Universidade de Brasília

Faculdade do Gama

Cálculo 2 – Turma 04A

Modelagem Matemática de Pandemias e

Epidemias

Caio Jardim Morais da Silveira Gonçalves - 202016023

Lucas Gabriel Tavares da Silva - 202016785

Brasília, 2021
Resumo

Em face do cenário atual, se vê a necessidade de áreas de estudo como a

epidemiologia matemática. O modelo matemático do tipo SIR prevê a propagação de uma
doença contagiosa e a interação entre os indivíduos da população, que é dividida em três
grupos: Suscetíveis, Infectados e Recuperados. Os coeficientes de contaminação e
recuperação também fazem parte do modelo e determinam o surgimento de novas
infecções. Neste trabalho foi apresentado a forma de como analisar o comportamento de
uma população em uma epidemia através do uso de equações diferenciais. A partir de um
sistema de EDOs não-lineares de primeira ordem, foi feita a análise gráfica deste
comportamento, observando o crescimento e decrescimento das curvas em função do
tempo. Uma solução analítica e gráfica de um modelo proposto a uma comunidade foi
realizado, no qual foi verificado sua coerência com a realidade. Medidas preventivas,
como o distanciamento social, se provaram eficazes através das análises, mostrando um
menor pico e crescimento lento da curva de infectados.

Palavras-chave: Modelo SIR. Equações Diferenciais. Epidemiologia Matemática.

Sumário

Introdução 4
Capítulo 1 5
Capítulo 2 9
Considerações Finais 13
Referências Bibliográficas 14
Introdução

Em poucos meses, o novo coronavírus tomou conta de todo o mundo, infectou

grande parte do planeta, causando impactos econômicos, sociais, culturais e políticos,
mudando radicalmente a realidade atual. O Brasil foi um dos países mais afetados durante
a pandemia do Covid-19, números altos de casos e uma alta taxa de contágio marcaram
grande parte dos dias durante a crise pandêmica e resultaram em milhares de vidas
perdidas.

A importância da melhoria do controle epidêmico, com objetivo de erradicá-las o

mais rápido possível, traz a necessidade de ferramentas e modelos que permitam abordar
e compreender o assunto em questão, para melhor direcionamento da população a
medidas de controle eficazes.

A epidemiologia matemática, área de estudo que surgiu após a pandemia da gripe

espanhola de 1918, possibilita descrever situações pandêmicas através de termos
matemáticos por meio de modelos epidemiológicos. Um modelo tradicional que estuda a
propagação de doenças causadas por vírus ou bactérias é o modelo matemático do tipo
SIR (suscetível-infectado-recuperado). Esse modelo foi proposto por Kermack e
McKendrick em 1927, no qual essa modelagem descreve o comportamento da população
em situação de pandemia utilizando equações diferenciais. (Oliveira, 2020)

4
Capítulo 1

O modelo matemático do tipo SIR, proposto por Kermack e McKendrick em

1927, divide a população em três grupos: os que não foram infectados e estão suscetíveis
à doença (S), os que estão infectados pela doença (I), e os que foram infectados e já se
recuperaram (R). Existe também um coeficiente de transmissão (β), que vai determinar a
taxa a que novas infecções surgem como consequência do contato entre indivíduos
suscetíveis e infectados, e um coeficiente de recuperação (μ).

O número de suscetíveis (S) diminui e o número de infectados (I) aumenta após a

interação desses dois grupos, tendo em vista a probabilidade de pessoas suscetíveis se
tornarem pessoas infectadas, havendo também o aumento do número de recuperados (R).

Cada grupo evolui com o tempo, logo S, I e R são valores em função de t: S(t),
I(t), R(t). Considerando as funções normalizadas ao invés de números absolutos e
assumindo N como o número total da população tem-se:

𝑆(𝑡) 𝐼(𝑡) 𝑅(𝑡)

𝑠(𝑡) = , 𝑖(𝑡) = , 𝑟(𝑡) =
𝑁 𝑁 𝑁

𝑆(𝑡) + 𝐼(𝑡) + 𝑅(𝑡) = 𝑁

Logo, as novas funções assumem que:

𝑠(𝑡) + 𝑖(𝑡) + 𝑟(𝑡) = 1

O coeficiente de transmissão (β) depende de quantas pessoas suscetíveis cada
infectado consegue contaminar por dia. Considerando unidades pequenas de tempo, cada
infectado contamina por dia em média 𝛽 ⋅ 𝑠(𝑡) pessoas, assim a variação do número de
indivíduos suscetíveis é 𝑆′(𝑡) = −𝛽 ⋅ 𝑠(𝑡) ⋅ 𝐼(𝑡), no qual dividindo esta equação por
N tem-se a equação diferencial: 𝑠′(𝑡) = −𝛽 ⋅ 𝑠(𝑡) ⋅ 𝑖(𝑡).

Parte do número de infectados se recuperam, aumentando a função r(t) a cada dia.

Com o coeficiente de recuperação (μ), obtém-se para a variação desse grupo a equação
diferencial: 𝑟′(𝑡) = 𝜇 ⋅ 𝑖(𝑡).

Considerando que a soma das variações dos três grupos é nula, sem o aumento ou
diminuição da população total, ou seja, 𝑠′(𝑡) + 𝑖′(𝑡) + 𝑟′(𝑡) = 0 , consegue-se deduzir a
equação diferencial da variação do grupo de infectados: 𝑖′(𝑡) = 𝛽 ⋅ 𝑠(𝑡) ⋅ 𝑖(𝑡) − 𝜇 ⋅ 𝑖(𝑡).

Como condições iniciais para este sistema tem-se que 𝑠(0) = 1, visto que
inicialmente todos os indivíduos são suscetíveis. No começo não existem pessoas
recuperadas, logo tem-se também que 𝑟(0) = 0. Caso fosse considerado 𝑖(0) = 0, i(t)
seria sempre igual a zero, com isso, admitindo que foi inserida na população uma
quantidade mínima de indivíduos infectados, conclui-se que 𝑖(0) = 𝑑/𝑁.
5
 Dessa forma, obtém-se um sistema de EDOs não-lineares de primeira ordem:

𝑠′(𝑡) = −𝛽 ⋅ 𝑠(𝑡) ⋅ 𝑖(𝑡)

𝑟 ′ (𝑡) = 𝜇 ⋅ 𝑖(𝑡)
𝑖 ′ (𝑡) = 𝛽 ⋅ 𝑠(𝑡) ⋅ 𝑖(𝑡) − 𝜇 ⋅ 𝑖(𝑡)
𝑠(0) = 1, 𝑟(0) = 0, 𝑖(0) = 𝑑/𝑁
{
É necessário a utilização de um software para a análise gráfica das equações, visto
que este sistema não tem solução explícita. Foi utilizado o programa matemático
“Geogebra”, no qual será possível observar o comportamento das soluções do PVI.

Assumindo β = 2,2 (coeficiente de transmissão), 𝜇= ⅓ (coeficiente de

recuperação) e d = 5 (indivíduos infectados introduzidos na população) e N = 1 milhão
(população total).

Na figura abaixo o gráfico de i(t). Observa-se que há um grande aumento do

número de infectados em um curto período de tempo, em que seu pico atinge mais da
metade da população.

Gráfico 1 - Gráfico de i(t)

Observando o gráfico de s(t), percebe-se que o número de pessoas suscetíveis, que

inicialmente é bem grande, decresce rapidamente até se aproximar de 0, onde quase toda
a população teria sido infectada com a doença.

6
 Gráfico 2 - Gráfico de s(t)

No gráfico de r(t) apresentado abaixo, nota-se que o número de indivíduos

recuperados inicialmente é baixo, já que a princípio tem-se poucas pessoas infectadas.
Com o aumento do número de infectados, há um crescimento rápido no número de
recuperados, até que se aproxima de 1 onde toda a população estivesse curada.

Gráfico 3 - Gráfico de r(t)

7
 No gráfico abaixo é apresentado duas curvas de infectados, a curva vermelha, já
apresentada anteriormente, possui coeficiente de transmissão igual a 2,2. A curva roxa,
teve seu coeficiente de transmissão reduzido para 1, no qual percebe-se a diferença tanto
no pico da doença, que é adiado, quanto na quantidade de infectados, que é reduzido
quase que pela metade.

Gráfico 4 - Gráfico comparativo de infectados

8
Capítulo 2

Com o intuito de modelar a propagação da COVID-19 em uma comunidade no

Distrito Federal, foi proposto um modelo matemático com equações diferenciais. O PVI
dado pelo problema será calculado com as constantes associadas aos integrantes do grupo,
com isso tem-se:

𝑠 ′ = 2𝑖 − 3𝑠
{ 𝑖 ′ = 3𝑠 − 7𝑖
𝑟 ′ = 2𝑖
Com condições iniciais:

𝑠(0) = 1
{𝑖(0) = 0 Em que s + i + r = 0
𝑟(0) = 0
Como r(t) = 1 – s(t) – i(t), para resolver o sistema basta determinar s(t) e i(t).

𝑠 ′ = 2𝑖 − 3𝑠 𝑠(0) = 1
{ com condições iniciais: {
𝑖 ′ = 3𝑠 − 7𝑖 𝑖(0) = 0
Seja ℒ(𝑠) = 𝑆(𝑧) = 𝑆 𝑒 ℒ(𝑖) = 𝐼(𝑧) = 𝐼. Aplicando a transformada de Laplace no
sistema, tem-se:

𝑧𝑆 − 𝑠(0) = 2𝑖 − 3𝑠
{
𝑧𝐼 − 𝑖(0) = 3𝑠 − 7𝑖
Sabendo que s(0) = 1 e i (0) = 0 é possível organizar o sistema:

(𝑧 + 3)𝑆 − 2𝑖 = 1 (𝐼)
{
(𝑧 + 4)𝐼 − 3𝑖 = 0 (𝐼𝐼)
(𝑧+4)𝐼
De (ℒ), 𝑆 = , substituindo em (I):
3

(𝑧 + 3)(𝑧 + 4)𝐼
− 2𝐼 = 1
3
(𝑧 + 3)(𝑧 + 4)𝐼 − 6𝐼 = 3

I(z²+7z+6) = 3
3
Logo, 𝐼 = , em que z² + 7z + 6 é o f(x) e suas raízes são +1 e +6;
𝑍 2 +7𝑍+6

9
Transformando a função, tem-se:

3
𝐼=
(𝑧 + 1)(𝑧 + 6)
Usando frações parciais:

𝐴 𝐵
𝐼= +
𝑧+1 𝑧+6
Logo:

3 𝐴 𝐵
= +
(𝑧 + 1)(𝑧 + 6) (𝑧 + 1) (𝑧 + 6)
Multiplicando a fração de A por (z+6) e a fração de B por (z+1), pode-se eliminar o
denominador:

3 = 𝐴(𝑧 + 6) + 𝐵(𝑧 + 1)
Utilizando o valor de z = -1, é possível descobrir o valor de A:
3
3 = A(−1 + 6) + B(−1 + 1) , tem-se que 𝐴 =
5

Agora, utilizando o valor de z = -6, é possível descobrir o valor de B:

−3
3 = A(−6 + 6) + B(−6 + 1) , tem- se que 𝐵 =
5

3 1 3 1
Portanto, 𝐼 = ∗ − ∗
5 𝑧+1 5 𝑧+6

Aplicando a transformada inversa de Laplace, conclui-se que:

𝟑 −𝒕 𝟑 −𝟔𝒕
𝒊(𝒕) = 𝒆 − 𝒆
𝟓 𝟓

(𝑧+4)𝐼
Como 𝑆 = , então:
3

(𝑧 + 4) 3
𝑆= ∗
3 (𝑧 + 1)(𝑧 + 6)
Usando frações parciais novamente, tem-se que:

𝐶 𝐷
𝑆= +
(𝑧 + 1) (𝑧 + 6)
10
Logo,

(𝑧 + 4) 𝐶 𝐷
= +
(𝑧 + 1)(𝑧 + 6) (𝑧 + 1) (𝑧 + 6)
Multiplicando a fração de C por (z+6) e a fração de D por (z+1), pode-se eliminar o
denominador:

𝑧 + 4 = 𝐶(𝑧 + 6) + 𝐷(𝑧 + 1)
Utilizando o valor de z = -1, é possível descobrir o valor de C:
3
−1 + 4 = 𝐶(−1 + 6) + 𝐷(−1 + 1) , tem- se 𝐶 =
5

Agora, utilizando o valor de z = -6, é possível descobrir o valor de D:

2
−6 + 4 = 𝐶(−6 + 6) + 𝐷(−6 + 1) , tem-se que 𝐷 =
5

3 1 2 1
Portanto, 𝐼 = ∗ + ∗
5 𝑧+1 5 𝑧+6

Aplicando a transformada inversa de Laplace, conclui-se que:

𝟑 −𝒕 𝟐 −𝟔𝒕
𝒔(𝒕) = 𝒆 + 𝒆
𝟓 𝟓

Como 𝑟(𝑡) = 1 − 𝑠(𝑡) − 𝑖(𝑡) :

𝟔𝒆−𝒕 𝟏𝒆−𝟔𝒕
𝒓(𝒕) = 𝟏 − +
𝟓 𝟓

11
 O esboço do gráfico das funções s(t), i(t) e r(t), realizado no programa matemático
“Geogebra”, está apresentado na figura abaixo. Admitindo 𝜆 = 3(coeficiente de
transmissão) e 𝛾 = 2(coeficiente de recuperação).

Gráfico 5 - Solução gráfica do problema proposto

No gráfico 5 observa-se a solução gráfica a partir dos dados da solução analítica

calculada anteriormente. O modelo proposto pela solução apresenta uma realidade em
que o pico de infectados atinge apenas um pouco mais de 20% da população, seu
crescimento é controlado e em um curto período de tempo já apresenta queda. Tanto a
curva de suscetíveis quanto a de infectados são coerentes e condizem com a realidade.
Entretanto, a curva de recuperados, que cresce rapidamente à medida que o número de
infectados diminui, apresenta incoerência com a realidade ao não se aproximar ao número
total da população, se mantendo constante após ultrapassar um pouco mais de 60%.

12
Considerações Finais

De acordo com os parâmetros estatísticos analisados é possível concluir que o

Modelo SIR, apesar de ser simples, descreve bem os dados de infectados pela doença.

Através dos gráficos do capítulo 1, percebe-se o impacto das medidas da

quarentena e do distanciamento social, que apresentaram ser medidas preventivas efetivas
capazes de diminuírem a taxa de transmissão β, achatando assim a curva de infectados.
Além da diminuição do pico da doença, seu crescimento é mais lento evitando o colapso
na saúde pública, e dessa forma, haverá mais tempo para os hospitais e órgãos públicos
se organizarem sobre como lidar com a doença para atender melhor a população. Outra
medida para reduzir a taxa de infecção é a vacina, que diminui o número de pessoas
suscetíveis e reduz também o tempo de recuperação.

Na realidade atual, o entendimento das dinâmicas envolvidas na progressão da

pandemia da Covid-19 é essencial e indispensável. O modelo SIR é um modelo
pandêmico eficaz, que além de explicar o comportamento das curvas de uma forma
objetiva, também explica a importância das medidas implementadas em todo o mundo no
combate ao vírus. (Paula, 2020)

13
Referências Bibliográficas

Amorim, R., & Rispoli, V. (07 de Maio de 2020). Função Gama. Acesso em 09 de Novembro
de 2020, disponível em Função Gama: https://youtu.be/rS6Pzd-CAeY

Bassanezi, R. C. (2004). Ensino-aprendizagem com modelagem matemática. São Paulo: Pinsky

Ltda.

Martins, R. M. (13 de 2020 de Março). Blog do Ricardo Miranda Martins. Acesso em 09 de

Novembro de 2020, disponível em
https://novoblogdoricardomm.blogspot.com/2020/03/a-matematica-da-epidemia.html

Oliveira, A. P. (01 de Maio de 2020). Matemática UniCesumar. Acesso em 09 de Novembro de

2020, disponível em https://youtu.be/ROWU7mIzpdM

14