传染病问题中的SIR模型
sir模型
SIR模型引言SIR模型是一种常见的传染病传播模型，通过将人群划分为易感者（Susceptible）、感染者（Infected）和康复者（Recovered）三个群体，来描述传染病在人群中的传播动态。
该模型可以帮助我们了解传染病传播的机制，并为制定相关的防控策略提供理论依据。
模型假设SIR模型基于以下几个假设：1.人群是封闭的，不存在人口流动。
2.传染病具有传染性，即感染者能够传播疾病给易感者。
3.一旦染病，个体不会再次感染，也就是说一旦康复者，就会永久免疫。
4.感染者和康复者之间不存在自发恢复或死亡的情况，即感染者只能变为康复者，不会出现其他结果。
SIR模型基于一组微分方程来描述易感者、感染者和康复者的人数变化。
设总人口为N，易感者人数为S，感染者人数为I，康复者人数为R，则模型方程如下：dS/dt = -beta * S * I / NdI/dt = beta * S * I / N - gamma * IdR/dt = gamma * I其中，beta表示感染率，代表单位时间内一个感染者能够传染给多少易感者；gamma表示康复率，代表单位时间内一个感染者能够康复的比例。
参数估计与模拟为了应用SIR模型进行疫情预测，需要估计模型中的参数。
感染率beta和康复率gamma可以通过历史数据进行估计，例如根据已知的感染者和康复者数据来求解模型方程，拟合出合适的参数值。
针对已估计出的参数值，可以使用数值模拟方法对模型进行求解，得到不同时间点上各类人群的人数变化情况。
这样可以推测出疫情在未来的发展趋势，从而为做好疫情防控提供科学依据。
SIR模型具有广泛的应用价值，可以用于预测传染病的传播情况、评估防控策略的有效性以及比较不同策略的效果。
在实际应用中，研究者会根据特定的传染病特征和实际情况，进行模型的调整和改进。
一些常见的改进包括考虑潜伏期、医疗资源的限制、人群的社交行为等因素。
这样可以更加贴近实际情况，提高模型的准确性和可靠性。
传染病传播模型
传染病传播模型传染病一直是人类面临的严重公共卫生问题之一，了解传染病的传播规律对于控制疫情的蔓延至关重要。
在传染病学领域，研究人员提出了各种传染病传播模型，以帮助我们更好地理解疾病的传播过程。
本文将介绍几种常见的传染病传播模型。
一、SIR模型SIR模型是最经典的传染病传播模型之一，模型中将人群划分为易感者(S)，感染者(I)和康复者(R)三个群体。
在SIR模型中，易感者被感染后转为感染者，感染者经过一段潜伏期后康复并具有免疫力。
该模型适用于传染病传播速度较慢且一旦康复后不再感染的情况。
二、SEIR模型SEIR模型在SIR模型的基础上增加了潜伏者(E)这一群体，即将易感者感染后先转化为潜伏者，再由潜伏者成为感染者。
这样的模型更适用于具有潜伏期的传染病，如流感和艾滋病等。
通过引入潜伏者这一群体，SEIR模型可以更准确地反映出疾病的传播过程。
三、SI模型与SIR模型和SEIR模型不同，SI模型只考虑了易感者和感染者这两类人群，即易感者一旦被感染就无法康复并具有免疫力。
SI模型适用于那些一旦感染就无法康复的传染病，比如艾滋病和病毒性肝炎等。
四、SIS模型SIS模型在SI模型的基础上增加了康复者再次成为易感者这一过程，即感染者可以康复但并没有永久的免疫力。
SIS模型适用于那些患者可以反复感染的传染病，如流感和普通感冒等。
五、SEIRS模型在SEIR模型的基础上，SEIRS模型引入了康复者再次成为易感者这一过程，从而更为贴合实际传染病的传播过程。
SEIRS模型适用于那些感染后康复后不具备永久免疫力的疾病。
以上是一些常见的传染病传播模型，每种模型都有其适用的场景和特点。
在实际研究和预测传染病传播过程时，我们可以根据病原体的特性和传播规律选择合适的模型来进行分析和预测，从而更好地控制疫情的蔓延。
传染病模型的研究为我们提供了有效的工具，帮助我们更好地理解传染病的传播机制，为公共卫生工作提供科学依据。
希望在未来的研究中能够进一步完善传染病传播模型，为防控传染病提供更有力的支持。
基于SIR模型的传染病传播速度预测方法研究
基于SIR模型的传染病传播速度预测方法研究传染病传播速度是研究传染病爆发程度和控制策略的重要参数之一。
为了有效预测传染病的传播速度，并提供科学依据以制定相应的疫情防控措施，许多研究者采用了基于SIR（易感者-感染者-康复者）模型的方法。
SIR模型是一种常见的传染病传播模型，它将人群分为三个类别：易感者，感染者和康复者。
这个模型假设传播速度取决于感染者与易感者的接触率以及传染病的传染性。
建立基于SIR模型的传染病传播速度预测方法，可以通过对传染病传播机理的建模和参数估计，准确预测疫情的发展趋势。
首先，建立基于SIR模型的传染病传播速度预测方法需要收集并整理大量的疫情数据，包括病例数量、传播链信息、人口分布等。
这些数据可以用来确定初始条件和模型参数，并为模型的验证提供依据。
其次，在运用SIR模型进行预测之前，需要对模型的参数进行估计。
这些参数包括传播率、康复率和易感者接触率。
通过采集历史数据，可以利用统计方法对这些参数进行估计，并结合动态数据调整参数值，提高预测的准确性。
第三，传染病传播速度预测方法需要考虑到传染病的传染性特征。
传染性越强的疾病通常传播速度越快，而传染性较弱的疾病传播速度相对较慢。
因此，在建立预测模型时，需要对传染病的传染性进行评估，并结合实际情况对模型进行修正。
另外，传染病的传播速度还受到人口流动性、社会接触模式以及防控措施等因素的影响。
在预测传播速度时，需要考虑这些因素，并利用计算模型进行分析。
例如，可以通过添加移动因素来模拟人群流动，从而更准确地预测传染病的传播路径和速度。
最后，基于SIR模型的传染病传播速度预测方法还需要不断优化和改进。
传染病的传播机制和流行特征可能会随着时间和地理位置的变化而变化，因此需要及时更新数据和模型，以反映最新的情况。
总结而言，基于SIR模型的传染病传播速度预测方法能够通过对传染病的传播机理、参数估计和数据分析，提供准确的疫情预测。
在实际应用中，我们需要结合具体的传染病特点和实时数据，不断完善和优化预测模型，为疫情防控工作提供科学决策支持。
传染病传播的数学模型
传染病传播的数学模型传染病的传播一直是人类社会面临的重大挑战之一。
为了更好地理解和预测传染病的传播规律，数学模型发挥着至关重要的作用。
这些模型基于数学原理和统计学方法，能够帮助我们分析传染病的传播机制、评估防控措施的效果，并为公共卫生决策提供科学依据。
传染病传播的数学模型通常基于一些基本的假设和概念。
首先，需要考虑人群的划分。
一般将人群分为易感者（S）、感染者（I）和康复者（R）三类，这就是著名的 SIR 模型。
在 SIR 模型中，易感者是指那些尚未感染疾病但有可能被感染的人群；感染者是已经感染了疾病并且具有传染性的人群；康复者则是经过感染后已经恢复健康并且获得了免疫力的人群。
模型的核心在于描述这三类人群之间的转化关系。
假设在单位时间内，每个感染者平均能够感染的易感者数量为β，感染者的恢复率为γ。
那么，在某个时刻 t，易感者数量的变化率可以表示为βSI，感染者数量的变化率为βSI γI，康复者数量的变化率为γI 。
通过求解这些微分方程，可以得到传染病在人群中的传播动态。
然而，实际情况往往更加复杂。
例如，有些传染病存在潜伏期，即感染者在感染后一段时间内不具有传染性。
这时就需要引入潜伏期感染者（E），形成SEIR 模型。
还有些传染病在感染后可能会导致死亡，这就需要考虑死亡者（D）的因素。
除了人群的分类，传染病传播的数学模型还需要考虑传播途径。
常见的传播途径包括空气传播、接触传播、飞沫传播等。
对于不同的传播途径，感染的概率和传播的效率可能会有所不同。
例如，空气传播的传染病往往传播速度更快、范围更广，而接触传播的传染病则可能在特定的人群或环境中更容易传播。
另一个重要的因素是人群的流动和社交网络。
在现代社会，人们的移动和交流非常频繁，这会极大地影响传染病的传播范围和速度。
通过将人群的流动模式和社交网络结构纳入数学模型，可以更准确地预测传染病的传播趋势。
比如，在交通枢纽城市或者人口密集的大城市，传染病的传播速度可能会更快；而在相对封闭和人口稀少的地区，传播速度可能会较慢。
传染病的数学模型有哪些(一)
传染病的数学模型有哪些（一）引言：传染病是一种对人类健康造成严重威胁的疾病，为了更好地理解和控制传染病的传播过程，研究人员利用数学模型对传染病进行建模和预测。
本文将介绍传染病的数学模型，为了更好地控制和预防传染病的传播提供参考。
正文：1. 推广SIR模型a. SIR模型是一种常见的传染病数学模型，包括易感者（Susceptible）、感染者（Infectious）和康复者（Recovered）三个状态。
b. SIR模型基于一组微分方程进行建模，描述了各个人群状态之间的转化过程。
c. SIR模型可以通过改变参数值来预测和控制传染病的传播速度和范围。
2. 扩展SEIR模型a. SEIR模型是对SIR模型的扩展，引入了潜伏者（Exposed）的概念。
b. 潜伏者是指已经感染病毒但尚未表现出症状的人群。
c. SEIR模型可以更准确地预测传染病的传播速度和范围，尤其对于具有潜伏期的传染病。
3. 基于网络的模型a. 基于网络的传染病模型将人群视为图网络中的节点，节点之间的连接表示传播途径。
b. 网络模型可以更好地考虑人群的空间结构和社交关系对传染病传播的影响。
c. 网络模型常使用随机图、小世界网络或无标度网络等来表示人群间的联系。
4. 多主体模型a. 多主体模型是一种把个体行为和人群行为结合起来的传染病模型。
b. 多主体模型通过建立个体决策规则、交流机制和协调行为，考虑个体之间的相互作用和行为变化。
c. 多主体模型可以模拟人群在传染病传播中的决策行为，为制定个性化的防控策略提供参考。
5. 结合机器学习的模型a. 机器学习模型可以通过学习数据中的模式和规律，对传染病进行预测和控制。
b. 机器学习方法可以结合传染病流行病学和社会行为数据，提高模型的预测准确性。
c. 机器学习模型可以通过监督学习、无监督学习和强化学习等方法，对传染病的传播机制和防控策略进行建模和优化。
总结：传染病的数学模型有多种类型，包括SIR模型、SEIR模型、基于网络的模型、多主体模型和结合机器学习的模型。
传染病问题中的SIR模型
假设：1.信息具有足够的吸引力，所有人都感兴趣，并传播。
2.人们对信息在一定时间内会失去兴趣。
传染病问题中的SIR模型摘要：2003年春来历不明的SARS病毒突袭人间，给人们的生命财产带来极大的危害。
长期以来，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，探索制止传染病蔓延的手段等，一直是我国及全世界有关专家和官员关注的课题。
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。
在这里我采用SIR（Susceptibles，Infectives，Recovered）模型来研究如天花，流感，肝炎，麻疹等治愈后均有很强的免疫力的传染病，它主要沿用由Kermack与McKendrick在1927年采用动力学方法建立的模型。
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，预测疾病发生的状态，评估各种控制措施的效果，为预防控制疾病提供最优决策依据, 维护人类健康与社会经济发展。
关键字：传染病；动力学；SIR模型。
一﹑模型假设1.在疾病传播期内所考察的地区范围不考虑人口的出生、死亡、流动等种群动力因素。
总人口数N(t)不变，人口始终保持一个常数N。
人群分为以下三类：易感染者(Susceptibles)，其数量比例记为s(t)，表示t 时刻未染病但有可能被该类疾病传染的人数占总人数的比例；感染病者(Infectives)，其数量比例记为i(t)，表示t 时刻已被感染成为病人而且具有传染力的人数占总人数的比例；恢复者(Recovered)，其数量比例记为r(t)，表示t 时刻已从染病者中移出的人数（这部分人既非已感染者，也非感染病者，不具有传染性，也不会再次被感染，他们已退出该传染系统。
）占总人数的比例。
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。
传染病传播模型
传染病传播模型随着世界人口的不断增加和人类活动的频繁交流，传染病的传播成为了一个日益严重的问题。
为了更好地理解和应对传染病的传播，科学家们提出了各种传染病传播模型。
本文将介绍几种常见的传染病传播模型，并分析它们的特点和应用。
一、SI模型SI模型是最简单的传染病传播模型之一，其中S表示易感者(Susceptible)、I表示感染者(Infectious)。
在SI模型中，人群中的个体只有在易感者和感染者两种状态之间相互转换。
具体而言，易感者可以通过与感染者接触而被感染，一旦感染，就成为感染者，并在一段时间内具有传播传染病的能力。
然而，在SI模型中，感染者随着时间的流逝不会重新变回易感者。
由于缺乏免疫力的存在，SI模型所描述的传染病在人群中的传播速度通常很快，例如流感等。
二、SIR模型SIR模型是相对复杂一些的传染病传播模型，其中R表示康复者(Recovered)。
和SI模型一样，SIR模型中的人群也被分为易感者、感染者和康复者三个状态。
然而，SIR模型引入了康复者的概念，即感染者经过一段时间的潜伏期后可以康复并具有免疫力。
在SIR模型中，康复者不再具有传播传染病的能力，不会再感染其他人。
与SI模型相比，SIR模型所描述的传染病传播速度相对较慢，且可能经历一次大规模的传播后逐渐衰减。
三、SEIR模型SEIR模型是在SIR模型的基础上进一步扩展的，其中E表示潜伏者(Exposed)。
在SEIR模型中，人群被分类为易感者、潜伏者、感染者和康复者四个状态。
潜伏者是指已经被感染但尚未表现出症状的个体，潜伏期结束后，潜伏者会进一步转化为感染者，并开始传播传染病。
由于潜伏期的存在，SEIR模型所描述的传染病具有一定的潜伏期，并且在人群中的传播速度相对较慢。
四、SIRS模型SIRS模型是对SIR模型的改进，其中S表示易感者、I表示感染者，R表示免疫者(Susceptible-Infected-Recovered-Susceptible)。
SIR传染病模型
SIR传染病模型1.SIR传染病模型是⼀种常微分⽅程模型。
⽤于描述可治好，且治好之后不再感染的传染病的情况。
如⿇疹，疟疾等。
2.具体假设：它把⼀定封闭区域的全部⼈分成3种，分别是S,I,R。
S是易感种群，他们是没有感染的⼈，但易被感染。
I是已感种群，他们是当前感染的⼈，可成为康复者。
R是已愈种群，他们是之前感染，现已康复的⼈。
⽅程组1：S'=-bSI （1）I'=bSI-vI （2）R'=vI （3）（1）说明S减⼩的速率S'与S成正⽐，也就是易感种群更⼤，感染疾病的可能性更⼤。
⽽与I成正⽐这是显然的，另外b是感染系数，与疾病本⾝有关。
（2）bSI可以看成是输送到I的速率，vI可是看成从I输送到R的速率。
（3）R增⼤的速率与I成正⽐，这与实际也是⼀样的，v是康复系数，与治疗⽔平有关。
于是这⾥有(S+I+R)'=0,从⽽N=S+I+R是⼀个常数，它是区域⼈⼝的⼤⼩。
由⽅程组1，我们得到如下式⼦：I'/S'=-1+v/(bS)于是⼜有dI/dS=-1+v/(bS)从⽽有I=I(S)=-S+v/b*lnS+C(C是常数)通过求出I(S)的导数我们得到I(S)的稳定点是S=v/b3编程我们⽤matlab画出I(S)的图像：%先给出3个数据v0=.1;b0=.1;C0=3;I=@(S,v,b,C)-S+v/b*log(S)+C;%这⾥创建函数fplot(@(S)I(S,v0,b0,C0),[0 5])%这⾥画主图xlabel S% x轴ylabel I% y轴hold on; %还画其它fplot(@(x)0,[0 5])%画I=0这⼀直线x=[v0/b0;v0/b0];y=[0;I(v0/b0,v0,b0,C0)];line(x,y)%画S=v/b这⼀直线4分析由图像可以看出3个染病阶段，⼀开始S很⼤，I=0;然后S变⼩，I上升到峰值;最后S再变⼩，I回到0;可以看出，稳定点S=v/b的数值对传染病的蔓延程度肆虐与否起了⾄关重要的作⽤。
- 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)。
传染病问题中的SIR 模型摘要：2003年春来历不明的SARS 病毒突袭人间，给人们的生命财产带来极大的危害。
长期以来，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，探索制止传染病蔓延的手段等，一直是我国及全世界有关专家和官员关注的课题。
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。
在这里我采用SIR （Susceptibles ，Infectives ，Recovered ）模型来研究如天花，流感，肝炎，麻疹等治愈后均有很强的免疫力的传染病，它主要沿用由Kermack 与McKendrick 在1927年采用动力学方法建立的模型。
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，预测疾病发生的状态，评估各种控制措施的效果，为预防控制疾病提供最优决策依据, 维护人类健康与社会经济发展。
关键字：传染病；动力学；SIR 模型。
一﹑模型假设1. 在疾病传播期内所考察的地区范围不考虑人口的出生、死亡、流动等种群动力因素。
总人口数N(t)不变，人口始终保持一个常数N 。
人群分为以下三类：易感染者(Susceptibles)，其数量比例记为s(t)，表示t 时刻未染病但有可能被该类疾病传染的人数占总人数的比例；感染病者(Infectives)，其数量比例记为i(t)，表示t 时刻已被感染成为病人而且具有传染力的人数占总人数的比例；恢复者(Recovered)，其数量比例记为r(t)，表示t 时刻已从染病者中移出的人数（这部分人既非已感染者，也非感染病者，不具有传染性，也不会再次被感染，他们已退出该传染系统。
）占总人数的比例。
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。
二﹑模型构成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：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。
三﹑数值计算在方程（3）中设λ=1，μ=0.3，i （0）= 0.02，s （0）=0.98，用MATLAB 软件编程： function y=ill(t,x)a=1;b=0.3;y=[a*x(1)*x(2)-b*x(1);-a*x(1)*x(2)];ts=0:50;x0=[0.20,0.98];[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)=0.02,s(0)=0.98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 →0.0398. 并分析i(t),s(t)的一般变化规律.表1 i(t),s(t)的数值计算结果is四﹑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。
i ~ s平面称为相平面，相轨线在相平面上的定义域（s，i）∈D为D = ｛（s，i）| s≥0，i≥0 ，s + i ≤1｝（4）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.下面根据(3),(17)式和图9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,病人消失将消失,即： 00i = （8） 其证明如下：首先,由(3) 0s t d d ≤ 而 ()0s t ≥ 故s ∞ 存在; 由(2) 0tdr d ≥而 ()1r t ≤ 故r ∞ 存 在;再由(1)知i ∞存在。
s ∞1/σD2P 1P s im i o i ∞其次,若0i ε∞=>则由(1),对于充分大的t 有2t dr d εμ> , 这将导致r ∞=∞，与r ∞存在相矛盾.从图形上看,不论相轨线从P1或从P2点出发,它终将与s 轴相交(t 充分大).2.最终未被感染的健康者的比例是s ∞,在(7)式中令i=0得到, s ∞是方程0001ln0s s i s s σ∞∞+-+= （9） 在(0,1/σ)内的根.在图形上s ∞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：00011ln )m i s i s σσ=+-+（ （10） 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,从(19),(20)式可以看出, 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 .既然交换数不超过1,病人比例i(t)绝不会增加,传染病不会蔓延。
五﹑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011r σ≥- (11)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）满足（11）式，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，由（11）式至少要有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。
六﹑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 s σ⇒=-t 上式两边同时乘以d 可 ，两边积分得 0001s r s r s r d d s σ==-⎰⎰0ln |s s s r σ⇒=-0r s e s σ-⇒= 所以： ()0()r t s t s e σ-= (12)再0(1)(1)r r t d i r s r s e d σμμμ-⇒==--=-- (13) 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=--+- 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⎡⎤=-+-⎢⎥⎣⎦ (14) 其中222000(1)2s s i ασσ=-+，01s th σϕα-= 从而容易由（14）式得出：22202()2r t d t d s ch αμαμσϕ=- （15） 然后取定参数 s0, σ等，画出（15）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。
七﹑被传染比例的估计在一次传染病的传播过程中，被传染人数的比例是健康者人数比例的初始值0s 与s ∞之差，记作x,即 0x s s ∞=- (16)当i0很小，s0接近于1时，由（9）式可得01ln(1)0x x s σ+-≈ (17) 取对数函数Taylor 展开的前两项有2001(1)02x x s s σσ--≈ (18)记 01s δσ=+ , δ 可视为该地区人口比例超过阈值1σ的部分。
当 1δσ≤ 时（18）式给出00122x s s σδσ⎛⎫≈-≈ ⎪⎝⎭ （19） 这个结果表明，被传染人数比例约为δ的2倍。
对一种传染病，当该地区的卫生和医疗水平不变，即δ不变时，这个比例就不会改变。