Projet de modélisation

Compte rendu Epidémiologie : Dynamique

de population

2021/2022

ANTUNES Daniel

1/18
Sommaire
Résumé de la problématique 3
Les simulations face aux résultats théoriques 4
A.Simulation du processus de Galton-Watson 4
1.Visualisation de l’évolution de l’épidémie 4
a) Cas sous-critique 4
b) Cas critique 4
c) Cas sur-critique 5
2.Approximation de la probabilité d’extinction 6
a) Visualisation de l'impact du paramètre de la loi de Poisson sur la proportion
d’extinction de la maladie 6
b) Simulation en fonction des cas 7
B. Ajout d’un nombre initial de malades aléatoire 9
C. Ajout de la limite de population 10
1. Approximation de la probabilité d’extinction et de contamination totale de la
population 10
a) Cas sous-critique (pour m = 0,5) 10
b) Cas critique (pour m =1) 11
c) Cas sur-critique (pour m = 2) 11
2. Approximation du nombre maximal de malades 12
D. Variation du taux de reproduction en fonction des générations 13
1. Approximation de la probabilité d’extinction et de contamination totale de la
population 13
2. Approximation du nombre maximal de malades 14
E. Prolongement : la variable temps 14
1. Approximation de la probabilité d’extinction et de contamination total de la
population 15
2. Approximation du nombre maximal de malades 16
Conclusion 17
Annexe 18

2/18
Résumé de la problématique
Nous étudions le développement d’une maladie dans une population en
s’intéressant principalement :

● Au modèle SIR
● Au processus de Galton-Watson
● A l’identification des facteurs de la propagation

Le modèle SIR (Susceptible - Infected - Removed) signifie que l’on s’intéresse au

cas où une personne ayant été infectée une fois guérie, deviendra immunisée à la
maladie.

Le processus de Galton-Watson (ou processus de branchement) est un processus

permettant de décrire les dynamiques de population. Originellement, Galton a
introduit ce modèle afin de comprendre la propagation d’un nom de famille sur
plusieurs générations. Ce modèle se révèle tout aussi efficace pour étudier la
propagation d’un virus sous la forme de générations de personnes infectées.

Ce processus s’appuie sur le nombre de personnes que va contaminer un malade à

la prochaine génération. Ce nombre est une variable aléatoire Y qui suit une loi de
Poisson de paramètre m.

Tout l'intérêt de ce sujet repose sur l’identification des facteurs qui permettent de
prévoir la capacité de propagation de l’épidémie.

Pour cela, on cherche à estimer la probabilité d’extinction d’une épidémie selon le

modèle de Galton-Watson. On distingue trois cas selon la valeur que peut prendre le
paramètre de la loi de Poisson :
● Cas Sous-Critique pour m < 1
● Cas Critique pour m = 1
● Cas Sur-Critique m > 1

Le cas sous-critique correspond à une probabilité d’extinction qui vaut 1, ainsi on

peut dire que l’épidémie va forcément s’éteindre.

Le cas critique correspond à une probabilité d’extinction qui vaut 1 si la probabilité

de n’avoir aucune descendant pour un malade est supérieure à zéro.

Le cas sur-critique correspond à une probabilité d’extinction comprise dans

l’intervalle ]0;1[.

3/18
Les simulations face aux résultats théoriques
A.Simulation du processus de Galton-Watson
1.Visualisation de l’évolution de l’épidémie

Nous cherchons à visualiser le nombre de nouveaux malades par génération en

effectuant une simulation du processus de Galton-Watson pour les cas sous-critique
(m = 0,5, graphe a), critique (m = 1, graphe b et c) et sur-critique (m = 2, graphe d),
pour 15 générations.

a) Cas sous-critique
Graphe a.

Grâce à ce graphe on peut ainsi voir que le virus n’a pu infecter que sur 2 génération
différentes avant de s’éteindre. Cela correspond aux résultats théoriques du cas
sous-critique qui prévoyait une extinction certaine de l’épidémie.

b) Cas critique
Graphe b.

4/18
 Graphe c.

On observe que pour le cas critique, l’évolution de l’épidémie peut varier très
fortement entre les différentes simulations. Il est donc difficile d’estimer si l’épidémie
va se propager ou non dans ce cas.

c) Cas sur-critique

Graphe d.

Pour le cas sur-critique on se rapproche des prévisions théoriques qui indiquaient

que l’épidémie va se propager et difficilement s’éteindre. On peut aussi voir que le
nombre de malades par génération suit une augmentation qui semble exponentielle.
Cette explosion du nombre de cas se traduit par une multiplication par 100 000 du
nombre de cas entre la première génération et la quinzième.

5/18
Conclusion des tests : Les premiers tests sont concluants vis-à-vis des prévisions
théoriques sauf pour le cas critique qui reste très difficile à prévoir. Cependant cela
ne reste que des tests isolés. Pour obtenir une valeur représentative, nous allons
donc nous intéresser à la proportion de processus éteints sur un ensemble de
simulations.

2.Approximation de la probabilité d’extinction

a) Visualisation de l'impact du paramètre de la loi de Poisson sur la proportion

d’extinction de la maladie

Pour visualiser l’évolution de la proportion d’extinction en fonction de la moyenne m

qui suit une loi de Poisson, on effectue une série de simulation du processus de
Galton-Watson pour différentes valeurs de m. La principale différence avec les tests
effectués plus tôt, c’est qu’au lieu d’effectuer un seul processus de Galton-Watson
on va en effectuer plusieurs, afin d'adopter un raisonnement par rapport à la
probabilité d’extinction et de comparer avec les valeurs théoriques et nos premiers
résultats.
Ainsi, le calcul pour chaque valeur de m est :
Proportion d’extinction = (Nombre de processus qui se sont éteints/nombre total de
processus)

On choisi les paramètres suivants :

● Valeur en abscisse : paramètre m de la loi de Poisson qui varie entre 0,1 et

1,5 avec un pas de 0,1

● Valeur en ordonnée : La proportion de processus qui se sont arrêtés avant

une nombre maximal fixé de 20 générations sur une série de processus de
Galton-Watson. Ici,1000 processus de Galton-Watson sont effectués pour
chaque valeur de m.

6/18
On peut remarquer que pour une valeur de m inférieure à 1 l’épidémie semble
presque toujours s’éteindre tandis qu'au-dessus de m = k1, la probabilité d’extinction
devient beaucoup plus faible.

b) Simulation en fonction des cas

Pour délimiter clairement les cas, nous calculons la proportion d’extinction
pour trois valeurs de m : 0,5 ; 1 ; 2.

Pour obtenir davantage de précision nous choisissons les paramètres

suivants :

● 10000 processus de Galton-Watson pour chaque cas.

● Un nombre maximal de 1000 générations.

Cas sous critique :

Pour m = 0,5 :
Proportion d’extinction = 1.0

Cas critique:
Pour m = 1 :
Proportion d’extinction = 0.9973

Remarque : On peut voir que la probabilité d’extinction trouvée semble plus

importante que celle que l’on peut voir dans le graphe ci-dessus (en abscisse 1.0
,“cas critique”).
Cela s’explique par le fait que l’on peut effectuer un grand nombre de simulations
pour une valeur et donc obtenir une plus grande précision que pour une simulation

7/18
avec plusieurs valeurs de m différentes à temps de calcul égal.

Cas sur-critique:

On sait que l’on peut obtenir la probabilité d’extinction à partir de la fonction

génératrice des moments de Y φ(x) = em(x−1) à partir de l’équation φ(p) = p.

On trace donc la fonction φ(x) et une droite y = x. On cherche donc le point

d’intersection des deux fonctions.

On trouve deux résultats : 0.2 et 1.

Or, 1 n’appartient pas à l'intervalle ]0;1[.
Ainsi on obtient une probabilité d’extinction théorique pour la cas sur critique de 0.2,
on va pouvoir effectuer des test pour vérifier si on retrouve les valeurs théoriques.

On choisi les paramètres suivants :

● On effectue 100 processus de Galton-Watson.

● Un paramètre m qui suit une loi de poisson qui vaut 2.
● On désire avec un nombre maximal de 20 générations.

En effectuant le test avec ces paramètres on trouve une proportion d’extinction qui
vaut 2,1. On peut voir que cela est très proche de la valeur théorique calculée avec
de la fonction génératrice des moments de Y φ(x) .

Grâce à nos calculs et nos simulations on peut voir que les valeurs obtenues pour
les trois types de cas possible ( sous-critique, critique, sur critique) sont très proches
des valeurs théoriques à condition de faire une multitude de processus
Galton-Watson afin d’être le plus pertinent possible.

8/18
B. Ajout d’un nombre initial de malades aléatoire

Nous ajoutons un facteur supplémentaire à notre simulation: un nombre initial de malades

aléatoire.

Résultats selon les cas :

Cas sous-critique ( pour m = 0.5) :

probabilité d’extinction = 1

Cas critique ( pour m = 1) :

probabilité d’extinction = 0,998

Cas sur-critique ( pour m = 2) :

probabilité d’extinction = 0,21

En comparant ces résultats avec ceux de la section précédente, on remarque que le

nombre initial de malades n'influe que très peu sur la proportion d’extinction de
l’épidémie.

9/18
C. Ajout de la limite de population

1. Approximation de la probabilité d’extinction et de contamination totale

de la population

On ajoute en paramètre le nombre total de la population. L’évolution de l’épidémie

est donc limitée par ce nombre. Pour visualiser son impact et afin d’obtenir une
valeur pertinente, nous calculons les proportions d’extinction sur 1000 simulations
pour une population totale allant de 10 à 90. Comme précédemment, nous
distinguerons les cas sous-critique, critique et sur-critique.

a) Cas sous-critique (pour m = 0,5)

Moyenne des proportion d’extinction sur un ensemble de simulations en fonction de la

population totale

On observe que la population totale a un impact sur la proportion d’extinction

lorsqu'elle est inférieure à 33. Au-dessus de cette valeur, on retrouve une proportion
de 1, identique au résultat effectué dans la section précédente qui ne tenait pas
compte de la population totale.

10/18
b) Cas critique (pour m =1)

Pour le cas critique, on observe que la proportion d’extinction de la maladie

augmente lorsque la population totale augmente. En effet, une maladie faiblement
contagieuse aura tendance à s’éteindre par elle-même. Donc plus la population
totale est grande, moins il est probable que la maladie puisse contaminer l'ensemble
des individus

c) Cas sur-critique (pour m = 2)

11/18
On observe que la population totale n’influe que très peu sur la proportion
d’extinction de l’épidémie : elle reste autour de 0.2.

2. Approximation du nombre maximal de malades

Pour visualiser l’impact du paramètre m de la loi de Poisson et afin d’obtenir une

valeur pertinente, nous calculons la moyenne des maximum de malades sur 1000
processus de Galton-Watson allant jusqu’à la génération 20, pour différentes valeurs
de m. Nous considérons une population totale de 1000.

On observe que le nombre maximal de malades augmente à mesure que le paramètre de Y

augmente. On note cependant une explosion du nombre de malades maximum de malades
à partir de m = 1.

Simulation pour différents cas :

pour m = 0,5
Moyenne du nombre maximal de malades = 0,544

pour m = 1
Moyenne du nombre maximal de malades = 2.60

pour m = 2
Moyenne du nombre maximal de malades = 320,5

Ainsi, dans le cas sous-critique et critique, le nombre maximal de malades ne

dépasse pas 5.

12/18
Pour le cas sur-critique, ce nombre atteint 35 pour m = 2 et semble augmenter de
manière exponentielle. Cette courbe semble se rapprocher de celle du nombre de
personnes infectées par génération de la première section de ce document.

D. Variation du taux de reproduction en fonction des

générations

1. Approximation de la probabilité d’extinction et de contamination totale

de la population

On s'intéresse maintenant à un taux de reproduction qui varie en fonction de la

génération. Ainsi le paramètre m de la loi de Poisson varie de la manière suivante :
m(n) = − sin(n/8)+1.5, où n représente la n-ième génération. Ce calcul est donc
renouvelé en permanence pour chaque génération de malades.

On calcule donc une proportion d’extinction sur 10000 simulations de Galton-Watson

de 1000 générations, chacune pour une population totale de 100 personnes.

Résultats des simulations :

On obtient une probabilité d’extinction égale à 0,9109.
On a donc une probabilité de contamination totale de 0.0891.

La forte probabilité d’extinction peut s’expliquer par la fonction m(n). En effet, il s’agit
d’une fonction sinusoïdale, qui admet donc un maximum et un minimum. Ici nous
avons 2,5 en maximum et 0,5 en minimum. Ainsi, le taux de reproduction varie entre
les cas sous-critiques, critiques et sur-critiques. On a donc un proportion d’extinction
plus forte que pour le cas sur-critique mais plus faible que pour le cas sous-critique
ou critique.
Fonction m(n) = − sin(n/8)+1.5

13/18
2. Approximation du nombre maximal de malades

On calcule la moyenne du maximum de malades sur 10000 simulations de

Galton-Watson de 1000 générations, chacune pour une population totale de 100
personnes.

La moyenne du nombre maximal de malades obtenu par simulation est 5.9597.

La faible moyenne du nombre maximal de malades peut également s’expliquer par

la fonction m(n). En effet, nous avons vu dans les chapitres précédents que cette
valeur a tendance à rester faible pour les cas sous-critiques et critiques, tandis
qu’elle explose pour les cas sur-critiques. Ainsi, la variation du taux de reproduction
donne une valeur à la fois plus faible que si on était en cas sur-critique et plus
élevée que si on était en cas sous-critique.

E. Prolongement : la variable temps

Pour complexifier le modèle, on peut ajouter un variable qui représente le temps.

Ainsi, une personne peut être dans quatres état différents : sain, infecté, contagieux,
guéris. Une personne infectée va donc passer à l’état contagieux au bout d’un
certain temps qui obéit à une loi exponentielle.Une personne passera également de
l’état contagieux à l’état guéris au bout d’un certain temps qui obéit à une loi
exponentielle. Ainsi, à chaque unité de temps on calcule le nombre de personnes
qu’un malade en état “contagieux” va contaminer toujours selon une loi de Poisson.

Exemples d’une simulation avec la variable temps.

14/18
Même si on se place sur une échelle de temps, on peut regrouper les infectés en
générations.

1. Approximation de la probabilité d’extinction et de contamination total

de la population

Les deux variables que nous étudions en particulier sont les temps avant d’être
contagieux et le temps avant d’être guéris.

Proportion d’extinction de la maladie en fonction du paramètre de la loi exponentielle

du temps avant de passer à l’état contagieux.

Proportion d’extinction de la maladie en fonction du paramètre de la loi exponentielle

du temps avant la guérison

On observe que lorsque le temps avant qu’une personne infectée soit contagieuse
augmente, la proportion d’extinction augmente elle aussi. Cela parait cohérent : pour
un même temps de guérison, une maladie qui prend plus de temps à devenir

15/18
contagieuse aura un plus faible potentiel de contamination. Ainsi, elle aura plus
facilement tendance à s’éteindre. En opposition à cela, on observe que lorsque le
temps avant qu’une personne guérisse augmente, la proportion d’extinction diminue.
En effet plus une maladie a un temps de guérison élevé, plus elle a de temps pour
contaminer. Ainsi, elle aura moins tendance à s’éteindre.

2. Approximation du nombre maximal de malades

Maximum de malades en fonction du paramètre de la loi exponentielle du temps

avant de passer à l’état contagieux

Maximum de malades en fonction du paramètre de la loi exponentielle du temps

avant la guérison

16/18
On observe que lorsque le temps avant qu’une personne infectée soit contagieuse
augmente, le maximum de malades observés sur une simulation augmente, mais
reste inférieure à 1.

On observe que lorsque le temps avant qu’une personne guérisse augmente, le

maximum de malades observés sur une simulation augmente sur l’intervalle [0,1.5].
Cela parait cohérent : plus une épidémie est longtemps contagieuse, plus elle a de
chances d’admettre un fort nombre de malades sur une génération.

Conclusion
De cette étude, nous pouvons en déduire l’impact qu’ont les paramètres pris en
compte sur l’évolution de l’épidémie, c'est-à-dire comment ils agissent sur la
proportion d’extinction.

Le taux de reproduction est le paramètre le plus important car il influe directement

sur le nombre de personnes que chaque malade va contaminer et détermine si le
virus se transmet ou non. Le nombre initial de malades quant à lui influe très peu,
voire pas du tout sur la probabilité d’extinction de l’épidémie. Quant à la taille de la
population, elle ne fait varier la probabilité d'extinction que pour une population
assez faible. Pour les cas critiques et sous-critiques, cela réduit les chances de voir
l’épidémie s’éteindre, et pour le cas critique cela influe très peu voire pas du tout.
Dans le cas où on prend un taux de variation qui varie selon le numéro de la
génération, on obtient une forte probabilité d’extinction et un faible maximum de
malades, car la fonction qui calcule ce taux varie entre les cas sous-critiques,
critiques et sur-critiques. Enfin, si on se base sur une échelle de temps pour simuler
l’épidémie, on peut conclure que diminuer le temps durant lequel une personne est
contagieuse à tendance à freiner sa progression tandis que l’augmenter l’accentue.

17/18
Annexe
Article wikipedia sur la loi de Poisson :
https://fr.wikipedia.org/wiki/Loi_de_Poisson
Article wikipedia sur la loi exponentielle :
https://fr.wikipedia.org/wiki/Loi_exponentielle
Article sur la loi de Poisson
http://www.jybaudot.fr/Probas/loipoisson.html
Vidéo sur la loi exponentielle
https://www.youtube.com/watch?v=tL8-UTORSLM&ab_channel=YvanMonka
Vidéo sur le processus de Galton-Watson
https://www.youtube.com/watch?v=d6pBuYAUpaQ&ab_channel=Jean-PhilippeMorissette
Vidéo sur la loi de poisson
https://www.youtube.com/watch?v=Ve3lZqtMCIE&ab_channel=CMAcademiebyAnty
Blog sur l’utilisation de Python et des lois de probabilités
http://www.monlyceenumerique.fr/formations_python/python_2/dl/lois_probabilites_si
mulation.html
Blog sur les suites arithmétique et géométriques en python
https://www.mathweb.fr/euclide/suites-arithmetiques-et-geometriques-avec-python/

18/18