MODELO SIR

INTEGRANTES:
ANGIE CATALINA RODRIGUEZ RINCÓN
KAROL NATALIA SANCHEZ CHIQUIZA
FABIAN CASTIBLANCO CASTIBLANCO

YESSICA PAOLA GONZÁLEZ JIMÉNEZ

DOCENTE

RAZONAMIENTO LOGICO Y CUANTITATIVO

UNIVERSIDAD DE CUNDINAMARCA (UDEC)

ADMINISTRACION DE EMPRESAS
SECCIONAL UBATE
SEGUNDO SEMESTRE
 MODELO SIR

¿Qué es?

 El modelo SIR es uno de los modelos epidemiológicos más simples capaces de capturar
muchas de las características típicas de los brotes epidémicos. El nombre del modelo
proviene de las iniciales S (población susceptible), I (población infectada) y R (población
recuperada). El modelo relaciona las variaciones de las tres poblaciones (Susceptible,
Infectada y Recuperada) a través de la tasa de infección y el período infeccioso promedio.

S Susceptible: número de personas que son propensas a la enfermedad.

I Infectado: número de personas que tienen la enfermedad y que pueden infectar a la
gente susceptible

R Recuperado: número de personas que no pueden contraer la enfermedad, porque se

han recuperado completamente, o porque son inmunes.

dS
dt (t) = −βS(t)I(t), S(0) = S0

dI
dt(t) = βS(t)I(t) − νI(t), I(0) = I0

dR
dt (t) = νI(t), R(0) = R0
Este modelo ha tenido gran evidencia lo largo de los años, pero se ha tenido como más
presencia en el año covid pues nadie sabia de que trataba este modelo, en la historia este
modelo a ayudado a conocer los datos estadísticos de varias enfermedades de brotes
epidémicos como lo peste negra, el ébola, la gripe A, gripe asiática y española entre
muchas más epidemias que se presentaron a lo largo de la historia. Este modelo sir se a
plica en diferentes escenarios dependiendo los datos y las circunstancias en las cuales se
den infecciones que se expanden día a día.

Pero este modelo no está simplemente basado para las estadísticas de enfermedades
epidemiológicas, también esta aplicado a diferente áreas y sus usos son eficientes pues
estos usan la matemática para obtener datos promedios o posibles promedios o los
diferentes picos que se tendrían a corto plazo.

APLICACIONES

Epidemia de gripe en un internado inglés, 1978

En el año 1978 se informó a la conocida revista British Medical Journal de un brote de

gripe en un internado del norte de Inglaterra que se extiende del 22 de enero al 4 de
febrero, infectando a 512 de las 763 personas que estudiaban allí.

aparecen los datos del número de personas enfermas cada día. Se sabe además que la
epidemia comenzó con un infectado. Número real de individuos infectados en 1978 y
predicción de individuos infectados según el modelo mejorado. En este caso concreto la
población permanece constante por lo que nos encontramos en un escenario ideal para
aplicar el modelo SIR.

DIA INFECTADOS INFECTADOS SEGÚN EL MODELO

REALES
1 3 3.4069
2 8 11.4446
3 26 36.7168
4 75 102.8879
5 221 212.4616
6 291 286.3817
7 255 274.5569
8 235 219.1892
9 190 160.6006
10 125 112.9203
11 70 77.7214
12 28 52.8653
13 12 35.7095
14 5 24.0190

Número real de individuos infectados en 1978 y predicción de individuos infectados según el

modelo SIR.
MANUFACTURA
En la manufactura se puede evidenciar este modelo matemático, en la producción o
fabricación de algún producto en el cual se tiene en cuenta la duración, la cantidad, el
numero de empleados y las materias.
Un fabricante de automóviles tiene 2 productos autos compactos y subcompactos la
producción de cada tipo de autos requiere de cierta cantidad de materia prima y de mano
de obra de acuerdo con la siguiente tabla:

Autos Compactos Autos Capacidad

Subcompactos
Materia Prima 200 lbs 150 lbs 180,000 lbs
Mano de Obra 18 hrs 20 hrs 9,000 hrs
Utilidad 400 Dlls 200 Dlls

400 autos compactos cero autos subcompactos con una utilidad de 160,000 $

80,000 unidades de materia prima utilizadas 0 variables

7200 horas utilizadas 180 horas de variables utilizadas para descanso comida y limpieza del lugar.
PRODUCTO A Y PRODUCTO B

Una Empresa fabrica 2 productos, los cuales deben procesarse en los departamentos 1 y 2

Producto A Producto B Capacidad de Trabajo por semana

Departamento 1 3 hrs por unidad 2 hrs por unidad 120 hrs

Departamento 2 4 hrs por unidad 6 hrs por unidad 260 hrs

Margen de utilidad 5$ por unidad 6$ por unidad

Variables:
A = cantidad de productos “A” a fabricar por semana.
B = cantidad de productos “B” a fabricar por semana.

8 camisas y 14 blusas con una utilidad de 64.8$

Se evidenció de acuerdo con los datos reales de la operación que durante los meses de
enero y febrero fue necesario suplir la demanda con apoyo de la planta del Cauca. Esto
debido a que se presentaron demandas superiores a los 113.215 unidades (capacidad
actual de la planta de Antioquia). Haciendo una revisión de los costos reales obtenidos los
cuales fueron de $5,413,536,965 para los meses de enero a abril se planteó un análisis de
sensibilidad en el cual se aumentaba la capacidad de la planta de Antioquia de tal forma
que lograra cumplir la demanda. Este análisis arrojo como resultado que al aumentar la
capacidad en un 15% se obtienen ahorros del margen de los 61 MM por mes y al
incrementar en un 21% se obtiene un margen de 64 MM.
 ANALISIS Y CONCLUSION

El modelo s.i.r ha sido empleado a lo largo de la historia como un modelo para medir
estadísticamente las epidemias y poder ver sus evoluciones en varios periodos ayudando a
prevenir muchas cosas y dar soluciones a muchas, pero no solo se puede emplear en las
epidemias también se puede enfocar en la manufactura como lo hemos evidenciados en
los modelos anteriores donde evidenciamos varias características la cuales ayudan al
mejoramiento en cuanto a producción y sus puntos óptimos y evidenciar los patrones de
crecimientos los cuales son positivos en estos modelos pues indica que la producción o
desarrollo está siendo eficiente en el cual encontramos los puntos convergentes donde se
encuentra con un punto equilibrado.

Es modelo matemático s.i.r es indispensable para el monitoreo estadístico de datos de

enfermedades epidemiológicas pero además de eso sus diferentes aplicaciones lo hacen
un modelo esencial y de fácil aplicación en diferentes áreas donde escenarios lo
requieran, para obtener datos para la toma de decisiones.