Académique Documents
Professionnel Documents
Culture Documents
BP : 854/BUKAVU
SECTION DES SCIENCES EXACTES
DÉPARTEMENT DE MATHÉMATIQUE-PHYSIQUE
Sur les modèles stochastiques en
épidémiologie : application à l’étude du
VIH/SIDA en République
Démocratique du Congo
i
In Memorium
ii
Dédicaces
iii
Remerciements
Sachant que la réussite de ce travail n’est rien d’autres que le fruit de la conjugaison des
efforts d’une multitude de nos amis,frères, sœurs, connaissances ; ce serait donc très ingrat
de vouloir présenter ce bon fruit aux yeux du monde sans toute fois vouloir remercier les
vrais artisans de ce dernier. De ce fait, je remercie le Père Tout Puissant, lui qui, malgré nos
différents péchés, ne cesse de prendre soin de nous et de notre situation jusqu’à ce bon jour
où nous présentons ce travail !
Je remercie ma très chère famille pour tous les sacrifices qu’elle a due faire pour la
réussite de cette année académique. En cela, je tiens à remercier ma très chère Mère NA -
BITU RABECCA qui, malgré son état, n’a cessé de m’encourager et de me donner le plus
bon de cadeau. Je remercie autant mes frères : LWABOSHI CHIHUNGU Modeste, Roger
CHIHUNGU, AGANZE CHIHUNGU, BUHASHE CHIHUNGU, CIMALAMUNGO CHI-
HUNGU, KALUMUNA CHIHUNGU Samuel, Bernard CHIHUNGU ainsi que mes sœurs :
ZIRHUMANA CHIHUNGU, CHINJA CHIHUNGU, BUSIME CHIHUNGU, . . . qui, de près
ou de loin, m’ont assisté durant mon cursus scolaire et académique.
Je ne manquerai pas de citer mon Maître de tout le temps, KULIMUSHI CIZUNGU Paul
qui ne m’a jamais abandonné ainsi que toute sa famille. Je remercie fortement la famille
BULONZA NAMWIGAMBA pour tout ce qu’elle a fait pour moi. De même que la famille
Roger CHIHUNGU ainsi et que mes neveux et mes nièces.
Je remercie également les amis avec qui j’ai eu à apprendre plus. Il s’agit notamment
de NYANDU KAGARABI Emmanuel, BULONZA RUKARA Adelin, CIKANYI BAHIMUZI
Julien, KASANGI KOKOKANDI Christian, MUGISHO BISIMWA Christian, NIYONZIMA
RUKAMATA Samuel, GIDIONI MASUMBUKO, NGABOYEKA IRENGE, MAARIFA RAVO
HERMANN, TUMUSIFU KALAMBA, Vincent IKANDO,MAOMBI MUDUMA Emmanuel,
BYAMUNGU BUSINGO Claude,. . .
MUNGUWAMPAGA CHIHUNGU Innocent
iv
Somaire
Épigraphes i
In Memorium ii
Dédicaces iii
Remerciements iv
Résumé 4
Abstract 5
Introduction générale 1
1
Somaire
Conclusion générale 41
Références 43
Annexes 44
3.1 Evolution du nombre de personnes vivant avec le VIH dans le monde depuis 1990
(Source : ONUSIDA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2 Structure du VIH. Source : Wikipédia libre(25 Novembre 2022) . . . . . . . . . 31
3.3 Le cycle du VIH. Source : Wikipédia libre (25 Novembre 2022) . . . . . . . . . 32
3.4 Les trois phase du VIH Source : Wikipédia libre (25 Novembre 2022) . . . . . . 33
3.5 Le diagramme de transfert du modèle stochastique SIR . . . . . . . . . . . . . . 37
3.6 Evolution des infections dans le temps . . . . . . . . . . . . . . . . . . . . . . . 39
3.7 Evolution des décès dans le temps . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3
Résumé
La modélisation mathématique des maladies a été un outil indispensable pour rendre compte
de la dynamique de la transmission des maladies ainsi que de la propagation des maladies. Les
modèles épidémiologiques des maladies ont été utilisés pour expliquer la dynamique du VIH/-
SIDA dans la population depuis le début des années 1900. Les modèles développés ont cependant
été confrontés à des défis considérables, tels que l’inexactitude de la représentation des données
naturelles pour les modèles déterministes, aux méthodes de prévision telles que l’extrapolation
statistique qui part du principe que les conditions actuelles vont perdurer, ce qui n’est pas
toujours le cas. Bien que la propagation du VIH/SIDA ait été largement explorée par des cher-
cheurs à travers le monde, peu de littérature est disponible non seulement à l’Institut Supérieur
Pédagogique de Bukavu mais aussi ailleurs sur le modèle SIR basé sur l’algorithme de Gillespie.
Cet algorithme est capable de donner une évolution statistiquement correcte d’une maladie avec
des conditions initiales pour commencer et des fonctions de propension pour mettre à jour le
système.
Ce travail se propose de s’appuyer sur le concept des modèles SIR basés sur l’algorithme
de Gillespie en développant un modèle SIR stochastique pour simuler l’évolution de l’épidémie
du VIH/SIDA en République Démocratique du Congo. Les données utilisées dans ce modèles
proviennent de l’ONUSIDA pour les années 1990 à 2020. Nous concluons que le modèle simulé
reflète la réalité.
4
Abstract
Mathematical modelling of diseases has been an indispensable tool to account for the dy-
namics of disease transmission as well as the spread of diseases. The epidemiological models of
disease have been used to explain the dynamics of HIV/ AIDS in the population since the early
1900s. However, the models developed have faced considerable challenges, such as inaccurate
representation of natural data for deterministic models, predictive methods such as statistical
extrapolation, which assumes that current conditions will persist, which is not always the case.
Although the spread of HIV/AIDS has been widely explored by researchers around the world,
little literature is available not only at the Institut Supérieur Pédagogique de Bukavu but also
elsewhere on the SIR model based on the Gillespie algorithm. This algorithm is able to give a
statistically correct evolution of a disease with initial conditions to start and propensity func-
tions to update the system.
This work proposes to build on the concept of SIR models based on the Gillespie algorithm
by developing a stochastic SIR model to simulate the evolution of the HIV/AIDS epidemic in
the Democratic Republic of Congo. The data used in this model come from UNAIDS for the
years 1990 to 2020. We conclude that the simulated model reflects reality.
Keywords : Stochastic process, simulation, deterministic models, SIR model, discrete and
continuous time Markov chain, Gillespie algorithm models.
5
Introduction générale
Pour des raisons de facilité, les autorités de santé publique recourent aux modèles détermi-
nistes pour la prise de décision. Ce sont des modèles qui fournissent un comportement moyen
du processus de contagion. Or, le processus de contagion est de nature aléatoire à toutes les
échelles. De la liaison d’une particule virale à la surface d’une cellule humaine au conditionne-
ment de l’information génétique répliquée, de l’excrétion de nouveaux virions à la transmission
d’un second individu, du comportement individuel à la mobilité dans une population, tous ces
facteurs privilégiant l’émergence d’une épidémie sont le fruit d’une longue chaîne d’événements
aléatoires, de probabilités variables et plus ou moins indépendants de la survenue des autres. Il
se pose alors un besoin d’utiliser des modèles tenant compte de tous les aléas possibles dans la
transmission d’une maladie au lieu d’utiliser donnant un comportement « moyen » du système
et ignorant le caractère aléatoire de l’évolution de la maladie. Nous présentons une modélisation
stochastique des maladies infectieuses pour laquelle une application à la propagation du VIH
pour le cas de la République Démocratique du Congo sera effectuée.
1
Table des figures
Ce travail, dans son entièreté a pour objectif général, la modélisation stochastiques des
maladies infectieuses. Il veut établir des modèles stochastiques applicables à la dynamique des
maladies infectieuses et les appliquer à la propagation de l’épidémie du VIH/SIDA en Répu-
blique Démocratique du Congo.
Il a cependant pour objectifs spécifiques, les simulations numériques des modèles détermi-
nistes et stochastiques qu’il aborde à partir de logiciel d’Analyse numérique (Python et Matlab).
L’intérêt de ce travail est double. Non seulement, il vise à mettre à la disposition des futurs
licenciés en Pédagogiques appliquées, Option mathématique et tous les lecteurs intéressés un
outils non négligeable à la résolution des problèmes pratiques de leurs régions, le cas ici des
épidémies ; mais aussi il ouvre à tous les finalistes dudit département une brèche dans la re-
cherche en mathématiques appliquées en se servant des notions de statistiques et probabilités
qu’ils connaissent plus ou moins déjà.
Pour arriver à nos objectifs, nous avons utilisé la méthode documentaire grâce à laquelle
nous avons sélectionné, exploré et structuré les données tirées des autres ouvrages et articles
scientifiques et sites internet relatifs à notre sujet de travail.
En effet, les compilations faites des idées des auteurs d’ouvrages consultés, des sources internet,
notre génie, nous ont permis avec un bon sens de sélection de notre part d’élaborer l’essentiel
de notre travail.
Au vue de la complexité des objectifs fixés, nous avons subdivisé le présent travail en trois
chapitres que voici :
– Le premier chapitre est intitulé Généralités sur les modèles mathématiques en épidémiolo-
gie. Dans ce chapitre nous décrivons brièvement l’approche de modélisation mathématique
de la transmission de maladies infectieuses. Nous nous concentrons sur les modèles dit
compartimentaux, sur lesquels la plupart des travaux en épidémiologie sont basés. Nous
étendrons cette présentation en essayant de construire un exemple de modèle mathéma-
tique SIR et en produire une simulation avec le logiciel Python.
– Le deuxième est intitulé Modèles stochastiques des maladies infectieuses. Dans ce chapitre
nous décrivons les modèles stochastiques des épidémies en passant par les définitions de
base du processus stochastique, le processus de naissance et de mort, le modèle stochas-
tique par ce même processus, les chaînes de Markov et quelques exemples de modèles
stochastiques dont nous tenterons de mettre en place des simulations grâce au logiciel
Malab.
– Le troisième est intitulé Modèle stochastique du VIH/SIDA en RDC dans lequel nous
illustrons le modèle stochastique avec un cas concret basé sur les données fournies par
l’ONUSIDA en rapport avec l’évolution de l’épidémie du VIH/SIDA.
La réalisation d’un tel travail n’a pas été un hasard mais plutôt le fruit d’un travail ha-
rassant. Il est donc évident que nous nous soyons heurté à certaines difficultés. Parmi elles,
la plus importante a été le manque des travaux sur la modélisation stochastique des maladies
infectieuses dans notre institution (ou carrément sur la modélisation en épidémiologie).
Notre sujet exigeait des connaissances suffisamment avancées en Algorithmique et Programma-
tion, en Calculs des probabilités et en calculs stochastiques. Ceci nous a pousser à travailler
encore plus afin de combler ces lacunes.
Un modèle mathématique est une description d’un système utilisant les outils et formalismes
des mathématiques. L’activité de développement de ces modèles est appelé modélisation ma-
thématique.
Le modèle n’est néanmoins pas la réalité et n’est pas supposé la reproduire de façon parfaite.
Il doit reproduire au mieux les caractéristiques du phénomène étudié en fonction des objectifs
fixés dans le cadre de l’étude. De façon générale, le choix des processus que l’on modélise dépend
4
1.1. Processus de modélisation en épidémiologie
des questions que l’on se pose. Partant d’une question, on élabore un dispositif nous permettant
de répondre au mieux à celle-ci tel que représenté à la figure 1.1.
Nous divisons d’abord la population hôte en groupes mutuellement exclusifs - les compar-
timents - en fonction de l’histoire naturelle de la maladie. Pour une maladie infectieuse simple,
les compartiments possibles peuvent être :
S : Susceptibles, E : Exposé, I : Infectieux, R : Guéris (Remis).
Ensuite, nous illustrons le processus de transmission de manière schématique dans un dia-
gramme, appelé diagramme de transfert, illustré à la figure (1.2).
Dans le diagramme de transfert, les flèches indiquent les mouvements des individus parmi
les différents compartiments. Le terme retrait comprend la perte d’individus par décès ou par
1. Cette notion sera expliquée dans la suite du mémoire
Perte de l’immunité
émigration.
Ce pendant, il existe plusieurs modèles compartiments que nous présentons dans les sections
suivantes.
naturelles aient un impact négligeable sur la dynamique de la maladie. Comme nous le savons
déjà, nous appelons Susceptible la fraction de la population qui est saine mais pouvant poten-
tiellement devenir infectée par la maladie et nous notons par S le compartiment contenant ces
derniers. De la même façon, nous qualifions d’Infectés la fraction de la population contenant
les individus affligés par la maladie. Le compartiment contenant ces derniers est noté I.
A un instant t, S et I contiennent respectivement S(t) et I(t) individus.
Dans ce modèle, on admet que la maladie est hautement infectieuse mais sans gravité, ce
qui revient à dire que les individus du compartiment I restent en contact avec ceux du com-
partiment S pour tout le temps tout temps t ≥ 0. On admet également que la taille N de la
population est constante et vaut S(t) + I(t) = N .
βIS
S I
La quantité βI représente le taux d’infection (cela par le fait que le taux d’infection est pro-
portionnel aux nombres d’individus infectés [19, p 104]).
Comme la taille de la population vaut N = S(t)+I(t). De ce fait, S(t) = N −I(t). La deuxième
équation du système s’écrit clairement :
dI
= βI(t)(N − I(t))
dt
qui est équation de la croissance logistique dont la solution est :
I(0)N
I(t) =
I(0) + (N − I(0)) exp(−βt)
Dans le modèle SI très simple le seul évènement pouvant survenir est l’infection d’un in-
dividu susceptible([2, p 15]). Au vu de cette représentation, I(t) approche S(t) asymptotique-
ment lorsque t → ∞. Cela signifie que finalement chaque individus de S rejoint le comparti-
ment I dans ce cas, tout le monde est infecté ce qui est, en fait, la fin de l’épidémie en sens
mathématique([19, p 105]).
αI
S I
βIS
Comme c’est déjà signalé ci-haut, à un instant t, la variation du nombre d’individus à l’inté-
rieur d’un compartiment est égal au nombre d’individus entrant moins les individus sortant du
compartiment durant un intervalle de temps. Ce qui donne lieu aux équations différentielles
suivantes :
dS = −βSI + αI
dt
dI = βSI − αI
dt
Ce système est appelé le modèle SIS qui est peut être le plus simple parmi les modèles
épidémiologiques[19, p 106]. Comme dans le modèle précédent, la taille N de la population
vaut N = S(t) + I(t). En additionnant les deux équations membre à membre, on obtient
N (0) = 0 ce qui prouve que la taille de la population est constante dans le temps. Ce système
est équipé des conditions initiales S(0) et I(0). De ce fait, N = S(0) + I(0).
L’évolution du système est assurée par deux transitions : la transition entre individus du
compartiment S au compartiment I en fonction des contacts entre individus susceptibles et
infectieux et la transition des infectieux dans le compartiment R dès qu’ils sont guéris et de-
viennent immunisés.
d’un susceptible et le même taux de guérison. On suppose également que toutes les paires d’in-
dividus ont la même probabilité d’établir un contact (loi d’action de masse).
Pour être plus clair, le modèle de Kermack et McKendrick est construite grâce aux hypo-
thèses suivantes [16, p 9] :
1. La transmission se fait horizontalement par contact direct ;
2. Le mélange des hôtes individuels est homogène : le nombre de contacts entre les individus
de différents compartiments ne dépend que du nombre d’individus dans chaque compar-
timent. En particulier, le nombre de nouvelles infections par unité de temps peut être
exprimé comme λI(t)S(t), où λ est le taux d’infection 2 ;
3. Le taux de transfert à partir d’un compartiment est proportionnel à la taille de la popula-
tion du compartiment. Par exemple, le taux de transfert de I à R, le taux de recouvrement
peut être écrit comme γI(t), pour une certaine vitesse de propagation γ ;
4. Les individus infectés deviennent infectieux lors de l’infection avec aucune période de
latence.
5. Il n’y a pas de perte d’immunité ni de possibilité de réinfection. Cela implique que le taux
de transfert de R vers S est égal à zéro.
6. Il n’y a pas d’entrée de nouveaux susceptibles et pas de sortie de tous les compartiments.
L’afflux de nouveaux susceptibles est nul, ainsi que les taux d’élimination de tous les
compartiments.
7. La population totale reste une constante.
Sur la base de ces hypothèses, le diagramme de transfert d’un modèle conceptuel présenté en la
figure (1.2) peut être traduite en un modèle explicite comme le montre la figure (1.7) suivante :
λIS γI
S I R
Dans ce modèle, les fonctions S(t), I(t) et R(t) sont variables. Comme elles représentent un
nombre d’individus, elles sont dès lors supposées avoir des valeurs non négatives. Les constantes
λ 3 et γ sont les paramètres du modèle et sont supposées non négatives comme elles représentent
2. encore appelé le coefficient de transmission
3. Dans certains ouvrages, on utilise β au lieu de λ mais le sens reste le même
des taux constants. Si les paramètres du modèle sont connus, alors pour chaque condition ini-
tiale S0 et I0 , le modèle décrit par le système (1.3) a une solution unique (S(t), I(t), R(t)) qui
produit une prédiction au courant de l’épidémie pour t > 0. Ici, t = 0 marks le début d’une
épidémie.[16, p 10]
Même quand les paramètres du modèle ne sont pas connus, quelques observations à propos
de la solution du système (1.3) peuvent être faites qui renferme un ensemble très large des
possibles valeurs des paramètres.
1. Soit N (t) = S(t) + I(t) + R(t) la taille de la population hôte. Alors, en additionnant les
trois équations du système (1.3), nous trouvons :
dN
=0 (1.4)
dt
et par conséquent la population totale N (t) = N0 = S0 + I0 + S0 reste constante.
2. A partir de la première équation de (1.3), nous obtenons :
dS
≤0
dt
C’est pourquoi, S(t) est toujours décroissant. En particulier, S(t) ≤ S0 .
3. Réécrivons la deuxième équation de (1.3) comme suit :
dI
= (λS − γ)I
dt
Nous avons les deux cas suivants :
(a) Si S0 < γ/λ, alors dIdt t=0
< 0. Comme S(t) ≤ S0 < γ/λ, nous savons I 0 (t) < 0 pour
tout t ≥ 0 et ainsi I(t) est strictement décroissant. Comme résultat, aucun épidémie
n’a lieu dans ce cas.
(b) Si S0 > γ/λ alors S(t) > γ/λ pour tout t ∈ [0, T ] avec T > 0. Ceci implique que
I 0 (t) > 0 et donc que I(t) est strictement croissant pour tout t ∈ [0, T ]. Comme
résultat, une épidémie a lieu. [16, p 11]
Il est donc possible de dériver les propriétés de solutions sans toute fois savoir les valeurs
spécifiques des paramètres du modèle. L’analyse sert alors à identifier les paramètres
régionaux pour des résultats des différents modèles. C’est justement ça le pouvoir de
l’analyse mathématique voire même son objectif.
Pour illustration, nous avons déjà montré à l’équation (1.4) que la taille de la population
est supposée constante dan le temps.
Nous nous inspirons des travaux de [20, pp 7-15] pour présenter les différents paramètres
du modèle épidémiologique SIR.
Comme β dépend de la maladie et de la population, R0 peut ne pas être constant pour une
maladie et pour les individus d’une même population.
D’un point de vue mathématique, ce nombre permet, sous certaines conditions, d’établir
la stabilité des points d’équilibres d’un système dynamique. On peut aussi le calculer par la
méthode dite next generation matrix de Van den Driessche et Watmough.
dt
= λI(t) γdt
= I(t)
dS β dR
⇔ ∀t ∈ R+ , =−
S(t)dt γN dt
Z t 0
S (u) β Zt 0
⇔ ∀t ∈ R+ , du = − R (u)du
0 S(u) γN 0
!
β S(t)
⇔ ∀t ∈ R+ , R(t) = − ln . (1.6)
γN S0
On a donc Z τ
τ= dt
0
On montre que l’instant du pic τ est donné par
" !#
1 γ
τ= ln(N ) + ln 1 −
β−γ β
où β − γ représente le taux de croissance de l’épidémie à ses débuts.
Il est utile, du point de vue de la santé publique, de connaître le nombre maximal Imax atteint
par les infectés lors d’une épidémie. Mathématiquement
parlant, on sait que Imax est atteint
γ γ γ
lorsque S = λ . Alors, Imax = I0 + S0 − λ + ln λS0 .
Le couple (S(t), I(t)) 7→ (S∞ , 0) lorsque t 7→ ∞, ce qui représente le point d’équilibre.[1, pp
20-21]
βSI/N k γ
S E I R
Comme on l’a déjà dit pour le modèle SIR, β, k et γ sont respectivement le taux de trans-
mission, le taux d’infection et taux de retrait.
De nombreuses autres étapes peuvent être ajoutées (ou enlevées) à partir de la configuration
de base d’un modèle SIR pour exprimer d’autres cycles de transmission voire des stratégies de
contrôle comme la vaccination, l’isolation ou la quarantaine, etc. Par exemple, le modèle SEIR
peut être étendu pour prendre en compte la vaccination à la naissance en disant qu’une pro-
portion de susceptibles sont immunisés dès leur naissance. Le point commun de ces modèles
est que la population se compose d’au moins deux compartiments Susceptible et Infectieux.
Autrement dit, tous les modèles épidémiologiques doivent étendre le modèle SI.
Dans le cas du modèle épidémiologique SEIR prenant en compte les naissances et les morts
naturelles, on aura le diagramme de transfert suivant :
N βSI/N k γ
S E I R
µ µ µ µ
Une simulation des solutions de ce modèle a été réalisé par le Monsieur [19, p 120]. Ce
solutions sont représentées à la figure (1.11) ci-dessous
Conclusion partielle
Ce chapitre avait pour objectif de décrire brièvement les différentes approches de modélisa-
tion des maladies infectieuses tout en se focalisant particulièrement aux modèles déterministes
(compartimentaux) qui sont, par ailleurs, les plus utilisés dans la prise de décisions en santé
publique. Cependant, cette partie ne s’est pas intéressé à certains processus comme les nais-
sances et les morts naturelles dans un compartiments. Néanmoins, nous recommandons à nos
lecteurs et tous les intéressés par ce sujet de s’approprier les écrits de [10], [17], [11], [2],[16] et
bien d’autres pour toute complétion.
En outre, le processus de contagion est de nature aléatoire à toutes les échelles. De la liaison
d’une particule virale à la surface d’une cellule humaine au conditionnement de l’information
génétique répliquée, de l’excrétion de nouveaux virions à la transmission d’un second individu,
du comportement individuel à la mobilité dans une population, tous ces facteurs privilégiant
l’émergence d’une épidémie sont le fruit d’une longue chaîne d’événements aléatoires, de pro-
babilités variables et plus ou moins indépendants de la survenue des autres.
20
2.2. Généralités sur le processus stochastique
L’indice t est souvent interprété comme étant le temps, tandis que X(t) est appelé l’état du
processus au temps t. L’ensemble des valeurs que peut prendre X(t), noté E, est appelé l’espace
des états du processus et l’ensemble T est appelé l’ensemble des indices du processus. Lorsque t
représente le temps et que T est dénombrable, on dit que le processus est à temps discret, alors
qu’il est à temps continu si T est un intervalle de R.
Définition 2.2 (Processus de comptage) Un processus stochastique à temps continu
{N (t), t ≥ 0} est un processus de comptage si N (t) représente le nombre total d’événements
s’étant produits jusqu’au temps t.
dans un ensemble fini ou infini dénombrable noté E appelé espace des états[15, p 30] .
Les chaînes de Markov constituent un des exemples les plus simples de suites de variables
aléatoires (Xn )n∈N . Les variables (Xn ) sont à valeurs dans un ensemble E appelé espace d’états.
Cet espace peut être discret ou continu [7, p 6].
Les chaînes de Markov 3 occupent une place centrale dans la théorie des processus aléatoires,
tant par le vaste domaine de leurs applications que par le développement de leur théorie[6, p
149].
Définition 2.3 Un processus aléatoire (Xn )n∈N d’espace d’états E = {ei } fini ou dénombrable
est une chaîne de Markov homogène discrète si sont vérifiés les deux axiomes suivants :
1. Axiome de Markov : Pour tout t0 , . . . tn ∈ N tels que t0 < . . . < tn , et pour toute suite
{e0 , . . . , en } finie d’états quelconques de E telle que
n−1
!
\
Pr (Xti = ei ) 6= 0
i=0
on a
n−1
!
\
Pr Xtn = en | (Xti = ei ) = Pr Xtn = en |Xtn−1 = en−1
i=0
Comme nous l’avons déjà signalé ci-haut, l’indice n de la suite (Xn )n≥0 est interprété comme
un temps. La variable Xk représente la position à l’instant k, la tribut σ(X0 , . . . , Xk−1 ) repré-
3. Il s’agit d’une notion de chaînes d’événements introduit par le mathématicien russe Adrei Markov (1856-
1922) cherchant à généraliser le théorème central limites à des variables aléatoires dépendantes, une théorie dont
il a développé lui-même qui porte depuis son nom.
sente son passé alors que la tribu σ(Xk+1 , XK+2 , . . .) représente son futur.
Les chaînes de Markov sont des suites aléatoires sans mémoire, en quelque sorte. Dans
l’évolution au cours du temps, l’état du processus à un instant futur ne dépend que de celui à
l’instant présent, mais non de ses états antérieurs.
Définition 2.5 (Probabilité de transition) On appelle probabilité de transition pour
aller de l’état x à l’état y la probabilité
Cette section avait pour objectif d’aborder les notions de processus aléatoires ainsi des exemples
plus simples qui sont les chaînes de Markov étant donné qu’elles seront d’une grande utilité
dans la suite de ce travail.
Définition 2.6 (Matrice de transition) On appelle Matrice de transition la matrice
P = (Pxy )(x,y)∈E :
P x0 x0 Px0 x1 . . .
P Px1 x1 . . .
P= x1 x0
.. .. ..
. . .
Conclusion
Les processus de Markov sont des processus stochastiques tels qu’à chaque instant leur com-
portement dans le futur dépend seulement de leur valeur présente et non de toutes leurs valeurs
passées. Les chaînes de Markov sont des processus de Markov à temps discret.
petit groupe d’individus, si l’un d’entre eux est atteint d’un rhume, certains parmi le reste
d’individus seront infectés alors que d’autres non.
Dans cette section, nous nous concentrons à l’élaboration des équivalents stochastiques des
modèles déterministes que nous avons abordé dans le premier chapitre, une notion qui sera,
dans le chapitre suivant, appliquée au VIH/SIDA en République Démocratique du Congo.
A la différence d’avec les modèles déterministes où le risque d’infection est considéré comme
une proportion déterminée de nouveaux infectés, dans les modèles stochastiques, on applique ce
risque successivement à tous les susceptibles, par un tirage au sort : chacun d’entre eux devient
alors infecté ou reste susceptible. Les modèles stochastiques font alors intervenir la statistique
et les probabilités, ils conduisent à des résultats comportant des informations sur la variabilité
des paramètres étudiés.
De manière plus formelle, un modèle stochastique peut être formulé comme un processus de
Markov, où la probabilité de faire une transition vers un nouvel état ne dépend que de l’état
courant du système. Il peut être formulé de deux façons différentes. Soit à l’aide d’un processus
à temps continu (CTMC = Continuous Time Markov Chain) ou à l’aide d’un processus à
temps discret (DTMC = Discret Time Markov Chain) selon les choix de modélisation.
Comme nous l’avons dit dans le deuxième paragraphe de cette section, nous présentons
d’abord les équivalents stochastiques des modèles SIS et SIR à l’aide d’une chaîne de Markov à
temps discret. Dans ce cas, les compartiments S(t), I(t) et R(t) prennent des valeurs comprises
entre 1 et N (N étant la taille de la population).
Nous présentons d’abord les modèles de base SIS et SIR en nous inspirant des travaux de [1,
pp 38-44]. Pour chacune de deux modèles que nous présentons, nous tenterons d’en présenter
une implémentation avec le logiciel Python ou Matlab.
Notons p(t) = (p0 (t), . . . , pN (t)) le vecteur de probabilité associé à I(t). La propriété de Markov
est respectée si
Pr(I(t + ∆t)|I(0), I(∆t), . . . , I(t)) = Pr(I(t + ∆t)|I(t))
Cette propriété indique que la valeur du futur de I dépend uniquement de la valeur actuelle,
et non de la trajectoire empruntée pour l’atteindre. L’état actuel t et l’état futur t + ∆t sont
liés par la probabilité de transition
pi,j (t + ∆t) = Pr(I(t + ∆t) = j|I(t) = i)
qui ne dépend pas de t. Le processus est alors dit homogène en temps. Cette propriété s’explique
par le coté autonome du modèle déterministe, c’est pourquoi nous notons simplement pj,i (∆t).
pi (t + ∆t) = pi−1 (t)b(i − 1)∆t + pi (t)[1 − (b(i) + d(i))∆t] + pi+1 (t)d(i + 1)∆t
(a) (b)
(c) (d)
Figure 2.1 – Évolution temporelle de la population dans le Modèle épidémiologique SIS sto-
chastique (CTMC). Les paramètres sont : S(0)= 99, I(0) = 1, PInf = 0.14. Les simulations sont
les produits du script Matlab de l’annexe 4.
Sur chacune de ces quatre figure, la courbe en bleu représente l’évolution dans le temps des
susceptibles et la courbe en rouge celle des infectés.
maximum qu’un changement d’une unité dans chaque classe et que la probabilité de transition
suivante reste dans l’intervalle [0, 1] :
βis/N ∆t, si (k, j) = (−1, 1)
γi∆t, si (k, j) = (0, −1)
µi∆t, si (k, j) = (1, −1)
p(s+k,i+j) (∆t) =
µ(N − s − i)∆t, si (k, j) 6= (i − 1, i + 1)
1 − [βis/N + γi + µ(N − s)]∆t, si (k, j)
= (0, 0)
0 sinon
Le choix des valeurs du (k, j) s’explique par le tableau suivant, qui résume les différentes tran-
sitions possibles dans le modèle SIR. Pour être plus exhaustif, nous considérons les transitions
possibles dans un modèle SIR avec naissance et mort.
Il n’est pas possible d’écrire la matrice de transition P comme pour le modèle SIS car il s’agit
d’un processus à deux variables.
(a) (b)
(c) (d)
Figure 2.2 – évolution temporelle de la population dans le Modèle épidémiologique SIR sto-
chastique (CTMC). Les paramètres sont : S(0)= 99 , I(0) = 1, PInf = 0.14. Les simulations
sont les produits du script Matlab de l’annexe 5.
Sur chacune de ces quatre figure, la courbe en bleu représente l’évolution dans le temps des
susceptibles, la courbe en rouge celle des infectés et celle en vert, l’évolution dans le temps des
individus remis.
Conclusion partielle
Le processus de contagion étant de nature aléatoire à toutes les échelles, ce chapitre visait
à mettre en évidence les notions de processus stochastiques, les chaînes de Markov (discrète
et continue), le processus de naissance et de mort, les équivalents stochastiques des modèles
déterministes (SIS et SIR) présentés au premier chapitre ainsi que des implémentations de ces
modèles (via le langage Matlab). Les données utilisées pour les simulations effectuées dans ce
chapitre sont toutes aléatoires, place à présent au chapitre suivant qui va se servir des données
épidémiologiques du VIH/SIDA pour le cas de la République Démocratique du Congo
Le présent chapitre est beaucoup plus pratique. Dans celui-ci, nous cherchons à atteindre
nos objectifs. C’est pourquoi, dans celui-ci, nous présenterons la biologie et l’épidémiologie de
l’épidémie du VIH/SIDA en se servant des travaux de [4], [12],[3], le modèle stochastique SIR
basé sur l’algorithme de Gillespie ainsi que son implémentation par le logiciel python en se
servant des données de l’ONUSIDA pour la République Démocratique du Congo.
Le SIDA est une maladie infectieuse due à deux virus appelés VIH 1 et VIH 2. Le terme VIH est
l’acronyme pour dire Virus d’Immunodéficience Humaine. Les principales perturbations
susceptibles d’entraîner la survenue du SIDA sont celles faisant intervenir les lymphocytes T 4,
29
3.1. Biologie et épidémiologie du VIH/SIDA
appelés également CD4. Il s’agit d’une variété de globules blancs constituant la base active de
l’immunité anti-infectieuse chez l’homme.
3.1.1 Introduction
Le VIH est un rétrovirus infectant l’homme et responsable du SIDA, qui est un état affaibli
du système immunitaire le rendant vulnérable à des multiples infections opportunistes. Transmis
par plusieurs fluides corporels, sang, sécrétions vaginales, spermes et lait maternel, le SIDA
est aujourd’hui considéré comme une pandémie ayant causé la mort d’environ 25 millions de
personnes entre 1981 1 et Janvier 2006. Il est estimé qu’environ 1% des personnes âgées de 15
à 49 ans vis avec le VIH, principalement en Afrique Subsaharienne. D’après le rapport annuel
de 2011 de l’ONUSIDA 2 , enfin de l’an 2010, on estimait à 34 millions le nombre de personnes
vivant avec le VIH dans le monde, soit une hausse de 17% par rapport à 2001.
Figure 3.1 – Evolution du nombre de personnes vivant avec le VIH dans le monde depuis 1990
(Source : ONUSIDA)
En 2010, près de 68% de toutes les personnes vivant avec le VIH résidaient en Afrique Sub-
saharienne, une région qui ne représente que 12% de la population mondiale.
La République Démocratique du Congo, comme toutes les autres nations de l’Afrique sub-
saharienne confrontées au fléau du VIH/SIDA et son impact sur le développement social et
économique, a fait de la lutte contre le SIDA une des priorités sanitaires. L’accès aux traite-
ment des antirétroviraux est presque effectif dans le pays et apparaît comme une réponse à un
besoin qu’éprouvent les personnes vivants avec le VIH.
Les rétrovirus sont des virus d’un diamètre de 110 à 125 nanomètres, très répandus dans
le monde animal. Ils sont la cause de différentes formes de cancers, d’Immunodéficience, dont
1. Date de la première identification de cas de SIDA
2. Abréviation de Organisation des Nations-Unies contre SIDA.
le SIDA, et de dégénérescences du système nerveux central. Leur génome s’intègre sous forme
d’ADN dans celui de la cellule hôte, pour ensuite s’exprimer pendant toute la vie active de la
cellule.
Les lentivirus (ou Lentivirinae) font partie de cette famille : ces virus responsables de
pathologies à évolution lente. L’exemple le plus connu de tels virus est le virus responsable du
SIDA : le VIH.
Dans la section suivante, nous allons présenter l’aspect biologie de ce virus.
de la protéine membranaire CD4. La fixation du Virus à ces cellules fait intervenir le CD4, ainsi
que d’autres protéines membranaires (les co-récepteurs). A partir de cette fixation, le matériel
génétique du VIH peut pénétrer dans le lymphocyte.
Une fois dans le cytoplasme, l’ARN du virus est rétrotranscrit en ADNc double brin. Cet
ADNc pénètre dans le noyau, et s’intègre au génome de la cellule hôte. L’expression permettant
la formation de nouveaux virions, qui bourgeonnent de la cellule, en s’entourant au passage
d’une membrane (héritée de la cellule infectée). Ceci permet la libération de nouveaux virus
dans le sang de l’organisme infecté. Il est à noter que l’expression du génome viral se réalise
grâce à la machinerie de transcription (puis de traduction) de la cellule infectée. Le virus du
Figure 3.3 – Le cycle du VIH. Source : Wikipédia libre (25 Novembre 2022)
SIDA utilise pour rentrer dans ses cellules hôtes les protéines présentes à sa membrane et à celle
de la cellule hôte.La protéine virale gp120 possède en effet un domaine de liaison à la protéine
CD4. Le virus du SIDA est ainsi capable de se fixer spécifiquement aux lymphocytes T4, qui
portent cette protéine à leur membrane. Cette fixation de gp 120 à CD4 conditionne l’ensemble
des étapes suivants permettant la pénétration de la nucléocapside virale dans le lymphocyte.
Après que le VIH soit dans l’organisme, il se multiplie très vite et infecte un grand nombre
de cellules. Le système immunitaire met du temps à réagir, et le VIH en profiter. Après
quelques semaines, le système immunitaire a suffisamment réagi pour que les symptômes
disparaissent. Le sang contient alors des anticorps contre le VIH, ce sont ces anticorps qui
sont dépistés par le test qui détermine si une personne est séropositive.
2. La phase asymptomatique ou phase d’imprégnation silencieuse : l’individu at-
teint ne présente aucun symptôme de la maladie, et le nombre de virus n’augmente que
très légèrement ; mais le nombre de variants augmente fortement. . .
Malgré le contrôle de la maladie par le système immunitaire, les lymphocytes T sont pro-
gressivement détruits par le virus.
Une infection à long terme peut produire des dérèglements du système immunitaire, elles
peuvent s’aggraver mutuellement et entraîner un état d’immunodépression où le système
immunitaire réagit moins bien contre les germes, et où certaines cellules (les lymphocytes
T4) disparaissent petit à petit. Lorsque cet état d’immunodépression s’aggrave, des in-
fections s’installent et des symptômes apparaissent. Il y a une très grande diversité de
symptômes de la maladie, cependant, il y a trois grands groupes de symptômes :
– Les cancers
– Les infections opportunistes, appelées ainsi car les microbes profitent de l’amoindrisse-
ment des défenses immunitaires pour envahir l’organisme.
– Les manifestations neurologiques quand le VIH pénètre dans le cerveau. Elles se carac-
térisent par des pertes de mémoire, une certaine confusion de langage, une diminution
de l’acuité visuelle et diverse troubles d’ordres psychiques.
Figure 3.4 – Les trois phase du VIH Source : Wikipédia libre (25 Novembre 2022)
3.1.6 Traitement
Les recherches de traitements contre le virus du SIDA sont multiples. Elles font appel aux
connaissances actuelles sur le cycle du virus : ses moyens pour s’accrocher et pénétrer dans ses
cellules cibles, son expression dans ces cellules, etc. Il existe de nombreuses voies de traitement,
visant donc à bloquer le développement du VIH en différents points de son cycle.
3.1.7 Prévention
Même si la recherche est très active et que certains candidats vaccins existent avec pour
l’un des résultats encourageants concernant la faisabilité de la mise au point d’un vaccin, il
n’en existe pas vraiment efficace contre ce virus. Seul le préservatif offre une protection efficace
lors des rapports sexuels. Les dons de sang font l’objet d’une sélection des donneurs, de dépis-
tages systématiques et de traitements spécifiques. Aussi, la prévention se fait par l’utilisation
de seringues à usage unique en toute occasion, en particulier en cas de toxicomanie par intra-
veineuse ou de traitement substitutif. Malgré la large diffusion d’informations sur la maladie et
la prévention, certaines personnes ont néanmoins des comportements à risque, ce qui nécessite
des actions de prévention.
3.1.8 Transmission
Le VIH est présent dans de nombreux fluides organiques. On en a trouvé dans la salive,
les larmes et l’urine, mais en des concentrations insuffisantes pour que des cas de transmission
soient enregistrés. La transmission par ces fluides est ainsi considérée comme négligeable. Par
contre, des quantités de VIH assez importantes pour une infection ont été détectées dans le
sang, le lait maternel, la cyprine 3 , le sperme, ainsi que le liquide précédant l’éjaculation 4 et la
concentration du virus dans les sécrétions génitales (sperme, sécrétions au niveau du col de l’uté-
rus chez la femme), sont des bons prédicteurs du risque de transmission du VIH à une personne.
Le VIH est transmis par les fluides corporels : sang, sperme, sécrétions vaginales et lait ma-
ternel. Les modes de transmission comprennent principalement les rapports sexuels, le partage
de seringues (lors de la consommation de drogues injectées). et la transmission de la mère à
l’enfant par le processus d’accouchement. En Afrique subsaharienne, les rapports hétérosexuels
sont considérés comme le principal mode de transmission. Cependant, un autre a été publié en
2003, qui indiquait que seulement 25-29% et 30-35% des personnes séropositives pour le VIH et
le SIDA étaient infectées par le virus. chez les femmes et les hommes africains, respectivement,
étaient attribuables à la transmission sexuelle.
D’autre part, dans des pays comme les États-Unis, une part importante de la main-d’œuvre
de l’industrie de l’automobile est constituée de femmes. nouveaux cas de VIH sont dus à des
contacts homosexuels [18]. En 2010, la majorité des nouveaux cas de VIH aux États-Unis ont
été attribuées à des contacts sexuels entre hommes (63 % au total) et 78% chez les hommes),
tandis que chez les femmes, le plus grand pourcentage de nouvelles infections par le VIH vient
par des contacts hétérosexuels (84%).
Dans le même ordre d’idées et compte tenue de la méthode utilisée dans ce travail, nous
nous servons des travaux de [12] qui décrivent un modèle stochastique SIR pour l’épidémie du
VIH/SIDA en utilisant l’algorithme de Gillespie.
3.3.1 Introduction
Les modèles mathématiques générés comme déterministes ont été utilisés dans le passé et
ils offrent de nombreuses possibilités d’étude et de conclusion statistique à étudier et à conclure
sur le plan statistique. Selon Koopman, les modèles d’équations différentielles déterministes ne
peuvent pas capturer la représentation de la vie réelle, car quelle que soit la finesse avec la-
quelle ils divisent les populations en espaces géographiques et sociaux, la population population
infectieuse est répartie de manière à couvrir l’ensemble de l’espace. L’incapacité des modèles
d’équation différentielle à capturer les effets stochastiques a donc été démontrée par des études
réalisées par Koopman.
pulation. Il est nécessaire de trouver un modèle mathématique stochastique qui exprime mieux
l’évolution du nombre de cas de VIH/SIDA en République Démocratique du Congo.
Cette section de notre travail cherche à intégrer un aspect stochastique dans le modèle
épidémiologique déterministe SIR.Comme nous l’avons déjà montré au chapitre précédent, un
processus stochastique, également appelé processus processus aléatoire, est un processus dont
les résultats sont incertains. Par contre, dans un processus déterministe, il n’y a pas d’aléa.
Cela nous permettra de tirer de nouveaux enseignements de l’analyse de la simulation de ce
modèle SIR appliquée au VIH/SIDA.
La théorie de Kermack-McKendrick a ensuite été développée dans une version où ils ont
abordé le problème des endémies, Ils ont défini les taux de transmission et d’infection comme
invariants pour tous les âges, ce qui a permis d’inclure classe d’infectieux. Cela a transformé la
théorie du modèle SIR de base, de sorte que lorsque les données démographiques sont incluses,
le taux de transmission et le taux d’infection deviennent les mêmes. Le modèle SIR prenant en
compte les effets de la démographie a été décrit comme suit :
dS
dt
= µN − λS(t)I(t) − γI(t)
dI
dt
= λS(t)I(t) − γI(t) (3.2)
dR
dt
= γI(t) − µR(t)
avec N la taille de la population, µ le taux de naissance et de mort, λ le taux d’infection et γ
le taux de retrait.
Pour mettre en place notre modèle stochastique équivalent au modèle SIR, l’algorithme de
Gillespie a été utilisé pour simuler une trajectoire statistiquement correcte compte tenu des
conditions initiales du modèle SIR. Ce modèle explore comment la modification de la dyna-
mique de transmission affecte le modèle dans son ensemble. Les taux de décès ont été distingués
de telle sorte qu’un événement de décès conduise un individu hors du modèle tandis que l’autre
événement de décès conduise un individu dans une autre classe.
µN λIS γI
S I R
δS δI
Les compartiments sont constitués des valeurs de l’état initial S(t0 ), I(t0 ) et R(t0 ) sont
contenues dans un vecteur et décrites au moment initial t0 .
Ce modèle SIR stochastique basé sur l’algorithme de Gillespie génère une trajectoire statisti-
quement correcte à partir du vecteur initial comme
S+I +R=N
Les chaînes de Markov à temps continu constituent l’outil de base pour construire des mo-
dèles épidémiques de population discrète. La propriété de Markov permet de spécifier un modèle
en donnant les probabilités de transition de transition - définies comme des taux - sur un pe-
tit intervalle entre les compartiments. Compte tenu du fait que les fonctions de propension 5
doivent être sous forme de probabilité, nous cette hypothèse en la définissant et en l’interprétant.
Un modèle basé sur la chaîne de Markov est un modèle dans lequel la probabilité du pro-
chain événement dépend de la probabilité de l’état actuel. Cela implique que les probabilités
sont individuelles et donc discrètes. L’évolution discrète est modélisée en temps discret. Une
chaîne de Markov est donc interprétée ici comme un modèle stochastique à valeurs discrètes
ayant la propriété de Markov que les événements futurs ne peuvent être modélisés. stochastique
à valeurs discrètes ayant la propriété de Markov que les futurs d’un processus dépendent de
l’état actuel. Les chaînes de Markov constituent l’outil de base pour construire des modèles épi-
démiques de population discrète. La propriété de Markov nous permet de spécifier un modèle
en donnant les probabilités de transition - définies comme des taux - sur un petit intervalle
entre les compartiments.
Les probabilités de transition attribuées sont définies sur un intervalle ouvert ouvert ]t, t+τ [,
de telle sorte que la probabilité qu’un individu passe du compartiment sensible au compartiment
infectieux est [NSI (t + 1)].Pour ce modèle SIR basé sur les chaînes de Markov, les probabilités
de transition pour une population fermée sont :
P [NSI (t + τ ) = NSI (t + 1)] = λS(t)I(t) + o(τ )
P [N (t) = N (t + 1)] = 1 − λS(t)I(t) + o(τ )
SI SI
P [NIR (t + τ )
= NIR (t + 1)] = γI(t) + o(τ )
P [NIR (t) = NIR (t + 1)] = 1 − γI(t) + o(τ )
où NSI désigne le taux de passage des individus de susceptibles vers les infectieux et NIR dé-
signe le taux de flux d’individus des sujets infectieux vers les personnes éliminées.
Les temps d’attente entre les événements peuvent soit supposer un un temps d’attente dis-
tribué de manière exponentielle ou le taux d’écoulement entre les compartiments peut supposer
l’une des distributions suivantes, en fonction des résultats.
Les temps d’attente entre un événement et le suivant peuvent adopter une distribution
exponentielle
∆NSI ∼ exp(−λS(t)I(t))
de natalité de 0,07, le taux de mortalité 0,026, le taux de transition de 0,1 et le taux de décès
dus au SIDA de 0,7. Ces données ont été obtenues auprès de l’ONUSIDA 6 pour les cas de
VIH/SIDA. Les courbes produites sont illustrées ci-dessous.
Au vue de ces deux représentations, on remarque que la courbe des infections croit en fonc-
tion du temps. Le temps est représenté à raison de 5 ans ceci à compter à partir de l’année
initiale 1990 (Au fond 1000 correspond à 1990).
Comparées aux courbes de l’ONUSIDA qui tiennent aussi compte des différents états entre
autre les différents traitements antiretroviraux, ces courbes coïncident et sont explicatives des
6. https://www.unaids.org/fr/regionscountries/countries/democraticrepublicofthecongo
nos résultats.
Comparativement aux travaux de Antony WANJOYA et al., ils ont établis un modèle sto-
chastique SIR qu’ils ont vérifié avec les données de la République du Kenya tout en y appliquant
un test de chi-deux qui leur a permis de comparer leur simulation aux données existantes pour
le SIDA dans leur région d’étude, nous avons pas pu utiliser ce test. Néanmoins les cours ainsi
obtenu et celles de l’ONUSIDA concorde pour les années sur lesquelles notre étude a porté.
Conclusion partielle
Ce troisième chapitre qui est le coeur même de ce travail a présenté la biologie et l’épidé-
miologie du VIH/SIDA ainsi qu’un modèle SIR stochastique basé sur l’algorithme de Gillespie.
Nous basant sur les données du VIH/SIDA en République Démocratique du Congo, nous avons
effectué une simulation grâce à laquelle il a été possible de discuter nos résultats. Les simulations
faites et les données existantes coïncident.
Dans le but de réaliser la modélisation mathématique des maladies infectieuses basée sur
le processus stochastique et enfin de l’appliquer à l’étude de l’épidémie du VIH en RDC, nous
avons abordé ce sujet intitulé Sur les modèles stochastiques en épidémiologie : application à
l’étude du VIH/SIDA en République Démocratique du Congo.
Dans cette étude, l’état de l’art de la modélisation mathématique a été réalisé. Pour ce
faire, nous avons commencé par présenter le processus général de modélisation des maladies
infectieuses, abordé quelques modèles déterministes ainsi que leurs simulations à partir des
logiciels d’Analyse numérique. Nous avons ensuite présenté une généralité sur les processus
stochastiques, leurs applications en épidémiologie. En plus, nous avons explicité des équivalents
stochastiques aux modèles déterministes SIS et SIR que nous avons ensuite simulés sur des
données aléatoires à partir du logiciel Matlab.
Afin d’appliquer toute la théorie développée sur la modélisation stochastique des maladies
infectieuses à la propagation d’une maladie particulière, ici le VIH/SIDA en RDC, nous avons
réalisé une simulation sur le modèle SIR pour expliquer la trajectoire de la maladie en utilisant
l’algorithme de simulation de Gillespie. Après la simulation, des valeurs ont été produites par
l’algorithme pour quelques pas de temps. Les courbes simulées ont été comparées aux données
sur le VIH/SIDA en RDC. Les courbes simulées ont été ressemblantes aux données disponibles
dans la réalité. Il est ainsi remarquable que, l’implémentation d’un facteur stochastique dans
un modèle épidémiologique est une contribution utile à la modélisation mathématique.
Étant convaincu qu’aucune œuvre humaine n’est parfaite, nous restons ouverts aux diffé-
rentes remarques de tous nos lecteurs envie des éventuels enrichissements.
7. C’est une technique de vente qui vise à promouvoir une entreprise ou ses produits et services grâce à un
message persuasif qui se diffuse d’une personne à une autre simplement comme les font les virus
41
Références
42
Références
fig = plt.subplots(figsize=(12,10))
plt.plot(ts, S, linewidth=2.5, label="S")
plt.plot(ts, I, linewidth=2.5, label="I")
plt.plot(ts, R, linewidth=2.5, label="R")
plt.legend(fontsize=15)
plt.title("Le modele S.I.R")
plt.show()
44
Références
M0 = [1000, 1]
S, I = Ms[:,0], Ms[:, 1]
Annexe 3 (Script Python pour la visualisation du modèle SIS décrit à la page 10)
#M0 = [1000, 1]
S, I = Ps[:,0], Ps[:, 1]
%probabilités
pInf = 0.14;
pRem = 0.22;
for i = 1:99
tInf = 0;
tRem = 0;
if S(i)~= 0
for j = 1:S(i)
inf = binornd(1,pInf);
tInf = tInf + inf;
end
end
if I(i)~=0
for j = 1:I(i)
rem = binornd(1,pRem);
tRem = tRem + rem;
end
end
S(i+1) = S(i)-tInf;
I(i+1) = I(i)+tInf-tRem;
R(i+1) = R(i) + tRem;
end
figure;
plot(t,S,’b’,t,I,’r’,t,R,’g’,’Linewidth’,2.5);
%probabilités
pInf = 0.14;
for i = 1:99
tInf = 0;
if S(i)~= 0
for j = 1:S(i)
inf = binornd(1,pInf);
tInf = tInf + inf;
end
end
S(i+1) = S(i)-tInf;
I(i+1) = I(i)+tInf;
end
figure;
plot(t,S,’b’,t,I,’r’,’Linewidth’,2.5);
Annexe 6 (Script Python SIR stochastique appliquée aux données du VIH de la RDC)
import numpy as np
import matplotlib.pyplot as plt
import random
from scipy.integrate import odeint
S, I, R = [34000000], [540000], [140000]
t = [1000]
tend = 2000
beta = 0.7
delta = 0.028
gamma = 0.26
while t[-1]<tend and (S[-1]+I[-1]>=1):
N = S[-1]+I[-1]+R[-1]
prop_sum = sum(props)
tau = np.random.exponential(scale=1)
t.append(t[-1]+tau)
rand = random.uniform(0,1)
#susceptible becomes infected
if rand*prop_sum <= props[0]:
S.append(S[-1]-1)
I.append(I[-1]+1)
R.append(R[-1])
#Infected becomes recovered
elif rand*prop_sum > props[0] and rand*prop_sum <= sum(props[:2]):
S.append(S[-1]-1)
I.append(I[-1])
R.append(R[-1]+1)
else:
S.append(S[-1])
I.append(I[-1]-1)
R.append(R[-1]+1)
plt.yscale(’log’)
plt.xscale(’log’)
plt.xlabel("Temps")
plt.ylabel("Individus infectés")
plt.title("Simulation des cas du VIH/SIDA")
plt.plot(t,I,c=’r’)
plt.yscale(’log’)
plt.xscale(’log’)
plt.xlabel("Temps")
plt.ylabel("Individus rémis (morts)")
plt.title("Simulation des cas du VIH/SIDA")
plt.plot(t,R,c=’g’)