6o Brazilian Conference on Dynamics, Control and Their Applications
May 21-25, 2007
Dincon’2007
INFLUÊNCIA DA TOPOLOGIA NA PROPAGAÇÃO DE EPIDEMIAS EM AUTÔMATOS
CELULARES PROBABILISTAS ALEATORIAMENTE CONECTADOS
P. H. T. Schimit1, L.H.A. Monteiro2,1
1
Universidade de São Paulo, Escola Politécnica, Departamento de Engenharia de Telecomunicações e Controle, São Paulo, SP, Brasil,
pedro.schimit@poli.usp.br, schimit@gmail.com
2
Universidade Presbiteriana Mackenzie, Escola de Engenharia, Pós-graduação em Engenharia Elétrica, São Paulo, SP, Brasil,
luizm@mackenzie.br, luizm@usp.br
Resumo: Estuda-se o espalhamento de uma doença
contagiosa numa população em que cada indivíduo pode
interagir com outros que estão a uma distância máxima pré-
determinada. Esse estudo é realizado com equações
diferenciais ordinárias e com autômatos celulares em que as
transições de estado são probabilistas e a topologia de
acoplamento é aleatória. Investiga-se como controlar a
propagação da doença, alterando-se a topologia das
conexões.
Palavras-chave: autômato celular, epidemiologia, equações
diferenciais
1. INTRODUÇÃO
Modelos de propagação de epidemias vêm sendo
formulados desde o século XVIII, com o objetivo de
entender e controlar o espalhamento de doenças contagiosas.
Muitos modelos epidemiológicos baseiam-se em equações
diferenciais ordinárias [1-3]. Com essa abordagem,
entretanto, é complicado levar em conta a variabilidade
natural da resposta de cada indivíduo quando exposto a um
agente infeccioso. E é difícil, também, modelar diferentes
topologias de acoplamento entre os indivíduos. Normal-
mente, em modelos baseados em equações diferenciais,
pressupõe-se que suscetíveis, infectados e removidos estão
homogeneamente espalhados no espaço. Assume-se,
também, que os tempos envolvidos para cura e morte, em
função da infecção, são idênticos para todos os indivíduos.
Com autômatos celulares, as limitações citadas acima
sobre a construção de um modelo epidemiológico podem
ser superadas de maneira simples. De fato, autômatos
celulares podem ser usados como um método alternativo de
modelagem de propagação de doenças, em que os processos
de infecção, de cura e de morte são implementados
computacionalmente de maneira natural, isto é,
considerando-se as particularidades dos indivíduos que
compõem a população [4,5].
Como exemplos de modelos epidemiológicos usando
autômatos celulares, podem ser citados aqueles que lidam
com o HIV [6] e o vírus responsável pela hepatite B [7].
Em outros estudos epidemiológicos com autômatos
celulares, investiga-se, por exemplo, a influência do
intervalo de tempo em que um indivíduo está infectado, mas
ainda é incapaz de disseminar o agente infeccioso [8];
estudam-se os efeitos de movimentação e de vacinação
sobre o espalhamento da doença [9]; e analisa-se como a
1290
UNESP – Campus de São José do Rio Preto, SP, Brazil
distribuição inicial de infectados afeta a dinâmica da
propagação [10].
Monteiro e colaboradores investigaram recentemente
como o tamanho da população afeta a preservação de uma
determinada doença contagiosa nessa população [4,5]. Este
artigo apresenta uma extensão desses trabalhos.
Normalmente, nos modelos epidemiológicos baseados em
autômato celular, os indivíduos formam uma matriz de n × n
células com condições de contorno periódicas. A população
é dividida em três grupos, como no modelo SIR clássico
formulado em termos de equações diferenciais [1-3]. Assim,
cada célula representa um indivíduo que pode estar em um
de três estados, que são:
• o estado S, quando o indivíduo é suscetível, ou
seja, quando está sujeito a se contaminar devido
à interação com vizinhos infectados;
• o estado I, quando o indivíduo está infectado e
pode transmitir a doença a suscetíveis que estão
em contato com ele;
• o estado R, chamado de removido, que engloba
os que se curaram (e agora estão imunes àquela
doença); assim, a cura confere imunidade.
Em vários trabalhos, a topologia de acoplamento entre os
indivíduos é regular e essas conexões existem apenas entre
os vizinhos espacialmente mais próximos [4-10]. Aqui,
assume-se que cada indivíduo mantém contato com C
vizinhos que se distribuem em torno dele dentro de uma
matriz quadrada com lado formado por 2r+1 células. Isto é,
cada indivíduo ocupa a posição central numa matriz de
vizinhança, em torno do qual localizam-se C vizinhos com
os quais ele faz contato. Quando C=8 e r=1 tem-se a
clássica vizinhança de Moore de raio unitário [11].
O objetivo deste trabalho é estudar a influência dos
valores de r e C na evolução temporal das populações de
suscetíveis, infectados e removidos; a fim de encontrar
estratégias de controle da propagação da epidemia.
O modelo de autômato celular probabilista (ACP)
empregado neste estudo é descrito na seção 2. Com esse
modelo, realizam-se simulações numéricas com o objetivo
de caracterizar o transiente e o regime permanente dessa
dinâmica populacional. Então, na seção 3, esse modelo é
comparado a um outro equivalente, formulado em termos de
equações diferenciais ordinárias (EDO). As conclusões são
apresentadas na seção final.
 Influência da Topologia na Propagação de Epidemias em Autômatos Celulares Probabilistas Aleatoriamente Conectados
2. O MODELO EPIDEMIOLÓGICO BASEADO EM
AUTÔMATO CELULAR PROBABILISTA (ACP)
Um autômato celular [11] é definido pela dimensão do
reticulado, pelos estados em que pode estar cada célula que
forma o reticulado, pelas regras de transição dos estados, e
pela topologia de acoplamento entre as células (sua
vizinhança). A cada passo de tempo, cada célula está em um
determinado estado, que pode ser alterado no passo de
tempo seguinte em função do seu próprio estado e do estado
das células que formam sua vizinhança. As regras de
transição de estados podem ser deterministas ou
probabilistas.
O autômato celular probabilista aqui usado possui três
estados e está representado na figura 1.
Figura 1. Transições entre estados do autômato celular probabilista
Os números da figura são as transições entre os estados
S, I e R que podem ocorrer entre o instante t e o instante
t+1. Essas transições são assim definidas:
1- I→S: Morte de infectado causada pela doença
2- I→R: Cura de infectado
3- S→I: Infecção de suscetível
4- R→S: Morte de removido não causada pela doença
5- S→S: Suscetível permanece suscetível
6- I→I: Infectado permanece infectado
7- R→R: Removido permanece removido
Observe que, no modelo, mantém-se a população total
constante, já que a morte de um infectado ou de um
removido, no instante t, leva ao aparecimento de um
suscetível em seu lugar, no instante t+1.
A evolução da doença é governada por um conjunto de
transições de estados probabilistas, descritas a seguir.
A primeira regra descrita é a de número 3, relacionada
com a infecção de suscetíveis. Assume-se [4,5] que, a cada
passo de tempo, há uma probabilidade Pi de uma célula S se
infectar e tornar-se I, de acordo com a fórmula Pi=(1-e-Kv),
sendo v o número de indivíduos conectados infectados
àquele suscetível e K um parâmetro relacionado com a
infectividade da doença (observe que Pi cresce com o
aumento de v e/ou de K). Cada indivíduo está conectado a C
outros que pertencem a uma matriz quadrada de lado 2r+1.
A figura 2 ilustra os casos r=1 (com C=8) e r=2 (com
C=24), conhecidos como vizinhanças de Moore de raios 1 e
2, respectivamente.
Aqui, assume-se que a probabilidade de existir uma
conexão entre o indivíduo central da matriz e outro qualquer
diminui com o aumento do valor de r, que indica a camada
ao qual este outro indivíduo pertence. Portanto, conexões
entre indivíduos mais próximos são mais prováveis de
existirem (do que conexões entre indivíduos mais distantes).
1291
Schimit P.H.T., Monteiro L.H.A
Considera-se que a topologia de acoplamento obedece à
seguinte expressão [12]:
r +1− i (1)
qi = r
r2 + r − ∑ j
j =1
sendo qi a probabilidade de se estabelecer uma conexão
entre o indivíduo central e um outro da camada i (i=1,..., r).
Por exemplo, no caso em que r=3, a tabela 1 mostra as
probabilidades de conexão com cada uma das camadas.
Figura 2. Vizinhanças de Moore
Tabela 1. Probabilidade de conexão com as camadas de raios i=1,2,3
r=3
camada probabilidade
1 1/2
2 1/3
3 1/6
O parâmetro C define quantos vizinhos um indivíduo
possui. Por exemplo, no caso em que C = 8, cada indivíduo
conecta-se a outros oito espalhados pelo reticulado até uma
distância r de sua posição, de acordo com fórmula (1). No
caso que em r=3, então, em média, 50% dessas oito
conexões ocorrem com células na camada 1, 33% com
células da camada 2 e 17% com células da camada 3.
As próximas regras descritas são as de números 1, 2 e 4,
relacionadas com cura de infectados e morte de infectados e
removidos. Supõe-se que cada indivíduo infectado tem
probabilidade Pc de se curar e probabilidade Pd de morrer
pela doença, por passo de tempo. Além disso, a cada
iteração, infectados e removidos podem morrer, por outras
causas, com probabilidade Pn. Quando infectados e
recuperados morrem, suscetíveis tomam seus lugares. Dessa
maneira, o número total de indivíduos N = n² permanece
constante a cada iteração.
 6o Brazilian Conference on Dynamics, Control and Their Applications
May 21-25, 2007
UNESP – Campus de São José do Rio Preto, SP, Brazil
Dincon’2007

Os estados de todas as células são atualizados

simultaneamente a cada passo de tempo. Note que o
parâmetro Pn é uma característica exclusiva da população;
enquanto que K, Pc e Pd caracterizam a evolução da doença
nessa população. As condições de contorno são periódicas, o
que significa que a borda superior do reticulado faz fronteira
com a borda inferior, e a borda da esquerda faz fronteira
com a borda da direita. Ou seja, é como se a população
vivesse numa superfície toroidal.
Vale ressaltar que qualquer célula pode continuar no
mesmo estado de uma iteração para outra (regras 5, 6 e 7).
Neste trabalho, investiga-se a influência dos valores dos
parâmetros r e C, a fim de descobrir como a topologia de
acoplamento afeta a propagação de uma doença.
Os valores dos parâmetros usados em nossas simulações
são [4,5]: n = 200, K = 1, Pc = 60%, Pd = 30%, Pn = 10%.
Em t = 0, os estados das células são aleatoriamente
distribuídos de acordo com as proporções S(0)/N = 99,5%,
I(0)/N = 0,5%, R(0)/N = 0%. Assim, apenas 0,5% da Figura 4. Dinâmica populacional (ACP) para C=2 e r=2
população está inicialmente infectada e não há indivíduos
removidos no instante inicial.
Observe que, por exemplo, Pc = 0,6 significa que a
probabilidade de um infectado se curar após uma iteração é
60%, após duas iterações é de 84% e assim por diante. Uma
iteração pode corresponder a 12 horas ou 3 dias ou 1
semana. Isso significa que os valores das probabilidades das
transições de estado estão normalizados em relação à
unidade de tempo que caracteriza a doença.
As figuras 3-9 ilustram os resultados obtidos via
simulação numérica para diferentes valores de r e C.
Note que a doença é naturalmente eliminada da
população se C = 2 e r = 1 (figura 3). Para os demais
valores de C e r, ela permanece.

Figura 5. Dinâmica populacional (ACP) para C=2 e r=7

Figura 3. Dinâmica populacional (ACP) para C=2 e r=1

Figura 6. Dinâmica populacional (ACP) para C=5 e r=1

1292
 Influência da Topologia na Propagação de Epidemias em Autômatos Celulares Probabilistas Aleatoriamente Conectados
Schimit P.H.T., Monteiro L.H.A

Para cada combinação de valores de r e C, foram

Figura 7. Dinâmica populacional (ACP) para C=5 e r=7
realizadas 10 simulações, durante 100 passos de tempo. O
que varia de uma simulação para outra é a posição inicial
dos suscetíveis, infectados e removidos no reticulado (mas
não a proporção inicial deles, que é de 95,5%; 0,5% e 0%,
respectivamente) e a vizinhança de cada célula (ou seja, a
posição dos C indivíduos que se conectam a cada um dos N
indivíduos).
A tabela 2 apresenta os valores médios e os respectivos
desvios-padrão do valor máximo da população de infectados
e o instante T em que esse pico ocorre. Assim, procura-se
determinar a influência de r e C no transiente da epidemia.
A tabela 3 mostra os valores médios e os respectivos
desvios-padrão dos valores estacionários das populações de
suscetíveis, infectados e removidos. Desse modo, analisa-se
o efeito de se variar r e C sobre o regime permanente do
sistema.
De acordo com as figuras 3-9 e os resultados
apresentados nas tabelas 2 e 3, verifica-se que quanto maior
o valor de raio r em que se podem ter indivíduos
conectados, maior é o pico de infectados e mais cedo ele
tende a ocorrer. Essa mesma observação também é válida
quando se aumenta o valor de vizinhos C. Além disso,
observa-se que o valor em regime permanente das
populações (considerando as últimas 20 iterações) também é
afetado: conforme r e/ou C aumenta, o número de infectados
em regime permanente também cresce, e o número de
suscetíveis e infectados diminuem.

Tabela 2. Transiente de I(t)

Desvio- Desvio-
padrão do Instante de padrão
C r Pico de I pico de I pico T de T
1 529 45 8,5 1,6
2 1344 121 27,1 19,6
2 3 2297 134 19,1 1,9
4 2974 158 16,2 1,4
7 4238 189 14,4 0,7
Figura 8. Dinâmica populacional (ACP) para C=8 e r=1 10 4906 142 13,2 0,6
1 2916 160 18,8 2,8
2 4719 144 12,3 0,9
3 3 6087 220 10,6 0,5
4 7276 240 9,9 0,3
7 9175 199 9 0
10 10109 195 8,4 0,5
1 4830 99 12,4 0,8
4 4 9781 315 8 0
7 12588 424 7 0
10 13991 248 7 0
1 5712 200 10,7 0,6
5 4 11048 558 7 0
7 14484 536 6 0
10 16471 420 6 0
1 6406 133 9,7 0
6 4 12769 367 6 0
7 16044 479 6 0
10 17967 504 5 0
1 6803 218 8,8 0,4
7 4 13094 881 6 0
7 17138 397 5 0
10 19254 489 5 0
1 7052 251 8,4 0,5
8 4 13731 482 5,1 0,3
7 18238 861 5 0
10 20211 589 5 0

Figura 9. Dinâmica populacional (ACP) para C=8 e r=7

1293
 6o Brazilian Conference on Dynamics, Control and Their Applications
May 21-25, 2007
UNESP – Campus de São José do Rio Preto, SP, Brazil
Dincon’2007

O sistema dinâmico (2) possui dois pontos de equilíbrio,

Tabela 3. Regime permanente de S(t), I(t) e R(t) (não-normalizado)
que são [4,5]:

S I R S* = N ; I* = 0 ; R* = 0 (4)
C r permanente desvio permanente desvio permanente desvio
1 39668 99 32 14 299 86
2 32450 448 1064 58 6485 396 e:
2 3 28192 241 1679 52 10128 202
4 26238 296 1973 66 11788 247
N eN  1  bN  1  (5)
7 24425 245 2234 35 13340 225 S* = ; I* = 1 − ; R* = 1 − 
10 23901 158 2277 34 13821 133 R0 e + b  R0  e + b  R0 
1 25993 402 1988 64 12018 364
2 20865 171 2735 40 16399 149
3 3 18776 112 3041 31 18181 98 com:
4 17811 103 3178 32 19011 79
7 16747 47 3322 21 19930 48 aN
10 16433 72 3376 25 20189 75 R0 ≡
1 20123 223 2842 49 17034 196 b+c
4 4 13850 72 3733 25 22417 67
7 13075 69 3848 19 23077 55 Observe que (4) representa uma solução de equilíbrio
10 12810 77 3880 28 23308 63
1 17157 132 3284 25 19559 125 livre da doença, e (5) uma solução de equilíbrio em que a
5 4 11497 30 4075 33 24427 38 doença permanece.
7 10849 48 4174 22 24976 44 No caso de populações homogeneamente misturadas no
10 10698 54 4197 34 25104 40
1 15154 99 3546 35 21299 85
espaço, o sistema de equações (2) pode ser usado para
6 4 10015 52 4281 14 25703 53 produzir um comportamento dinâmico similar aos obtidos
7 9430 40 4370 27 26199 22 com os autômatos celulares. Uma dificuldade é encontrar
10 9259 38 4390 25 26374 23
1 13608 157 3770 42 22621 128
valores numéricos apropriados dos parâmetros a, b, c e e
7 4 8897 37 4436 30 26666 33 que correspondam às probabilidades usadas nas simulações
7 8412 21 4512 23 27075 30 com o autômato celular. Tais valores, entretanto, podem ser
10 8274 17 4527 14 27197 20
estimados das simulações com o autômato celular através
1 12679 75 3897 16 23424 72
8 4 8096 27 4563 17 27340 23 das seguintes expressões:
7 7650 17 4624 21 27725 32
10 7517 42 4651 24 27831 39 ∆I (t ) S → I ∆R (t ) I → R
a≈ b≈
S (t ) I (t )∆t I (t ) ∆t
3. O MODELO EPIDEMIOLÓGICO BASEADO EM ∆S (t ) I →S ∆S (t ) R → S (6)
EQUAÇÕES DIFERENCIAIS ORDINÁRIAS (EDO) c≈ e≈
I (t ) ∆t R(t ) ∆t

Quando as populações de suscetíveis S(t), infectados I(t) ∆I(t)S→I /∆t é o acréscimo por passo de tempo de indivíduos
e removidos R(t) estão homogeneamente distribuídas pelo infectados devido ao processo de infecção; ∆R(t)I→R /∆t é o
espaço, equações diferenciais ordinárias podem ser usadas acréscimo por passo de tempo de indivíduos removidos pelo
para representar a propagação de uma epidemia [1-3]. O processo de cura da doença; ∆S(t)I→S /∆t é o acréscimo de
conjunto de equações que corresponde ao diagrama da indivíduos suscetíveis por iteração devido à morte causada
figura 1 é escrito como [4,5]: pela doença; e ∆S(t)R→S /∆t é o acréscimo de indivíduos
suscetíveis por iteração devido à morte por outras causas.
dS (t ) Para calcular os valores numéricos dos parâmetros a, b, c
= − aS (t ) I (t ) + cI (t ) + eR(t ),
dt e e correspondentes a uma simulação com o autômato
dI (t ) dR(t ) (2) celular, tomam-se as 20 últimas iterações da simulação (nas
= aS (t ) I (t ) − bI (t ) − cI (t ), = bI (t ) − eR(t )
dt dt últimas 20 iterações, o sistema encontra-se em seu regime
permanente) e realizam-se os cálculos descritos pelas
sendo a a constante de taxa de infecção; b a constante de expressões (6). Os resultados estão apresentados na tabela 4.
taxa de cura; c a constante de taxa de morte relativa à Obviamente, o parâmetro a é aquele afetado pela variação
doença; e e a constante de taxa de morte causada por outras em r e C, já que tal parâmetro está relacionado com a
causas. O número total de indivíduos permanece constante, propagação da infecção, que depende da topologia de
pois: acoplamento entre os indivíduos. Observe que o valor de a
cresce com r e C.
dS (t ) dI (t ) dR(t ) De acordo com as expressões (6), então tem-se b ≈ Pc ,
+ + =0
dt dt dt c ≈ (1–Pc)Pd (a regra 2 do ACP é aplicada antes da regra 1)
e e ≈ Pn. Os valores de tais parâmetros independem da
ou: topologia de acoplamento; eles variam apenas com os
números de indivíduos em cada um dos três estados.
S (t ) + I (t ) + R(t ) = N (3)

1294
 Influência da Topologia na Propagação de Epidemias em Autômatos Celulares Probabilistas Aleatoriamente Conectados
Schimit P.H.T., Monteiro L.H.A

Tabela 4. Valores dos parâmetros das equações diferenciais

desvio
C r a (10-5) (10-5) b desvio c desvio e desvio
1 1,766 0,363 0,591 0,087 0,135 0,046 0,104 0,016
2 2,184 0,102 0,595 0,018 0,122 0,010 0,100 0,004
2 3 2,539 0,063 0,603 0,011 0,119 0,007 0,100 0,004
4 2,765 0,069 0,595 0,015 0,121 0,011 0,100 0,003
7 2,927 0,069 0,600 0,012 0,122 0,007 0,101 0,002
10 3,014 0,057 0,601 0,009 0,120 0,006 0,099 0,002
1 2,767 0,072 0,604 0,014 0,121 0,010 0,099 0,003
2 3,414 0,073 0,598 0,010 0,119 0,007 0,100 0,002
3 3 3,826 0,062 0,600 0,010 0,120 0,005 0,101 0,002
4 4,010 0,084 0,602 0,009 0,118 0,007 0,100 0,002
7 4,307 0,093 0,599 0,009 0,122 0,006 0,100 0,002
10 4,380 0,077 0,600 0,009 0,120 0,005 0,100 0,001
1 3,577 0,057 0,599 0,008 0,119 0,007 0,100 0,002
4 4 5,215 0,112 0,603 0,010 0,119 0,005 0,100 0,002
7 5,550 0,097 0,601 0,008 0,120 0,004 0,100 0,002
10 5,635 0,076 0,597 0,007 0,121 0,006 0,100 0,003
1 4,227 0,075 0,598 0,008 0,120 0,005 0,101 0,002
5 4 6,247 0,115 0,599 0,008 0,120 0,005 0,101 0,002
7 6,680 0,109 0,596 0,006 0,122 0,005 0,100 0,002
10 6,766 0,092 0,600 0,007 0,122 0,007 0,100 0,002 Figura 11. Dinâmica populacional (EDO) para C=2 e r=2
1 4,684 0,082 0,602 0,007 0,119 0,005 0,100 0,002
6 4 7,183 0,112 0,603 0,006 0,119 0,004 0,099 0,002
7 7,613 0,117 0,600 0,007 0,120 0,005 0,100 0,002
10 7,832 0,000 0,600 0,007 0,121 0,005 0,100 0,002
1 5,313 0,094 0,599 0,008 0,123 0,006 0,100 0,002
7 4 8,092 0,098 0,599 0,007 0,120 0,004 0,100 0,002
7 8,557 0,097 0,600 0,007 0,120 0,004 0,101 0,002
10 8,680 0,124 0,603 0,009 0,118 0,005 0,100 0,002
1 5,699 0,098 0,597 0,007 0,121 0,006 0,100 0,002
8 4 8,878 0,114 0,600 0,007 0,121 0,005 0,100 0,002
7 9,374 0,127 0,598 0,007 0,119 0,005 0,101 0,002
10 9,626 0,163 0,599 0,006 0,121 0,005 0,100 0,002

No modelo com equações diferenciais, também se

observa que quanto maior o valor de r e/ou C (ou seja,
quanto maior o valor de a) maior a concentração de pico de
infectados e mais cedo esse pico ocorre. Além disso, a
duração do transiente diminui com o aumento de a, o que é
compatível com os resultados obtidos com o modelo
baseado em autômatos celulares. As figuras 10-16 obtidas
com EDO correspondem às figuras 3-9 obtidas com ACP.
Figura 12. Dinâmica populacional (EDO) para C=2 e r=7

Figura 10. Dinâmica populacional (EDO) para C=2 e r=1 Figura 13. Dinâmica populacional (EDO) para C=5 e r=1

1295
 6o Brazilian Conference on Dynamics, Control and Their Applications
May 21-25, 2007
UNESP – Campus de São José do Rio Preto, SP, Brazil
Dincon’2007

4. CONCLUSÕES
Aumentar o número de vizinhos C e/ou o raio máximo r
no qual tais vizinhos existem (no modelo baseado em ACP)
implica aumentar o valor do parâmetro a (no modelo
baseado em EDO). Isso provoca aumento no valor de pico
dos infectados, antecipação desse pico, elevação da
concentração de infectados em regime permanente e a
diminuição da duração do transiente. Portanto, para cada
doença, o controle de sua propagação pode ser realizado
diminuindo-se r e/ou C abaixo de valores críticos, como
mostram as figuras 3 e 10. Pretende-se aplicar esse modelo
para o estudo de doenças reais (como sarampo, ebola).

5. AGRADECIMENTOS
LHAM agradece o apoio ao CNPq.

Figura 14. Dinâmica populacional (EDO) para C=5 e r=7

BIBLIOGRAFIA
[1] J.D. Murray, “Mathematical Biology II: Spatial Models and
Biomedical Applications” (Springer) 2003.
[2] L. Edelstein-Keshet, “Mathematical Models in Biology”
(McGraw-Hill) 1988.
[3] L.H.A. Monteiro, “Sistemas Dinâmicos” (Livraria da Física)
2006.
[4] L.H.A. Monteiro, H.D.B. Chimara, J.G. Chauí-Berlinck, “Big
Cities: Shelters for Contagious Diseases”, Ecological
Modelling Vol. 197, pp. 258-262, 2006.
[5] L.H.A. Monteiro, J.B. Sasso, J.G. Chauí-Berlinck, “Continuous
and Discrete Approaches to the Epidemiology of Viral
Spreading Taking into Account the Delay of Incubation
Time”, Ecological Modelling Vol. 201, pp. 553-557, 2007.
[6] R.M. Zorzenon dos Santos, “Using Cellular Automata to Learn
about the Immune System”, International Journal of Modern
Physics C Vol. 9, pp. 793–799, 1998.
Figura 15. Dinâmica populacional (EDO) para C=8 e r=1
[7] E. Ahmed, H.N. Agiza, S.Z. Hassan, “On Modeling Hepatitis B
Transmission Using Cellular Automata”, Journal of
Statistical Physics Vol. 92, pp. 707-712, 1998.
[8] M.A. Fuentes, M.N. Kuperman, “Cellular Automata and
Epidemiological Models with Spatial Dependence”, Physica
A Vol. 267, pp. 471-486, 1999.
[9] G. Ch. Sirakoulis, I. Karafyllidis, A. Thanailakis, “A Cellular
Automaton Model for the Effects of Population Movement
and Vaccination on Epidemic Propagation”, Ecological
Modelling Vol. 133, pp. 209-223, 2000.
[10] S. Yakowitz, J. Gani, R. Hayes, “Cellular Automaton
Modeling of Epidemics”, Applied Mathematics And
Computation Vol. 40, pp. 41-54, 1990.
[11] S. Wolfram, “Cellular Automata and Complexity” (Addison-
Wesley) 1994.
[12] L.H.A. Monteiro, D.C. Paiva, J.R.C. Piqueira, “Spreading
Depression in Mainly Locally Connected Cellular
Automaton”, Journal of Biological Systems, Vol. 14, pp.
671-629, 2006.
Figura 16. Dinâmica populacional (EDO) para C=8 e r=7

1296