Centro de Investigación y

Estudios Avanzados del IPN

Unidad Monterrey

Maestría en Ingeniería Física Biomédica

Biología Matemática
Dr. Moisés Santillán Zerón

Proyecto 2
ESTUDIO DE UN MODELO EPIDEMIOLOGICO
INFECCIOSO CON VACUNACION

Josué Alejandro Alemán Vilis

20 de Noviembre de 2018
INTRODUCCION

A lo largo de la historia, la humanidad ha tenido que enfrentar muchas epidemias

que han diezmado a gran parte de su población. A mediados del siglo XIV la peste
negra mató a casi una tercera parte de la población de Europa. En el siglo pasado,
en 1918, el brote de la gripe española mató a más de 20 millones de personas a
nivel mundial. Actualmente, se estima que millones de personas a lo largo y ancho
del planeta están infectadas de VIH, el 95% de ellos en países en vías de desarrollo.

Aunque los avances en los tratamientos de epidemias han avanzado, prevenir las
infecciones es preferible a tratarlas. El desarrollo de vacunas no solo significa
protección, sino también, y tal vez mas importante, nos protege de una pandemia.

Una vez que las vacunas se han desarrollado ¿cómo deberían de ocuparse?, es
decir, ¿se debería inmunizar a toda la población? ¿el costo del programa de
vacunación valdrá la pena si la vacuna es difícil y cara de producir? ¿si solo aquellos
que enfrentan los mayores riesgos de ser infectados son vacunados, será
suficiente? Este tipo de preguntas no pueden ser respondidas de una manera
simple, las características individuales de las enfermedades deben de ser tomadas
en cuenta, así como las condiciones socioeconómicas de las poblaciones. Sin
embargo, entender la dinámica de la transmision es esencial para llegar a una
respuesta, y un modelo matemático tiene un rol primordial en este aspecto.

Una vez que un modelo ha sido formulado y engloba todas las características de la
progresión de una enfermedad en particular, éste puede ser usado para predecir la
efectividad de diferentes estrategias de erradicación o control.

MODELO SIR

En el modelado de una enfermedad infecciosa, nos enfocamos en la población en

la cual ocurre el fenómeno, para el caso de este estudio asumiremos que la
población esta homogéneamente mezclada; todos los miembros de la población
interactúan de la misma manera. Esto significa que cualquier individuos no infectado
enfrenta el mismo riesgo de exposición a la enfermedad. Un brote de varicela en un
grupo de primaria es un ejemplo de infección que puede ser estudiado por este
modelo.

Para comenzar con la formulación de nuestro modelo, dividimos a una población en

tres categorías:

• S: los susceptibles, aquellos que pueden contraer la enfermedad y

actualmente no están infectados.
• I: los infectados, aquellos que contrajeron la enfermedad y son actualmente
contagiosos.
• R: los recuperados, aquellos que no pueden tener la enfermedad porque se
han recuperado permanentemente, fueron naturalmente inmunizados.

𝛽 𝛾
𝛼
SUSCEPTIBLES INFECTADOS RECUPERADOS

𝜇 (𝜇 + 𝛿) 𝜇

Fig. 1 Esquema general del sistema SIR

Las enfermedades se esparcen cuando un individuo susceptible tiene contacto con

un individuo infectado y subsecuentemente también se infecta. En este modelo se
toma a α como el coeficiente de entrada constante de individuos sanos (S), por otro
lado, una medida razonable del número de encuentros entre los individuos
susceptibles y los infectados (I) esta dado βSI, donde β es el coeficiente de
transmisión. Debido a que el número de S decrece a medida que los individuos
susceptibles se vuelven infectados y considerando que hay una tasa μ de muertes
por causas naturales, la ecuación diferencial que modela el número de individuos
susceptibles está dada por:

𝑑𝑆
= 𝛼 − 𝛽𝑆𝐼 − 𝜇𝑆
𝑑𝑡
(Ecuación 1)
Durante un tiempo, la clase infectada crece por la adición de nuevos individuos
infectados gracias a la interacción 𝛽𝑆𝐼. Al mismo tiempo hay individuos que mueren
debido a causas naturales (𝜇) y debido a la enfermedad (δ), además de que hay
individuos que se recuperan a una tasa (γ), por lo cual la ecuación diferencial que
describe a la población infectada está dada por:

𝑑𝐼
= 𝛽𝑆𝐼 − (𝜇 + 𝛾 + 𝛿)𝐼
𝑑𝑡
(Ecuación 2)
La tasa de remoción 𝛾 mide la fracción de la clase infectada que deja de ser
infecciosa, y de esta manera se mueve a la población de recuperados. Claramente,
la los recuperados incrementan su tamaño a un ritmo proporcional a la disminución
de la clase infectada. Considerando que también hay un flujo de salida por muertes
naturales se puede proponer la siguiente ecuacion diferencial:

𝑑𝑅
= 𝛾𝐼 − 𝜇𝑅
𝑑𝑡

(Ecuación 3)

Colectivamente las Ecuaciones 1, 2 y 3 forman el modelo SIR. Para analizar este

modelo y tener una percepción general de la dinámica de una epidemia,
normalizaremos el tiempo y la población para las tres ecuaciones.

Para normalizar el tiempo consideramos que 𝑡 ′ = 𝜇𝑡, por tanto

𝑑 𝑑
= 𝜇
𝑑𝑡 𝑑𝑡′

la segunda consideración que haremos será normalizar a la población, para esto

expresaremos a 𝑆 y 𝐼 y 𝑅 en términos de 𝛼, 𝛾, 𝛿, 𝜇

𝑆 = 𝑠 ( 𝛼⁄𝜇 )

𝐼 = 𝑖 (𝛼 ⁄𝜇 + 𝛿 + 𝛾 )

𝛾
𝑅= 𝑟
𝛽
De esta manera podemos reescribir a las ecuaciones 1, 2 y 3 de la siguiente forma

𝛼𝛽
𝑠′ = 1 − 𝑠𝑖 − 𝑠
𝜇(𝜇 + 𝛿 + 𝛾)
(Ecuacion 4)

𝛼𝛽 (𝜇 + 𝛿 + 𝛾)
𝑖′ = 2
𝑠𝑖 − 𝑖
𝜇 𝜇
(Ecuacion 5)
𝛼𝛽
𝑟′ = 𝑖−𝑟
𝜇(𝜇 + 𝛿 + 𝛾)
(Ecuacion 6)

Para el caso de la ecuación 5 aún podemos hacer algunas otras modificaciones

para que se parezca más a la ecuación 4 y poder hacer inferencias sobre el
comportamiento biológico del sistema. Para que ambas ecuaciones se parezcan
𝜇+ 𝛿+ 𝛾
multiplicamos la ecuación 5 por , de esta manera, la ecuación 5 se puede
𝜇+ 𝛿+ 𝛾

reescribir como:

𝜇+𝛿+𝛾 𝛼𝛽 1
𝑖′ = ( 𝑠𝑖 − 1 + )
𝜇 𝜇(𝜇 + 𝛿 + 𝛾) 𝜇
(Ecuacion 7)
Dada esta modificación ahora todas las ecuaciones comparten un parámetro en
𝛼𝛽
común: 𝜇(𝜇+𝛿+𝛾). Este valor es conocido como el número reproductivo básico el cual

se representa como 𝑅0

𝛼𝛽
𝑅0 =
𝜇(𝜇 + 𝛿 + 𝛾)

El termino 𝑅0 puede interpretarse también de la siguiente forma.

𝑛𝑜. 𝑑𝑒 𝑛𝑢𝑒𝑣𝑜𝑠 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑟 𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜

𝑅0 =
𝑡𝑖𝑒𝑚𝑝𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑙𝑎 𝑖𝑛𝑓𝑒𝑐𝑐𝑖𝑜𝑛
De esta manera, 𝑅0 es interpretado como el número de infecciones secundarias que
son producidas en una población susceptible. Este número es importante pues de
él depende la prevalencia o la extinción de la enfermedad.

Nótese que si 𝑅0 > 1, entonces un caso primario de enfermedad genera mas de un

caso secundario, el tamaño de la población infectada aumenta y ocurre una
epidemia. Si 𝑅0 = 1, entonces un individuo enfermo produce solo un nuevo caso
de la enfermedad, y ninguna epidemia puede ocurrir, es decir, no puede haber
crecimiento. Cuando 𝑅0 < 1 entonces el denominador en 𝑅0 es cada vez más
grande que el numerador, y dado que en el denominador 𝜇(𝜇 + 𝛿 + 𝛾) son todos
valores de salida, la virulencia de los infectados se reduce. Es decir, los infectados
tiene menos tiempo de infectar a susceptibles y la enfermedad se extingue.

𝜇+𝛿+𝛾
Por otro lado, en la ecuación 7 aparece el término , este termino nos indica
𝜇

que tan rápido evoluciona la población de infecciosos en comparación con los

susceptibles. Para este estudio identificaremos a este término como 𝜌.

Con las consideraciones anteriores podemos reescribir las ecuaciones 4, 5 y 6 de

la siguiente manera:

𝑠 ′ = 1 − 𝑅0 𝑠𝑖 − 𝑠
(Ecuacion 8)
𝑖 ′ = 𝜌 (𝑅0 𝑠𝑖 − 1)
(Ecuacion 9)
𝑟 ′ = 𝑅0 𝑖 − 𝑟
(Ecuacion 10)

Resumiendo a los puntos importantes del análisis anterior.

• El valor de 𝑅0 determina si se propaga o no una epidemia; si es mayor a 1,

entonces la enfermedad se propaga en la población, y si es menor o igual a
uno entonces no hay epidemia.
 • El valor de 𝑅0 se puede controlar de las siguientes formas:
o Al disminuir el coeficiente de transmision 𝛽, implementando un
periodo de cuarentena, por ejemplo.
o Al aumentar los coeficientes de salida de los individuos enfermos, es
decir aumentar los valores de 𝛿 𝑦 𝛾, esto conlleva un aumento al valor
de 𝜌.
o Al disminuir el valor 𝛼, es decir, disminuir a la población susceptible.
Esto se puede lograr por medio de un proceso de vacunación, qué es
el análisis siguiente.

MODELO SIR CON UN ESQUEMA DE VACUNACION

Una población puede ser protegida de una enfermedad de muchas maneras, una
de ellas es la vacunación. Esta estrategia debe de ser estudiada detenidamente
para hacer más eficiente el programa de vacunación, para encontrar por ejemplo, la
fracción de la población que hay que vacunar en un tiempo t para erradicar a la
enfermedad. De esta manera se puede proponer el siguiente esquema de, donde ε
representa la tasa de vacunación de la población.
𝜀

𝛽 𝛾
𝛼
SUSCEPTIBLES INFECTADOS RECUPERADOS

𝜇 (𝜇 + 𝛿) 𝜇

Fig. 2 Esquemas del modelo SIR con un esquema de Vacunación

Al introducir un nuevo parámetro (𝜀) debemos de contemplarlo en las ecuaciones

también. Este nuevo término afecta directamente a la población de susceptibles y
recuperados, de modo que las ecuaciones diferenciales normalizadas quedarían de
la siguiente forma.
 𝑑𝑆
= 𝛼 − 𝛽𝑆𝐼 − 𝜇𝑆 − 𝜀𝑆
𝑑𝑡
𝑑𝐼
= 𝛽𝑆𝐼 − (𝜇 + 𝛾 + 𝛿)𝐼
𝑑𝑡
𝑑𝑅
= 𝛾𝐼 − 𝜇𝑅 + 𝜀𝑅
𝑑𝑡

Para trabajar de una manera más sencilla, procederemos a normalizar

considerando que

𝑑 𝑑
= 𝜇 ′
𝑑𝑡 𝑑𝑡
𝑆 = 𝑠 ( 𝛼⁄𝜇 )
𝐼 = 𝑖 (𝛼 ⁄𝜇 + 𝛿 + 𝛾 )

Entonces las ecuaciones diferenciales normalizadas quedarían de la siguiente

forma.

𝑠 ′ = 1 − 𝑅0 𝑠𝑖 − (1 + 𝜖)𝑠
(Ecuacion 11)
𝑖 ′ = 𝜌 (𝑅0 𝑠𝑖 − 𝑖)
(Ecuacion 12)

Para proceder con el análisis del sistema, se deben encontrar los puntos fijos para
las ecuaciones. Sea:

𝑓(𝑠, 𝑖) = 1 − 𝑅0 𝑠𝑖 − (1 + 𝜖)𝑠 = 0
𝑔(𝑠, 𝑖) = 𝜌 (𝑅0 𝑠𝑖 − 𝑖) = 0
Y sabiendo que 𝜌 y 𝑅0 siempre son numeros positivos, podemos obtener los
puntos fijos de las ecuaciones.

Punto fijo 1 Punto fijo 2

1 1
𝑠∗= 𝑠∗=
1+ 𝜖 𝑅0

(1 + 𝜖)
𝑖∗=0 𝑖∗= 1−
𝑅0

Determinamos la matriz de derivadas o Jacobiano con las derivadas parciales del

sistema de ecuaciones.

𝜕𝑓 𝜕𝑓
𝐽 = ( 𝜕𝑠 𝜕𝑖 )
𝜕𝑔 𝜕𝑔
𝜕𝑠 𝜕𝑖
𝜕𝑓 𝜕𝑓
= −(𝑅0 𝑖 + (1+∈) = −𝑅0 𝑠
𝜕𝑠 𝜕𝑖

𝜕𝑔 𝜕𝑔
= 𝜌𝑅0 𝑖 = 𝜌(𝑅0 − 1)
𝜕𝑠 𝜕𝑖

De tal forma que el Jacobiano se observa de la siguiente manera.

−(𝑅0 𝑖 + (1 + 𝜖) −𝑅0 𝑠
𝐽=( )
𝜌𝑅0 𝑖 𝜌(𝑅0 − 1)

Para evaluar la estabilidad en cada uno de los valores de s* y de i* en el Jacobiano

para posteriormente calcular el Determinante (Δ) y la Traza (𝜏) para cada uno de
los puntos y de esta manera poder identificar si los puntos son estables o no,
recordando que:
 ∆ < 𝟎 se trata de un punto de silla
∆ > 𝟎 , no es un punto silla y hay que hacer el análisis de la traza, si
𝝉 > 𝟎 se trata de un punto inestable
𝝉 < 𝟎 punto estable

Evaluando el primer punto fijo tenemos.

𝑅0
−(1 + 𝜖) −
𝐽( =( 1+𝜖 )
1
1+ 𝜖
,0) 𝑅0
0 𝜌( − 1)
1+𝜖

𝑅0
∆ = 𝜌(1 + 𝜖) (1 − ) = 𝜌(1 + 𝜖 − 𝑅0 )
1+𝜖

𝑅0
𝜏 = 𝜌( − 1) − (1 + 𝜖)
1+𝜖

Para que el punto sea estable se debe de cumplir que ∆ > 0 y que 𝜏 < 0, analicemos
en que casos sucede esto.

• ∆ > 0 si 1 + 𝜖 − 𝑅0 > 0 y por tanto 𝑅0 < (1 + 𝜖), de este resultado

𝑅0
obtenemos que 1 > 1+𝜖
𝑅
• 0
En la traza 𝜏 = 𝜌 (1+𝜖 − 1) − (1 + 𝜖) se puede observar que (1 + 𝜖) es

siempre positivo porque 𝜖 siempre es mayor que 0 y recordando que

0 𝑅
𝑅0 < (1 + 𝜖), entonces 1+𝜖 − 1 < 0 siempre y por lo tanto 𝜏 < 0.

1
Descrito lo anterior podemos decir entonces que el punto ( 1+ 𝜖 , 0) es estable.

Esto tiene sentido pues, cuando la población de infectados es igual a 0, no se puede

propagar la enfermedad.
Evaluando el segundo punto fijo tenemos

− 𝑅0 −1
𝐽( 1 1+ 𝜖 =( )
𝑅0
, 1−
𝑅0
) 𝜌(𝑅0 − (1 + 𝜖) 0

Donde ∆ = 𝜌(𝑅0 − (1 + 𝜖)) y 𝜏 = −𝑅0

Para que el punto sea estable se debe de cumplir que ∆ > 0 y que 𝜏 < 0:

• Para que ∆ > 0 se debe de cumplir que 𝑅0 − (1 + 𝜖) sea mayor que cero,
entonces 𝑅0 > 1 + 𝜖, entonces 𝑅0 − 1 > 𝜖
• Y dado que el valor de 𝑅0 siempre es positivo, entonces 𝜏 < 0

1 1+ 𝜖
Con esas dos consideraciones podemos decir que el punto ( 𝑅 , 1 − ) es
0 𝑅0

estable cuando 𝜖 < 𝑅0 − 1.

Resumiendo, los puntos fijos serán estables cuando se cumplan las

consideraciones descritas en la tabla siguiente.

𝑠∗ 𝑖∗ Estabilidad
1
0 𝜖 ≥ 𝑅0 − 1
1+ 𝜖
1 (1 + 𝜖)
1− 𝜖 < 𝑅0 − 1
𝑅0 𝑅0

Entonces, la estabilidad de cada uno de los dos puntos depende de dos factores,
𝑅0 y 𝜖. Como se explicó en páginas anteriores 𝑅0 indica si se propaga o no una
epidemia, valores mayores a 1, harán que la población infectada crezca y la de
susceptibles disminuya. Por otro lado el valor de 𝜖 indica el número de individuos
que pasan al compartimento de recuperados debido a la vacunación.

Análisis numérico de las ecuaciones diferenciales del sistema.

La ecuaciones diferenciales de este sistema no pueden ser resueltas de una manera

analítica, por lo que se hacen uso de métodos computacionales. Para el análisis
computacional de este sistema se utilizó el método de Runge Kutta, el cual es un
métodos iterativo para la aproximación de soluciones de ecuaciones diferenciales
ordinarias, concretamente, del problema de valor inicial.
En el algoritmo de este programa se pueden variar los parámetros de 𝑅0 , 𝜌 y 𝜖, en
este análisis se irán variando cada uno de esos parámetros mientras otros
permanecen contantes.

• Comportamiento del sistema variando el valor de 𝑅0

Simulación 1 Ro = 0.5, ρ=1, ε=0 Simulación 2 Ro = 2, ρ=1, ε=0

Esta simulación compruebla lo que se discutió en páginas previas con respecto a

𝑅0 . En la Simulación 1 𝑅0 = 0.5 es decir, un infectado no alcanza a contagiar ni
siquiera a un susceptible antes de dejar de ser infeccioso, por lo tanto no hay
epidemia. Por otro lado, en la Simulación 2 𝑅0 = 2, lo que indica que un infeccioso
contagia a 2 susceptibles antes de dejar de ser infeccioso; hay una disminución de
la población de suceptibles, un aumento de los infecciosos y también recuperados.
 • Comportamiento del sistema variando el valor de 𝜌

Simulación 3 Ro = 2, ρ=0.5, ε=0 Simulación 4 Ro = 2, ρ=2, ε=0

Para este caso se observa que el valor de 𝜌 determina la rapidez con la que los
infecciosos contagian a los susceptibles, y también que tan rápido se llega al estado
estacionario. En la simulación 3, por ejemplo, la población de susceptibes disminuyó
a la mitad aproximadamente 20 años despues de que se dio el brote. Por otro lado,
en la simulación 4, el valor de 𝜌 es 4 veces mayor que en la simulación 3, y se
observa que se la población de susceptibles y el estado estacionario se alcanza 4
veces más rápido.

• Comportamiento del sistema variando el valor de 𝜖

Simulación 5 Ro = 2, ρ= 2, ε= 0.5 Simulación 6 Ro = 2, ρ= 2, ε= 1

Para los casos en los que hay vacunación y también una población infecciosa cuyo
𝑅0 > 1, hay dos posibilidades de estabilidad, cuando 𝜖 < 𝑅0 − 1, y los tres tipos de
poblaciones coexisten; y el estado en que no hay población infecciosa, es decir que
𝜖 ≥ 𝑅0 − 1.
Para la simulación 5, se cumple que 𝜖 < 𝑅0 − 1 y se llega a un estado estable en el
que hay tanto susceptibles como infecciosos y recuperados. En el caso de la
simulación 6 se cumple que 𝜖 ≥ 𝑅0 − 1, entonces no hay población infecciosa.
Entonces. A medida que incrementa el valor de 𝑅0 se debe de incremetar la tasa de
vacunación de tal modo que 𝜖 ≥ 𝑅0 − 1 si es que se quiere prevenir una propagación
de la enfermedad.

CONCLUSIONES
• A partir de un proceso de normalización de un sistema de ecuaciones
diferenciales se pueden hacer predicciones inteligentes sobre la dinamica de
una población, determinando la estabilidad de las soluciones a ese sistema.
• El valor del número repoductivo básico 𝑅0 es determinante en la propagación
de una epidemia, un valor de 𝑅0 mayor a 1 hara que la enfermedad se
convierta en una epidemia.
• Valores muy grandes de 𝑅0 hacen que una enfermedad sea muy virulenta.
• El valor de 𝜌 determinará que tan rápido se esparce la enfermedad.
• Diferentes estrategias pueden utilizarse para controlar la aparición o
propagación de una epidemia. En general se busca que el valor de 𝑅0
disminuya por debajo de 1.
• En el caso especifico de la vacunación se debe de cuidar que la tasa de
vacunación 𝜖 sea siempre mayor o igual a 𝑅0 − 1 para que la enfermedad
desaparezca. De otro modo se llegará a un estado en el que la enfermedad
se mantendrá como una epidemia endemica.