Modelagem Epidemiol´
ogica Fuzzy
Anna L´ıgia Oenning Soares
Universidade Federal de Mato Grosso
Av. Fernando Corrˆea da Costa, no 2367, Boa Esperan¸ca 78060-900, Cuiab´a, MT
E-mail: ligiaoenning@hotmail.com and Rodney Carlos Bassanezi
Univeridade Federal do ABC Av. dos Estados, no5001, Bangu
09210-580, Santo Andr´e, SP E-mail: rodney@ime.unicamp.br
Abstract. Utilizamos a teoria fuzzy de duas maneiras distintas (Sis-tema p-fuzzy e Extens˜ao de Zadeh) para a modelagem de sistemas epi-demiol´ogicos como alternativa para a modelagem dos sistemas cl´assicos. A subjetividade foi incorporada nos modelos na condi¸c˜ao inicial dos in-div´ıduos infecciosos e na taxa da infec¸c˜ao considerando-as um conjunto fuzzy, cuja solu¸c˜oes foram obtidas pelo Princ´ıpio de Extens˜ao de Zadeh. Atrav´es do sistema p-fuzzy discreto obtemos as solu¸c˜oes dos modelos cl´assicos onde as varia¸c˜oes das entradas foram obtidas por meio de um controlador fuzzy.
Palavras-chave: Modelagem Epidemiol´ogica, sistema p-fuzzy, Extens˜ao de Zadeh.
1
Introdu¸
c˜
ao
Os modelos determin´ısticos epidemiol´ogicos tem como caracter´ıstica a precis˜ao obtida das solu¸c˜oes, que por sua vez dependem de informa¸c˜oes precisas que s˜ao inseridas na forma de m´edia dos parˆametros, tornando menor a chance de acerto da previs˜ao, al´em disso, neste modelos ´e considerado que os indiv´ıduos infecciosos est˜ao distribu´ıdos homogeneamente em toda popula¸c˜ao, tˆem a mesma chance de transmitir a doen¸ca e as condi¸c˜oes iniciais s˜ao valores precisos, por´em ´e bem razo´avel esperar o contr´ario, isto ´e, que os indiv´ıduos infecciosos possuam grau de infecciosidade diferentes e que os valores das condi¸c˜oes iniciais sejam valores aproximados.
Em busca de incorporar diferentes graus de infecciosidade no modelo SI, Barros e Bassanezi (2006) consideraram que o coeficiente de transmiss˜ao da doen¸ca dependia da carga viral do indiv´ıduo, interpretando-a como uma fun¸c˜ao
pertinˆencia de algum subconjunto fuzzy e utilizaram a esperan¸ca fuzzy como deffuzificador da solu¸c˜ao do modelo. Mais recentemente Cecconello (2010) anal-isa os pontos de equil´ıbrio do modelo SI e a estabilidade das solu¸c˜oes do modelo SIR, onde s˜ao consideradas incertezas sobre as quantidades de suscet´ıveis e in-fecciosos.
Neste trabalho vamos analisar o comportamento da solu¸c˜ao fuzzy de mode-los epidemiol´ogicos SI e SIR considerando incertezas fuzzy tanto nas condi¸c˜oes iniciais quanto no parˆametro β, que representa a taxa de transmiss˜ao da doen¸ca infecciosa. Al´em disso, faremos uma abordagem sobre a transmiss˜ao de doen¸cas infecciosas utilizando sistemas p-fuzzy.
2
Desenvolvimento
2.1 Modelo SI
A dinˆamica do modelo SI consiste em analisar somente os indiv´ıduos infecta-dos, pois ele n˜ao nos fornece a recupera¸c˜ao dos infecciosos, assim quando um indiv´ıduo suscet´ıvel adquire a doen¸ca, o mesmo n˜ao volta a pertencer a classe dos suscet´ıveis. Neste caso a classe dos recuperados est´a imbutido na classe dos infectados.
A gripe ´e uma doen¸ca que pode ser modelada por SI, pois quando adquirimos uma gripe n˜ao ´e poss´ıvel sermos infectados novamente pelo mesmo v´ırus.
Este modelo, sem dinˆamica vital, ´e o mais simples dos modelos epidemiol´ogicos e pode ser descrito pelo sistema de duas equa¸c˜oes diferenciais ordin´arias n˜ao lin-eares, dS dt = −βSI, S(0) = S0, dI dt = βSI, I(0) = I0, (1)
Como a popula¸c˜ao total N (t) = S(t) + I(t) ´e constante, pois dNdt = 0, as-sumiremos a equa¸c˜ao na forma normal, isto ´e, N (t) = 1, para todo t ≥ 0. Assim S e I s˜ao entendidos como propor¸c˜oes de indiv´ıduos suscet´ıveis e infectados, respectivamente, podemos escrever,
S(t) = 1 − I(t) ∀t. (2)
Substituindo a equa¸c˜ao (2) na segunda equa¸c˜ao do sistema (1) obtemos, dI
O sistema formado pelas equa¸c˜oes (2) e (3) ´e equivalente ao sistema (1). O maior interesse em estudos epidemimiologicos ´e saber a quantidade de pes-soas que est˜ao infectadas em um determinado tempo, por isso faremos o estudo do PVI,
dI
dt = β(1 − I)I, I(0) = I0. (4)
Temos que a solu¸c˜ao (4) ´e dada por,
It(I0) =
I0eβt
S0+ I0eβt
(5)
Princ´ıpio de Extens˜ao de Zadeh Em uma epidemia ´e comum esperar que a taxa de transmiss˜ao da doen¸ca seja vari´avel com o tempo e tamb´em que ´e prati-camente imposs´ıvel determinar a quantidade de infectados no in´ıcio da epidemia. Tentando levar essas considera¸c˜oes para o modelo epidemiol´ogico SI, consider-aremos que tanto a taxa de transmiss˜ao quanto o n´umero inicial de infectados s˜ao n´umeros fuzzy e utilizaremos o princ´ıpio de extens˜ao de Zadeh para resolvˆe-los e para isso apresentaremos algumas defini¸c˜oes sobre a teoria de conjunto fuzzy.
Defini¸c˜ao 21 Seja X um conjunto n˜ao vazio. Um subconjunto fuzzy A de X ´e um subconjunto {(x, µA(x)) : x ∈ X} n˜ao vazio de X × [0, 1] para alguma fun¸c˜ao
µA: X → [0, 1]
A fun¸c˜ao µA: X → [0, 1], denominada fun¸c˜ao pertinˆencia de A, associa para
cada x ∈ X o grau de pertinˆencia µA(x) de x em A.
Defini¸c˜ao 22 (Princ´ıpio de Extens˜ao de Zadeh): Sejam f : X → Y uma aplica¸c˜ao e A um subconjunto f uzzy de X. A extens˜ao de Zadeh de f ´e a fun¸c˜ao ˆf que, aplicada a A, fornece o subconjunto fuzzy ˆf (A) de Y , cuja fun¸c˜ao pertinˆencia ´e dada por
µf (A)ˆ (y) = sup {x:f (x)=y} µA(x) se {x : f (x) = y} 6= ∅, 0 se {x : f (x) = y} = ∅.
Defini¸c˜ao 23 (n´ıvel): Seja A um subconjunto fuzzy de X e α ∈ [0, 1]. O α-n´ıvel de A ´e o subconjunto cl´assico de X definido por
[A]α= {x ∈ X : µA(x) ≥ α} 0 < α ≤ 1. (6)
O n´ıvel zero de um subconjunto fuzzy A ´e definido como sendo o menor subconjunto (cl´assico) fechado de X que cont´em o conjunto suporte de A1.
1 O conjunto suporte de A ´e um subconjunto cl´assico de X e ´e definido por suppA =
Defini¸c˜ao 24 (N´umero fuzzy): Um subconjunto fuzzy A ´e chamado de n´umero fuzzy quando o conjunto universo no qual µA est´a definida, ´e o conjunto dos
n´umeros reais R e satisfaz `as condi¸c˜oes:
(i) todos os α-n´ıveis de A s˜ao n˜ao vazios, com 0 ≤ α ≤ 1; (ii) todos os α-n´ıveis de A s˜ao intervalos fechados de R; (iii) suppA = {x ∈ R : µA(x) > 0} ´e limitado.
Iremos denotar os α-n´ıveis do n´umero fuzzy A por [A]α= [aα 1, aα2].
Defini¸c˜ao 25 (N´umero Triangular fuzzy): Um n´umero fuzzy A ´e dito triangu-lar se sua fun¸c˜ao de pertinˆencia ´e da forma
ϕA(x) = 0 se x ≤ a x − a u − a se a < x ≤ u x − b u − b se u ≤ x < b 0 se x ≥ b.
Denotaremos um n´umero fuzzy triangular pelo terno (a; u; b).
O problema de valor inicial fuzzy autonˆomo quando o valor inicial ´e um n´umero fuzzy ´e dado por
dx dt = f (x(t)) x(a) = u0∈ F (R) (7)
onde f : [a, b] → R ´e cont´ınua e F(R) ´e a fam´ılia dos n´umeros fuzzy.
Supondo que para cada condi¸c˜ao x0∈ R o problema do valor determin´ıstico
dx dt = f (x(t)) x(a) = x0 (8)
admita solu¸c˜ao ´unica ϕtent˜ao, para cada t, a solu¸c˜ao fuzzy ψtde (7) ´e definida
como a extens˜ao de Zadeh da solu¸c˜ao determin´ıstica ϕt. Isto ´e, se u0 ∈ F (R)
ent˜ao
ψt(u0) = ˆϕ(u0).
Como ϕt´e cont´ınua em rela¸c˜ao a condi¸c˜ao inicial, temos que
[ψt(u0)]α= [ ˆϕt(u0)]α= ϕt([u0]α) = ϕt([uα01, u α 02]).
Desta forma temos que o PVI fuzzy de (4), quando I(0) ´e fuzzy ´e formalmente dado por dI dt = β(1 − I)I I(0) = Iˆ0 (9) onde ˆI0∈ F (R).
Como para cada I0∈ R∗+ o PVI (4) admite solu¸c˜ao ´unica It(I0), ent˜ao para
cada t, a solu¸c˜ao fuzzy de (9) ser´a a extens˜ao de Zadeh com rela¸c˜ao a condi¸c˜ao incial da solu¸c˜ao determin´ıstica de (4) dada por,
ˆ It( ˆI0) = ˆ I0eβt S0+ ˆI0eβt . (10)
Onde S0na equa¸c˜ao (10) ´e visto como um subconjunto crisp de R, isto ´e, S0
´
e um subconjunto fuzzy de R com fun¸c˜ao de pertinˆencia dada por,
χ{S0}(x) =
1 se x ∈ S0,
0 se x /∈ S0
(11) A fun¸c˜ao de pertinˆencia definida em (11) ´e denominada fun¸c˜ao caracter´ıstica de S0.
As opera¸c˜oes aritm´eticas com n´umero fuzzy podem ser vista em [1]. Como It´e cont´ınua e mon´otona crescente para todo I0> 0 temos que
[ ˆIt( ˆI0)]α= It([ ˆI0]α) = It([ ˆI01α, ˆI α
02]) = [It(I01α), It(I02α)]. (12)
Portanto para cada t fixo, n˜ao temos mais um n´umero real representando a quantidade de infectados, mas sim um intervalo de valores representando limites inferior e superior da quantidade de infectados, sendo que cada n´umero real deste intervalo possui um grau de confiabilidade atrav´es da fun¸c˜ao de pertinˆencia de ˆI0.
Agora veremos a estabilidade de um PVI fuzzy autonˆomo quando a condi¸c˜ao inicial ´e um n´umero fuzzy, esses resultados podem ser encontrados em Mizukoshi (2004).
Defini¸c˜ao 26 : Dizemos que um n´umero fuzzy ¯x ∈ F (R) ´e um ponto de equil´ıbrio fuzzy de (7) se
ˆ
ϕt(¯x) = ¯x, para todo t ≥ a.
Defini¸c˜ao 27 Seja U ⊂ Rn aberto e x
0∈ U . Dizemos que ˆϕt: F (U ) → F (U ),
t ∈ R+, ´e uma solu¸c˜ao fuzzy para a Equa¸c˜ao (13) quando ˆϕt(χ{x0}) = χ{ϕt(x0)},
onde ϕt: U → U ´e solu¸c˜ao da equa¸c˜ao autˆonoma
dx
Proposi¸c˜ao 21 : Seja xe∈ R. Ent˜ao xe´e um ponto de equil´ıbrio para ϕtobtida
de (8) se, e somente se, χ{xe} ´e um ponto de equil´ıbrio para ˆϕt
Teorema 21 : Sejam xe ∈ [a, b] um ponto de equil´ıbrio para (8) e ˆϕt o fluxo
fuzzy associado ao fluxo determin´ıstico ϕt. Ent˜ao valem as seguintes afirma¸c˜oes:
i) xe´e est´avel para ϕt se, e somente se, χ{xe} ´e est´avel para ˆϕt;
ii) xe ´e assintoticamente est´avel para ϕt se, e somente, se χ{xe} ´e
assintotica-mente est´avel para ˆϕt
Como os pontos de equil´ıbrio de (4) s˜ao I = 0 e I = 1 e o fluxo determin´ıstico It(I0) → 1 quando t → ∞, segue que os pontos de equil´ıbrio fuzzy de (9) s˜ao
χ{0} e χ{1} e a solu¸c˜ao fuzzy ˆIt( ˆI0) → χ{1} quando t → ∞.
Agora iremos contruir a solu¸c˜ao fuzzy de (9) atrav´es do software Matlab e consideraremos ˆI0um n´umero triangular fuzzy.
Fig. 1. Fluxo fuzzy ˆϕt( ˆI0) quando ˆI0= (0.1, 0.2, 0.3) e β = 0.5
Temos que I0 = 0.2 possui grau de pertinˆencia 1 e o gr´afico de sua solu¸c˜ao
determin´ıstica ´e o mais escuro, conforme os valores de I0 v˜ao se distanciando de
0.2 o grau de pertinˆencia das solu¸c˜oes destes valores v˜ao diminuindo, este fato ´e representado pelo clareamento do gr´afico de solu¸c˜ao de ˆϕt( ˆI0).
Agora iremos aplicar a subjetividade no coeficiente de transmiss˜ao da doen¸ca β, considerando-o um n´umero triangular fuzzy.
Comecemos considerando o PVI ampliado de (4), dI dt = β(1 − I)I, I(0) = I0, ∈ R dβ dt = 0, β(0) = β, (14)
Temos que a solu¸c˜ao do PVI (14) ´e dada por ϕt(I0, β) = I0eβt S0+ I0eβt , β . O problema de valor inicial fuzzy autonˆomo quando somente algum parˆametro (β) ´e um n´umero fuzzy ´e dado por
dx dt = f (x(t), β) x(0) = x0∈ R dβ dt = 0 β(0) = ˆβ ∈ F (R) (15)
Assim o parˆametro ´e visto como uma vari´avel no modelo determin´ıstico e o par (x0, β) como condi¸c˜ao inicial.
Desta forma, o PVI fuzzy de (14), quando somente o parˆametro β ´e um n´umero fuzzy, toma a forma:
dI dt = β(1 − I)I, I(0) = I0∈ R dβ dt = 0, β(0) = ˆβ (16)
Como para cada (I0, β) ∈ R2 o PVI (14) admite solu¸c˜ao ´unica ϕt(I0, β),
ent˜ao para cada t, a solu¸c˜ao fuzzy de (16) ´e dado pela extens˜ao de Zadeh com rela¸c˜ao ao parˆametro β da solu¸c˜ao determin´ıstica de (14), isto ´e,
ˆ
ϕt: F (R2) → F (R2)
( ˆI0, ˆβ) → ˆϕt( ˆI0, ˆβ)
(17)
onde ˆI0 ´e um subconjunto crisp de R.
Como [β]α= [β1α, β2α] temos que,
[ ˆϕt( ˆβ, ˆI0)]α= ϕt([β]α, ˆI0)
Tanto a proposi¸c˜ao 2.1 quanto o teorema 2.1 podem ser estendidos para os respectivos PVI’s (14) e (16), para um formalismo matem´atico desses resultados consultar Misukoshi(2004).
Os pontos de equil´ıbrio do PVI (14) s˜ao (1, β) e (0, β), como ϕt(I0, β) → (1, β)
quando t → ∞ temos que os pontos de equil´ıbrio do PVI (16) s˜ao χ(1,β)e χ(0,β)
e ˆϕt( ˆI0, ˆβ) → χ(1,β) quando t → ∞.
O gr´afico da proje¸c˜ao ˆϕt( ˆβ) tamb´em constru´ıdo no software Matlab, onde ˆβ
´
Fig. 2. Proje¸c˜ao ˆϕt( ˆβ) quando ˆβ = (0.3, 0.4, 0.5) e I0= 0.1
Para cada t ≥ 0 temos um intevalo representando a quantidade de infectados naquele instante sendo que cada valor deste intervalo possui seu grau de confia-bilidade atrav´es do n´umero trianguar ˆβ.
Sistema p-fuzzy : Base de Regras Um sistema p-fuzzy ´e um sistema dinˆamico discreto que tem a forma,
xt+1= F (xt)
x(0) = x(t0)
(18) onde F : Rn → Rn ´e dada por F (x
k) = xk+ ∆(xk) e ∆(xk) ´e obtida por um
sistema baseado em regras fuzzy.
Para melhor compreens˜ao sobre sistemas dinˆamicos p-fuzzy o leitor deve con-sultar [6].
Atrav´es de um sitema p-fuzzy discreto podemos estimar as solu¸c˜oes dos mod-elos epidemiol´ogicos cl´assicos, sem precisar utilizar de ferramentas matem´aticas sofisticadas e nem realizar c´alculos ma¸cantes e exaustivos.
No modelo SI temos que a entrada ´e a popula¸c˜ao de infectados (I) e a sa´ıda ´
e a varia¸c˜ao da popula¸c˜ao de infectados (∆I), a figura 3 representa a fun¸c˜ao pertinˆencia de ∆I:
A base de regras utilizada deve ser coerente com o modelo SI, onde a principal suposi¸c˜ao ´e que, em cada instante t, a taxa crescimento de infectados ´e direta-mente proporcional `a popula¸c˜ao de infectados, por´em para valores “grandes” de
Fig. 3. Fun¸c˜ao pertinˆencia da varia¸c˜ao da popula¸c˜ao de infectados
I a taxa de crescimento sofre uma penaliza¸c˜ao. Desta forma, a base de regras ser´a dada por:
R1: Se I ´e B ent˜ao ∆I ´e M R2: Se I ´e M ent˜ao ∆I ´e A R3: Se I ´e A ent˜ao ∆I ´e B R4: Se I ´e AT ent˜ao ∆I ´e N
Table 1. Base de regras para modular a varia¸c˜ao da popula¸c˜ao de infectados
onde B, M, A, AT e N s˜ao as qualifica¸c˜oes das vari´aveis lingu´ısticas que sig-nificam, respectivamente, baixa, m´edia, alta, alt´ıssima e negativa.
A fun¸c˜ao de pertinˆencia da vari´avel de entrada, que ´e a popula¸c˜ao de infec-tados, pode ser vista na figura 4.
Adotando o m´etodo de Mandani como m´etodo de inferˆencia, o centro de ´
area como defuzzificador, combinado com o sistema p-fuzzy discreto, chegamos que a solu¸c˜ao estimada para o modelo SI, atrav´es de um controlador fuzzy est´a representada na figura 5.
2.2 Modelo SIR
A dinˆamica deste modelo consiste tanto em analisar os indiv´ıduos infecciosos quanto os que se recuperam da doen¸ca.
Fig. 4. Fun¸c˜ao pertinˆencia da popula¸c˜ao de infectados
Fig. 5. Solu¸c˜ao I do modelo SI, atrav´es de um controlador fuzzy
O modelo SIR comtempla tamb´em o compartimento R, separado de I, ou seja, permite que o indiv´ıduo se recupere da doen¸ca, ficando imune a reinfec¸c˜ao, este modelo nos permite computar a quantidade de infectados que se recuperam.
Doen¸cas como Rub´eola, Sarampo, Catapora, Cachumba e Gripe s˜ao bem modeladas por SIR.
Desconsiderando as taxas de mortalidade e natalidade, podemos tornar o modelo SIR mais simples, sendo formulado pelas equa¸c˜oes,
dS dt = −βSI, S(0) = S0≥ 0 dI
dt = βSI − αI, I(0) = I0≥ 0 dR
dt = αI, R(0) = R0≥ 0
(19)
onde β ´e a taxa de transmiss˜ao da doen¸ca, α ´e a taxa de remo¸c˜ao dos infecciosos para a classe dos recuperados.
Note quedSdt+dIdt+dRdt = 0 = dNdt, ent˜ao podemos dizer que N ´e constante em rela¸c˜ao ao tempo, isto ´e, N (t) = S(t)+I(t)+R(t) = S0+I0+R0para todo t ≥ 0.
Observe tamb´em que as duas primeiras equa¸c˜oes de (19) n˜ao dependem de R(t), ent˜ao o sistema (19) se reduz a
dS dt = −βSI, S(0) = S0≥ 0 dI
dt = βSI − αI, I(0) = I0≥ 0
(20)
com R(t) = N − (S(t) + I(t)) para todo t ≥ 0.
A an´alise do comportamento assint´otico da solu¸c˜ao ϕt(S0, I0, R0) quando
t → ∞ e pontos de equil´ıbrio do modelo SIR podem ser visto em [4] que afirma o seguinte:
A solu¸c˜ao z(t) = (S(t), I(t)) do sitema (20) converge para um ponto do con-junto [0, ρ] × {0} e
i) I(t) → 0 quando t → ∞, se S0≤ ρ;
ii) I(t) cresce atingindo o valor m´aximo N − ρ 1 + ln ρ S0 e depois de-cresce para 0, se S0>αβ;
iii) S(t) ´e decrescente e converge para S ∈ [0, ρ] para o quel ´e solu¸c˜ao de N − S = ρlnS0
S
.
iv)R(t) ´e crescente e converge para N − S.
Desta forma podemos concluir que a solu¸c˜ao determin´ıstica ϕt(S0, I0, R0) de
(19) converge para o ponto de equil´ıbrio (S, 0, ρlnS0
S ) e isto significa que a
iniciais.
Extens˜ao de Zadeh O modelo SIR, sem dinˆamica vital, quando I0 ´e fuzzy
toma a forma dS dt = −βSI, S(0) = S0∈ R+ dI
dt = βSI − αI, I(0) = ˆI0∈ F (R+) dR
dt = αI, R(0) = R0∈ R+.
(21)
Para cada (S0, I0, R0) ∈ R3o sistema (19) admite solu¸c˜ao ´unica ϕt(S0, I0, R0),
ent˜ao para cada t, a solu¸c˜ao fuzzy de (21) ´e a extens˜ao de Zadeh com rela¸c˜ao a condi¸c˜ao inicial da solu¸c˜ao determin´ıstica ϕt(S0, I0, R0), isto ´e,
ˆ
ϕt: F (R3) → F (R3)
( ˆS0, ˆI0, ˆR0) → ˆϕt( ˆS0, ˆI0, ˆR0)
(22)
onde ˆS0 e ˆR0s˜ao subconjuntos crisp de R.
Como ϕt(S0, I0, R0) → (S, 0, ρlnSS0) quando t → ∞ temos que ˆϕt( ˆS0, ˆI0, ˆR0) →
χ{S,0,ρlnS0
S} quando t → ∞.
Atrav´es do software Matlab construiremos as proje¸c˜oes da solu¸c˜ao fuzzy ˆ
ϕt( ˆS0, ˆI0, ˆR0) do modelo SIR apresentado acima, considerando ˆI0 = (5; 10; 15),
S0= 40, N = 50, β = 0.2 e α = 1.5.
Sistema p-fuzzy : Base de Regras Para estimarmos as solu¸c˜oes S, I e R do modelo SIR, sem dinˆamica vital, utilizaremos como entradas os compartimentos S e I e como sa´ıdas suas respectivas varia¸c˜oes, a solu¸c˜oa R ser´a dada atrav´es das solu¸c˜oes S e I visto que R = N − (S + I).
As regras ter˜ao como base as seguintes hip´oteses:
(1) Como n˜ao existe fluxo entrando no compartimento S, sua varia¸c˜ao sem-pre decrescer´a em fun¸c˜ao do tempo e ser´a praticamente nula quando n˜ao houver mais indiv´ıduos infecciosos.
(2) No compartimento I existem fluxos entrando e saindo, assim a sua varia¸c˜ao crescer´a proporcionalmente a quantidade de suscet´ıveis, atigindo seu valor m´aximo
Fig. 6. Solu¸c˜ao S, I e R do modelo SIR, sem dinˆamica vital, com I0 fuzzy
aproximadamente quando as popula¸c˜oes S e I forem iguais e decrescer´a propor-cionalmente `a quantidade dos recuperados.
Desta forma, o sistema de base regras ser´a:
onde B, MB, M−, M+, MA e A s˜ao as qualifica¸c˜oes das vari´aveis lingu´ısticas
R1: Se S ´e A e I ´e B ent˜ao ∆S ´e NA e ∆I ´e MB R2: Se S ´e MA e I ´e MB ent˜ao ∆S ´e NMA e ∆I ´e A R3: Se S ´e M+ e I ´e M−
ent˜ao ∆S ´e NMA e ∆I ´e B R4: Se S ´e M−e I ´e M+ ent˜ao ∆S ´e NMB e ∆I ´e NB R5: Se S ´e MB e I ´e MB ent˜ao ∆S ´e NMB e ∆I ´e NA R6: Se S ´e B e I ´e B ent˜ao ∆S ´e NB e ∆I ´e NMB
Table 2. Base de regras para modular a varia¸c˜ao da popula¸c˜ao dos suscet´ıveis e infec-tados
que significam, em ordem crescente, baixa, m´edia baixa, m´edia menos, m´edia mais, m´edia alta e alta respectivamente, a letra N na frente das qualifica¸c˜oes representa que a varia¸c˜ao ´e negativa.
As fun¸c˜oes de pertinˆencia para as vari´aveis de entrada, podem ser vistas na figura 7, sendo que o gr´afico da figura (a) ´e referente a vari´avel I e o da figura (b) a vari´avel S, sendo que as vari´aveis de sa´ıda, est˜ao dispostas na figura 8, onde a figura (a) representa a varia¸c˜ao ∆I e a figura (b) a varia¸c˜ao ∆S.
Atrav´es do sistema p-fuzzy discreto e do software Matlab, obtemos a solu¸c˜ao S, I e R estimadas pelo controlador fuzzy, como pode ser vito na figura 9.
Fig. 7. Fun¸c˜oes de pertinˆencia das vari´aveis de entrada
Modelando a taxa de infec¸c˜ao β por Base de Regras Um dos parˆametros mais dif´ıcieis em quantificar ´e a taxa de infe¸c˜ao das doen¸cas (β) e quando o mesmo ´e determinado, geralmente ´e dado como um valor constante.
Algumas doen¸cas como a Hepatite B e a Aids possuem longos e vari´aveis per´ıodos infecciosos, sendo assim, essas doen¸cas seriam melhor modeladas se houvesse reparti¸c˜oes no compartimento I, onde cada compartimento representa o grau de infec¸c˜ao dos indiv´ıduos infecciosos, por´em um modelo desta forma se torna muito complexo.
No intuito de modelar essa taxa de infec¸c˜ao, sem utilizar ferramentas matem´aticas complexas, utilizaremos uma base de regras, onde utilizaremos como entrada as vari´aveis S, I e R e sa´ıda a taxa de infe¸c˜ao β.
As fun¸c˜oes de pertinˆencia para as vari´aveis de entrada s˜ao dadas por:
Na figura (a) as fun¸c˜oes de pertinˆencia representam as vari´aveis lingu´ısticas das vari´aveis S e R e figura (b) da vari´avel I.
A fun¸c˜ao de pertinˆencia da vari´avel de sa´ıda β ´e dado por:
Fig. 8. Fun¸c˜oes de pertinˆencia das vari´aveis de sa´ıda R1: Se S ´e A, I ´e B e R ´e B ent˜ao β ´e B R2: Se S ´e M+, I ´e M− e R ´e B ent˜ao β ´e M R3: Se S ´e M, I ´e M e R ´e M−ent˜ao β ´e A R4: Se S ´e M−, I ´e M e R ´e M ent˜ao β ´e A R5: Se S ´e B, I ´e M−e R ´e M+ ent˜ao β ´e M R6: Se S ´e M−, I ´e B e R ´e A ent˜ao β ´e B R7: Se S ´e M, I ´e B e R ´e A ent˜ao β ´e B
Table 3. Base de regras para modular a varia¸c˜ao da popula¸c˜ao dos suscet´ıveis e infec-tados
onde B, M−, M, M+ e A s˜ao as qualica¸c˜oes das vari´aveis lingu´ısticas que significam, respectivamente, baixa, m´edia baixa, m´edia, m´edia alta e alta.
Atrav´es do sistema p-fuzzy discreto
xi+1= xi− βxiyi+ γri yi+1= yi+ βxiyi− θyi ri+1 = ri+ θyi− γri (23)
onde γ ´e a taxa de imunidade perdida dos recuperados e θ ´e a taxa de recu-pera¸c˜ao dos indiv´ıduos infectados.
Fazendo γ = 0.002 e θ = 0.003 obtemos a solu¸c˜ao
Temos que a fun¸c˜ao β ´e crescente at´e quando a popula¸c˜ao dos indiv´ıduos suscet´ıveis chega a metade de seu valor inicial, atingindo o valor m´aximo de 0,0154 em seguida a fun¸c˜ao descrece atingindo um m´ınimo local de 0,01, sendo
Fig. 9. Solu¸c˜ao S, I e R do modelo SIR, atrav´es do controlador fuzzy
Fig. 10. Fun¸c˜oes de pertinˆencia das vari´aveis de entrada.
que o m´ınimo global de 0,0078 se apresenta no in´ıcio da doen¸ca como pode ser visto na figura abaixo.
3
Conclus˜
ao
Na pr´atica percebemos o quanto ´e dif´ıcil determinar valores de parˆametros e quantificar em um determinado momento quantas pessoas est˜ao suscet´ıveis, in-fectadas e/ou recuperadas, pois a partir do momento que determinamos esses valores o modelo corre risco.
Com a incorpora¸c˜ao de subjetividade na condi¸c˜ao inicial I0 e na taxa de
in-fec¸c˜ao nos modelos determin´ısticos, obtivemos atrav´es do Princ´ıpio de Extens˜ao de Zadeh, modelos em que para cada instante t existe um intervalo representando
Fig. 11. Fun¸c˜ao pertinˆencia da vari´avel β.
Fig. 12. Solu¸c˜ao S, I e R, onde β ´e gerado por um controlador fuzzy.
o limite superior e inferior da quantidade de infectados, sendo que cada n´umero real deste intervalo possui um grau de confiabilidade, fazendo destes modelos mais realistas, pois aumentam a chance de acerto das previs˜oes.
Atrav´es do sistema p-fuzzy pudemos modelar fenˆomenos cujo comportamento ´
e parcialmente conhecido, pois informa¸c˜oes subjetivas s˜ao incorporadas tanto nas vari´aveis quanto nas varia¸c˜oes e suas rela¸c˜oes com as vari´aveis, tornando assim os modelos mais simples, n˜ao exigindo ferramentas matem´aticas complexas e c´alculos exaustivos.
References
1. BASSANEZI, R. C; BARROS, L. C. T´opicos de L´ogica Fuzzy e Biomatem´atica, Campinas, SP: UNICAMP/IMECC, 2006.
2. CECCONELLO, M. S. Sistemas Dinˆamicos em Espa¸cos M´etricos Fuzzy -Aplica¸c˜oes em Biomatem´atica, Tese de Doutorado, IMECC-UNICAMP, 2010. 3. MIZUKOSHI, M. T. Estabilidade de Sistemas Dinˆamicos Fuzzy, Tese de
Doutorado, IMECC-UNICAMP, 2004.
4. CECCONELLO, M. S; PEREIRA, C. M; BASSANEZI, R. C. An´alise qualitativa da solu¸c˜ao fuzzy do modelo epidemiol´ogico SIR, Biomatem´atica, 22:77-92.
Fig. 13. Gr´afico da fun¸c˜ao β gerado por um controlador fuzzy.
5. SOARES, A. L. O. Modelagem Alternativa para Sistemas Epidemiol´ogicos Dis-serta¸c˜ao de Mestrado, CMCC-UFABC, 2010.
6. SILVA, J. D. M An´alise de Estabilidade de Sistemas Dinˆamicos P-fuzzy com Aplica¸c˜oes em Biomatem´atica, Tese de Doutorado, IMECC-UNICAMP, 2005.