UNIVERSITÉ ALIOUNE DIOP DE BAMBEY

Département : Mathématiques
Filière : Mathématiques et Application
Option : Analyse Non-linéaire

Projet Simulation Numérique des EDO

Fallou BEYE
Analyse Numérique
Année universitaire 2021/2022
 1. Principe de variation :
On effectue l’incrémentation de temps (en jour) selon le schéma suivant

t → t + ∆t
S(t) → S(t + ∆t)
E(t) → E(t + ∆t)
A(t) → A(t + ∆t)
I(t) → I(t + ∆t)
R(t) → R(t + ∆t)

β2 I(t) + β1 A(t)
S(t + ∆t) = S(t) + ∧p − S(t)∆t
N (t)
β2 I(t) + β1 A(t)
E(t + ∆t) = E(t) + S(t)∆t − [τ ψE(t) + (1 − ψ)τ E(t) + µE(t)]∆t
N (t)
 
θβ1 R(t)A(t)
A(t + ∆t) = A(t) + τ ψE(t) + ∆t − [φ1 A(t) + µA(t)]∆t
N (t)
 
ρβ2 R(t)I(t)
I(t + ∆t) = I(t) + (1 − ψ)τ E(t) + ∆t − [φ2 I(t) + µI(t) + d1 I(t)]∆t
N (t)
 
ρβ2 R(t)I(t) θβ1 R(t)A(t)
R(t + ∆t) = R(t) + [φ1 A(t) + φ2 I(t)]∆t − + + µR(t) ∆t
N (t) N (t)

Ainsi on aura
S(t + ∆t) − S(t) β2 I(t) + β1 A(t)
= ∧p − S(t)
∆t N (t)
E(t + ∆t) − E(t) β2 I(t) + β1 A(t)
= S(t) − (τ + µ)E(t)
∆t N (t)
A(t + ∆t) − A(t) θβ1 R(t)A(t)
= τ ψE(t) + − (φ1 + µ)A(t)
∆t N (t)
I(t + ∆t) − I(t) ρβ2 R(t)I(t)
= (1 − ψ)τ E(t) + − (φ2 + µ + d1 )I(t)
∆t N (t)
R(t + ∆t) − R(t) ρβ2 R(t)I(t) θβ1 R(t)A(t)
= φ1 A(t) + φ2 I(t) − − − µR(t)
∆t N (t) N (t)

En faisant tendre ∆t vers +∞, on obtient le système d’équations différentielles suivant :




 S 0 (t) = ∧p − β2 I(t)+β N (t)
1 A(t)
S(t) − µS(t)
β I(t)+β A(t)
 0
E (t) =
2 1
S(t) − (τ + µ)E(t)


 N (t)
A0 (t) = τ ψE(t) + θβ1 R(t)A(t) N (t)
− (φ1 + µ)A(t)
ρβ R(t)I(t)

0
I (t) = (1 − ψ)τ E(t) + N (t) − (φ2 + µ + d1 )I(t)
2





R0 (t) = φ1 A(t) + φ2 I(t) − ρβ2 R(t)I(t) − θβ1 R(t)A(t) − µR(t)

N (t) N (t)

2. Vérifions que si S0 , E0 , A0 , I0 et R0 sont positives, alors pour tout t > 0, S(t), E(t), A(t),
I(t) et R(t) sont aussi positives.

1
Proposition 0.0.1 Considérons l’équation

a(t)x0 (t) + b(t)x(t) = d(t),

sur l’intervalle I où a ne s’annule pas.

La solution générale de cet équation sur I avec un certain t0 ∈ I tel que x(t0 ) = x0 est donnée
par  Z t  Z t Z s  
b(s) d(s) b(σ)
x(t) = exp − ds x0 + exp dσ ds
t0 a(s) t0 a(s) t0 a(σ)

Démonstration de la proposition :

a(t)x0 (t) + b(t)x(t) = d(t)

En considérant l’équation différentielle homogène, on obtient

x0 (t) b(t)
=−
x(t) a(t)
Z t 0 Z t
x (s) b(s)
=⇒ ds = − ds
t0 x(s) t0 a(s)
Z t
t b(s)
=⇒ [ln(x(s))]t0 = − ds
t0 a(s)
Z t
b(s)
=⇒ ln(x(t)) = ln(x0 ) − ds
t0 a(s)
 Z t 
b(s)
=⇒ xh (t)) = x0 exp − ds .
t0 a(s)

On pose Z t 
b(s)
z(t) = x(t) exp ds
t0 a(s)
ce qui entraine
 Z t 
b(s)
x(t) = z(t) exp − ds
t0 a(s)
 Z t   Z t 
0 0 b(s) b(t) b(s)
=⇒ x (t) = z (t) exp − ds − z(t) exp − ds
t0 a(s) a(t) t0 a(s)
 Z t 
0 b(s) b(t)
= z (t) exp − ds − x(t).
t0 a(s) a(t)

Comme x(t) est solution de l’équation

a(t)x0 (t) + b(t)x(t) = d(t),

2
alors on a
  Z t  
0 b(s) b(t)
a(t) z (t) exp − ds − x(t) + b(t)x(t) = d(t)
t0 a(s) a(t)
 Z t 
0 b(s)
=⇒ a(t)z (t) exp − ds − b(t)x(t) + b(t)x(t) = d(t)
t0 a(s)
 Z t 
0 b(s)
=⇒ a(t)z (t) exp − ds = d(t)
t0 a(s)
Z t 
0 d(t) b(s)
=⇒ z (t) = exp ds
a(t) t0 a(s)
Z t Z s 
d(s) b(σ)
=⇒ z(t) = z(t0 ) + exp dσ ds
t0 a(s) t0 a(σ)
Z t0 
b(s)
or z(t0 ) = z0 = x0 exp ds = x0
t0 a(s)
Z t Z s 
d(s) b(σ)
=⇒ z(t) = x0 + exp dσ ds.
t0 a(s) t0 a(σ)
 Z t  Z t Z s  
b(s) d(s) b(σ)
D’où x(t) = exp − ds x0 + exp dσ ds .
t0 a(s) t0 a(s) t0 a(σ)
 Z t  Z t  Z t 
b(s) d(s) b(σ)
On peut aussi écrire = x0 exp − ds + exp − dσ ds
t0 a(s) t0 a(s) s a(σ)


Pour tout t > 0, on a :
-Pour S(t) :

S(t)
S 0 (t) = ∧ − (β2 I(t) + β1 A(t)) − µS(t)
N (t)
S(t)
≥− (β2 I(t) + β1 A(t)) − µS(t)
N (t)
S 0 (t) β2 I(t) + β1 A(t)
=⇒ ≥− −µ
S(t) N (s)
Z t 0 Z t 
S (s) β2 I(s) + β1 A(s)
=⇒ ds ≥ − + µ ds
0 S(s) 0 N (s)
Z t 
t β2 I(s) + β1 A(s)
=⇒ [ln(S(s))]0 ≥ − + µ ds
0 N (s)
Z t 
β2 I(s) + β1 A(s)
=⇒ ln(S(t)) ≥ ln(S0 ) − + µ ds
0 N (s)
 Z t  
β2 I(s) + β1 A(s)
=⇒ S(t) ≥ S0 exp − + µ ds
0 N (s)

=⇒ S(t) ≥ 0.

On appliquent la proposition 0.0.1 pour les compartiments E, A, I et R.

3
-Pour E(t) :
S(t)
E 0 (t) = (β2 I(t) + β1 A(t)) − (τ + µ)E(t)
N (t)
β2 I(t) + β1 A(t)
=⇒ E 0 (t) + (τ + µ)E(t) = S(t)
N (t)
Z t
β2 I(s) + β1 A(s)
=⇒ E(t) = E0 exp(−(τ + µ)t) + exp(−(τ + µ)) S(s) exp(t − s)ds
0 N (s)
=⇒ E(t) ≥ 0.
-Pour A(t) :
θβ1 R(t)A(t)
A0 (t) = τ ψE(t) + − (φ1 + µ)A(t)
N (t)
 
0 θβ1 R(t)
=⇒ A (t) − − φ1 − µ A(t) = τ ψE(t)
N (t)

La solution est de la forme

Z t    Z t Z t   
θβ1 R(s) θβ1 R(u)
A(t) = A0 exp − φ1 − µ ds +τ ψ E(s) exp − φ1 − µ du ds
0 N (s) 0 s N (u)
=⇒ A(t) ≥ 0.

-Pour I(t) :
ρβ2 R(t)I(t)
I 0 (t) = (1 − ψ)τ E(t) + − (φ2 + µ + d1 )I(t)
N (t)
 
0 ρβ2 R(t)
=⇒ I (t) − − (φ2 + µ + d1 ) I(t) = (1 − ψ)τ E(t)
N (t)
On obtient une solution de la forme
Z t  Z t Z t 
ρβ2 R(s) ρβ2 R(u)
I(t) = I0 exp ( − φ2 − µ − d1 )ds +(1−ψ)τ E(s) exp ( − φ2 − µ − d1 )du ds
0 N (s) 0 s N (u)
D’où I(t) ≥ 0.

-Pour R(t) :
ρβ2 R(t)I(t) θβ1 R(t)A(t)
R0 (t) = φ1 A(t) + φ2 I(t) − − − µR(t)
N (t) N (t)
 
0 ρβ2 R(t)I(t) θβ1 R(t)A(t)
=⇒ R (t) + + + µ R(t) = φ1 A(t) + φ2 I(t).
N (t) N (t)
La solution générale de cet équation est donnée par
 Z t 
ρβ2 R(s)I(s) θβ1 R(s)A(s)
R(t) = R0 exp − ( + + µ)ds
0 N (s) N (s)
Z t  Z t 
ρβ2 R(s)I(s) θβ1 R(u)A(u)
+ (φ1 A(s) + φ2 I(s)) exp − ( + + µ)du ds.
0 s N (s) N (u)
D’où R(t) ≥ 0.
3. Simulation numérique :

4
 Figure 1 – Simulation numériques des variables S, E, A, I et R

La courbe des individus susceptibles commence à un niveau élevé, ce qui est attendu car la
plupart de la population est initialement susceptible d’être infectée.
Au fil du temps, le nombre d’individus susceptibles diminue progressivement, ce qui indique que
certains d’entre eux deviennent exposés ou infectés au cours de la simulation,jusqu’à ce qu’un
certain niveau d’immunité soit atteint, après quoi il reste relativement constant.

5
 Le nombre d’individus exposés augmente initialement à mesure que les individus susceptibles
entrent en contact avec le virus, ce qui correspond à la période d’incubation où les individus
sont exposés mais ne sont pas encore infectieux.
Ensuite, il atteint un pic et commence à diminuer à mesure que les individus exposés deviennent
infectieux ou récupèrent au fil du temps.

Le nombre d’individus infectés asymptomatiques augmente rapidement au début de la si-

mulation, ce qui est cohérent avec la période de contagion avant l’apparition des symptômes.
Il atteint un pic et diminue progressivement à mesure que ces individus se rétablissent ou de-
viennent symptomatiques

Le nombre d’individus infectés symptomatiques augmente également au début de la simu-

lation, bien que probablement à un rythme plus lent que les asymptomatiques.
À un certain moment, le nombre d’individus infectés symptomatiques atteint un pic et com-
mence à diminuer, indiquant peut-être que certains individus symptomatiques récupèrent de la
maladie ou meurent.

Le nombre d’individus guéris augmente progressivement au fil du temps à mesure que les
individus infectés récupèrent et deviennent immunisés au virus.
À la fin de la simulation, le nombre d’individus guéris continue d’augmenter jusqu’à ce que la
majorité de la population infectée ait récupéré.

Globalement, les courbes montrent l’évolution dynamique des différentes populations dans
le modèle épidémiologique au fil du temps.
En observant les courbes de simulation, nous pouvons également remarquer comment les dif-
férents paramètres du modèle influencent la dynamique de la propagation de la maladie. Par
exemple, les taux de transmission (β1 et β2 ), la période d’incubation (τ ), la proportion de trans-
mission asymptomatique (ψ), les taux de guérison (φ1 et φ2 ) et les taux de mortalité (µ et d1 )
jouent tous un rôle crucial dans la dynamique du système.
En analysant ces simulations, nous pouvons mieux comprendre comment les différentes interven-
tions ou modifications des paramètres peuvent affecter la propagation de la maladie et l’efficacité
des mesures de contrôle.

4. Matrice Jacobienne :

− β2 I(t)+β 1 A(t)
− βN1 S(t) − βN2 S(t)
 
N (t)
−µ 0 (t) (t)
0
β2 I(t)+β1 A(t) β1 S(t) β2 S(t)
−(τ + µ) 0
 
 N (t) N (t) N (t) 
θβ1 R(t) θβ1 A(t)
 
J(t) = 
 0 τψ N (t)
− (φ1 + µ) 0 N (t)


ρβ2 R(t) ρβ2 I(t)
0 (1 − ψ)τ 0 − (φ2 + µ + d1 )
 
 N (t) N (t) 
0 0 φ1 − θβN1 R(t)
(t)
φ2 − ρβN2 R(t)
(t)
− N (t) − θβN1 A(t)
ρβ2 I(t)
(t)
−µ

6
 La matrice jacobienne pour ε0

Figure 2 – Jacobienne J(ε0 )

 
−µ 0 −β1 −β2 0

 0 −(τ + µ) β1 β2 0 

J(ε0 ) = 
 0 τψ −(φ1 + µ) 0 0 

 0 (1 − ψ)τ 0 −(φ2 + µ + d1 ) 0 
0 0 φ1 φ2 −µ
6. Étude de la stabilité du point d’équilibre sans maladie :
Le point d’équilibre sans maladie ε0 est stable si toutes les valeurs propres de la matrice J(ε0 )
ont des parties réelles négatives. Alors qu’après un résolution numérique (voir Figure 3), on a
constaté qu’il y a une valeur propre dont la partie réelle est égale à 0.0596, dont ε0 est instable.

Figure 3 – Jacobienne J(ε0 )

7. Calcul du point d’équilibre endémique ε∗ :

ε∗ = (S ∗ , E ∗ , A∗ , I ∗ , R∗ ) est obtenu en annulant en annulant toutes les dérivées de S(t), E(t),

7
A(t), I(t) et R(t). On a le système suivant :



 S 0 (t) = ∧ − β2 I(t)+β N (t)
1 A(t)
S(t) − µS(t)
β I(t)+β A(t)
 0
E (t) = 2 1
S(t) − (τ + µ)E(t)


 N (t)
A0 (t) = τ ψE(t) + 1 R(t)A(t)
θβ
N (t)
− (φ1 + µ)A(t)
ρβ R(t)I(t)

0
I (t) = (1 − ψ)τ E(t) + 2
− (φ2 + µ + d1 )I(t)



 N (t)
R0 (t) = φ1 A(t) + φ2 I(t) − ρβ2 R(t)I(t) − θβ1 R(t)A(t) − µR(t)

N (t) N (t)

β2 I(t)+β1 A(t)
On pose λ = N (s)

S 0 (t) = 0 ⇐⇒ ∧ − (µ + λ)S(t) = 0
∧
⇐⇒ S(t) =
λ+µ
∧
=⇒ S ∗ = .
λ∗ +µ

E 0 (t) = 0 ⇐⇒ λS(t) − (τ + µ)E(t) = 0

λS(t)
⇐⇒ E(t) =
τ +µ
λ∗ S ∗
=⇒ E ∗ = .
τ +µ

θβ1 R(t)A(t)
A0 (t) = 0 ⇐⇒ τ ψE(t) + − (φ1 + µ)A(t) = 0
N (t)
τ ψE(t)N (t)
⇐⇒ A(t) =
(φ1 + µ)N (t) − θβ1 R(t)

τ ψE ∗ N ∗
=⇒ A∗ = .
(φ1 + µ)N ∗ − θβ1 R∗

ρβ2 R(t)I(t)
I 0 (t) = 0 ⇐⇒ (1 − ψ)τ E(t) + − (φ2 + µ + d1 )I(t) = 0
N (t)
(1 − ψ)τ E(t)N (t)
⇐⇒ I(t) =
(φ2 + µ + d1)N (t) − ρβ2 R(t)

(1 − ψ)τ E ∗ N ∗
=⇒ I ∗ = .
(φ2 + µ + d1)N ∗ − ρβ2 R∗

ρβ2 R(t)I(t) θβ1 R(t)A(t)

R0 (t) = 0 ⇐⇒ = φ1 A(t) + φ2 I(t) − − − µR(t) = 0
N (t) N (t)
(φ1 A(t) + φ2 I(t))N (t)
⇐⇒ R(t) =
µN (t) + θβ1 A(t) + ρβ2 I(t)

D’où
λ∗ S ∗ τ ψE ∗ N ∗ (1 − ψ)τ E ∗ N ∗ (φ1 A∗ + φ2 I ∗ )N ∗
 
∗ ∧
ε = , , , ,
λ∗ + µ τ + µ (φ1 + µ)N ∗ − θβ1 R∗ (φ2 + µ + d1)N ∗ − ρβ2 R∗ µN ∗ + θβ1 A∗ + ρβ2 I ∗

8
8. Le nombre de reproduction de base R0 :
Le nombre de reproduction de base de ce modèle, se calcule en utilisant la décomposition :
 β2 I(t)+β1 A(t) 
N (t)
S(t)
F(E, A, I) =  0 
0

et  
−(τ + µ)E(t)
V(E, A, I) = 
 τ ψE(t) + θβ1 R(t)A(t)
N (t)
− (φ1 + µ)A(t) 

ρβ2 R(t)I(t)
(1 − ψ)τ E(t) + N (t) − (φ2 + µ + d1 )I(t)
Les matrices Jacobiennes, appliquées au point ε0 , sont
   
0 β1 β2 −(τ + µ) 0 0
F =  0 0 0  et V =  τψ −(φ1 + µ) 0 
0 0 0 (1 − ψ)τ 0 −(φ2 + µ + d1 )

Ainsi R0 = %(−F V −1 ), qui correspond au rayon spectral de −F V −1 , où −F V −1 est la matrice

de la prochaine génération.
On obtient
 
(φ1 + µ)(φ2 + µ + d1 ) 0 0
−1
V −1 =  τ ψ(φ2 + µ + d1 ) (τ + µ)(φ2 + µ + d1 ) 0 .
(τ + µ)(φ1 + µ)(φ2 + µ + d1 )
(1 − ψ)(φ1 + µ)τ 0 (τ + µ)(φ1 + µ)

Alors −F V −1 = 1
(τ +µ)(φ1 +µ)(φ2 +µ+d1 )
K, avec
 
β1 τ ψ(φ2 + µ + d1 ) + β2 τ (1 − ψ)(φ1 + µ) β1 (τ + µ)(φ2 + µ + d1 ) β2 (τ + µ)(φ1 + µ)
K= 0 0 0 .
0 0 0

β1 τ ψ(φ2 + µ + d1 ) + β2 τ (1 − ψ)(φ1 + µ)
Les valeurs propres de la matrice −F V −1 sont donc 0, 0 et .
(τ + µ)(φ1 + µ)(φ2 + µ + d1 )
D’où
β1 τ ψ β2 τ (1 − ψ)
R0 = +
(τ + µ)(φ1 + µ) (τ + µ)(φ2 + µ + d1 )
R1 R2

9. L’analyse de la sensibilité des paramètres par rapport à R0 :

9
 Figure 4 – Analyse de sensibilité des paramètres par rapport à R0

L’élasticité des paramètres par rapport au nombre de reproduction de base (R0 ) est une
mesure de la sensibilité de R0 aux changements dans les valeurs des paramètres. Une élasticité
positive indique que R0 augmente lorsque le paramètre augmente, tandis qu’une élasticité né-
gative indique que R0 diminue lorsque le paramètre augmente. Une élasticité proche de zéro
signifie que R0 est peu sensible aux variations du paramètre.
Voici comment l’élasticité de chaque paramètre peut influencer R0 dans notre modèle :

10
 β1 a une élasticité de 0, 9739, ce qui signifie qu’une augmentation de β1 entraîne une aug-
mentation proportionnelle de R0 . Sa valeur numérique est de 0, 2888, ce qui signifie qu’il a une
contribution significative à R0 .
β1 semble être un paramètre crucial pour déterminer R0 , car il a une forte influence sur sa
valeur.
β2 a une élasticité de 0, 0261, ce qui indique qu’il a une influence beaucoup plus faible sur
R0 par rapport à β1 . Sa valeur numérique est de 0.5621, ce qui signifie qu’il contribue également
à R0 , mais dans une moindre mesure que β1 .
β2 semble avoir une influence relativement faible sur R0 par rapport à d’autres paramètres.
ψ a une élasticité de −2, 2654, ce qui signifie qu’une augmentation de ψ entraîne une dimi-
nution de R0 . Sa valeur numérique est de 0, 992, ce qui indique qu’elle contribue négativement
à R0 .
ψ semble avoir une influence significative sur R0 , mais dans le sens inverse de β1 et β2 .
τ a une élasticité très faible de 9, 7224 × 10−5 , ce qui indique qu’il a une influence minime
sur R0 . Sa valeur numérique est de 0.4162, ce qui suggère qu’il contribue très peu à R0 .
τ semble avoir une influence négligeable sur R0 par rapport aux autres paramètres.
φ1 et φ2 ont des élasticités négatives, ce qui signifie qu’une augmentation de leur valeur
entraîne une diminution de R0 . Leur contribution à R0 est relativement faible, en particulier
φ1 avec une valeur de −0, 9737.
Ces paramètres semblent avoir une influence modérée sur R0 , mais moins importante que β1 et
ψ.

En conclusion, β1 , ψ, β2 , φ1 et φ2 semblent être les paramètres les plus sensibles par rapport
à R0 . Ils ont des élasticités significatives et contribuent de manière importante à la valeur de R0 .
τ semble avoir une influence beaucoup plus faible sur R0 par rapport aux autres paramètres.
En comprenant l’impact de ces paramètres sur R0 , nous pouvons mieux appréhender comment
ils influencent la propagation de la maladie ou du système que nous étudions.

11
 Les bassins d’attractions :
- Bassin d”attraction (S, E) :

Figure 5 – Bassin d’attraction (S, E)

12
- Bassin d”attraction (A, I) :

Figure 6 – Bassin d’attraction (A, I)

13
- Bassin d’attraction (S, R) :

Figure 7 – Bassin d’attraction (S, R)

14
- Bassin d”attraction (E, A, I) :

Figure 8 – Bassin d’attraction (E, A, I)

15