COVID-19: Zufallsprozessmodell

Wie lange ist es noch notwendig, die Selbstisolation im Land und in den Regionen auszudehnen, damit nicht jeder erste krank wird, strenge Sanktionen gegen Verstöße gegen die Selbstisolation verhängt, strengere Vorsichtsmaßnahmen fordert oder die Mehrheit der Bevölkerung aufrichtig an die Nützlichkeit medizinischer Masken glaubt?

Um Antworten auf zumindest einige der Fragen zu erhalten, wird in diesem Artikel das SIR-Modell aus dem sensationellen YouTube-Video und den darauf basierenden Simulationen verschiedener epidemiologischer Situationen sowie ein qualitativer Vergleich des Einflusses verschiedener Faktoren auf die Geschwindigkeit und das Ausmaß der Infektion analysiert .

Darüber hinaus werden in weiteren Beiträgen komplexere Modelle untersucht, die die Dynamik der Ausbreitung des COVID-19-Virus beschreiben.

UFO Care Minute

Die Pandemie COVID-19, eine potenziell schwere akute Atemwegsinfektion, die durch das SARS-CoV-2-Coronavirus (2019-nCoV) verursacht wird, wurde weltweit offiziell angekündigt. Zu diesem Thema gibt es viele Informationen zu Habré - denken Sie immer daran, dass es sowohl zuverlässig / nützlich sein kann als auch umgekehrt.

Wir bitten Sie dringend, veröffentlichte Informationen zu kritisieren.

Offizielle Quellen

• Website des Gesundheitsministeriums der Russischen Föderation
• Rospotrebnadzor Website
• WHO-Website
• WHO-Website

, .

Waschen Sie Ihre Hände, kümmern Sie sich um Ihre Lieben, bleiben Sie wann immer möglich zu Hause und arbeiten Sie aus der Ferne.

Lesen Sie Veröffentlichungen über: coronavirus | Heimarbeit

Kurze Beschreibung des Modells

Stellen wir uns also vor, wir beobachten eine geschlossene Stadt, in der N Einwohner dauerhaft leben, die nirgendwo hingehen und keine nicht ansässigen Gäste aufnehmen, aber in ihrer Stadt recht sozial aktiv sind.

Das heißt, wir beobachten eine verbundene geschlossene Gemeinschaft (oder ein System). Irgendwann taucht in diesem System eine mit COVID-19 infizierte Person auf, und jetzt teilen wir bereits alle Bewohner unserer Gemeinde in drei potenzielle Gruppen ein:

• S (anfällig) - anfällig (kann infiziert werden),
• Ich (infiziert) - infiziert (diejenigen, die Pech haben),
• R (Removed) — , :
  
  • Recovered — (, , )
  • Dead — (, … ).

$$$\beta$—

, , $$$S(t)$, $$$I(t)$, $$$R(t)$, $$$t$.

— , . , . , . , SIR, .

, , . , .

:

1. (Dead/Removed) — 12% ( ). .
2. 50 ( ).
3. 50 .
4. ( , ).

:

1. CP (contagion probability) — : 30% — , ( ), 20% 10%.
2. SD (social distance) — . , . SD — . , 100-SD.
   SD , . , . : 10%, 40%*, 75%*, 90%.
3. IP (isolation period) — . : 30 ( ), 45 ( ), 70 ( ), .
4. AC (asymptomatic cases) — ** — 5% ( ), 40% ( ), 70% ( ).
5. DT (disease time) — 14 ( ), 21 ( ), 38 ( ).

*
** ,

: CP=30% ( ), SD=75% ( ), IP=unlimited ( ), AC=40% ( ), DT=21 ( ). — .

1. CP

   
   

   

   
   

   : 10%, 20%, 30%

   
   

   — , ( !). ( , , ) .

   
   

   , , 30% .

   
   

2. , SD

   
   

   

   
   

   : 10%, 40%, 75%, 90%

   
   

   . , . 10%, , 90%. , , .

   
   

3. IP

   
   

   

   
   

   : 30 , 45 , 70 ,

   
   

   "" . . , .

   
   

4. AC

   
   

   

   
   

   : 5%, 40%, 70%

   
   

   , 5%, , . 70%, , — .

   
   

   , COVID-19 .

   
   

   , : , , .

   
   

5. DT

   
   

   

   
   

   : 14 , 21 , 38

   
   

   , . , , , .

   
   

, , .

" " (, , , ), .

, . 90 .

, , , , .

Natürlich berücksichtigt dieses einfache Modell nicht eine Reihe von Faktoren, die die Epidemie beeinflussen, sowohl von Menschen kontrolliert als auch nur von der Art des Virus selbst abhängig, und wird nicht immer genau auf die Realität übertragen. Es erfüllt jedoch seine Funktion - es bietet eine qualitative Bewertung der Hauptmechanismen, die die Dynamik der Epidemie beeinflussen, und zeigt diesen Effekt deutlich.

Nützliche Materialien

• Der Quellcode des Modells aus dem Video
• SIR-Modell

Besonderer Dank pixml und Schlüsselverlust für Hilfe beim Schreiben eines Artikels und beim Vorbereiten von Simulationen.