From 02fc39e5b4b1c8252b2ef8977c35692404d542a3 Mon Sep 17 00:00:00 2001
From: Matt McKay <mmcky@users.noreply.github.com>
Date: Thu, 22 Oct 2026 16:48:08 +1100
Subject: [PATCH] sir_model: restore the 2025 reviewers' wording lost in #302
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

#302, the sync of QuantEcon/lecture-python.myst#1050, carried every
English change, but it also rewrote passages whose English did not
change. This puts the reviewed text back there (the 2025 review by yuki
and Humphrey Yang, and the March 2025 text they kept) and keeps every
change the English made. Text and plot labels only: structural parity
holds, the 25 code cells match the source with strings masked, and both
math blocks are identical.

- 时间路径: nine reviewed lines, among them 主要关注的是 and its two
  bullets (yuki's), and the partition sentence, whose R is math again.
- 参数: its four reviewed lines, so 阿特克森 is Atkeson again, as in
  the rest of the lecture.
- The state list reads 易感者…移出者 again, as the intro does, with the
  English's new $S$, $E$, $I$, $R$.
- Plot labels are Chinese throughout: 人口比例 on the four y-axes that
  were English (解除封锁 already used it) and 天数 on both x-axes.

Lines that the July forward resync (#151) wrote and #302 reworded keep
#302's text. Both zh-cn rules hold on every prose line
(QuantEcon/project-translation#70).

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
---
 lectures/sir_model.md | 40 ++++++++++++++++++++--------------------
 1 file changed, 20 insertions(+), 20 deletions(-)

diff --git a/lectures/sir_model.md b/lectures/sir_model.md
index 9f263a98..95c51e9c 100644
--- a/lectures/sir_model.md
+++ b/lectures/sir_model.md
@@ -81,7 +81,7 @@ from scipy.integrate import odeint
 
 假设人口中的所有个体都处于这四种状态之一。
 
-这些状态是：易感（$S$）、暴露（$E$）、感染（$I$）和移除（$R$）。
+这些状态是：易感者（$S$）、暴露者（$E$）、感染者（$I$）和移出者（$R$）。
 
 ```{prf:assumption}
 * 处于 R 状态的人已经被感染，并已康复或死亡。
@@ -91,16 +91,16 @@ from scipy.integrate import odeint
 
 ### 时间路径
 
-跨状态的流动遵循路径 $S \to E \to I \to R$。
+状态之间的流动遵循路径 $S \to E \to I \to R$。
 
 当有效再生数超过 1 时，感染人数最初会增加，但最终会随着易感人群的减少而下降。
 
-我们主要关注以下几点：
+主要关注的是
 
-* 给定时间点的感染人数（这决定了医疗系统是否会不堪重负），以及
-* 病例负担可以推迟多久（希望能推迟到疫苗问世）
+* 在给定时间的感染人数（这决定了医疗系统是否会被压垮）
+* 病例负荷可以推迟多长时间（我们希望能够推迟到疫苗出现）
 
-用小写字母表示每种状态下人口的比例，动态方程为
+使用小写字母表示处于各状态的人口比例，其动态方程为
 
 ```{math}
 :label: sir_system
@@ -114,18 +114,18 @@ from scipy.integrate import odeint
 \end{aligned}
 ```
 
-在这些方程中：
+在这些方程中，
 
 * $\beta(t)$ 称为**传播率**（个体接触他人并使其暴露于病毒的速率）。
 * $\sigma$ 称为**感染率**（暴露者转变为感染者的速率）。
 * $\gamma$ 称为**移除率**（感染者康复或死亡的速率）。
 * 点符号 $\dot y$ 表示时间导数 $dy/dt$。
 
-由于这些状态构成了一个划分，我们不需要单独对处于 R 状态的人口比例 $r$ 建模。
+我们不需要单独建模处于 $R$ 状态的人口比例 $r$，因为这些状态构成一个分区。
 
-具体而言，人口中“已移除”的比例为 $r = 1 - s - e - i$。
+具体来说，“已移除”的人口比例为 $r = 1 - s - e - i$。
 
-我们还将追踪 $c = i + r$，即累计病例数（即所有曾经或正在感染的人）。
+我们还将追踪 $c = i + r$，即累计病例数（即所有已感染或曾经感染的人）。
 
 系统 {eq}`sir_system` 可以写成向量形式：
 
@@ -139,18 +139,18 @@ from scipy.integrate import odeint
 
 ### 参数
 
-$\sigma$ 和 $\gamma$ 都被视为固定的、由生物学决定的参数。
+参数$\sigma$和$\gamma$由病毒的生物学特性决定，因此被视为固定值。
 
-如阿特克森的笔记中所述，我们设定：
+根据Atkeson的笔记，我们采用以下参数值：
 
 * $\sigma = 1/5.2$ 以反映 5.2 天的平均潜伏期。
 * $\gamma = 1/18$ 以匹配 18 天的平均患病持续时间。
 
-传播率建模为：
+传播率被构造为
 
 * $\beta(t) := R(t) \gamma$，其中 $R(t)$ 是时间 $t$ 时的**有效再生数**。
 
-（这个符号稍显混乱，因为 $R(t)$ 与表示移除状态的符号 $R$ 不同。）
+（这个符号表示有点令人困惑，因为$R(t)$与表示已移除状态的符号$R$不同。）
 
 ## 实现
 
@@ -268,7 +268,7 @@ def plot_paths(paths, labels, ylabel, times=t_vec):
     for path, label in zip(paths, labels):
         ax.plot(times, path, lw=2, label=label)
 
-    ax.set_xlabel('days')
+    ax.set_xlabel('天数')
     ax.set_ylabel(ylabel)
     ax.legend(loc='upper left')
 
@@ -278,7 +278,7 @@ def plot_paths(paths, labels, ylabel, times=t_vec):
 让我们绘制当前病例数占人口的比例。
 
 ```{code-cell} ipython3
-plot_paths(i_paths, labels, ylabel='fraction of the population')
+plot_paths(i_paths, labels, ylabel='人口比例')
 ```
 
 正如预期的那样，较低的有效传播率会推迟感染高峰。
@@ -288,7 +288,7 @@ plot_paths(i_paths, labels, ylabel='fraction of the population')
 以下是累计病例数（占总人口的比例）：
 
 ```{code-cell} ipython3
-plot_paths(c_paths, labels, ylabel='fraction of the population')
+plot_paths(c_paths, labels, ylabel='人口比例')
 ```
 
 ### 实验2：改变缓解措施
@@ -326,7 +326,7 @@ fig, ax = plt.subplots()
 for η, label in zip(η_vals, labels):
     ax.plot(t_vec, R0_mitigating(t_vec, η=η), lw=2, label=label)
 
-ax.set_xlabel('days')
+ax.set_xlabel('天数')
 ax.set_ylabel('$R_0$')
 ax.legend()
 plt.show()
@@ -347,13 +347,13 @@ for η in η_vals:
 以下是不同场景下的当前案例：
 
 ```{code-cell} ipython3
-plot_paths(i_paths, labels, ylabel='fraction of the population')
+plot_paths(i_paths, labels, ylabel='人口比例')
 ```
 
 以下是累计病例数（占总人口的比例）：
 
 ```{code-cell} ipython3
-plot_paths(c_paths, labels, ylabel='fraction of the population')
+plot_paths(c_paths, labels, ylabel='人口比例')
 ```
 
 更快实施缓解措施主要会推迟感染高峰，而对高峰的高度影响较小。