Documentos de Académico
Documentos de Profesional
Documentos de Cultura
12 (2019) 95–101
Modelos estocásticos en epidemiologı́a
Resumen
La modelación matemática es una herramienta de gran utilidad para entender, de manera sencilla, algún problema de la realidad
que sea de nuestro interés. En el caso de la transmisión de enfermedades, la epidemiologı́a matemática ha servido para entender
la mecánica de propagación entre la población. Los modelos deterministas como el SI, SIS, SIR, SEIR, han sido ampliamente
estudiados, y son la base de modelos más complejos, en donde se incluye, por ejemplo, alguna polı́tica de vacunación.
Otra alternativa es la modelación estocástica. En este trabajo presentamos dos modelos estocásticos, basados en cadenas de
Markov. Ambos modelos son la versión estocástica del clásico modelo determinista SIS. El primero es un modelo de tiempo discreto,
mientras que el segundo es un modelo de tiempo continuo. Estos modelos estocásticos son de varible de estado discreta y tiempo
discreto y de variable de estado discreta y de tiempo continuo, respectivamente. De cada uno de ellos presentamos simulaciones, y
se sobreponen con la simulación realizada para el modelo determinista. El propósito del trabajo no es comparar los tres modelos,
sino presentar las bases para establecer un modelo epidemiológico, que puede ser aplicado para distintas enfermedades, bajo los
supuestos propios de cada caso.
Palabras Clave: Epidemiologı́a, Número reproductivo básico, Cadenas de Markov.
2. Si R0 > 1, entonces
2. El modelo determinista SIS
!!
N 1
En el modelo S IS , los individuos en la población de ta- lı́m (S (t), I(t)) = ,N 1−
t→∞ R0 R0
maño N, están clasificados en dos categorı́as: Susceptibles (S )
e Infecciosos (I). Los susceptibles, al entrar en contacto con un Una demostración de este teorema se puede encontrar en
infeccioso, pasan al grupo infecciosos a una tasa constante β/N. (Brauer et al., 2008).
Al grupo de susceptibles llegan nuevos susceptibles a una tasa Puede demostrarse (Brauer and Kribs, 2016) que si
constante α, y del grupo de infecciosos se reintegran al grupo de
susceptibles a una tasa constante γ. Este modelo se representa R0 ≤ 1, entonces lı́m In = 0,
n→∞
en el esquema de la figura 1.
En este modelo, un individuo infeccioso retorna a la clase y, si
susceptible debido a que la enfermedad no confiere inmunidad !
1
definitiva. Este modelo es adecuado para estudiar la mayorı́a de R0 > 1, entonces lı́m In = N 1 − .
las enfermedades transmitidas por bacterias o parásitos intesti- n→∞ R0
nales; también es adecuado para estudiar algunas enfermedades El valor del número reproductivo básico para cada enfer-
de transmisión sexual como la gonorrea. medad, depende de muchas variables, tales como la densidad
El sistema de ecuaciones diferenciales que describe a este población (van den Driessche, 2017). La idea presentada en es-
modelo es ta sección, establece la relevancia de estimar este valor umbral,
y el signficado epidemiológico de R0 , que puede emplearse en
dS β
= − S I + (α + γ)I modelos deterministas como en modelos estocásticos.
dt N
(1)
dI β 3. Modelo SIS de tiempo discreto
= S I − (α + γ)I
dt N
donde β > 0 es la tasa de contacto entre infecciosos y suscep- Sean S(t), I(t) variables aleatorias que representan el núme-
tibles, γ > 0 es la tasa de recuperación y α ≥ 0 es la tasa de ro de susceptibles e infecciosos al tiempo t. En este modelo, que
crecimiento. Una suposición fuerte en este modelo es que la resulta una cadena de Markov de tiempo discreto (DTMC por
población permance constante N = S + I, y por lo tanto sus siglas en inglés) (Doob, 1990), (Allen, 2010), t ∈ {0, ∆t, 2∆t, . . .}
y las variables aleatorias satisfacen
dN dS dI
= + = 0.
dt dt dt S(t), I(t) ∈ {0, 1, 2, . . . , N}.
Las condiciones iniciales deben satisfacer S (0) > 0, I(0) > Note que las variables aleatorias son discretas.
0 y S (0) + I(0) = N. En el modelo S IS hay una variable aleatoria independiente
La dinámica de este modelo está determinada por el número I(t), puesto que S(t) = N − I(t). Se asume que el tamaño de la
reproductivo básico R0 , que es el número de infecciones secun- población N es constante.
darias causadas por un individuo infeccioso. En este caso, el El proceso estocástico {I(t)}∞
t=0 con función de probabilidad
número reproductivo básico está dado por
β pi (t) = Prob{I(t) = i},
R0 = .
α+γ para i = 0, 1, 2, . . . , N y t = 0, ∆t, 2∆t, . . ., donde
Si la población entera es susceptible y se introduce un indi- N
X
viduo infectado dentro de la población, el número reproductivo pi (t) = 1.
básico R0 representa el número promedio de!contactos exitosos i=0
1
(β), durante el periodo de infección , que resultará en
α+γ
Ávila-Pozos, R. et al. / Publicación Semetral Pädi No. 12 (2019) 95–101 97
Sea p(t) = (p0 (t), p1 (t), . . . , pN (t))T el vector de probabili- [0, 1], el paso de tiempo ∆t debe ser lo suficientemente pequeño
dad asociado con I(t). El proceso estocástico tiene la propiedad para que
de Markov (Doob, 1990),(Brzezniak and Zastawniak, 1999) si
máx {[n(i) + m(i)]∆t} ≤ 1.
i∈{1,2,...,N}
Prob{I(t + ∆t)|I(0), I(∆t), . . . , I(t)} = Prob{I(t + ∆t)|I(t)}. Al aplicar la propiedad de Markov y las probabilidades de
transición antes descritas, las probabilidades pi (t+∆t) se pueden
Esto significa que el proceso en el tiempo t+∆t sólo depende escribir en términos de las probabilidades al tiempo t (Brauer
del valor del proceso en el tiempo previo t. et al., 2008).
Denotemos la probabilidad de transición del estado I(t) = i
al estado I(t + ∆t) = j como
pi (t + ∆t) = pi−1 n(i − 1)∆t + pi+1 m(i + 1)∆t
p ji (t + ∆t, t) = Prob{I(t + ∆t) = j|I(t) = i}. (2)
+pi (t)(1 − [n(i) + m(i)]∆t),
Para reducir el número de transiciones en el tiempo ∆t, su-
pongamos que el paso de tiempo ∆t es tan pequeño que el para i = 1, 2, . . . , N, donde n(i) = βi(N − i)/N, y m(i) = (α + γ)i.
número de individuos infectados cambia, a lo más, en uno, es Ahora, construiremos la matriz de transición. El elemento
decir (1, 1) en la matriz de transición es la probabilidad de ir del esta-
do 0 al estado 0, es decir p00 (∆t) = 1 y el elemento (N +1, N +1)
i → i + 1, i → i − 1, i → i. es la probabilidad de transición del estado N al estado N, o sea
Esto significa que hay una nueva infección (nacimiento) o pNN (∆t) = 1 − [α + γ]N∆t.
un recuperado (muerte), o no hay cambio durante el intervalo Llamemos a la matriz de transición P(∆t). Esta matriz re-
∆t (Allen, 2017). En este caso, las probabilidades de transición sulta ser una matriz tridiagonal de la forma
están definidas a partir de las tasas mostradas en el modelo SIS
determinista, multiplicadas por ∆t.
1 m(1)∆t ... 0
Entonces, las probabilidades de transición para el modelo 0 1 − [n + m](1)∆t ... 0
epidemiológico SIS con cadena de Markov de tiempo discreto 0 n(1)∆t ... 0
son
0 0 ... 0
P(∆t) = .. .. .. ..
. . . .
β
...
i(N − i)∆t j=i+1 0 0 0
...
N
0 0 n(N)∆t
...
0 0 1 − m(N)∆t
(α + γ)i∆t j=i−1
p ji (∆t) =
Dado un vector de probabilidad inicial p(0), p(∆t) = P(∆t)p(0).
β
+ + γ)i ∆t j=i
1 − i(N − i) (α Entonces, la ecuación (2) se puede escribir como
N
p(t + ∆t) = P(∆t)p(t) = Pk+1 (∆t)p(0),
(3)
j , i − 1, i, i + 1
0,
donde t = k∆t.
Para relacionar el procesos epidemiológico SIS con un pro- A partir de la ecuación en diferencias (2) se puede calcular
ceso de nacimiento y muerte, la probabilidad de transición para el valor esperado de I(t).
un nuevo infectado se puede escribir como n(i)∆t, y para un
recuperado se puede escribir como m(i)∆t. Por lo tanto, las pro- N
X
babilidades de trasición se puede escribir como E[I(t)] = ipi (t)
i=0
n(i)∆t j=i+1 E[I(t + ∆t)]
Y el valor esperado de I(t + ∆t)
j=i−1
m(i)∆t
p ji (∆t) =
1 − [n(i) + m(i)]∆t j=i E[I(t + ∆t)] = ipi (t + ∆t)
PN
i=0
j , i − 1, i, i + 1 = ipi−1 (t)n(i − 1)∆t + ipi+1 (t)m(i + 1)∆t
PN PN
0, i=0 i=0
100
β(i − 1)(N − (i − 1))
E[I(t + ∆t)] = E[I(t)] + ∆t
PN
pi−1 (t)
80
i=1
N
60
pi+1 (t)(α + γ)(i + 1)∆t
PN
Infectados
− i=0
40
β 2
= E[I(t)] + [β − (α + γ)]∆tE[I(t)] − E [I(t)].
20
N
0
3.1. Simulaciones 0 5 10
tiempo
15 20 25
50
infecciosos es I0 = 2.
40
30
Infectados
En la figura 2 se muestran tres simulaciones para el mode-
20
los SIS de tiempo discreto. En este caso, el número reproductivo
10
básico es R0 = 1, con β = 1, α = 0.25, γ = 0.25. La linea pun-
0
0 20 40 60 80 100
tiempo
es mayor a uno.
40
20
0
0 20 40 60 80 100
20
tiempo
15
0 5 10 15 20 25
tiempo
100
80
80
60
60
s, i
s, i
40
40
20
20
0
0
0 5 10 15 0 5 10 15 20 25
tiempo tiempo
Figura 5: Simulación del modelo SIS de tiempo continuo. Se grafica el número Figura 6: Simulación del modelo SIS de tiempo continuo. Se grafica el número
de susceptibles en rojo, y el número de infecciosos y en azul. En este ejemplo, de susceptibles en rojo, y el número de infecciosos y en azul. En este caso, el
el número reproductivo básico es R0 = 1. La simulación se detiene cuando el número reproductivo básico es R0 = 2.
número de infecciosos es cero.
5. Conclusión
Sea U una variable aleatoria con distribución uniforme en
[0, 1], por lo tanto En este trabajo se presentaron tres versiones de un modelo
epidemiológico clásico. Se planteó el modelo SIS en su forma
determinista, como base de los modelos estocásticos. El teore-
Prob{Fi−1 (U) < t} = Prob{Fi (Fi−1 (U)) ≤ Fi (t)} ma 1 establece el resultado asintótico del sistema de ecuacio-
= Prob{U ≤ F : i(t)} = Fi (t) nes. El número reproductivo básico determina si la enferme-
dad persiste o desaparece. El caso de que persista, el equilibrio
Entonces, dado I(t) = i, el tiempo entre eventos satisface endémico depende de la forma de la fuerza de infección (Allen
and Burgin, 2000).
ln(1 − U) ln(U)
T i = Fi−1 (U) = − =− . Siguiendo las ideas del modelo determinista, se formuló el
n(i) + m(i) n(i) + m(i) modelo de tiempo discreto, en donde se supone que para un
Los siguientes ejemplos son realizaciones del modelo es- tiempo suficientemente pequeño, sólo puede ocurrir un cambio
tocástico de tiempo continuo. Se implementaron en R, y se em- hacia el estado anterior, hacia el estado siguiente, o permanecer
pleó, en cada paso, un tamaño de la población N = 100, y con- en dicho estado. Este modelo esta formulado como una cadena
dición inicial para el número de infecciosos es I0 = 2. de Markov. Este modelo puede aplicarse al caso del sarampión
En la figura 5 se presenta una simulación para el modelo (van den Driessche, 2017).
SIS de tiempo continuo. Para esta simulación, el número repro- A partir de este modelo, se puede construir el modelo de
ductivo básico es R0 = 1, con β = 1, α = 0.25, γ = 0.25. La tiempo continuo, en el cual, el tiempo que transcurre entre la
linea roja es el número de susceptibles y la lı́nea azul el número transición de un estado a otro, es una variable aleatoria. (van den
de infecciosos. En este caso, la simulación se termina cuando Driessche, 2017)
el número de infecciosos es igual a cero, puesto que este es un En el trabajo no se hace una comparación entre las tres
estado absorbente, por lo que la simulación no necesariamente versiones de este modelo, sino que se plantean los escenarios
llega al valor del tiempo establecido para la corrida. en los cuales cada una de estas representaciones tiene validez
En la figura 6 se muestra una simulacióo para el modelo SIS y significado epidemiológico. Debe considerarse que los mo-
de tiempo continuo. En esta simulación, el número reproductivo delos matemáticos son una abstracción, que permiten analizar,
básico es R0 = 2, con β = 1, α = 0.5, γ = 0.5. La linea roja es el bajo muchos supuestos (May, 2004), el comportamiento de un
número de susceptibles y la lı́nea azul el número de infecciosos. fenómeno fı́sico, por lo que la aplicación de estos modelos no
Es importante notar que en estas simulaciones, el tiempo siempre es directa.
que dura cada simulación no es constante, puesto que el tiempo
que transcurre entre la transición de un estado a otro, es una
variable aleatoria (Allen and Tarnita, 2012).
Ávila-Pozos, R. et al. / Publicación Semetral Pädi No. 12 (2019) 95–101 101
English Summary Allen, L., 2010. Stochastic Processes wiht Applications to Biology, 1st Edition.
CRC Press, Lubbock.
Stochastic Epidemic Models. Allen, L., 2017. A primer on stochastic epidemic models: formulation, numeri-
cal simulation, and analysis. Infectious Disease Modelling 2, 128–142.
Allen, L., Burgin, A., 2000. Comparison of deterministic and stochastic SIS
Abstract and SIR models in discrete time. Mathematical Biosciences 163, 1–33.
Andersson, H., Britton, T., 2000. Stochastic Epidemic Models and Their Statis-
Mathematical modeling is a very useful tool to understand, tical Analysis, 1st Edition. Springer-Verlag, New York.
Brauer, F., Castillo-Chávez, C., De la Pava, E., Barley, K., Castillo-Garsow,
in a simple way, some real problems from reality that are of our C., Chowell, D., Espinoza, B., González Parra, P., Hernández Suárez, C.,
interest. In the case of the diseases transmission, mathematical Moreno, V., 2014. Modelos de la propagación de enfermedades infecciosas,
epidemiology has allowed us to understand the mechanics of 1st Edition. Universidad Autónoma de Occidente, Cali.
propagation among the population. Deterministic models such Brauer, F., Kribs, C., 2016. Dynamical Systems for Biological Modeling, 1st
Edition. CRC Press, Boca Raton.
as SI, SIS, SIR, SEIR, have been widely studied, and are the Brauer, F., van den Driessche, P., Wu, J., 2008. Mathematical Epidemiology,
basis for more complex models, which include, for example, 1st Edition. Springer-Verlag, Berlin.
some vaccination policy. Another alternative is stochastic mo- Britton, N., 2003. Essential Mathematical Biology, 1st Edition. Springer-
deling. In this paper we present two stochastic models, based Verlag, London.
Britton, T., 2010. Stochastic epidemic models: A survey. Mathematical Bios-
on Markov chains. Both models are the stochastic version of ciences 68(1-2), 109–143.
the classic SIS. The first is a discrete time model, while the se- Brzezniak, Z., Zastawniak, T., 1999. Basic Stochastic Processes, 1st Edition.
cond is a continuous time model. From each of them we present Springer, London.
simulations, and overlapping with the simulation performed for Choisy, M., Guégan, J., Rohani, 2007. In: Tibayrenc, M. (Ed.), Mathematical
Modeling of Infectous Diseases Dynamics. John Wiley and Sons, U.S.A.,
the deterministic model. Ch. 22, pp. 379–404.
Keywords: Doob, J., 1990. Stochastic Processes, 1st Edition. John Wiley and Sons, New
York.
Martcheva, M., 2010. Mathematical Epidemiology, 1st Edition. Springer, New
Epidemiology, Basic reproduction number, Markov chain. York.
May, R. M., 2004. Uses and abuses of mathematics in biology. Science 303,
790–793.
Agradecimientos van den Driessche, P., 2017. Reproduction numbers of infectious disease mo-
dels. Infectious Disease Modeling 2), 288–303.
Este trabajo ha sido realizado gracias al apoyo del Progra-
ma para el Desarrollo Profesional Docente, mediante la beca
posdoctoral de R.R.J.M.
Referencias
Allen, B., Tarnita, C., 2012. Measures of success in a class of evolutionary
models with fixed population size and structure. J. Math. Biol. 68(1-2), 109–
143.