Revisión del 12:06 6 mar 2015

1 Introducción y consideraciones iniciales

Se va a proceder al estudio del comportamiento temporal de una enfermedad infecciosa sin extensión espacial.
El crecimiento de una epidemia podrá asimilarse al modelo logístico.

1.1 Hipótesis iniciales

1. La población es un número fijo y cada miembro de la población es susceptible a la enfermedad.
2. La duración de la enfermedad es larga, de manera que no se cura durante el periodo de estudio.
3. Todos los individuos infectados son contagiosos y circulan libremente entre la población.
4. Cada contacto de una persona infectada con una persona no infectada redunda en la transmisión de la enfermedad.

1.2 Valores iniciales

• La ciudad de estudio posee 500.000 habitantes.
• Al inicio de la primera semana de registro se contabilizaron 200 casos.
• Durante la primera semana aparecieron 300 nuevos casos.

1.3 Variables

• t: Periodo de tiempo de análisis (en semanas).
• N: Población.
• c: Número de contactos con otros individuos de cada persona infectada por unidad de tiempo.

2 Modelo EDO de primer orden

Se llamará I(t) al número de infectados al tiempo t.
El problema vendrá dada por la ecuación logística: [math] I'(t)=\frac{c}{N} \cdot I(t) \cdot (N-I(t)) [/math]

2.1 Número de contactos de una persona infectada

Utilizaremos un método numérico para calcular mediante Euler el número de contactos de una persona infectada con otros individuos por semanas. Elegiremos el valor c aquel que minimice los valores calculados, mediante la siguiente fórmula:

[math] \vert I (primera semana) − 500 \vert [/math]

Fig 1: Relación entre el valorc y el error cometido.

h=0.01; 
c0=0.01; 
cN=0.99;
c=c0:h:cN;
k=length(c);
y0=200;
y(1)=y0;
N=500000;
for i=1:99;
    c(i)=i/100;
    m(i)=N*y0/(y0+(N-y0).*exp(-c(i)));
    z(i)=abs(500-m(i));
end
plot(c,z)

2.2 Evolución de la epidemia

Deseamos conocer la evolución del número de infectados a lo largo de las semanas, para ello emplearemos los métodos de Heun y Runge-Kutta de orden 4.

Fig 2: Gráfica de infectados según el método de Heun.

N=500000;
h=0.01;
I=[];
I0=200;
I(1)=I0;
c=0.92;
n=1;
t0=0;
while I<400000
    % Método de Heun
K1=I(n)*(c/N)*(N-I(n));
K2=(I(n)+K1*h)*(c/N)*(N-I(n)+K1*h);
I(n+1)=I(n)+(h/2)*(K1+K2);
n = n+1;
end
tNI=h*(length(I)-1);
tI=t0:h:tNI; 
plot(tI,I)
valor6semanasheun= I(6/h)
tiempo400000infectados=round(n/100)

Fig 3: Gráfica de infectados según el método de Runge-Kutta.

N=500000;
h=0.01;
s0=200;
s(1)=s0;
c=0.92;
k=1;
t0=0;
% Método Runge-Kutta
while s<400000
C1=s(k)*(c/N)*(N-s(k));
C2=(s(k)+1/2*C1*h)*(c/N)*(N-(s(k)+1/2*C1*h));
C3=(s(k)+1/2*C2*h)*(c/N)*(N-(s(k)+1/2*C2*h));
C4=(s(k)+C3*h)*(c/N)*(N-(s(k)+h*C3));
s(k+1)=s(k)+(h/6)*(C1+2*C2+2*C3+C4);
k=k+1;
end
tNS=h*(length(s)-1);
tS=t0:h:tNS;
plot(tS,s,'g')
Valor6semanasrungekutta= s(6/h)
tiempo400000infectados=round(k/100)

Comprobamos que en las gráficas el número de infectados es siempre creciente.

No podemos definir un intervalo de máxima infección ya que las gráficas crecen de forma exponencial, es decir el número de infectados seguirá incrementándose hasta que el total de la población haya sido infectada.

Además de las gráficas, el código nos devuelve el número de infectados para 6 semanas y el tiempo que se tarda en llegar a 400.000 infectados.

• Método de Heun: A las 6 semanas hay 45.065 infectados. Se llega a los 400.000 infectados a las 10 semanas.
  

• Método de Runge-Kutta: A las 6 semanas hay 45.032 infectados. Se llega a los 400.000 infectados a las 10 semanas.

Fig 4: Evolución de la infección para los 3 valores iniciales.

N= 500000; % población total
M= 10000; % umbral de población que asigna tasas de infección decrecientes ara valores inferiores
c=0.92; % contagio que optimiza el error(apartado 1)
ti=0; tf=4*3; % calcularemos la gráfica para un período de 3 meses de propagación (4 semanas por 12 meses)
h=0.01;
t= ti:h:tf;
k=(tf-ti)/h;
I1=zeros(1,k+1);
I10=9700; 
I1(1)=I10;

for i=1:k
    K1 = (c*I1(i))/N*(N-I1(i))*((I1(i)/M)-1);
    K2 = (c*(I1(i)+K1*h))/N*(N-(I1(i)+K1*h))*(((I1(i)+K1*h)/M)-1);
    I1(i+1) = I1(i) + (h/2)*(K1+K2);
end
I2=zeros(1,k+1);
I20=10200; 
I2(1)=I20;

for j=1:k
    L1 = (c*I2(j))/N*(N-I2(j))*((I2(j)/M)-1);
    L2 = (c*(I2(j)+L1*h))/N*(N-(I2(j)+L1*h))*(((I2(j)+L1*h)/M)-1);
    I2(j+1) = I2(j) + (h/2)*(L1+L2);
end
I3=zeros(1,k+1);
I30=30000;
I3(1)=I30;

for l=1:k
    P1 = (c*I3(l))/N*(N-I3(l))*((I3(l)/M)-1);
    P2 = (c*(I3(l)+K1*h))/N*(N-(I3(l)+P1*h))*(((I3(l)+P1*h)/M)-1);
    I3(l+1) = I3(l) + (h/2)*(P1+P2);
end
hold on
plot(t,I1)
plot(t,I2,'m')
plot(t,I3,'g')
legend('Io=9700','Io=10200','Io=30000','location','best')
hold off

Fig 5: Infectados iniciales Io=9.700.

Los infectados solo tienden a desaparecer en el caso de Io=9700, pues Io< M. En los otros dos casos la infección crece por ser Io>M.

Fig 6: Infectados iniciales Io=10.200.

La evolución de los infectados en el caso en los que Io sea igual a 10.200, alcanza su máximo aproximadamente en la semana 4. y en el caso en que Io=30.000, alcanza su máximo aproximadamente en la semana 1.

Fig 7: Infectados iniciales Io=30.000.

En el caso de Io=9.700, al ser una evolución decreciente el máximo se sitúa al inicio del estudio.

3 Modelo SIR

Vamos a considerar la utilización del modelo SIR para poder abarcar un estudio más general.
Para ello supondremos una población total constante de N individuos, así como la introducción de un grupo de infectados que es introducido en la población.
Plantearemos así la descripción temporal del grupo de individuos infectados.

3.1 Clases de población

Impondremos en el estudio que los individuos que se recuperen de la enfermedad, se vuelven inmunes a ella, resultando tres clases de población:

• Individuos susceptibles de infectarse: S
  
• Individuos ya infectados con capacidad de infectar a individuos sanos: I
  
• Grupo de individuos recuperados, inmunes, aislados y muertos: R
  

S \rightarrow I \rightarrow R