863
个编辑
更改
→SIR模型
这个模型可以合理地预测<ref name="Yang2020">{{cite journal |last1= Yang|first1= Wuyue|last2= Zhang|first2= Dongyan|last3= Peng|first3= Liangrong|last4= Zhuge|first4= Changjing|last5= Liu|first5= Liu|date=2020 |title= Rational evaluation of various epidemic models based on the COVID-19 data of China|url=https://arxiv.org/pdf/2003.05666.pdf |journal=arXiv:2003.05666v1 (q-bio.PE) |volume= |issue= |pages= |doi= |access-date=July 19, 2020}}</ref>传染病在人与人之间传播的情况，以及康复后会产生持续性抗体的疾病，如麻疹、腮腺炎和风疹等疾病。
这个模型可以合理地预测<ref name="Yang2020">{{cite journal |last1= Yang|first1= Wuyue|last2= Zhang|first2= Dongyan|last3= Peng|first3= Liangrong|last4= Zhuge|first4= Changjing|last5= Liu|first5= Liu|date=2020 |title= Rational evaluation of various epidemic models based on the COVID-19 data of China|url=https://arxiv.org/pdf/2003.05666.pdf |journal=arXiv:2003.05666v1 (q-bio.PE) |volume= |issue= |pages= |doi= |access-date=July 19, 2020}}</ref>传染病在人与人之间传播的情况，以及康复后会产生持续性抗体的疾病，如麻疹、腮腺炎和风疹等疾病。
[[File:SIR model simulated using python.gif|thumb|图1：空间 SIR 模型仿真。每个单元都能感染它的八个相邻单元。]]
[[File:SIR model simulated using python.gif|400px|thumb|图1：空间 SIR 模型仿真。每个单元都能感染它的八个相邻单元。]]
这些变量（S、I和R）表示特定时间每个类别人群的数量。为了表示易感者、染病者和康复者数量会随时间变化（总的人群规模保持不变） ，我们将这些类别人群的精确数量设为时间t的函数: S(t)、 I(t)和 R(t)。对于特定人群中的特定疾病，这些函数可以用于预测潜在的传染病暴发和控制传染病的大规模爆发。
这些变量（S、I和R）表示特定时间每个类别人群的数量。为了表示易感者、染病者和康复者数量会随时间变化（总的人群规模保持不变） ，我们将这些类别人群的精确数量设为时间t的函数: S(t)、 I(t)和 R(t)。对于特定人群中的特定疾病，这些函数可以用于预测潜在的传染病暴发和控制传染病的大规模爆发。
[[File:Graph SIR model without vital dynamics.svg|thumb|图2：黄色=易感者，栗色=感病者，青色 =康复者]]
[[File:Graph SIR model without vital dynamics.svg|400px|thumb|图2：黄色=易感者，栗色=感病者，青色 =康复者]]
人群中的每个成员通常由易感者转变为感染者，然后转化为康复者。这可以显示为一个流程图，在这个流程图中，方框代表不同的类别，箭头代表类别之间的过渡，即：
人群中的每个成员通常由易感者转变为感染者，然后转化为康复者。这可以显示为一个流程图，在这个流程图中，方框代表不同的类别，箭头代表类别之间的过渡，即：
[[File: SIR Flow Diagram.svg|thumb| 图3：SIR流行病模型中的状态，以及个人在不同类别之间转换的比率]]
[[File: SIR Flow Diagram.svg|400px|thumb| 图3：SIR流行病模型中的状态，以及个人在不同类别之间转换的比率]]