Model SIR untuk Penyebaran Penyakit - Hubungan Parameter dengan Data
Author(s): David Smith and Lang Moore Kembali
Rata-rata periode infeksi untuk Flu Hong Kong diketahui sekitar tiga hari, sehingga estimasi k = 1/3 yang kita gunakan mungkin tidak terlalu jauh. Adapun estimasi b yang kita gunakan hanyalah tebakan. Lebih lanjut, perkiraan yang baik tentang "laju kontak" populasi pasti akan tergantung pada banyak karakteristik populasi, seperti tingkat kepadatan penduduk. Pada bagian ini, kita akan melakukan ujicoba efek parameter pada solusi, lalu mencoba untuk menemukan nilai yang sesuai dengan data kematian yang terjadi di New York City. Kita fokuskan percobaan pada kelompok individu terinfeksi, i(t), karena kelompok ini memberikan informasi terkait perkembangan penularan penyakit.
- Percobaan pertama kita lakukan dengan perubahan pada nilai parameter b dengan nilai k tetap 1/3. Plot grafik i(t) dengan beberapa nilai b antara 0,5 dan 2,0. Jelaskan bagaimana efek perubahan b ini terhadap grafik i(t). Tetap waspada untuk perubahan otomatis pada skala vertikal. Untuk memudahkan pengamatan, variasikan warna dan overlay grafik secara berurutan.
- Jelaskan secara singkat mengapa perubahan yang terjadi pada model epidemi dapat diterima secara intuitif.
- Selanjutnya lakukan percobaan dengan perubahan pada nilai k. Kembali gunakan b=1/2 dengan perubahan nilai k yang berbeda pada rentang 0,1 dan 0,6. Jelaskan perubahan yang terjadi pada grafik i(t). Kembali waspada untuk perubahan otomatis pada skala vertikal. Untuk memudahkan pengamatan, variasikan warna dan overlay grafik secara berurutan.
- Jelaskan perubahan yang terjadi pada model sesuai dengan pemahaman anda secara intuitif.
- Perhatikan bahwa terdapat perubahan karakter grafik i(t) pada rentang nilai k yang digunakan (0,1 - 0,6). Perubahan apa yang terjadi dan di mana hal itu terjadi?
- Gunakan persamaan diferensial proporsi individu terinfeksi untuk menjelaskan bagaimana dapat memperkirakan nilai k dimana karakter grafik i(t) berubah.
- Sekarang kita bandingkan model dengan data. Ingat bahwa ini adalah jumlah kematian setiap minggu yang dapat dikaitkan dengan kasus epidemi flu. Jika kita berasumsi bahwa proporsi kematian di antara individu terinfeksi adalah konstan, maka jumlah kematian per minggu secara kasar harus sebanding dengan jumlah orang yang terinfeksi pada beberapa minggu sebelumnya. Perhatikan kembali grafik data dan grafik i(t) dengan nilai k = 1/3 dan b = 6/10. Apakah model itu tampak masuk akal atau tidak? Jelaskan kesimpulan Anda.
Link Artikel
- Model SIR untuk Penyebaran Penyakit - Latar Belakang
- Model SIR untuk Penyebaran Penyakit - Model Persaman Diferensial
- Model SIR untuk Penyebaran Penyakit - Metode Euler
- Model SIR untuk Penyebaran Penyakit - Hubungan Parameter dengan Data
- Model SIR untuk Penyebaran Penyakit - Jumlah Kontak
- Model SIR untuk Penyebaran Penyakit - Kekebalan
- Model SIR untuk Penyebaran Penyakit - Ringkasan
Kategori
Arsip
- July 2023 (3)
- January 2023 (1)
- December 2022 (1)
- August 2022 (1)
- July 2022 (6)
- March 2022 (1)
- September 2021 (2)
- October 2020 (1)
- July 2020 (2)
- April 2020 (1)
- November 2019 (1)
- September 2019 (1)
- August 2019 (2)
- July 2019 (1)
- May 2019 (1)
- February 2019 (1)
- September 2018 (2)
- August 2018 (1)
- July 2018 (4)
- June 2018 (5)
- September 2017 (2)
- August 2017 (1)
- April 2017 (1)
- October 2016 (1)
- September 2016 (2)
- September 2015 (4)
- June 2015 (1)
Blogroll
- 01 Sistem Informasi Akademik
- 02 Repository UNG
- 03 Universitas Negeri Gorontalo
- 04 Beasiswa DIKTI
- 05 Beasiswa LPDP
- 06 BookFi
- 07 Indonesian Mathematical Society
- 08 EBSCOhost
- 09 Library Genesis
- 10 Khan Academy
- 11 Blog Pribadi
- 12 Twitter
- 13 Facebook
- 14 Pdf Drive
- 15 Pangkalan Data UNG
- 16 Differential Equation
- 17 Math is Fun
- 18 Jambura Journal of Mathematics
- 19 OSF
- 20 Sci-Hub
- 21 Researchsquare
- 22 Kalkulator Math
- 23 Gometa
- 24 Microsite
- 25 Wordwall
- 26 Science Direct
- 27 BSRE BSSN
- 28 OpenAI
- 29 Quillbot
- 30 Perplexity
- 31 Citation FInder