Brownian snails with removal: epidemics in diffusing populations

Auteurs : Geoffrey R. Grimmett, Zhongyang Li

v3: Some expansion and fuller proofs. Electronic Journal of Probability, accepted version

Résumé : Two stochastic models of susceptible/infected/removed (SIR) type are introduced for the spread of infection through a spatially-distributed population. Individuals are initially distributed at random in space, and they move continuously according to independent diffusion processes. The disease may pass from an infected individual to an uninfected individual when they are sufficiently close. Infected individuals are permanently removed at some given rate $\alpha$. Such processes are reminiscent of so-called frog models, but differ through the action of removal, as well as the fact that frogs jump whereas snails slither. Two models are studied here, termed the `delayed diffusion' and the `diffusion' models. In the first, individuals are stationary until they are infected, at which time they begin to move; in the second, all individuals start to move at the initial time $0$. Using a perturbative argument, conditions are established under which the disease infects a.s. only finitely many individuals. It is proved for the delayed diffusion model that there exists a critical value $\alpha_c\in(0,\infty)$ for the survival of the epidemic.

Soumis à arXiv le 05 Sep. 2020

Explorez l'arbre d'article

Cliquez sur les nœuds de l'arborescence pour être redirigé vers un article donné et accéder à leurs résumés et assistant virtuel

Accédez également à nos Résumés, ou posez des questions sur cet article à notre Assistant IA.

Recherchez des articles similaires (en version bêta)

En cliquant sur le bouton ci-dessus, notre algorithme analysera tous les articles de notre base de données pour trouver le plus proche en fonction du contenu des articles complets et pas seulement des métadonnées. Veuillez noter que cela ne fonctionne que pour les articles pour lesquels nous avons généré des résumés et que vous pouvez le réexécuter de temps en temps pour obtenir un résultat plus précis pendant que notre base de données s'agrandit.