ESTUDO DO TEMPO DE ERRADICAÇÃO DE EPIDEMIAS EM MODELOS

BASEADOS EM INDIVÍDUOS

Carla C. Takahashi,∗ Fernanda C. Takahashi,† Lucymara R. Alvarenga,‡ Ricardo H. C.

Takahashi§
∗
Curso de Graduação em Engenharia Elétrica
Universidade Federal de Minas Gerais
†
Curso de Graduação em Matemática Computacional
Universidade Federal de Minas Gerais
‡
Programa de Pós-Graduação em Engenharia Elétrica
Universidade Federal de Minas Gerais
§
Departamento de Matemática
Universidade Federal de Minas Gerais

Email: ctakahashi@ufmg.br, fernandact@ufmg.br, lucymarareal@yahoo.com.br,

rtakahashi@ufmg.br

Abstract— The study of the propagation of infectious diseases in populations has been performed, tradition-
ally, via the compartmental models, which are based on differential equations. Such models, employing the mass
action principle, are able to represent the dynamic behavior of epidemics when the populations are large. In the
case of small populations, a significant deviation in relation to the forecast delivered by such models occurs. In
this work, an individual-based model (IBM) is employed in the study of the influence of stochastic fluctuation of
the dynamical variables of an epidemics on the time of eradication of such epidemics. It is shown here that, for
small populations, such influence can become predominant.

Keywords— SIR model, individual-based model, disease eradication

Resumo— O estudo da propagação de doenças infecciosas em populações vem sendo feito tradicionalmente
por meio dos chamados modelos compartimentais, baseados em equações diferenciais. Tais modelos, empregando
o princı́pio de ação de massas, são capazes de representar o comportamento dinâmico de epidemias quando
as populações são muito grandes. No caso de populações pequenas, ocorre um desvio significativo em relação
à previsão fornecida por tais modelos. Neste trabalho, um modelo baseado em indivı́duos (MBI) é utilizado
para estudar a influência da flutuação estocástica das variáveis dinâmicas de uma epidemia sobre o tempo de
erradicação desta epidemia. É mostrado aqui que para pequenas populações tal influência chega a se tornar
predominante.

Palavras-chave— modelo SIR, modelo baseado em indivı́duo, erradicação de doenças

1 Introdução interação entre partı́culas segundo o princı́pio da

O estudo de processos de propagação de epi-
demias por meio de modelos matemáticos tem se
mostrado uma importante ferramenta para au-
mentar a compreensão da estrutura por trás dos
mesmos. Dessa forma, a aleatoriedade que é ine-
rente a esses sistemas tem seus efeitos agrega-
dos, de larga escala, passı́veis de serem entendi-
dos, e portanto passı́veis de serem controlados por
meio de estratégias racionais. Este é o projeto da
chamada epidemiologia matemática (Anderson e
May, 1992).
O mais tradicional modelo de propagação de
epidemias é o chamado modelo SIR, que modela a
população afetada como um sistema de três com-
partimentos, os Susceptı́veis, os Infectados e os Re-
cuperados. A partir da premissa de que a popula-
ção seja constituı́da de um número muito grande
de indivı́duos, o modelo SIR descreve a epidemia
como um sistema de equações diferenciais que re-
laciona as parcelas da população contidas nas par-
celas S, I e R, de forma análoga à modelagem da
ação de massas. Esse modelo se aplica às doenças
infecciosas que podem se propagar diretamente de
qualquer indivı́duo infectado para qualquer indi-
vı́duo susceptı́vel, e que produzem imunidade nos
indivı́duos que se recuperam da doença. Outras
doenças que envolvem, por exemplo, transmissão
vertical, ou ainda as doenças sexualmente trans-
missı́veis, ou as doenças que se propagam atra-
vés de vetores, ou outras, podem ser modeladas
através da adaptação do modelo de compartimen-
tos, com a criação de um compartimento separado
para cada grupo relevante do processo epidêmico.
Tais modelos têm se mostrado úteis na análise de
polı́ticas de controle de epidemias, principalmente
no que diz respeito à análise de pontos de equi-
lı́brio endêmico. Essa análise permite determinar
se existe tal equilı́brio endêmico (isto é, se a do-
ença tende ou não a se erradicar após um surto
epidêmico) e, se houver, permite a determinação
do patamar endêmico. É possı́vel, a partir dessas
análises, programar ações de controle tais como
a vacinação, a quarentena, ou outras, de forma a
evitar a existência de situações endêmicas.
Os modelos compartimentais baseados em
equações diferenciais, tais como o SIR, se fun-
damentam na premissa de que a população seja
tão grande que os contatos aleatórios entre indivı́-
duos, quando agregados, façam o sistema conver-
gir para as proporções entre compartimentos pre-
vistas pelas equações diferenciais de variáveis con-
tı́nuas. Tal premissa é tão mais atendida quanto
maior for a população sob exame. À medida em
que se examinam populações menores, essa pre-
missa vai ficando cada vez menos sustentada, e
passa a haver um desvio cada vez mais considerá-
vel da situação empiricamente verificada em rela-
ção à previsão do modelo compartimental. Nes-
sas situações, determinadas previsões fornecidas
pelo modelo compartimental podem se tornar tão
discrepantes em relação à realidade que o modelo
deixa de ser útil. Para tratar de tais situações,
a tese (Nepomuceno, 2005) desenvolveu um mo-
delo de propagação de epidemias que se baseia
na modelagem de cada indivı́duo da população,
com o processamento estocástico dos contatos en-
tre indivı́duos – tal modelo foi denominado Mo-
delo Baseado em Indivı́duos, ou MBI. O MBI foi
construı́do de maneira a reproduzir exatamente
as premissas envolvidas na construção de um mo-
delo SIR, notadamente a premissa do princı́pio de
ação de massas. Dessa forma, foi assegurado que
o MBI convergisse para o SIR à medida em que o
tamanho da população considerada crescesse. O
modelo MBI assim construı́do tornou-se capaz de
produzir as análises do comportamento do sistema
epidêmico em pequenas populações, preservando
integralmente as demais premissas envolvidas no
modelo SIR.
Este artigo trata da utilização do modelo MBI
exatamente para a análise de uma das questões
sobre as quais o modelo SIR torna-se incapaz de
produzir análises significativas: a erradicação de
doenças em pequenas populações. Deve-se no-
tar que, a respeito dessa questão, o modelo SIR
e o modelo MBI podem produzir conclusões até
mesmo opostas: nos casos em que o modelo SIR
indicar que há a ocorrência de um patamar endê-
mico, e que a doença portanto não irá se extin-
guir naturalmente, o modelo MBI irá prever uma
flutuação estocástica ao redor de tal patamar en-
dêmico. Essa flutuação estocástica, à semelhança
de um processo de Markov, irá necessariamente
indicar que em algum momento a epidemia irá se
erradicar quando ocorrer a passagem por zero do
número de infectados. Em tais situações, cabe ex-
trair do modelo a informação a respeito do tempo
médio até a erradicação, assim como da variação
do tempo de erradicação ao redor desse tempo mé-
dio.
2 O modelo SIR
O modelo SIR é escrito como um sistema de
três equações diferenciais que descrevem as taxas
de variação dos compartimentos de Susceptı́veis,
Infectados e Recuperados:
dS
= −βSI + µ(S + R + I − S) − vS
dt
dI
= βSI − γI − µI (1)
dt
dR
= γI − µR + vS
dt
sendo: S = proporção de suceptı́veis; I = propor-
ção de infectados; R = proporção de recuperados;
β = taxa de infecção; γ = taxa de recuperação;
µ = taxa de mortalidade; v = taxa de vacina-
ção. Com uma população de tamanho constante,
a terceira equação é dispensável, já que a soma
de todos os conjuntos de indivı́duos deve ser cons-
tante:
dS
= −βSI + µ(1 − S) − vS
dt
(2)
dI
= βSI − γI − µI
dt
A vacinação é um dos principais mecanismos
através do qual pode ser realizada uma ação de
controle em processos epidêmicos. Para modelar o
processo de vacinação, um fator v é acrescentado
nas equações do sistema, o qual representa uma
proporção de indivı́duos passando diretamente do
estado de susceptı́vel para o estado de recuperado
(ou seja, imune). Esse fator representa o efeito
conjunto (i) da aplicação de vacinas em uma pro-
porção da população e (ii) da eficiência da vacina,
que gera imunidade em uma proporção dos indi-
vı́duos vacinados. Nos casos simulados neste tra-
balho, são estudados sistemas em que ocorre um
esforço constante de vacinação, que atinge uma
proporção fixa dos indivı́duos susceptı́veis da po-
pulação a cada intervalo de tempo.
As análises de epidemias baseadas no modelo
SIR comumente assumem que a erradicação surge
como um estado livre de infecção, que tem como
condição dinâmica necessária uma taxa da repro-
dução da doença(R0 ) menor que 1. Esta taxa
é, normalmente, representada pela razão entre a
taxa de transmissão da doença(β) e a soma das
taxas de mortalidade(µ) e recuperação(γ):
β
R0 = <1 (3)
γ+µ
Cabe ressaltar que a taxa de natalidade e mor-
talidade nesse modelo é a mesma, o que significa
que o tamanho da população é mantido constante
(para cada indivı́duo infectado que morre, nasce
um novo susceptı́vel). Esta expressão, contudo
pode ser encontrada com alguns termos diferen-
tes, uma vez que o modelo SIR permite alterações
que representem situações diversas. O importate
é notar que no numerador está presente a taxa
que representa o crescimento do número de infec-
tados e no denominador aquela que representa sua
diminuição.
Esse conceito foi utilizado em (Safan et al.,
2006) para a análise do esforço necessário para a
erradicação de uma epidemia. Ele também apa-
rece em estudos sobre a eficiência da vacinação,
como aqueles feitos em (Shulgin et al., 1998), em
(Stone et al., 2000), e em (D’Onofrio, 2002), ao
tratar de estratégias de vacinação por pulsos. Em
(Gomes et al., 2004), o critério de que a taxa bá-
sica de reprodução da doença seja menor que 1
é admitido como condição para erradicação, no
estudo modelos que evolvem condições de imu-
nidade parcial e/ou temporária e onde há possi-
bilidade de reinfeccção. Isto também é feito em
(Bouma, 2005).
O presente trabalho faz precisamente a re-
visão dessa premissa que é admitida pela maior
parte da literatura corrente. A questão da erradi-
cação de epidemias, mesmo em condições de taxa
básica de reprodução da doença maior que 1, é
tratada por meio de simulações de Monte Carlo,
considerando a variabilidade demográfica associ-
ada a pequenas populações. Isso é possibilitado
pelo modelo MBI, descrito a seguir.
3 O modelo MBI
A seguir são apresentadas algumas premis-
sas utilizadas para formulação do MBI empregado
neste estudo. Essas premissas são formuladas de
forma a coincidir com aquelas explicitadas para o
modelo SIR clássico, as quais se tornam um sub-
conjunto das premissas do modelo MBI. As pre-
missas são as seguintes (Nepomuceno, 2005; Ne-
pomuceno et al., 2006):
1. População constante. Como se deseja reali-
zar comparações com o modelo SIR utilizado
neste trabalho, optou-se por utilizar a popu-
lação constante de tamanho m.
2. Caracterı́sticas do indivı́duo. Um indivı́duo
é caracterizado por uma única caracterı́stica,
relacionada com o estado epidemiológico: 0
(suscetı́vel), 1 (infectado) e 2 (recuperado).
3. Mudança de categoria. Uma vez em uma
dessas categorias, o indivı́duo pode mudar
para uma outra categoria em cada instante
de tempo. As transições podem ocorrer de
uma das seguintes formas:
(a) 0,1,2 para 0. Isso significa que o indi-
vı́duo morreu e um outro nasceu (para
manter a população constante). Caso
o indivı́duo não morra, pode ocorrer a
transição do item (b) ou (c), descritas a
seguir.
(b) 0 para 1. Um indivı́duo suscetı́vel, ao
encontrar com um indivı́duo infectado,
adquire a doença e passa para a catego-
ria 1.
(c) 1 para 2. Um indivı́duo infectado
recupera-se e passa para a categoria 2.
4. Distribuição estatı́stica. Para a mortalidade
(e conseqüentemente nascimento) adotou-se
a distribuição exponencial. Essa distribuição
também foi utilizada para a transição de recu-
peração (Anderson e May, 1992). A distribui-
ção exponencial é expressa por m(x) = µe−µx
e r(x) = γe−γx para a mortalidade e recupe-
ração, respectivamente.
O modelo baseado em indivı́duos empregado
utiliza um vetor para representar a população, em
que cada elemento equivale a um indivı́duo. A mu-
dança de estado epidemiológico em qualquer indi-
vı́duo é chamada transição, por exemplo do estado
suceptı́vel para infectado, ou quando um indivı́-
duo morre, e é substituı́do por outro indivı́duo.
As probabilidades de ocorrência de transições são
determinadas por parâmetros do modelo: as taxas
de transmissão, de mortalidade e de recuperação.
Essas taxas são feitas iguais às do modelo SIR
para uma mesma doença. O modelo MBI assume
um tempo discreto – as transições são totalizadas
após intervalos de tempo pré determinados – desta
forma resultando em um modelo discreto. A cada
intervalo de tempo ocorrem encontros aleatórios
entre os indivı́duos. A taxa de transmissão β é
interpretada como o número médio de encontros
de cada indivı́duo no intervalo de tempo. A trans-
missão da doença ocorre sempre que um indivı́duo
infectado encontra um indivı́duo susceptı́vel. Em
cada iteração do modelo, o estado de cada indivı́-
duo é verificado e modificado de forma aleatória a
partir das probabilidades de transição, dadas pe-
las taxas µ, γ e v.
A população num determinado instante de
tempo t é representada por:
Pt = [I1,t I2,t I3,t ··· Im,t ], (4)
em que Ii,t representa o indivı́duo i no instante t
e Pt é um vetor de m elementos. Após k instan-
tes de tempo, a matriz P com dimensão k × m
irá conter a representação da evolução da epide-
mia na população, instante a instante. A figura
1 mostra diversas simulações de um modelo MBI,
superpostas a uma simulação do correspondente
modelo SIR, para uma população de 300 indivı́-
1 1
duos, no caso de um modelo com µ = 600 , γ = 30
3
e β = 10 .
 1 5 1
Sistema 3: µ = 600 , γ = 30 , β = 10 . Esse sis-
500 tema não apresenta patamar endêmico.
450
Cada um desses sistemas foi estudado com popu-
400
lações de 100, 200, 300, 400, 500, 600 e 700 indivı́-
350 duos. Em cada um deles, foi aplicada uma taxa de
vacinação nos patamares: v = 0, 0.005, 0.01, 0.02,
n° de indivíduos

300

250 0.04, 0.06, 0.08, 0.1, 0.13, 0.17, 0.2, 0.25, 0.3, 0.4,
200 0.5, 0.6, 0.7, 0.8, 0.9, 1.0. Para cada combinação
150 de parâmetros dinâmicos, tamanho de população
100 e taxa de vacinação, o MBI foi simulado 500 vezes,
50 sendo que cada execução foi terminada quando da
0
ocorrência da erradicação da doença.
0 100 200 300 400 500 600 700 800
tempo
Sobre esses dados, foram calculados os respec-
tivos valores do tempo de erradicação nos percen-
tis 0%, 10%, 20%, 50%, 80%, 90% e 100% (os
Figura 1: Simulações via MBI da propagação de uma
1 1 3 percentis designados por 0% e 100% correspon-
epidemia em que µ = 600 , γ = 30 e β = 10 , para
uma população de 700 indivı́duos, superpostas a uma
dem aos extremos mı́nimo e máximo verificados
simulação do correspondende modelo SIR (representado durante as simulações). Os resultados de algumas
em traço mais grosso). dessas simulações estão sintetizados nas figuras 2
a 5.

Esse modelo baseado em indivı́duos pode ser

modificado para assumir caracterı́sticas particu- 6
10

lares de determinadas doenças, como um certo

5

perı́odo de incubação ou indivı́duos assintomáti- 10

cos. Essas informaçãoes especı́ficas não neces- 4

Tempo de erradicação

10
sariamente garantiriam, no entanto, um modelo
mais preciso, conforme discutido em (Ferguson 3
10

et al., 2003).
2
Deve-se notar que o MBI possui uma execução 10

de maior custo que o SIR, em termos computaci- 1

onais. À medida em que a população aumenta, o 10

tempo de simulação aumenta de acordo com o au- 0

10 0 10 20 30 40 50 60 70 80 90 100
mento do número de possı́veis contatos entre indi- Índice de vacinação

vı́duos. Se o número de indivı́duos é m, o número

de possı́veis contatos no sistema é dado por:
Figura 2: Tempos para erradicação no caso do Sis-
tema 1, com população de 300 indivı́duos. As curvas, de
nc = 1 + 2 + . . . + (m − 1). (5) baixo para cima, representam respectivamente os per-
centis p = 0%, 10%, 20%, 50%, 80%, 90%, 100%. O
Dessa forma, o modelo MBI não é prático para eixo horizontal corresponde ao ı́ndice de vacinação v, e
substituir o modelo SIR no caso de grandes popu- o eixo vertical corresponde ao valor (de cada percentil)
lações. O critério para a escolha entre o modelo do tempo de erradicação da doença.
SIR e o MBI deve ser, portanto o de verificar se
o erro entre ambos modelos é suficientemente pe- É interessante notar que a vacinação, mesmo
queno para permitir a adoção do SIR. em taxas tão reduzidas quanto 0,5%, possibilita
uma erradicação significativamente mais rápida de
4 Análise do Tempo de Erradicação uma doença. Este efeito é particularmente im-
portante para populações maiores, e para o caso
Uma bateria de testes foi conduzida, para es- de doenças que apresentassem patamar endêmico.
tudar a questão do tempo de erradicação de doen- É possı́vel ainda verificar um efeito de saturação:
ças. Foram estudados sistemas com três conjuntos vacinações acima de um certo patamar têm pouco
de parâmetros dinâmicos: efeito adicional, no que diz respeito a reduzir adi-
cionalmente o tempo de erradicação. Tal patamar
Sistema 1: µ = 600 1
, γ = 301 3
, β = 10 . Esse sis- corresponde aproximadamente ao patamar crı́tico
tema possui patamar endêmico cuja propor- no qual o modelo SIR iria prever a erradicação da
ção de infectados é pi = 4, 26%; doença. Nesse caso, tal erradicação ocorre predo-
minantemente devido à dinâmica determinı́stica
1 2 2
Sistema 2: µ = 600 , γ = 30 , β = 10 . Esse sis- do sistema, e não em função do efeito de esto-
tema possui patamar endêmico cuja propor- casticidade relacionado ao pequeno tamanho da
ção de infectados é pi = 1, 65%; população.
 6 6
10 10

5 5
10 10

4 4
Tempo de erradicação

Tempo de erradicação
10 10

3 3
10 10

2 2
10 10

1 1
10 10

0 0
10 0 10 20 30 40 50 60 70 80 90 100 10 0 10 20 30 40 50 60 70 80 90 100
Índice de vacinação Índice de vacinação

Figura 3: Tempos para erradicação no caso do Sis-
tema 1, com população de 700 indivı́duos. As curvas, de
baixo para cima, representam respectivamente os per-
centis p = 0%, 10%, 20%, 50%, 80%, 90%, 100%. O
eixo horizontal corresponde ao ı́ndice de vacinação v, e
o eixo vertical corresponde ao valor (de cada percentil)
do tempo de erradicação da doença.
Figura 5: Tempos para erradicação no caso do Sis-
tema 3, com população de 700 indivı́duos. As curvas, de
baixo para cima, representam respectivamente os per-
centis p = 0%, 10%, 20%, 50%, 80%, 90%, 100%. O
eixo horizontal corresponde ao ı́ndice de vacinação v, e
o eixo vertical corresponde ao valor (de cada percentil)
do tempo de erradicação da doença.

6
10

5
10
5
10

4
4 10
Tempo de erradicação

10
Tempo médio de erradicação

3 3
10 10

2
10 2
10

1
10
1
10

0
10 0 10 20 30 40 50 60 70 80 90 100
Índice de vacinação 0
10 100 200 300 400 500 600 700
Tamanho da população

Figura 4: Tempos para erradicação no caso do Sis-

tema 3, com população de 300 indivı́duos. As curvas, de
baixo para cima, representam respectivamente os per-
centis p = 0%, 10%, 20%, 50%, 80%, 90%, 100%. O
eixo horizontal corresponde ao ı́ndice de vacinação v, e
o eixo vertical corresponde ao valor (de cada percentil)
do tempo de erradicação da doença.
Figura 6: Tempos médios para erradicação no caso
do Sistema 1, com populações de 100, 300 e 700 in-
divı́duos. As curvas, de cima para baixo, represen-
tam respectivamente os ı́ndices de vacinação de v =
[0, 0.005, 0.01, 0.03, 0.06, 0.1, 0.2, 0.4, 1.0].

As figuras 6 a 8 mostram o tempo médio de

erradicação da doença versus o tamanho da popu-
lação, para diversos patamares de vacinação.
Em particular a figura 7 estuda o caso de uma
doença mais difı́cil de erradicar que os outros dois.
A figura deixa claro, nesta situação, o crescimento
exponencial do tempo médio de erradicação da do-
ença com o crescimento do tamanho da popula-
ção. Esses dados têm importantes consequências
no contexto, por exemplo, de saúde animal: fica
claro aqui o efeito de se reduzir a dimensão dos
rebanhos animais, de forma a evitar a persistên-
cia de doenças infecciosas no rebanho. Análises
como a desta figura podem ser úteis para permitir
o dimensionamento desses rebanhos.
A figura 7, por outro lado, mostra uma si-
tuação em que o patamar endêmico já seria tão
baixo que a erradicação iria ocorrer de qualquer
forma, pelo mero efeito de estocasticidade, sendo
que neste caso o aumento do tamanho da popu-
lação, na faixa considerada aqui, afeta pouco tal
erradicação estocástica. Já a figura 8 mostra a si-
tuação em que o próprio modelo SIR já iria prever
a erradicação. Como seria de se esperar, tanto a
vacinação quanto o tamanho da população têm
pouca influência sobre o tempo de erradicação,
neste caso.
 Pode-se vislumbrar a aplicabilidade dos estu-
10
5 dos aqui descritos principalmente no contexto da
saúde animal, permitindo o dimensionamento de
4 rebanhos de forma a que o tamanho das popula-
10
ções seja também uma variável de controle sobre
Tempo médio de erradicação

3
a propagação de epidemias.
10

2
Agradecimentos: Os autores agradecem o apoio finan-
10
ceiro recebido do CNPq.

1
10
Referências
0
10 100 200 300 400 500 600 700 Anderson, R. M. e May, R. M. (1992). Infectious
Tamanho da população
Diseases of Humans: Dynamics and Control,
Oxford: Oxford University Press.
Figura 7: Tempos médios para erradicação no caso
do Sistema 2, com populações de 100, 300 e 700 in- Bouma, A. (2005). Determination of the effective-
divı́duos. As curvas, de cima para baixo, represen- ness of Pseudorabies marker vaccines in expe-
tam respectivamente os ı́ndices de vacinação de v = riments and field trials, Biologicals 33: 241–
[0, 0.005, 0.01, 0.03, 0.06, 0.1, 0.2, 0.4, 1.0]. 245.
D’Onofrio, A. (2002). Pulse vaccination strategy
in the SIR epidemic model: global asympto-
10
5
tic stable eradication in presence of vaccine
failures, Mathematical and Computer Model-
10
4
ling 36: 473–489.
Tempo médio de erradicação

3
Ferguson, N. M., Keellng, M. J., Edmunds, W. J.,
10
Ganl, R., Grenfell, B. T., Anderson, R. M.
e Leach, S. (2003). Planning for smallpox
2
10
outbreaks, Nature 425: 681–685.

10
1 Gomes, M. G. M., White, L. J. e Medley, G. F.
0
10 100 200 300
Tamanho da população
Figura 8: Tempos médios para erradicação no caso
do Sistema 3, com populações de 100, 300 e 700 in-
divı́duos. As curvas, de cima para baixo, represen-
tam respectivamente os ı́ndices de vacinação de v =
[0, 0.005, 0.01, 0.03, 0.06, 0.1, 0.2, 0.4, 1.0].
5 Conclusões
Este trabalho apresentou o estudo da erra-
dicação de epidemias feito através da simulação
de Monte Carlo de um Modelo Baseado em In-
divı́duos (MBI). O MBI permite levar em consi-
deração o efeito de estocasticidade associado às
pequenas populações, que não é levado em conta
nos tradicionais modelos compartimentais basea-
dos em equações diferenciais.
Nos casos de doenças cujas taxas básicas de
reprodução, R0 , são maiores que um, o modelo
SIR é incapaz de produzir qualquer informação re-
levante a respeito dos tempos de erradicação. Para
estes casos, a metodologia aqui proposta é capaz
de produzir estimativas dos tempos de erradica-
ção relacionadas com o mecanismo de flutuação
estocástica do número de infectados.
(2004). Infection, reinfection and vaccination
under suboptimal immune protection: epide-
400 500 600 700
miological perspectives, Journal of Theoreti-
cal Biology 228: 539–549.
Nepomuceno, E. G. (2005). Dinâmica, Modelagem
e controle de epidemias, PhD thesis, Univer-
sidade Federal de Minas Gerais (UFMG).
Nepomuceno, E. G., Aguirre, L. A., Takahashi,
R. H. C., Lamperti, R. D. e Alvarenga, L. R.
(2006). Modelagem de sistemas epidemioló-
gicos por meio de modelos baseados em in-
divı́duos, Anais do XVI Congresso Brasileiro
de Automática .
Safan, M., Heesterbeeck, H. e Dietz, K. (2006).
The minimum effort required to eradicate in-
fections in models with backward bifurcation,
Journal of Mathematical Biology 53: 703–
718.
Shulgin, B., Stone, L. e Agur, Z. (1998). Pulse vac-
cination strategy in the SIR epidemic model,
Bulletin of Mathematical Biology 60: 1123–
1148.
Stone, L., Shulgin, B. e Agur, Z. (2000). Theo-
retical examination of the pulse vaccination
policy in the SIR epidemic model, Mathema-
tical and Computer Modelling 31: 207–215.