Vous êtes sur la page 1sur 7

Département de Mathématiques

Le 04/04/2020, H. Allouche

Estimation de l’évolution du Covid-19 au Maroc

Introdution :

Pour faire des prévisions, soit on a le modèle des équations aux dérivées partielles (EDP) qui
déterminent comment les différents paramètres intervenant dans le phénomène interagissent entre
eux ou des équations différentielles (EDO) lorsqu’on a seulement deux grandeurs l’une en fonction
de l’autre qui agissent sur le phénomène. Dans ce cas les données collectées sont injectées dans les
équations et c’est la résolution des équations qui donne les prévisions. Les exemples illustrant ceci
sont nombreux et diversifiés, on peut citer l’exemple de la météo.

Ce qu’il faut savoir aussi est que les modèles sont approximatifs et leur résolution se fait par des
méthodes d’approximation. Si les prévisions dans le cas de la météo sont de plus en plus précises
c’est parce que les modèles ne cessent de s’améliorer et les méthodes de résolution sont de plus en
plus performantes et rapides alors elles donnent moins d’erreur.

Autre chose aussi à préciser est que les phénomènes pour lesquels on a des modèles d’équations
EDP ou ODE sont des phénomènes qui présentent une certaine régularité, même si le phénomène
est complexe, la régularité peut être dissimulée.

Si on n’a pas le modèle des équations, est ce qu’on peut faire des prévisions ? la réponse est oui si
le phénomène est aléatoire et si on arrive à trouver la loi de probabilité qui le gouverne, on peut
l’utiliser pour faire des prévisions.

Maintenant, si on n’a ni modèle d’équations ni loi de probabilité peut-on faire des prévisions quand
même ? Dans ce cas on utilise des méthodes d’extrapolation pour extrapoler l’historique. La plus
utilisée et la plus connue parmi ces méthodes est la méthode des moindres carrés et à ce propos les
autres méthodes d’approximation comme l’interpolation et le lissage sont utilisées pour d’autres
objectifs.
La méthode des moindres carrés consiste à chercher un polynôme qui approche au mieux les
données représentées sous forme d’un nuage de points. Quand on dit qui ” approche aux mieux
” il faudrait un moyen de mesure, un critère pour sélectionner le meilleur approximant, c’est ce
qu’on appelle norme. En suivant l’allure de l’évolution, ce polynôme est considéré comme le modèle
mathématique qui gouverne l’évolution du phénomène, on parle du modèle polynômial.

Le modèle polynomial ne marche pas pour tous les phénomènes. C’est ce que nous allons expliquer
dans cette note.

Cas du covid-19 :

Nous sommes face à un phénomène qui est complétement aléatoire. Le nombres des personnes
contaminées dépend de la trajectoire de chaque individu infecté et des personnes qu’il a rencontré

1
sur son chemin et dépend aussi des personnes qui ont touché n’importe où le virus se trouve.

Faire l’hypothèse que le modèle suit une loi gaussienne n’est pas dénué de sens, sans aucun doute
l’évolution continue sa croissance, relativement rapide, elle ne va pas croitre indéfiniment, elle
passera par un pic puis elle va décroitre vers 0. Peut être pas avec la même vitesse.
Tout le problème est d’approcher cette gaussienne.
Nous allons montrer sur un exemple théorique que les polynômes ne peuvent approcher ”efficace-
ment” une gaussienne à l’aide d’un nombre réduit de données. Et par consequent les polynômes
ne peuvent servir de prédicteurs dans ce cas.

On s’est donnée une gaussienne, que nous avons évalué en quelques points d’un intervalle [t0 , t0 +δ]
(δ > 0) que nous avons extrapolé par des polynômes dans le but de faire des prédictions dans
l’intervalle [t + δ, t0 + T ] où T > δ. Le résultat est le suivant :

3500
Les valeurs à estimer
Les données dont nous disposons
3000
Le modèle polynomial

2500

2000 Le modèle ça marche pour Le modèle ne marche pas


le futur proche pour le futur lointain
1500 Le présent

1000 Le passé Le futur

500

-500
-5 -4 -3 -2 -1 0 1 2 3 4 5
réalisé par H. Allouche

Figure 1. Approche polynomiale


On voit bien dans le graphe que le long terme ne peut être prédit par des polynômes.
Et même si on tient compte de toutes les données sur la gaussienne les résultats sont :

2
Modèle polynomial intégrant toutes les données de la gaussienne
1200
les données
Polynôme d'ajustement degré 5
1000 Polynôme d'justement degré 9

800

600

400

200

-200
-5 -4 -3 -2 -1 0 1 2 3 4 5
réalisé par H. Allouche

Figure 2. Approche polynomiale


On voit bien que l’évolution ne peut être représentée par un polynôme.
L’idée est d’extrapoler par des fonctions de type
exp(P (x)), où P (x) est un polynôme
La question devient c’est quoi ce polynôme ? Peut-on l’approcher ?

Si on arrive à montrer que le nombre des personnes contaminées résulte de la somme de n variables
aléatoires indépendantes et de même loi alors en utilisant le théorème centrale limite, on peut
affirmer que l’évolution suit la loi normale de densité
1 1 x−µ 2
ϕ(x) = √ e− 2 ( σ )
σ 2π
c’est à dire P (x) est le polynôme de degré 2 suivant :
 2
1 x−µ
P (x) = −
2 σ
Le calcul de la moyenne µ et l’écart-type σ en utilisant les données enregistrées détermine ce
polynôme.
Si non rien ne prouve que P (x) est un polynôme de degré 2 et rien ne montre que les estimations
seront fiables.

Notre approche consiste à estimer ce polynôme P (x) qui va servir à son tour d’estimateur.
L’approximation de P (x) se fera à l’aide d’une norme bien choisie, plus exactement une semi-
norme. Sans détailler plus, nous avons pris la même gaussienne que celle de la figure 1. que nous
avons extrapolé avec les mêmes données en utilisant notre approche, les résultats sont :

3
Les valeurs à estimer
Les données dont nous disposons
1000 Le modèle développé

800 Le présent

600
Le futur
Le passé

400

200

0
-5 -4 -3 -2 -1 0 1 2 3 4 5
réalisé par H. Allouche

Figure 3. Nouvelle approche


Application au cas réel :

Nous avons appliqué ce modèle au données extraites du site : www.marocovid.com

Les données à extrapoler


900

800

700

600

500

400

300

200

100

0
2 Mars 2020 4 Avril 2020

Figure 4. Données enregistrées jusqu’au 4 Avril 2020

4
Ajustement à l'aide du modèle proposé
des données du 2 Mars à 4 Avril
1200

1000

800

600

400

200

0
2 Mars 4 Avril 2020
2020
H. Allouche
Figure 5. Approximation à l’intérieur du domaine des données

Notre estimation est la suivante :


Prédictions à l'aide du modèle proposé
6000

max=5580

5000

4000

3000

2000
Les données
extrapolées
Estimations:
1000 après 69 jours
à partir du 4 Avril

0
2 Mars 4 Avril 29 Avril 11 Juin
2020 2020 2020 2020

Figure 6. Rendez-vous aux alentours du 11 Juin


Actualisation des estimations
les données actualisées

5
1200 1184

1120

1000
961

883

800
761
708

642654
600 602

516
479

400 402
345

275
225
200
170
143
115
96
79
44 54 63
28 37
0 1 1 2 2 2 2 3 3 3 6 6 8 18
02 Mars 07 Avril

Figure 7. Données enregistrées au 07 Avril 2020

3500

3120
3000

2500

2000

1500

1000

500

0
2 Mars 07 Avril 24 Avril 09 Juin

Figure 8. Estimation du nombre total des personnes contaminées : Cas du Maroc


On voit que la cadence de croissance a baissé sensiblement ce qui a infulencé considérablement le
pic et aussi la date d’atténuation.

6
7