Cómo estudiar, suspender y optimizar la propagación de infecciones epidémicas. El método dinámico de Monte Carlo

Autores/as

  • Gennadiy Burlak Centro de Investigación en Ingeniería y Ciencias Aplicadas, Universidad Autónoma del Estado de Morelos Av. Universidad 1001, Col. Chamilpa, C.P. 62210, Cuernavaca, Morelos, México

DOI:

https://doi.org/10.30973/progmat/2020.12.3/1

Palabras clave:

optimización, infecciones epidémicas, Monte Carlo dinámico, simulaciones numéricas

Resumen

Estudiamos una dinámica de la propagación de la infección epidemiológica a diferentes valores del factor de riesgo β (un parámetro de control) con el uso del enfoque dinámico de Monte Carlo (DMC). En nuestro modelo de juguete, la infección se transmite debido a los contactos de individuos que se mueven al azar. Mostramos que el comportamiento de los individuos recuperados depende críticamente del valor de β. Para valores subcríticos β <βc ~ 0,6, el número de casos infectados converge asintóticamente a cero, de modo que para un factor de riesgo moderado la infección puede desaparecer con el tiempo. Nuestras simulaciones mostraron que, con el tiempo, las propiedades de dicho sistema se acercan asintóticamente a la transición crítica en el sistema de percolación 2D. También analizamos un sistema extendido, que incluye dos parámetros adicionales: los límites de activación / desactivación del estado de cuarentena. Se encuentra que la cuarentena temprana da como resultado la dinámica oscilatoria irregular (con exponente de Lyapunov positivo) de la infección. Si el límite inferior de la cuarentena es lo suficientemente pequeño, la dinámica de recuperación adquiere una forma característica no monótona con varios picos amortiguados. También se estudia la dinámica de la propagación de la infección en el caso de los individuos con inmunidad.

Biografía del autor/a

Gennadiy Burlak, Centro de Investigación en Ingeniería y Ciencias Aplicadas, Universidad Autónoma del Estado de Morelos Av. Universidad 1001, Col. Chamilpa, C.P. 62210, Cuernavaca, Morelos, México

El Dr. Gennadiy Burlak ha trabajado como catedrático en la Universidad Nacional de Kiev, en el Departamento de Física Teórica. Tiene los grados de doctor en: Ph. D. y D. of Sc. Desde 1998 es Profesor-Investigador Titular “C” del Centro de Investigaciones en Ingeniería y Ciencias Aplicadas (CIICAp) de la Universidad Autónoma del Estado de Morelos (UAEM). Es miembro del SNI desde 2000 y actualmente tiene el nivel III. El Dr. Burlak es autor y coautor de 14 libros y capítulos de libros y más de 160 artículos en revistas internacionales. Ha participado en más de 170 ponencias en Congresos Nacionales e Internacionales. Bajo de su dirección se han graduado: 16 tesis de doctorado, maestría y licenciatura. Ha impartido cursos de electromagnetismo, ecuaciones derivadas parciales y métodos numéricos en el posgrado y licenciatura del CIICAp de la UAEM. Es miembro de la Academia de Ciencias de Morelos (ACMOR) de American Physical Society. Se ha desempeñado como evaluador, árbitro del CONACyT y como referí de varias revistas internacionales como lo son: Phys.Rev.Lett., Chaos, JVSTA, MMA,PIER, entre otros. Sus temas principales de investigación son: - Micro-esféricas multicapas, -Optimización de radiación óptica en nanoestructuras, - Dinámica no-lineal del Bose-Einstein condénsate, - Aplicaciones de redes neuronales en física cuántica y transición de fases en sistemas sólidos.

Citas

Corey, L., Mascola, J. R., Fauci, A. S., Collins, F. S. A strategic approach to COVID-19 vaccine R&D. Science. 20020, 368(6494), 948-950. https://doi.org/10.1126/science.abc5312

Coronavirus research updates: Potent human antibodies could inspire a vaccine, [En línea]. Available: https:// www.nature.com/articles/d41586-020-00502-w.

Choisy, M., Guégan, J. F., Rohani, P. Mathematical modeling of infectious diseases dynamics. Encyclopedia of infectious diseases: modern methodologies, John Wiley & Sons, 2007, 379-404. https://doi.org/10.4161/viru.24041

Barmparis, G. D., Tsironis, G. P. Estimating the infection horizon of COVID-19 in eight countries with a datadriven approach. Chaos, Solitons & Fractal. 2020, 135, 109842. https://doi.org/10.1016/j.chaos.2020.109842

E. B. Postnikov. Estimation of COVID-19 dynamics “on a back-of-envelope”: Does the simplest SIR model provide quantitative parameters and predictions?. Chaos, Solitons & Fractals, vol. 135, p. 109841, 2020. https://doi.org/10.1016/j.chaos.2020.109841

Ndairou, F., Area, I., Nieto, J. J., Torres, D. F. Mathematical modeling of COVID-19 transmission dynamics with a case study of Wuhan. Chaos, Solitons & Fractals. 2020, 135, 109846. https://doi.org/10.1016/j.chaos.2020.109846

Vicsek, T., Czirók, A., Ben-Jacob, E., Cohen, I., Shochet, O. Novel type of phase transition in a system of self-driven particles. Physical review letter. 1995, 75(6), 1226. https://doi.org/10.1103/PhysRevLett.75.1226

Solon, A. P., Chaté, H., Tailleur, J. From phase to microphase separation in flocking models: The essential role of nonequilibrium fluctuations. Physical review letters. 2015, 114(6), 068101. https://doi.org/10.1103/PhysRevLett.114.068101

Solon, A. P., Tailleur, J. Flocking with discrete symmetry: The two-dimensional active Ising model. Physical Review E. 2015, 92(4), 042119. https://doi.org/10.1103/PhysRevE.92.042119

Press, W. H., Teukovsky, S. A., Vetterling, W. T., Flannery, B. P. Numerical recipes in C++. Cambridge: Cambridge University Press, 2002.

G. Grimmett. Percolation, second edition. Verlag: Springer, 1999.

M. B. Isichenko. Percolation, statistical topography, and transport in random media. Reviews of modern physics. 1992, 64(4), 961. https://doi.org/10.1103/RevModPhys.64.961

Stauffer, D., Aharony, A. Introduction to percolation theory. CRC press. 2018.

Burlak, G., Vlasova, M., Aguilar, P. M., Kakazey, M., XixitlaCheron, L. Optical percolation in ceramics assisted by porous clusters. Optics communications. 2009, 282(14), 2850-2856. https://doi.org/10.1016/j.optcom.2009.04.030

Burlak, G., Rubo, Y. G. Mirrorless lasing from light emitters in percolating clusters. Physical Review. 2015, 92(1), 013812. https://doi.org/10.1103/PhysRevA.92.013812

Wolf, A., Swift, J. B., Swinney, H. L., Vastano, J. A. Determining Lyapunov exponents from a time series. Physica D: Nonlinear Phenomena. 1985, 16(3), 285-317. https://doi.org/10.1016/0167-2789(85)90011-9

Chandrashekar, A., Liu, J., Martinot, A. J., McMahan, K., Mercado, N. B., Peter, L., ... Busman-Sahay, K. SARSCoV-2 infection protects against rechallenge in rhesus macaques. Science. 2020, 369, 812-817.

Descargas

Publicado

30-10-2020

Cómo citar

Burlak, G. (2020). Cómo estudiar, suspender y optimizar la propagación de infecciones epidémicas. El método dinámico de Monte Carlo. Programación matemática Y Software, 12(3), 1–8. https://doi.org/10.30973/progmat/2020.12.3/1

Número

Sección

Artículos

Artículos más leídos del mismo autor/a

1 2 3 > >>