Escolar Documentos
Profissional Documentos
Cultura Documentos
335M
335M
Orientador:
Prof. Dr. Eduardo Mazoni Andrade Maral Mendes
Co-orientador: Prof. Dr. Erivelton Geraldo Nepomuceno
Dedicatria
Aos meus pais Edson Melotti e Lcia Maria Gon Melotti, pelo
amor.
As minhas irms Monalisa Melotti e Margiana Melotti, pela fraterna amizade.
Aos orientadores Eduardo Mazoni Andrade Maral Mendes e Erivelton Geraldo Nepomuceno, pela confiana.
iii
Agradecimentos
Agradeo a Deus.
Agradeo a voc que est lendo esta dissertao.
Agradeo aos professores Rui Dilo e Ronald Dickman pelas contribuies com
artigos e esclarecimentos de dvidas.
Agradeo aos amigos Lucymara Resende de Alvarenga, Tales Argolo Jesus e Eduardo Bento Pereira por vrias ajudas com programao e epidemiologia.
Agradeo aos colegas do MACSIN.
Agradeo FAPEMIG por financiar este trabalho.
Epgrafe
Viva a cincia
Um homem possua um avirio, e misteriosamente as suas galinhas comearam a morrer. Morriam sem causa aparente e de forma
fulminante. Ele ento resolve, para resolver o mistrio, contratar
um engenheiro, um bilogo, um qumico e um fsico.
O engenheiro faz diversas medies com as galinhas e com o galinheiro, mas nada descobre.
O bilogo cataloga e separa vrias amostras de galinhas, calcula
mdias populacionais, disseca, faz tudo o que tem direito, mas no
encontra o problema.
O qumico analisa sangue, rao, fezes, solo, tudo, sem obter resultados.
O fsico abre um caderninho e comea a escrever diversas equaes.
L pela 3a pgina do caderno ele vira pro proprietrio e fala: Olha,
descobri. Mas s funciona para galinhas esfricas no vcuo!
Autor desconhecido
vii
Sumrio
Resumo
xi
Abstract
xiii
Lista de Figuras
xvi
Lista de Tabelas
xvii
Lista de Smbolos
xix
Lista de Abreviaes
xxi
1 Introduo
1.1 Sistemas Complexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3 Estrutura do Texto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2 Autmatos Celulares
2.1 Uma Breve Histria . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2 Reviso de Bibliografia . . . . . . . . . . . . . . . . . . . . . . . . .
2.3 Definio de Autmato Celular . . . . . . . . . . . . . . . . . . . .
2.4 Composio do Autmato Celular . . . . . . . . . . . . . . . . . .
2.4.1 Dimenso do AC . . . . . . . . . . . . . . . . . . . . . . . .
2.4.2 Formato das Clulas e Redes de Contatos (Lattice) . . .
2.4.3 Limites: condies de fronteiras . . . . . . . . . . . . . . .
2.4.4 Vizinhanas e Regras . . . . . . . . . . . . . . . . . . . . . .
2.4.5 Condies iniciais . . . . . . . . . . . . . . . . . . . . . . . .
2.5 Autmato Celular de Uma Dimenso . . . . . . . . . . . . . . . .
2.5.1 Comportamentos dos Autmatos Celulares: classificaes
2.5.2 Autmato Celular Unidimensional na Natureza . . . . . .
2.6 Autmato Celular de Duas Dimenses . . . . . . . . . . . . . . . .
2.6.1 Reaes Qumicas . . . . . . . . . . . . . . . . . . . . . . .
2.6.2 Propagao de Incndio em Florestas . . . . . . . . . . . .
2.6.3 Jogo da Vida . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.7 Concluso do captulo . . . . . . . . . . . . . . . . . . . . . . . . .
ix
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
4
5
7
7
8
9
10
11
11
11
14
15
16
19
24
24
25
26
28
31
x
3 Epidemiologia
3.1 Relevncia . . . . . . . . . . . . .
3.2 Conceitos Preliminares . . . . . .
3.2.1 Modelo SIR . . . . . . . .
3.2.2 Modelo MBI . . . . . . . .
3.2.3 Controle Epidemiolgico
3.2.4 Vacinao Pulsada . . . .
3.3 Concluso . . . . . . . . . . . . .
.
.
.
.
.
.
.
33
33
35
35
38
39
41
42
.
.
.
.
43
43
45
49
50
5 Resultados e Discusses
5.1 Propagao de Doenas . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2 Concluso do captulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
53
67
6 Concluso Final
6.1 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
73
74
Apndice
77
77
77
79
81
81
Referncias Bibliogrficas
93
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4 Metodologia
4.1 Regras do AC Para o Espalhamento de Epidemias
4.2 Deslocamento do Indivduo Infectado . . . . . . .
4.3 Validao da Modelagem . . . . . . . . . . . . . .
4.4 Concluso do captulo . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Resumo
Diversos sistemas existentes na natureza e na sociedade no podem serem entendidos pela anlise do comportamento dos componentes individuais, mas pela anlise
do comportamento global gerado pelas interaes dos componentes individuais. Tais
sistemas so conhecidos como sistemas complexos. O estudo desses sistemas tornou-se
reconhecido nos ltimos anos como uma nova disciplina cientfica. Trata-se de conceitos que vo desde a psicologia aos estudos das cincias exatas. Muitos dos sistemas
que nos rodeiam so complexos, como os ecossistemas, economias, clima, sistemas
nervosos e a propagao de doenas em uma populao.
Para entender sistemas complexos, vrias ferramentas matemticas so usadas.
Dentre elas encontra-se o autmato celular (AC), que utilizado como uma alternativa
para a modelagem de sistemas. Essa ferramenta matemtica um sistema discreto, pois
os seus estados variam em instantes de tempo regularmente espaados. So grupos de
clulas (vetores/matrizes) em que cada clula caracterizado por um certo estado. O
valor de cada clula do grupo no prximo instante, depende dos valores das clulas
vizinhas e de um conjunto de regras, conhecidas como regras de transies locais.
Um exemplo de ACs capazes de representar fenmenos naturais so ACs para
espalhamento de epidemias, objetivo de estudo desta dissertao. Esta pesquisa prope
regras simples que simulam a propagao de uma doena genrica entre os indivduos
de uma populao por meio de ACs. Esses indivduos so caracterizados pelos estados
do sistema: suscetveis, infectados e recuperados. Alm dos vizinhos, considerados
como contatos locais, foi includa a capacidade do indivduo infectado se deslocar e
ter a probabilidade de infectar um suscetvel a uma certa distncia. Essa distncia
obtida por meio de regras fuzzy, que incluem uma probabilidade de deslocamento e um
parmetro do modelo epidemiolgico SIR (suscetvel-infectado-recuperado) conhecido
como taxa de reproduo bsica.
Para ilustrar o comportamento do sistema foram simulados oito cenrios com condies iniciais diferentes. O primeiro e o segundo cenrios apresentam a evoluo do
AC com diferentes parmetros de infeco, o terceiro cenrio mostra os focos de epidemias que surgem. O quarto e quinto cenrios exibem a evoluo considerando quatro
regies com caractersticas diferentes no AC. Essas regies ilustram como a mesma doena se propaga em ambientes naturais diferentes, isto , a velocidade de propagao
da doena pode ser diferente quando se incluem condies ambientais naturais diferentes, como o clima. O sexto e stimo cenrios mostram o comportamento da populao
quando realizada uma estratgia de controle para erradicar a doena. A estratgia de
controle utilizada foi a vacinao pulsada. O ltimo cenrio exibe o comportamento
do AC quando foi includo o perodo de latncia e o perodo de incubao.
Para analisar e em alguns casos validar o AC foi comparado com dois modelos
epidemiolgicos: o modelo matemtico SIR e o MBI. A comparao foi realizada qualixi
xii
tativamente (comportamento das sries temporais) e quantitativamente (valores numricos das sries temporais). Com essas comparaes realizadas possvel afirmar que
as regras adotadas fornecem um resultado adequado para o estudo da epidemiologia.
Abstract
Many systems in nature and society can not be understood by examining the behavior of their individual components, but only by examining the overall behavior generated by interactions of individual components. Such systems are known as complex
systems. The study of these systems has become recognized in recent years as a new
scientific discipline, the latest of interdisciplinary fields. These are concepts that range
from psychology to the exact sciences. Many of the systems that surround us are
complex, such as ecosystems, economies, climate, nervous systems and the spread of
disease in a population.
To understand complex systems, various mathematical tools are used. Among them
is the cellular automata (CA), which is used as an alternative in modeling systems. This
mathematical tool is a discrete system, because states vary regularly spaced-time. They
are groups of cells (vector/matrix) in which each cell is characterized by a certain state.
The value of each cell of the group at the next instant depends on neighboring cells via
a set of rules, known as local rules of transitions.
An example of ACs able to represent natural phenomena are CAs for spreading
of epidemics, the goal of study of this dissertation. This research proposes simple
rules that simulate the spread of a generic disease among individuals of a population
by means of CA. These individuals are characterized by the states of the system:
susceptible, infected and recovered. Besides the neighbours, as local contacts has been
infected individuals ability to move and have the chance to infect a susceptible to a
certain distance. This distance is obtained by means of fuzzy rules, which includes a
probability of displacement and a parameter of the SIR (susceptible-infected-recovered)
epidemiological model known as basic rate of reproduction.
To illustrate the behavior of the system eight scenarios were simulated with dierent
starting conditions. The first and second scenarios present the evolution of AC with
dierent parameters of infection, the third scenario shows the outbreaks of epidemics
that arise. The fourth and fifth scenarios exhibit the evolution considering four dierent regions in CA. They illustrate how the same disease spreads in dierent natural
environments, that is, the rate of spread of the disease may be dierent if they include
natural dierent environmental conditions, such as climate. The sixth and seventh scenarios show the behaviour of the population when is performed a strategy of control
to eradicate the disease. The strategy of control used was the vaccination pulsed. The
last scene exhibit the behavior of the AC when was included the period of latency and
the incubation period.
To analyse and, in some cases, validate the AC was compared with two epidemiological models: the SIR mathematical model and the MBI model. Such validation was
made qualitatively (behavior of time series) and quantitatively (numerical values of the
time series). With these comparisons is possible to say that the adopted rules provide
xiii
xiv
a satisfactory result for the study of epidemiology.
Lista de Figuras
1.1
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
2.10
2.11
2.12
2.13
2.14
2.15
2.16
2.17
2.18
2.19
2.20
2.21
2.22
2.23
2.24
2.25
2.26
2.27
2.28
2.29
2.30
Dimenso do autmato . . . . . . . . . . . . . . .
Tipo de lattice . . . . . . . . . . . . . . . . . . .
Limites para uma dimenso . . . . . . . . . . . .
Limite peridico . . . . . . . . . . . . . . . . . . .
Limite reflexivo . . . . . . . . . . . . . . . . . . .
Limite fixo . . . . . . . . . . . . . . . . . . . . . .
Tipo de vizinhana . . . . . . . . . . . . . . . . .
Transio de estado . . . . . . . . . . . . . . . . .
Alguns exemplos das 256 regras possveis . . . .
Regra rule 90 . . . . . . . . . . . . . . . . . . .
Regra rule 150 . . . . . . . . . . . . . . . . . . .
Regra rule 32. . . . . . . . . . . . . . . . . . . .
Regra rule 54 . . . . . . . . . . . . . . . . . . .
Regra rule 32. . . . . . . . . . . . . . . . . . . .
Regra rule 36. . . . . . . . . . . . . . . . . . . .
Regra rule 18. . . . . . . . . . . . . . . . . . . .
Regra rule 20. . . . . . . . . . . . . . . . . . . .
Regra rule 32 . . . . . . . . . . . . . . . . . . .
Regra rule 36 . . . . . . . . . . . . . . . . . . .
Regra rule 18 . . . . . . . . . . . . . . . . . . .
Regra rule 20 . . . . . . . . . . . . . . . . . . .
Formato de autmato celular em uma concha . .
Regra rule 30 . . . . . . . . . . . . . . . . . . .
Onda triangular se propagando . . . . . . . . . .
Propagao de incndio com vento e sem vento
Evoluo do Jogo da Vida . . . . . . . . . . . . .
Estrutura glider percorrendo o AC . . . . . . .
Comportamento de extino . . . . . . . . . . . .
Comportamento estvel . . . . . . . . . . . . . .
Comportamento oscilatrio . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
11
12
12
13
13
14
14
15
17
18
18
19
19
21
21
21
21
23
23
23
23
24
24
26
27
29
30
30
31
31
3.1
37
xv
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
xvi
4.1
4.2
4.3
4.4
4.5
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
45
46
47
48
49
5.1
5.2
5.3
5.4
5.5
5.6
5.7
5.8
5.9
5.10
5.11
5.12
5.13
5.14
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
53
55
56
57
59
60
61
63
64
65
66
68
69
70
Lista de Tabelas
2.1
2.2
16
20
3.1
39
4.1
44
xvii
Lista de Smbolos
U
Composio do autmato celular;
L
Lattice (tipo de estrutura);
Q
Conjunto de estados;
R
Vizinhana de uma clula;
f (. )
Regra de transio local;
k
a quantidade de estados
t
Tempo;
x
Clula do lattice;
xi
Clula do lattice na posio i;
Clula do lattice na posio i e j;
xi, j
xt1
Clula do lattice no instante t 1;
t
Clula do lattice no instante t;
x
t+1
Clula do lattice no instante t + 1;
x
vt
Comprimento da vizinhana;
t
t
t
R(x) = {y1 ,. . . ,yn} Estados da vizinhana no instante t;
u(xi )
Conjunto de vizinhos de xi ;
t
Vizinho da clula x no instante t;
y
r
Raio da vizinhana;
Ou exclusivo;
Disjuno
Conjuno
x
Negao binria;
L
Tamanho do AC de uma dimenso;
S
Indivduos suscetveis;
I
Indivduos infectados;
R
Indivduos recuperados;
N
Nmero total de indivduos;
xix
xx
Ro
Pn
Pi
Pc
Pd
Pnl
L
IN,t
Pt
n
Cn
tf
Taxa de recuperados;
Taxa de reproduo bsica;
Probabilidade de morte que no seja pela doena;
Probabilidade de infeco;
Probabilidade de cura;
Probabilidade de morte causada pela doena;
Probabilidade de contato no-local;
Deslocamento;
Matriz de caractersticas de cada indivduo no instante t;
Matriz formada por todos os indivduos no instante t;
Quantidade de caractersticas dos indivduos;
Caracterstica do indivduo dentro da matriz IN,t ;
Instante de tempo final
Lista de Abreviaes
AC
mod2
SIR
MBI
EDO
Autmato Celular;
Mdulo 2;
Suscetvel-Infectado-Recuperado;
Modelo Baseado em Indivduos;
Equao Diferencial Ordinria.
xxi
Captulo 1
Introduo
1.1 Sistemas Complexos
Muitos fenmenos da natureza so modelados por meio de equaes, obtidas por
identificao caixa preta por observaes de tais fenmenos. Porm, existem vrios
fenmenos na natureza que so difceis de serem modelados por equaes. Esses fenmenos podem ser estudados a partir dos conceitos de sistemas complexos (Bar-Yam,
1997; Jesus e Kawano, 2002; Pearce e Merletti, 2006). Estes sistemas incluem populaes
de seres vivos, o crebro, o sistema imunolgico, propagaes de doenas, os mercados
financeiros, os ecossistemas1 , etc. Esses sistemas so complexos no sentido em que h
um grande nmero de agentes, que aparentemente independentes, interagem entre si,
e a riqueza dessas interaes muitas vezes permite que o sistema como um todo seja
auto-organizado (Bar-Yam, 1997; Pearce e Merletti, 2006).
Deve ser notado que, embora muitos fenmenos sejam complexos, o conceito de
complexidade mais especfico. Complexidade define uma coleo de agentes2 individuais com liberdade para agir de forma nem sempre previsvel, e cujas aes esto
interligadas de tal maneira que a ao de um agente mude o contexto de outros agentes.
Eles so caracterizados por envolverem no-linearidades, alm de que pequenas alteraes podem ter efeitos surpreendentes e que no podem ser entendidos simplesmente
por meio da anlise dos componentes individuais. Tais efeitos tornam-se difceis de
serem analisados pelos mtodos clssicos da matemtica ou da fsica (Jesus e Kawano,
2002; Pearce e Merletti, 2006).
Uma das mais importantes propriedades dos sistemas dinmicos complexos a de
que regras locais produzem comportamento global, sendo que estas regras locais3 dependem das relaes entre os diversos agentes que compem o sistema. Os resultados
obtidos pelas relaes entre os agentes so conhecidos como efeitos coletivos (Wolfram,
1994) e as anlises de tais resultados extrapolam a anlise da matemtica clssica, uma
vez que muitos pesquisadores da complexidade so fsicos, matemticos, programadores, bilogos ou psiclogos (Bar-Yam, 1997; Jesus e Kawano, 2002; Telles et al., 2006,
1
Existem muitos livros que apresentam modelos matemticos (principalmente equaes diferenciais
ordinrias e equaes diferenciais parciais) de cada um desses sistemas. Porm, obter modelos desses
sistemas no trivial. O estudo de sistemas complexos tenta explicar o comportamento que esses
sistemas produzem sem a necessidade de obter equaes.
2
Elementos que compem o sistema.
3
Determinam como os agentes se relacionam. Os estados caracterizam os agentes do sistema.
1 Introduo
2007).
A Figura 1.1 ilustra a idia de que os sistemas complexos esto relacionados aos efeitos coletivos, que so os resultados encontrados por meio do comportamento global do
sistema. Esses sistemas podem ser biolgicos ou fsicos, que fornecem resultados que
so analisados macroscopicamente. Por exemplo, podem ser citados os comportamentos dos neurnios dos crebros, das partculas dos gases4 e da estrutura tridimensional
do crescimento de um cristal (Dilo, 1993).
Explicar os comportamentos das partculas quase trivial quando analisado pela mecnica estatstica.
que o crebro produz por meio das interaes das clulas a partir das propriedades
fsicas e qumicas de cada neurnio.
Outro exemplo de sistema complexo com efeito coletivo um gs no interior de um
recipiente. As caractersticas do gs so medidas pela presso, temperatura e densidade, ou seja, essas caractersticas representam o estado macroscpico do gs (efeito
coletivo). Para sistemas complexos no h necessidade de explicar o comportamento
coletivo que o gs produz a partir das caractersticas internas dos tomos (Dilo, 1993).
Os dois sistemas descritos anteriormente so constitudos por muitas clulas ou
tomos semelhantes. Ambos os sistemas tm suas caractersticas explicadas por observaes macroscpicas, devido aos efeitos coletivos que no so explicados pelas
caractersticas internas dos tomos, isto , no so explicados por escalas microscpicas, mas pela interao entre os elementos constituintes dos sistemas.
Alm desses exemplos de sistemas complexos citados acima, tem-se o estudo do
espalhamento de epidemia por meio de doenas infecciosas, de grande relevncia
para a sociedade. As doenas infecciosas invadiram comunidades humanas afetando
a populao e a organizao social, como a peste negra na idade mdia ou o surto
de varola na Europa durante o sculo XVII. No so apenas os humanos que esto
sujeitos a doenas infecciosas. Muitas doenas atacam animais domsticos e animais
de alto valor econmico, disseminando ou reduzindo as produtividades de rebanhos
bovinos, caprinos, entre outros. A proliferao de doenas infecciosas em animais
um grande problema para sade pblica, pois o prejuzo econmico pode ser grande e
afeta no somente o produtor, mas toda a populao. Como exemplo h epidemia da
encefalopatia espongiforme bovina, popularmente conhecida como epidemia da vaca-louca
ou a epidemia da gripe das aves (Nepomuceno, 2005).
O interesse de se estudar o espalhamento de doena explicar como a doena se
propaga por meio das interaes entre os indivduos (escala macroscpica) e no pela
doena em cada indivduo (escala microscpica). As interaes entre as variveis que
determinam a transmisso da infeco em populaes so freqentemente complexas e
no-lineares. Essas variveis so os indivduos de uma populao que podem assumir
algum estado: suscetvel, infectado ou recuperado (Emmendorfer e Rodrigues, 2001;
da Silva Peixoto e Barros, 2004; da Silva Peixoto et al., 2008).
Tendo como base a idia de se estudar o sistema a partir do comportamento coletivo
gerado pelas interaes dos componentes internos, pode-se considerar que a forma mais
simples a estrutura espacial de caixas pretas, que representa os elementos ou clulas
idnticas, independente do que est dentro das caixas ou qual a sua dinmica interna,
como pode ser visto na Figura 1.1. As ligaes existentes entre as caixas negras ou
clulas so responsveis pelas comunicaes de uma clula com outra, por meio das
quais se definem as leis de interaes (Dilo, 1993).
Os sistemas complexos, como dito anteriormente, so em geral sistemas com um
nmero muito grande de elementos. Muitas vezes esses elementos so simples e as
interaes entre eles costumam serem no-lineares. Esses dois fatores (nmero grande
1 Introduo
de variveis e no-linearidade) fazem com que estes problemas sejam muito difceis
de serem tratados analiticamente, em termos da obteno ou solues de modelos
matemticos para tais sistemas. Essa a razo da necessidade de model-los via
computao numrica, pois assim possvel superar as dificuldades analticas (BarYam, 1997).
A capacidade de processamento dos computadores modernos permite a sua utilizao no estudo de assuntos que envolvem uma grande quantidade de variveis, como o
clima, organismos vivos, fenmenos populacionais ou mesmo o crebro humano. Com
programas computacionais adequados podem ser feitas simulaes do comportamento
de sistemas reais e, assim, prever diversos acontecimentos5 .
Os autmatos celulares, as redes neurais e os modelos baseados em agentes so
exemplos genunos de ferramentas matemticas capazes de simular essa classe de
sistema e podem ser utilizados como ferramentas para o estudo e modelagem de
sistemas complexos reais, de natureza fsica, biolgica, econmica, etc.
Dentre essas tcnicas os autmatos celulares (ACs) merecem destaque pela simplicidade de simulao e por fornecerem resultados semelhantes aos dos sistemas reais.
Essa ferramenta matemtica capaz de representar as interaes entre os indivduos
que compem o sistema, alm de apresentar o comportamento coletivo gerado pelos
indivduos de um sistema complexo, cujos conceitos deram um avano para o desenvolvimento da cincia da complexidade. As relaes entre os elementos podem ser
desenvolvidas por meio de regras locais, ou seja, cada informao que um elemento
transmite aos seus vizinhos obedece a uma certa lei (Bar-Yam, 1997; Jesus e Kawano,
2002).
A cincia de sistemas complexos enfatiza a necessidade de se desenvolver novos
mtodos que so apropriados para o problema em anlise. Assim, com base nessa
teoria este trabalho de dissertao prope um estudo de modelagem do espalhamento
de doenas por meio de ACs para vrias condies iniciais, sem a necessidade de se
resolver equaes, apenas por simulaes computacionais numricas. Os ACs so
capazes de representar as interaes entre os indivduos (agentes) caracterizados pelos
estados do sistema: suscetvel, infectado e recuperado.
1.2 Objetivo
O estudo de sistemas complexos avanou significativamente nos ltimos anos (BarYam, 1997), principalmente quando aplicados nos estudos de sistemas reais, como os
sistemas que representam a propagao de epidemias (Pearce e Merletti, 2006).
Neste trabalho de mestrado tem-se como foco de pesquisa o espalhamento de doenas, o estudo da epidemiologia como exemplo de sistemas complexos. A epidemiologia
pode ser definida segundo Michaellis (2007) como ramo da cincia que trata das epi5
O autor no teve acesso a esse artigo. Mas em referncia como (Hethcote, 2000) confirmado que o
modelo SIR foi desenvolvido por Kermack e McKendrick (1927).
1 Introduo
Por sistema complexo entende-se que as variveis do sistema no so independentes umas das outras e assim a ao de uma pode afetar o comportamento da outra. Os
agentes so relativamente simples e interagem localmente entre si. O termo simples
implica que o comportamento das variveis tem uma descrio muito mais simples do
que o comportamento do sistema inteiro. A dinmica de sistemas complexos difcil de
ser compreendida e em alguns casos no pode ser definida precisamente por tcnicas
clssicas (Bar-Yam, 1997).
Pelo conceito de autmatos celulares apresentado na introduo ficou evidente que
uma ferramenta matemtica capaz de representar interaes entre os indivduos que
compem o sistema. Tal sistema pode ser um sistema complexo. Como exemplo
de sistema complexo sendo explicado por autmato celular tem-se o espalhamento de
doenas, que contm indivduos aparentementes independentes uns dos outros, porm
o estado de um indivduo pode afetar o estado de um outro indivduo.
Captulo 2
Autmatos Celulares
2.1 Uma Breve Histria
No final da dcada de 40 surgiram novas tcnicas computacionais que poderiam
ser utilizadas na modelagem matemtica de sistemas complexos. Dois matemticos,
o hngaro John von Neumann e o polaco Stanislaw Ulam, esto entre os maiores
contribuidores para o desenvolvimento das tecnologias da poca, que de um ponto
de vista terico introduziram os autmatos celulares. Porm, de um ponto de vista
prtico, em torno do final dos anos 60, o matemtico Conway desenvolveu o Jogo da
Vida, que representava um sistema de vida e morte entre organismos, contribuindo
significativamente para a divulgao dos autmatos celulares (Pascoal, 2005).
A idia de autmatos celulares surgiu quando Stanislaw Ulam trabalhava no Laboratrio Nacional de Los Alamos (Los Alamos, Novo Mxico) estudou o crescimento
de cristais, usando a mais simples rede (matriz) como seu modelo. Na mesma poca
Neumann trabalhava tendo como foco a auto-reproduo. A idia inicial era a capacidade de uma mquina se auto-reproduzir e as cpias se auto-reproduzirem, ou seja,
cpias idnticas mquina inicial. Ulam sugeriu que von Neumann desenvolvesse
o projeto dele em torno de uma abstrao matemtica, da mesma forma como Ulam
usou para estudar o crescimento de cristais. Assim, nasceu o primeiro sistema de
autmato celular de duas dimenses: a implementao de um algoritmo com a idia
de auto-reproduo. O resultado foi um copiador e construtor universal trabalhando
dentro de um AC com uma pequena vizinhana (somente as clulas ortogonais1 ) e com
29 estados (valores que cada clula da matriz pode assumir).
Segundo Pascoal (2005), para Neumann a palavra autmato era destinada as mquinas automticas cujo comportamento poderia ser definido por termos matemticos
inconfundveis. Neumann estava interessado nas conexes entre biologia e a teoria
dos autmatos. Nos seus estudos predominava a idia do fenmeno biolgico da autoreproduo. Um dos principais objetivos de Neumann era o de aplicar essas seqncias
em seus estudos sobre neurofisiologia.
Os estudos com ACs contriburam significativamente para o desenvolvimento da
cincia, pois muitos trabalhos foram realizados. Muitos desses trabalhos podem ser
encontrados no livro de Adamatzky (1994) que apresenta uma extensa referncia sobre
aplicaes de ACs na natureza, como o estudo de turbulncia qumica, aplicaes para
solucionar as equaes de Poisson e de Boltzmann, aplicaes com a fora magntica
1
2 Autmatos Celulares
de Lorentz e estudos sobre fluxo de fluidos. Alm desses, tm-se os ACs para estimar
as reas de servio para subestaes de energia eltrica (Fenwick e Dowell, 1999), para
processamento de imagem (Popovici e Popovici, 2000), simular ondas ocenicas em
tempo real (Wang et al., 2003), predio de srie temporal (Perepelitsa et al., 2006),
modelagem de reaes qumicas (Zhao et al., 2007) e os modelos de propagaes de
incndio em florestas (Encinas et al., 2007).
10
2 Autmatos Celulares
Comportamento complexo tambm surge de equaes simples, como por exemplo a mapa logstico.
11
2.4.1 Dimenso do AC
O AC pode ser representado por um vetor ou matriz de comprimento infinito ou
no e os elementos constituintes so as clulas, que representam cada posio do vetor
ou matriz. A clula o local aonde guardado um certo estado (valor) e cada clula
tem apenas um nico estado. A Figura 2.1 mostra o formato de um AC, que pode ser
representado por um vetor (uma dimenso) ou matriz (duas ou trs dimenses) e os
elementos constituintes, isto , as clulas que compem o AC (Leite et al., 2007).
Figura 2.1: Dimenso: a) uma, b) duas e c) trs. Fonte (Leite et al., 2007).
12
2 Autmatos Celulares
C1
C2
C3
C4
C5
C6
C7
C8
C9
C10
C1
a)
C2
C1
C1
C2
C3
C4
C5
C6
C7
C8
C9
C10
C10
C7
C8
C9
C10
C10
C9
b)
C10
C1
C2
C3
C4
C5
C6
c)
Figura 2.3: Limites: a) peridico, b) reflexivo e c) fixo.
13
C15
C1
C9
C10
C11
C12
C13
C14
C15
C1
C16
C2
C17
C3
C18
C4
C19
C5
C20
C6
C21
C7
C16
C2
C17
C3
C18
C4
C19
C5
C20
C6
C21
C7
C22
C8
C28
C27
C26
C25
C24
C23
C22
C8
C15
C1
C9
C10
C11
C12
C13
C14
C15
C1
a)
Figura 2.4: Limite peridico.
O limite reflexivo representado quando cada clula da borda refletida para ser
a utilizada como parte do limite do AC (Pascoal, 2005). Por exemplo, a clula C9 foi
refletida para a esquerda para fazer parte da vizinhana de alguma clula direita da
clula C9, ou da prpria clula C9.
C2
C7
C1 C2 C3 C4 C5 C6 C7
C9 C9
C10
C11
C12
C13
C14 C14
C15 C16 C17 C18 C19 C20 C21
C16
C21
b)
C8
C28 C28
C27
C26
C25
C24
C23 C23
C22
14
2 Autmatos Celulares
...) tero como vizinhas as clulas brancas externas da matriz. Essas clulas brancas
sero mantidas durante toda a evoluo do autmato.
C1
C9
C10
C11
C12
C13
C14
C15
C2
C3
C4
C5
C6
C7
C16
C17
C18
C19
C20
C21
C8
C28
C27
C26
C25
C24
C23
C22
c)
Figura 2.6: Limite fixo.
15
Tanto as Figuras 2.7 a) e b) o raio de vizinhana um, pois somente uma camada (linha
e coluna) seguinte considera. Porm, a Figura 2.7 c) conhecida como Vizinhana de
Moore Estendida considera um raio de vizinhana igual a dois, ou seja, duas camadas
(linhas e colunas) so consideradas, assim a vizinhana da clula que ser atualizada
ser igual a vinte cinco clulas. Outros tipos de vizinhanas podem ser consideradas,
como aumentar a faixa de vizinhos ou escolher vizinhos aleatrios.
A Figura 2.8 mostra a transio de estado, em que a AC possui seis estados (valores:
1, 2, 3, 4, 5 e vazio), Vizinhana de Moore e lattice quadrado.
16
2 Autmatos Celulares
e estados das clulas com valores Q = {0,1} e para diferentes condies iniciais com
periodicidade especfica, em que mod2 o mdulo 2. Observa-se que os ACs das Tabelas
2.1 a) e b) repetem as condies iniciais no instante t = 4 e t = 2 respectivamente. O AC
da Tabela 2.1 c) permanece constante a partir do instante t = 2 e o AC da Tabela 2.1 d)
repete a condio inicial no instante t = 3.
Tabela 2.1: Autmatos celulares de uma dimenso com vrias condies iniciais.
t=0
t=1
t=2
t=3
t=4
0
0
1
0
0
1
0
1
1
1
1
1
1
0
1
1
0
0
0
1
a)
0
1
1
1
0
0
0
0
1
0
0
1
0
0
0
t=0
t=1
t=2
t=3
t=4
0
0
1
1
1
1
0
1
1
1
1
1
1
1
1
c)
1
0
1
1
1
0
0
1
1
1
1
1
1
1
1
1
1
0
1
1
t=0
t=1
t=2
t=3
t=4
0
0
0
0
0
t=0
t=1
t=2
t=3
t=4
1
0
1
0
1
1
1
1
1
1
0
0
0
0
0
1
0
1
0
1
b)
1
0
1
1
0
d)
0
0
0
0
0
1
1
0
1
1
1
0
1
0
1
1
1
0
1
1
1
1
1
1
1
1
0
1
0
1
1
0
1
1
0
17
Figura 2.9: Alguns exemplos das 256 regras possveis com k = 2 e r = 1. Fonte (Wolfram,
2002).
Uma funo booleana uma funo lgica que pode ser considerada como uma proposio.
18
2 Autmatos Celulares
De acordo com a regra do autmato celular rule 90, o valor de uma posio
particular simplesmente o mdulo 2 (mod2) aplicado na soma dos dois vizinhos no
instante anterior da clula que ser atualizada. A funo Booleana equivalente dada
pela equao 2.1 (Wolfram, 1994).
= xti1 xti+1 ,
xt+1
i
(2.1)
em que denota adio mdulo 2 (ou exclusivo7 ). A equao 2.1 pode ser representada
pela equao 2.2 (Wolfram, 1994).
= mod2(xti1 + xti+1 )
xt+1
i
t
(2.2)
(2.3)
Todas as figuras nesta dissertao que representam as evolues dos autmatos celulares foram
simuladas.
7
A operao ou exclusivo conhecido tambm como disjuno exclusiva uma operao sobre dois
ou mais valores lgicos, tipicamente os valores de duas proposies, que produz um valor verdadeiro
apenas se a quantidade de operadores verdadeiros for mpar.
19
A operao de disjuno lgica relacionada unio de conjuntos (operador ou). Uma idia tem
de ser verdadeira em pelo menos uma das situaes (conjuntos) para que o resultado seja verdadeiro. O
resultado s ser falso se em nenhuma dos conjuntos o valor for verdadeiro.
9
A operao de conjuno lgica relacionada interseo de conjuntos (operador e). Uma idia
tem de ser verdadeira em ambas as situaes (conjuntos) para que o resultado seja verdadeiro. Em outras
situaes, o resultado ser falso.
20
2 Autmatos Celulares
Tabela 2.2: Exemplo de uma regra de transio para um AC unidimensional. xti1 representa o valor da clula vizinha esquerda da clula que ser atualizada, xti representa
o valor da clula que ser atualizada, xti+1 representa o valor da clula vizinha direita
da clula que ser atualizada e xt+1
representa a clula atualizada no prximo instante.
i
xti1
0
0
0
0
1
1
1
1
xti
0
0
1
1
0
0
1
1
xti+1
0
1
0
1
0
1
0
1
xt+1
i
0
1
1
0
1
0
0
1
Classe II (comportamento cclico ou peridico): nesta classe os autmatos geralmente criam imagens que se repetem periodicamente, com poucos perodos ou
imagens estveis, Figura 2.15.
Classe III (comportamento catico): exibem comportamentos caticos. O termo
catico aqui refere-se o comportamento espao-tempo aparentemente imprevisvel (Mitchell, 1998). Os ACs da classe III so caracterizados pela forte dependncia com as condies iniciais (Mattos e Moreira, 2004), Figua 2.16.
Classe IV (comportamento complexo): os autmatos desta classe apresentam
uma repetio irregular, no tempo, de padres, a diferentes escalas e posies no
espao. Combinam, de certo modo, regularidade, com alguma imprevisibilidade.
Apesar da numerao, considera-se que este tipo de ACs se situa entre as classes
II e III. Os ACs evoluem para estruturas localizadas complexas (o modelo cresce
e pode contrai com tempo), Figura 2.17.
As Figuras 2.14, 2.15, 2.16 e 2.17 foram geradas respectivamente com as regras
t
t
t
t
= (xti1 xi xti+1 ) que corresponde a classe I, xt+1
= (xi1 xti xi+1 ) + (xti1 xi xti+1 )
i
t
t
t
t
= (xti1 xi xi+1 ) + (xi1 xi xti+1 ) que corresponde a
que corresponde a classe II, xt+1
i
classe III e a classe IV depende do valor da soma S = xti2 + xti1 + xti + xti+1 + xti+2 em que
= 0, S = 4 ento xt+1
= 1, S = 3 ento xt+1
= 0, S = 2 ento xt+1
= 1, S = 1
S = 5 ento xt+1
i
i
i
i
t+1
t+1
ento xi = 0 e S = 0 ento xi = 0.
A Figura 2.14 corresponde a regra rule 32 com r = 1, Figura 2.15 corresponde a
regra rule 36 com r = 1, Figura 2.16 corresponde a regra rule 18 com r = 1 e Figura
2.17 corresponde a regra rule 20 com r = 2, sendo que todas as regras possuem um
conjunto de estados Q = {0; 1} e k = 2. Esses ACs foram geradas at o instante 100 e cada
AC um vetor com 100 posies (clulas). Cada instante de gerao est representado
xt+1
i
21
Figura 2.14: Regra rule 32. Classe I: Figura 2.15: Regra rule 36. Classe II:
comportamento cclico.
comportamento fixo.
Figura 2.16: Regra rule 18. Classe III: Figura 2.17: Regra rule 20. Classe IV:
comportamento complexo.
comportamento catico.
22
2 Autmatos Celulares
em uma linha, a cor preta corresponde ao valor de estado igual a 1, e o valor de estado
igual a 0 (zero) corresponde a cor branca e a condio inicial foi gerada aleatoriamente
(Wolfram, 1994).
Este sistema de classificao ainda no encontrou uma base firme em trabalhos
analticos, mas amplamente suportado por observaes de simulaes de vrios
ACs10 (Bar-Yam, 1997).
Uma tcnica para se estudar a estabilidade dos autmatos celulares consiste em
comparar a evoluo conjunta do sistema original e de uma rplica dele na qual foi
introduzida uma perturbao (mutao, dano) em alguma posio do AC no instante
inicial (t = 0). Por exemplo, a mudana do estado de uma posio de 0 para 1.
Comparando-se a trajetria das configuraes original e perturbada, pode-se definir a
Distncia de Hamming (DH) entre elas (Hallan, 2003; Mattos e Moreira, 2004). A DH
o nmero total de posies nos quais os estados na configurao original e na rplica
perturbada diferem entre si dividido pelo nmero total de posies (L). A DH baseia-se
na propriedade desses sistemas serem sensveis a pequenas variaes nas condies
iniciais (uma das condies para a constatao de que o sistema dinmico catico). A
DH definida pela relao 2.4:
L
1
i (t) i (t)
DH =
L i=1
(2.4)
em que i (t) representa a evoluo do AC e i (t) a evoluo do AC com uma perturbao includa na condio inicial do AC i (t), i a posio da clula no AC, L = 1000
o tamanho do AC (vetor) e t o instante de tempo. A partir dos valores da Distncia
de Hamming pode-se tambm distinguir as 4 classes de Wolfram:
Classe I: a DH desaparece com o passar do tempo, Figura 2.18;
Classe II: a DH permanece constante no tempo e pequena, Figura 2.19;
Classe III: a DH cresce rapidamente com o tempo e no se estabiliza. Portanto as
regras da classe III so instveis, Figura 2.20;
Classe IV: a DH pode apresentar um longo perodo transiente at que atinja o
seu valor de equilbrio. O valor final da DH pode variar muito, dependendo do
tamanho e da localizao do dano inicial (perturbao no AC original), Figura
2.21.
10
Isso quer dizer que os ACs de uma dimenso so classificados em uma das quatro classes por
observaes das evolues de cada um, e no por um formalismo matemtico.
23
24
2 Autmatos Celulares
25
26
2 Autmatos Celulares
(a) t=0
(b) t=18
(c) t=22
(d) t=25
O AC tambm ser complicado se incluir todos esses fatores e incluir escalas de tempo, porm no
h necessidade de obter equaes.
27
28
2 Autmatos Celulares
2. Se existir vento em uma certa direo a probabilidade de transio cinza para
branco maior nesta direo.
3. Se uma clula est no estado preto, ento manter-se-a nesse estado indefinidamente.
4. Quando uma rvore est no estado branco ela vai se manter neste estado por duas
geraes e depois ficar preta.
5. Considerou-se 4 vizinhos.
29
(a) t=0
(b) t=100
(c) t=300
(d) t=4000
Figura 2.26: Evoluo do Jogo da Vida. Em que a cor cinza representa uma clula
morta e cor branca representa uma clula viva. As Figuras 2.26 a), b), c) e d) mostram a
evoluo do Jogo da Vida. O Jogo da Vida foi simulado em uma matriz 200 200 com
limite peridico, lattice quadrado e condio inicial aleatria.
30
2 Autmatos Celulares
(a) t=0
(b) t=1
(d) t=3
(c) t=2
(e) t=4
(a) t=0
(b) t=1
(c) t=2
(a) t=0
31
(b) t=1
(c) t=2
(a) t=0
(b) t=1
(c) t=2
32
2 Autmatos Celulares
vrias formas: tipo de dimenso, tipo de lattice, tipo de vizinhana e alguma regra.
Alm deste captulo ter mostrado que a condio inicial influencia na evoluo do AC.
Neste captulo tambm foi discutido dois tipos de dimenses para autmatos celulares: uma dimenso e duas dimenses. Os autmatos celulares de uma dimenso so
fortemente estudados por muitos pesquisadores que buscam entender as formaes de
estruturas geradas durante a evoluo e como explicar essas estruturas por meio de
ferramentas matemticas. Porm, esta dissertao no levou em considerao os estudos matemticos para explicar as estruturas geradas durante a evoluo do autmato
celular, apenas teve o intuito de apresentar alguns comportamentos. Com relao aos
autmatos celulares de duas dimenses foram apresentados alguns exemplos da classe
de meio excitvel, como a propagao de fogo e reaes qumicas, sendo que tambm
possvel usar esses autmatos de meio excitvel para modelar os impulsos eltricos
em msculos cardacos, como o trabalho de Hammer et al. (2003).
Ainda como exemplo foi apresentado o Jogo da Vida, que apesar da sua simplicidade, mostra uma impressionante diversidade de comportamento. Uma das mais
evidentes caractersticas do Jogo da Vida a frequente ocorrncia de gliders (planadores), tipos de clulas que se deslocam por toda a matriz.
Existem outros autmatos celulares de duas dimenses que representam sistemas
fsicos que no foram apresentados neste trabalho, como o Lattice Gs (tipo de AC
projetado para modelar colises de partculas de gases ou lquidos) e Transporte de Material (modelar o movimento e deposio de partculas e as subsequentes crescimento
de padres) (Smith, 1994; Bar-Yam, 1997).
Captulo 3
Epidemiologia
3.1 Relevncia
O estudo das doenas infecciosas um importante ramo da cincia, em virtude dos
danos scio-econmicos. O nmero de mortes provocado pelas maiores epidemias de
todos os tempos impreciso, mas incomparavelmente maior do que o nmero de
mortes provocado por todas as guerras (Anderson e May, 1992). No controle da proliferao das doenas infecciosas a cincia tem contribudo de diversas formas, desde
campanhas de vacinao at o desenvolvimento de modelos capazes de representar a
dinmica de doenas infecciosas (Yang, 2001).
Devido relevncia deste assunto, vrios pesquisadores buscam desenvolver modelos matemticos que possam contribuir para a compreenso e erradicao de doenas
infecciosas. Esta rea da epidemiologia denominada epidemiologia matemtica se fortaleceu nos ltimos anos e o interesse em modelar doenas infecciosas tem sido objeto
de estudos de inmeros trabalhos em todo o mundo (Kermack e McKendrick, 1927;
Anderson e May, 1992; Hethcote, 2000; Pereira et al., 2006).
A modelagem matemtica de doenas infecciosas fundamenta-se em hipteses matemticas que quantificam alguns aspectos biolgicos da propagao de epidemias.
Neste trabalho de dissertao, a modelagem matemtica trata especificamente das infeces de transmisso direta. Esse tipo de transmisso baseada em infeces virticas
ou bacterianas, cuja disseminao ocorre diretamente atravs do meio fsico, quando
se d um contato apropriado entre os indivduos suscetveis (aqueles que no tiveram
contato com o vrus) e os indivduos infectantes, isto , os que apresentam em seus
organismos concentraes razoveis de vrus e, assim, encontram-se eliminando estes
para o ambiente (Yang, 2001).
Hethcote (2000) afirma que a modelagem epidemiolgica pode contribuir para o
projeto e anlise de pesquisas epidemiolgicas, sugerir qual tipo de dado deve ser
coletado, identificar tendncias, realizar predies e estimar a incerteza das predies.
Um dos modelos mais estudados o modelo matemtico denominado SIR (Suscetvel - Infectado - Recuperado) (Kermack e McKendrick, 1927). O modelo SIR permite
analisar determinadas caractersticas de doenas infecciosas, tais como as constantes
de tempo caractersticas da fase epidmica1, o patamar endmico2 , e a existncia de
1
2
34
3 Epidemiologia
35
36
3 Epidemiologia
A representao do modelo SIR a seguinte (3.1):
IS
dS
= N + dI S
, S(0) = So 0
dt
N
IS
dI
= I I dI , I(0) = Io 0
dt
N
dR
=
I R ,
R(0) = Ro 0.
dt
(3.1)
(3.2)
O modelo SIR clssico no inclui o parmetro que representa a taxa de indivduos infectados que
morrem por causa da doena (d).
37
N( + + d) N( d) N( d)
;
;
P2 = (S ; I ; R ) =
.
( + )
( + )
(3.3)
Observe que a equao (3.2) representa uma soluo estacionria livre de infeco,
contudo a equao (3.3) representa uma soluo estacionria endmica.
Para modelos epidemiolgicos clssicos, um parmetro essencial o valor da taxa de
reproduo bsica, Ro , que definida como o nmero mdio de infeces secundrias
(direta) produzidas quando um indivduo infectado introduzido em uma populao
inteiramente suscetvel. Esse parmetro indica em que condies a doena se propaga
na populao. Por exemplo, se Ro = 6, espera-se uma mdia de 6 infeces secundrias
para cada infeco primria. Se Ro 1, ento o nmero infecciosos tende a zero. Na
equao (3.1) pode-se express-lo da seguinte forma (Hethcote, 2000):
Ro =
.
++d
(3.4)
A Figura 3.1 mostra dois diagramas de fases da equao (3.1). A Figura 3.1 a) mostra
uma situao de erradicao, com = 0,5, = 0,10, d = 0,30 e = 0,60, ento Ro = 0,5.
Contudo, ao trocar o valor de = 0,5 para = 3,5 mostra uma situao de equilbrio
endmico, consequentemente Ro = 3,5.
0.8
0.8
0.7
Infectado (I/N)
Infectado (I/N)
0.6
0.4
0.2
0
0.6
0.5
0.4
0.3
0.2
0.1
0.2
0.2
0.4
0.6
Suscetvel (S/N)
0.8
0
0
0.2
0.4
0.6
0.8
Suscetvel (S/N)
38
3 Epidemiologia
39
Interpretao
morte
recuperao
Probabilidade
C2
Cn ],
(3.5)
40
3 Epidemiologia
A observao clssica de Edward Jenner da ao protetora da varola bovina contra a varola humana
no sculo XVIII, anterior descoberta dos vrus, forneceu a base que permitiu a erradicao mundial da
varola (Thrusfield, 2004).
7
As comunidades inter-relacionadas e seus ambientes so denominados ecossistemas. O estudo dos
ecossistemas denominado ecologia.
41
de ocorrncia nacional, isto , o quanto uma doena capaz de afetar uma populao
ou quais doenas so mais comuns em cada regio. Alm disso, os objetivos so
ferramentas para os estudos de controle e erradicao das doenas, uma vez que
os estudos da epidemiologia so geralmente realizados para identificar causas das
doenas, para que se possam desenvolver e implementar medidas preventivas, que
sero avaliadas quanto eficcia.
O controle a reduo da morbidade8 e mortalidade da doena9 e um termo geral
que abrange todas as medidas com as quais se deseja interferir na ocorrncia ilimitada
de uma doena, qualquer que seja sua causa. Trata-se de um processo contnuo. O
controle pode ser conseguido pelo tratamento de indivduos doentes, o que, portanto,
reduz a prevalncia10 da doena, e pela preveno11 da doena, o que reduz tanto a
incidncia quanto a prevalncia (Thrusfield, 2004).
O termo erradicao pode ter vrias explicaes segundo Thrusfield (2004). Primeiro, pode ser definido como a extino de um agente infeccioso, ou seja, a erradicao no teria sido completada se um nico agente infeccioso sobrevivesse em qualquer
lugar da natureza. A segunda definio afirma que a erradicao a reduo da prevalncia da doena em uma rea especfica, para um nvel em que a transmisso no
ocorra. A terceira definio a reduo da prevalncia da doena a um nvel em que
a doena no seja mais o principal problema de sade, embora algumas transmisses
possam ocorrer. Enquanto o controle epidemiolgico envolve uma campanha de tempo
ilimitado, a erradicao envolve uma campanha de tempo limitado.
evidente que o controle e a erradicao sempre esto juntas, uma vez que a ao
de uma acarreta a ao de outra. Por exemplo, a vacinao em indivduos suscetveis
pode conduzir a erradicao de uma certa doena.
42
3 Epidemiologia
et al. (1993) e analisados mais profundamente em vrios outros artigos (Shulgin et al.,
1998; Stone et al., 2000; dOnofrio, 2002; Pereira et al., 2006; Jin et al., 2008).
A vacinao pulsada torna-se importante uma vez que nem todos os pases do
mundo tm condies de vacinar a populao continuamente, a fim de erradicar uma
certa doena. Por exemplo, os pases pobres da frica, que recebem ajuda de pases
ricos. Contudo, essa ajuda no capaz de atender a populao continuamente, apenas
de perodos em perodos. evidente que no vacinar a populao inteira no exclusividade de pases pobres, fatores culturais tm causado reduo da vacinao. Assim,
surge a pergunta: qual o perodo (tempos em tempos) em que os indivduos devem ser
vacinados, para evitar uma proliferao da doena?
Com base na relevncia do estudo da epidemiologia o projeto teve como intuito
mostrar como uma doena se propaga em uma populao com o auxlio de ACs.
3.3 Concluso
A importncia do estudo da epidemiologia foi apresentada logo no incio deste
captulo. Tambm foram apresentados dois modelos matemticos que representam
o espalhamento de doenas: os modelos SIR e MBI. Uma breve discusso sobre a
importncia de controle epidemiolgico e de erradicao de doenas foram exibidos,
bem como uma estratgia de controle conhecida como vacinao pulsada.
Captulo 4
Metodologia
4.1 Regras do AC Para o Espalhamento de Epidemias
Esta seo apresenta as regras propostas nesta dissertao para a propagao de
epidemias, definidas por um conjunto de probabilidades de transies de estados. As
probabilidades das transies de estados seguem uma distribuio uniforme. Cada
clula do AC corresponde um indivduo, que pode estar em um dos trs estados:
suscetvel, infectado e recuperado. Assim, a cada instante de tempo t, tem-se:
todos os indivduos (S, I, R) tm uma probabilidade, Pn , de morrer que no seja
causada pela doena;
todos os indivduos S tm uma probabilidade, Pi , de serem infectados de acordo
v
com Pi (v) =
. Onde v a quantidade de vizinhos infectados e vt o nmero
vt
total de vizinhos. A vizinhana considerada foi a Vizinhana de Moore (oito
vizinhos);
cada indivduo infectado, I, tem uma probabilidade Pc de tornar-se curada e uma
probabilidade Pd de tornar-se morta por causa da doena;
todos os indivduos infectados tem uma probabilidade de deslocamento nolocal, Pnl . Essa probabilidade de deslocamento influencia o valor da distncia
que o indivduo infectado pode-se deslocar dentro do AC. Na prxima seo ser
apresentada a metodologia para se determinar a distncia que cada indivduo
infectado pode se deslocar no AC;
para cada indivduo que morre um suscetvel nasce em seu lugar. Portanto, a
populao permanece constante.
A Tabela 4.1 mostra um exemplo do espalhamento de epidemia usando as regras
propostas nesta dissertao, em que cada clula representa um indivduo.
Cada transio da matriz M comentada a seguir:
M(1, 5), M(2, 4) e M(3, 4). Esses indivduos no instante de tempo t eram suscetveis. No prximo instante, t + 1, passaram para o estado infectado, pois havia
indivduos infectados na vizinhana e assim a probabilidade Pi (v) maior do que
44
4 Metodologia
S
I
I
R
S
M=
S S S
R S S
S S S
R I S
S S S
t+1
I I
I R
I I
R S
S S
a probabilidade do suscetvel permanecer suscetvel no prximo instante. O perodo infectante permanecer at que seu estado seja modificado de acordo com
as regras de transio;
M(2, 5). No instante t esse indivduo estava no estado infectado e no instante t + 1
tornou-se recuperado. Os indivduos recuperados permanecem imunes a doena
at a morte.
M(4, 5) e M(5, 1). Esses indivduos estavam no estado recuperado no instante
t e no instante t + 1 passaram para o estado suscetvel. Isso significa que os
indivduos recuperados morreram e no lugar deles nasceram outros indivduos,
porm no estado suscetvel, mantendo a populao constante.
Alm das regras anteriores, uma simulao foi realizada incluindo novas regras.
Essas regras incluram o tempo de latncia e o tempo de incubao da doena em um
indivduo infectado. Essas regras foram incorporadas com a finalidade de mostrar a
versatilidade do modelo e tambm de incorporar aspectos que sejam importante em
certas epidemias.
As novas regras foram includas da seguinte forma:
o indivduo infectado no pode morrer por causa da doena no prximo instante,
aps adquirir a doena. O indivduo pode-se deslocar com qualquer distncia.
Essa regra indica que o indivduo infectado est no incio da doena, isto , tem o
vrus mas no possvel perceber os sintomas (a doena no est desenvolvida).
Esse perodo conhecido como perodo de latncia, ver Figura 4.1;
o indivduo infectado no segundo instante, aps adquirir a doena no se desloca,
pois possvel ver os sintomas causados pela doena, ento o indivduo se mantm em repouso. Nesse instante o indivduo pode morrer por causa da doena.
Esse instante conhecido como perodo de infeco. Tambm pode-se considerar
que o indivduo nesse instante esteja no perodo de incubao, uma vez que parte
do perodo de infeco est contido no perodo de incubao, ver Figura 4.1;
no terceiro instante, o indivduo infectado considerado tendo a doena quase
eliminada do organismo, por isso ele pode se deslocar. Porm, a distncia mxima
45
de deslocamento a metade da distncia total1 . O indivduo nesse instante considerado quase recuperado. Esse instante conhecido como perodo sintomtico,
ver Figura 4.1;
depois de trs instantes de tempo o indivduo infectado pode-se recuperar2 ;
todos os indivduos podem morrer de uma causa qualquer que no seja pela
doena.
Figura 4.1: Relao entre infecciosidade e sintomas da doena causado pelo vrus. Note
que o perodo de infeco pode comear antes ou aps o incio dos sintomas.
No h nenhuma formulao matemtica para estimar qual a distncia que um indivduo quase
curado pode-se deslocar. A idia de escolher a metade da distncia total foi devido o indivduo em
estado de recuperao se mantm um pouco em repouso, isto , no realiza certas atividades.
2
O instante para considerar que um indivduo torna-se recuperado totalmente foi estipulado. No
teve nenhum estudo para adotar tal tempo.
46
4 Metodologia
Figura 4.2: Possveis contatos locais (x) e no-local (o) com indivduo localizado a uma
distncia L (Emmendorfer e Rodrigues, 2001).
Contudo, da Silva Peixoto e Barros (2004) incorporaram ao modelo de AC de Emmendorfer e Rodrigues (2001), aspectos de incerteza para modelar os efeitos no-locais
da propagao de doenas. Utilizaram lgica fuzzy para modelar o parmetro L, que
representa a dinmica de um contato no-local.
A teoria fuzzy tem por objetivo principal tratar matematicamente certos termos
lingusticos subjetivos. Com isso, seria possvel programar e armazenar conceitos
vagos em computadores, permitindo a produo de clculos com informaes imprecisas. A aplicao da teoria fuzzy permitiu a criao de sistemas capazes de executar
inmeras tarefas. Genericamente, um sistema baseado em regras fuzzy consiste em
quatro componentes: um processador de entrada (fuzzyficador), um conjunto de regras
lingsticas, um mecanismo de inferncia fuzzy e um processador de sada (defuzzyficador). Esses componentes processam um valor real de entrada e fornecem um valor
real de sada (Jang et al., 1997).
O fuzzificador o processo pelo qual os valores de entrada do sistema so traduzidos
em seus respectivos conjunto fuzzy. Isto o mapeamento do domnio dos nmeros
reais conduzidos ao domnio fuzzy. A regra base caracteriza os objetivos e estratgias
utilizados por especialistas na rea, por meio de um conjunto de regras lingistas. Isto
composto por uma coleo de proposies condicionais fuzzy na forma If-Then
(Se-Ento) regra.
O mecanismo de inferncia fuzzy realiza raciocnio aproximado utilizando a composio da regra de inferncia. Uma particular forma de inferncia fuzzy de interesse
aqui o mtodo Mamdani. Neste caso, ela agrega as regras por meio do operador
lgico OR (ou), modelado pelo operador mximo e a cada instante os operadores
lgicos AND (e) e Then (ento) so modelados pelo operador mnimo (Jang et al.,
1997).
Por ltimo, no defuzzyficador, o valor da sada da varivel lingustica inferida pela
regra fuzzy traduzido para um valor real. O objetivo o de obter um nmero real
que melhor representa os valores fuzzy da sada da varivel lingustica. Uma tpica
tcnica defuzzificadora, a mesma que adotada nesta dissertao, o mtodo do centrode-gravidade definido da seguinte forma: A (z) a funo de pertinncia da varivel
47
(4.1)
Figura 4.3: Sistema baseado em regras fuzzy (da Silva Peixoto e Barros, 2004).
Para as variveis de entrada (Ro e Pnl ), as funes de pertinncia utilizadas foram
nomeadas de muito baixo, baixo, mdio, alta e muito alto. Para a varivel de sada (L),
as funes de pertinncia foram nomeadas pequena, mdio e grande (da Silva Peixoto e
Barros, 2004). As funes de pertinncia de entrada e sada podem ser vistas na Figura
4.4.
Segundo da Silva Peixoto e Barros (2004) as funes de pertinncias e as regras
fuzzy foram obtidas com o auxlio de especialistas da rea de medicina:
1. Se (Ro muito baixo) e (Pnl muito baixo) ento (L pequeno)
2. Se (Ro muito baixo) e (Pnl baixo) ento (L pequeno)
3. Se (Ro muito baixo) e (Pnl mdio) ento (L pequeno)
4. Se (Ro muito baixo) e (Pnl alto) ento (L mdio)
5. Se (Ro muito baixo) e (Pnl muito alto) ento (L mdio)
6. Se (Ro baixo) e (Pnl muito baixo) ento (L pequeno)
7. Se (Ro baixo) e (Pnl baixo) ento (L pequeno)
8. Se (Ro baixo) e (Pnl mdio) ento (L mdio)
3
O smbolo de integral, , indica que o universo z contnuo.
48
4 Metodologia
baixo
alto
muito alto
0.8
0.6
0.4
0.2
0
pequeno
1
Funes de Pertinncias
medio
1.2
muito baixo
1
Funes de Pertinncias
Funes de Pertinncias
1.2
muito baixo
1
4
Ro
baixo
medio
alto
muito alto
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
Pnl
medio
grande
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
49
50
4 Metodologia
empregado para certificar se os valores gerados pelo modelo apresentam coerncia com
os gerados pelo sistema real. Alm disso, a validao procura reduzir as desconfianas e aumentar a credibilidade do modelo, isto , produzir um modelo que represente
o mais prximo possvel o comportamento do sistema real, a fim de aumentar o nvel
de aceitao e a credibilidade do modelo (Mendes e Billings, 2001).
Uma das formas de realizar a validao comparar os dados simulados com os
dados reais do sistema, isto , subtrair a previso numrica de um modelo do outro.
Quanto mais prximo de zero a diferena entre os modelos, pode-se dizer que o modelo
proposto tem uma boa aproximao com o modelo real (Mendes e Billings, 2001).
Porm, a validao nesta dissertao no foi possvel ser realizada com dados reais,
devido extrema dificuldade em se coletar dados de epidemiologia. Alm disso, no
se pretende nessa dissertao modelar uma epidemia em especfico, e sim avaliar as
potencialidades do AC na propagao de doenas de uma forma geral. Contudo, foram
utilizados dados gerados por modelos matemticos de epidemiologia que j so aceitos
na literatura como bons modelos para representarem os espalhamentos de epidemias
(Alvarenga, 2008; Alvarenga et al., 2008; Takahashi et al., 2008; Nepomuceno et al.,
2006; Nepomuceno, 2005).
Para analisar e em alguns casos validar o AC foi comparado com dois modelos
epidemiolgicos: o modelo matemtico SIR e o MBI (Alvarenga, 2008; Alvarenga et al.,
2008; Takahashi et al., 2008; Nepomuceno et al., 2006). A comparao foi realizada
qualitativamente e quantitativamente. Qualitativamente procura-se analisar os comportamentos das sries temporais do AC com as sries temporais do SIR e MBI. Porm,
quantitativamente, utilizou-se o conceito de resduo para mostrar as diferenas entre
as sries temporais do AC com as dos modelos SIR e MBI.
51
Captulo 5
Resultados e Discusses
5.1 Propagao de Doenas
Neste trabalho foram simulados oito cenrios de espalhamento de epidemias por
meio de autmatos celulares, como pode ser visto pelas Figuras 5.2, 5.4, 5.6, 5.8, 5.10,
5.12, 5.13 e 5.14. Todos os cenrios foram gerados em uma matriz de 200 200, ou
seja, uma populao de N = 40000 indivduos, lattice quadrado, limite peridico
e possibilidade de deslocamento mximo (L) igual a 200 clulas para os indivduos
infectados. As cores cinza, preto e branco representam respectivamente os indivduos
suscetveis, infectados e recuperados.
O primeiro e segundo cenrios mostram os espalhamentos de doenas com vrios
indivduos infectados e com taxas de infeces diferentes. O terceiro cenrio tem como
finalidade, alm de mostrar a evoluo da propagao da doena, mostrar os aparecimentos de focos de epidemias, tendo como condio inicial apenas um indivduo
infectado no centro da matriz. O quarto e quinto cenrios mostram a evoluo da
epidemia em que os ACs foram divididos em quatro regies diferentes, como pode ser
visto na Figura 5.1. As quatros regies tem caractersticas diferentes. Assim, em cada
regio a doena se propagar com velocidades diferentes. O sexto e stimo cenrios
mostram a evoluo da epidemia quando os indivduos suscetveis so vacinados. O
ltimo cenrio mostra a evoluo da epidemia quando includo nas regras do AC
celular o tempo de latncia e o tempo de incubao da doena.
54
5 Resultados e Discusses
a taxa de recuperados no MBI e no SIR corresponde a probabilidade de um
indivduo infectado se recuperar no AC, Pc ;
a taxa de novos suscetveis por unidade de tempo do MBI e do SIR corresponde
a probabilidade de um indivduo morrer por uma causa que no seja pela doena
no AC, Pn .
a taxa de morte causada pela doena d do MBI e do SIR corresponde a probabilidade de um indivduo infectado morrer por causa da doena no AC, Pd .
Os modelos SIR e MBI consideram que todos os indivduos esto em contatos uns com os outros.
55
(a) t=0
(b) t=5
(c) t=30
(d) t=100
56
5 Resultados e Discusses
x 10
4
Suscetvel
Infectado
Recuperado
3.5
2.5
2
1.5
3
2.5
2
1.5
0.5
0.5
0
0
20
40
60
80
Suscetvel
Infectado
Recuperado
3.5
Indivduos
Indivduos
x 10
0
0
100
20
Tempo
100
4
Suscetvel
Infectado
Recuperado
3.5
2.5
2
1.5
2.5
2
1.5
1
0.5
0.5
40
60
80
Suscetvel
Infectado
Recuperado
20
x 10
3.5
Indivduos
Indivduos
80
x 10
0
0
60
Tempo
40
0
0
100
20
Tempo
40
60
80
100
Tempo
x 10
x 10
2
Resduos
Resduos
1
0
1
Suscetvel
Infectado
Recuperado
1.5
Suscetvel
Infectado
Recuperado
0.5
0
0.5
1
1.5
20
40
60
80
Tempo
100
2
0
20
40
60
80
100
Tempo
Figura 5.3: Sries temporais do primeiro cenrio que mostram as populaes de indivduos S (), I (- - -) e R (. . . ) e dos resduos: a) obtidas por simular o modelo de
AC considerando o deslocamento L, b) obtidas por simulao numrica integrando o
modelo SIR com = 3,5, = 0,60, d = 0,30 e = 0,1, c) obtidas por simular o modelo
MBI, d) obtidas por simular o modelo de AC sem considerar o deslocamento L, e)
resduo do AC com o modelo SIR e f) o resduo do AC com o MBI.
57
(a) t=0
(b) t=5
(c) t=30
(d) t=100
58
5 Resultados e Discusses
Porm, a Figura 5.5 a) comparada com as Figuras 5.5 c) e d) mostra que o modelo de
AC qualitativamente (comportamento) parecido com os modelos SIR e MBI.
Note que ao considerar = 1,0 as sries temporais do MBI apresentam comportamentos diferentes das sries temporais do modelo SIR, enquanto as sries do AC tm
uma boa aproximao. A razo para isso ainda necessita de mais estudos.
Observe pelas Figuras 5.4 e 5.5 que os indivduos infectados diminuem ou tornamse nulos. A doena foi erradicada sem aplicar uma estratgia de controle, um fato que
ocorreu devido a substituio de = 3,5 para = 1,0. evidente que o deslocamento
no influenciou na propagao da doena, pois o L depende do valor de Ro , e como Ro
tem um valor pequeno ento o deslocamento pequeno. Alm disso, como explicado
na seo 3.2.1 o valor de Ro sendo pequeno no influencia tanto no espalhamento da
doena. Assim, o nmero de indivduos suscetveis aumenta, pois alm do ser igual a
1, um indivduo infectado ou recuperado quando morre substitudo por um indivduo
suscetvel.
O terceiro cenrio mostra a evoluo em que a condio inicial composta de um
indivduo infectado no centro do AC e o restante do AC com indivduos suscetveis,
Figura 5.6. Os parmetros utilizados foram Pc = 0,60, Pd = 0,30, Pn = 0,10, = 3,5 e
Ro = 3,5 foi calculado pela equao (3.4). A condio inicial foi S(0) = 39999, I(0) = 1 e
R(0) = 0.
Com o terceiro cenrio possvel ver o aparecimento de focos de epidemias (pontos pretos), uma vantagem com relao ao modelo matemtico SIR, como mostrada
na Figura 5.6. Essa figura pode representar uma situao em que uma populao de
indivduos suscetveis recebe um indivduo infectado que migrou de uma regio qualquer para o centro desta populao, como mostrada na Figura 5.6 a). Devido o fato da
populao no ser vacinada a doena comea a se espalhar, como pode ser visto nas
Figuras 5.6 b), c) e d), que mostram os focos de epidemias que surgem.
Os novos focos que surgem so devido a capacidade que um indivduo infectado
tem de se deslocar, isto , um indivduo infectado pode contaminar um indivduo
suscetvel a uma certa distncia.
Observe que a Figura 5.6 fornece uma idia de velocidade do espalhamento da
doena, no sentido de que possvel ver a quantidade de indivduos infectados que
surgem no espao a cada instante de tempo.
As sries temporais do AC do terceiro cenrio podem ser vistas e comparadas na
Figura 5.7. As Figuras 5.7 e) e 5.7 f) mostram os resduos calculados do AC com o
SIR e MBI, respectivamente. Os resduos indicam as diferenas quantitativas entre os
modelos. Porm, a Figura 5.7 a) comparada com as Figuras 5.7 b) e c) mostra que o
modelo de AC qualitativamente (comportamento) parecido com os modelos SIR e
MBI.
Observe que ao considerar apenas um indivduo infectado no AC, as sries temporais do AC comparadas com as do modelo SIR e do MBI no so prximas nos
primeiros instantes. Porm, os valores de suscetveis, infectados e recuperados se es-
59
x 10
4
Suscetvel
Infectado
Recuperado
3.5
2.5
2
1.5
3
2.5
2
1.5
0.5
0.5
0
0
10
20
30
40
Suscetvel
Infectado
Recuperado
3.5
Indivduos
Indivduos
x 10
0
0
50
10
50
x 10
Suscetvel
Infectado
Recuperado
3.5
2.5
2
Indivduos
Suscetvel
Infectado
Recuperado
1.5
2.5
2
1.5
0.5
0.5
0
0
40
x 10
3.5
Indivduos
30
20
Tempo
Tempo
10
20
30
40
0
0
50
10
Tempo
20
30
40
50
Tempo
2
Suscetvel
Infectado
Recuperado
2000
0
1000
2000
Suscetvel
Infectado
Recuperado
1.5
1
Resduos
Resduos
1000
x 10
0.5
0
0.5
1
3000
1.5
4000
0
10
20
30
40
Tempo
50
2
0
10
20
30
40
50
Tempo
Figura 5.5: Sries temporais do segundo cenrio que mostram as populaes de indivduos S (), I (- - -) e R (. . . ) e dos resduos: a) obtidas por simular o modelo de
AC considerando o deslocamento L, b) obtidas por simulao numrica integrando o
modelo EDO com = 1,0, = 0,60, d = 0,30 e = 0,10, c) obtidas por simular o modelo
MBI, d) obtidas por simular o AC sem considerar o deslocamento L, e) resduo do AC
com o modelo SIR e f) o resduo do AC com o MBI.
60
5 Resultados e Discusses
(a) t=0
(b) t=27
(c) t=31
(d) t=35
61
x 10
4
Suscetvel
Infectado
Recuperado
3.5
2.5
2
1.5
2.5
2
1.5
0.5
0.5
0
0
20
40
60
80
Suscetvel
Infectado
Recuperado
3.5
Indivduos
Indivduos
x 10
0
0
100
20
Tempo
40
60
80
100
Tempo
x 10
1
Suscetvel
Infectado
Recuperado
3.5
0.5
Resduos
Indivduos
Suscetvel
Infectado
Recuperado
2.5
2
1.5
1
0.5
0.5
0
0
20
40
60
80
1
0
100
20
Tempo
40
60
80
100
Tempo
x 10
Suscetvel
Infectado
Recuperado
Resduos
1
0
1
2
3
0
20
40
60
80
100
Tempo
Figura 5.7: Sries temporais do terceiro cenrio que mostram as populaes de indivduos S (), I (- - -) e R (. . . ) e dos resduos: a) obtidas por simular o AC considerando o
deslocamento L, b) obtidas por simular a EDO com = 3,5, = 0,60, = 0,10 e d = 0,30,
c) obtidas por simular o MBI, d) resduo do AC com o modelo SIR e e) o resduo do AC
com o MBI.
62
5 Resultados e Discusses
tabilizam prximos dos valores do modelo SIR e do MBI. Esse fato ocorre porque a
velocidade de espalhamento da doena representada pelo modelo SIR e MBI mais
rpido que no AC. O modelo SIR e o MBI consideram que todos os indivduos esto
em contatos uns com os outros. Esse fato no invalida o AC, pois no espalhamento
real, os indivduos no esto todos em contatos uns com os outros.
Quantitativamente, pelos resduos apresentados pelas Figuras 5.3, 5.5 e 5.7 ficam
evidentes que os incios dos espalhamentos de doenas do modelo proposto de AC no
se aproximam dos modelos SIR e MBI, pelo fato de que os indivduos no modelo de AC
esto em contato com uma determinada vizinhana, diferente dos modelos SIR e MBI
em que todos os indivduos esto em contatos uns com os outros. Contudo, qualitativamente mostra que o modelo de AC captura algumas caractersticas do espalhamento
de doenas, como o pico de indivduos infectados que surge na populao. Alm disso,
as sries do AC se estabilizarem depois de um certo instante de tempo como as sries
do SIR e MBI.
A Figura 5.8 mostra a evoluo do AC do quarto cenrio. O AC foi dividido em
quatro regies. A condio inicial de cada regio S(0)/N = 99,5%, I(0)/N = 0,5%
e R(0)/N = 0% de indivduos, com N = 10000 indivduos. A Figura 5.8 a) mostra a
condio inicial de cada regio. A Figura 5.8 b) mostra o instante de tempo em t = 1,
a Figura 5.8 c) mostra o instante de tempo em t = 5 e a Figura 5.8 d) mostra o instante
de tempo em t = 100. A Regio 1 tem Pc = 0,50 e Pd = 0,20, a Regio 2 tem Pc = 0,60 e
Pd = 0,30, a Regio 3 tem Pc = 0,30 e Pd = 0,70 e a Regio 4 tem Pd = 0,10 e Pc = 0,70.
Todas as regies foram simuladas com = 3,5.
Note que a Figura 5.8 c) mostra que a Regio 3 tem uma regio com condies mais
propcias para o espalhamento da doena que nas outras regies, porque o nmero
de indivduos infectados maior. Pela Figura 5.8 d) evidente que a populao na
Regio 4 tem uma condio climtica menos propcia comparada com as outras regies,
porque a quantidade de indivduos infectados menor.
Os comportamentos dos indivduos no quarto cenrio para cada regio podem ser
vistos pelas sries temporais obtidas do AC da Figura 5.8 e da srie temporal total do
AC, como mostrado na Figura 5.9.
A Figura 5.10 mostra a evoluo do AC do quinto cenrio. Novamente o AC foi
dividido em quatro regies. A condio inicial para a Regio 1 S(0) = 9999, I(0) = 1 e
R(0) = 0 indivduos, com N = 10000 indivduos. As outras trs regies tm cada uma
S(0) = 10000, I(0) = 0 e R(0) = 0 indivduos. A Regio 1 tem Pc = 0,50 e Pd = 0,2, a
Regio 2 tem Pc = 0,60 e Pd = 0,30, a Regio 3 tem Pc = 0,30 e Pd = 0,70 a Regio 4 tem
Pd = 0,10 e Pc = 0,70. Todas as regies foram simuladas com = 3,5. A Figura 5.10 a)
mostra a condio inicial de cada regio, sendo que o AC inteiro s tem um indivduo
infectado. A Figura 5.10 b) mostra o instante de tempo em t = 16, a Figura 5.10 c) mostra
o instante de tempo em t = 29, a Figura 5.10 d) mostra o instante de tempo em t = 32.
Neste autmato celular possvel ver o efeito de migrao de um indivduo infectado
para as outras regies, ou seja, possvel ver os focos de epidemias que surgem nas
63
(a) t=0
(b) t=1
(c) t=6
(d) t=100
64
5 Resultados e Discusses
10000
10000
Suscetvel
Infectado
Recuperado
8000
Indivduos
Indivduos
8000
6000
4000
2000
0
0
Suscetvel
Infectado
Recuperado
6000
4000
2000
20
40
60
80
0
0
100
20
Tempo
80
100
10000
10000
Suscetvel
Infectado
Recuperado
Suscetvel
Infectado
Recuperado
8000
Indivduos
8000
Indivduos
60
Tempo
6000
4000
2000
0
0
40
6000
4000
2000
20
40
60
80
0
0
100
Tempo
20
40
60
80
100
Tempo
x 10
Suscetvel
Infectado
Recuperado
3.5
Indivduos
3
2.5
2
1.5
1
0.5
0
0
20
40
60
80
100
Tempo
Figura 5.9: Sries temporais das quatro regies e total do AC do quarto cenrio que
mostram as populaes de indivduos S (), I (- - -) e R (. . . ): a) regio R1, b) regio R2,
c) regio R3, d) regio R4 e e) a srie total do AC. A Regio 1 tem Pc = 0,50 e Pd = 0,2, a
Regio 2 tem Pc = 0,60 e Pd = 0,30, a Regio 3 tem Pc = 0,30 e Pd = 0,70 a Regio 4 tem
Pd = 0,10 e Pc = 0,70. Todas as regies foram simuladas com = 3,5.
65
(a) t=0
(b) t=16
(c) t=29
(d) t=32
Observe que na Regio 3, Figura 5.10 indica uma regio mais propcia para o
espalhamento da doena, pois o nmero de indivduos infectados aumenta mais rpido
que nas outras regies.
Os comportamentos dos indivduos no quinto cenrio para cada regio podem ser
vistos pelas sries temporais obtidas do AC da Figura 5.10 e a srie temporal total do
AC, como mostrado na Figura 5.11.
66
5 Resultados e Discusses
10000
10000
Suscetvel
Infectado
Recuperado
8000
Indivduos
Indivduos
8000
6000
4000
2000
0
0
Suscetvel
Infectado
Recuperado
6000
4000
2000
20
40
60
80
0
0
100
20
Tempo
80
100
10000
10000
Suscetvel
Infectado
Recuperado
Suscetvel
Infectado
Recuperado
8000
Indivduos
8000
Indivduos
60
Tempo
6000
4000
2000
0
0
40
6000
4000
2000
20
40
60
80
0
0
100
Tempo
20
40
60
80
100
Tempo
x 10
Suscetvel
Infectado
Recuperado
3.5
Indivduos
3
2.5
2
1.5
1
0.5
0
0
20
40
60
80
100
Tempo
Figura 5.11: Sries temporais das quatro regies e total do AC do quinto cenrio que
mostram as populaes de indivduos S (), I (- - -) e R (. . . ): a) regio R1, b) regio R2,
c) regio R3, d) regio R4 e e) a srie total do AC. A Regio 1 tem Pc = 0,50 e Pd = 0,2, a
Regio 2 tem Pc = 0,60 e Pd = 0,30, a Regio 3 tem Pc = 0,30 e Pd = 0,70 a Regio 4 tem
Pd = 0,10 e Pc = 0,70. Todas as regies foram simuladas com = 3,5.
67
O sexto cenrio, Figura 5.12, mostra a evoluo do autmato celular da Figura 5.2
com vacinao pulsada. O tempo t = 0 a condio inicial, o tempo t = 3 um
instante antes da vacinao e o tempo de t = 4 o instante em que 20% da populao
de suscetveis foram vacinados. O tempo t = 8 novamente o instante em que 20% da
populao de suscetveis foram vacinados. A diferena entre indivduos recuperados e
suscetveis pode ser observada pelas Figuras 5.12 b) e c), isto , o aumento de indivduos
recuperados. Os parmetros utilizados para esse cenrio foram os mesmos do primeiro
cenrio.
A Figura 5.12 mostra as sries temporais do AC do sexto cenrio com vacinao
pulsada aplicada a cada quatro instante de tempo. Os indivduos suscetveis que
receberam vacinao tornaram-se indivduos recuperados. Note que a taxa de vacinao no foi suficiente para erradicar a doena. Porm, a Figura 5.12 c), no tempo
t = 4 (momento da vacinao), mostra um aumento pequeno no nmero de indivduos
recuperados, comparada com a Figura 5.12 b).
Contudo, no stimo cenrio, quando foi aplicado uma taxa de vacinao de 80% na
populao de indivduos suscetveis, o nmero de indivduos recuperados aumentou,
como ilustrada na Figura 5.13 c) comparada com a Figura 5.13 b). A Figura 5.13 d)
mostra a populao com poucos indivduos infectados, segundo instante de vacinao.
A doena tende a ser erradicada em t = 25. Os parmetros utilizados para esse cenrio
foram os mesmos do primeiro cenrio.
A Figura 5.13 e) mostra as sries temporais do AC do stimo cenrio. O nmero de
indivduos infectados quase nulo em t = 25.
Note que as Figuras 5.12 e) e 5.13 e) mostram as srie temporais com picos dos ACs
das Figuras 5.12 e 5.13, respectivamente. Quando o nmero de indivduos suscetveis
alto o nmero de indivduos recuperados baixo. Mas quando o nmero de indivduos
recuperados alto o nmero de indivduos suscetveis baixo. Isto se deve vacinao
pulsada, que causa as oscilaes e diminui o nmero de indivduos a serem infectados,
alm de tornar o indivduo suscetvel em recuperado.
O ltimo cenrio, o oitavo, mostra a evoluo do AC, (ver Figura 5.14), quando foi
includo na regra o tempo de latncia e o tempo de incubao da doena, conforme as
regras apresentadas na seo 4.1. Os parmetros utilizados para esse cenrio foram os
mesmos do primeiro cenrio.
A Figura 5.14 e) mostra as sries temporais do AC com a incluso do tempo de
incubao e de latncia. Observe que o nmero de infectados aumenta e se estabiliza,
enquanto o nmero de suscetveis diminui e se estabiliza.
68
5 Resultados e Discusses
(a) t=0
(b) t=3
(c) t=4
(d) t=8
4
x 10
Suscetvel
Infectado
Recuperado
3.5
Indivduos
3
2.5
2
1.5
1
0.5
0
0
20
40
60
80
100
Tempo
Figura 5.12: Sexto cenrio representa a taxa de vacinao aplicada no AC, considerando
o deslocamento L: a) instante de tempo em t = 0, b) instante de tempo em t = 3, c)
instante de tempo em t = 4, d) instante de tempo em t = 8. 20% dos indivduos
suscetveis foram vacinados a cada quatro instamnte de tempo. As cores cinza, preto e
branco representam respectivamente indivduos suscetveis, infectados e recuperados.
Os parmetros usados foram o mesmo do AC da Figura 5.2. A figura e) representa as
sries temporais que mostram as populaes de indivduos S (), I (- - -) e R (. . . ).
69
(a) t=0
(b) t=3
(c) t=4
(d) t=8
4
x 10
3.5
Indivduos
3
2.5
Suscetvel
Infectado
Recuperado
2
1.5
1
0.5
0
0
20
40
60
80
100
Tempo
70
5 Resultados e Discusses
(a) t=0
(b) t=3
(c) t=4
(d) t=8
4
x 10
Suscetvel
Infectado
Recuperado
3.5
Indivduos
3
2.5
2
1.5
1
0.5
0
0
20
40
60
80
100
Tempo
(e) t=8
71
nesta dissertao. Por meio da comparao e anlise das sries temporais e dos clculos
dos resduos foi possvel comparar o AC com o SIR e o MBI.
Os autmatos celulares foram simulados para diferentes cenrios, a fim de ilustrar
o comportamento influenciado pelos diferentes valores dos parmetros utilizados (,
Pc , Pd , Pn ) e diferentes condies iniciais no AC. Os dois primeiros cenrios foram
simulados com o intuito de analisar as regras por meio das sries temporais do AC com
as sries temporais do MBI e do SIR. O terceiro cenrio foi simulado para mostrar com
maior nitidez o surgimento de focos de epidemias e fornecer uma idia de propagao
da epidemia com a quantidade de indivduos infectados que surgem. O quarto e
quinto cenrios foram realizados para fornecer uma idia de migrao de indivduos
infectados de uma regio para outra. A essas regies esto associados valores de
parmetros diferentes, assim possvel mostrar que dependendo da caracterstica da
regio a doena se espalhar mais rpida ou no. O sexto e stimo cenrios mostram
uma estratgia de controle com taxas de vacinaes pulsadas diferentes. A vacinao
aplicada pode ser vista entre os instante de tempo t = 3 e t = 4 quando acontece o
aumento de indivduos recuperados. Esses aumentos tambm pode ser vistos pelas
sries temporais, que mostram os picos de indivduos recuperados. Ficou evidenciado
que a taxa de vacinao pulsada igual a 80% conseguiu erradicar a doena, enquanto
a taxa de 20% no foi capaz de erradicar. O ltimo cenrio mostra o comportamento
do espalhamento de epidemia quando o perodo de latncia e o perodo de incubao
so includos nas regras do AC. Nota-se que nesse cenrio o nmero de indivduos
infectados maior que nos outros cenrios, pois o indivduo infectado permanece por
mais tempo com a doena no organismo.
evidente que as sries temporais do AC comparadas com as do SIR e MBI no
so idnticas. Essa diferena explicado pelo fato de que, nas regras, do AC no se
adotam algumas premissas que os modelos SIR e MBI consideram. Em consequncia,
algumas caractersticas como as constantes de tempo caractersticas da fase epidmica,
o patamar endmico e a existncia de limiares nas taxas de propagao para possibilitar
a erradicao de doenas infecciosas pelo mecanismo de extino dos pontos fixos nonulos so diferentes do AC.
Com estes oito cenrios simulados das sries temporais do AC comparadas com o
MBI e o SIR possvel afirmar que as regras de espalhamentos de epidemias propostas
nesta dissertao fornecem um resultado alternativo para o estudo da epidemiologia.
Captulo 6
Concluso Final
Este trabalho apresentou o conceito de sistema complexo a partir de sistemas fsicos
e biolgicos. Explicou tal conceito com exemplos, como o crebro e molculas de um
gs, alm de ter realizado um estudo de caso com epidemiologia. O estudo de caso foi
realizado com auxlio da ferramenta matemtica conhecida como AC. Essa ferramenta
tem a capacidade de modelar certos sistemas fsicos ou biolgicos, pois contm regras
locais que realizam as interaes das variveis envolvidas nos sistemas. Essas regras
geram o comportamento final do sistema.
No captulo 2 foram apresentadas algumas aplicaes de ACs, dentre essas aplicaes tem-se as propagaes de doenas epidmicas. Isso mostra o interesse de pesquisas
na modelagem de sistemas com ACs. Em seguida introduziu-se o conceito e os tipos de
ACs, com relao s dimenses, lattices, vizinhanas e regras. Os comportamentos
finais da evoluo de cada AC a partir de regras simples foram apresentados com exemplos de uma e duas dimenses. Foi mostrado que apesar de sua construo simples,
alguns ACs so capazes de produzir comportamentos de difceis compreenses, como
os autmatos de uma dimenso.
A segunda parte de conceitos utilizados nesta dissertao foram expostos no captulo 3. Foi discutido a relevncia da epidemiologia. Tambm foram exibidas as
definies dos modelos epidemiolgicos SIR e MBI. Alm disso, a importncia dos
estudos de controle epidemiolgico e vacinao pulsada foram apresentadas.
O captulo 4 exps-se a metodologia utilizada nesta dissertao. Explicou-se conceito de sistema fuzzy e como foi utilizado para se determinar o deslocamento do
indivduo infectado no AC. As regras do AC propostas para o espalhamento de epidemias foram explicadas neste captulo. A modelagem de epidemias foi realizada por
abordagens estocsticas. Por final apresentou-se a forma como o AC foi analisado ou
validado.
Os resultados do espalhamento de epidemias, obtidos com auxlio de ACs e analisados e comparados com os modelos epidemiolgicos MBI e SIR, foram expostos no
captulo 5. A comparao foi realizada qualitativamente e quantitativamente. Qualitativamente mostra que o modelo de AC captura algumas caractersticas do espalhamento de doenas, como o pico de indivduos infectados que surge na populao,
alm de mostrar que depois de um certo instante as sries temporais dos indivduos
suscetveis, infectados e recuperados se estabilizam. A validao qualitativa foi realizada comparando-se os comportamentos das sries temporais dos modelos. Porm,
quantitativamente o AC possui valores de pico de infeco e de estabilidade diferentes
74
6 Concluso Final
dos modelos SIR e MBI. Tal verificao foi realizada por meio da anlise de resduos
entre as sries temporais dos modelos. Com essas comparaes realizadas possvel
afirmar que as regras adotadas mostram que o AC uma ferramenta adequada para a
modelagem de propagaes de doenas.
Com os ACs foram simulados oito cenrios para representar o espalhamento de
epidemias com diferentes condies iniciais, sendo que alguns deles foram divididos
em quatro regies para mostrar as diferenas de espalhamentos de epidemias com
diferentes caractersticas regionais. Tambm foram mostradas duas situaes de espalhamentos de epidemias com um controle de vacinao pulsada aplicada a cada quatro
instantes de tempo nos indivduos suscetveis, a fim de erradicar a epidemia. O ltimo
cenrio apresentou uma simulao com a incluso do perodo de latncia e do perodo
de incubao, com isso o modelo fica mais realstico.
Os resultados obtidos a partir dos oito cenrios mostram que as regras propostas
geraram comportamentos qualitativamente semelhantes com os do modelos SIR e
MBI. Porm, quantitativamente percebe-se algumas diferenas dos valores de picos e
de estabilidades entre as sries temporais do AC comparadas com as dos modelos SIR
e MBI.
Nos modelos SIR e MBI que representam o espalhamento de doenas, a populao
est distribuda uniformemente, de forma que as taxas de encontro independem da
localizao geogrfica. Assim, todos os indivduos da populao esto em contatos
uns com os outros. Cada indivduo infectado e cada indivduo suscetvel tem igual
probabilidade de comunicar-se uns com os outros, e desta maneira transmitir a infeco.
Diferente do AC que considera uma vizinhana de contatos e probabilidades diferentes
de encontro entre os indivduos infectados e suscetveis.
Alguns trabalhos na literatura com ACs para epidemiologia consideram o deslocamento dos indivduos infectados, porm esse deslocamento aleatrio, no leva em
considerao os parmetros de epidemiologia, como a taxa de infeco () e nem a taxa
de reproduo bsica (Ro ) (Sirakoulis et al., 2000; White et al., 2007) e quando consideram tais parmetros a probabilidade de deslocamento a mesma (Emmendorfer e
Rodrigues, 2001; da Silva Peixoto e Barros, 2004; da Silva Peixoto et al., 2008).
Com o uso de AC a compreenso do sistema torna-se mais clara, o que pode levar a
um controle da propagao epidmica de forma mais eficiente, uma vez que possvel
visualizar como a epidemia se propaga. Assim, nas estratgias de combate de epidemia,
um modelo feito a partir das tcnicas apresentadas poder ser mais adequado do que
a partir dos modelos matemticos clssicos.
75
Apndice A
78
end
spy(B,k)
title(Autmato Celular Rule 18,fontsize,20)
79
80
end
spy(B,k)
title(Autmato Celular Rule 20 Complexo,fontsize,20)
Apndice B
82
A=ones(m,n);
% Gerando os infectados
% I(0)=0,5%;
pa=randperm(N);
I0=floor(0.005*N);
A(pa(1:I0))=0;
83
84
85
86
if ee == 0
ee = m;
end
if ff > n
ff = 1;
end
if gg == 0
gg = n;
end
if hh > m
hh = 1;
end
% Nmeros de vizinhos infectados
if A(ee,gg)==0
v1nl=1;
else
v1nl=0;
end
if A(ee,Co)==0
v2nl=1;
else
v2nl=0;
end
if A(ee,ff)==0
v3nl=1;
else
v3nl=0;
end
if A(L,gg)==0
v4nl=1;
else
v4nl=0;
end
if A(L,ff)==0
v5nl=1;
else
v5nl=0;
end
if A(hh,gg)==0
v6nl=1;
else
87
v6nl=0;
end
if A(hh,Co)==0
v7nl=1;
else
v7nl=0;
end
if A(hh,ff)==0
v8nl=1;
else
v8nl=0;
end
vnl=v1nl+v2nl+v3nl+v4nl+v5nl+v6nl+v7nl+v8nl;
p1 =(beta*vnl)/8; % Probabilidade de infeco
p2 = rand; % Probabilidade aleatria
if (p1 >= p2)
MA(DL,DCo) = 0;
end
end
end
end
% Recuperao
Prand_ic=rand;
if A(L,Co)==0 & Prand_ic<=Pc % Cura
MA(L,Co)=2;
end
% Morte por doena
Prand_im=rand;
if A(L,Co)==0 & Prand_im<=Pd % Morte
MA(L,Co)=1;
end
% Morte natural
p1=rand;
if p1<=Pn
MA(L,Co)=1;
end
end % for Co
88
end % for L
% Atualiza matriz
A = MA;
% Plota matriz
set(imh, cdata, cat(3,A*30));
title([Tempo = ,num2str(k)]);
drawnow;
% Gerando sries temporais
inf(k+1) = length(find(A == 0));
sus(k+1) = length(find(A == 1));
rec(k+1) = length(find(A == 2));
A_tudo=[A_tudo;A];
end
figure
plot(sus,k);
hold on;
plot(inf,g);
hold on
plot(rec,r);
axis([0 100 0 40000]);
legend(Suscetvel,Infectado, Recuperado);
xlabel(Tempo);
ylabel(Indivduos);
Referncias Bibliogrficas
90
REFERNCIAS BIBLIOGRFICAS
REFERNCIAS BIBLIOGRFICAS
91
92
REFERNCIAS BIBLIOGRFICAS
Saldana, R., Tabares, W., e Yu, W. (2002). Parallel implementations of cellular automata
algorithms on the agila high performance computing system. Parallel Architectures,
Algorithms and Networks, 2002. I-SPAN 02. Proceedings. International Symposium on,
pginas 110116.
Schatten, A. (2007). Cellular Automata Tutorial. http://www.Schatten.Info/info/ca/ca.ht
ml.
Shulgin, B., Stone, L., e Agur, Z. (1998). Pulse vaccination strategy in the SIR epidemic
model. Bulletin of Mathematical Biology, (60):11231148.
Sirakoulis, G. C., Karafyllidis, I., e Thanailakis, A. (2000). A cellular automaton model
for the eects of population movement and vaccination on epidemic propagation.
Ecological Modelling, 133:209223.
Smith, M. A. (1994). Cellular automata methods in mathematical physics. Tese de Doutorado,
Cambridge, MA, USA.
Stone, L., Shulgin, B., e Agur, Z. (2000). Theoretical examination of the pulse vaccination
policy in the SIR epidemic model. Mathematical and Computer Modelling, 31(4-5):207
215.
Takahashi, C. C., Takahashi, F. C., Alvarenga, L. R., e Takahashi, R. H. C. (2008). Estudo
do tempo de erradicao de epidemias em modelos baseados em indivduos. In
Anais do XVII Congresso Brasileiro de Automtica.
Telles, F., Queiroz e Melo, M. F. A., e Nepomuceno, E. G. (2006). Pulges e joaninhas:
Possveis dilogos interdisciplinares. In Primeiro Congresso Internacional de Dinmica
de Negcios SBDS, pginas 116.
Telles, F., Queiroz e Melo, M. F. A., e Nepomuceno, E. G. (2007). Interdisciplinarity in
focus: Possibilities in a prey-predator dynamics. Dynamics of Continuous, Discrete and
Impulsive Systems, B, Applications and Algorithms, 14:598602.
Thrusfield, M. (2004). Epidemiologia Veterinria. Roca. 2a edition.
Wang, C., Wang, Z., Jin, J., e Peng, Q. (2003). Real-time simulation of ocean wave based
on cellular automata. Proceedings of CAD/Graphics.
White, S. H., Martn del Rey, A., e Snchez, G. R. (2007). Modeling epidemics using
cellular automata. Apllied Mathematics and Computation, 186:193202.
wikipedia (2008). Autmato Celular. http://pt.wikipedia.org/wiki/Aut
Wolfram, S. (1994). Cellular Automata and Complexity. Collected Papers. MA Reading:
Addison-Wesley. 1a edition.
REFERNCIAS BIBLIOGRFICAS
93