Normat 2/2010 Tom Britton 69
börjar med det enklaste fallet n = 1. Vi har då inledningsvis 1 smittsam och 1 mot-
taglig. Sannolikheten att den mottaglige smittas blir ju då p, dvs P (Z
1
= 1) = p,
och sannolikheten att han/hon inte smittas blir 1 − p, dvs P (Z
1
= 0) = 1 − p
(indexet ”1” syftar på att n = 1). För n = 2 blir det aningen krångligare. För
att ingen skall smittas får indexfallet inte smitta någon av de två mottagliga, så
P (Z
2
= 0) = (1 − p)
2
. För att exakt en skall smittas måste indexfallet smitta
en av de två mottagliga (sannolikhet
2
1
p(1 − p)) men dessutom får inte den då
smittade smitta den kvarvarande. Sannolikheten att exakt en skall smittas blir
således P (Z
2
= 1) = 2p(1 − p)
2
. Sannolikheten att bägge smittas kan beräknas
på två sätt: antingen som ett minus övriga sannolikheter, eller också genom att
”räkna” ut sannolikheten. Det kan ske genom att indexfallet smittar en och den
smittar den sista, eller att indexfallet smittar bägge. Den totala sannolikheten blir
P (Z
2
= 2) = 2p
2
(1 − p) + p
2
. Redan när n = 2 krävs således viss tankeförmåga.
När vi låter n bli större blir beräkningarna snabbt oöverskådliga. Det går inte att
få några enkla slutna uttryck för dessa sannolikheter. De kan visserligen beräknas
numeriskt för givna värden på n och p, men dessa beräkningar är svåra att använda
för att dra kvalitativa slutsatser. Detta motiverar behovet av approximationer när
n är stort. I en stor population är det ofta mer naturligt att betrakta medelantalet
np en person smittar som konstant snarare än smittosannolikheten p med en en-
skild individ. Man brukar därför låta p = R
0
/n, medelantalet blir ju då np = R
0
,
dvs det reproduktionstal som tidigare definierades för deterministiska modeller. Vi
ska nu kort beskriva hur approximationen ser ut. Vi använder enbart heuristiska
resonemang även om motsvarande gränsvärdessatser finns.
Ett (potentiellt) epidemiutbrott inleds ofta med att ett fåtal individer smittats “ut-
ifrån” (i stycket ovan antog vi 1 indexfall). Det är ju då inte säkert att ett utbrott
tar fart. Inledningsvis spelar därför stokastiken en viktig roll. Om populationen n
i betraktelse är stor (och individer blandar sig helt slumpmässigt) är det mycket
osannolikt att två smittokontakter skulle ske med samma individ. Från detta följer
att smittsamma individer (i början) smittar andra individer nästintill oberoende
av varandra. Epidemin kan därför inledningsvis approximeras av en s.k. förgre-
ningsprocess. Med hjälp av teori för förgreningsprocesser kan man därför beräkna
sannolikheten för att en epidemi tar fart, respektive sannolikheten för att endast få
smittas. Man kan då även införa lite mer realism i modellen genom att låta indivi-
der vara olika smittsamma (t.ex. genom att vara olika sociala, ha olika infektivitet
och/eller olika ha långa långa smittperioder). Detta kommer i hög grad påverka
sannolikheten för ett stort utbrott, medan slutstorleken vid ett stort utbrott pri-
märt beror av motsvarande genomsnittsvärden. I fallet att det blir ett stort utbrott
kan man även visa en central gränsvärdessats som säger att slutandelen smittade
blir normalfördelad med väntevärde r
∞
(lösningen till Ekvation 2 ovan) och med
en explicit standardavvikelse av storleksordning 1/
√
n. Även antalet smittade blir
normalfördelat om det blir ett stort utbrott, med väntevärde nr
∞
och en standar-
davvikelse av storleksordning
√
n. Detta resultat illustreras i Figur 2 nedan. Där
har 10 000 epidemier simulerats, alla i en population bestående av 1000 individer
varav initialt 1 varit smittsam och övriga 999 mottagliga. Simuleringen är gjord
för R
0
= λ/γ = 1.5. Om man löser Ekvation (2) för detta R
0
(och med s
0
= 0.999
och r
0
= 0, dvs inga initialt immuna och andelen 0.999 initialt mottagliga) får man
lösningen r
∞
≈ 0.583. Det betyder alltså att slutantalet smittade bör vara ungefär