem uma probabilidade de contrair a doença, caso contraia o indivíduo deixa de ser suscetível e torna-se infectado.

Infectado (I): Número de indivíduos infectados. Indivíduos infectados tem uma probabilidade de infectar indivíduos suscetíveis quando em contato, e uma probabilidade de tornar-se indivíduos removidos a medida que tempo avança.

Recuperado ou Removido (R): Número de indivíduos removidos (recuperados ou mortos pela doença). Indivíduos que foram infectados, tornam-se recuperados ou mortos pela doença, desta forma entram na classificação de indivíduos removidos, já que não são mais suscetíveis a pegar a doença, pois adquiriram imunidade. Assumindo que o número de mortos é irrelevante ao se comparar com a população total, então o parâmetro $R$ recebe o nome de indivíduos recuperados ou resistentes.

A dinâmica de uma epidemia geralmente é mais rápida do que os números de nascimentos e óbitos, por essa razão se omite estas quantidades no modelo comportamental simples do SIR. Usando uma população fixa, Kermack e McKendrick chegaram nas seguintes equações diferenciais que descrevem a dinâmica de uma epidemia ^[4]:

${\frac {dS}{dt}}=-\beta IS\qquad (1)$

${\frac {dI}{dt}}=\beta IS-\gamma I\qquad (2)$

${\frac {dR}{dt}}=\gamma I\qquad (3)$

O sistema descrito pelas equações acima é não linear, porém é possível derivar uma solução analítica de forma implícita ^[5].

A população total no SIR é constante, e pode ser expressada pela soma total dos indivíduos suscetíveis, infectados e removidos:

$S+I+R=N\qquad (4)$

Na forma normalizada a expressão (4) é representada por:

$s+i+r=1\qquad (5)$

A taxa de transmissão da doença é dada pela variável $\beta$ , esta depende de outras duas variáveis, a primeira indica a "transmissibilidade", definida por $\tau$ , a segunda indica o "número médio de contatos" entre infectados e suscetíveis, indicada por ${\bar {c}}$ . Portanto, pode-se escrever a taxa de transmissão pela expressão:

$\beta =\tau {\bar {c}}\qquad (6)$

A taxa de remoção da doença, indicada por $\gamma$ , é o inverso do período infeccioso, indicada por $d$ , que o indivíduo permanecerá doente. Note, que quanto maior o período infeccioso, mais demorada é a remoção de Infectados para Removidos.

$d={\frac {1}{\gamma }}\qquad (7)$

Dinâmica do Modelo SIR e o Número de Reprodução

O número básico de reprodução, $R_{0}$ , corresponde ao número médio de pessoas que serão contaminadas pela doença quando um indivíduo infectado é introduzido em uma população completamente suscetível ^[6].

$R_{0}={\frac {\beta }{\gamma }}s_{0}\qquad (8)$

Conforme o valor de $R_{0}$ temos o seguinte comportamento ^[6]:

$R_{0}>1\Rightarrow$ epidemia crescente;
$R_{0}=1\Rightarrow$ equilíbrio endêmico;
$R_{0}<1\Rightarrow$ epidemia decrescente.

Pode-se interpretar melhor o comportamento do número de reprodução analisando a curva $i(s)$ . Para obter essa função dividimos a expressão (2) pela expressão (1) na forma normalizada, posteriormente integramos ambos os lados da igualdade, assim chegamos em ^[7]:

$i(s)={\frac {\gamma }{\beta }}\ln(s)-{\frac {\gamma }{\beta }}\ln(s_{0})-s+1\qquad (9)$

Derivando a expressão (9) em relação a $s$ observa-se que a função atinge o ponto de máximo quando $s=\gamma /\beta$ . Nas situações em que temos $s<\gamma /\beta$ e $s>\gamma /\beta$ , obtemos respectivamente o comportamento crescente e decrescente para função $i(s)$ . Na sequência é plotada a curva $i(s)$ , observe que o sentido da abscissa $s$ é negativo para o avanço da pandemia.

Função do número de indivíduos infectados

i

em relação ao número de indivíduos suscetíveis

s

.

Quando $s$ esta à direita da reta $s=\gamma /\beta$ a epidemia irá aumentar o seu número de infectados, pois $R_{0}$ é maior do que $1$ . O número de infectados irá aumentar até o número de indivíduos suscetíveis ser igual a $\gamma /\beta$ , posteriormente o número de infectados irá decair, pois $R_{0}$ é menor do que $1$ . Podemos entender melhor esta informação plotando as curvas i(s) e $R_{0}(s)$ juntas:

Curva do número de reprodução

R_{0}

variando com o número de indivíduos suscetíveis

s

.

Modelo SIR com quarentena voluntária

Esquemático modelo SIR com quarentena voluntária em suscetíveis

No esquemático pode-se ver o modelo utilizado no trabalho, ele é uma simplificação do artigo escrito por Amaral, et al ^[1]. Nele temos:

Componentes suscetíveis podem estar ou não em quarentena. A probabilidade $\phi _{S}$ para a escolha depende da estratégia adotada pelos quatro vizinhos do sítio escolhido.

Ao escolher estar ou não em quarentena, esses componentes têm probabilidades diferentes de adquirir a doença ( $\beta _{Q}$ e $\beta _{N}$ ) e se tornar infectados.

Infectados possuem a mesma probabilidade de se tornarem recuperados.

Após recuperados da doença, as pessoas não conseguem adquiri-la novamente.

Todos os indivíduos escolhem estar ou não isolados independente do seu estado de infecção, mas somente a quarentena dos suscetíveis afeta a evolução SIR.

Para simular a quarentena voluntária é utilizado o jogo definido pelo Dilema do Prisioneiro. Esse dilema descreve a situação em que dois condenados (A e B) precisam decidir se cooperam ou não sem saber a decisão do seu par. Para isso temos quatro possibilidades: A e B cooperam (ambos saem com uma recompensa R), A coopera mas B não coopera (B ficaria com o valor da tentação T e A com o custo do sonso S), A não coopera e B coopera (A ficaria com o valor da tentação T e B com o custo do sonso S) e a situação onde A e B não cooperam (ambos ganham com uma penalidade P). ^[8]

Essas possibilidades podem ser resumidas em uma matriz de perdas e ganhos (matriz de payoff ou forma normal):

	A coopera	A não coopera
B coopera	R / R	S / T
B não coopera	T / S	P / P

Os valores da matriz payoff devem obedecer a ordem $T>R>P>S$ . Além disso, para simulações com várias iterações deve ser obedecido que $2R>T+S$ . ^[8]

A proposta de observar a evolução da infecção dependendo da quarentena precisa utilizar mais de um par de interagentes, por isso é definido uma rede onde cada componente ocupa um espaço fixo sem poder se movimentar. A partir disso, cada um desses componentes interage com seus quatro vizinhos mais próximos (para os pontos do contorno é utilizado que as bordas são unidas por condições de contorno periódicas). ^[8]

Segundo Hauert e Szabó ^[8], os colaboradores tendem a ser extintos em jogos que consideram a interação aleatória, independente da sua concentração inicial, ou seja, todos tendem a não ganhar nada (não colaborar mutuamente) a fim de reduzir custos individuais. Enquanto isso, se for proposto que um componente só escolhe uma estratégia conforme seus vizinhos, é visto a formação de clusters de cooperadores e de não cooperadores; com isso, os componentes que estão na borda desses espaços, ganham na interação com os vizinhos colaboradores e perdem com a outra interação.

A probabilidade de escolha pela troca (adquirir a mesma tática que o vizinho) é dada pela equação abaixo. As variáveis são: $P_{vizinho}$ é a performance de um dos vizinhos do sítio (soma dos ganhos e perdas pela matriz payoff), $S_{sitio}$ é a performance do sítio, calculada pela interação entre os seus vizinhos da mesma forma que $P_{vizinho}$ e $k$ é a irracionalidade dos componentes. ^[8]. Dado um número aleatório entre $0$ e $1$ , se este for menor que a probabilidade $\phi _{S}$ o sítio adota a estratégia do vizinho escolhido anteriormente. Assim, quando a probabilidade calculada for igual a 1, qualquer número escolhido resultará na mudança da estratégia.

$\phi _{S}=[1+\exp(-(P_{vizinho}-P_{sitio})/k)]^{-1}$

Esse jogo de quarentena é acoplado ao sistema SIR anteriormente descrito. A única diferença para o SIR sem o jogo é que as probabilidades de um componente $S$ se tornar infectado mudam a partir do seu estado de quarentena.

Implementação

Os códigos da simulação foram implementados na linguagem C, para a visualização foi utilizada a linguagem Python. Ambos scripts estão disponíveis no projeto criado no Replit.

Implementação modelo SIR

Código fonte do modelo SIR: Código Modelo Sir

O fluxograma abaixo descreve a implementação computacional deste modelo:

Fluxograma para a dinâmica SIR

Implementação modelo SIR com quarentena voluntária

Algumas modificações são realizadas a partir do código anterior para adicionar a quarentena voluntária: a probabilidade do indivíduo passar de suscetível a infectado depende da escolha pela quarentena e é adicionada a escolha de se isolar ou não.

A estrutura principal do código é dada pelo laço temporal onde a cada tempo é chamado o modelo SIR e o jogo da quarentena. Antes de entrar no loop é realizada a inicialização do sistema definindo o estado SIR e de quarentena dos indivíduos em vetores distintos e a matriz payoff do jogo. A seguir é possível visualizar o fluxograma para as funções da evolução do SIR e do jogo da quarentena.

Os códigos estão disponíveis No projeto criado no Replit, os arquivos utilizados foram versao_viz_quarentena.c para a dinâmica SIR com quarentena voluntária e mc.h para o suporte com os números aleatórios. O primeiro código gerará três arquivos de saída: outup.txt, contendo a evolução temporal do SIR, output_dinamica_sir.txt, com o vetor de indivíduos contendo o estado SIR de cada um, sendo que cada linha corresponde a um tempo e output_dinamica_loc.txt, com o vetor de indivíduos contendo o estado de quarentena de cada um, sendo que cada linha corresponde a um tempo. Para realizar a visualização, é utilizado o arquivo visualizacao.py que lê os arquivos gerados e faz os gráficos buscados (note, que está separado em blocos por #%%, sendo possível utilizar apenas alguns softwares como Spyder ou Visual Studio); alguns comandos para geração das animações no gnuplot estão comentados ao longo do código e podem ser usados.

Fluxograma para a dinâmica SIR com quarentena

Fluxograma para a quarentena voluntária

Resultados e Discussão

Resultados SIR

Abaixo segue o primeiro gráfico obtido para a dinâmica do modelo SIR, o qual mostra a fração do número de indivíduos suscetíveis, infectados, e recuperados com relação ao tempo. Este sistema contém uma população constante de $N=10^{6}$ , taxa de transmissibilidade $\beta =0.4$ , taxa de remoção da doença $\gamma =0.1$ . Inicialmente o número de indivíduos suscetíveis corresponde a 98,98% do sistema, enquanto 0,02% dos indivíduos são infectados. Observa-se que a fração de indivíduos infectados aumenta a medida que o tempo avança, porém quando o número de indivíduos suscetíveis atinge a fração $\gamma /\beta =0.25$ (representada pela reta horizontal) a fração de indivíduos infectados atinge o ponto máximo e posteriormente entra em declínio. Podemos observar, utilizando a expressão (8), que valores acima da fração $\gamma /\beta =0.25$ correspondem ao número de reprodução $R_{0}>1$ , enquanto valores abaixo da fração $\gamma /\beta =0.25$ correspondem ao número de reprodução $R_{0}<1$ .

Modelo SIR - População total N =1000^2

Obtemos a curva numérica do número de indivíduos infectados pelo número de indivíduos suscetíveis $i(s)$ , comparamos esta solução com a solução analítica expressa por (9). Note que a solução numérica se aproxima da analítica na situação inicial, pois o efeito dos vizinhos neste intervalo é mínimo, já que a maioria dos indivíduos é suscetível. No entanto, a medida que a pandemia avança, o efeito dos vizinhos torna-se relevante, e como a expressão analítica não contempla este efeito, as duas curvas diferenciam-se uma da outra. Podemos observar que quando $s<\gamma /\beta$ o número de indivíduos infectados aumenta, já quando a fração de indivíduos se iguala a $\gamma /\beta$ o número de indivíduos infectados se torna máximo e a pandemia estabiliza, por fim quando $s>\gamma /\beta$ temos o declínio da pandemia.

Modelo SIR - População total N =1000^2

O gráfico abaixo tem a mesma configuração para ambas as curvas, mas parâmetros de taxa de transmissão $\beta$ diferentes. Podemos observar, que para a curva com maior taxa de transmissão, o pico da fração de indivíduos infectados é bastante superior ao da outra. Podemos concluir, através deste gráfico, que medidas estratégicas para diminuir a taxa $\beta$ são importantes para não congestionar o sistema de saúde.

Modelo SIR - População total N =1000^2

O gráfico abaixo apresenta uma população constante de $N=10^{6}$ , taxa de transmissão $\beta =0.1$ e taxa de remoção da doença $\gamma =0.2$ . Portanto, temos um número de reprodução $R_{0}$ sempre menor do que um, isto implica que a pandemia nunca irá ocorrer, tal como vemos no gráfico abaixo.

Modelo SIR - População total N =1000^2

Resultados SIR com quarentena voluntária

Na simulação com quarentena voluntária é utilizado o SIR com a dinâmica dependendo dos vizinhos infectados. Para os gráficos abaixo mostrados foram utilizadas os seguintes parâmetros:

Simulação			Dinâmica SIR			Matriz de Payoff
Tempo (passos)	Número de indivíduos	Porcentagem de indivíduos suscetíveis	$\beta _{Q}$	$\beta _{N}$	$\gamma$	$T$	$S$	$R$	$P$	$k$
500	3600	99,9% $S$	0.0	0.25	0.08	1.01	0.0	1.0	0.005	0.1

É utilizado que os indivíduos em isolamento estão distribuídos aleatoriamente; inicialmente é proposto uma relação de 1:1 de estados de quarentena. A dinâmica SIR sem o jogo é realizada definindo que nenhuma pessoa está isolada. Com essas premissas e com os parâmetros os resultados obtidos são apresentados a seguir, neles é possível comparar a simulação com a escolha da quarentena e sem. Define-se que o indivíduo isolado não tem chance de se tronar infectado ( $\beta _{Q}=0$ ), o que não é totalmente verdade, pois existe sempre algum contato das pessoas mesmo que ínfimo.

Comparação da evolução entre os suscetíveis na dinâmica SIR e com parte da população quarentenada
Comparação da evolução entre os infectados na dinâmica SIR e com parte da população quarentenada
Comparação da evolução entre os recuperados na dinâmica SIR e com parte da população quarentenada

Evolução do sistema SIR a partir de 50% dos componentes isolados
Evolução do sistema SIR a partir de 50% dos componentes isolados

Com os parâmetros utilizados, percebe-se que a quarentena auxilia na diminuição de casos iniciais, diminuindo e distribuindo a onda de infectados ao longo do tempo (note que o tempo é em passos). Nos gráficos é mantida as relações apresentadas acima para o dilema do prisioneiro e também é definido $R_{0}>1$ .

Como é utilizado que os indivíduos em quarentena não posuem nenhuma chance de se infectar e é necessário um vizinho infectado para passar a doença adiante, nota-se a formação de ilhas de suscetíveis na animação à direita.

Ainda não é percebido a onda após a primeira bem definida como no artigo de referência, ficam somente oscilações ao longo do tempo. Com a modificação dos parâmetros da dinâmica SIR e da escolha da quarentena percebe-se que a variação mínima deles (por exemplo um décimo na probabilidade de um não quarentenado contrair a doença) faz com que a evolução da doença ocorra de forma totalmente diferente, muitas vezes tendendo a parecer a evolução SIR sem o jogo.

Por esse motivo, foi modificada a percentagem inicial de indivíduos em quarentena - mantendo os outros parâmetros - para avaliar como essa variável agia no sistema. Pelo gráfico abaixo é possível notar que acima de $50\%$ de indivíduos fora da quarentena a evolução tende ao SIR sem jogo, mas que abaixo desse valor é possível ver a formação de ondas menores.

Comparação da evolução dos indivíduos suscetíveis variando a porcentagem inicial de pessoas em quarentena

Mesmo os valores abaixo possuírem essa evolução tipo degrau mais acentuada para os suscetíveis, a relação entre indivíduos infectados e em quarentena não é conclusiva, como pode ser visto no gráfico que mostra a evolução das duas variáveis.

Evolução da população infectada e em quarentena para 60% dos indivíduos inicialmente isolados

Os resultados obtidos mostram que a quarentena voluntária diminui significativamente o número de infectados na primeira onda, tendência prevista por outras pesquisas e que evita o esgotamento dos serviços de saúde. ^[9]

Outro comportamento observado nos dados da Covid-19, foi o aparecimento de ondas de contaminação, isto é, uma sucessão de aumentos e diminuições na quantidade de infectados. Foi observado que tanto os parâmetros da matriz de payoff e os da dinâmica SIR quanto o sistema inicial da quarentena, interferem na evolução da doença de maneiras diferentes, expressando tanto comportamentos ondulatórios quanto similares ao SIR normal. Diferentemente do observado pelo método do campo médio, o comportamento ondulatório foi mais sutil, não sabemos se o problema foram os parâmetros utilizados ou se o projeto realmente não consegue simular o problema real.

Próximos Passos

Algumas pendências são deixadas para um futuro trabalho:

Automatizar os testes com parâmetros
Estudar melhor a relação entre parâmetros (SIR e quarentena) e a quantidade inicial de indivíduos isolados
Buscar se há diferenças quando a percepção do componente está só no primeiro vizinho e quando ele consegue ver mais o sistema
Desenvolver um jogo onde a escolha pela quarentena seja dada pelo estado infectado ou não do vizinho, não pela sua quarentena

Referências

↑ ^1,0 ^1,1 ^1,2 ^1,3 ^1,4 ^1,5 ^1,6 AMARAL, Marco; OLIVEIRA, Marcelo de; JAVARONE, Marco, An epidemiological model with voluntary quarantine strategies governed by evolutionary game dynamics. arXiv:2008.05979v2 [physics.soc-ph] .
↑ SIEGRIST, Michael;BERTH, Angela. Worldviews, trust, and risk perceptions shape public acceptance of COVID-19 public health measures. DOI: https://doi.org/10.1073/pnas.2100411118.
↑ BAVEL, Jay; et al, Using social and behavioural science to support COVID-19 pandemic response. DOI: https://doi.org/10.1038/s41562-020-0884-z .
↑ ^4,0 ^4,1 MCKENDRICK, A.G.; KERMACK, W. O.. Mathematical Theory of Epidemics. Disponível em: https://gallica.bnf.fr/ark:/12148/bpt6k56208r/f728.item.langFR
↑ Harko, Tiberiu; Lobo, Francisco S. N.; Mak, M. K. (2014). "Exact analytical solutions of the Susceptible-Infected-Recovered (SIR) epidemic model and of the SIR model with equal death and birth rates". Applied Mathematics and Computation. 236: 184–194. arXiv:1403.2160. Bibcode:2014arXiv1403.2160H. doi:10.1016/j.amc.2014.03.030. S2CID 14509477
↑ ^6,0 ^6,1 M.G.Roberts. The pluses and minuses of r 0 . Journal of the Royal Society interface4, 2007.
↑ Beckley, Ross; Weatherspoon, Cametria; Alexander, Michael; Chandler, Marissa; Johnson, Anthony; Batt, Ghan S. (2013). Modeling epidemics with diﬀerential equations. Disponível em: http://www.tnstate.edu/mathematics/mathreu/filesreu/GroupProjectSIR.pdf
↑ ^8,0 ^8,1 ^8,2 ^8,3 ^8,4 HAUERT, Christoph; SZABÓ, György. Game theory and physics. DOI: 10.1119/1.18485144 .
↑ MAGENTA, Matheus. Quarentenas funcionam para combater o coronavírus? Veja o que dizem os estudos. BBC News. Disponível em: <https://www.bbc.com/portuguese/internacional-52830618>

[multiple-1] 1,0 ^1,1 ^1,2 ^1,3 ^1,4 ^1,5 ^1,6 AMARAL, Marco; OLIVEIRA, Marcelo de; JAVARONE, Marco, An epidemiological model with voluntary quarantine strategies governed by evolutionary game dynamics. arXiv:2008.05979v2 [physics.soc-ph] .

[introref-2] SIEGRIST, Michael;BERTH, Angela. Worldviews, trust, and risk perceptions shape public acceptance of COVID-19 public health measures. DOI: https://doi.org/10.1073/pnas.2100411118.

[nature-3] BAVEL, Jay; et al, Using social and behavioural science to support COVID-19 pandemic response. DOI: https://doi.org/10.1038/s41562-020-0884-z .

[SIR-4] 4,0 ^4,1 MCKENDRICK, A.G.; KERMACK, W. O.. Mathematical Theory of Epidemics. Disponível em: https://gallica.bnf.fr/ark:/12148/bpt6k56208r/f728.item.langFR

[5] Harko, Tiberiu; Lobo, Francisco S. N.; Mak, M. K. (2014). "Exact analytical solutions of the Susceptible-Infected-Recovered (SIR) epidemic model and of the SIR model with equal death and birth rates". Applied Mathematics and Computation. 236: 184–194. arXiv:1403.2160. Bibcode:2014arXiv1403.2160H. doi:10.1016/j.amc.2014.03.030. S2CID 14509477

[r0-6] 6,0 ^6,1 M.G.Roberts. The pluses and minuses of r 0 . Journal of the Royal Society interface4, 2007.

[7] Beckley, Ross; Weatherspoon, Cametria; Alexander, Michael; Chandler, Marissa; Johnson, Anthony; Batt, Ghan S. (2013). Modeling epidemics with diﬀerential equations. Disponível em: http://www.tnstate.edu/mathematics/mathreu/filesreu/GroupProjectSIR.pdf

[hauert-8] 8,0 ^8,1 ^8,2 ^8,3 ^8,4 HAUERT, Christoph; SZABÓ, György. Game theory and physics. DOI: 10.1119/1.18485144 .

[9] MAGENTA, Matheus. Quarentenas funcionam para combater o coronavírus? Veja o que dizem os estudos. BBC News. Disponível em: <https://www.bbc.com/portuguese/internacional-52830618>

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

Modelos Epidemiológicos

Índice

Introdução