Vous êtes sur la page 1sur 51

REPUBLIQUE ALGERIENNE DEMOCRATIQUE

ET POPULAIRE
UNIVERSITE ABOUBEKR BELKAID - TLEMCEN
FACULTE DES SCIENCES
DEPARTEMENT DE MATHEMATIQUES
MEMOIRE
Pour lobtention du grade de
MASTER
Option : Syst`emes dynamiques et applications `a la dynamiques de populations
Presente par :
Mr.CHEKROUN Abdennasser
Th`eme
Fonction de Lyapunov et stabilite globale
pour un mod`ele de Kermack-McKendrick
avec lage dinfection
Devant le jury compose de :
Mr. K. Yadi , M.C.A. Universite de Tlemcen. President.
Mr. G. Senouci Bereksi , M.C.A. Universite de Tlemcen. Examinateur.
Mr. S. Miri , M.C.B. Universite de Tlemcen. Examinateur.
Mr. T.M. Touaoula , M.C.A. Universite de Tlemcen. Encadreur.
Mr. B.Perthame , Professeur. Universite Pierre et Marie Curie. Invite.
Annee universitaire : 2011 2012
Remerciements
En preambule `a ce memoire, jadresse ces quelques mots pour remercier notre grand
Dieu tout puissant pour exprimer ma reconnaissance envers sa grande generosite. Dieu ma
donne la volonte, la patience, la sante et la conance durant toutes mes annees detudes.
Je remercie mes parents detre si patients, si genereux et tellement merveilleux, ils ont
toujours ete une source de mtivation dencouragements et de beaucoup de bonheur.
je souhaite aussi adresser mes remerciements les plus sinc`eres aux personnes qui mont
apporte leur aide et qui ont contribue `a lelaboration de ce memoire.
En eet, je voudrai remercier mon universite, ma famille, mon encadreur et tous ceux
qui ont participe de pr`es ou de loin `a la realisation de mon memoire.
Je tiens `a remercier sinc`erement Monsieur TOUAOULA, qui, en tant que mon enca-
dreur, sest toujours montre `a lecoute tout au long de la realisation de ce memoire, ainsi
que pour son aide et le temps quil a bien voulu me consacrer.
Merci `a mes professeurs et enseignants davoir ete l`a, de nous avoir enormemnt appris
par la qualite des enseignements quils nous ont prodigues.
Jadresse mes remerciements aussi `a notre chef de departement de mathematiques, Mr
Benmiloud MEBKHOUT.
Cest, encore, un grand plaisir pour moi, dadresser mes plus sinc`eres remerciements `a
monsieurs :K. Yadi, S. Miri, G. Senouci Bereksi, B.Perthame davoir bien voulu presider
mon jury, davoir accepter de faire partie de ce jury.
Je remercie egalement mes camarades de Master II et mes amis du departement pour
leurs conseils et leurs idees.
Enn, jadresse mes plus sinc`eres remerciements `a tous mes proches et amis, qui mont
toujours soutenu et encourage au cours de la realisation de ce memoire.
Merci ` a tous et `a toutes.
Dedicace
Je dedie ce memoire :
A mes tr`es chers parents.
A mon Fr`ere : Salah Edine.
A ma soeur : Soumia et son mari Mohamed.
A ma petite ni`ece : Wissem,Meriem .
A toute ma famille et specialement `a mes cousins.
A tous mes amis sans exception .
A mes coll`egues : Merwan, Oussama, Souane, Yassine, Rima, Kheira, Wafaa, Ikram
Zoubida , Ilhem, Awatif, Nawal , Nesrine, Ibtissem, Kamila
et les autres coll`egues de ma promotion et du departement .
A tous qui mont apporte du soutien toute ma vie .
A tous mes enseignants.
Table des mati`eres
Introduction 3
1 Preliminaires 5
1.1 Generalites sur les equations dierentielles . . . . . . . . . . . . . . . . . . 5
1.2 Stabilite des equilibres au sens de Lyapunov . . . . . . . . . . . . . . . . . 7
1.3 Rappels et complements . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Modelisation mathematique 10
2.1 Modelisation mathematique appliquee `a la dynamique de populations . . . 10
2.2 Modelisation mathematique en epidemiologie . . . . . . . . . . . . . . . . 15
2.3 Le mod`ele de Kermack-McKendrick avec lage dinfection et interpretation 18
3 Existence et unicite des solutions pour le mod`ele de Kermack-McKendrick
structure en age dinfection 23
3.1 Lequation non lineaire de renouvellement . . . . . . . . . . . . . . . . . . 23
3.2 Existence des solutions du probl`eme lineaire . . . . . . . . . . . . . . . . . 25
3.3 Existence des solutions du probl`eme non lineaire . . . . . . . . . . . . . . 30
4 Comportement asymptotique des solutions 35
4.1 La stabilite du point dequilibre trivial . . . . . . . . . . . . . . . . . . . . 35
4.2 Fonction de Lyapunov et stabilite asymptotique globale du point dequilibre
endemique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.3 Analyse numerique et exemples . . . . . . . . . . . . . . . . . . . . . . . . 42
Bibliographie 47
2
Introduction
Lepidemiologie decrit les variations de frequence des maladies dans les groupes
humains, et recherche les determinants de ces variations, et des facteurs qui pourraient
les causer. Elle vise `a la comprehension des causes des maladies, `a lamelioration de leurs
traitements et moyens de prevention. Une maladie infectieuse est une maladie provoquee
par la transmission dun micro-organisme : virus, bacterie, parasite, champignon...
Parmi les maladies infectueuses les plus repandues et les plus connues, on citera `a titre
dexemple : la Tuberculose, le Paludisme, et le SIDA .
Il est legitime de se poser la question : quel rapport avec les mathematiques ?
On pourrait y repondre comme suit :
On commence par collecter des donnees (epidemie : nombre de malades, temps de guerison,
pourcentage de mortalite . . .) , autrement dit des chires . Il sagit de modeliser ces
param`etres `a savoir convertir un probl`eme concret, issu du monde reel, en un probl`eme
de nature mathematique, puis on passe `a la resolution et lanalyser du mod`ele, cela peut
permettre de comprendre, de predire, dagir . . .
La vaccination pose encore aujourdhui des probl`emes nouveaux, pour les-
quels la modelisation mathematique demeure indispensable. Notamment, la disparition
programmee des maladies am`ene `a reechir sur la necessite de renforcer la vaccination ou
de larreter . La diminution rapide de limmunite vaccinale est egalement `a lorigine de
questions de sante publique que lon peut etudier par modelisation.
Le theor`eme du seuil `a ete reformule par la notion du ratio de reproduction
de lepidemie, note R
0
, dont linterpretation usuelle est le nombre de cas directement
infectes par un unique infecte dans une population enti`erement susceptible. Lintuition,
et les mathematiques, montrent que lorsque R
0
est plus grand que 1, on aura lapparition
dune epidemie ; et inversement lorsque R
0
est inferieur ou egal `a 1 .
Dans les articles correspondant `a cette etude (Kermack et al., 1927 ; Ker-
mack,et al., 1932 ; Kermack et al., 1933), les auteurs decrivent ce qui est maintenant
connu sous le nom de mod`ele SIR , le mod`ele fondamental sous sa forme la plus simple
en EDO.
Ce mod`ele correspond au syst`eme dequations suivant
3
4 TABLE DES MATI
`
ERES

(t) = S(t)I(t) S(t),


I

(t) = S(t)I(t) I(t) I(t),


R

(t) = I(t) R(t).


o` u S(t) represente la population des susceptibles `a linstant t , I(t) celle des infectes et
R(t) celle des refractaires. Plusieurs param`etres sont utilises pour rendre compte de la dy-
namique de cette population : constante correspond aux naissances dans la population,
supposees toutes susceptibles, 1/ est la duree de vie moyenne, 1/ la duree infectieuse
moyenne et correspond au taux de contact menant `a une transmission eective de la
maladie.
Dans ce memoire nous etudions un mod`ele structure en age dinfection ,
o` u la contagiosite et le taux denl`evement peuvent dependre de lage dinfection. Si le
nombre de reproduction de base R
0
1, on demontre que lequilibre trivial est globa-
lement asymptotiquement stable. Pour R
0
> 1, une fonction de Lyapunov est utilisee
pour montrer que lunique equilibre endemique est globalement asymptotiquement stable .
Soit le mod`ele de KERMACK-MCKENDRICK applique en epidemiologie etudie dans
ce memoire (on donne plus de details dans un des chapitres qui suivent :
(1)

(t) =
s
S(t) S(t)


0
(a)i(t, a)da,
i(t,a)
t
+
i(t,a)
a
=
I
(a)i(t, a),
i(t, 0) = S(t)


0
(a)i(t, a)da,
S(0) = S
0
0, i(0, .) = i
0
L
1
+
(0, +).
Chapitre 1
Preliminaires
1.1 Generalites sur les equations dierentielles
Denition 1.1.1
Une equation dierentielle (ED) dordre n est une equation faisant intervenir
une fonction y ainsi que ses derivees y
(k)
jusqu`a lordre n. Par exemple, une telle
equation pourrait etre
y

(t) = 2 y(t) ou y = 0.5 t


2
y

(t) 6t.
Lequation dierentielle dordre n la plus generale peut toujours secrire sous la forme
F(t, y, y

, ..., y
n
) = 0 (ED)
o` u F est une fonction de (n + 2) variables. Nous ne considerons que le cas ou t et
y sont `a valeurs dans R . Une solution `a une telle equation dierentielle sur lintervalle
I R est une fonction y C
n
(I, R) (une fonction y : I R qui est n fois continument
derivable) telle que pour tout t I, on ait F(t, y(t), y

(t), ..., y
n
(t)) = 0.
Remarque : On dit souvent integrer lED au lieu de trouver une solution `a lED.
On consid`ere maintenant lequation dierentielle :
y

= f(t, y(t)) ()
Le probl`eme de Cauchy :
Considerons lequation dierentielle () et E ouvert de R
n
. Le probl`eme de Cauchy est
le suivant : on se donne un intervalle I de R, t
0
I et y
0
E et on cherche toutes les
solutions y : I E de () telles que y(t
0
) = y
0
.
5
6 Preliminaires
Denition 1.1.2
On dira que lapplication f : U E est localement lipschitzienne en sa seconde
variable sur U RE si et seulement si, quelque soit (t
0
, z
0
) U RE, il existe un
voisinage ouvert U
0
U de (t
0
, z
0
) dans RE , tel quil existe une constante C
0
> 0
veriant :
(t, z), (t, x) U
0
, | f(t, z) f(t, x) | C
0
. | z x |.
Theor`eme 1.1.1
Avec les notations de lequation dierentielle (), si f est continue sur U et
localement lipschitzienne en sa seconde variable sur U, quelque soit (t
0
, y
0
) U , il existe
un intervalle ouvert I
0
contenant t
0
et une fonction y : I
0
E , telle que :
- y(t
0
) = y
0
,
- y est une solution de () ,
- pour tout intervalle J I
0
contenant t
0
, il nexiste quune seule solution de ()
passant par y
0
en t
0
. Il sagit de y
|J
.
Soit lequation dierentielle autonome :
y

= f(y(t)) (1)
En generale on ne sait pas resoudre lequation dierentielle (1) , alors on fait une etude
qualitative de ses solutions . Cette etude commence par la recherche des points dequilibre
( points singuliers, xes, stationnaires) cest-`a-dire les points o` u la vitesse sannule .
Denition 1.1.3
Le point y

est dit point dequilibre du syst`eme (1) si f(y

) = 0 autrement dit y

est
une solution constante de lequation y

= f(y(t)).
Denition 1.1.4
Soient un ouvert de R
n
contenant 0, et soit V : R une fonction de classe C
1
,
1. V est dite denie positive si :
(i) V (0) = 0, et
(ii) V (u) > 0 pour u 0.
2. V est dite denie negative, si V est denie positive.
3. V est dite semi-denie positive si :
(i) V (0) = 0, et
(ii) V (u) 0 pour tout u .
4. V est dite semi-denie negative si V est semi-denie positive.
1.2 Stabilite des equilibres au sens de Lyapunov 7
1.2 Stabilite des equilibres au sens de Lyapunov
Soit lequation dierentielle
y = f(y), (1.1)
o` u f : R
n
R
n
est une fonction de classe (
1
. Soit y

un point dequilibre de
lequation (1.1).
Denition 1.2.1
Lequilibre y

est dit stable si pour tout > 0, il existe > 0 tel que pour toute solution
y(t) de (1.1) on a
|y(0) y

| < t 0 |y(t) y

| < .
Denition 1.2.2
Lequilibre y

est dit asymptotiquement stable sil est stable, et il existe r > 0 tel que pour
toute solution y(t) de (1.1) on a
|y(0) y

| < r lim
t
|y(t) y

| = 0.
Remarque :
Si un point dequilibre est stable mais pas asymptotiquement stable on parle de la stabilite
neutre.
Theor`eme 1.2.1 (Stabilite au sens de Lyapunov : methode directe [5] )
Soit y(t) solution de y = f(y)
et soit V une fonction de classe C
1
denie positive sur un voisinage de y

= 0
(sans perte de generalite on prend lequilibre exactement lorigine)
(i) Si
dV
dt
est semi-denie negative alors y

est stable.
(ii) Si
dV
dt
est denie negative alors y

est asymptotiquement stable.


Dans le cas (i) V (y) est dite fonction de Lyapunov faible, et dans le cas (ii) V (y) est
dite fonction de Lyapunov stricte.
Preuve :
(ii) V (x, y) Lyapunov stricte dans le cas planaire.
Soit V : R tel que contient (0, 0) .
Soit le cercle C de centre (0, 0) inclus dans . Sur ce cercle V admet un minimum
V > M car (V (x, y) > 0 si (x, y) ,= (0, 0)).
Soit U lensemble des points interieur `a C et inferieur `a M en V alors U nest pas
vide car (0, 0) U et V (0, 0) = 0 < M
Soit (x, y) une solution telle que (x(0), y(0)) U , on a 0 V (x(t), y(t)) M.
8 Preliminaires
On prend t = t
n
= n alors :
V (x(t
n
), y(t
n
)) = V ((n), y(n)) converge car V decroissante le long des solutions et mi-
noree par 0 ,
donc
V (x(n + 1), y(n + 1)) V (x(n), y(n))
n+
0.
Dun autre cote on applique le theor`eme des accroissements nis `a V dans [n, n + 1]
alors s
n
]n, n + 1[ tel que
0
n+
V (x(n + 1), y(n + 1)) V (x(n), y(n)) =
d
dt
V (x(s
n
), y(s
n
)).
(x(s
n
), y(s
n
)) se trouve dans un compact donc on peut extraire une sous suite (x(r
n
), y(r
n
))
qui converge.
dV
dt
lim
n+
(x(r
n
), y(r
n
)) = 0
dV
dt
(x

, y

) = 0,
dela (x

, y

) = (0, 0) car V

(x, y) = 0 alors (x, y) = (0, 0) (lyapunov stricte).


donc
lim
t+
(x(t), y(t)) = (0, 0).
Theor`eme 1.2.2 (Theor`eme dinvariance de LaSalle [5])
Soit R
n
y V (y) de classe C
1
et denie positive
d
dt
V (y) 0.
Alors, pour toute condition initiale y
0
, la solution de y = f(y) (denie pour tout temps
t > 0) converge asymptotiquement vers le plus grand sous-ensemble invariant contenu
dans lensemble des points R
n
tels que
d
dt
V () = 0.
1.3 Rappels et complements
Theor`eme 1.3.1 (Inegalite de Jensen)
Soient f, g : R mesurables et : R R convexe, o` u est ouvert de R
n
supposons que :
g 0 p.p sur ,

g(x)dx = 1, fg et (f)g L
1
(),
alors (

f(x)g(x)dx)

(f(x))g(x)dx.
1.3 Rappels et complements 9
Soit maintenant le theor`eme qui donne lexistence et lunicite dun point xe pour une
contraction sur un espace metrique complet.
Theor`eme 1.3.2 (Theor`eme du Point Fixe Metrique (Picard) [10])
Soient (E, d) un espace metrique complet et : E E une application contrac-
tante, i.e. Lipschitzienne de rapport k < 1 . Alors, admet un unique point xe a E
c-`a-d (a) = a. De plus, pout tout point initial x
0
E, la suite iteree (x
p
)
pN
, avec x
0
E
quelconque et x
p+1
:= (x
p
) converge vers a.
Theor`eme 1.3.3 (Lemme de Gronwall [10])
Soit une fonction continue sur un intervalle [0, T] , on suppose quil existe k > 0
et f continue sur [0, T] tels que :
(t) f(t) +k

t
0
(u)du,
alors (t) f(t) +k

t
0
f(u)e
k(tu)
du.
Corollaire 1.3.1
Soit une fonction derivable denie sur un intervalle J de R `a valeur dans R
n
.
Soit t
0
J . On suppose que pour t J, avec t t
0
, lapplication verie :
[[

(t)[[ (t)[[(t)[[ +(t),


o` u et deux fonctions continues denies sur J ; la fonction est `a valeurs positives ou
nulles.
soit denie sur J , veriant lequation :

(t) = (t)(t) +(t),


et satisfaisant [[(t
0
)[[ (t
0
)
Alors pour tout t t
0
on a :
[[(t)[[ (t).
Chapitre 2
Modelisation mathematique
Les mod`eles mathematiques des phenom`enes biologiques sont de plus en plus realistes
et utiles dans la pratique, un reet de leur utilisation pour aider `a comprendre les proces-
sus dynamiques et faire des predictions pratiques.
La modelisation mathematique en biologie est necessaire dans de nombreuses disciplines
telles que lecologie, la dynamique des populations, la genetique, lepidemiologie, la medecine
et fait intervenir la plupart des domaines des mathematiques, analyse reelle et complexe,
alg`ebre, calcul dierentiel et integral, analyse numerique, probabilites et statistique,...
2.1 Modelisation mathematique appliquee `a la dyna-
mique de populations
Un des domaines de la biologie o` u les mathematiques sont les plus representees et
depuis fort longtemps est la dynamique des populations. Ce terme doit etre entendu en
un sens tr`es large. La dynamique des populations netudie pas seulement levolution des
populations animales, vegetales ou bacteriennes, mais concerne aussi la genomique au
niveau cellulaire. La dynamique des populations consiste non seulement `a decrire la taille
de la population etudiee au cours du temps mais aussi `a expliquer les comportements
evolutifs observes ainsi que les interactions entre les esp`eces vivantes et leur milieu.
Dans ce qui suit, nous considerons certains mod`eles deterministes en guise dintroduc-
tion `a la dynamique de populations.
10
2.1 Modelisation mathematique appliquee `a la dynamique de populations 11
1-Mod`ele de croissance exponentielle de Malthus [9]
On consid`ere une population dont leectif au cours du temps est represente par une
fonction reelle :
N : R
+
R
+
En labsence dinteraction avec une autre population, on peut schematiser levolution
de N par la loi generale :
N(t + t) N(t) = [ taux de naissances taux de dec`es ]N t
N(t+t)N(t)
t
= [ taux de naissances taux de dec`es ]N
on passe `a la limite t 0 :
dN
dt
= [ taux de naissances taux de dec`es ]N
On peut ecrire la loi devolution malthusienne
dN
dt
= (b d) N, b, d > 0
Cette approche, revient `a Malthus en 1798.
La solution est donnee par : N(t) = N
0
e
(bd)t
Proprietes :
N(t) = N
0
e
(bd)t
Si b > d il y a croissance exponentielle de la population.
Si b < d il y a decroissance exponentielle de la population qui tend vers une extinction.
Si b = d la population reste constante.
Defaut majeur : Ne tient pas compte de la capacite du milieu `a soutenir une crois-
sance exponentielle et cest assez irrealiste. En eet, si lon consid`ere les estimations de
croissance passees et les previsions pour la population mondiale totale du 17
` eme
au 21
` eme
si`ecles, on remarque que la croissance nest pas exponentielle.
12 Modelisation mathematique
2-Mod`ele de croissance logistique de Verhulst [9]
Ce mod`ele est introduit pour corriger le defaut evoque ci-dessus, bien s ur il faut
presenter un certain ajustement `a la croissance exponentielle . Verhulst (1838, 1845) a
propose quun processus dauto limitation devrait fonctionner quand une population de-
vient trop importante. Il a suggere :
dN
dt
= rN(1
N
K
), N(0) = N
0
, r = b d > 0
Si K > 0 : capacite limite de lenvironnement.
Si K = + on retrouve le mod`ele de Malthus.
Si r le taux intrinseque.
La solution est donnee par :
N(t) =
N
0
K e
rt
[K+N
0
(e
rt
1)]
K quand t
3-Deux populations en interaction
Soit maintenant le cas de deux populations en interaction :
x(t) : densite de la population 1.
y(t) : densite de la population 2.

dx
dt
= f(x) +

h(x, y)
dy
dt
= g(y) +

k(x, y)
o` u f(x) et g(y) modelise la croissance de la population isolee et h(x, y) et k(x, y)
modelise linteraction entre les deux populations
Pour le choix de h(x, y) et k(x, y) et leurs signes on a :
(, ) chaque population exerce un eet negatif sur la croissance de lautre , cest
le cas des populations en competition.
(, +) ou (+, ) une population exerce un eet negatif sur la croissance de lautre ,
et leet inverse dans lautre sens est positive , cest le cas par exemple de la predation .
(+, +) chaque population favorise la croissance de lautre population par exemple le cas
2.1 Modelisation mathematique appliquee `a la dynamique de populations 13
du mutualisme.
Exemple pour le cas de predation :
Pour mieux comprendre la modelisation , prenons le cas de predation . Il est usuel de
supposer que les proies et les predateurs se deplacent en exploitant leur milieu au hasard.
Cela conduit `a un mod`ele de type action de masse o` u le nombre moyen de rencontres
entre les proies et les predateurs est proportionnel au produit des eectifs , de ce fait on
doit avoir un terme negatif dans lequation des proies parce que quil y a disparition des
proies consomees par les predateurs de type h(x, y) = axy.
Ici a est un param`etre constant positif qui rend compte de lecacite des predateurs
dans leurs attaques.
h : sappelle fonction de Lotka-Voltera ou de type 1
Dans lequation des predateurs on doit sattendre `a un terme de la meme forme parce
que les proies tuees sont assimilees par les predateurs et leur permettent de maintenir la
croissance de leur population k(x, y) = eh(x, y) = eaxy.
O` u e : rendement de conversion de biomasse proie en biomasse predateur.
Supposons que x est la densite de la proie se developpant avec une croissance logistique :
f(x) = rx(1
x
K
)
y est caracterise par une mortalite naturelle :
g(y) = my
On obtient le mod`ele suivant :

dx
dt
= rx(1
x
K
) axy
dy
dt
= my +eaxy
4-Equation structuree en age
Soit n(t, a) la densite de population qui a lage a `a linstant t o` u a [0, a
+
] avec
a
+
lage maximal .
Soit

a
2
a
1
n(t, a)da : le nombre dindividus qui ont lage a [a
1
, a
2
] `a linstant t
(lintegrale somme tous les individu qui ont lage a [a
1
, a
2
] `a linstant t) .
14 Modelisation mathematique
P(t) =


0
n(t, a)da est la taille totale de notre population `a linstant t.
Soit le taux de fertilite ou de naissance alors :

a
2
a
1
n(t, a)da : le nombre des naissances produit des individus dans lage a [a
1
, a
2
]
`a linstant t.
Posons B(t) =


0
n(t, a)da : le nombre total des naissances `a linstant t.
Soit le taux de mortalite alors le nombre total de dec`es `a linstant t est egal :


0
n(t, a)da
Il est logique de prendre = (a, P(t)) et = (a, P(t)) dependant de lage et
de la population totale.
Supposons que la population change dun temps t `a un temps t+h alors

t+h
t
B(s)ds : le nombre de naissances entre t et t+h.
Le nombre des individus disparus par mortalite `a linstant t+s qui ont un age inferieure
ou egal `a a +s est egal :

a+s
0
n(t +s, )d,
donc le nombre des individus qui evoluent et qui meurent entre [t, t +h] est :

h
0

a+s
0
n(t +s, )dds.
Le nombre des individus de la population qui ont un age inferieur `a a est egal :
N(t, a) =

a
0
n(t, s)ds.
donc N(t +h, a +h) N(t, a) =

t+h
t
B(s)ds

h
0

a+s
0
n(t +s, )dds
donc
N(t+h,a+h)N(t,a)
h
=

t+h
t
B(s)ds

h
0

a+s
0
n(t +s, )dds
h
En faisant tendre h 0 on obtient
N
t
N
a
= B(t)

a
0
n(t, )d avec N
t
=
N
t
et N
a
=
N
a
2.2 Modelisation mathematique en epidemiologie 15

a
0
n
t
(t, )d +n(t, a) =

a
0
n(t, )d
On derive et on obtient :
n
t
(t, a) +n
a
(t, a) = n(t, a).
Conclusion le Mod`ele MACKENDRICK-FOESTER est donne par :

t
n(t, a) +

a
n(t, a) = n(t, a),
n(t, 0) =


0
(a, p(t))n(t, a)da,
n(0, a) = n
0
(a)
Remarque : On peut aussi aussi voir que la variation de la population est egale :
dn(t, a) =
n
a
da +
n
t
dt = n(t, a)dt.
Puisque on avance dans lage physique comme dans le temps on a
da
dt
= 1 donc da = dt
Do` u, apr`es simplication :
n
a
+
n
t
= n(t, a).
2.2 Modelisation mathematique en epidemiologie
Soit une population saine ( constituee de susceptibles ) et supposons quun
individu infecte est introduit dans cette population , il va declencher linfection et celle-ci
se propage dun individu `a un autre `a travers un contact. Apr`es un certain temps les
infectes se retablissent et deviennent immunises ou refractaire, ce qui revient `a dire que
la probabilite detre infecte une 2
` eme
fois est faible .
Ainsi la population est divisee en trois classes dindividus :
SUSCEPTIBLES INFECTES REFRACTAIRES
Pour pouvoir creer un mod`ele pour cette situation nous allons suivre les 3 etapes sui-
vantes :
16 Modelisation mathematique
1- Identication des quantites qui nous interessent
S :nombre des susceptibles.
I :nombre des infectes
R :nombre des refractaires
2- identication des variables independantes
tel que le temp t lespace x, lage a,...
Dans notre exemple on a S(t), I(t), R(t)
3- On quantie les transitions et les interactions entre les classes
Denition :
On appelle force dinfection la probabilite par unite de temps (le taux), pour quun
susceptible devienne infecte .
Suivant cette denition on construit notre mod`ele.
S(t +h) S(t) = (I)S(t)h
I(t +h) I(t) = (I)S(t)h Ih
R(t +h) R(t) = I(t)h
Apr`es le passage `a la limite h 0 on a

dS
dt
= (I)S(t)
dI
dt
= (I)S(t) I
dR
dt
= I
On suppose que la force dinfection est proportionelle au nombre dinfectes i.e : (I) = I
o` u est appele le taux de transmission.
Le mod`ele devient :

dS
dt
= IS
dI
dt
= IS I
dR
dt
= I
Ici le mod`ele ne prend pas en compte la mortalite ni la natalite et par consequent la
population totale est consideree comme constante.
2.2 Modelisation mathematique en epidemiologie 17
S(t) +I(t) +R(t) = N.

Etant donnee maintenant une maladie, une question fondamentale est de savoir
si elle peut se propager dans la population, pour cela on va introduire une nouvelle notion
quon appelle le taux de reproduction de base.
Denition :
On appelle taux de reproduction de base, note R
0
le nombre moyen dindividus infectes
produit par un seul infecte dans une population consitituee initialement uniquement din-
vidus sains, autrement dit le nombre moyen de cas secondaires par cas primaires dans une
population vierge.
Lintuition, et les mathematiques, montrent que lorsque R
0
est plus grand que 1, il y a
apparition depidemie ; et tel nest pas le cas lorsque R
0
est inferieur `a 1 .
On peut donner une formule explicite de R
0
:
R
0
= C P T
avec
* C le nombre moyen de contacts.
* P la probabilite pour que le contact entre infectes et susceptibles conduit reellement `a
une transmission de la maladie.
* T la periode moyenne dinfectiosite .
Ici CP represente le contact reussi.
Lun des avantages de mesurer la croissance dans la generation de base et que pour plu-
sieurs mod`eles nous avons une expression explicite pour R
0
en fonction des param`etres .
En eet en prenant en compte les hypoth`eses faites :
- Le contact reussi CP = N .
- La periode dinfectiosite T =
1

.
donc
R
0
= N
1

.
On a CP = N car le contact dans la population initiale se fait avec toute
la population N puisque on la supposee saine (constituee uniquement de susceptibles)
multipliee par le taux de transmission.
Pour la periode dinfectiosite on va utiliser une aproche probabiliste pour prouver
que T =
1

. Pour cela on suppose que les infectes deviennent immediatement conta-


gieux (il n ya pas une periode de latence ). Pour plus de details voir [11]
On pose P(t) : la probabilite detre toujours contagieux `a linstant t apr`es linfection. On
a alors :
18 Modelisation mathematique

P
I
(t +h) P
I
(t) = P
I
(t)h
P
I
(0) = 1

dP
I
(t)
dt
= P
I
(t)
P
I
(0) = 1
P
I
(t) = e
t
.
Soit X la variable aleatoire X : R
+
X() : la duree de la periode dinfectiosite de lindividu
alors P
I
(t) = P
I
(X() > t) = e
t
La fonction de repartition F(t) = P
I
(X() t) = 1 e
t
La fonction de densite F

(t) = f(t) = e
t
donc lesperance est egale `a
E(X) =


0
tf(t)dt =
1

.
do` u la resultat.
2.3 Le mod`ele de Kermack-McKendrick avec lage
dinfection et interpretation
Dans cette section nous considerons le mod`ele structure en age dinfection suivant[12] :

(t) =
s
S(t) S(t)


0
(a)i(t, a)da,
i(t,a)
t
+
i(t,a)
a
=
I
(a)i(t, a),
i(t, 0) = S(t)


0
(a)i(t, a)da,
dR
dt
=


0
(
I
(a) r)i(t, a)da
r
R(t),
S(0) = S
0
0, R(0) 0, i(0, .) = i
0
L
1
+
(0, +).
(1)
Dans le mod`ele (1) la population est decomposee en trois classes (S(t)) des individus
2.3 Le mod`ele de Kermack-McKendrick avec lage dinfection et interpretation 19
susceptibles, (i(t, a)) des individus infectes et des individus refractaire (R(t)) . On designe
par a 0 lage o` u linfection commence, par consequent i(t, a) est la densite des indivi-
dus infectes `a linstant t et qui ont lage dinfection a.
Si on donne deux valeurs 0 a
1
< a
2
+ alors le nombre des individus qui ont lage
dinfection entre a
1
et a
2
et :

a
2
a
1
i(t, a)da.
On peut avoir plusieurs interpretations de lage dinfection . Par exemple un individu
peut etre expose c-`a-d infecte mais pas encore contagieux de a = 0 `a a = a
1
et quil
devient infectieux de a = a
1
`a a = a
2
.
Dans le mod`ele > 0 est un param`etre qui represente une contribution positive qui
entre dans S(t), et
s
> 0 le taux de mortalite des susceptibles. La fonction (a) peut
etre interpretee comme la probabilite detre infectieux (capable de transmetre la maladie)
avec lage dinfection a 0 , alors la quantite :

+
0
(a)i(t, a)da.
represente le nombre dindividus contagieux . La fonction (a) decrit exactement la
probabilite dinfectiosite pour la progression de la maladie dun individu infecte.
On a aussi > 0 le taux de transmission de linfection dun infecte `a un susceptible,

I
(a) est le taux de quitter les individus infectes et qui devient refractaire , de ce fait on
sattend `a un terme de la meme forme dans lequation des refractaires moins r le taux de
disparition par mortalite naturel des infectes. Finalement
r
est le taux de mortalite des
individus refractaires .
En consequence de ce qui prec`ede on a la quantite :
I

I
(a) = exp(

a
0

I
(l)dl)
qui represente exactement la probabilite detre toujours infecte.
On a besoin de faire quelques suppositions pour que le probl`eme soit bien pose :
- La fonction a (a) est bornee et uniformement continue de [0, +) [0, +) .
- La fonction a
I
(a) appartient `a L

+
(0, +) .
Remarque :
On peut remarquer que le mod`ele est une generalisation du mod`ele SIR . Pour le voir
calculons le nombre total de tous les infectes `a linstant t en integrant lequation en i(t, a)
pour eliminer la variable a, cela revient `a dire sommer tous les infectes `a linstant t .
20 Modelisation mathematique
Pour faciliter la notation; on suppose que
I
(a) =
I
et (a) = donc :

+
0
i(t, a)
t
da +

+
0
i(t, a)
a
da =

+
0

I
(a)i(t, a)da
alors

+
0
i(t, a)
t
da i(t, 0) =
I

+
0
i(t, a)da avec i(t, +) = 0
donc

t

+
0
i(t, a)da i(t, 0) =
I

+
0
i(t, a)da
On pose I(t) =

+
0
i(t, a)da ( les infectes `a linstant t ) . Ainsi :
I

(t) =
I
I(t) +S(t)


0
i(t, a)da.
A propos de lequation des refractaires elle verie ceci :

dR
dt
=


0
(
I
(a) r)i(t, a)da
r
R(t)
R(0) 0
Do` u le mod`ele SIR deduit :

dS
dt
=
s
S(t) S(t)I(t)
dI
dt
=
I
I(t) +S(t)I(t)
dR
dt
=


0
(
I
(a) r)i(t, a)da
R
R(t)
Revenons `a notre mod`ele (1) :

(t) =
s
S(t) S(t)


0
(a)i(t, a)da
i(t,a)
t
+
i(t,a)
a
=
I
(a)i(t, a)
i(t, 0) = S(t)


0
(a)i(t, a)da
S(0) = S
0
0, i(0, .) = i
0
L
1
+
(0, +)
(1)
2.3 Le mod`ele de Kermack-McKendrick avec lage dinfection et interpretation 21
Cherchons les points dequilibre du mod`ele (1), donc la variation par rapport au temps
est nulle : [12]


s
S S


0
(a)i(a)da = 0 (2)
i(a)
a
=
I
(a)i(a) (3)
i(0) = S


0
(a)i(a)da
(3) i(a) = i(0)e

a
0

I
(l)dl
.
Dun autre cote
i(0) = S


0
(a)i(0)e

a
0

I
(l)dl
da donc i(0) = i(0)S


0
(a)e

a
0

I
(l)dl
da
alors i(0)(1 S


0
(a)e

a
0

I
(l)dl
da) = 0
Donc
1- soit i(0) = 0 i(a) = 0
i(a) = 0 S =

s
donc (S
F
, i
F
(a)) = (

s
, 0) est un point dequilibre.
2- soit S


0
(a)e

a
0

I
(l)dl
da = 1 S
E
=

R
0

s
On aura le seul point dequilibre endemique (S
E
, i
E
(a)) .
Par lintuition mathematique on pose
R
0
=

s


0
(a)e

a
0

I
(l)dl
da.
et on montre dans le chapitre 4 que lorsque R
0
est plus grand que 1, on aura une
epidemie ; et lextinction lorsque R
0
inferieur `a 1.
Remarque :
On peut faire une simplication dans notre probl`eme par =
s
suivant le changement
22 Modelisation mathematique
de variable suivant s(t) =
s

S(t) alors :
s

(t) =
s

(t)

s
s

(t) = S

(t) =
s
S(t) S(t)


0
(a)i(t, a)da,
s

(t) =
s


s
S(t)
s

S(t)


0
(a)i(t, a)da,
s

(t) =
s

s
s(t) s(t)


0
(a)i(t, a)da.
Chapitre 3
Existence et unicite des solutions
pour le mod`ele de
Kermack-McKendrick structure en
age dinfection
3.1 Lequation non lineaire de renouvellement
Lequation de renouvellement joue un role essentiel dans la modelisation en biologie
et apparat dans divers domaines : dynamiques de populations, la proliferation cellulaire,
en epidemiologie et en lecologie...
Dans ce chapitre, nous considerons le mod`ele non lineaire structure en age qui se pose
dans de nombreux contextes dierents. Il peut etre ecrit comme une equation aux derivees
partielles sur la fonction inconnue n(x, t) 0 qui represente la densite des individus d age
x, au temps t (voir [1])

t
n(t, x) +

x
n(t, x) +d(x, S(t))n(t, x) = 0, t 0, x 0
n(t, 0) =


0
B(x, S(t))n(t, x)dx,
n(0, x) = n
0
(x) 0
S(t) =


0
(x)n(t, x)dx.
(
1
)
On verra ulterieurement que, grace `a ce mod`ele general et avec un bon choix de B et
23
24
Existence et unicite des solutions pour le mod`ele de Kermack-McKendrick structure en
age dinfection
de d, on retrouve plusieurs autres mod`eles extraits de celui-l`a . Le mod`ele de Kermack-
McKendrick avec lage dinfection est un cas particulier. Finalement on demontre lexis-
tence du probl`eme general (
1
) avec lanalyse classique de lequation du transport . Re-
gardons maintenant la relation entre le mod`ele (
1
) et lequation de renouvellement.
- Mod`ele de McKendrick-Foerster et lequation de renouvellement :
Soit le mod`ele suivant :

t
n(t, a) +

x
n(t, a) = (a) n(t, a)
n(t, 0) =


0
(a)n(t, a)da,
n(0, a) = (a)
On resout lequation le long des caracteristiques, xons t
0
, a
0
> 0 et posons n(h) =
n(t
0
+h, a
0
+h). On aura :
dn
dh
= (h) n avec (h) = (a
0
+h),
do` u n(h) = e

h
0
()d
n(0)
donc n(t
0
+h, a
0
+h) = n(t
0
, a
0
)e

h
0
(a
0
+)d
,
Si a > t alors (t
0
, a
0
) = (0, a t) et h = t.
Si t > a alors (t
0
, a
0
) = (t a, 0) et h = a.
n(t, a) =

n(t a, 0)e

a
0
()d
si t > a,
(a t)e

t
0
(a t +)d
si a > t.
Posons :
3.2 Existence des solutions du probl`eme lineaire 25
B(t) =


0
(a)n(t, a)da,
ainsi
B(t a) =


0
(a)n(t a, a)da = n(t a, 0),
alors
B(t) =

t
0
(a)n(t, a)da +


t
(a)n(t, a)da.
Nous en deduisons
B(t) =

t
0
(a)n(t a, 0)e

a
0
()d
da +


t
(a)(a t)e

t
0
(a t +)d
da,
B(t) =

t
0
(a)B(t a)e

a
0
()d
da +


t
(a)(a t)e

t
0
(a t +)d
da.
Alors B(t) satisfait lequation de renouvellement (equation integrale de Volterra) :
B(t) = h(t) +

t
0
B(a) G(t a)da.
3.2 Existence des solutions du probl`eme lineaire
Dans ce paragraphe on consid`ere S(t) une fonction localement bornee. Soit lequation
de renouvellement lineaire suivante [1] :

t
n(t, x) +

x
n(t, x) +d(x, S(t))n(t, x) = 0, t 0, x 0
n(t, 0) =


0
B(x, S(t))n(t, x)dx,
n(0, x) = n
0
(x) 0.
(
2
)
On denit tout dabord la solution faible comme suit :
Denition 3.2.1
Une fonction n L
1
loc
(R
+
R
+
) satisfait lequation de renouvellement lineaire
(
2
) au sens faible si


0
B(t, x) [ n(t, x) [ dx L
1
loc
(R
+
) et pour tout T > 0, pour toute
fonction test C
1
c
([0, T] [0, ]) sachant que (T, x) 0, on a :
26
Existence et unicite des solutions pour le mod`ele de Kermack-McKendrick structure en
age dinfection

T
0


0
n(t, x)

t
(t, x)+

x
(t, x)d(x, S(t))(t, x)dx dt =


0
n
0
(x)(0, x)dx+

T
0
(t, 0)


0
B(x, S(t))n(t, x)dx dt.
Nous allons enoncer un theor`eme qui sera utile par la suite :
Theor`eme 3.2.1 (Derivation dun produit de composition [3] )
Soit ouvert de R
n
et G C
1
(R) telle que G(0) = 0 et s R
[ G

(s) [ M. Soit u W
1,p
(), alors
(G u) W
1,p
() et

x
i
(G u) = (G

u)
u
x
i
.
Theor`eme 3.2.2
Soit M > 0 tel que B(., .), d(., .) < M , S(t) 0 , S(t) L

loc
(R
+
) , n
0

L

(0, ) L
1
(0, ). Alors il existe une solution unique et faible n C(R
+
, L
1
(R
+
))du
probl`eme (
2
) , et en plus n(t, x) 0 quand n
0
0, et


0
[ n(t, x) [ dx e
(Bd)
+
t


0
[ n
0
(x) [ dx.
Preuve :
Cherchons la solution dans lespace :
E = C([0, T], L
1
(R
+
)) T > 0,
u E implique que u continue par rapport au temps et u(t, .) L
1
(R
+
),
avec la norme denie comme suit :
| u |
E
= sup
t[0,T]
| u(t, .) |
L
1
(R
+
)
.
Soit le probl`eme suivant :

t
n(t, x) +

x
n(t, x) +d(x, S(t))n(t, x) = 0, t 0, x 0
n(t, 0) =


0
B(x, S(t))m(t, x)dx,
n(0, x) = n
0
(x) 0.
(
3
)
3.2 Existence des solutions du probl`eme lineaire 27
On denit loperateur :
A : E E
m n
o` u n est la solution du probl`eme (
3
).
Il est facile dobserver que A est un operateur lineaire. Montrons quil est aussi contrac-
tant, c-`a-d :
| A(m
1
m
2
) |
E
K | m
1
m
2
|
E
m
1
, m
2
E avec 0 < K < 1,
ou bien
| n
1
n
2
|
E
K | m
1
m
2
|
E
m
1
, m
2
E avec 0 < K < 1,
avec n
1
, n
2
les solutions associes `a m
1
et m
2
respectivement.
Posons n = n
1
n
2
et m = m
1
m
2
.
On soustrait les probl`emes en n
1
et n
2
associes `a m
1
et m
2
respectivement.
On obtient

t
n(t, x) +

x
n(t, x) +d(x, S(t))n(t, x) = 0, t 0, x 0
n(t, 0) =


0
B(x, S(t))m(t, x)dx,
n(0, x) = 0.
(
3.1
)
A present, on veut faire apparatre la norme dans lequation precedente. Pour cela on
va multiplier par une fonction G

(n) et on int`egre lequation, de tel sorte que G

(n) tende
vers [n[ dans L
1
(R
+
) .
On denit G

(n) comme suit :


G

(n) =

n
2
2
si [n[
[n[

2
si [n[ >
28
Existence et unicite des solutions pour le mod`ele de Kermack-McKendrick structure en
age dinfection
On a G

(n) M[n[ , elle est sous lineaire. De plus G

(n)
0
[n[ p.p et dans
L
1
(R
+
).
On multiplie (
3.1
) fois G

(n) donc :
G

(n)
t
+
G

(n)
x
+d(x, S(t))G

(n)n = 0,
G

(n)
t
+
G

(n)
x
+d(x, S(t))(G

(n)n G

(n)) +d(x, S(t))G

(n) = 0.
On a G

(n) =

si [n[
1 si n >
1 si n <
et (G

(n)n G

(n)) =

n
2


n
2
2
si [n[
n (n

2
) si n >
n (n

2
) si n <
On remarque que : (G

(n)n G

(n))
0
0.
Donc apr`es le passage `a la limite 0, on voit que [n[ verie le probl`eme au
sens de distribution :
3.2 Existence des solutions du probl`eme lineaire 29

[n[
t
+[n[
x
+d(x, S(t))[n[ = 0,
[n(t, 0)[ = [


0
B(x, S(t))m(t, x)dx[,
n(0, x) = 0 0.
(
3.2
)
En integrant lequation (
3.2
) on obtient :
d
dt


0
[n(t, x)[dx [n(t, 0)[ +


0
d(x, S(t))[n(t, x)[dx = 0,


0
[n(t, x)[dx

t
0
[n(s, 0)[ds,

t
0
[


0
B(x, S(t))m(s, x)dx[ds,
MT | m |
E
,
| n |
E
MT | m |
E
.
Il sut alors de choisir T petit, de telle sorte que MT < 1 et par suite loperateur
A est contractant. Le theor`eme du point xe de Banach assure lexistence dun point xe
unique c-`a-d An = n, ce qui assure lexistence et lunicite de la solution sur un intervalle
[0, T] du probl`eme (
2
) .
On applique `a chaque fois la meme procedure entre [kT, (k+1)T] et on change la condition
initiale n(0, x) = n(kT, x) .A la n on recolle toutes les solutions obtenues sur chaque
intervalle et on aura une solution globale n > 0 pour chaque m > 0, do` u la resultat du
theor`eme.
Maintenant on demontre lestimation :


0
[ n(t, x) [ dx e
(Bd)
+
t


0
[ n
0
(x) [ dx.
En integrant lequation (
3.1
) :

t
[n(t, x)[ +

x
[n(t, x)[ +d(x, S(t))[n(t, x)[ = 0,
on obtient
30
Existence et unicite des solutions pour le mod`ele de Kermack-McKendrick structure en
age dinfection
d
dt


0
[n(t, x)[dx [n(t, 0)[ =


0
d(x, S(t))[n(t, x)[dx
[n(x, 0)[


0
d(x, S(t))[n(t, x)[dx,


0
B(x, S(t))[n(t, x)[dx


0
d(x, S(t))[n(t, x)[dx,


0
[B(x, S(t)) d(x, S(t))][n(t, x)[dx,


0
[n(t, x)[dx avec =| (B d)
+
|

,
donc


0
[ n(t, x) [ dx e
t


0
[ n
0
(x) [ dx .
3.3 Existence des solutions du probl`eme non lineaire
Dans ce paragraphe on sinteresse `a lexistence et lunicite des solutions du probl`eme
(voir [1]) :

t
n(t, x) +

x
n(t, x) +d(x, S(t))n(t, x) = 0, t 0, x 0
n(t, 0) =


0
B(x, S(t))n(t, x)dx,
n(0, x) = n
0
(x) 0,
S(t) =


0
(x)n(t, x)dx.
(
1
)
On suppose lexistence dun reel L tel que pour tout x, S
1
, S
2
0 on a :
[ B(x, S
1
) B(x, S
2
) [ L [ S
1
S
2
[ , [ d(x, S
1
) d(x, S
2
) [ L [ S
1
S
2
[.
On peut prouver quil existe m, M > 0 tels que m S(t) M .
3.3 Existence des solutions du probl`eme non lineaire 31
Theor`eme 3.3.1
Soit M > 0 tel que B(., .), d(., .), (.) < M , n
0
L

(0, ) L
1
(0, ) alors il
existe une solution faible unique n C(R
+
, L
1
(R
+
)) du probl`eme (
1
).
Preuve :
Pour prouver ce resultat on utilise la meme procedure que precedemment. Soit
E = C([0, T], L
1
(R
+
)) T > 0,
avec la norme denie comme suit :
| u |
E
= sup
t[0,T]
| u(t, .) |
L
1
(R
+
)
.
On denit aussi E
+
lespace des fonctions continues sur [0, T] non negatives et on
pose =| (B d)
+
|

.
Dapr`es le theor`eme (3.2.1) et pour S C([0, T]) on a n C([0, T], L
1
(R
+
)) qui verie :

t
n(t, x) +

x
n(t, x) +d(x, S(t))n(t, x) = 0, t 0, x 0
n(t, 0) =


0
B(x, S(t))n(t, x)dx,
n(0, x) = n
0
(x) 0.
On denit maintenant loperateur :
A : E
+
E
+
S(t)


0
(x)n(t, x)dx
Pour prouver le theor`eme (3.3.1), il est susant de montrer que A est contractant .
Cela revient `a dire que loperateur admet un point xe alors :
S(t) =


0
(x)n(t, x)dx.
Soit n
1
(t, x), n
2
(t, x) deux solutions correspondant `a S
1
(t) et S
2
(t) alors n := n
1
n
2
satisfait :
32
Existence et unicite des solutions pour le mod`ele de Kermack-McKendrick structure en
age dinfection

t
n(t, x) +

x
n(t, x) +d(x, S
1
(t))n(t, x) + [d(x, S
1
(t)) d(x, S
2
(t))]n
2
= 0,
n(t, 0) =


0
B(x, S
1
(t))n(t, x) + [B(x, S
1
(t)) B(x, S
2
(t))]n
2
dx,
n
1
(0, x) = 0.
De l`a, [n(t, x)[ satisfait :

t
[n[ +

x
[n[ +d(x, S
1
(t))[n[ [d(x, S
1
(t)) d(x, S
2
(t))[n
2
,
[n(t, 0)[


0
B(x, S
1
(t))n(t, x) +[B(x, S
1
(t)) B(x, S
2
(t))[n
2
dx,
n
1
(0, x) = 0.
En integrant par rapport `a lage , on obtient :
d
dt


0
[n(t, x)[dx =


0
d
dt
[n[dx,

d
dx
[n[ d(x, S
1
(t))[n[ +[d(x, S
1
(t)) d(x, S
2
(t))[n
2
dx,
[n(t, 0)[


0
d(x, S
1
(t))[n[dx +L[S
1
(t) S
2
(t)[


0
n
2
(t, x) dx,


0
B(x, S
1
(t))n(t, x) +[B(x, S
1
(t)) B(x, S
2
(t))[n
2
dx


0
d(x, S
1
(t))[n[dx +L[S
1
(t) S
2
(t)[


0
n
2
(t, x) dx,


0
[n(t, x)[dx + 2L[S
1
(t) S
2
(t)[


0
n
2
(t, x) dx,


0
[n(t, x)[dx + 2L( sup
t[0,T]
[S
1
(t) S
2
(t)[)[n
0
[
L
1e
t
,
En appliquant le lemme de Gronwall, on a :
3.3 Existence des solutions du probl`eme non lineaire 33


0
[n(t, x)[dx 2Lt[n
0
[
L
1e
t
( sup
t[0,T]
[S
1
(t) S
2
(t)[),
ainsi
sup
t[0,T]


0
[n(t, x)[dx 2LT[n
0
[
L
1e
T
( sup
t[0,T]
[S
1
(t) S
2
(t)[).
Finalement, on deduit que :
sup
t[0,T]
[AS
1
AS
2
[ = sup
t[0,T]
[


0
(x)(n
1
(t, x) n
2
(t, x))[dx,
M sup
t[0,T]


0
[n(t, x)[dx,
2MLT[n
0
[
L
1e
t
( sup
t[0,T]
[S
1
(t) S
2
(t)[).
On choisit T petit de telle sorte que A soit contractant , do` u lexistence et unicite de la
solution du probl`eme (
1
).
Remarque :
Essayons maintenant de faire une extension du probl`eme (
1
) `a notre probl`eme :
(1)

(t) =
s
S(t) S(t)


0
(a)i(t, a)da,
i(t,a)
t
+
i(t,a)
a
=
I
(a)i(t, a),
i(t, 0) = S(t)


0
(a)i(t, a)da,
S(0) = S
0
0, i(0, .) = i
0
L
1
+
(0, +).
On resout lequation des susceptibles explicitement :
S

(t) +
s
S(t) +S(t)


0
(a)i(t, a)da = ;
Par un simple calcul ,
S(t) = (S
0
+

s+


0
(a)i(t, a)da
(e
s+


0
(a)i(t, a)da
1))e
s


0
(a)i(t, a)da
.
34
Existence et unicite des solutions pour le mod`ele de Kermack-McKendrick structure en
age dinfection
Soit S(t) = (I(t)) avec I(t) =


0
(a)i(t, a)da,
et
(I(t)) = (S
0
+

s+


0
(a)i(t, a)da
(e
s+


0
(a)i(t, a)da
1))e
s


0
(a)i(t, a)da
.
Donc S(t) est une fonction de I(t) et le probl`eme (1) devient :

i(t,a)
t
+
i(t,a)
a
=
I
(a)i(t, a),
i(t, 0) = S(t)


0
(a)i(t, a)da,
= (I(t))


0
(a)i(t, a)da,
=


0
(I(t))(a)i(t, a)da,
=


0
B(a, I(t))i(t, a)da avec B(a, I(t)) = (I(t))(a).
Chapitre 4
Comportement asymptotique des
solutions
4.1 La stabilite du point dequilibre trivial
Soit le syst`eme suivant :
(1)

(t) =
s
S(t) S(t)


0
(a)i(t, a)da,
i(t,a)
t
+
i(t,a)
a
=
I
(a)i(t, a),
i(t, 0) = S(t)


0
(a)i(t, a)da,
S(0) = S
0
0, i(0, .) = i
0
L
1
+
(0, +).
On consid`ere maintenant lextinction de la maladie dans le cas de R
0
1.
Posons R
0
=

s


0
(a)e

a
0

I
()d
da.
Soit le nombre de tous les infectes `a linstant t deni comme suit :
I(t) =


0
i(t, a)da.
On suppose L

(R
+
) et S(0) +I(0)

s
, (1.1)


0
(a)e

a
0

I
()d
da 1. (1.2)
Pour simplier lequation des susceptibles , on utilise le changement de variable vu en
35
36 Comportement asymptotique des solutions
page 22 pour obtenir :
I(a)
=
I
=
s
.
On peut choisir r <
I
sachant que

s


0
(a)e
ra
da = 1.
On pose f(r) =

s


0
(a)e
ra
da 1. alors
lim
r+
f(r) = 1.
lim
r
f(r) = + donc r f(r) = 0.
Pour prouver lextinction de linfection on introduit le probl`eme suivant :

(x) r(x) =

s
(x),
(0) = 1.
(2)
dont la solution positive est facile `a trouver .
Soit le theor`eme suivant :
Theor`eme 4.1.1
On suppose que les hypoth`eses (1.1) , (1.2) sont veriees. Alors la solution
i(t,a) du probl`eme verie :


0
i(t, a)(a)da Ae
ct
,
avec A,c des constantes positives .
Preuve :
On resout le probl`eme (2) en (a)

(a) r(a) =

s
(a) (e
ra
(a))

=

s
(a)e
ra
,
e
ra
(a) (0) =

s

a
0
(a

)e
ra

da

,
(a) = e
ra
(1

s

a
0
(a

)e
ra

da

).
Multiplions le probl`eme par et integrons. On obtient :
4.1 La stabilite du point dequilibre trivial 37
d
dt


0
i(t, a)(a)da =
I


0
i(t, a)(a)da


0
i
a
(t, a)(a)da,
=
I


0
i(t, a)(a)da +


0
i(t, a)
a
(a)da [i(t, a)(a)]

0
,
=
I


0
i(t, a)(a)da +


0
i(t, a)(r(a)

s
(a))da +i(t, 0)(0),
=
I


0
i(t, a)(a)da +r


0
i(t, a)(a)da


0
i(t, a)

s
(a)da,
+S(t)


0
(a)i(t, a)da,
d
dt


0
i(t, a)(a)da = (
I
r)


0
i(t, a)(a)da + (S(t)

s
)


0
(a)i(t, a)da. (3)
On a aussi i
t
(t, a) +i
a
(t, a) +
I
i(t, a) = 0.
Integrons I

(t) +
I
I(t) = i(t, 0) = S(t)


0
(a)i(t, a)da.
On fait la somme de cette equation et lequation en S(t), do` u
(I(t) +S(t))

+
I
(I(t) +S(t)) = ,
La solution est :
I(t) +S(t) = (S(0) +I(0)

I
)e

I
t
+

I
.
Si S(0) +I(0)

I
on a S(t)

I
.
Alors dapr`es (3) on obtient
d
dt


0
i(t, a)(a)da (
I
r)


0
i(t, a)(a)da.
Par le Lemme de Gronwall on a :


0
i(t, a)(a)da Ae
ct
.
Do` u la resultat.
38 Comportement asymptotique des solutions
4.2 Fonction de Lyapunov et stabilite asymptotique
globale du point dequilibre endemique
Dans ce paragraphe on montre comment trouver la fonction de Lyapunov pour mon-
trer la stabilite globale du point dequilibre endemique quand il existe . On suppose donc :
R
0
> 1
Soit le syst`eme :
(1)

(t) =
s
S(t) S(t)


0
(a)i(t, a)da,
i(t,a)
t
+
i(t,a)
a
=
I
(a)i(t, a),
i(t, 0) = S(t)


0
(a)i(t, a)da,
S(0) = S
0
0, i(0, .) = i
0
L
1
+
(0, +).
Quand R
0
> 1 le comportement est plus delicat `a etudier par rapport au cas trivial ;
on consid`ere :
a = supa 0 : (a) > 0.
On denit :

M
0
= i L
1
+
(0, +) :

a
0
i(a)da > 0.
Soit
M
0
:= [0, +)

M
0
,
et
M
0
:= [0, +) L
1
+
(0, +) M
0
.
Soit le resultat suivant[12] :
Theor`eme 4.2.1
Supposons que R
0
> 1. Alors chaque solution du syst`eme (1) avec une condi-
tion initiale dans M
0
(respectivement dans M
0
) reste dans M
0
( respectivement
dans M
0
). De plus, chaque solution avec une condition initiale dans M
0
converge
vers (S
E
, 0) et chaque solution avec une condition initiale dans M
0
converge vers
lequilibre endemique (S
E
, I
E
). En outre, (S
E
, I
E
) est localement asymptotiquement
stable.
4.2 Fonction de Lyapunov et stabilite asymptotique globale du point dequilibre
endemique 39
Preuve : On se propose de ne donner que la convergence vers lequilibre endemique.
Pour simplier lequation en susceptibles et par un changement de variables on retrouve :
=
s
=
I
(a) = K.
On fait un changement de variable pour simplier lequation du transport des infectes :
I(t, a) = i(t, a)e
Ka
.
On remarque que I(t, 0) = i(t, 0).
On obtient le syst`eme suivant :

(t) = K KS(t) I(t, 0),


I(t,a)
t
+
I(t,a)
a
= 0,
I(t, 0) = S(t)


0
(a)e
Ka
I(t, a)da.
Soit maintenant le probl`eme stationnaire :

K = KS +I(0),
I(a) = I(0) = S


0
(a)e
Ka
I(a)da.
Donc S


0
(a)e
Ka
da = 1 o` u I(0) ,= 0 par hypoth`ese .
On calcule maintenant la quantite suivante :
d
dt
g(
S(t)
S
) = g

(
S(t)
S
)
1
S
[K KS(t) I(t, 0)],
= g

(
S(t)
S
)
1
S
[KS +I(0) KS(t) I(t, 0)],
= Kg

(
S(t)
S
) +
I(0)
S
g

(
S(t)
S
) K
S(t)
S
g

(
S(t)
S
) g

(
S(t)
S
)
I(t,0)
S
.
Dautre part en derivant :


0
g(
I(t, a)
I(a)
)(a)da on obtient :
I
1
=
d
dt


0
g

(
I(t, a)
I(a)
)
1
I(a)
(
I
a
)(a)da ;
40 Comportement asymptotique des solutions
Etant donner que

a
(
I
I
) =
1
I
I
a

I

(a)
I
2
I(t, a) =
1
I
I
a
(puisque
I
a
= 0 )
Donc
I
1
=

a
g(
I
I
)(a)da .
Maintenant en integrant par parties on obtient :
I
1
= g(
I(t,0)
I(0)
)(0) +


0
g(
I(t, a)
I(a)
)

(a)da.
Rappelons que
I
2
=
d
dt
g(
S(t)
S
) = g

(
S(t)
S
)
1
S
[K KS(t) I(t, 0)].
Introduisons une fonction h telle que :
h convexe .
h(x.y) h(x) +h(y) .
g(x) = h(x) +x 1.
et supposons que

(a) = S(a)e
Ka
(0).
On a
I
1
= g(
I(t,0)
I(0)
)(0) +


0
g(
I(t, a)
I(a)
)

(a)da,
I
1
h(
I(t,0)
I
)(0)+
I(t,0)
I
(0)(0)+


0
h(
I(t, a)
I
)

(a)da+


0
I(t, a)
I

(a)da+

(a)da,
= h(
S
S
S(t)


0
(a)e
Ka
I(t, 0)
I
da)(0)+


0
h(
I(t, a)
I
)[S(a)e
Ka
(0)]da+
I(t, 0)
I
(0)
(0)S


0
(a)e
Ka
I(t, a)
I
da.
Par lInegalite de Jensen et par les hypoth`eses emises :
I
1
h(
S(t)
S
)(0) +
I(t,0)
I
(0)
S
S(t)
I(t,0)
I
(0),
I
1
h(
S(t)
S
)(0) + (1
S
S(t)
)
I(t,0)
I
(0).
On a aussi
4.2 Fonction de Lyapunov et stabilite asymptotique globale du point dequilibre
endemique 41
I
2
= g

(
S(t)
S
)
1
S
[kS +I(0) KS(t) I(t, 0)],
= (h

(
S(t)
S
) + 1)[k +
I(0)
S
K
S(t)
S

I(t,0)
S
],
= (h

(
S(t)
S
) + 1)[k +
I(0)
S
K
S(t)
S
]
I(t,0)
S
h

(
S(t)
S
)
1
S
I(t, 0).
Si
(0)
I
=
1
S
on a (0) =
I(0)
S
,
alors I
1
+I
2
h(
S(t)
S
)(0) (
1
S(t)
+
1
S
h

(
S(t)
S
))I(t, 0) + (h

(
S(t)
S
+ 1)[K +(0) K
S(t)
S
].
Si h

(
S(t)
S
)
1
S
+
1
S(t)
= 0 alors h

(x) =
1
x
avec x =
S(t)
S
,
alors h(x) = ln x
I
1
+I
2
h

(
S(t)
S
)K(1
S(t)
S
) + (h(
S(t)
S
) +h

(
S(t)
S
) + 1)(0) +K(1
S(t)
S
) ,
I
1
+I
2
k[h(
S(t)
S
) +h

(
S(t)
S
)(1
S(t)
S
)] K[h(
S(t)
S
) +
S(t)
S
1] +(0)[h(
S(t)
S
) +h

(
S(t)
S
) +1] ,
On a h(
S(t)
S
) +h

(
S(t)
S
)(1
S(t)
S
) = ln
S(t)
S

1
S(t)
S
+ 1.
Dautre part :
h(x) +x 1 = ln x +x 1 0 si x (0, ).
h(x) +h

(x) + 1 = ln x
1
x
+ 1 0 si x (0, ).
donc I
1
+I
2
0
d
dt
[


0
g(
I(t, a)
I
)(a)da +g(
S(t)
S
)] 0.
V (S, I) =


0
g(
I(t, a)
I
)(a)da +g(
S(t)
S
),
avec g(x) = x ln x 1 .
On remarque que V (S, I) est bien une fonction de Lyapunov avec
d
dt
V (S, I) 0.
Traitons le cas
d
dt
V (S, I) = 0 et utilisant le Theor`eme de Lasalle pour obtenir la sta-
bilite asymptotique de (S, I).
d
dt
V (S, I) = 0
d
dt
[


0
g(
I(t, a)
I
)(a)da +g(
S(t)
S
)] = 0,
donne
42 Comportement asymptotique des solutions

h(x) = h

(x)(1 x), (1)


h(x) = 1 x, (2)
h(x) +h

(x) = 1, (3)
De (2) et (3) on a x = 1 et (1) est verie,
alors S(t) = S et I(t, 0) = K KS(t) = K KS = I(0).
On a I(t, 0) = I(0) alors S(t)


0
(a)e
Ka
I(t, a)da = S


0
(a)e
Ka
I(a)da,
ce qui donne I(t, a) = I.
Ainsi
= (S(t), I(t, a))

V = 0) = (S, I).
Dapr`es le theor`eme de Lyapunov et le theor`eme de Lasalle, on conclut que (S, I) est
globalement attractif.
4.3 Analyse numerique et exemples
Soit notre probl`eme (1) :

(t) =
s
S(t) S(t)


0
(a)I(t, a)da,
I(t,a)
t
+
I(t,a)
a
=
I
(a)I(t, a),
I(t, 0) = S(t)


0
(a)I(t, a)da,
S(0) = S
0
0, i(0, .) = I
0
L
1
+
(0, +).
(1)
On propose dans ce paragraphe une approximation numerique de notre probl`eme (1).
Pour calculer une solution approchee on se donne une discretisation en temps et en age
dinfection. Cette derni`ere consiste `a donner un ensemble de point (t
n
)
n=0...N
de [0, T]
et un ensemble de point (a
i
)
i=0...M
de [0, A] avec A tres grand.
Pour simplier on consid`ere un pas constant k =
T
N
et h =
A
M
4.3 Analyse numerique et exemples 43
On pose alors t
n
= nk pour n = 0...N et a
i
= ih pour i = 0...M.
On veut chercher une solution approchee de notre probl`eme , plus precisement on cherche
`a determiner :
S(t
n
) S
n
n = 0...N,
I(t
n
, a
i
) I
n
i
n = 0...N i = 0...M.
Posons f(t
n
, S
n
) =
s
S
n
I
n
0
avec I
n
0
I(t, 0) = S(t)


0
(a)I(t, a)da.
Ces inconnus discret dune discretisation par la methode dEuler explicite en temp et
shema de transport en age de I
n
i
et par la methode Runge-Kutta dordre quatre de S
n
verient le schema suivant :

I
n+1
i
I
n
i
k
+
I
n
i
I
n
i1
h
=
I
(a
i
)I
n
i
,
donc I
n+1
i
= k
I
(a
i
)I
n
i

k
h
(I
n
i
I
n
i1
) +I
n
i
, (2)
i = 1...M , n = 0...N 1,
I
n
0
= S
n
M

i=1
(a
i
)I
n
i
h , n = 1...N,
K
1
= f(t
n
, S
n
),
K
2
= f(t
n
+
k
2
, S
n
+
k
2
K
1
),
K
3
= f(t
n
+
k
2
, S
n
+
k
2
K
2
),
K
4
= f(t
n
+k, S
n
+kK
3
),
S
n+1
= S
n
+
k
6
(K
1
+ 2K
2
+ 2K
3
+K
4
) , n = 0...N 1,
S
0
, I
0
i
, i = 0...M,
Proposition 4.3.1
Le schema (2) est consistant dordre 1 , en plus il est stable sous la condition de Courant-
Friedrichs-Levy (CFL) k h (voir [15]).
44 Comportement asymptotique des solutions
Exemples :
1- Dans notre exemple on va donner des valeurs pour les param`etres de telle sorte que
R
0
< 1. Prenons : = 365 , = 0.00015 , (a) = 0.1 ,
I
= 0.1 ,
s
= 0.1.
Alors R
0
= 0.5475 , on est dans le cas o` u les susceptibles convergent vers S
F
=

s
= 3650
(Figure 4.1). Prenons i(0, a) = 50(a+2)e
0.4(a+2)
et deux conditions initiales S(0) = 1000
et S(0) = 9000 .
Fig. 4.1 Les susceptibles pour R
0
< 1
Puisque R
0
1 on aura lextinction des infectes , on trace la somme de tous les infectes
dage a (Figure 4.2) .
Fig. 4.2 Tout les infectes pour R
0
< 1
4.3 Analyse numerique et exemples 45
2- Soit Maintenant = 365 , = 0.0015 , (a) = 0.1 ,
I
= 0.1 ,
s
= 0.1 . On est
dans le cas endemique avec R
0
= 5.475 > 1
Alors les susceptibles tendent vers S
E
=

R
0
s
= 666 (Figure 4.3)
Prenons i(0, a) = 50(a + 2)e
0.4(a+2)
et S(0) = 2000 .
Fig. 4.3 Les susceptibles pour R
0
> 1
Dans ce cas les infectes convergent vers i(a) = 298 e
a
. La (gure 4.4) represente tous
les infectes qui ont lage a = 0. On voit que i(a) = 298 .
Fig. 4.4 Les infectes dage zero pour R
0
> 1
46 Comportement asymptotique des solutions
De meme on a represente les infectes `a linstant t qui ont lage dinfection a dans la
gure 4.5 :
Fig. 4.5 Les infectes `a linstant t dage a pour R
0
> 1
Remarque : Toute les simulations numeriques de ce memoire ont ete eectuees sous
C++ et Matlab.
4.3 Analyse numerique et exemples 47
Conclusion :
Dans ce memoire on a etudie un mod`ele epidemiologique structure en age de linfec-
tion, on a demontre que le probl`eme est bien pose , il avait lobjectif de demontrer la
stabilite globale asymptotique des equilibres cest la partie essentielle de ce travail. Apr`es
cela on a donne des exemples numeriques pour valider les resultats theoriques obtenus.
Lepidemiologie theorique des maladies transmissibles est devenue une discipline `a part
enti`ere, distincte de la demographie theorique et de lecologie mathematique et ore un
terrain dapplication immense pour les mathematiques et les statistiques.
Au-del`a des resultats theoriques, cette discipline vise `a fournir des bases quantitatives
pour la reexion de sante publique autour des maladies infectieuses. Dans cette di-
rection, on notera que lutilisation des mod`eles plus vraisemblables (et plus complexes
mathematiquement) serait cependant souhaitable . Dans le futur, on prevoit detudier
des mod`eles plus generaux et avec une meilleure precision.
Bibliographie
[1] B.Perthame, S.K. Tumuluri, Nonlinear renewal equations. Selected topic in Can-
cer modeling, Model. Simul. sci. Eng. Technol. Berkhauser, Boston,M A, 65-96, 2008.
[2] F. Brauer and C. Castillo-Chavez, Mathematical Models in Population
Biology and Epidemiology, Springer, New York, 2000.
[3] H.Brezis, Analyse Fonctionnelle theorie et applications, 1987, Masson .
[4] H.R. Thieme and C. Castillo-Chavez, How may infection-age-dependent
infectivity aect the dynamics of HIV/AIDS? SIAM. J. Appl. Math. 53 (1993), pp.
1447-1479. ,
[5] H. Reinhard, Equation dierentielles Fondement et applications, 1982, BORDAS.
[6] H.R. Thieme, Semiows generated by Lipschitz perturbations of non-densely
dened operators, Dierential Integral Equations 3 (1990), pp. 1035-1066.
[7] H.R. Thieme, Mathematics in Population Biology, Princeton University Press,
Princeton, NJ, 2003. ,
[8] H.R. Thieme and C. Castillo-Chavez, On the role of variable infectivity in
the dynamics of the human immunodeciency virus epidemic, in Mathematical
and Statistical Approaches to AIDS Epidemiology, C. Castillo-Chavez, ed., Lecture
Notes in Biomathematics, Vol. 83, Springer-Verlag, Berlin, New York, 1989, 157-176.
[9] J.D. Murray, Mathematical Biology : I. An Introduction. Third Edition, 2001,
Springer
[10] J-P. Demailly, Analyse numerique et equations dierentielles ; collection Grenoble
Sciences, presses universitaires de Grenoble, Grenoble (1996),
48
BIBLIOGRAPHIE 49
[11] O. Diekmann and J.A.P. Heesterbeek, Mathematical Epidemiology of Infec-
tious Diseases : Model Building, Analysis and Interpretation, Wiley, Chichester,
UK, 2000.
[12] P.Magal, C.C. McCluskey, G.F. Webb, G. F.(2010), Lyapunov functional
and global asymptotic stability for an infection-age model, Applicable Analysis, 89 :
7, 1109 - 1140 .
[13] P. Magal, Compact attractors for time periodic age-structured population models,
Electron. J. Dierential Equations 2001(65) (2001), pp.1-35.
[14] R.M. Anderson and R.M. May, Infectious Diseases of Humans : Dynamics and
Control, Oxford University Press, Oxford, UK, 1991.
[15] R. Herbin, Polycopie de cours M1 Analyse numerique des EDP, Marseille,
2011/2012.

Vous aimerez peut-être aussi