Modelos epidemiológicos estocásticos y su inferencia: casos SIS y SEIR

En este trabajo, se presentan dos modelos epidemiológicos con perturbación aleatoria, basados en los modelos epidemiológicos deterministas de tipo SIS y SEIR. Se discute la definición de número reproductivo básico en ambos modelos, proponiendo dos definiciones: el número reproductivo básico el cual...

Full description

Autores:
Ríos Gutiérrez, Andrés Sebastián
Tipo de recurso:
Fecha de publicación:
2018
Institución:
Universidad Nacional de Colombia
Repositorio:
Universidad Nacional de Colombia
Idioma:
spa
OAI Identifier:
oai:repositorio.unal.edu.co:unal/69114
Acceso en línea:
https://repositorio.unal.edu.co/handle/unal/69114
http://bdigital.unal.edu.co/70618/
Palabra clave:
31 Colecciones de estadística general / Statistics
5 Ciencias naturales y matemáticas / Science
51 Matemáticas / Mathematics
61 Ciencias médicas; Medicina / Medicine and health
Modelo SIR
Modelo SIS
Modelo SEIR
Modelos epidemiológicos deterministas
Modelos epidemiológicos estocásticos
Número reproductivo básico
Simulaciones por Euler-Maruyama
SIR model
SIS model
SEIR model
Deterministic epidemic models
Stochastic epidemic models
Basic reproduction number
Euler Maruyama simulations
Rights
openAccess
License
Atribución-NoComercial 4.0 Internacional
Description
Summary:En este trabajo, se presentan dos modelos epidemiológicos con perturbación aleatoria, basados en los modelos epidemiológicos deterministas de tipo SIS y SEIR. Se discute la definición de número reproductivo básico en ambos modelos, proponiendo dos definiciones: el número reproductivo básico el cual se obtiene a partir de la estabilidad asintótica del punto de equilibrio libre de enfermedad de cada modelo y de variable aleatoria reproductiva básica obtenida a partir de la definición de número reproductivo como una integral de una función de sobrevivencia. Una vez se tienen tales definiciones se estudian la relación entre el número y variable aleatoria en cada modelo. Se estudian cuatro aspectos fundamentales: existencia y unicidad de la solución (por ejemplo, de la población infectada), extinción de la enfermedad, persistencia en la media y existencia de la distribución estacionaria. Finalmente se presentan los resultados de la simulaciones de los modelos y se propone la estimación de parámetros por el método de máxima verosimilitud.