Traballo Fin de Grao

Modelos de epidemias usando

ecuaciones diferenciales ordinarias

Antón Pastur Valdés

2021/2022

UNIVERSIDADE DE SANTIAGO DE COMPOSTELA

 GRAO DE MATEMÁTICAS

Traballo Fin de Grao

Modelos de epidemias usando

ecuaciones diferenciales ordinarias

Antón Pastur Valdés

Febrero 2022

UNIVERSIDADE DE SANTIAGO DE COMPOSTELA

Trabajo propuesto

Área de Coñecemento: Análisis Matemático

Título: Modelos de epidemias usando ecuaciones diferencia-

les ordinarias

Breve descrición do contido

Los modelos de tipo SIR en epidemiología dividen a la población en

Susceptibles, Infectados y Recuperados. Se trata de un sistema de
ecuaciones diferenciales ordinarias y sirve para estudiar como evolu-
ciona una epidemia utilizando modelos simples. Se aplicará a algún
caso real y concreto.

Recomendacións

Outras observacións

iii
Índice general

Resumen vi

Introducción ix

1. Modelos epidémicos generales 1

1.1. Modelo SI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Modelo SIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2. Modelo SIR 9
2.1. Análisis del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2. Estudio analítico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3. Solución semi-analítica del modelo SIR . . . . . . . . . . . . . . . . . . . . . 13
2.4. Ejemplos gráficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

3. Aplicación del modelo SIR a casos reales 23

3.1. Epidemia de gripe A en La Gloria, México. . . . . . . . . . . . . . . . . . . 23
3.2. Covid en las residencias. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3. Covid tras casi 2 años . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

Bibliografía 33

Anexo 35

v
Resumen
El objetivo de este trabajo es analizar los modelos de tipo SIR, aplicándolos a un caso
real. Estos modelos utilizan un sistema de ecuaciones diferenciales ordinarias y sirven para
estudiar cómo evoluciona una epidemia.

Primero, se hará un repaso histórico, tanto de pandemias y epidemias relevantes como

de su estudio, evolución y los científicos más importantes. Después, se hará un estudio
previo de otros modelos más simples como el SI y el SIS, con varias gráficas. Llegando así
al análisis del modelo SIR, dónde se hará un estudio más profundo, sobretodo en el cálculo
de la solución, pues esta es más compleja que las anteriores. Por último, se aplicará este
modelo a algún caso real reciente, como es la COVID-19.

Abstract
The aim of this work is to analyse the SIR-type models, applying them to some recent
case. These models use a system of ordinary differential equations and are used to study
how an epidemic evolves.

Firstly, a historical overview will be made, both of relevant pandemics and epidemics as
well as their study, evolution and most important scientists. Secondly, a preliminary study
will be made of other simpler models such as the SI and the SIS, with several graphs.
Thus arriving at the analysis of the SIR model, where a more in-depth study will be made,
especially in the calculation of the solution, since it is more complex than the previous
ones. Finally, this model will be applied to a recent real case, such as COVID-19.

vii
Introducción

Las epidemias nacen desde que el ser humano empezó a vivir en sociedad, las cuales,
en la antigüedad, se extendían a gran velocidad debido a las pocas medidas para prevenir
los contagios. Multitud de epidemias han afectado al ser humano a o largo de la historia.
Una de las plagas que abarcó mayor extensión y con mayor mortalidad, fué la peste negra,
que tuvo lugar en Europa a mediados del siglo XIV. Se cree que llegó a morir más de la
mitad de la población Europea. Tuvo origen en Mongolia y se extendió con rapidez por
Asia y Europa, aunque también por el norte de África. Pero no afectó ni a América, ni a
la mayor parte de África, lo que resalta la transmisión de esta enfermedad por contacto
entre personas.

Figura 1: Cuadro El triunfo de la muerte de Pieter Bruegel

Otra pandemia que tuvo un gran poder arrasador, fué la conocida ”gripe española” en
1919, que a pesar de no haber surgido en España, pues se conocen casos anteriores en otras
regiones del mundo, recibe este nombre porque la pandemia ocupó una mayor atención de

ix
x ÍNDICE GENERAL

la prensa en España que en el resto de Europa, ya que España no estaba involucrada en la

Primera Guerra Mundial y por tanto no se censuró la información sobre la enfermedad.

Actualmente, estamos viviendo otra gran enfermedad contagiosa, reconocida como pan-
demia por la OMS el 11 de Marzo de 2020, como es la COVID-19. A finales de 2021, se
han informado casi 300 millones de casos y han fallecido más de 5 millones de personas. A
diferencia de anteriores pandemias, actualmente la medicina y los programas de sanidad
están mucho más avanzados, pero los modelos epidémicos matemáticos que podrían ayudar
todavía más, en algunos casos, no han sido tenidos en cuenta, pues implicaban medidas
que afectaban a los intereses económicos. Sobre estos modelos matemáticos hablaremos
más delante, dónde tomaremos a esta pandemia de la COVID-19 como caso real.

Figura 2: Retrato de Girolamo Fracastoro

El estudio de las epidemias comienza en el siglo IV a.C, dónde el griego Hipócrates,

considerado el padre de la medicina, establece una relación entre la enfermedad y el medio
ambiente. En esta época, ya empezaban a utilizar diferentes técnicas para combatir los
contagios, como aislar a los enfermos, lavar los alimentos antes de ingerirlos y el lavado
de manos. Hipócrates puede considerarse el primer epidemiólogo, y a partir de él se fué
avanzando poco a poco en el estudio de las enfermedades infecciosas, hasta la llegada de
ÍNDICE GENERAL xi

Girolamo Fracastoro, quien a mediados del diglo XVI sienta las bases de la epidemiología
moderna. Fracastoro publica su obra, De contagione et contagiosis morbis, en la cual ma-
nifiesta la idea de "diminutos cuerpos capaces de autorreplicarse que no podemos ver, que
producen las enfermedades y que pasan de una persona a otra". Otro notable epidemiólo-
go de la época fué también ingés John Graunt, quién además era un excelente demógrafo,
campo de gran importancia para el estudio de las epidemias. Un siglo más tarde, gracias
a los avances en tecnología y la llegada de microscopios potentes, Anton van Leeuwenhoek
es capaz de ver esos "diminutos cuerpos"de los que hablaba Fracastoro, dando validez así
a su teoría.

A finales del siglo XVIII, Thomas Robert Malthus, un jóven matemático, publicó un
libro dónde señalaba los problemas del creciemiento veloz de la población. Malthus señaló
en uno de sus libros que la población de USA se doblaba cada veinticinco años durante el
siglo XVIII. Mientras esta crecía de forma geométrica, la producción de comida y recursos
sólo lo hacía de forma aritmética. Esto impide el crecimiento indefinido de la población
pues una parte de la sociedad está condenada a la hambruna y a la pobreza. Otros de los
factores importantes que dificultan el crecimiento de la población son el aborto, las guerras
o las epidemias. Para Malthus la mejor forma de estabilizar la población era retrasando el
matrimonio, puesto que en esta época se tenían hijos prematuramente.

Unas décadas más tarde, el matemático Belga Pierre-François Verhults publica en 1838
Note on the law of population growth que trata acerca del crecimiento exponencial de ciertas
poblaciones del que hablaba Malthus, proponiendo la conocida ecuación logistica

 
dP P
= rP 1 − (1)
dt K

y dando una interpretación matemática a este crecimiento de la población, el cual está

limitado por el tamaño y la fecundidad del país o región en cuestión. La llegada de esta
ecuación, que en un principio se utilizaba para el estudio demográfico, significó un gran
avance en el estudio y la evolución de las enfermedades infeccionas, puesto que hasta esta
época las matemáticas habían aportado a la epidemiología solamente a nivel estadístico,
a excepción de un trabajo de Daniel Bernoulli, a mediados del siglo XVIII, dónde prueba
de forma teórica que la vacunación a personas con bajo riesgo de muerte es muy eficaz.
Dicho trabajo tiene ciertas similitudes con otros del célebre matemático Leonard Euler,
quién tambien dió un enfoque al estudio de las epidemias diferente al de la época.
xii ÍNDICE GENERAL

Figura 3: Gráfica de la ecuación logística

Posteriormente, a finales del siglo XIX, los científicos Robert Koch y Louis Pasteur
fueron pioneros en demostrar la eficacia de una buena higiene para prevenir la transmisión
entre individuos. A pesar de que el proceso de transmisión dentro de un colectivo es comple-
jo, pues depende muchos factores diferentes, como geográficos, culturales o sociopolíticos,
esto hizo que los contagios se controlasen mucho más en siguientes epidemias.

A principios del siglo XX, William Heaton Hamer, mientras trabajaba en la transmisión
del sarampión, propone que "la tasa de propagación de una enfermdedad es proporcional al
número de individuos susceptibles por el número de individuos infecciosos", esto se conoce
como la ley de acción de masas y proporciona un gran avance en el estudio matemático de
las epidemias.

Aunque, quién es considerado como el padre de la epidemiología matemática moderna

es Ronald Ross, médico y matemático, galardonado con el Premio Nobel de Medicina en
1902 por su trabajo para comprender e intentar erradicar la malaria. Ross propone el
primer modelo de ecuaciones diferenciales, formado por 12 ecuaciones y distintas variables
como la tasa de natalidad e inmigración de la población contagiada, o la misma tasa pero
de la población infectada. También caben destacar variables de tasas de variación, como
dP/dt, dónde P es la población total y t el tiempo. Además, en este momento se empezaba
a relacionar lo que hoy en día es conocido como número reproductivo básico con el final de
una epidemia.
INTRODUCCIÓN xiii

Figura 4: Ronald Ross

Más tarde, en 1927 McKendrick y Kermack asientan las bases de los modelos de ecuacio-
nes diferenciales para describir la propagación de una enfermedad, introduciendo el modelo
SIR. Convierten así, la modelización matemática en una rama esencial para el estudio de
las epidemias.

Los sistemas dinámicos progresaban a gran velocidad a lo largo del siglo XX, pero es a
partir de 1980 cuando estos tienen gran importancia, pues aparece el conocido síndrome de
inmunodeficiencia adquirida (SIDA). En un principio fué de gran importancia el método
estadístico pues permitió determinar que el número de relaciones sexuales era un factor
de riesgo para contraer la enfermedad, y utilizando después los sistemas dinámicos para
comprender factores que influyen en la enfermedad, hallar umbrales a partir de los cuales
haya riesgo epidémico, recomendar medidas de control o formas óptimas de vacunación.

En 2009, aparece la gripe A, procedente de una variante del virus de la gripe del año
1957. Para combatir esta pandemia se utiliza de nuevo el modelo SIR de principios del
siglo pasado, cuando se consideraba que ya existían modelos más complejos y mejorados.
Hoy en día, sigue siendo de gran ayuda este modelo, del cual hablaremos con profundidad
más adelante y lo utilizaremos para estudiar algún caso concreto de la COVID-19.
xiv INTRODUCCIÓN
Capítulo 1

Modelos epidémicos generales

Actualmente, los modelos que se utilizan para explicar el comportamiento de las en-
fermedades contagiosas son los compartimentales, en los cuales cada individuo de una
población constante N se clasifica según su estado de salud ante la enfermedad, a pesar
de que hoy en día es complicado tener a una población aislada puesto que la mayoría de
países, y en concreto España, reciben una gran afluencia de extrangeros cada año. Además
es importante saber cómo se transmite la enfermedad y a qué velocidad, y cómo se puede
recuperar un individuo o si la enfermedad puede ser mortal.

Figura 1.1: Esquema de los posibles estados de salud ante una enfermedad

El modelo más complejo y general es el MSEIR y está compuesto por cinco tipos de po-
blación, las cuales forman el nombre del modelo, que son: Madre, Susceptibles, Expuestos,
Infectados y Recuperados. Cada letra representa el número de individuos, en función del
tiempo, en un estado de salud:

1
2 CAPÍTULO 1. MODELOS EPIDÉMICOS GENERALES

M(t): Representa el número de individuos inmunizados ante una enfermedad. Esta

inmunidad la obtienen los bebés a partir de los anticuerpos de la madre.

S(t): Representa el número de individuos susceptibles de contagiarse. Pasan a este

grupo cuando a un individuo le desaparecen los anticuerpos, o bien quienes ya no los
tenían.

E(t): Representa el número de individuos expuestos a un patógeno concreto. Pasan a

este grupo los susceptibles que tienen un contacto directo con un infectado, es decir,
que el susceptible se infecte. En este momento el individuo está infectado pero no
puede contagiar.

I(t): Representa el número de individuos infectados. En esta fase se encuentran

aquellos infectados capaces de infectar a otro individuo.

R(t): Representa el número de individuos recuperados de la enfermedad. Quedan

inmunizados de manera total o temporal. Este grupo también contiene a los sujetos
que mueren tras padecer la enfermedad.

Figura 1.2: Esquema del modelo MSEIR

Vistas las distintas clases en la que puede estar un individuo en función de su estado
de salud frente a una enfermedad, en este trabajo nos centraremos en modelos más senci-
llos, que no utilizan ni la clase M, pues supondremos que ningún individuo comienza con
inmunidad, ni la clase E, ya que se omite la fase de latencia.

Como se menciona en la página XII, la ley de acción de masas, propuesta por W.

H. Hamer, alude que el número de individuos susceptibles que se convierten en infecta-
dos, es proporcional al producto del número de individuos susceptibles por el número de
infecciosos. Todos los modelos que veremos a continuación se apoyan en esta ley.

Comenzaremos por el modelo inicial de McKendrick-Kermack, dónde un individuo sólo

puede estar en uno de estos dos compartimentos: S (Susceptible) o I (Infectado), por esta
1.1. MODELO SI 3

razón lleva el nombre de modelo SI. Una enfermedad que se puede modelar de esta forma
es el Sida, puesto que una persona, una vez infectada, nunca puede ser curada y por tanto
permanecerá siempre en la clase I.

Si por el contrario, un enfermo puede curarse de la enfermedad, entonces estaríamos

ante un modelo SIS. Por ejemplo, enfermedades como las ETS pueden modelarse de esta
manera, ya que un individuo no consigue inmunidad al recuperarse.

Ahora, llegaríamos al último modelo y centro de este trabajo que es el SIR, dónde un
enfermo se recupera con inmunidad. Supondremos inmunidad permanente, como la que
se consigue tras recuperarte de infecciones víricas como la rubeola. Aunque en el caso del
COVID la inmunidad es temporal, esta se supondrá total en el tiempo.

1.1. Modelo SI
Es el modelo más sencillo de todos. Dada una población constante N, un individuo sólo
puede ser Susceptible de contagio o estar Infectado. Con lo cual se tiene que:

S(t) + I(t) = N, ∀t ≥ 0 (1.1)

Siendo S (t) e I (t) el número de individuos suceptibles e infectados en tiempo t.

Figura 1.3: Esquema del modelo SI

Basándonos en la ley de acción de masas, los susceptibles pasan a ser infectados a un

ritmo proporcional al producto de la magnitud de ambos grupos. Este ritmo de variación
será el mismo, obviamente, que el de disminución del número de susceptibles. Modelan-
do esto, tendríamos que la tasa de variación de susceptibles es βSI, que coincide con la
tasa de variación de infectados pero con signo opuesto, pues los individuos pasan de un
compartimento a otro. Esto es:
4 CAPÍTULO 1. MODELOS EPIDÉMICOS GENERALES

dS dI
= S ′ (t) = −βSI = − = −I ′ (t) (1.2)
dt dt

dónde β>0 es una constante conocida como la tasa de contacto por susceptible y por
infectado. Además βI se conoce como fuerza de infección. Tenemos entonces las ecuaciones
del modelo:

dS


 = −βS(t)I(t), S(0) = S0
dt (1.3)
 dI = +βS(t)I(t), I(0) = I0

dt

Siendo S0 e I0 las condiciones iniciales de susceptibles e infectados. Para resolver este

sistema, tendremos en cuenta la igualdad 1.1, pues S (t)= N - I (t), y así obtenemos la
ecuación logística:

dI
= βI(N − I) (1.4)
dt

Para resolverla utlizaremos el método de separación de variables:

Z Z
dI
= βdt (1.5)
I(N − I)

Y descomponiendo en fracciones simples calcularemos la integral del lado izquierdo.

Obsérvese que la del lado derecho es inmediata. Llegamos así a:

I
= CeNβt (1.6)
N−I

siendo C la constante de integración. Ahora, para un I0 inicial se tiene que:

I0
C= (1.7)
N − I0

Así, haciendo cálculos y simplificando llegaríamos a una solución explícita:

I0 N
I(t) = (1.8)
(N − I0 )e−Nβt + I0
1.2. MODELO SIS 5

Véase que la enfermedad acabará infectando a toda la población, dado que, para cual-
quiera que sean las condiciones iniciales se tiene:

lı́m I(t) = N (1.9)

t→∞

Esto tiene sentido pues un infectado no puede volver a ser susceptible nunca. Análoga-
mente, la solución para los susceptibles es:

S0 N
S(t) = (1.10)
(N − S0 )eNβt + S0

Figura 1.4: Gráfica de la evolución del modelo SI con población N =10000, constante
β=10−4 y condiciones iniciales S0 =9999, I0 =1. La gráfica de color azul representa a los
susceptibles y la de color rojo a los infectados. La variable independiente t es el tiempo en
días. Software utilizado: R.

1.2. Modelo SIS

Estamos ahora ante un modelo dónde, a diferencia del anterior, los individuos infectados
pueden recuperarse de la enfermedad y volver a ser susceptibles. La población es, como
6 CAPÍTULO 1. MODELOS EPIDÉMICOS GENERALES

antes, constante N, pero ahora existirá a mayores lo que se conoce como tasa de recuperación
γ>0. En este modelo, la recuperación de los infectados será γI, dependiendo solamente del
número de enfermos en el instante t.

Figura 1.5: Esquema del modelo SIS

De esta forma, tenemos que el modelo SIS se puede expresar como:

dS


 = −βS(t)I(t) + γI, S(0) = S0
dt (1.11)
 dI = +βS(t)I(t) − γI, I(0) = I0

dt

El modelo es más complejo que el anterior debido al término de recuperación de los

infectados. Procediendo de forma análoga que en el modelo anterior, pues la población N
es constante y se cumple de nuevo la ecuación 1.1, tenemos que:

dI
= βI(N − I) − γI (1.12)
dt

Sacando factor común y reordenando para dejar las constantes juntas, nos queda
  
dI γ
= βI N− −I (1.13)
dt β

Vemos que obtenemos una ecuación de tipo logística, pero su resolución es un poco
1.2. MODELO SIS 7

más difícil pues el término constante es un poco más incómodo. Aplicando separación de
variables e integrando:

I
  = Ce(βN−γ)t (1.14)
γ
N− β −I

con C la constante de integración. De la misma fórma, tomando un I0 inicial obtenemos:

I0
C=   (1.15)
γ
N− β − I0

Por último, haciendo cálculos y reordenando obtenemos la solución:

βN − γ
I(t) = h i (1.16)
(βN−γ)
I0 − β e−(βN−γ)t + β

Siguiendo los mismos pasos, obtendríamos la solución para los susceptibles:

γ γ
CNe(γ−Nβ)t + β S0 − β
S(t) = con C = (1.17)
1+ Ce(γ−Nβ)t N − S0

Llegados hasta aqui, observemos que los contagios pueden evolucionar de manera di-
ferente en función de los valores de β, N y γ. Es de gran importancia entonces, lo que
se conoce como índice reproductivo básico, R0 , que es el número de casos nuevos que
ocasiona un caso dado, definido como:

βN
R0 = (1.18)
γ

de modo que si R0 <1 la enfermedad acabará desapareciendo, y si R0 >1 la enfermedad

será endémica, es decir, permanecerá para siempre.

Veamos dos ejemplos gráficos de cómo evoluciona una enfermedad a lo largo del tiempo
en función del valor del índice reproductivo básico:
8 CAPÍTULO 1. MODELOS EPIDÉMICOS GENERALES

Figura 1.6: Gráfica de la evolución del modelo SIS con población N =10000, constantes
β=10−4 y γ=2, con lo cual el índice reproductivo básico es R0 =0.5. Condiciones iniciales
S0 =9000, I0 =1000. La gráfica de color azul representa a los susceptibles y la de color rojo
a los infectados. La variable independiente t es el tiempo en días.

Figura 1.7: Gráfica de la evolución del modelo SIS con población N =10000, constantes
β=10−3 y γ=2, con lo cual el índice reproductivo básico es R0 =5. Condiciones iniciales
S0 =9900, I0 =100. La gráfica de color azul representa a los susceptibles y la de color rojo
a los infectados. La variable independiente t es el tiempo en días.
Capítulo 2

Modelo SIR

2.1. Análisis del modelo

Tras haber visto los modelos SI y SIS, llegamos al modelo SIR, tema central del trabajo.
Este modelo es una ampliación de los anteriores pero añadiendo el compartimento de
Recuperados, es decir, los individuos que se curan ya no pueden volver a contagiarse. Se
incluyen aqui también las personas que fallecen debido a la enfermedad. Además, veremos
que este modelo tiene la complicación a mayores de que no tiene solución explícita, por
lo que utilizaremos distintos mecanismos matemáticos para obtener información acerca de
las solución. Aunque en la práctica se trabaja con métodos numéricos que aproximan la
solución pues son mucho más eficientes.

Figura 2.1: Esquema del modelo SIR

La población es también constante N, pero ahora al añadir la clase de recuperados, se

cumple:

S(t) + I(t) + R(t) = N, ∀t ≥ 0 (2.1)

9
10 CAPÍTULO 2. MODELO SIR

Se formulará entonces el sistema de ecuaciones diferenciales, dónde la diferencia con el

modelo SIS está en que ahora la recuperación de los infectados γI no está en la ecuación de
los suceptibles, sino en la de los recuperados pues estos se curan con inmunidad. El modelo
queda de la forma:

dS
= −βS(t)I(t), S(0) = S0 (2.2)
dt
dI
= βS(t)I(t) − γI(t), I(0) = I0 (2.3)
dt
dR
= γI(t), R(0) = R0 (2.4)
dt

dónde, de nuevo, β, γ>0 son los parámetros que representan las tasas de infección y
recuperación, y S0 , I0 , R0 son los individuos susceptibles, infectados y recuperados en el
instante inicial, respectivamente.

Figura 2.2: Gráfica modelo SIR. Las gráficas discontínuas representan las estimaciones de
cada variable y las contínuas los casos reales.
2.2. ESTUDIO ANALÍTICO 11

2.2. Estudio analítico

Una vez introducido el modelo, vamos a dar algunos resultados teóricos que prueben
que el sistema 2.2-2.4 tiene solución y esta es única. Para ello definamos primero lo que es
un problema de valor inicial (PVI) o problema de Cauchy.

Definición. (Problema de Cauchy) Sea f : D⊂ R × Rn una función, y∈ Rn , D un

abierto de Rn+1 y (t0 , y0 ) ∈ D, un problema de Cauchy es:

y’ = f(t,y)
(2.5)
 y(t0 ) = t0

Veamos ahora un teorema que nos asegure la existencia de solución y otro que nos
asegure la unicidad en un entorno de los datos iniciales.

Teorema. (Cauchy-Peano) Sea f una función continua en D, entonces existe un in-

tervalo [t0 − r, t0 + r] con r >0, tal que 2.5 tiene solución para cualquier (t0 , y0 ) ∈
D.

Para nuestro modelo 2.2-2.4, tomando y=(S,I,R) y f = (−βSI, βSI − γI, γI), como f es
continua en R4 se tiene que existe solución local para cualquiera que sean las condiciones
iniciales.

Proposición. Sea D un abierto de Rn+1 y sea f : D → Rn tal que admite todas las deriva-
das parciales y son continuas en D, entonces f es una función localmente lipschitziana
respecto de y en D.

Teorema. (Picard-Lindelöf ) Sea f una función continua y lipschitziana respecto de y

en un entorno D de (t0 , y0 ), entonces existe un intervalo [t0 − r, t0 + r] con r >0, tal
que 2.5 tiene solución única para cualquier (t0 , y0 ) ∈ D.

Para nuestro caso, tenemos que la matriz jacobiana de f = (−βSI, βSI − γI, γI) es:
12 CAPÍTULO 2. MODELO SIR

 
−βI −βS 0
(2.6)
 
Jf = 
 βI βS − γ 0

0 γ 0

Como los coeficientes de la jacobiana son las derivadas parciales y todas son continuas
en R4 se tiene, por la Proposición anterior, que f es localmente lipschitziana. Por tanto
por el Teorema de Picard-Lindelöf, existe una única solución en un intervalo de la forma
[0,T ].

Una vez que sabemos que nuestro sistema tiene solución y que esta es única, veamos
de que tipo es. Para ello definamos el número de reproducción efectiva, Re , que es el
valor umbral que indica si una enfermedad será epidemia o no.

βS0
Re = (2.7)
γ

Obsérvese que cuando la población es grande y el número inicial de susceptibles cercano

a N, se tiene que Re ≈R0

Teorema. (umbral para el modelo SIR) Dado el modelo SIR con valores iniciales S0 , I0 , R0 ≥0
y parámetros β y γ positivos, se tiene que:

Si Re ≤ 1, entonces la función I (t) es monótona decreciente a cero y la enfer-

medad desaparece.

Si Re >1, entonces I (t) crece (se produce epidemia) hasta alcanzar un máximo
y luego decrece hasta que se extingue la enfermedad.

Veremos más adelante, en la Sección 2.4, varios ejemplos de cómo puede desarollarse
una enfermedad en función de sus parámetros y valores iniciales, en concreto de el valor
Re .

Una vez hecho un pequeño análisis del modelo, calcularemos una solución paramétrica
del modelo SIR, que puede ser útil en algunos casos.
2.3. SOLUCIÓN SEMI-ANALÍTICA DEL MODELO SIR 13

2.3. Solución semi-analítica del modelo SIR

Como ya se dijo en el inicio de la sección, para este modelo no existe solución analítica
explícita. Aquí se calculará una solución semi-analítica basándonos en [5], que a su vez
utiliza una técnica facilitada en [6].

Primero, observemos que por 2.1, se tiene que:

S′ (t) + I′ (t) + R′ (t) = 0 (2.8)

Véase que S (t) es decreciente puesto que S ’(t)≤0 y R(t) creciente pues R’(t)≥0.

Empecemos derivando la ecuación 2.2, obteniendo así:

S′′ (t) = −β(S′ (t)I(t) + S(t)I′ (t)) (2.9)

Despejamos I ’(t) de la ecuación anterior:

−1
I′ (t) = S′′ (t) + βS′ (t)I(t) (2.10)


βS(t)

Despejando ahora I (t) de la ecuación 2.2:

S′ (t)
I(t) = − (2.11)
βS(t)

Insertando 2.11 en 2.10:

"  ′ 2 #
 ′  ′′
−1 S (t) −1 S (t) S (t)
I′ (t) = S′′ (t) − βS′ (t) = − (2.12)
βS(t) βS(t) β S(t) S(t)

Igualando la ecuación anterior a la 2.3 y usando 2.11 tenemos:

"  ′ 2 #
−1 S′′ (t) S′ (t) S′ (t)
   
S (t)
− = βS(t) − −γ − (2.13)
β S(t) S(t) βS(t) βS(t)

Y reordenando:
14 CAPÍTULO 2. MODELO SIR

2
S′′ (t) S′ (t) S′ (t)

− +γ − βS′ (t) = 0 (2.14)
S(t) S(t) S(t)

Ahora, por otro lado, sustituyendo 2.10 en 2.4:

S′ (t)
 
′ γ
R (t) = − (2.15)
β S(t)

E integrando obtenemos:

γ
R(t) = − ln (S(t)) (2.16)
β

Despejando S (t):

−β R(t)
S(t) = α0 e γ , α0 ≥ 0 (2.17)

Sustituyendo t=0 en 2.17 obtenemos la constante de integración:

β
R0
α0 = S0 e γ , S0 = S(0), R0 = R(0) (2.18)

Derivando 2.17:

α0 β ′ − β R(t)
S′ (t) = − R (t)e γ (2.19)
γ

Derivando 2.15:

2 !
S′′ (t) S′ (t)

γ
R′′ (t) = − − (2.20)
β S(t) S(t)

Entonces, reescribiendo las ecuaciones 2.15, 2.19 y 2.20:

S′ (t)
γ = −βR′ (t) (2.21)
S(t)

α0 β 2 ′ − β R(t)
− βS′ (t) = R (t)e γ (2.22)
γ
2.3. SOLUCIÓN SEMI-ANALÍTICA DEL MODELO SIR 15

2
S′′ (t) S′ (t)

β
− = − R′′ (t) (2.23)
S(t) S(t) γ

Y sumándolas, por 2.14 tenemos que:

β ′′ α0 β 2 ′ − β R(t)
− R (t) − βR′ (t) + R (t)e γ =0 (2.24)
γ γ

Despejando R”(t):

−β R(t)
R′′ (t) = α0 βR′ (t)e γ − γR′ (t) (2.25)

Introduciremos el siguiente cambio de variable para resolver la EDO anterior:

−β R(t)
u(t) = e γ (2.26)

Derivando la ecuación anterior:

β − β R(t) β
u′ (t) = − R′ (t)e γ = − R′ (t)u(t) (2.27)
γ γ

Y despejando R’(t):

γ u′ (t)
R′ (t) = − (2.28)
β u(t)

Derivando de nuevo 2.27 y aplicando 2.28:

β β β u′ (t)2
u′′ (t) = − R′′ (t)u(t) − R′ (t)u′ (t) = − R′′ (t)u(t) + (2.29)
γ γ γ u(t)

Despejando ahora R”(t):

" 2 #
′′ γ u′ (t) u′′ (t)
R (t) = − (2.30)
β u(t) u(t)

Ahora, combinando 2.26, 2.28 y 2.30 en 2.25:

16 CAPÍTULO 2. MODELO SIR

" 2 #
γ u′ (t) u′′ (t) γ 2 u′ (t)
− − + α0 γu′ (t) = 0 (2.31)
β u(t) u(t) β u(t)

Sacando factor común:

γ 1  ′2 ′′ ′ ′ 2
(2.32)

− −u (t) + u(t)u (t) + γu (t)u(t) − α0 βu (t)u (t)
β u2 (t)

Llegamos así a una EDO de segundo órden:

2
d2 u

du du
u 2 − + (γ − α0 βu)u =0 (2.33)
dt dt dt

Para resolverla introducimos la función:

dt 1 du
ϕ= ⇒ = = u′ (t) (2.34)
du ϕ dt

Y derivando:

ϕ (t) ′
ϕ′ (t) u′′ (t) − ϕ(t 2) dϕ
′′
u (t) = − 2 ⇒ ′ 2 = 1 = −ϕ′ (t) = − (2.35)
ϕ(t ) u (t) ϕ(t2 )
dt

Usando la regla de la cadena y 2.35:

d2 u
dϕ dϕ dt u′′ (t) dt2
= = − ′ 2ϕ = ϕ (2.36)
du dt du u (t) du2
dt

Multiplicando por 1
2 en la EDO 2.33:
u du
dt

d2 u
dt2 1 (γ − α0 βu)
− ϕ+ =0 (2.37)
du2 u du
dt dt

Si ahora introducimos 2.36 en la ecuación anterior y la multiplicamos por ϕ nos queda

la ecuación diferencial de Bernoulli:

dϕ 1
+ ϕ + (α0 βu − γ)ϕ2 = 0 (2.38)
du u
2.3. SOLUCIÓN SEMI-ANALÍTICA DEL MODELO SIR 17

Para resolver la EDO anterior, utilizaremos un cambio de variable típico en estos casos:

z = ϕ−1 (2.39)

Si ahora derivamos z en función de u y despejamos en 2.38, obtenemos:

dϕ 1

2
= − ϕ + (γ − α0 βu)ϕ  dz 1
du u ⇒ = −ϕ−2 − ϕ + (γ − α0 βu)ϕ2 (2.40)
dz dϕ  du u
= −ϕ−2 
du du

Y aplicando el cambio de variable nos queda una EDO lineal:

dz 1
= z − (γ − α0 βu) (2.41)
du u

La resolveremos de forma sencilla usando el método de variación de constantes:

z = zh + zp
1
R
zh = Ce u = Celn u = Cu, C∈R
zp = C(u)u

Ahora derivamos zp y sustituimos z por zp en 2.41:


z′p = C′ (u)u + C(u)

′ γ
dz′p 1 ⇒ C (u) = − + Cβ (2.42)
= z′p = C(u)u − (γ − α0 βu)
 u
du u

Con lo cual, integrando:

C(u) = Cβu − γ ln u (2.43)

Por lo tanto, la solución general será:

z = zh + zp = (C + Cβu − γ ln u) u (2.44)

Por último, deshaciendo el cambio de variable:

18 CAPÍTULO 2. MODELO SIR

1
ϕ= (2.45)
(C + Cβu − γ ln u) u

Una vez calculado todo esto, ya tenemos los ingredientes para dar una solución del
sistema de EDOs dado por 2.2- 2.4 pero en función de u.

Comenzemos con la solución para los susceptibles, simplemente sustituyendo 2.26 en

2.17 tenemos:

β
R0
S(u) = α0 u, con α0 = S0 e γ (2.46)

Y como, en general, R0 =0, se tiene que α0 = S0 , por lo que:

S(u) = S0 u (2.47)

Vamos ahora con la solución para los recuperados. Como R(t)=R(u), aplicando la regla
de la cadena y 2.28:

R′ (t) = R′ (u)u′ (t)
 γ u′ (t) γ
γ u′ (t) ⇒ R′ (u)u′ (t) = − ⇒ R′ (u) = − (2.48)
′
R (t) = − 
 β u(t) βu(t)
β u(t)

Integrando respecto a u:
Z Z
γdu γ
R′ (u)du = − ⇒ R(u) = − ln(u) + C’ (2.49)
βu(t) β

Calculemos el valor de C’ sustituyendo 2.26 en la ecuación anterior y haciendo t=0:

γ −βR
R0 = − ln(e γ 0 ) + C’ ⇒ R0 = R0 + C’ ⇒ C’ = 0 (2.50)
β

Por lo tanto, la solución nos queda:

γ
R(u) = − ln(u) (2.51)
β
2.4. EJEMPLOS GRÁFICOS 19

Por último, calculemos la solución para los infectados. Como S (u) + I (u) + R(u)= N,
por 2.46 y 2.51:

γ
I(u) = N + ln(u) − α0 u (2.52)
β

Si se supone R0 =0 la solución queda:

γ
I(u) = N + ln(u) − S0 u (2.53)
β

2.4. Ejemplos gráficos

Veamos algunos ejemplos de cómo puede evolucionar una epidemia en función de los
valores iniciales y de las constantes β y γ. Para ser más eficientes, utilizaremos el software
R, y concretamente el paquete "deSolve"para simular así la evolución de una enfermedad.

Comenzaremos con un primer ejemplo dónde tomaremos una población de 5000 per-
sonas y solamente 1 infectado en el instante inicial, es decir, S0 =4999, I0 =1 y R0 =0 (no
confundir este R0 , que se refiere a los infectados en t=0 con el índice reproductivo básico).
También tomaremos una tasa de contacto β=0.00015 y una tasa de recuperación γ=0.25.
Por tanto, Re =3>1, con lo cual habrá epidemia. Obsérvese que la gráfica 2.3 muestra la
evolución de la enfermedad durante 40 días, dónde se puede ver que el pico de contagios
se da el día 19, con unos 1400 infectados.

Además otro dato importante es el tiempo de recuperación de un individuo, que es

aproximadamente el inverso de γ, en nuestro caso γ1 =4 días.

En el segundo ejemplo, el escenario será el mismo, es decir, mismo número de personas

y mismas condiciones iniciales para susceptibles, infectados y recuperados pero bajaremos
la tasa de contacto a β=0.0001, manteniendo la misma γ=0.25. Así, Re =2>1, y habrá
epidemia pero con una subida de los infectados menos brusca. Obsérvese esta vez que la
gráfica 2.4 muestra la evolución de la enfermedad durante 70 días, pues la enfermedad se
extiende más en el tiempo al bajar el poder de infección. En este caso el pico de contagios
se da el día 34, con unos 800 infectados.
20 CAPÍTULO 2. MODELO SIR

Figura 2.3: Fuente: Elaboración propia usando R

Figura 2.4: Fuente: Elaboración propia usando R

2.4. EJEMPLOS GRÁFICOS 21

Por último, veamos un tercer ejemplo con la misma población, pero muchos más in-
fectados en el instante inicial, y dónde la epidemia remite (no se puede decir que no hay
epidemia pues hemos empezado con 500 infectados, pero sí que estos decrecen monoto-
namente). Es decir, con N =5000, S0 =4500, I0 =500 y R0 =0. La tasa de contacto será la
misma β=0.0001 y la de recuperación más alta γ=0.75. Así se tiene Re =0.6<1. Obsérvese
que la gráfica 2.5 muestra que en poco más de 10 días ya no hay infectados aún habiendo
muchos susceptibles.

Figura 2.5: Fuente: Elaboración propia usando R

22 CAPÍTULO 2. MODELO SIR
Capítulo 3

Aplicación del modelo SIR a casos

reales

En esta sección, aplicaremos lo visto en el capítulo anterior sobre el modelo SIR para
que nuestra solución se ajuste lo máximo posible a los datos reales e intentar predecir
acontecimientos futuros. Hay que tener en cuenta, que este modelo funciona bien para
casos concretos en intervalos de tiempo cortos, y que pequeños cambios en las condiciones
iniciales pueden provocar grandes cambios en la solución.

3.1. Epidemia de gripe A en La Gloria, México.

En Marzo de 2009, una gripe afectó a la población de una pequeña localidad en el

estado mexicano de Veracruz. En un principió, se creía que esta enfermedad era la gripe
porcina, ya que dicha localidad tiene una granja con miles de cerdos, pero los animales
estaban vacunados contra esta gripe porcina y además se les hacian análisis mensuales. En
pocas semanas esta enfermedad se extendió por otros lugares de México, Estados Unidos
y Canadá y más tarde por otras partes del resto del mundo.

La Gloria tiene una población de 2100 habitantes, y este virus, conocido como virus A
(H1N1), llegó a afectar a más del 60 % de los habitantes de la localidad. Algo que ayudó
a la expansión de este virus fueron las bajas temperaturas que se daban en esa época del
año, juntado a que La Gloria se encuentra a unos 2500 metros de altitud. En el Cuadro
3.1 se pueden ver los datos de infectados en esta localidad a lo largo del tiempo.

23
24 CAPÍTULO 3. APLICACIÓN DEL MODELO SIR A CASOS REALES

Tiempo (días) Casos

2 210
3.5 612
5.5 1278
8 1000
14 561
18 344
24 259

Cuadro 3.1: Datos de Gripe A en La Gloria. Fuente: [10]

Para estimar el parámetro γ, lo haremos de la forma más sencilla pero quizás con mayor
error. Hemos visto en la sección 2.4 que 1
γ es el tiempo aproximado de recuperación de un
individuo, y como nuestro caso es sabido que este tiempo es de unos 4 días, tenemos que
γ=0.25.

Ahora trataremos de estimar β basándonos solamente en los dos primeros datos, es

decir, los casos en el día 2 y los casos en el ”día 3.5”, y en γ. Por 2.3 tenemos que:

I ′ (2) ≈ βS(2)I(2) − γI(2) (3.1)

Despejando β tenemos que:

I ′ (2) + γI(2)
β≈ (3.2)
S(2)I(2)

De nuevo hacemos otra aproximación, esta vez de I’(2):

I(3,5) − I(2)
I ′ (2) ≈ (3.3)
3,5 − 2

Y así, con nuestros datos, ya podemos estimar β:

I(3,5)−I(2)
1,5 + γI(2) 268 + 0,25 · 210
β≈ = ≈ 0,0008 (3.4)
S(2)I(2) 1890 · 210

Obsérvese que Re ≈ 6>1 y claramente habrá epidemia.

3.1. EPIDEMIA DE GRIPE A EN LA GLORIA, MÉXICO. 25

Figura 3.1: La línea roja representa la estimación de los enfermos usando el modelo SIR y
los puntos negros los enfermos reales. Fuente: Elaboración propia usando R.

La estimación de la Figura 3.1 es bastante buena pero mejorable. Para ajustar mejor
nuestro modelo a los datos, suponemos que el tiempo de recuperación de un individuo es
de 5 días en vez de 4, así tenemos γ=0.2. Y tomando una tasa de contacto algo mayor
β = 0,00095 obtenemos un mejor ajuste.

Figura 3.2: La línea roja representa la estimación de los enfermos usando el modelo SIR con
una mejor estimación de γ y β, y los puntos negros los enfermos reales. Fuente: Elaboración
propia usando R.
26 CAPÍTULO 3. APLICACIÓN DEL MODELO SIR A CASOS REALES

3.2. Covid en las residencias.

Desde que en Diciembre de 2019, en Wuhan (China), tiene lugar el primer brote de
COVID-19, los contagios no pararon de crecer por todo el mundo hasta alcanzar el medio
millón a principios de Marzo. En concreto, en España, en esas fechas se declaró el estado
de alarma al detectarse los primeros casos en Madrid, y la cuarentena obligatoria. Quienes
vivían solos o con un grupo reducido de personas, lo tenías más complicado para contagiarse
pero quienes residían con más gente, como es el caso de las residencias, tenían mayor
porbabilidad de contagio.

Las residencias en España a principios de 2020 tenían una ocupación de al rededor

del 86 %, es decir unas 300.000 personas. En el Cuadro 3.2 vemos la evolución de los
infectados en cada semana. Téngase en cuenta que los datos son aproximados, puesto que,
al no conocerse mucho el virus, era complicado diagnosticar el mismo y por tanto el conteo
de los casos.

Tiempo (semana) Casos

0 51
1 89
2 211
3 556
4 1235
5 2093
6 3964
7 8024
8 11212
9 18140
10 19724
11 12700
12 6260
13 2408
14 1279
15 721
3.2. COVID EN LAS RESIDENCIAS. 27

Tiempo (semana) Casos

16 322
17 153
18 98
19 68
20 45

Cuadro 3.2: Datos de Covid en residencias en España. Fuente: [12]

Vamos ahora a proceder de la misma forma que el ejemplo anterior. Para estimar γ
tengamos en cuenta que los expertos recomendaban una cuarentena de una semana (al
principio más por si acaso), ya que el virus se podía transmitir durante algo menos de 7
días. Con lo cual tomamos γ=1.2 ( γ1 =0,83 semanas, que son 5,8 días aproximadamente).

Estimemos β teniendo en cuenta nuestra estimación de γ y los casos en las 2 primeras

semanas.

I ′ (0) ≈ βS(0)I(0) − γI(0) (3.5)

Despejando β tenemos que:

I ′ (0) + γI(0)
β≈ (3.6)
S(0)I(0)

De nuevo hacemos otra aproximación, esta vez de I’(0):

I(1) − I(0)
I ′ (0) ≈ (3.7)
1−0

Y así, con nuestros datos, ya podemos estimar β:

(I(1) − I(0)) + γI(0) 38 + 1,2 · 51

β≈ = ≈ 0,00000648 (3.8)
S(0)I(0) 299949 · 51

Obsérvese que Re ≈ 1.62>1 y habrá epidemia. Veamos qué tal se ajusta nuestro modelo
a los datos reales.
28 CAPÍTULO 3. APLICACIÓN DEL MODELO SIR A CASOS REALES

Figura 3.3: La línea roja representa la estimación de los enfermos usando el modelo SIR y
los puntos negros los enfermos reales. Fuente: Elaboración propia usando R.

Se observa que nuestro modelo se ajusta bastante bien a los datos, aunque quizás el
pico de contagios es demasiado alto. Proponemos para solucionar esto tomar un β algo
más pequeño, como 0.00000615. Así:

Figura 3.4: La línea roja representa la estimación de los enfermos usando el modelo SIR
con una mejor estimación de β y los puntos negros los enfermos reales. Fuente: Elaboración
propia usando R.
3.3. COVID TRAS CASI 2 AÑOS 29

3.3. Covid tras casi 2 años

Como ya dijimos en el ejemplo anterior, en Marzo de 2020 llegó a España la primera ola
de COVID-19, casi dos años después, en Enero de 2022, estamos viviendo la sexta ola. A
pesar de que la mayor parte de la población está vacunada, el virus ha mutado varias veces,
y los expertos dicen que se ha convertido en menos letal pero más contagioso. Además,
ahora es más fácil saber si un individuo está contagiado, pues los test de antígenos, que
detectan si una persona está infectada, están al alcance de la mayoría de personas, algo
que no ocurría en la primera ola, dónde sólo se diagnosticaba esta enfermedad si tenías
síntomas graves. Es decir, existe una gran cantidad de asintomáticos, tanto por la propia
naturaleza del virus en el cuerpo humano como por el hecho de estar vacunada la mayor
parte de la población. Con lo cual, el conteo de casos es más fiable ahora que en olas
anteriores.

En este ejemplo vamos a intentar predecir el pico de contagios, y la curva en general,

ya que esta es aún creciente. Esto es más complejo que en los ejemplos anteriores, pues
gran parte de la población está vacunada y los infectados puden aislarse. En el Cuadro 3.3
vemos la evolución de la enfermedad a lo largo del tiempo, dónde la semana 1 es la primera
de Noviembre de 2021 y la semana 11 la segunda de Enero de 2022.

Tiempo (semana) Casos

1 8932
2 20909
3 24899
4 39585
5 57386
6 86478
7 137116
8 195237
9 397397
10 734888
11 1069789

Cuadro 3.3: Datos de Covid en España. Fuente: [13]

30 CAPÍTULO 3. APLICACIÓN DEL MODELO SIR A CASOS REALES

Para el valor γ, pese a que el virus ha mutado, vamos a tomar la misma estimación
que en el ejemplo anterior γ=1.2, pues se estima que el tiempo del virus en un huésped
es el mismo. Para estimar β, procedemos de la misma manera que anteriormente, y así
β = 5 · 10−8 .

Figura 3.5: Fuente: Elaboración propia usando R.

Se observa que la estimación es bastante mala. Para solucionar esto, vamos a buscar
un β que se ajuste mejor a los datos, haciéndolo más pequeño. Esto tiene lógica, pues la
tasa de contagio tiene que ser más baja que al principio de la pandemia al estar vacunada
gran parte de la población. Tomando β = 3,57 · 10−8 .

Figura 3.6: Fuente: Elaboración propia usando R.

3.3. COVID TRAS CASI 2 AÑOS 31

Vemos que esta nueva estimación ajusta muy bien los datos, y estima que el pico de
contagios se dará en la semana 14, es decir la última de Enero, con más de 2 millones de
contagios.
32 CAPÍTULO 3. APLICACIÓN DEL MODELO SIR A CASOS REALES
Bibliografía

[1] FECYT Unidad Didáctica Matemáticas del Planeta Tierra, Editorial SM, 2014.

[2] I. A. ABELLÓ UGALDE, R. GUINOVART DÍAZ, W. MORALES LEZCA El modelo

SIR básico y políticas antiepidémicas de salud pública para la COVID-19 en Cuba,
Scielo, 2021. https : //scielosp.org/article/rcsp/2020.v46suppl1/e2597/es/ Fecha de
acceso: 15/12/2021.

[3] NICOLAS BACAËR A Short History of Mathematical Population Dynamics, Editorial

Springer, 2011.

[4] P.C. ÁLVAREZ-ESTEBAN, E. DEL BARRIO, C. RUEDA Modelos compartimen-

tales: un estudio comparativo de la evolución de la pandemia de COVID19 en Chi-
na y Castilla y León. IMUVA, 2020. http://www.imuva.uva.es/covid19/COVID19-
AnalisisComparadoChinaCyL.html Fecha de acceso: 20/12/2021.

[5] H. M. SRIVASTAVA, I. AREA, J. J. NIETO Power-series solution of compartmen-

tal epidemiological models. Mathematical Biosciences and Engineering 18 (2021), pp.
3274-3290.

[6] T. HARKO, F. S. N. LOBO, M. K. MAK Exact analytical solutions of the Susceptible-

Infected- Recovered (SIR) epidemic model and of the SIR model with equal death and
birth rates, Appl. Math. Comput., 236 (2014), pp. 184–194.

[7] S.NOVO, R. OBAYA, J. ROJO Ecuaciones y sistemas diferenciales, McGraw - Hill,

Madrid, 1995.

[8] M. BRAUN Differential equations and their applications, 3rd ed., Applied Mathema-
tical Sciences 15, Springer, (1983) New York.

[9] V. MARTIN BARROSO Una breve introducción al modelo SIR aplicado al caso del
COVID-19. ICEI Papers COVID-19; nº 12, 2020.

33
34 BIBLIOGRAFÍA

[10] HEKADEMUS FIEE. Volumen 02 número 04. Abril 2009.

[11] SERGAS. Datos del Covid en Galicia. https : //coronavirus.sergas.gal/datos//gl −

ES/galicia Fecha de acceso: 03/01/2022.

[12] IMSERSO. Datos del Covid en residencias en España. https :

//www.imserso.es/InterP resent1/groups/imserso/documents/binario/infr esid2 0211226.pdf
Fecha de acceso: 03/01/2022.

[13] Datos Covid sexta ola en España. https : //github.com/CSSEGISandData/COV ID−

19 Fecha de acceso: 11/01/2022.
Anexo

Códigos R
Códigos grafica SI

Código gráficas SIS

35
36 ANEXO

Código gráficas SIR