UNIVERSIDADE ESTADUAL DE MATO GROSSO DO SUL

DO CURSO DE MATEMATICA

COORDENAC
AO
UNIDADE DE DOURADOS

Um modelo de EDO aplicado a` Influenza

A(H1N1).

Autora:

Ana Claudia Tsujiguchi

Orientadora:

Dra. Maristela Missio

Dourados - MS
2010

UNIVERSIDADE ESTADUAL DE MATO GROSSO DO SUL

CURSO DE LICENCIATURA EM MATEMATICA

UNIDADE DE DOURADOS

Um modelo de EDO aplicado `

a Influenza A(H1N1).

Trabalho de Conclusao de Curso (TCC) apresentado `a Universidade Estadual de Mato Grosso

do Sul - UEMS, como requisito parcial para a
obtencao do ttulo de Professora em Matematica.

Ana Claudia Tsujiguchi

Dourados, MS
2010

Um modelo de EDO aplicado `

a Influenza A(H1N1).

Ana Claudia Tsujiguchi

Banca Examinadora:

Profa. Msc. Adriana Betania de Paula Molgora

Prof. Dr. Cosme Eustaquio Rubio Mercedes

Profa. Dra. Maristela Missio

iii

Agradecimentos

Primeiramente agradeco a Deus, o que seria de mim sem a fe que tenho nele.
` professora Maristela pela paciencia e compreensao na orientacao, pelo seu apoio no
A
amadurecimento dos meus conhecimentos e conceitos que me levaram a execucao e conclusao deste TCC.
` minha mae, pois foi quem nao mediu esforcos para que eu chegasse ate esta etapa da
A
minha vida e pelo apoio constante em meus estudos.
Aos meus colegas pelo convvio, amizade e incentivo.

iv

Resumo
A Epidemiologia Matematica consiste em estabelecer, a partir de observacoes do
fenomeno epidemico, hipoteses matematicas para quantificar os conhecimentos biologicos
a respeito da dinamica de transmissoes de infeccoes e tambem para estudar a evolucao de
doencas epidemicas. A modelagem matematica se baseia no processo de extracao de caractersticas pertinentes de um objeto ou sistema, com ajuda de hipoteses e aproximacoes
simplificadoras, e representadas em termos matematicos. Os principais fenomenos relacionados com as ciencias podem ser modelados por equacoes diferenciais. A proposta
deste trabalho consiste em desenvolver um estudo acerca do uso da teoria de equacoes
diferenciais ordinarias e modelos matematicos aplicados `a epidemiologia, com vistas a
desenvolver um modelo matematico que descreva a dinamica de dispersao da Influenza
A(H1N1) em uma populacao.
Palavras-chave: Equacoes Diferenciais Ordinarias, Modelos Epidemiologicos, Modelo SIRS, Influenza A(H1N1).

Sum
ario
Introduc
ao

1 Equaco
es Diferenciais Ordin
arias

1.1

Conceitos fundamentais

. . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2

Sistemas de equacoes diferenciais ordinarias . . . . . . . . . . . . . . . . .

1.3

Modelos matematicos e equacoes diferenciais . . . . . . . . . . . . . . . . .

2 Modelos matem
aticos em epidemiologia

12

2.1

Referencial teorico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.2

Algumas consideracoes sobre epidemiologia . . . . . . . . . . . . . . . . . . 16

2.3

Modelo compartimental tipo SIR . . . . . . . . . . . . . . . . . . . . . . . 18

2.3.1

Analise do Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

3 Aplicac
ao: Um modelo SIRS para o estudo da dispers
ao da Influenza
A(H1N1) em uma populac
ao

23

3.1

Referencial teorico da Influenza A(H1N1) . . . . . . . . . . . . . . . . . . . 23

3.2

O modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3.3

Implementacao computacional . . . . . . . . . . . . . . . . . . . . . . . . . 27

3.4

Conclusao do modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

Considera
c
oes Finais

29

vi

Introduc
ao

As equacoes diferenciais constituem um dos mais notaveis sucessos do intelecto humano, tanto como um corpo de teorias matematicas quanto como ferramenta de analise
indispensaveis no exerccio da atividade profissional e cientfica em diversas areas, como na
Fsica, Qumica, Biologia, Engenharias, Economia, entre outras. Uma razao basica da importancia das equacoes diferenciais e que mesmo as equacoes mais simples correspondem
a modelos matematicos u
teis em problemas praticos, [18].
A modelagem matematica de epidemias e de grande importancia para os estudos
epidemiologicos por possibilitar um melhor entendimento do desenvolvimento da epidemia
e a busca por medidas eficientes em sua prevencao ou erradicacao, [2].
Desde muito tempo, a preocupacao de alguns medicos com a sa
ude levou-os a uma
acurada investigacao a respeito de fatores relacionados `a transmissao de doencas que assolavam muitas cidades. Das suas observacoes e conclusoes resultaram a moderna epidemiologia - que consiste em determinar e isolar o agente etiologico, a forma de transmissao,
a patogenicidade e o nvel de prevalencia na populacao. As observacoes epidemiologicas
e a coleta de dados, junto com o ac
umulo de conhecimentos bio-medicos, permitiram
determinar os fatores relacionados com a transmissao de agentes patogenicos, [17].
Neste contexto, as aplicacoes de analises estatsticas - muitas delas desenvolvidas
para explorar e explicar os dados epidemiologicos - foram essenciais pois permitiram discriminar e ordenar fatores envolvidos na transmissao das infeccoes, [17].
Assim, a determinacao de agentes microbianos causadores das infeccoes e as claras
evidencias da forma de transmissao pelos modelos epidemiologicos e estatsticos cria1

ram condicoes para elaboracao de modelos matematicos com a finalidade de entender a

dinamica da sua transmissao, [17].
Varios modelos matematicos, descritos por equacoes diferenciais ordinarias, tem
sido propostos com o objetivo de capturar as particularidades e caractersticas de comportamento dos vetores de propagacao de doencas na area de epidemiologia. Um modelo
bastante utilizado para representar a dinamica de epidemias e o modelo compartimental
tipo SIR (Suscetvel- Infectado- Recuperado).
Neste trabalho desenvolvemos um estudo introdutorio das equacoes diferenciais ordinarias e modelos matematicos aplicados `a epidemiologia, com vistas a desenvolver um
modelo que simula a dinamica de variacao temporal da Influenza A(H1N1) em uma
populacao hipotetica.

O modelo considerado e do tipo SIRS (Suscetvel- Infectado-

Recuperado- Suscetvel), sendo este uma alternativa do modelo SIR. O modelo tipo SIRS
foi utilizado, pois os indivduos recuperados da Influenza A(H1N1) perdem a imunidade
apos certo perodo de tempo, voltando a ser suscetvel.
Este TCC esta organizado da seguinte forma:
No Captulo 1 apresentamos os conceitos fundamentais das equacoes diferenciais
ordinarias, necessarios ao bom entendimento deste trabalho.
No Captulo 2 descrevemos o referencial teorico a respeito dos modelos matematicos
aplicados `a epidemiologia, fazemos algumas consideracoes sobre epidemiologia e apresentamos o modelo compartimental tipo SIR.
Com o objetivo de consolidar a interdisciplinaridade entre as equacoes diferenciais e a epidemiologia matematica, desenvolvemos no Captulo 3, um modelo matematico
que descreve a dinamica de dispersao da Influenza A(H1N1) em uma populacao. Apresentamos, tambem, alguns aspectos historicos e biologicos da Influenza A(H1N1), cujo
conhecimento se faz necessario `a compreensao do desenvolvimento do modelo.
E finalmente, nas Consideracoes Finais fazemos algumas comentarios conclusivos a
respeito do trabalho.

Captulo 1
Equac
oes Diferenciais Ordin
arias

Equacao diferencial, talvez seja o ramo da matematica que maior proximidade e

interacoes tem experimentado com outras ciencias, desde a sua origem. O desenvolvimento desta teoria constitui-se um dos melhores exemplos da interacao bem-sucedida
entre a matematica e a ciencia em geral, o que tem se confirmado progressivamente com
a matematica contemporanea e a fsica, qumica, economia e engenharia, [3].
Uma equacao diferencial traduz em linguagem algebrica uma propriedade relativa a
uma curva ou uma superfcie, ou exprime em linguagem matematica adequada as leis que
descrevem certos fenomenos fsicos, [4]. Neste captulo estudaremos conceitos fundamentais sobre equacoes diferenciais, mais especificamente, as equacoes diferenciais ordinarias
(EDO).

1.1

Conceitos fundamentais

Defini
c
ao 1.1 (Equac
ao diferencial) Equac
ao diferencial e uma equac
ao que contem
derivadas (ou diferenciais) de uma ou mais variaveis dependentes em relac
ao a uma ou
mais variaveis independentes.
Existem dois tipos de equacoes diferenciais, a saber

1. Equa
c
oes diferenciais ordin
arias (EDO): sao equacoes da forma
F (x, y(x), y 0 , y 00 (x), ..., y n (x)) = 0,

(1.1)

envolvendo uma funcao incognita y=y(x) e suas derivadas ou suas diferenciais, onde
x e a variavel independente, y e a variavel dependente e o smbolo y(k) denota a
derivada de ordem k da funcao y=y(x), [18].
2. Equa
c
oes diferenciais parciais (EDP): sao equacoes que envolvem derivadas de
duas ou mais variaveis independentes.
Exemplo 1.1 A equac
ao diferencial

dy
= x + y e uma EDO.
dx

Exemplo 1.2 A equac

ao diferencial

2u 2u
+
= 0 e uma EDP.
x2 y 2

Uma equacao diferencial pode ser de 1a , 2a , ... ou de n-esima ordem, dependendo

da derivada de maior ordem presente na equacao. Chamamos de grau o valor do expoente
para a derivada mais alta da equacao, quando a equacao tem a forma de um polinomio
na funcao incognita e em suas derivadas, como por exemplo:
Ay (3) + By (2) + Cy (1) + Dy (0) = 0.
Exemplo 1.3 A equac
ao diferencial ordin
aria y 00 + 3y 0 + 6y = sen(x) possui ordem 2 e
grau 1.
Defini
c
ao 1.2 (Equaco
es diferenciais ordin
arias de 1a ordem) As EDOs de 1a or0

dem sao equac

oes que podem ser escritas como F (x, y, y ) = 0.
Neste estudo vamos considerar equacoes diferenciais de 1a ordem da forma
dy
0
= f (x, y) ou y = f (x, y).
dx

(1.2)

Defini
c
ao 1.3 (Equac
ao diferencial linear) Um Equac
ao e dita linear de ordem n se
tem a forma
a0 (x)y (n) + a1 (x)y (n1) + a2 (x)y (n2) + ... + an (x)y = b(x).
4

(1.3)

onde as func
oes b = b(x) e ak = ak (x) (k = 0, 1, 2, ..., n) s
ao func
oes conhecidas, sendo
a0 = a0 (x) nao identicamente nula e todas estas func
oes devem depender somente da
vari
avel x. A func
ao (incognita) desconhecida e y = y(x). As equac
oes diferenciais que
n
ao podem ser escritas da forma (1.3) sao denominadas n
ao-lineares.
Para resolver uma equacao diferencial dois caminhos podem ser seguidos, o que leva `a
solucao exata do problema (metodo analtico) ou o que encontra uma solucao aproximada
0

(metodo numerico). Do ponto de vista analtico, resolver uma EDO do tipo y = f (x, y)
e encontrar uma funcao y = F (x) que satisfaca a equacao dada.
Defini
c
ao 1.4 (Soluc
ao da equac
ao diferencial) Uma soluc
ao de uma equac
ao diferencial na func
ao incognita y e na variavel independente x, em certo intervalo (a, b), e
uma func
ao y = F (x) que satisfaz (verifica identicamente) a equac
ao para todo x no
intervalo considerado.
A solucao de uma equacao diferencial e dita geral quando contem tantas constantes
arbitrarias quantas forem as unidades da ordem da equacao. Uma solucao e dita particular quando e obtida da solucao geral, mediante atribuicao adequada de valores `as
constantes arbitrarias.
Exemplo 1.4 A func
ao y(x) = Cex e a soluc
ao geral da equac
ao diferencial y 0 + y = 0,
j
a a func
ao y(x) = ex e uma soluc
ao particular da mesma equac
ao, quando atribumos
o valor C = 1 na soluc
ao geral.
Geometricamente, a solucao geral de uma equacao diferencial representa uma famlia
de curvas (curvas integrais). Essa solucao as vezes e chamada de primitiva (ou integral)
da equacao diferencial dada.
0

Exemplo 1.5 A soluc

ao geral da equac
ao diferencial y = 2x + 3 e obtida por
Z
y = (2x + 3)dx = x2 + 3x + C.
Na verdade, temos uma famlia de solucoes, ou seja, para cada C R tem-se uma solucao
particular. Na Figura 1.1 sao mostradas algumas dessas solucoes (C=0, C=2 e C=4).
5

Figura 1.1: Representacao de solucoes particulares, para alguns valores de C.

O processo para obter a solucao de uma equacao diferencial (solucao particular)

sujeita a determinadas condicoes prescritas, condicoes estas que sao impostas `a solucao
desconhecida y = g(x) e suas derivadas, e denominado problema de valor inicial.
Defini
c
ao 1.5 (Problema de valor inicial (PVI)) O Problema

dy

= f (x, y)
dx

y(x ) = y
0

(1.4)

e chamado problema de valor inicial (PVI). Uma soluc

ao do PVI (1.4) em um intervalo
I, e uma func
ao y(x) que esta definida nesse intervalo, tal que sua derivada tambem esta
definida nesse intervalo e satisfaz (1.4).
f
(x, y) tambem
x
for contnua em D, entao para todo o ponto fixado (x0 , y0 ) D o problema (1.4) tem
Se a funcao f (x, y) for contnua em um conjunto aberto D R2 e

solucao u
nica conforme o Teorema de Existencia e Unicidade apresentado a seguir, [2].
Teorema 1 (Teorema de Exist
encia e Unicidade) Seja R uma regi
ao retangular no
plano xy definida por a x b, c y d que contem o ponto (x0 , y0 ). Se f(x,y) e
f
(x, y) sao contnuas em R, existe algum intervalo I0 : x0 h < x < x0 , contido em
x
a x b e uma u
nica func
ao y(x), definida em I0 , que e uma soluc
ao do problema de
valor inicial.
6

Se f (x, y) = F (x) entao a equacao diferencial do (1.4) pode ser resolvida, considerando o processo inverso da diferenciacao ou integracao indefinida:
Z
df (y)
= F (x) dy(x) = F (x) dx f (x) = y(x) dx.
dx
Lembremos ainda que, se duas funcoes f (x) e g(x) tem a mesma derivada em um intervalo,
entao f (x) = g(x) + C neste intervalo, onde C e uma constante arbitraria. Assim, se
xIR
0

f (x) = g (x) f (x) = g(x) + C, x I.

Portanto uma equacao diferencial pode admitir infinitas solucoes (uma para cada
valor da constante C). Quando estabelecemos uma condicao inicial y(x0 ) = y0 estamos
interessados em conhecer uma solucao particular que satisfaz essa condicao dada, [2].

1.2

Sistemas de equac
oes diferenciais ordin
arias
Nessa Secao apresentamos alguns conceitos e definicoes importantes sobre sistemas

de equacoes diferenciais lineares de primeira ordem. Nao e o proposito deste trabalho

apresentar um estudo pormenorizado dos referidos sistemas, ou seja, nao estamos preocupados com demonstracoes e formas de resolucao, o que pode ser encontrado, de uma
forma bem didatica, em [4, 11, 3].
Sistemas de equacoes representam variaveis independentes, que ocorrem separadamente, mas que sao acoplados entre si. Na natureza e no quotidiano sempre nos deparamos
com situacoes que envolvem este tipo de sistema, como alguns problemas relacionados a
redes eletricas, a mecanica, a epidemiologia, etc. Nestes casos, podemos expressar estes
problemas como sistemas de equacoes lineares de primeira ordem, escritas da seguinte
forma.

x01 (t) = 1 x1 (t)

x0 (t) = x (t).
2 2
2
7

(1.5)

em que 1 e 2 R. Temos aqui um sistema de equacoes que envolvem derivadas das

funcoes que sao incognitas. Neste caso as duas equacoes sao desacopladas, isto e, podem
ser resolvidas independentemente. A resolucao do sistema e:
x1 (t) = c1 e1 t e x2 (t) = c2 e2 t .

x1 (t)
c1 e1 t

ou escrito na forma matricial

=
.
2 t
x2 (t)
c2 e
Exemplo 1.6 O sistema (1.6)e acoplado, mas podemos resolver a segunda equacao independentemente da primeira.

x01 (t) = 1 x1 (t) + x2 t

x0 (t) = x (t).
2 2
2

(1.6)

A segunda equacao tem solucao x2 (t) = c2 e2 t . Substituindo x2 (t) na primeira equacao

obtemos a equacao
x01 (t) = x1 (t) + c2 et
que tem solucao
x1 (t) = c1 et + c2 et .

t
t
x (t)
c e + c2 te
1
1

Assim a solucao do sistema acima e

=

.
t
x2 (t)
c2 e
Os sistemas anteriores foram resolvidos porque pelo menos uma das equacoes pode
ser resolvida independentemente das outras. Considere o sistema de equacoes diferenciais
lineares

x1 (t) = a11 (t)x1 (t)+ ... +a1n (t)xn (t) +f1 (t)
.
.
.
.

.
.

x0 (t) = an1 (t)x1 (t)+ ... +ann (t)xn (t) +f2 (t).
n
8

(1.7)

Que pode ser escrito na forma de uma equacao diferencial matricial

0
x1 (t) a11 (t) ... a1n (t) x1 (t) f1 (t)
.
. .
.
.
. =
. + .
.
.
.
.
.
. .
0
xn (t)
an1 (t) ... ann (t)
xn (t)
fn (t)
ou X 0 (t) = A(t)X(t) + F (t), em que

a11 (t) ... a1n (t)

.
.
A(t) =
.
.
.
.

an1 (t) ... ann (t)

Observe que o sistema (1.5),

y 0 (t)
1

y20 (t)

x1 (t)

, X(t) = .
.

xn (t)

f1 (t)

e F (t) = .
.

fn (t)

pode ser escrito na forma matricial como:

1 0
y1 (t)

.
=
0 2
y2 (t)

Para sistemas lineares e valido o teorema sobre existencia e unicidade.

1.3

Modelos matem
aticos e equac
oes diferenciais
Um modelo matematico e uma descricao de um fenomeno do mundo real, frequente-

mente apresentado por meio de funcoes ou equacoes. Usamos modelos em problemas

como o tamanho de uma populacao, a demanda por um produto ou a concentracao de
uma substancia em uma reacao qumica. O objetivo na utilizacao do modelo e de compreender determinado fenomeno e fazer predicoes sobre um comportamento futuro, a
partir das condicoes dadas, [14] .
Muitos problemas praticos, podem ser modelados pela matematica, de acordo com
as quatro etapas a seguir.
1. Construcao de um modelo para descrever algum fenomeno seja: fsico, biologico,
qumico, etc;
9

2. Estabelecimento de um procedimento matematico adequado ao modelo;

3. Realizacao de calculos numericos aproximados com o uso do modelo matematico
pre-estabelecido;
4. Comparacao das quantidades numericas obtidas atraves do modelo matematico com
aquelas que se esperava obter a partir da formulacao do modelo criado para resolver
o problema.
Apos estas etapas, costuma-se analisar os resultados e na verificacao da adequacao
dos mesmos, aceita-se o modelo e na inadequacao dos resultados reformula-se o modelo,
geralmente introduzindo maiores controles sobre as variaveis importantes.
Os principais fenomenos relacionados com as ciencias podem ser modelados por
equacoes diferenciais. Esses modelos permitem investigar problemas em mecanica dos
fludos, circuitos eletricos, reacoes qumicas, transferencia de calor, crescimento populacional, geometria e muitos outros.
Segundo [2], modelos matematicos, em termos de equacoes diferenciais sao adequados quando as situacoes modeladas envolvem variaveis contnuas evoluindo em relacao a
outras variaveis contnuas. As relacoes entre as variaveis dependentes e independentes sao
obtidas atraves de hipoteses formuladas a respeito das taxas de variacoes instantaneas.
Quando temos apenas uma variavel independente, o modelo matematico e dado em termos
de equacoes diferenciais ordinarias (EDO).
Para um modelo, baseado em equacoes diferenciais ordinarias, representar bem um
fenomeno fsico ou biologico e necessario considerar:
1. Exist
encia de soluc
ao: indica que o fato representado pelo modelo possui solucao
e que tal solucao ocorre dentro das condicoes estudadas.
2. Unicidade de soluc
ao: significa que sob as mesmas condicoes, o comportamento
do modelo sempre se repetira.
3. Estabilidade da soluc
ao: significa que pequenas modificacoes realizadas no sistema nao alteram sensivelmente o fenomeno. Um sistema com estas tres condicoes,
10

recebe o nome de Problema bem posto no sentido de Hadamard.

4. Computa
c
ao de dados: significa que deve haver um modo para calcular os valores
da solucao com a margem de precisao necessaria. As tecnicas da matematica computacional permitem, quase sempre, encontrar um metodo para calcular os dados,
desde que se trate de um problema bem posto no sentido de Hadamard.
Nem sempre podemos obter informacoes ou projecoes da realidade modelada, por
meio da solucao explcita (solucao exata) desta equacao, quando o modelo matematico
e uma equacao diferencial. Ainda, segundo [2], somente um grupo reduzido de equacoes
diferenciais admite solucao na forma de uma funcao analtica explcita. Neste grupo estao
includos os modelos mais simples e que dao apenas um esboco das situacoes ou fenomenos
analisados. Quando a solucao exata nao pode ser obtida por metodos algebricos sao
utilizados metodos numericos para obter solucoes aproximadas.
Dentre os metodos mais utilizados estao os metodos de Runge-Kutta, esses formam
uma famlia importante de metodos iterativos implcitos e explcitos para a resolucao
numerica (aproximacao) de solucoes de equacoes diferenciais ordinarias. Estas tecnicas
foram desenvolvidas por volta de 1900 pelos matematicos C. Runge e M.W. Kutta.
O metodo de Runge-Kutta de 4a ordem e o mais usado, por ser uma combinacao de
simplicidade, alta precisao e economia, sendo provavelmente, um dos processos numericos
mais populares [18, 4].

11

Captulo 2
Modelos matem
aticos em
epidemiologia

2.1

Referencial te
orico
Uma das metas basicas da ciencia atual e criar, a partir dos fenomenos reais, mo-

delos que possam descrever e predizer o comportamento de tais fenomenos. Um n

umero
consideravel de trabalhos envolvendo modelagem matematica vem sendo proposto para
descrever as complexas interacoes entre os seres vivos, baseados nos modelos usados para
investigacao do crescimento e declnio de populacoes de Verhulst (1838), Lotka-Volterra
(1926) e Malthus (1798) considerados os pioneiros nesta area de aplicacao, [10].
A modelagem matematica consiste no processo de extracao de caractersticas pertinentes de um objeto ou sistema, com ajuda de hipoteses e aproximacoes simplificadoras,
e representadas em termos matematicos. Segundo [2], a modelagem matematica e um
a
processo dinamico utilizado para a obtencao e validacao de modelos matematicos. E
arte de transformar situacoes da realidade em problemas matematicos, cujas solucoes devem ser interpretadas na linguagem do mundo real. E ainda, uma forma de abstracao e
12

generalizacao com a finalidade de prever tendencias.

Isso remete ao conceito de modelo matematico como uma representacao ou inter um conjunto de smbolos e relacoes matematicas
pretacao simplificada da realidade. E
que representam de alguma forma o objeto estudado, desenvolvidos pela elaboracao cuidadosa de ideias formadas a partir da intuicao e conhecimentos ja adquiridos do fenomeno.
Desta forma, os modelos podem ser modificados, aprimorados ou substitudos por outros
para se obter uma compreensao cada vez mais adequada daquilo que esta ocorrendo na
natureza, [10].
Assim, mediante imitacoes ou analogias, simula-se o fenomeno em questao, ou seja,
converte-se um fenomeno real em outro simulado, simples e manipulavel, representado
mediante ferramentas matematicas. De acordo com sua natureza matematica, os modelos
podem ser classificados em:
1. Lineares ou nao lineares: conforme suas equacoes basicas, sejam elas lineares ou
nao;
2. Estaticos ou dinamicos: os primeiros nao envolvem evolucao temporal do sistema,
enquanto que nos segundos, ocorrem variacoes de estagio do fenomeno;
3. Estocasticos ou determinsticos: de acordo com o uso ou nao de fatores aleatorios
nas equacoes. Os modelos estocasticos sao aqueles que descrevem a dinamica de
um sistema em termos probabilsticos. Os modelos determinsticos sao baseados na
suposicao de que, se existem informacoes suficientes em um determinado instante
ou num estagio de algum processo, entao o futuro do sistema pode ser previsto
precisamente, [2];
4. Discretos ou contnuos: envolvendo equacoes de diferencas ou equacoes diferencias
(ordinarias ou parciais).
A modelagem matematica de situacoes ou fenomenos, por meio de suas variacoes, tem
como caracterstica essencial a evolucao do sistema. Neste caso, o termo taxa de variacao

13

aparece de forma implcita em palavras, tais como: taxa de crescimento, taxa de crescimento relativo, taxa de mortalidade, velocidade, aceleracao, taxa de reacao, entre outras.
Quantidades que influenciam em algum processo dinamico sao denominadas variaveis,
parametros ou tambem constantes. Nao existe uma diferenca precisa entre estes termos,
a distincao e apenas convencional: variaveis representam grandezas que se modificam
durante o processo; parametros sao medidas auxiliares que podem ou nao mudar durante
o processo; constantes sao quantidades que nao variam e tem seus valores fixados a priori,
[10].
No decurso dos u
ltimos 60 anos, a definicao de epidemiologia tem vindo a alargarse desde a sua preocupacao com as doencas infecto-contagiosas e outras doencas transmissveis (o estudo das epidemias) ate abarcar, presentemente, todos os fenomenos relacionados com a sa
ude das populacoes. Epidemiologia pode ser definida como o estudo da
ocorrencia, disseminacao e controle das doencas e tem por base a coleta de informacoes
estatsticas detalhadas, podendo compreender desde o puramente descritivo ate o analtico
experimental, [10].
A Epidemiologia Matematica consiste em estabelecer, a partir de observacoes do
fenomeno epidemico, hipoteses matematicas para quantificar os conhecimentos biologicos
a respeito da dinamica de transmissoes de infeccoes e tambem para estudar a evolucao de
doencas epidemicas, [16].
Na luta contra as doencas infecciosas, busca-se otimizar esforcos para seu controle
e erradicacao, com a possibilidade de resultados em curto prazo. Para isso, elas sao consideradas em dois grupos: as de transmissao direta, que nao dependem de intermediarios
para a transmissao, por exemplo: a epidemia do sarampo, da caxumba e da rubeola; e as
de transmissao indireta, cuja disseminacao depende de um vetor transmissor, como por
exemplo: dengue, malaria e mal de Chagas.
A transmissao direta ocorre atraves do meio fsico, quando se da um contato apropriado entre um indivduo infectado (aquele que apresenta concentracao razoavel do agente
patogeno em seu organismo) com um indivduo suscetvel (aquele que nao esta infectado,
mas pode ser infectado). A transmissao indireta ocorre pela disseminacao do agente
14

patogeno por meio de vetores como o homem, passaros, insetos, animais, veculos, entre
outros, os quais mantem contato direto com os indivduos suscetveis.
A maioria dos modelos matematicos para populacoes acometidas de uma determinada infeccao tem como ponto inicial a hipotese de que a populacao total pode ser
dividida em subpopulacoes, apresentando significados epidemiologicos em conformidade
com a dinamica biologica da doenca.
Estudos matematicos mais elaborados com base nesta lei, foram desenvolvidos no
perodo entre 1927 e 1939, por Kermack e McKendrick [7], em que estabelece a teoria
do valor limiar. Segundo esta teoria, a introducao de poucos indivduos infectados em
uma comunidade totalmente suscetvel nao resultara em uma epidemia a menos que o
n
umero de indivduos suscetveis esteja acima de um determinado valor crtico. Esses
modelos assumem que os indivduos infecciosos estao distribudos homogeneamente em
toda a populacao e tem o mesmo poder de transmitir a doenca. A teoria do valor limiar
e o princpio da acao das massas, juntas, formam a pedra fundamental da epidemiologia
matematica moderna.
Estes modelos distinguem os indivduos de uma populacao de acordo com seu estado
em relacao `a doenca, chamados modelos determinsticos compartimentais.
Tais modelos sao formulados por equacoes diferenciais e baseiam-se na Lei de Ac
ao
de Massas, originada do estudo da cinetica qumica. Esta lei postula que a taxa de
formacao dos compostos e proporcional `as concentracoes dos reagentes. A aceitacao da
lei da acao das massas e baseada no fato de que cada partcula dos reagentes movimentase independentemente das demais, o que significa que a mistura e homogenea e portanto
todas as partculas tem a mesma chance de encontro que as demais. A traducao dessa
lei para os modelos matematicos e feita considerando o encontro entre variaveis, como
sendo o produto delas, [1].
A transposicao desta lei para a epidemiologia deu-se, inicialmente, com os modelos
de Kermack e McKendrick, [7]. Estes modelos tem como base a hipotese que os indivduos
infecciosos estao distribudos homogeneamente em toda a populacao e tem o mesmo poder
de transmitir a doenca. Entre eles, destaca-se o modelo classico do tipo SIR para epi15

demias que, embora simples, exerce grande influencia no desenvolvimento e evolucao dos
modelos atuais para doencas infecciosas de transmissao direta, sendo desta forma citado
u
como ferramenta basica em termos de sa
ude p
ublica. E
til para uma analise preliminar
da dinamica de varias epidemias e se constitui em um argumento basico, a partir do qual
e possvel construir-se modelos mais includentes por meio da crtica l
ucida de algumas
questoes especficas.
Outros modelos epidemiologicos do tipo SIRS, SIS ou SI podem ser construdos,
os quais diferem entre si, seja pela escala de tempo de interesse com dinamica vital (morte
ou nascimento) ou nao, seja pelo tipo de mortalidade considerada, incluindo mortalidade
induzida pela doenca ou nao, ou ainda pelo tipo de comportamento dinamico apresentado
pela populacao, na ausencia da doenca.

2.2

Algumas considerac
oes sobre epidemiologia
A maioria das doencas sao causadas por vrus ou bacterias - organismos muito pe-

quenos que se multiplicam rapidamente dentro do corpo humano. Ignorando-se a dinamica

dentro do corpo humano, os indivduos podem ser classificados, como segue:
1. Indivduos com imunidade materna: ate por volta de 6 12 meses depois do nascimento, criancas recem-nascidas podem ser protegidas pela imunidade materna. Para
propositos de modelagem este fato e muitas vezes ignorado.
2. Suscetveis: indivduos nesta classe podem adquirir a doenca se estiverem expostos
a ela. O n
umero de indivduos suscetveis em um certo instante t sera indicado por
S(t).
3. Expostos ou infectados: compreende as pessoas que tem a doenca, mas que nao
sao ainda infecciosos. Eles estao incubando a doenca, como o n
umero de vrus e
bacterias crescendo rapidamente, mas nao a transmitem ainda. Denota-se por E(t),
o n
umero de indivduos expostos em um certo instante t.

16

4. Infecciosos ou infectivos: indivduos que podem transmitir a doenca para algum

suscetvel que entre em contato com ele. Representaremos por I(t) a populacao de
indivduos infectivos em um certo instante t.
5. Removidos: estas pessoas tem recuperacao (imunidade ou morreram) a partir da
doenca. Muitas vezes, eles permanecem imunes por um longo tempo depois da
infeccao (`as vezes, pelo resto da vida). O n
umero de indivduos removidos em um
certo instante t sera representado por R(t).
Nem todas as doencas incluem todas estas classes, e alguns modelos podem incluir
mais classes. Podem ser includas, por exemplo, classes de vacinacao, classes de imunidade
parcial de indivduos que tem recuperacao, e podem passar depois para uma classe parcialmente suscetvel. Tambem pode-se considerar que a populacao apresente estrutura
etaria (classes ou faixas etarias), estrutura sexual, entre outras.
Geralmente, para representar os modelos compartimentais, sao utilizados fluxogramas, os quais apresentam setas do tipo entrando e saindo dos compartimentos que descrevem: passagem de um compartimento para outro, sada de um compartimento para
o ambiente, ou ainda entrada num compartimento vindo de fora do sistema. As setas
representam, portanto, qualquer modificacao na ocupacao do compartimento (n
umero
medio de indivduos deslocados por unidade de tempo).
Quanto aos tempos caractersticos de uma doenca, geralmente os modelos fazem
mencao a tres diferentes perodos no processo de infeccao:
1. Perodo latente: perodo durante o qual o hospedeiro esta infectado mas nao transmite a doenca.
2. Perodo infeccioso: perodo durante o qual um indivduo pode passar a doenca para
um suscetvel.
3. Perodo de recuperac
ao: perodo durante o qual o indivduo nao e mais infeccioso,
mas tambem nao e suscetvel. Hospedeiros recuperados sao quase invariavelmente

17

imunes a infeccoes posteriores no caso de parasitas virais, e esta imunidade, para

muitas das infeccoes virais, aparenta durar a vida toda. Baseados em [13].
Para os modelos epidemiologicos classicos, um parametro essencial e o valor de
reprodutividade basal (R0 ), que da o n
umero medio de novas infeccoes causadas por um
indivduo infectado, introduzido em uma populacao inteiramente suscetvel, durante todo
o tempo de infecciosidade. Dessa forma, esse parametro indica sob quais condicoes a
doenca se propaga na populacao. Se o indivduo infectado consegue provocar mais que
um caso de infeccao, isto e, se R0 > 1, entao a doenca se propaga. Por outro lado, quando
R0 < 1, a doenca se extingue [1].

2.3

Modelo compartimental tipo SIR

Os modelos matematicos formulados por Kermack e McKendrick foram os primeiros

modelos da area de epidemiologia a considerar a subdivisao da populacao em hospedeiros,

os quais exercem grandes influencias no desenvolvimento e evolucao dos modelos atuais
para doencas infecciosas de transmissao direta. Estes modelos consideram que numa
populacao fechada, uma epidemia com microparasitas (vrus ou bacterias) ocorre atraves
do contato direto entre indivduos infectados e sadios.
Vamos considerar o problema basico de descrever a propagacao de uma epidemia
numa populacao, com relacao ao tempo. A populacao de hospedeiros e subdividida em
classes distintas (compartimentos) de acordo com a sanidade ou infecciosidade de seus
elementos:
Suscetveis (S = S(t)): n
umero de indivduos sadios e aptos a contrarem a doenca
por contato com infecciosos, no instante t;
Infecciosos (I = I(t)): n
umero de indivduos anteriormente suscetveis que contraram a doenca de outros infecciosos e passam imediatamente a serem transmissores dela por contato, no instante t;
18

 Recuperados (R = R(t)): n
umero de indivduos que, de infecciosos, passam a nao
mais participar da dinamica epidemica, no instante t.
Ao modelar a propagacao de uma epidemia numa populacao, em funcao do tempo,
a populacao e tomada como constante, isto e, N = S(t) + I(t) + R(t) nao varia com o
tempo. Assume-se que nao existem emigracao, imigracao nem perodo latente no grupo
considerado. Este fato e caracterstico de doencas cujo perodo de incubacao do parasita
e relativamente pequeno.
Para cada tipo de doenca podemos modelar sua velocidade de propagacao atraves
das interacoes entre as variaveis S, I e R. O processo epidemiologico do modelo SIR
e esquematizado pelo sistema compartimental ilustrado na Figura 2.1, onde S e a proporcao de indivduos suscetveis, I e a proporcao de indivduos infectados, e a taxa de
transmissao e e a taxa de recuperacao, considerando as seguintes hipoteses:
1. Cada compartimento e composto por indivduos homogeneos.
2. Cada indivduo infeccioso tem a mesma probabilidade de se encontrar com um
suscetvel.
3. Nao ocorre nascimento no grupo e a morte somente e causada pela doenca, ou seja,
e um modelo sem dinamica vital.

Figura 2.1: Modelo compartimental do tipo SIR sem dinamica vital.

Nesse caso, um indivduo sadio entra em contato com um infectado e, atraves de

algum mecanismo de transmissao, pode passar a ser um membro da subpopulacao de
infectados, dependendo da taxa de transmissao . Ja os indivduos infectados podem
ser removidos para a subpopulacao dos recuperados por reabilitacao da doenca ou por
isolamento a uma taxa . Dessa maneira, um indivduo da populacao em estudo esta
19

sujeito a uma transferencia de suscetvel (S) para infectado (I), e desse para recuperado
(R).
A formulacao matematica do modelo SIR, em se tratando de uma populacao supostamente homogenea, no sentido de que nao descreve o aspecto de um indivduo segundo
a sua localizacao espacial, idade ou segundo qualquer outra medida contnua, e um problema de valor inicial, que pode ser representado, entre outras ferramentas matematicas,
pelo sistema (2.1) nao-linear de Equacoes Diferenciais Ordinarias (EDO).

dS

= SI

dt

dI
= SI I

dt

dR = I
dt
com t 0, satisfazendo as condicoes iniciais: S(0) = S0 ,

I(0) = I0 ,

(2.1)

R(0) = 0.

Nesta representacao, os suscetveis decrescem a uma taxa proporcional ao n

umero
de encontros com os infecciosos (SI, > 0); os infectados aumentam na mesma taxa e
perdem os que sao curados (isolados ou mortos); a variacao dos recuperados e proporcional
`a quantidade de infectados (I), onde > 0 e um parametro constante e, 1 e o tempo
medio durante o qual um indivduo fica infeccioso e R0 =

S0

e o n
umero medio de

novas infeccoes causadas por um infectado durante todo o tempo de infecciosidade R0 e

denominado taxa de reprodutividade basica da doenca.
A evolucao dos contingentes populacionais ao longo do tempo de um modelo tipo
SIR, representado por um sistema de EDO pode ser ilustrada pela Figura 2.2.

2.3.1

An
alise do Modelo

Questoes importantes podem ser formuladas durante um processo epidemico: dado

, , S0 e I0 , a infeccao se espalhara ou nao? Como a doenca se desenvolve com o tempo?
Quando comecara a declinar? Para responder a primeira dessas questoes faremos uma
breve analise qualitativa do modelo, para responder as demais questoes veja [1, 6, 11].
20

12

suscetvel
infectado
recuperado

10

populao

10

20

30
tempo

40

50

60

Figura 2.2: Evolucao dos contingentes populacionais descrita por um modelo compartimental do tipo
SIR, representado por um sistema de EDO, considerando S0 = 10, I0 = 1, R0 = 0, = 0, 05 e = 0, 1.

Representamos por P (t) a populacao total S(t) + I(t) + R(t) e adicionamos as

dP
= 0. Portanto, P (t) e constante, que com a condicao
equacoes de (2.1), temos que
dt
inicial P (0) = S0 + I0 = N , leva a
S(t) + I(t) + R(t) = N

(2.2)

para qualquer instante de tempo t. Assim, todas as populacoes S, I e R sao limitadas superiormente por N . Naturalmente, somos interessados somente em solucoes nao negativas
para S, I e R.
Podemos entao, focar nossos estudos nas duas primeiras equacoes de (2.1), uma vez
que, apos conhecer S(t) e I(t), podemos calcular,
R(t) = N S(t) I(t).

(2.3)

Ao considerarmos as trajetorias no plano de faseSI (ver [13]) do sistema (2.1)

podemos obter alguns resultados analticos:
Tomamos I 6= 0 e S 6= 0 e usamos a regra da cadeia nas duas primeiras equacoes de
(2.1), temos
S
1
dI
=
= 1 +
dS
S
S
com S(0) = S0 > 0 e I(0) = I0 > 0.
21

(2.4)

Integramos (2.4), obtemos como solucao as suas trajetorias no plano de faseSI,

dadas por

ln S + c,

I = S +

(2.5)

onde c e uma constante de integracao.

Usando as condicoes iniciais, obtemos
I(t) =

ln S(t) S(t) + N
ln S0 ,

(2.6)

Interpretamos I(t) como o n

umero de infectados no instante t, que tera significado
biologico se S(t) < S0 e I0 > 0.
Analisando a segunda equacao do sistema (2.1), temos

dI
> 0 I0 ( S0 ) > 0 S0 >
dt t=0

(2.7)

,o

S0

que fornece R0 =
> 1. E o n
umero de infectados sera decrescente quando S0 < ,

S0
ou seja, R0 =
< 1.

Portanto, a incidencia da doenca cresce se R0 > 1 e decresce se R0 < 1. Existe,

Logo, o n
umero de infectados sera crescente se a populacao de suscetveis S0 >

assim, um tamanho mnimo da populacao para que a epidemia possa ocorrer. Como o
n
umero maximo de suscetveis e o tamanho total da populacao N , conclumos que, para

ocorrer uma epidemia devemos ter N > e, o valor denominado limiar epidemico, e o

tamanho mnimo da populacao, necessario para ocorrer a epidemia.

22

Captulo 3
Aplicac
ao: Um modelo SIRS para o
estudo da dispers
ao da Influenza
A(H1N1) em uma populac
ao

Neste Captulo, com o proposito de consolidar o estudo das teorias estudadas (equacoes diferenciais ordinarias e modelos epidemiologicos), utilizamos um modelo compartimental tipo SIRS para estudar a evolucao temporal da Influenza A(H1N1) em uma
populacao.

3.1

Referencial te
orico da Influenza A(H1N1)
O novo vrus A (H1N1), que teve origem comum: suna, aviaria e humana, deter-

minou a primeira pandemia de gripe do seculo XXI. A pandemia de gripe causada pelo
vrus da influenza A, subtipo H1N 1, culminou em Marco de 2009, com a notificacao dos
primeiros casos no Mexico (Sao Lus do Potosi e Oaxaca), que ja observavam um n
umero
elevado de casos, aumento das internacoes por pneumonia grave, casos internados em
faixas etarias atpicas, obitos de pacientes jovens e sem comorbidades previas, [5].
23

Os primeiros casos de gripe H1N1, no Brasil, foram importados de pases que ja

registravam transmissao sustentada da patologia.
O vrus da influenza representa o especime mais estudado de vrus associado ao
homem que e infectado por tres tipos de vrus da gripe relacionados entre si, pertencentes
`a famlia Orthomyxoviridae, e denominados A, B e C. O vrus do tipo B infecta humanos
(gripe sazonal) e causa pequenas epidemias, enquanto o vrus C nao e epidemico. O vrus
do tipo A e o principal responsavel pelas grandes epidemias, infectando humanos e outros
animais (aves, mamferos). Tipicamente, as propriedades antigenicas dos vrus tipo A
variam a cada ano, o que acarreta uma incapacidade do organismo hospedeiro em manter
uma resistencia duradoura, [5].
A influenza A(H1N1) ou gripe A e uma infeccao viral aguda do sistema respiratorio,
de distribuicao global e elevada transmissibilidade, ela surgiu devido a alteracoes de formas
virais ja presentes na especie humana, com modificacoes de sua estrutura antigenica, sem
grande novidade em termos evolutivos, [12].
A doenca inicia-se, clinicamente, com a instalacao abrupta de febre alta, em geral
acima de 38o C, aferida ou mencionada, seguida de mialgia, dor de garganta, prostracao,
dor de cabeca e tosse seca. A febre e o sintoma mais importante, com duracao em torno de
tres dias. Com a progressao da doenca, os sintomas respiratorios tornam-se mais evidentes
e mantem-se em geral por tres a quatro dias, apos o desaparecimento da febre, [9].
Segundo [8], a gripe A e transmitida de forma direta inter-humana (ou seja, de
pessoa-a-pessoa), atraves das secrecoes das vias respiratorias de uma pessoa contaminada
ao falar, espirrar ou tossir.
O vrus acomete pessoas de todas as faixas etarias. No entanto, a Influenza pode
causar sintomas graves em idosos, pessoas portadoras de doencas cronicas (como diabetes,
cancer, doencas cronicas do coracao, dos pulmoes e dos rins), pessoas imunodeprimidas,
gestantes no 2 e 3 trimestre de gravidez e recem-nascidos. Essas pessoas sao consideradas
grupo de maior risco, [8].
O controle do vrus H1N1 pela disponibilidade de vacina especfica ofereceu vantagens (reduzindo morbimortalidade) e favorece a manutencao da infraestrutura, sem
24

superlotacoes, dos servicos de sa

ude, para atendimento `a populacao. A vacina contra o
vrus influenza pandemica e muito segura e, em funcao disso, as contraindicacoes `a sua
administracao sao bastante restritas (antecedentes de reacao anafilatica severa aos componentes da vacina e doencas agudas graves). Desde Marco de 2010, o Brasil, atraves do
Programa Nacional de Imunizacoes, oferece a vacina contra a gripe (cepa pandemica) de
forma gratuita na rede p
ublica, [5].
O perodo de transmissibilidade da doenca e diferente entre adultos e criancas. Nos
adultos, o perodo e de sete dias apos o aparecimento dos sintomas, enquanto em criancas
este perodo vai de dois dias antes ate catorze dias apos o incio dos sintomas, [8].
Considerando que a modelagem matematica de epidemias e de grande importancia
para os estudos epidemiologicos por possibilitar um melhor entendimento do desenvolvimento da epidemia e a busca por medidas eficientes em sua prevencao ou erradicacao,
realizamos o estudo da dinamica de dispersao da doenca.

3.2

O modelo
Com base no modelo SIR (Suscetvel - Infectado - Resistente), proposto por Kermack

e McKendrick, em 1927, que descreve a propagacao de doencas infecciosas de transmissao

direta via contato pessoa-a-pessoa [6, 11, 2], propomos um estudo da dinamica de evolucao
temporal da Influenza A(H1N1) em uma populacao de humanos.
Para o desenvolvimento desse estudo consideramos as seguintes hipoteses:
1. O processo de infeccao da Influenza A(H1N1) e regido pela lei de acao das massas,
ou seja, a taxa de variacao da populacao suscetvel e proporcional ao n
umero de
encontros entre as populacoes suscetveis e infectadas;
2. Filhos de indivduos suscetveis, infectados e resistentes `a doenca nascem todos
suscetveis;
3. Indivduos infectados podem morrer devido a doenca e a razao de variacao da populacao de resistentes e proporcional `a populacao infectada menos a parcela dos que
25

perderem a resistencia temporaria.

Modelos compartimentais do tipo SIRS (suscetvel-infectado-recuperado-suscetvel)
sao alternativas aos modelos SIR quando indivduos recuperados perdem a imunidade
apos certo perodo de tempo, voltando a ser suscetveis. A hipotese basica deste modelo
e que um indivduo pode passar sucessivamente por estagios de suscetibilidade, infeccao
e recuperacao, e que a imunidade nao e permanente, de modo que o indivduo imune
torna-se suscetvel novamente, podendo vir a se reinfectar.
Assim, propomos um modelo do tipo SIRS, em que a populacao de resistentes `a
doenca pode perder a resistencia temporaria e passar a ser suscetvel novamente. O
processo epidemiologico do modelo SIRS e esquematizado pelo sistema compartimental
ilustrado na Figura 3.1.

Figura 3.1: Modelo compartimental do tipo SIRS com dinamica vital.

Com base em [6, 11, 15], descrevemos o modelo utilizando o sistema (3.1), em que
todas as classes S(t), I(t) e R(t) da populacao, variam em relacao ao tempo.

dS

= SI + R + (S + I + R)

dt

dI
= SI ( + )I

dt

dR = I R.
dt

(3.1)

Onde, e sao as taxas de natalidade e mortalidade, respectivamente; e a taxa

de contato; e a taxa de recuperacao dos infectados e e a taxa com o qual os resistentes
perdem a imunidade temporaria.

26

3.3

Implementac
ao computacional
Nesta Secao, apresentamos simulacoes numericas que possibilitam observar a dina-

mica de varicao temporal da Influenza A(H1N1) em uma populacao hipotetica. O estudo

da dinamica de uma doenca transmissvel consiste essencialmente em esclarecer como a
quantidade de indivduos pertencentes a cada um dos compartimentos varia `a medida que
o tempo passa.
Para obter as solucoes numericas do sistema (3.1), utilizamos o metodo numerico de
Runge-Kutta de quarta ordem cujo algoritmo foi construdo no ambiente Matlab - versao
7.0.
As condicoes iniciais e os parametros utilizados no sistema (3.1) foram baseados no
modelo de [15]. Assim, consideramos as condicoes iniciais S0 = 10, I0 = 1 e R(0) = 0,
e os parametros = 0, 233, = 0.098, = 0.003, = 0.0001 e = 0.677. Os graficos
obtidos da simulacao numerica estao representados na Figura 3.2.
10
Suscetvel
Infectado
Recuperado

9
8

Populaao

7
6
5
4
3
2
1
0

10
Tempo (semanas)

15

20

Figura 3.2: Graficos indicando a variacao das populacoes de Suscetveis, Infectados e recuperados (eixo
vertical) em relacao ao tempo dado em semanas (eixo horizontal).

Nesta simulacao, podemos observar que a classe dos suscetveis decresce atingindo
um pico mnimo entre a terceira e quarta semanas apos o incio da epidemia. Concomi27

tantemente a classe dos infectados cresce ate atingir o valor maximo em torno da segunda
semana. Tendo em vista o baixo n
umero de suscetveis e o incio da recuperacao, a curva
dos infectados apresenta um declnio acompanhado de um crescimento consideravel dos
recuperados.
Diferentemente do modelo tipo SIR, em que os suscetveis tendem a zero cessando a
epidemia com o passar do tempo, este modelo tipo SIRS apresenta o retorno dos suscetveis
impedindo extincao da epidemia, desde que a taxa de reprodutividade basal R0 > 1. Isso
porque o modelo considera que uma parcela dos indivduos recuperados da doenca pode
perder a imunidade voltando a ser suscetvel. Alem disso, consideramos a dinamica vital,
ou seja, admitimos nascimentos de novos indivduos suscetveis.
A partir de aproximadamente dez semanas o quadro se estabiliza, mantem-se a
epidemia com um pequeno n
umero de indivduos infectados.

3.4

Conclus
ao do modelo
Certamente o modelo proposto e as diversas hipoteses simplificadoras admitidas

nesse trabalho nao retrataram fielmente a verdadeira dinamica da influenza A(H1N1).

Melhores aproximacoes da realidade necessitam, sem d
uvida, de um modelo mais elaborado, assim como, um melhor ajuste dos parametros e das condicoes iniciais de suscetveis
e infectados.
No entanto, mesmo sem realizar a validacao do modelo por dados reais, observamos
que os resultados da simulacao numerica estao coerentes com os apresentados em [15],
assim como dos esperados para um modelo epidemiologico e compartimental tipo SIRS.
Portanto, afirmamos que para o proposito desse trabalho de TCC, o modelo e satisfatorio,
representando bem a dinamica de dispersao da epidemia da influenza A(H1N1).

28

Considerac
oes Finais

Os modelos matematicos, escritos em termos de equacoes diferenciais ordinarias,

quando aplicados `a epidemiologia, nos proporcionam conhecimentos e informacoes sobre
como a doenca se propaga numa populacao, visando, essencialmente, determinar acoes
para prevenir e/ou conter tal propagacao. Para se entender a propagacao de doencas,
sao utilizados modelos matematicos construdos a partir de premissas que precisam ser
validadas atraves de informacoes empricas e de dados.
Os modelos matematicos epidemiologicos, bem como o modelo aqui apresentado,
nao pretendem de forma alguma ser exaustivos na cobertura de todos os tipos de doencas
infecciosas. Tambem nao pretendem espelhar com realismo todos os fatores relevantes
para a dinamica de qualquer doenca. Sao apenas uma forma possvel de enquadrar os
varios tipos de doencas, uma especie de primeira escolha a partir da qual poderemos
realizar elaboracoes adicionais, tendentes a tornar o modelo mais proximo da realidade.
Desta forma, a partir dos resultados obtidos, entendemos que o modelo aqui proposto
pode contribuir, mesmo que de forma modesta, com dados sobre o comportamento da
doenca - a influenza A(H1N1).
Nesse contexto, a modelagem matematica, pela sua abrangencia, possibilita a aprendizagem dos conte
udos matematicos conectados a diversas areas, como a epidemiologia,
onde eles sao aprendidos e entendidos como um instrumento, uma ferramenta posta a
operar para a compreensao e possvel modificacao da realidade, tornando assim, conhecimentos contextualizados e significativos.
A uniao destas areas do saber contribui para a formacao do educador matematico,
29

por permitir a transcendencia da ideia de uma ciencia isolada para uma ideia mais
abrangente, relacionando questoes mais amplas e refletindo sobre diversas situacoes cotidianas.
Ao concluir este trabalho, ficamos a vontade em afirmar que a modelagem pressupoe
multidisciplinaridade e, nesse sentido, vai ao encontro das novas tendencias pedagogicas
que apontam para a remocao de fronteiras entre as diversas areas do saber. Portanto, e
na esteira das contribuicoes da modelagem matematica que este trabalho se insere.

30

Refer
encias Bibliogr
aficas
[1] BARROS, L.C. e BASSANEZI. R.C. T
opicos de L
ogica Fuzzy e Biomatem
atica. Colecao IMECC - Textos didaticos. v.5. Campinas. UNICAMP IMECC, 2006.
[2] BASSANEZI, R. C. Ensino-aprendizagem com Modelagem Matem
atica,
Contexto. Sao Paulo, 2002.
[3] BASSANEZI, R. C. e FERREIRA JR W. C. Equaco
es diferenciais com
aplicaco
es. Sao Paulo, 1988.
[4] BOYCE, W. E. e DIPRIMA, R. C. Equa
c
oes diferenciais elementares e problemas de valores de contorno. 6a edicao. Rio de Janeiro, 1998.
[5] CARNEIRO, M. Influenza H1N1 2009: revis
ao da primeira pandemia do
s
eculo XXI; artico cientfico. Porto Alegre,2010.
[6] EDELSTEIN, K. Mathematical Models in Biology. Mc-Graw-Hill, 1988.
[7] KERMACK, W.O. e MCKENDRICK, G.A. A contribution to the mathematical
theory of epidemics. In: Proceedings of the Royal Society of London, Series A,
115, 700-721.
[8] Ministerio

da

Sa
ude.

//portal.saude.gov.br/

Influenza

A(H1N1).

Disponvel

em:

http

portal/saude/profissional/visualizar texto.cf m?idtxt

31267. Acesso em: 20/04/2010.

31

:
=

[9] Ministerio da Sa
ude, Estrat
egia Nacional de Vacina
c
ao contra o Vrus Influenza Pand
emico (H1N1) 2009, informe tecnico.
[10] MISSIO, M. Modelos de EDP integrados `
a l
ogica fuzzy e m
etodos probabilsticos no tratamento de incertezas: uma aplicac
ao `
a febre aftosa em
bovinos. Tese de Doutorado. IMECC/Unicamp. Campinas, 2008.
[11] MURRAY, J.D. Mathematical Biology I. An Introduction. Springer-Verlag.
Berlin, 2001.
[12] NEUMANN, C.R.; AZAMBUJA, M.I.R.; OLIVEIRA, F.A. e FALK, J.W. Pandemia de Influenza A(N1H1): O que aprender com Ela?. Disponvel em:
http : //www.seer.uf rgs. br/index.php/hcpa/article/viewF ile/9926/5790. Acesso
em: 18/04/2010.
[13] QUARTIERI, M.T. Estudo de modelos epidemiol
ogicos determinsticos
b
asicos em doencas causadas por microparasitas, tese de mestrado. Porto
Alegre, 2004.
[14] RIBEIRO, F. T. e SOARES, M. Curso preparat
orio ENEM. Sao Paulo, 2010.

[15] VARGAS, L.C.; HERNANDEZ

G.L.M.; LOPEZ
E.J. ALAVEZ, J.; BOYEV, B.V.

e GOMEZ
A.G. Virus de la nfluenza Humana A(H1N1) de origen porcino.
SOLABIMA. Mexico, 2009.
[16] YANG, H.M. Epidemiologia matem
atica: estudo dos efeitos da vacina
c
ao
em doencas de transmiss
ao direta. Editora da Unicamp. Campinas, 2001.
[17] YANG, H. M. Modelagem Matem
atica Aplicada `
a Sa
ude P
ublica.
Disponvel em: http://www.comciencia.br/reportagens/framedest.htm. Acesso em:
14/09/2010.
[18] ZILL, D. G. Equaco
es Diferenciais com Aplicaco
es em Modelagem. Sao Paulo,
2003.
32