数学建模-传染病模型-
数学建模传染病模型例题
数学建模传染病模型例题（最新版）目录一、引言二、数学建模传染病模型的基本概念1.SEIR 模型2.SIS 模型3.SIR 模型三、数学建模传染病模型的例题1.模型假设2.模型建立3.模型求解四、结论正文一、引言随着全球化的发展，传染病的传播越来越引起人们的关注。
为了更好地预测和控制传染病的传播，数学建模传染病模型被广泛应用。
本文将以数学建模传染病模型为例，介绍相关的模型概念和例题。
二、数学建模传染病模型的基本概念（1）SEIR 模型SEIR 模型是传染病数学模型中最基本的模型之一，它将人群分为四类：易感者 (Susceptibles)、暴露者 (Exposed)、感染者 (Infectives) 和抵抗者 (Resistances)。
该模型假设人群数量不变，感染者会以一定的速率传染给易感者，同时易感者会以一定的速率转变为暴露者，暴露者在一定时间后转为感染者，感染者又会在一定时间后转为抵抗者。
（2）SIS 模型SIS 模型是 SEIR 模型的一种特殊形式，它将人群分为易感者(Susceptibles)、感染者 (Infectives) 和恢复者 (Recovered) 三类。
该模型假设易感者与感染者的接触会导致疾病传播，感染者会在一定时间后恢复为易感者，恢复者则具有免疫力。
（3）SIR 模型SIR 模型是另一种常见的传染病数学模型，它将人群分为易感者(Susceptibles)、感染者 (Infectives) 和恢复者 (Recovered) 三类。
与 SIS 模型不同的是，SIR 模型假设感染者会以一定的速率恢复为易感者，而恢复者则具有免疫力。
SIR 模型适用于短期传染病，例如流感。
三、数学建模传染病模型的例题假设某个地区有 10000 人，其中易感者占 80%，感染率为 0.01，恢复率为 0.9。
我们需要建立一个数学模型来预测疾病传播的过程。
（1）模型假设我们假设疾病传播满足 SEIR 模型，人群分为易感者、暴露者、感染者和恢复者四类。
数学建模传染病模型例题
数学建模传染病模型例题一、传染病模型简介传染病模型是数学建模的一个重要分支，主要用于描述传染病在人群中的传播规律。
通过构建合适的数学模型，可以研究传染病的传播动力学、预测疫情发展趋势以及评估防控措施的效果。
本文将重点介绍几种常见的传染病模型及其应用。
二、传染病模型的类型及应用1.SIR模型SIR模型是一种基于微分方程的传染病模型，其中S、I、R分别代表易感者（Susceptible）、感染者（Infected）和康复者（Recovered）。
该模型通过描述易感者感染、感染者康复以及康复者不再易感的动态过程，揭示了传染病在人群中的传播规律。
SIR模型在分析疫情爆发、研究防控措施等方面具有广泛应用。
2.SEIR模型SEIR模型是在SIR模型基础上发展的一种传染病模型，其中E代表潜伏者（Exposed）。
与SIR模型相比，SEIR模型增加了潜伏期这一概念，使得模型更加符合实际情况。
该模型可以用于研究传染病的传播速度、预测疫情发展趋势以及评估疫苗的效果。
3.SI模型SI模型是一种简化的传染病模型，仅包含易感者和感染者两个群体。
该模型适用于分析短期传染病，如流感等。
通过研究易感者与感染者的动态关系，可以预测疫情爆发的时间和规模。
三、传染病模型的参数估计与预测传染病模型的参数估计是数学建模的关键环节，通常采用最大似然估计、贝叶斯估计等方法。
此外，基于传染病模型的预测技术在疫情防控中也具有重要意义。
通过构建时间序列模型，如ARIMA、SVM等，可以预测未来一段时间内疫情的发展趋势。
四、数学建模在传染病防控中的实际应用数学建模在传染病防控中具有广泛应用，如疫情监测、防控措施评估、疫苗研究等。
通过对传染病模型的深入研究，可以为政府部门提供科学依据，协助制定针对性的防控策略。
五、案例分析本文将结合具体案例，如我国2003年非典疫情、2020年新冠肺炎疫情等，详细阐述传染病模型在实际应用中的重要作用。
通过分析案例，可以加深对传染病模型的理解，为今后疫情防控提供借鉴。
传染病数学建模
传染病数学建模
传染病数学建模是一种使用数学方法来描述和预测传染病传播过程的手段。
通过建立数学模型，研究人员可以更好地理解疾病的传播机制，预测其在未来的发展趋势，并为防控措施的制定提供科学依据。
在传染病数学建模中，常见的模型有SIR 模型、SEIR 模型、SEIRS 模型等。
这些模型通过定义不同的状态变量来描述人群中不同个体的状态，如易感者（Susceptible）、感染者（Infected）、康复者（Recovered）等。
然后，通过建立微分方程或差分方程来描述这些状态变量之间的动态关系。
在SIR 模型中，假设人群中只有易感者和感染者两种状态，感染者经过一段时间后会自行康复并获得免疫力。
在SEIR 模型中，增加了“暴露”状态，表示已经接触但尚未表现出症状的个体。
而在SEIRS 模型中，除了“暴露”状态外，还增加了“易感”状态，表示从未被感染过且没有免疫力的人群。
除了以上提到的模型外，还有许多其他的数学模型用于描述传染病传播过程，如基于agent 的模型、网络模型、元胞自动机模型等。
这些模型各有优缺点，需要根据具体的研究问题和数据来选择合适的模型。
总之，传染病数学建模是一种重要的研究手段，可以帮
助我们更好地理解疾病的传播机制和预测未来的发展趋势。
通过建立数学模型，我们可以更好地制定防控措施，减少疾病的传播和影响。
数学建模传染病模型例题
以下是一个简单的数学建模传染病模型的例题：
问题：假设有一个小岛上住着100个人，其中有1个是传染病源。
初始时，这个人不知道自己已经患病，所以没有采取隔离措施。
其他人也不知道有传染病源在岛上。
假设每天，每个健康的人都有可能接触并感染患病的人，感染的概率是p。
另外，健康的人每天也有1个单位的时间用于自我保护，减少被感染的风险。
假设在t天后，岛上有x个人被感染。
我们需要找出p和时间t的关系，以及如何通过调整p来控制传染病的传播。
假设：
1. 每个人每天只能接触一次患病的人。
2. 每个人每天有1个单位的时间用于自我保护。
3. 每个人接触患病的人后，有p的概率被感染。
4. 初始时，只有1个人是患病者。
5. 没有新的外来感染者进入岛上。
模型建立：
根据上述假设，我们可以建立如下的微分方程模型：
dx/dt = p * (100 - x) * (1/100) - x/100
其中，x表示被感染的人数，p表示感染概率，t表示时间。
求解模型：
通过求解这个微分方程模型，我们可以得到x与t的关系。
由于这个方程较为简单，我们可以直接求解它，找出x的解。
然后我们可以根据解的情况，讨论p对x的影响，从而找到控制传染病传播的方法。
通过上述模型和求解过程，我们可以了解传染病的传播情况以及如何通过调整感染概率p来控制其传播。
这个例题可以帮助我们理解数学建模在传染病控制中的应用，并为实际的传染病控制提供理论支持。
数学建模之传染病模型
第五章 微 分 方 程 模 型如果实际对象的某特性是随时间（或空间）变化的，那么分析它的变化规律，预测它的未来性态时，通常要建立此实际对象的动态模型，这就是微分方程模型.§1 传 染 病 模 型建立传染病的数学模型来描述传染病的传播过程，分析受感染人数的变化规律，预报传染病高潮的到来等，一直是各国有关专家和官员关注的课题.考虑某地区的传染病的传染情况，设该地区人口总数为N ，既不考虑生死，也不考虑迁移，时间以天为计量单位.一. SI 模 型假设条件：1. 人群分为易感染者(Susceptible )和已感染者(Infective )两类人，简称为健康人和病人，在时刻t 这两类人在总人数中所占比例分别记作()t s 和()t i .2. 每个病人每天有效接触的平均人数是λ(常数)，λ称为日接触率，当病人与健康人有效接触时，使健康者受感染变为病人. 试建立描述()t i 变化的数学模型.解： ()()1=+t i t s Θ ()()N N t i N t s =+∴由假设2知，每个病人每天可使()t s λ个健康者变为病人，又由于病人数为()t i N ，∴每天共有()()t i N t s λ个健康人被感染.于是i s N λ就是病人数i N 的增加率，即有i s N dtdiN λ=………………………………………………(1) i s diλ=∴而1=+i s .又记初始时刻(0=t )病人的比例为0i ，则()()⎪⎩⎪⎨⎧=-=001i i i i dt diλ 这就是Logistic 模型，其解为 ()te i t i λ-⎪⎪⎭⎫ ⎝⎛-+=11110［结果分析］作出()t t i ~和i dtdi~的图形如下：1. 当21=i 时，dtdi 取到最大值mdt di ⎪⎭⎫⎝⎛，此时刻为⎪⎪⎭⎫⎝⎛-=-11ln 01i t m λ 2. 当∞→t 时，1→i 即所有人终将被传染，全变为病人（这是不实际的）.二. SIS 模 型在前面假设1、2之下，再考虑病人可以医治，并且有些传染病如伤风、痢疾等愈后免疫力很低，可以假定无免疫性，于是病人被治愈后变成健康者，健康者还可以被感染再变成病人，此模型称SIS 模型.假设1、2同SI 模型，增加假设:3. 病人每天被治愈的人数占病人总数的比例为μ，称为日治愈率.病人治愈后成为易感染者（健康人）.显然μ1是这种传染病的平均传染期.解：在假设1、2、3之下，模型（1）修正为i N i Ns dtdiNμλ-= 于是 ()()⎪⎩⎪⎨⎧=--=001i i i i i dt diμλ解得()()⎪⎪⎩⎪⎪⎨⎧⎪⎪⎭⎫ ⎝⎛+≠⎥⎦⎤⎢⎣⎡⎪⎪⎭⎫ ⎝⎛--+-=--- ＝ －μλλμλμλλμλλμλ,1,11010i t e i t i t［结果分析］ 1. 令μλσ=.注意到λ和μ1的含义，可知σ是一个传染期内每个病人有效接触的平均人数，称为接触数.()⎪⎩⎪⎨⎧-=∞ 011σi 11≤>σσ1-2. 接触数1=σ是一个阈值.当1≤σ时，病人比例()t i 越来越小，最终趋于零.当1>σ时，()t i 的增减性取决于0i 的大小，其极限值()σ11-=∞i .3. SI 模型是SIS 模型中0=μ的情形.三. SIR 模 型大多数传染病如天花、流感、肝炎、麻疹等治愈后均有很强的免疫力，所以病愈的人既非健康者,也非病人,他们已经退出传染系统，此时模型的假设为 1.人群分为健康者、病人和病愈免疫的移出者三类，称为SIR 模型.三类人在总人数N 中占的比例分别记作()i s 、()t i 和()t r .1. 病人的日接解率为λ，日治愈率为μ（与SIS 模型相同），传染期接触数为μλσ＝.解：由假设1，有()()()1=++t r t i t s 0=++∴dtdrdt di dt ds 由假设2，得i N dt dr N μ= N i N i s dtdiN μλ-=⎪⎪⎩⎪⎪⎨⎧-==∴i i s dtdi i dtdrμλμ 又设()()()00,0,000===r i i s s于是()()⎪⎪⎪⎩⎪⎪⎪⎨⎧==-=-=00s 0s ,0i i i s dt dsi i s dt diλμλ (2)精选文库我们在相平面上来讨论解的性质. 相轨线的定义域为(){}1s ,0,0s ,s ≤+≥≥=i i i D 由(2)式消去dt ，得⎪⎩⎪⎨⎧=-==0s s 01s 1s i i d di σ 这里 μλσ= 解得()000s sln1s -i s σ++=i ………………………………………(3) 在定义域D 内，(3)式表示的曲线即为相轨线.。
数学建模_传染病模型
传染病模型医学科学的发展已经能够有效地预防和控制许多传染病，但是仍然有一些传染病暴发或流行，危害人们的健康和生命。
社会、经济、文化、风俗习惯等因素都会影响传染病的传播，而最直接的因素是：传染者的数量及其在人群中的分布、被传染者的数量、传播形式、传播能力、免疫能力等。
一般把传染病流行范围内的人群分成三类：S 类，易感者(Susceptible)，指未得病者，但缺乏免疫能力，与感染者接触后容易受到感染；I 类，感病者(Infective)，指染上传染病的人，它可以传播给S 类成员；R 类，移出者(Removal)，指被隔离或因病愈而具有免疫力的人。
问题提出请建立传染病模型，并分析被传染的人数与哪些因素有关？如何预报传染病高潮的到来?为什么同一地区一种传染病每次流行时，被传染的人数大致不变？关键字:传染病模型、建模、流行病摘要：随着卫生设施的改善、医疗水平的提高以及人类文明的不断发展，诸如霍乱、天花等曾经肆虐全球的传染性疾病已经得到有效的控制。
但是一些新的、不断变异着的传染病毒却悄悄向人类袭来。
20世纪80年代十分险恶的爱滋病毒开始肆虐全球，至今带来极大的危害。
还有最近的SARS 病毒和禽流感病毒，都对人类的生产生活造成了重大的损失。
长期以来，建立制止传染病蔓延的手段等，一直是各国有关专家和官员关注的课题。
不同类型传染病的传播过程有其各自不同的特点，弄清这些特点需要相当多的病理知识，这里不可能从医学的角度一一分析各种传染病的传播，而只是按照一般的传播模型机理建立几种模型。
模型1在这个最简单的模型中，设时刻t 的病人人数x(t)是连续、可微函数，病人人数的增加，就有到考察的人数为常数足使人致病接触并且每天每个病人有效t t t ∆+λ)(t t x t x t t x ∆=-∆+)()()(λ程有个病人，即得微分方时有再设00x t =)1()0(,d d 0x x x tx==λ方程（1）的解为 )2()(0te x t x λ=结果表明，随着t 的增加，病人人数x(t)无限增长，这显然是不符合实际的。
数学建模——传染病模型
传染病模型摘要当今社会，人们开始意识到通过定量地研究传染病的传播规律，建立传染病的传播模型，可以为预测和控制传染病提供可靠、足够的信息。
本文利用微分方程稳定性理论对传统传染病动力学建模方式进行综述，且针对甲流，SARS等新生传染病模型进行建模和分析。
不同类型的传染病的传播过程有其各自不同的特点，我们不是从医学的角度一一分析各种传染病的传播，而是从一般的传播机理分析建立各种模型，如简单模型，SI模型，SIS模型，SIR模型等。
本文中，我们应用传染病动力学模型来描述疾病发展变化的过程和传播规律，运用联立微分方程组体现疫情发展过程中各类人的内在因果联系，并在此基础上建立方程求解算法。
然后，通过借助Matlab程序拟合出与实际较为符合的曲线并进行了疫情预测，评估各种控制措施的效果，从而不断完善文中的模型。
本文由简到难、全面地评价了该模型的合理性与实用性，而后对模型和数据也做了较为扼要的分析，进一步改进了模型的不妥之处。
同时，在对问题进行较为全面评价的基础上又引入更为全面合理的假设，运用双线性函数模型对卫生部的措施进行了评价并给出建议，做好模型的完善与优化工作。
关键词：传染病模型,简单模型，SI，SIS,SIR，微分方程，Matlab。
一、问题重述有一种传染病（如SARS、甲型H1N1）正在流行，现在希望建立适当的数学模型，利用已经掌握的一些数据资料对该传染病进行有效地研究，以期对其传播蔓延进行必要的控制，减少人民生命财产的损失。
考虑如下的几个问题，建立适当的数学模型，并进行一定的比较分析和评价展望。
1、不考虑环境的限制，设单位时间内感染人数的增长率是常数，建立模型求t 时刻的感染人数。
2、假设单位时间内感染人数的增长率是感染人数的线性函数，最大感染时的增长率为零。
建立模型求t时刻的感染人数。
3、假设总人口可分为传染病患者和易感染者，易感染者因与患病者接触而得病，而患病者会因治愈而减少且对该传染病具有很强的免疫功能，建立模型分析t 时刻患病者与易感染者的关系，并对传染情况（如流行趋势，是否最终消灭）进行预测。
数学建模——传染病模型_2022年学习资料
数学模型-模型2-di-dt-=2i1-iLogistic模型-i0=。-it=-1/2-io-tm-t= ,m,dildt最大-人n--tm~传染病高潮到来时刻-t>00→i>1?-2日接触率↓→tm↑-病人可以 愈！-0①
数学模型-模型3-传染病无免疫性一病人治愈成-为健康人，健康人可再次被感染-SIS模型-增加假设-3病人每 治愈的比例为4-4~日治愈率-建模W[it+△t-it]=Wstit△t-uWit△t-di-=2i1-i-入~日接触率-dt-i0=i。-1/μ ~感染期-6-、一个感染期内每个病人的-有效接触人数，称为接触数
数学模型-模型4-传染病有免疫性—病人治愈-SIR模型-后即移出感染系统，称移出者-假设-1总人数N不变， 人、健康人和移-出者的比例分别为it,t,rt-2病人的日接触率2，日治愈率山-接触数σ =入/4-建模-s +it+rt=1-需建立it,St,rt的两个方程-00①
数学模型-模型4-SIR模型-W[it+△t-it]=2Wstit△t-uWit△t-W[st+△t-st =-2Nstit△t-di-E见si-i-=-si-dr-人Z-i0=io,s0=So,i0=0-00①
数学模型-传染病模型-问题-·描述传染病的传播过程-·分析受感染人数的变化规律-·预报传染病高潮到来的时刻 ·预防传染病蔓延的手段-·按照传播过程的一般规律，-用机理分析方法建立模型-00①
数学模型-模型1-已感染人数（病人）t-假设-每个病人每天有效接触-足以使人致病人数为入-建模-it+△t it=入it△t-di-:i-dt-it=ie"-i0-io-0t→00→i→00？-若有效接触的是病人， 必须区分已感染者（病-则不能使病人数增加-人和未感染者（健康人）
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
传染病模型医学科学的发展已经能够有效地预防和控制许多传染病，但是仍然有一些传染病暴发或流行，危害人们的健康和生命。
社会、经济、文化、风俗习惯等因素都会影响传染病的传播，而最直接的因素是：传染者的数量及其在人群中的分布、被传染者的数量、传播形式、传播能力、免疫能力等。
一般把传染病流行范围内的人群分成三类：S类，易感者(Susceptible)，指未得病者，但缺乏免疫能力，与感染者接触后容易受到感染；I类，感病者(Infective)，指染上传染病的人，它可以传播给S类成员；R类，移出者(Removal)，指被隔离或因病愈而具有免疫力的人。
问题提出请建立传染病模型，并分析被传染的人数与哪些因素有关如何预报传染病高潮的到来为什么同一地区一种传染病每次流行时，被传染的人数大致不变关键字:传染病模型、建模、流行病摘要：随着卫生设施的改善、医疗水平的提高以及人类文明的不断发展，诸如霍乱、天花等曾经肆虐全球的传染性疾病已经得到有效的控制。
但是一些新的、不断变异着的传染病毒却悄悄向人类袭来。
20世纪80年代十分险恶的爱滋病毒开始肆虐全球，至今带来极大的危害。
还有最近的SARS病毒和禽流感病毒，都对人类的生产生活造成了重大的损失。
长期以来，建立制止传染病蔓延的手段等，一直是各国有关专家和官员关注的课题。
不同类型传染病的传播过程有其各自不同的特点，弄清这些特点需要相当多的病理知识，这里不可能从医学的角度一一分析各种传染病的传播，而只是按照一般的传播模型机理建立几种模型。
模型1在这个最简单的模型中，设时刻t的病人人数x(t)是连续、可微函数，方程（1）的解为结果表明，随着t的增加，病人人数x(t)无限增长，这显然是不符合实际的。
建模失败的原因在于：在病人有效接触的人群中，有健康人也有病人，而其中只有健康人才可以被传染为病人，所以在改进的模型中必须区别健康人和病人这两种人。
模型2 SI模型假设条件为1.在疾病传播期内所考察地区的总人数N不变，即不考虑生死，也不考虑迁移。
人群分为易感染者即健康人（Susceptible）（S）和已感染者即病人（Infective）（i）两类（取两个词的第一个字母，称之为SI模型），以下简称健康者和病人。
时刻t这两类人在总人数中所占比例分别记作s(t)和i(t)。
2.每个病人每天有效接触的平均人数是常数 ，称为日接触率。
当病人与健康者接触时，使健康者受感染变为病人。
1方程（5）是Logistic 模型。
它的解为这时病人增加的最快，可以认为是医院的门诊量最大的一天，意味着传染病高潮的到来，是医疗卫生部门应该关注的时刻。
况。
，这显然不符合实际情将被传染，全变为病人即所有人终时到来。
第二，当可以推迟传染病高潮的健设施、提高卫生水平以改善保越小卫生水平越高。
所，表示该地区的卫生水平成反比，因为日接触率与,1→∞→i t t m λλλ其原因是模型中没有考虑到病人可以治愈，人群中的健康者只能变成病人，病人不会再变成健康者。
模型3 SIS 模型有些病毒人在感染并治愈之后，没有免疫性，即还有可能再被感染。
模型假设在模型二假设条件的前提下我们再增加一个假设条件3.病人每天治愈的比例为μ日治愈率。
μλσ=一个感染期内每个病人的有效接触人数模型构成于是有[]Ni(t)-t (t)i(t)i(t)-t)i(t N μλ∆=∆+Ns （8）可得微分方程i i(0) i -i)-(1==μλi dt di 0 （9） 得到[])1/-(1--di σλi i dt = （10）模型 4 SIR 模型大多数传染者如天花 流感 肝炎 麻疹等治愈后均有很强的免疫力，所以冰域的人即非易感者，也非感病者，因此他们将被移除传染系统，我们称之为移除者，记为R 类SIR 模型是指易感染者被传染后变为感染住，感病者可以被治愈，并会产生免疫力，变为移除者。
人员流动图为：S-I-R 。
假设：1 总人数为常数N ，且i （t ）+s （t ）+r （t ）=1；2 .病人的日接触率（每个病人每天有效接触的平均人数）为常数λ，日治愈率（每天被治愈的病人占总病人数的比例）为常数μ，显然平均传染期为1／μ，传染期接触数为σ=λ／μ。
该模型的缺陷是结果常与实际有一定程度差距，这是因为模型中假设有效接触率传染力是不变的。
3 单位时间内病愈免疫的人数与但是的病人人数成正比，比例系数l 。
称为恢复系数。
在以上三个基本假设条件下，易感染者从患病到移出的过程框图表示如下：模型结构在假设1中显然有：s(t) + i(t) + r(t) = 1 （1） 对于病愈免疫的移出者的数量应为r td N Ni d μ= （2） 不妨设初始时刻的易感染者，染病者，恢复者的比例分别为0s （0s ＞0），0i （0i ＞0），0r =0. SIR 基础模型用微分方程组表示如下：di dt ds dtdr dt si isi i λμλμ⎧=-⎪⎪⎪=-⎨⎪⎪=⎪⎩（3）s(t) ， i(t)的求解极度困难，在此我们先做数值计算来预估计s(t) ， i(t)的一般变化规律。
数值计算在方程（3）中设λ=1，μ=，i （0）= ，s （0）=，用MATLAB 软件编程：function y=ill(t,x)a=1;b=;y=[a*x(1)*x(2)-b*x(1);-a*x(1)*x(2)];ts=0:50;x0=[,];[t,x]=ode45('ill',ts,x0);plot(t,x(:,1),t,x(:,2))pauseplot(x(:,2),x(:,1))输出的简明计算结果列入表1。
i(t) , s(t)的图形以下两个图形，i~s 图形称为相轨线,初值i(0)=,s(0)=相当于图2中的P0点,随着t 的增,(s,i)沿轨线自右向左运动.由表1、图1、图2可以看出,i(t)由初值增长至约t=7时达到最大值,然后减少,t→∞,i→0,s(t)则单调减少,t→∞,s→. 并分析i(t),s(t)的一般变化规律.31相轨线分析我们在数值计算和图形观察的基础上，利用相轨线讨论解i （t ）,s （t ）的性质。
D = ｛（s ，i ）| s≥0，i≥0 ， s + i ≤1｝在方程（3）中消去t d 并注意到σ的定义，可得11i s d d ⎛⎫=- ⎪⎝⎭s σ 00|s s i i == （5） 所以：11i s d d ⎛⎫=- ⎪⎝⎭s σ ⇒00i 11s i s i s d d ⎛⎫=- ⎪⎝⎭⎰⎰s σ （6）利用积分特性容易求出方程(5)的解为：0001()ln s i s i s s σ=+-= （7） 在定义域D 内,(6)式表示的曲线即为相轨线,如图3所示.其中箭头表示了随着时间t 的增加s(t)和i(t)的变化趋向图3下面分析s(t),i(t)和r(t)的变化情况(t→∞时它们的极限值分别记作s ∞, i ∞和r ∞).1. 不论初始条件s0,i0如何,病人将消失,即：0,t −→−∞−→−i 2. 最终未被感染的健康者的比例是 ,在(7)式中令i=0得到, 是方0001ln 0s s i s s σ∞∞+-+= 在(0,1/σ)内的根.在图形上 是相轨线与s 轴在(0,1/σ)内交点的横坐标3.若0s >1/σ,则开始有11i s d o d ⎛⎫=-> ⎪⎝⎭s σ，i(t)先增加, 令11i s d d ⎛⎫=- ⎪⎝⎭s σ=0，可得当s=1/σ时,i(t)达到最大值：然后s<1/σ时，有11i s d o d ⎛⎫=-< ⎪⎝⎭s σ ，所以i(t)减小且趋于零,s(t)则单调减小至s ∞,如图3中由P1(0s ，0i )出发的轨线4.若0s ≤1/σ,则恒有110i s d d ⎛⎫=-< ⎪⎝⎭s σ，i(t)单调减小至零,s(t)单调减小至s ∞,如图3中由P2(s0,i0)出发的轨线可以看出,如果仅当病人比例i(t)有一段增长的时期才认为传染病在蔓延,那么1/σ是一个阈值,当0s >1/σ(即σ>1/s0)时传染病就会蔓延.而减小传染期接触数σ,即提高阈值1/σ使得0s ≤1/σ(即σ ≤1/0s ),传染病就不会蔓延(健康者比例的初始值0s 是一定的,通常可认为0s 接近1)。
并且,即使0s >1/σ, σ减小时, s ∞增加(通过作图分析), m i 降低,也控制了蔓延的程度.我们注意到在σ=λμ中,人们的卫生水平越高,日接触率λ越小;医疗水平越高,日治愈率μ越大,于是σ越小,所以提高卫生水平和医疗水平有助于控制传染病的蔓延. 从另一方面看, 1/s s σλμ=•是传染期内一个病人传染的健康者的平均数,称为交换数,其含义是一病人被s σ个健康者交换.所以当 01/s σ≤ 即01s σ≤时必有 .既然交换数不5超过1,病人比例i(t)绝不会增加,传染病不会蔓延。
群体免疫和预防：根据对SIR 模型的分析,当01/s σ≤ 时传染病不会蔓延.所以为制止蔓延,除了提高卫生和医疗水平,使阈值1/σ变大以外,另一个途径是降低0s ,这可以通过比如预防接种使群体免疫的办法做到.忽略病人比例的初始值0i 有001s r =-,于是传染病不会蔓延的条件01/s σ≤ 可以表为 这就是说，只要通过群体免疫使初始时刻的移出者比例（即免疫比例）就可以制止传染病的蔓延。
这种办法生效的前提条件是免疫者要均匀分布在全体人口中，实际上这是很难做到的。
据估计当时印度等国天花传染病的接触数 σ=5，至少要有80%的人接受免疫才行。
据世界卫生组织报告，即使花费大量资金提高0r ，也因很难做到免疫者的均匀分布，使得天花直到1977年才在全世界根除。
而有些传染病的σ更高，根除就更加困难。
模型验证:上世纪初在印度孟买发生的一次瘟疫中几乎所有病人都死亡了。
死亡相当于移出传染系统，有关部门记录了每天移出者的人数，即有了r td d 的实际数据，Kermack 等人用这组数据对SIR 模型作了验证。
首先，由方程（2），（3）可以得到s r t d d si si s d dt λσμσ=-=-=- 1s r d d sσ⇒=-t 上式两边同时乘以d 可 ，两边积分得 所以： ()0()r t s t s e σ-= (8) 再0(1)(1)r r td i r s r se d σμμμ-⇒==--=-- (9) 当 1/r σ≤ 时，取（13）式右端r e σ-Taylor 展开式的前3项得：22000(1)2r t s r d r s s r d σμσ=--+- (10) 在初始值0r =0 下解高阶常微分方程得:0201()(1)()2t r t s th s αμσαϕσ⎡⎤=-+-⎢⎥⎣⎦(11) 其中222000(1)2s s i ασσ=-+，01s th σϕα-= 从而容易由（10）式得出：然后取定参数 s0, σ等，画出（11）式的图形，如图4中的曲线，实际数据在图中用圆点表示，可以看出，理论曲线与实际数据吻合得相当不错。