Bichara PH DThesis

Étude de modèles épidémiologiques : Stabilité,
observation et estimation de paramètres

Derdei Bichara
To cite this version:

Derdei Bichara. Étude de modèles épidémiologiques : Stabilité, observation et estimation de
paramètres. Systèmes dynamiques [math.DS]. Université de Lorraine, 2013. Français. �NNT :
2013LORR0011�. �tel-01749335v2�
HAL Id: tel-01749335

https://tel.archives-ouvertes.fr/tel-01749335v2
Submitted on 8 Jul 2013
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
École Doctorale IAEM
THÈSE
présentée pour l’obtention du grade de
DOCTEUR DE L’UNIVERSITÉ DE LORRAINE
Mention : Mathématiques
par
Derdei BICHARA
Étude de modèles épidémiologiques :

Stabilité, observation et estimation
de paramètres
Soutenue publiquement à Metz le 28 février 2013
Devant le jury composé de :
Rapporteurs :
Patrick De LEENHEER Professeur, University of Florida, Gainesville
Mohamed KHALADI Professeur, Université Cadi Ayyad, Marrakech
Alain RAPAPORT Directeur de recherche, INRA, Montpellier

Examinateurs :
Philipe ADDA Maître de conférences, Université de Lorraine, Metz
Yves DUMONT Directeur de recherche, CIRAD, Montpellier
Abderrahman IGGIDR Chargé de recherche, INRIA, Metz

Directeur de thèse :
Gauthier SALLET Professeur, Université de Lorraine, Metz
Institut Élie Cartan de Loraine - Site de Metz, ISGMP, Bât A, Ile du Saulcy, 57045, Metz
Table des matières
Remerciements iv
Résumé-Abstract v
Introduction générale 1
1 Stabilité globale des modèles SIR et SIRS avec

mortalité différentes 5
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1 Formulation du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.1 Stabilité du DFE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Stabilité globale de l’équilibre endémique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Modèle SIRS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2 Stabilité globale des modèles épidémiques

SIS et SIRS multi-souches 12
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1 Modèle SIS avec transmission verticale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1.1 Le modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1.2 Équilibres et nombre de reproduction de base . . . . . . . . . . . . . . . . . . . . . 15
2.2 Analyse de la stabilité globale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.1 Stabilité globale du DFE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.2 Stabilité globale et compétition exclusive . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Modèle SIR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4 Simulations numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
i
TABLE DES MATIÈRES TABLE DES MATIÈRES
3 Stabilité globale des modèles épidémiques

SIS et SIRS avec la loi de l’action de masse 27
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.1 Mise en équation et stabilité du DFE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2 Non existence des orbites fermées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.3 Stabilité globale de l’équilibre intérieur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4 Stabilité des équilibres frontières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4 Épidémiologie du paludisme et historique de ses

modèles intra-hôtes 46
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.1 Origines du paludisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.2 Les causes du paludisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.3 Transmission et cycle du parasite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.3.1 Cycle du parasite chez l’homme ou la schizigonie . . . . . . . . . . . . . . . . . . . 48
4.3.2 Cycle du parasite chez le vecteur ou la sporogonie . . . . . . . . . . . . . . . . . . 50
4.4 Modèles mathématiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.4.1 Modèle vecteur-hôte de Ross . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.4.2 Modèles Intra-hôte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5 Observateurs pour l’estimation des paramètres.

Application au paludisme 57
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.1 Estimation dynamique des PRBCs sequestrés . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.1.1 Construction d’un observateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.2 Estimation du taux d’infection β . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.3 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.3.1 Application 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.3.2 Application 2 : Agrégation des variables . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.3.3 Méthode de Gravenor et al. [48] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.4 Suite de la preuve du Lemme 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
Conclusion et perspectives 115
A Outils mathématiques 118

A.1 Généralités sur les systèmes dynamiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
A.1.1 Systèmes autonomes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
A.1.2 Notion de stabilité et point d’équilibre . . . . . . . . . . . . . . . . . . . . . . . . . 121
A.1.3 Systèmes monotones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
A.2 Système triangulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
A.3 Méthodes de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
ii
A.3.1 Le principe d’invariance de LaSalle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126

A.4 Quelques matrices particulières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
A.5 Les matrices de Metzler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
A.5.1 Matrices de Metzler irréductibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
A.5.2 Décomposition régulière d’une matrice de Metzler . . . . . . . . . . . . . . . . . . 136
A.6 Calcul de R0 : Méthode de van den Driessche et Watmough . . . . . . . . . . . . . . . . . 137
A.7 Rappels sur la théorie de contrôle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
A.7.1 Observabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
A.7.2 Observateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
A.7.3 Changement des coordonnées quand le système n’est pas observable . . . . . . . . 144
A.7.4 Observateurs à entrée inconnues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
iii
Remerciements
Une thèse se prépare avant tout dans une équipe et c’est à cette équipe MASAIE de l’INRIA Nancy-
Grand Est que vont mes premiers remerciements. Je suis particulièrement reconnaissant pour les
financements de mes différents séjours à l’étranger dans le cadre de cette thèse.
Ma gratitude va à mon directeur de thèse, Gauthier Sallet, de m’avoir accueilli dans son équipe. La
confiance qu’il m’a fait m’a donné la motivation et le plaisir à découvrir la recherche de manière
autonome. Plus que tes qualités mathématiques, c’est par tes qualités humaines que t’a su rendre ces
années
Je tiens à remercier les membres du jury. À Patrick De Leenheer, Mohamed Khaladi et Alain Rapa-
port qui m’ont fait l’honneur de rapporter cette thèse et de l’intérêt qu’ils ont accordé à ce travail. Je
remercie Yves Dumont d’avoir accepter de faire partie de ce jury.
J’adresse mes chaleureux remerciements à Abderrahman Iggidr pour son attention sur mes travaux.
Durant la thèse, il arrive d’être démotivé et déprimé ; mais il suffisait d’une petite discussion avec Ab-
derrahman pour être de nouveau confiant et prêt à attaquer les problèmes, sourire aux lèvres. Merci
d’avoir su être aussi disponible jusqu’à la fin de cette thèse.
Mes sincères remerciements à Philipe Adda pour être patient lors de mes premiers pas en théorie
du contrôle et de m’avoir fait confiance pendant ces années de thèse. Tes remarques, ton ouverture
d’esprit et ta gentillesse m’ont été d’une grande utilité.
J’aimerais aussi remercier les amis de Metz qui, pour leur sympathie et bonne humeur, m’ont fait
oublier ces moments déprimants durant la thèse.
Je désire exprimer toute ma reconnaissance à Ali Souleymane Dabye. N’eût été tes encouragements,
cette thèse n’aurait probablement pas eu lieu.
Enfin je remercie ma famille pour leur soutien constant pendant ces années de thèse. Plus que tous,
je leurs remercie de m’avoir accordé cette liberté de penser et faire comme bon me semblait.
iv
Résumé
L’objectif de cette thèse est d’une part l’étude de la stabilité des équilibres de certains modèles épidé-
miologiques et d’autre part la construction d’un observateur pour l’estimation des états non mesurés
et d’un paramètre clé pour un modèle intra-hôte. Nous proposons des extensions des modèles du type
SIR, SIRS et SIS et nous étudions la stabilité globales de leur équilibres. En présence de plusieurs
souches de pathogène d’un modèle SIS, on montre que le principe de compétition exclusive est véri-
fié : la souche qui maximise un seuil remporte la compétition en éliminant les autres souches. Il se
trouve aussi que la souche gagnante est celle qui donne à l’équilibre le minimum de population hôte
susceptible. Ceci peut-être interprété comme étant un principe de pessimisation. En considérant ce
modèle avec cette fois une loi de contact de type fréquence-dépendante, on montre que la dynamique
change et qu’un équilibre de coexistence existe et qui est globalement asymptotiquement stable sous
certaines conditions. Le comportement asymptotique des deux équilibres frontières est aussi prouvée.
L’étude de la stabilité des états d’équilibres est essentiellement faite par la construction des fonctions
de Lyapunov combiné avec le principe d’invariance de LaSalle.
On considère un modèle intra-hôte structuré en classe d’âge du parasite Plasmodium falciparum avec
une force d’infection général. Nous développons une méthode d’estimation de la charge parasitaire to-
tale dont on ne sait mesurée par les méthodes actuellement connues. Pour cela nous utilisons les outils
de la théorie du contrôle, plus particulièrement les observateurs à entrées inconnues, pour estimer les
états non mesurés à partir des états mesurés (données). De cela nous déduisons une méthode d’esti-
mation d’un paramètre inconnu qui représente le taux d’infection des globules rouges saines par les
parasites.
Mots clés : Systèmes dynamiques non linéaires, modèles épidémiologiques, stabilité globale, com-
pétition, méthodes de Lyapunov, modèles intra-hôte, observateurs, Plasmodium falciparum, modèles
structurés en âges, estimation de paramètres.
v
Abstract
The purpose of this thesis is on the one hand to study stability of equilibria of some epidemic models
and secondly to construct an observer to estimate the non-measured states and a key parameter in
a within host model. We propose extensions of classical models SIR, SIRS and SIS and we study
the global stability of their equilibria. In presence of multiple pathogen strains, we proved that com-
petitive exclusion principle holds : the strain having the largest threshold wins the competition by
eliminating the others. It turns out that the winning strain is the one for which the equilibrium gives
the minimum of the susceptible host population. This can be interpreted as pessimization principle.
By considering the same model with two strains and a frequency-dependent type of the contact law,
we prove that dynamics changes and a coexistence equilibrium exists and it is globally asymptotically
stable under some conditions. The asymptotic behavior of the two other boundary equilibria is also
established. The stability study of equilibrium states is mainly done by construction of Lyapunov
functions combined with LaSalle’s invariance principle.
We consider an age-structured within-host model of the Plasmodium falciuparum parasite with a
general infection force. We develop a method to estimate the total parasite burden that cannot be
measured by the current methods. To this end, we use some tools from control theory, more precisely
observers with unknown inputs, to estimate the non measured states from the measured ones (data).
From this, we deduce a method to estimate an unknown parameter that represents infection rate of
healthy reed blood cells by the parasites.
Keywords : Nonlinear dynamical systems, epidemic models, global stability, competition, Lyapunov’s
methods, within-host, observers, Plasmodium falciparum, age-structured models, parameter estima-
tion.
vi
Introduction générale
“Begin at the beginning," the King said gravely, “and go

on till you come to the end : then stop."
— Lewis Carroll, Alice in Wonderland
La formulation en langage mathématique d’un phénomène concret a suscité la curiosité de beau-

coup de mathématiciens depuis des décennies. Si la dynamique des populations remonte au 18e siècle
grâce à Fibonnacci (la croissance d’une population de lapins), les modèles mathématiques décrivant
une maladie infectieuse remontent à Bernouilli [16, 37] en 1766. D’autres travaux majeurs en épidé-
miologie mathématiques sont dus, à P. D. En’ko entre 1873 et 1894. Cependant, on peut dire que les
fondations de l’épidémiologie mathématiques basées sur les modèles compartimentaux sont l’oeuvre
de Sir Ronald Ross. En 1911, Sir Ronald Ross dans [118] donna le premier modèle mathématique de
la transmission du paludisme. Ce modèle avec x1 représentant la proportion des humains infectieux
et x2 la proportion des moustiques infectieux, s’écrit :
⎧
⎪
⎪ ẋ1 = mab1 x2 (1 − x1 ) − γx1
⎪
⎨ (1)
⎪
⎪
⎪ ẋ = b a(1 − x )x − µx
⎩ 2 2 2 2 2
Depuis lors, la modélisation mathématique est devenue un outil incontournable dans l’analyse de
la dynamique des maladies infectieuses. En effet, Ross utilisera le modèle ci-dessus pour montrer que
pour éradiquer le paludisme, il suffit de ramener la quantité de moustique infectieuse en dessous d’un
certain seuil. Ronald Ross appela ce qu’on appelle aujourd’hui épidémiologie mathématique, la théorie
des happenings ou encore pathométrie.
Plus tard, Alfred Lotka (1925) et Vito Volterra (1926) proposaient indépendamment le modèle
proie-prédateur qui s’écrit, si x et y représentent respectivement les proies et les prédateurs, comme :
⎧
⎪
⎪ ẋ = ax − bxy
⎪
⎨ (2)
⎪
⎪
⎪ ẏ = cxy − dy
⎩
Ce modèle proie-prédateur ou encore modèle de Lotka-Volterra, joue encore aujourd’hui un rôle
déterminant en dynamique des populations et est considéré comme un modèle conceptuel de base.
1
Chapitre 0: Introduction générale
Rappelons aussi que c’est Lotka [86] qui en 1923 fait une étude mathématique exhaustive du mo-
dèle de Ross (1).
En 1927, W.O. Kermack et A.G. McKendrick ont appliqué les idées de Ronald Ross pour étudier
la dynamique de la transmission des maladies infectieuses humaines. Plus précisément, Kermack et
Mckendrick ont appliqué les idées de Ross pour les maladies dont la dynamique de transmission dépend
de la fréquence et de l’intensité des interactions entre individus susceptibles (sains) et individus infectés
et infectieux. Leur résultat fondamental [67] publié en 1927 (avec les extension dans [68, 69]) continue
à jouer, comme le modèle de Lotka-Volterra en dynamique des populations, un rôle central dans la
théorie mathématique des maladies infectieuses. En notant S la population des susceptibles, I celle
des infectées et par R la population des guéris ou "removed/recovered", le modèle de Kermack et
McKendrick de base s’écrit :
⎧
⎪
⎪
⎪
⎪ Ṡ = −βS NI
⎪
⎪
⎪ ˙
⎨ I = βS NI − γI (3)
⎪
⎪
⎪
⎪
⎪
⎩ Ṙ = γI
⎪
⎪
où N = S + I + R est la population totale et S(0) = S0 , I(0) = I0 > 0, R(0) = 0. Bien que
le concept du seuil, expression mathématique qui caractérise une condition nécessaire pour passer
d’un état épidémiologique à un autre ( plus précisément d’un état endémique à un état sans maladie
ou inversement), soit l’oeuvre de Ross, c’est Kermack et McKendrick qui sont souvent cités pour
l’introduction explicite de la notion du seuil. En effet, puisque N est constante, pour N assez grand on a
l’approximation S(0) ≈ N et donc au début de l’infection, on a : I˙ ≈ (β −γ)I ou encore I(t) ≈ e(β−γ)t I0 .
β β
Ainsi, pour > 1 la maladie va persister et devenir endémique alors que si < 1 la maladie va
γ γ
β
disparaitre. La quantité est appelé seuil ou encore nombre de reproduction de base et noté R0 .
γ
Cette quantité, sans dimension, est définie comme le nombre de nouveaux cas d’infection causés par
un individu infecté dans une population susceptible [36, 129]. Le modèle (3) devient plus difficile
à étudier si on ajoute une dynamique vitale où la population n’est plus constante. On peut aussi
considérer l’introduction d’une variable E pour les individus latents dans (3). La structure des modèles
est identifiée par le flot des individus d’un compartiment à un autre. D’où les sigles du type :
SI, SIR, SIRS, SIS, SEI, SEIR, SEIRS, etc.

La compréhension de la dynamique et le contrôle des épidémies passe donc par la dynamique des
modèles qui les représentent. C’est ce que disait J. A Jacquez dans [123] :
«A major project in deterministic epidemiological modeling of heterogeneous populations
is to find conditions for local and global stability of the equilibria and to work out the rela-
tions among these stability conditions, the threshold of epidemic take-off, and endemicity,
and the basic reproduction.»
L’étude qualitative des modèles épidémiologiques telle que décrite par Jacquez est et a été un domaine
de recherche tant intense que variée [23, 24, 52, 54, 55, 63, 64, 76, 125, 126, 129]. Une excellente revue
de la littérature, mais pas très récente, a été faite par Hethcote [54].
2
La stabilité globale de l’équilibre endémique lorsque R0 > 1 des modèles SEIR a été longtemps
conjoncturée et a été prouvée en 1995 par Li et Muldowney dans [83]. La preuve repose sur la nature
compétitive du système et le fait que les systèmes compétitifs en dimension 3 satisfont le théorème de
Poincaré-Bendixson. Pour les systèmes de dimension quelconque, une des méthodes les plus élégantes
est celle de Lyapunov. Cette méthode est devenue populaire récemment en écologie et épidémiologie
mathématiques. En 1977, Goh [44] l’utilisait pour la stabilité globale dans un système où plusieurs
espèces sont en compétition. En 2004, Korobeinikov et Maini l’ont utilisée pour le modèle SEIR et
ont donné une preuve simple du résultat de Li et Muldowney [83]. Cependant, les origines de cette
fonction remontent à Volterra lui-même.
En ligne directrice de Jacquez et dans le souci d’exploration et de compréhension de certains
modèles épidémique, les trois premiers chapitres de cette thèse sont dédiés aux différents modèles,
variantes des types classiques SIR, SIS et SIRS pour lesquels l’ étude de la stabilité globale a été
étudiée.
La modélisation mathématique des caractéristiques clés des épidémies, telle que la transmission de
l’infection ont eu une importance considérable pour compréhension de la dynamique des épidémies.
Pour cela l’estimation de certains paramètres est requise car la méconnaissance de paramètres rends
très difficile la confrontation des modèles aux données réelles. De plus, puisque seules quelques variables
peuvent être mesurées (par exemple le nombre des infectés), est-il possible de les utiliser avec la
dynamique du système pour pouvoir estimer les autres variables ? Ou encore, une fois que l’épidémie
est propagée, comment connaitre l’origine de la maladie, i.e l’état initial I(0) par exemple ?
Par ailleurs, si les modèles épidémiologiques sont généralement assez semblables, chaque mala-
die infectieuse a ses propres particularités, caractéristiques et ses propres difficultés. C’est le cas du
paludisme.
Le paludisme est l’une des maladies les plus mortifères et les plus complexes. En effet, une caractéris-
tique du Plasmodium falciparum, agent pathogène du paludisme, est la séquestration i.e., les cellules
du corps humain infectées par le parasite responsable du paludisme, se réfugient, à mi-chemin, dans
les organes tels le cerveau ou le coeur, rendant inaccessibles toutes mesures de la quantité totale des
parasites dans le corps d’un patient. Cette quantité de parasites dans le sang est un quantificateur
clé dans la compréhension, le contrôle et l’éradication du paludisme. En effet les médicaments anti-
paludiques sont connus pour avoir des effets sur les différents stades du parasite et la mortalité due
au paludisme est plus liée à la quantité totale des parasites qu’à la quantité des parasites périphé-
riques mesurable par les techniques médicaux standards (gouttes épaisses, frottis etc.). Par ailleurs,
certains paramètres du modèle intra-hôte du paludisme tel le taux de transmission ne sont pas connus.
Dans cette thèse on propose une méthode d’estimation des états non mesurés à partir des données du
terrain. De plus on déduira une méthode simple d’estimation d’un paramètre inconnu.
3
La thèse est organisée comme suit :
Dans le chapitre un, nous considérons les modèles SIR et SIRS avec des mortalités différentes dans
chaque classe. La stabilité globale des équilibres est établie en utilisant les méthodes de Lyapunov. Ce
résultat étend et améliore celui de Korobeinikov et Wake [72].
Dans le chapitre deux, nous considérons des modèles SIS et SIRS à population non constante et
avec n différentes souches de pathogènes d’une maladie infectieuse. Nous considérons aussi ce modèle
avec une transmission verticale. L’étude de la stabilité globale des équilibres a été faite. On montre
sous des conditions génériques que le principe de compétition exclusive est vérifié. Pour chaque souche,
un nombre de reproduction de base est associé. Il correspond au cas où seule cette souche existe. Le
nombre de reproduction de base pour le système à n souches est le maximum de tous les nombres de
reproduction de base. Nous définissons aussi un seuil équivalent. La souche qui remporte la compéti-
tion est celle qui maximise ce seuil. C’est aussi la souche la plus virulente, i.e., c’est la souche pour
laquelle l’équilibre endémique donne le minimum des individus susceptibles dans la population hôte.
C’est le principe de "pessimisation".
Dans le chapitre trois, on considèrera le même modèle que celui du chapitre deux, mais cette fois on
modélise le contact par la loi d’action de masse et une dynamique sans maladie de type exponentielle
en l’absence d’infection. Avec ces deux modifications le comportement dynamique du système change.
La stabilité globale des équilibres est étudiée.
Dans le chapitre quatre, on présente le paludisme dans son contexte biologique et surtout le compor-
tement et les interactions du parasite avec les globules rouges sains de l’hôte humain. On présentera
aussi dans ce chapitre les modèles intra-hôte du paludisme connus dans la littérature.
Dans le chapitre cinq, on propose une méthode d’estimation de la charge parasitaire totale à partir
de la charge parasitaire périphérique. L’estimation de cette quantité est en effet fondamentale dans
la lutte contre le paludisme. Pour cela, nous utiliserons les outils de la théorie de contrôle et plus
particulièrement les observateurs à entrée inconnues. Par ailleurs on utilisera cette même méthode
pour dériver une estimation du paramètre β qui représente le taux d’infection des globules rouges
sains par les mérozoites libres.
4
CHAPITRE 1
Stabilité globale des modèles SIR et SIRS avec
mortalité différentes
On compare parfois la cruauté de l’homme à celle des

fauves, c’est faire injure à ces derniers.
— Fyodor Dostoyevsky, Les frères Karamazov
Sommaire
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1 Formulation du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.1 Stabilité du DFE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Stabilité globale de l’équilibre endémique . . . . . . . . . . . . . . . . . . . . . 9
1.3 Modèle SIRS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Introduction
Le modéle SIR est un classique en épidémiologie mathématique. Plus particuliérement, Kermack
et McKendrick [67] ont utilisé un modèle SIR pour prouver l’existence d’un seuil. Le modèle de
Kermack et McKendrick est sans démographie, i.e. sans dynamique vitale. Les modèles SIR classiques
sont aussi importants comme modèles conceptuels (similaires aux modèles proie-prédateur et espéces
compétitives en écologie).
Lorsqu’une dynamique vitale y est a ajoutée, le comportement asymptotique change. Quand le
taux de mortalité est égal dans chaque compartiments S, I et R et un taux de natalité égal, la
5
Chapitre 1: Stabilité globale des modèles SIR et SIRS avec
mortalité différentes
stabilité globale des équilibres a été complètement étudiée dans [52, 53]. En fait, la population totale
est constante, donc le système se réduit à un système plan. Ainsi, les méthodes de plan de phase
(Poincaré-Birkhoff) et fonctions de Lyapunov pour la stabilité globale ont été obtenues.
Les modèles avec une population totale de taille variable sont souvent difficiles pour une analyse
mathématique parce que la taille de la population est une variable additionnelle qui est gouvernée par
une équation differentielle.
La stabilité globale des équilibres d’un modèle SIR avec une population totale constante, en
utilisant les fonctions de Lyapunov est étudiée dans [72]. Cependant, dans ce modèle, les taux de
mortalité dans S et I sont égaux et celui dans R est ajusté relativement au taux de mortalité de S et
au taux de natalité. Cet ajustement est juste fait pour obtenir une population totale constante. Ceci
est un peu artificiel. Le modèle avec une population constante se simplifie de deux façons :
SI
– La loi de l’action de masse se réduit à la loi bilinéaire β̃S I
N
– Le système devient plan.
Dans ce chapitre, nous proposons un modèle plus réaliste avec une population constante. Nous
supposons, lequel est plus ou moins observable, que la natalité compense la mortalité. Notre modèle
traite avec des mortalités differentes, en particulier avec sur sur-mortalité dûe à la maladie.
On note R0 le nombre de reproduction de base. Il est défini comme le nombre de nouveaux cas
d’infection causé par un individu infecté dans une population susceptible [36, 129]. Nous prouvons
dans ce chapitre la globale stabilité de l’équilibre sans maladie (DFE) si R0 ≤ 1 et nous prouvons qu’il
existe un unique équilibre endémique (EE) si R0 ≥ 1, qui est globalement asymptotiquement stable
sur le domaine privé de la variété stable du DFE.
L’analyse de la stabilté des modèle SIR classiques est connue depuis 1976 [52, 54]. La raison en est
que l’étude de la stabilité de ces modèles se réduit aux systèmes plans, et donc les méthodes de plan
des phases peuvent être utilisées : le théorème de Poincaré-Bendixon. Les orbites périodiques peuvent
être exhibées en utilisant le critère de Dulac ou le critère de Busenberg et van den Driessche [24].
Dans la litterature récente, la méthode de Lyapunov a été utilisée avec succés pour prouver la
stabilté globale de l’équilibre endémique. La méthode consiste à trouver une fonction, souvent notée
V , définie positive telle que sa dérivée le long des trajectoires est définie négative. Si la dérivée V̇ est
seulement négative, le principle d’invariance de LaSalle étend la méthode de Lyapunov dans certains
cas. Cette fonction est très difficile à trouver. Cependant, la classe de fonctions
n
V = ∑ ai (xi − x̄i log xi )
i=1
est utilisée. Cette fonction a une longue histoire dans l’application des modèles du type Lotka-Volterra
et a été decouverte par Volterra lui-même ; cependant il n’a pas utilisé le vocabulaire et la théorie des
fonctions de Lyapunov. En 2002, Korobeinikov et Wake ont utilisé ce type de fonction pour prouver
la stabilité des modèles SIR, SIRS et SIS dans [72] et en 2004, pour les modèles SEIR et SEIS [71]
et donnent une preuve simple des résultats de Li et Muldowney [83].
Dans la premiere section, nous formulons le modèle et étudions la stabilité globale du DFE quand
R0 ≤ 1. En deuxiéme section, nous étudions ls stabilité globale de l’équilibre endémique si R0 > 1.
Nous déduisons des résulats pour les modéles SIR. Enfin, la conclusion est faite en section 4.
6
1.1 Formulation du modèle mortalité différentes
1.1 Formulation du modèle
Nous considérons une population N divisée en classes des individus susceptibles, infectieux et
guéris ( ou rétirés), avec S(t), I(t) et R(t) leurs nombres au temps t, c’est-à-dire N = S(t)+I(t)+R(t).
Nous supposons qu’il n’y a pas de transmission verticale, donc tous les nouveaux nés sont susceptibles.
Nous supposons aussi que la natalité Λ compense les mortalités. Donc Λ = µ1 S+µ2 I+µ3 R. Le paramètre
γ est le taux de guérison. Notons que, dans notre modèle, la maladie confére une imminuté permanente.
Le paramètre β est le "per capita" taux de contact effectif des infectieux. Nous modélisons le contact
par la loi d’action de masse. Nous avons le graphe suivant :
S βSI/N
I γΙ
R
μ1 μ2 μ3
La dynamique de ce modèle est donnée par le système suivant :
⎧
⎪
⎪
⎪
⎪ Ṡ = Λ − β SNI − µ1 S
⎪
⎪
⎪
⎨ I˙ = β SNI − µ2 I − γ I (1.1)
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎩ Ṙ = γ I − µ3 R
Qui se réduit à
⎧
⎪
⎪
⎪
⎪ Ṡ = −β SNI + µ2 I + µ3 R
⎪
⎪
⎪ ˙
⎨ I = β SNI − µ2 I − γ I (1.2)
⎪
⎪
⎪
⎪
⎪
⎩ Ṙ = γ I − µ3 R
⎪
⎪
La taille de la population est constante, i.e : S + I + R = N , Nous pouvons donc omettre l’équation
des guéris. Nous obtenons donc le système plan :
⎧
⎪ SI
⎪ Ṡ = −β N + µ2 I + µ3 (N − S − I)
⎪
⎨
⎪ ˙ SI
⎩ I = β N − (µ2 + γ) I
⎪
⎪
Par raison de simplicité nous considérons les prévalences, i.e. les proportions.
7
1.1 Formulation du modèle mortalité différentes
S I
Si on note N , N , les proportions de susceptibles et d’infectieux, encore par S and I. Alors système
(1.2) se réduit à :
⎧
⎪
⎪ Ṡ = µ3 + (µ2 − µ3 )I − µ3 S − βSI
⎪
⎨ (1.3)
⎪ ˙
⎩ I = βSI − (µ2 + γ) I
⎪
⎪
Nous avons 0 ≤ S, 0 ≤ I and S + I ≤ 1. Le domaine biologique de ce système est le simplexe standard.

L’ensemble Ω = {(S, I) ∶ S ≥ 0; I ≥ 0; S + I ≤ 1} est un compact positivement invariant pour (1.3). Le
système est bien posé.
Le nombre de reproduction de base est donné par :
β
R0 = .
µ2 + γ
1.1.1 Stabilité du DFE

Le système (1.3) a un équilibre sans maladie, qui est donné par (S ∗ , 0) = (1, 0) .
Théorème 1.1.
Si R0 ≤ 1 alors le DFE est globalement asymptotiquement stable sur Ω.
Preuve.
On considère la fonction de Lyapunov V (S, I) = I. Nous avons :
V̇ = I˙
= βSI − (µ2 + γ) I
= I (R0 S − 1) (µ2 + γ)
≤ 0
De plus V̇ = 0 si I = 0 ou S = S ∗ et R0 = 1. Donc le plus grand ensemble invariant contenu dans

cet ensemble est L = {(S, I) ∈ Ω / V̇ (S, I) = 0} qui est réduit au DFE. Puisque nous somme dans
un compact positivement invariant, Par le principe d’invariance de LaSalle [80, 17] , le DFE est
globalement asymtotiquement stable dans Ω.
Remarque 1.1. Contrairement aux théorèmes de Lyapunov, le principe d’invariance de LaSalle

ne requièrt pas que la fonction V (x(t)) soit définie positive. Si le plus grand ensemble invariant
M , contenu dans l’ensemble E des points où V̇ est nulle, est réduit au point d’équilibre, i.e. si
M = {x0 }, le principe d’invariance de LaSalle permet de conclure que l’équilibre est attractif.
Mais l’inconvenient du principe de Lasalle, est qu’il prouve seulement l’attractivité du point
d’équilibre. Il est bien connu que dans les cas nonlinéaires, l’attractivité n’implique pas la stabi-
lité. Mais quand la fonction V (x(t)) n’est pas définie positive, la stabilité de Lyapunov peut être
prouvé. C’est pourquoi le principe de LaSalle est souvent maladroitement cité. Des conditions
additionnelles permettent, avec le principe de LaSalle, de vérifier la stabilité asymptotique. Pour
8
1.2 Stabilité globale de l’équilibre endémique mortalité différentes
obtenir la stabilité du principe de LaSalle, un travail supplémentaire est nécessaire. Le résultat
le plus complet, dans but de l’utilisation du principe de LaSalle pour prouver la stabilité asymp-
totique, a été obtenue par LaSalle lui-même (LaSalle :[77], en 1968, completé dans 1976 [78]
.)
1.2 Stabilité globale de l’équilibre endémique

¯ où
Un équilibre pour le système (1.3), différent du DFE, est donné par (S̄, I),
µ2 + γ 1 µ3 1
S̄ = = et I¯ = (1 − )
β R0 µ3 + γ R0
Cet équilibrie est dans le simplexe, i.e., 0 ≤ S̄, 0 ≤ I¯ and S̄ + I¯ ≤ 1 si et seulement si R0 > 1.
Clairement 0 ≤ I¯ est équivalent à R0 ≥ 1. Maintenant nous pouvons écrire
γ
+ µ3
S̄ + I¯ =
R0
γ + µ3
Quand R0 = 1 cet équilibre coïncide avec le DFE. Alors il existe un unique équilibre dans l’intérieur
du simplexe si et seulement R0 > 1.
Théorème 1.2.
¯ qui est globalement
Si R0 > 1, le DFE est instable et il existe un unique équilibre endémique (S̄, I)
asymptotiquement stable sur le domaine Ω∖ [0, 1]×{0}. En d’autres termes sur le simplexe privé
de la variété stable du DFE.
Preuve.
Si R0 > 1 l’instabilité DFE viens de [36].
µ2 − µ3
Soit Ω1 l’ensemble défini par Ω1 = {(S, I)/ S ≥ , I ≥ 0, S + I ≤ 1}. L’ensemble Ω1 est un
β
○
compact positivement invariant. Nous considérons sur Ω1 la fonction de Lyapunov définie par
µ3 + γ −µ2 + µ3 + βS ¯ − I¯ log I
V (S, I) = (S − S̄) − log + (I − I)
β −µ2 + µ3 + β S̄ I¯
¯ = 0 si et
Il est facile de vérifiier que V est définite positive, c’est-à-dire V (S, I) ≥ 0 and V (S̄, I)
9
1.2 Stabilité globale de l’équilibre endémique mortalité différentes
¯ Sa dérivée le long des trajectoires de (1.3) est donnée par :
seulement si (S, I) = (S̄, I).
µ3 + (µ2 − µ3 )I − µ3 S − βSI
V̇ (S, I) = Ṡ − (µ3 + γ) +
−µ2 + µ3 + βS
βSI − (µ2 + γ) I − I¯ (βS − (µ2 + γ))
(µ3 − µ3 S)
= Ṡ − (µ3 + γ) + (µ3 + γ) I +
−µ2 + µ3 + βS
βSI − (µ2 + γ) I − I¯ (βS − (µ2 + γ))
(µ3 − µ3 S)
= µ3 (1 − S) − (µ3 + γ) − I¯ (βS − (µ2 + γ))
−µ2 + µ3 + βS
µ3 + γ
= µ3 (1 − S) [1 − ] − I¯ (βS − (µ2 + γ))
−µ2 + µ3 + βS
−β S̄ + βS µ3
= µ3 (1 − S) ( )− (1 − S̄) (βS − β S̄)
−µ2 + µ3 + βS µ3 + γ
1−S 1 − S̄
= −µ3 β (S̄ − S) [ − ]
−µ2 + µ3 + βS µ3 + γ
1−S 1 − S̄
= −µ3 β (S̄ − S) [ − ]
−µ2 + µ3 + βS −µ2 + µ3 + β S̄
βµ3 −µ2 + β + µ3 2
= − [ ] (S − S̄)
µ3 + γ −µ2 + β + βS
≤ 0
Ainsi, on conclut que V̇ est semi-définie positive. L’équilibre endémique est donc stable par les
théorèmes de Lyapunov. Nous prouvons l’attractivité de l’équilibre endémique en utilisant le principe
de Lasalle.
○
L’ensemble sur lequel V̇ = 0 est donné par E = {(S, I) ∈Ω1 / S = S̄}. Sur cet ensemble, nous avons
µ3 − µ3 S̄ ¯ De plus, le plus grand ensemble
Ṡ = µ3 + (µ2 − µ3 )I − µ3 S̄ − β S̄I = 0, d’où I = = I.
β S̄ − µ2 + µ3
○
¯ est
invariant contenu dans {(S, I) ∈Ω1 / V̇ (S, I) = 0} est réduit à l’équilibre endémique. Donc (S̄, I)
○
attractif. Donc l’EE est GAS sur Ω1 .
µ 2 − µ3
Si S ≤ , nous avons :
β
Ṡ = µ3 + (µ2 − µ3 )I − µ3 S − βSI
= µ3 (1 − S) + (µ2 − µ3 − βS) I
> 0
○ ○ ○ ○
Par ailleurs toutes les trajectoires dans Ω ∖ Ω1 entrent dans Ω1 , i.e l’ensemble Ω1 est absorbant. Ainsi
○
l’EE est GAS sur Ω .
Sur la frontière S = 0 et S + I = 1, le champ de vecteurs pointe strictement vers l’interieur de Ω.
Seul l’axe S est invariant. L’équilibre endémique est GAS sur Ω/ {(S, I) ∶ I = 0; 0 ≤ S ≤ 1}.
10
1.3 Modèle SIRS mortalité différentes
1.3 Modèle SIRS
Dans cette section, nous considérons un modèle SIRS avec différentes mortalités. Avec la même
notation que ci-dessus, nous avons le système suivant :
⎧
⎪
⎪
⎪
⎪ Ṡ = Λ − β SNI − µ1 S + νR
⎪
⎪
⎪
⎨ I˙ = β SNI − µ2 I − γ I (1.4)
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎩ Ṙ = γ I − (µ3 + ν) R
qui se réduit à
⎧
⎪
⎪
⎪
⎪ Ṡ = −β SNI + µ2 I + (µ3 + ν) R
⎪
⎪
⎪ ˙
⎨ I = β SNI − (µ2 + γ) I (1.5)
⎪
⎪
⎪
⎪
⎪
⎩ Ṙ = γ I − (µ3 + ν) R
⎪
⎪
Le système (1.5) est exactement systême (1.2) où µ3 est replacé par µ3 + ν.
1.4 Conclusion
Dans cette contribution, nous avons prouvé la globale stabilité des modèles SIR et SIRS avec
mortalité diffèrentes par les méthodes de Lyapunov. Nous complètons et améliorons les résultats de
Korobeinikov et Wake [72].
Les avancées de la biologie ont mis en lumière l’évolution des agents pathogènes responsables de
certaines maladies. Plusieurs agents pathogènes se développent en plusieurs souches. Les agents pa-
thogènes des maladies comme la gonorrhée, la dengue, la grippe ou l’influenza entre autres sont
connus pour avoir plusieurs souches. Comprendre le mécanisme qui conduit à la coexistence ou à
l’exclusion est d’une grande importance pour une bonne stratégie de lutte. On verra dans le chapitre
qui suit ce qui se passe pour des modèles SIS et SIRS sous certaines hypothèses.
Les résultats de ce chapitre ont fait l’objet d’une publication [3] parue dans l’International Journal
of Pure and Applied Mathematics. Il est disponible au http://www.ijpam.eu/contents/2012-80-3/
14/index.html.
11
CHAPITRE 2
Stabilité globale des modèles épidémiques
SIS et SIRS multi-souches
Trouver une fonction de Lyapunov requiert une

ingéniosité considérable, une intuition et peut-être de la
chance.
— H. Smith et P. Walman, La théorie du chémostat
Sommaire
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1 Modèle SIS avec transmission verticale . . . . . . . . . . . . . . . . . . . . . . 14
2.1.1 Le modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1.2 Équilibres et nombre de reproduction de base . . . . . . . . . . . . . . . . . . . . 15
2.2 Analyse de la stabilité globale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.1 Stabilité globale du DFE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.2 Stabilité globale et compétition exclusive . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Modèle SIR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4 Simulations numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Introduction
Un des principes les plus connus de l’écologie théorique est le principe de compétition exclusive,
parfois appélé loi de Gause, qui stipule : "deux espèces en competition pour la même ressource
ne peuvent pas coexister indéfiniment sur la même niche écologique" [42, 82, 93, 96]. Cependant,
12
Chapitre 2: Stabilité globale des modèles épidémiques
SIS et SIRS multi-souches
selon Amstrong et McGehee [6], Volterra [132] a été le premier à utiliser un modèle mathématique pour
suggérer que la coexistence indéfinie de deux ou plusieurs espèces limitées par la même ressource est
impossible. Une littérature abondante a été dédiée sur la validation de ce principe pour des modèles
épidemiologiques et/ou hôte-parasite [1, 2, 6, 10, 22, 25, 26, 33, 42, 60, 61, 81, 82, 93, 94, 95, 96] et
les références qui y sont.
En épidémiologie mathématique, le papier classique [22] prouve une compétition exclusive d’une
infection avec diffèrentes souches dans une seule population hôte. Quand une seule souche est présente,
un nombre de reproduction de base peut être calculé [36, 129]. Donc chaque souche est associée avec
un tel nombre. Les auteurs montrent que le principe de compétition exclusive et génériquement vérifié
et que la souche qui l’emporte est celle dont le nombre de reproduction de base est le plus grand. Plus
précisement, il est prouvé que toutes les souches, sauf une, vont disparaître et que la souche victorieuse
va persister. Le modèle [22], consideré par Bremermann et Thieme, est un modèle SIS avec n souches.
Dans [1] Ackeh et Allen considèrent un modèle SIR avec n souches et une transmission verticale.
Ils géneralisent celui avec deux pathogénes étudié par Andreasen et Pugliese [11]. Ils supposent pour
la dynamique de la population un taux de natalité constant et un taux de mortalité nonlinéaire. En
tout, la dynamique de la population, sans maladie, est de type logistique généralisé. Ils suppose aussi
une transmission verticale. L’analyse est faite avec la loi de l’action de masse comme incidence. Dans
[2], les auteurs considérent les modèles SIS and SIR avec l’incidence standard. Dans les deux cas, ils
obtiennent des conditions pour une compétition exclusive entre les n souches. Une de ces conditions
implique la maximisation du taux de reproduction de base pour la souche victorieuse. Comme dans
le papier de Bremermann et Thieme, c’est un résulat de persistence .
Dans [62], un système analogue a été considéré avec une fonction de recrutement générale f (N ),
mais sans transmission verticale. Des résulats de compétition exclusive ont été obtenus (Theorem 3.3)
sous des hypothèses additionelles. La stabilité de l’équilibre endémique a été obtenue mais malheu-
reusement, comme indiqué par les auteurs, les hypothèses considérées sont généralement difficiles à
vérifier. L’étude du système réduit est encore en cours.
Récemment l’attention a été focalisée sur la compréhension des facteurs qui conduisent á la coexis-
tence ou à la compétition exclusive [34, 127]. En l’absence d’infections multiples et sous l’hypothèse
d’une complète immunité croisée, seule la souche du parasite qui a le taux de reproduction de base
maximal persiste (Voir [127]). Ce résultat a été prouvé avec peu de restrictions. Cependant la validité
d’un tel principe a été un défi. Par exemple quand l’infection est transmise à la fois verticalement
et horizontalement, les simulations ont suggèrées que les souches avec un faible virulence peuvent
l’emporter sur les souches avec un taux de reproduction de base plus élévé [85].
Pour continuer à explorer ce problème, nous considérons un modèle SIS ou SIR avec une transmis-
sion verticale et horizontale et une dynamique de population différente. Dans notre modèle SIR nous
supposons, plus généralement, que quand un individu guérit alors seule une fraction est immunisé-
croisé. L’autre partie des individus redeviennent susceptibles après la guérison. Nous considérons la
loi de l’action de masse bilinéaire pour modéliser le contact. Nous supposons, si nécessaire, une to-
tale immunité croisée et sans superinfection. Nous prouvons sous des conditions génériques que le
principe de compétition exclusive s’applique. A la différence des autres résultas, ce n’est pas le taux
de reproduction de base qui détermine le destin d’une souche. Nous associons à chaque souche i un
13
2.1 Modèle SIS avec transmission verticale SIS et SIRS multi-souches
"threshold" ou seuil T0,i . C’est un threshold puisque T0,i > 1 est équivalent à R0,i > 1. La souche
qui maximise son threshold emporte la compétition. Ainsi nous pouvons parler d’une maximisation
d’un threshold mais pas d’une maximisation du taux de réproduction de base. Nous prouvons qu’un
équilibre endémique existe et que cet équilibre est globalement asymptotiquement stable. En fait la
souche victorieuse est celle qui minimise le nombre des susceptibles à l’équilibre ; c’est nécessairement
la souche qui maximise son taux de reproduction de base. Le même genre de phénomène est observé
dans [61]. Ceci peut être vu comme un principe de pessimization [35].
De nombreux auteurs [1, 2, 22] prouvent la compétition exclusive par persistence : sous certaines
conditions, toutes les densités des souches infectées, sauf une tendent vers 0. La souche restante reste
positive, i.e., est persistente.
Nous considérons dans ce chapitre, des modèles avec des dynamique de population différentes. Nous
considérons les modèles SIS ou SIR avec une transmission horizontale et verticale. Nous considérons
un recrutement constant (ou immigration des individus susceptibles) et un taux de mortalité constant,
qui donne la dynamique sans maladie Ṅ = Λ − µ N .
Notre loi est moins générale mais nous pouvons obtenir des résulats plus précis. Nous avons toujours
un unique équilibre sans maladie (DFE) et quand le taux de réproduction de base est supérieur ou
égal à un, des équilibres endémiques frontières existent. Sous une condition générique nous prouvons
qu’il y a un équilibre sur une face de l’orthant positif, qui correspond à l’extinction de toutes les
souches sauf une, qui est globalement asymptotiquement stable dans l’intérieur de l’orthant et de la
face correspondante. Nous décrivons aussi la stabilité sur chaque face. L’évolution dans une face de
l’orthant correspond biologiquement à la non-existence de certaines souches.
Dans ce chapitre nous prouvont ce résultat par l’utilisation de fonctions de Lyapunov. En fait, la
fonction que nous utilisons est un du type "Volterra". Ce genre de fonction est maintenant utilisées
avec succés pour étabir des résulats de global stabilité pour les modèles épidémiologique. Voir par
exemple les références dans [40, 128].
Ce chapitre est organisé comme suit :
Dans la première section, nous introduisons un modèle SIS spécial, avec une transmission verticale.
Dans cette section nous calculons les équilibres et le taux de réproduction de base. Nous définisssons
aussi un seuil équivalent.
La section 2 est dédiée à l’étude de la stabilité, avec des hypothèses génériquse non restrictives.
Nous obtenons des résultats de stabilité globale sur le domaine biologique. La dernière section examine
le cas d’un modèle SIR avec une transmission verticale.
2.1 Modèle SIS avec transmission verticale
2.1.1 Le modèle
Nous supposons qu’il existe n souches de pathogénes. La population hôte est divisée en individus
susceptibles et infectés. Le nombre des individus susceptibles sera noté par S, et le nombre des
individus infectés par la souche i sera noté par Ii . On considère ici la loi de l’action de masse et
une transmission horizontale. Nous supposons qu’une fraction des nouveaux-nés, issus d’individus
infectés, est infectée et infectieuse. En d’autres termes, il y a une transmission verticale. Une fraction
14
pi des nouveaux-nés de la classe infectée Ii est infectée à la naissance. Donc, pi Ii individus entrent
dans la classe infectée Ii et la même quantité est soustraite du recrutement dans le compartiment des
susceptibles. Quand les individus guérissent, ils redeviennent susceptibles de contracter la maladie.
Le modèle est representé dans la Figure 2.1.1.
Λ- ( p1I1 + p2I2 + .... + pnIn )
S
β1SI1
μ βnSIn
γ1
βjSIj γj
γn
I1 ..... .... Ij ..... .... In
p1I1 μ+δ1 pjIj μ+δj pnIn μ+δn
Figure 2.1 – Un modèle SIS avec n souches
Ce modèle peut être décrit par le système d’équations différentielles suivant :

⎧ n n
⎪
⎪ Ṡ = Λ − β S I + (γi − pi ) Ii − µ S,
⎪
⎪ ∑ i i ∑
⎪
⎪
⎪ i=1 i=1
⎪
⎨ (2.1)
⎪
⎪
⎪
⎪
⎪
⎪ ˙
⎩ Ii = βi S Ii − (µ + δi + γi − pi ) Ii , for i = 1, . . . , n.
⎪
⎪
Les différents paramètres de notre modèle sont définis comme suit :

Λ : Recrutement des individus susceptibles (naissance, ...) ;
βi : coefficient de transmission par la i − eme souche ;
µ : taux de mortalité naturelle ;
δi : mortalité additionnelle causée par la i − eme souche ;
γi : taux de guérison de la i − eme souche ;
pi : taux auquel un infectieux ( par la i − eme souche) donne naissance a un nouveau infecté.
Nous supposons que
(H) : γi ≥ pi pour i = 1, ⋯, n (2.2)
Cette hypothèse assure que le recrutement Λ + ∑ni=1 (γi − pi ) Ii dans le compartiment des susceptibles
est toujours positif.
2.1.2 Équilibres et nombre de reproduction de base

n
Notons par N = S + ∑ Ii la population hôte totale. La dynamique de N est donnée par :
i=1
15
n
Ṅ = Λ − µN − ∑ δi Ii ≤ Λ − µN.
i=1
La région définie par :
n
Ω = {(S, I) ∈ Rn+1
+ ∣ S + ∑ Ii ≤
Λ
µ
}
i=1
est donc un ensemble compact positivement invariant et attractif pour le système (5.4).
Λ
L’équilibre sans maladie (DFE) est donné par (S ∗ , 0, . . . , 0) avec S ∗ = . Cet équilibre est inclus
µ
dans Ω.
En présence de la seule souche i le modèle est le système bidimensionnel (avec S et Ii ). Le nombre
de reproduction ratio [36, 129] de ce modèle, se calcule en utilisant la décomposition :
⎡ ⎤ ⎡ ⎤
⎢
⎢ 0 ⎥
⎥
⎢Λ − βi SIi + (γi − pi )Ii − µS ⎥
⎢ ⎥
F(S, Ii ) = ⎢ ⎥, and V(S, Ii ) = ⎢ ⎥.
⎢ ⎥ ⎢ ⎥
⎢βi SIi + pi Ii ⎥ ⎢ −(µ + δ i + γ i )I i ⎥
⎣ ⎦ ⎣ ⎦
Les Jacobiennes de ces matrices sont
⎡ ⎤
⎢ 0 0 ⎥⎥
⎢
DF(S, Ii ) = ⎢⎢ ⎥,
⎥
⎢ ⎥
⎢βi Ii βi S + pi ⎥
⎣ ⎦
⎡ ⎤
⎢−βi Ii − µ −βi S + (γi − pi )⎥
⎢ ⎥
DV(S, I) = ⎢⎢ ⎥,
⎥
⎢ ⎥
⎢
⎣ 0 (µ + δi + γ i ) ⎥
⎦
Et donc,
F = βi S ∗ + pi et V = −(µ + δi + γi )
Λ + µpi
Ainsi la "next generation matrix" est −FV−1 = .
µ(µ + λi + δi )
Le nombre de reproduction de base en présence d’une seule souche avec transmission verticale, est
donné par
Λ
βi + pi
µ
R0,i = .
(µ + δi + γi )
Le nombre de reproduction de base du modèle (5.4), en présence de n souche est donc :
R0 = max R0,i
i=1,...,n
Le système (5.4) a n équilibres endémiques, localisés sur la frontière de l’orthant positif.

Soient (S̄1 , I¯1 , 0, . . . , 0), (S̄2 , 0, I¯2 , 0, . . . , 0), . . . , (S̄n , 0, . . . , 0, I¯n ), où
µ + γi + δi − pi Λ µ(µ + γi + δi − pi )
S̄i = , et I¯i = (1 − ).
βi µ + δi βi Λ
16
2.2 Analyse de la stabilité globale SIS et SIRS multi-souches
L’équilibre frontière (S̄i , 0, . . . , I¯i , . . . , 0) est dans Ω si et seulement si
βi Λ
T0,i = > 1.
µ (µ + δi + γi − pi )
Il est clair, qu’avec l’hypothèse (2.2), on a :
T0,i > 1 ⇐⇒ R0,i > 1.
Par conséquent T0,i est un seuil, dans le sens de [64], et nous avons
S∗ Λ 1
S̄i = , and I¯i = (1 − ). (2.3)
T0,i µ + δi T0,i
Quand T0,i = 1 alors S̄i = S ∗ et I¯i = 0.

Une condition de coexistence des souches i et j sera
µ + γi + δi − pi µ + γj + δj − pj
= .
βi βj
ou, de manière équivalente
T0,i = T0,j > 1
Avoir une coexistence à l’intérieur de l’orthant positif nécessite les n égalités précédentes. Cette condi-
tion est clairement non générique.
La coexistence peut se produire si le taux de mortalité est densité dépendent [1, 11] ou même la
loi de l’action de masse standard et une croissance exponentielle de la population hôte [84].
2.2 Analyse de la stabilité globale

Rappelons que nous supposons, sans perte de généralité, notre hypothèse permanente (2.2). On
définit
R0 = max R0,i , and T0 = max T0,i .
i=1,...,n i=1,⋯,n
On a vu que
T0 > 1 ⇐⇒ R0 > 1.
2.2.1 Stabilité globale du DFE

Théorème 2.1.
Si T0 ≤ 1, le DF E est globalement asymptotiquement stable dans l’orthant positif. Si T0 > 1, le
DFE est instable.
Preuve.
On considère la fonction de Lyapunov
n
V = ∑ Ii .
i=1
Nous utiliserons le principe d’invariance de LaSalle sur les ensembles compacts [51, 79, 77] pour
prouver la stabilité asymptotique. Par hypothèse chaque T0,i satisfait T0,i ≤ 1.
17
Les calculs de dérivées de V le long des trajectoires donnent
n
V̇ = ∑ (βi S − (µ + δi + γi − pi )) Ii ,
i=1
n
Λ
≤ ∑ (βi − (µ + δi + γ1 − pi )) Ii ,
i=1 µ
n
≤ ∑(µ + δi + γi − pi ) (T0,i − 1) ,
i=1
≤ 0.
Maintenant, considérons l’ensemble contenu dans Ω où V̇ = 0.
L’égalité V̇ = 0 dans Ω implique que pour chaque indice i
Ii = 0 ou S = S̄i
Nous associons à chaque sous-ensemble I d’ indices, un point défini par si j ∈/ I alors Ij = 0 et si

i ∈ I alorsS = S̄i et pour chaque couple (i, k) dans I 2 nous supposons S̄i = S̄k . Pour chaque type
de sous-ensemble et condition nous avons une solution de V̇ = 0. Toutes ces solutions constituent
un ensemble E. Nous affirmons, à partir de la relation (2.3), que notre condition implique T0,i = T0,k .
Nous considérons donc seulement les sous-ensemble d’indices I tels que pour chaque couple (j, k) ∈ I 2 ,
T0,j = T0,k . Tout sous-ensemble de ce type donne une solution dans E.
Considérons maintenant le plus grand ensemble invariant contenu dans Ω et dans E.
Une trajectoire issue d’un de ces points est donnée par
Ṡ = Λ − S̄i ∑ βi Ii + ∑(γi − pi )Ii − µS̄i .

i∈I i∈I
Nous affirmons que pour toute solution dans E, nous avons I˙i = 0.
Par invariance Ṡ = 0, donc
S∗ S∗
Λ−µ = ∑ (βi − (γi − pi )) Ii = ∑ (µ + δi ) Ii .
T0,i i∈I T0,i i∈I
S∗
Rappelons que T0 ≤ 1, d’où chaque T0,i ≤ 1, ce qui implique Λ − µ ≤ 0.
T0,i
Si T0,i < 1, l’inégalité précédente ne peut être satisfaite dans l’orthant positif. Finalement, nous
voyons que notre ensemble d’indices I est tel que T0,i = 1 pour tout indice dans I. Mais ceci implique
encore Ii = 0 par invariance. Ainsi, le seul ensemble invariant contenu dans Ω, tel que V̇ = 0, est le
DFE. Ceci prouve, par les résultats de [79, 77], que le DFE est globalement asymptotiquement stable
sur Ω. Enfin, puisque Ω est un ensemble attractif, la stabilité est globale dans l’orthant positif.
Supposons maintenant que T0 > 1 (ou de façon équivalente R0 > 1). La matrice jacobienne du
18
système (5.4) au DFE est :
⎛ −µ −β1 S ∗ + (γ1 − p1 ) −β2 S ∗ + (γ2 − p2 ) ⋯ −βn S ∗ + (γn − pn ) ⎞

⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 β1 S ∗ − α1 0 ... 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⋮ ⋱ ⋱ ⋱ ⋮ ⎟
⎜ ⎟
⎜ ⎟
J0 = ⎜ ⎟
⎜ ⎟
⎜ 0 ⋱ ⋱ βi S ∗ − αi ⋮ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⋮ ⋯ ⋱ ⋱ 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
∗
⎝ 0 ⋯ ⋯ 0 βn S − αn ⎠
avec αi = µ + δi + γi − pi . Les valeurs propres de J0 sont −µ et αi (T0,i − 1). Donc si T0 > 1, alors la
matrice jacobienne J0 a au moins une valeur propre positive et par conséquent le DFE est instable.
Remarque 2.1.
Nous avons prouvé le résultat sans aucune hypothèse additionnelle sur les relations entres
les T0,i .
2.2.2 Stabilité globale et compétition exclusive

Ici on suppose que R0 > 1 ou de façon équivalente T0 > 1. Nous supposerons dans la suite qu’une
souche maximise son seuil. En d’autres termes, il existe une souche (on peut supposer que c’est celle
d’indice 1) telle que pour tout i > 1 nous avons
T0,1 > T0,i .

Avec T0 > 1, soit i0 le dernier indice pour lequel T0,i > 1. Alors
T0,1 > T0,2 ≥ ⋯T0,i0 > 1 ≥ T0,i0 +1 ≥ ⋯T0,n .
Théorème 2.2.
Sous l’hypothèse T0,1 > T0,i pour i = 2, ⋯, n, l’équilibre endémique
S∗ Λ 1
( , (1 − ) , 0, ⋯, 0) ,
T0,1 µ + δ1 T0,1
est globalement asymptotiquement stable sur l’ intersection de l’orthant positif avec les deux
demi-espaces ouverts définis par les inégalités S > 0 et I1 > 0.
Preuve.
¯ avec I¯ = ( Λ 1
Notons par (S̄, I), (1 − ), 0, ⋯, 0) ∈ Rn+ l’équilibre endémique.
µ + δ1 T0,1
Considérons la fonction de Lyapunov suivante, définit sur l’intersection de l’orthant positif avec les
demi hyperplans ouverts donnés par les inégalités S > 0 and I1 > 0 :
19
n ⎛ 2
µ + δ1 γi − pi T0,i ⎞
V (S, I) = S − S̄ log S + (I1 − I¯1 log I1 ) + ∑ 1 − ( ) Ii + K. (2.4)
µ + δ1 + γ1 − p1 i=2 ⎝ βi S̄ T0,1 ⎠
¯ = 0.
Où K est choisi tel que V (S̄, I)
µ + δ1
K = −S̄ + S̄ log S̄ − (I¯1 − I¯1 log I¯1 ) .
µ + δ1 + γ1 − p1
En effet cette fonction, considérée sur le domaine, est une fonction définie positive. Pour affirmer cela,
nous devrons prouver que les coefficients de Ii sont positifs. Pour cela, nous utiliserons la relation
suivante :
βi Λ
T0,i µ(µ + δi + γi − pi ) βi S̄
= = .
T0,1 β1 Λ µ + δi + γi − pi
µ(µ + δ1 + γ1 − p1 )
De cette relation, nous déduisons l’inégalité
2
γi − pi T0,i γi − pi T0,i
( ) = < 1. (2.5)
βi S̄ T0,1 µ + δi + γi − pi T0,1
En utilisant la relation endémique Λ = β1 S̄ I¯1 − (γ1 − p1 )I¯1 + µS̄, la dérivée de V le long des trajectoires
du système (5.4) est
S̄ µ + δ1 I¯1
V̇ = (1 − ) Ṡ + (1 − ) I˙1
S µ + δ1 + γ1 − p1 I1
n 2
⎛ γi − pi T0,i ⎞
+∑ 1− ( ) (βi SIi − (µ + δi + γi − pi )Ii ) .
i=2 ⎝ βi S̄ T0,1 ⎠
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
C
qui peut aussi être écrite sous le forme

n n
V̇ = β1 S̄ I¯1 − (γ1 − p1 )I¯1 + µS̄ − β1 SI1 − ∑ βi SIi + (γ1 − p1 )I1 + ∑(γi − pi )Ii − µS
i=2 i=2
n n
S̄
− (β1 S̄ I¯1 − (γ1 − p1 )I¯1 + µS̄ − β1 SI1 − ∑ βi SIi + (γ1 − p1 )I1 + ∑(γi − pi )Ii − µS)
S i=2 i=2
µ + δ1
+ [β1 SI1 − (µ + δ1 + γ1 − p1 )I1 − β1 S I¯1 + (µ + δ1 + γ1 − p1 )I¯1 ] + C.
µ + δ1 + γ1 − p1
S S̄
= [µS̄ + (µ + δ1 )I¯1 + (γ1 − p1 )I1 ] (2 − − ) + (2.6)
S̄ S
n
S̄
∑ (γi − pi − βi S − (γi − pi − βi S)) Ii + C.
i=2 S
Finalement nous décomposons V̇ en somme de trois expressions :

n
S S̄ S̄
V̇ = [µS̄ + (µ + δ1 )I¯1 + (γ1 − p1 )I1 ] (2 − − ) + ∑ (γi − pi − βi S − (γi − pi − βi S)) Ii + C.
S̄ S i=2 S
20
En utilisant la relation
βi Λ
T0,i µ(µ + δi + γi − pi ) βi S̄
= = .
T0,1 β1 Λ µ + δi + γi − pi
µ(µ + δ1 + γ1 − p1 )
Nous avons :
n ⎛ 2
γi − pi T0,i ⎞
C =∑ 1− ( ) [βi SIi − (µ + δi + γi − pi ) Ii ] .
i=2 ⎝ βi S̄ T0,1 ⎠
qui peut être écrite comme
n ⎛ 2
T0,1 S T0,i T0,i ⎞
C = ∑ βi S − βi S̄ ( ) − (γi − pi ) ( ) + (γi − pi ) ( ) Ii . (2.7)
i=2 ⎝ T0,i S̄ T0,1 T0,1 ⎠
Notons B la somme des deux derniers termes dans V̇ , i.e.,

n
S̄
B = ∑ (γi − pi − βi S − (γi − pi − βi S)) Ii + C.
i=2 S
Alors, en utilisant la relation (2.7)

n
S̄
B = ∑ [γi − pi − βi S − (γi − pi ) + βi S̄] Ii
i=2 S
n ⎡ 2 ⎤
⎢
⎢ T0,1 S T0,i T0,i ⎥⎥
+ ∑ ⎢βi S − βi S̄ ( ) − (γi − pi ) ( ) + (γi − pi ) ( ) Ii .
i=2 ⎢ T0,i S̄ T0,1 T0,1 ⎥⎥
⎣ ⎦
Donc,
n ⎡ 2 ⎤
⎢
⎢ S̄ T0,1 S T0,i T0,i ⎥⎥
B = ∑ ⎢(γi − pi ) + βi S̄ − (γi − pi ) − βi S̄ ( ) − (γi − pi ) ( ) + (γi − pi ) ( ) Ii
i=2 ⎢ S T0,i S̄ T0,1 T0,1 ⎥⎥
⎣ ⎦
D’après l’inégalité entre les moyennes arithmétique et géométrique, nous avons
¿
2 Á 2
S̄ S T0,i Á
À 2
T0,i
− (γi − pi ) − (γi − pi ) ( ) ≤ −2 (γi − pi ) ( )
S S̄ T0,1 T0,1
Par conséquent, avec l’ hypothèse γi ≥ pi , nous déduisons des inégalités précédentes
n T0,i T0,1 T0,i

B ≤ ∑ [−2(γi − pi ) + γi − pi + βi S̄ − βi S̄ + (γi − pi ) ] Ii
i=2 T0,1 T0,i T0,1
n T0,i T0,1
≤ ∑ [(γi − pi ) (1 − ) + βi S̄ (1 − )] Ii .
i=2 T0,1 T0,i
T0,1 T0,1
Puisque γi − pi ≤ µ + γi + δi − pi = βi S̄ , avec > 1, pour chaque indice i = 2, ⋯, n, les inégalités
T0,i T0,i
suivantes
T0,i T0,1 T0,1 T0,i T0,1

[(γi − pi ) (1 − ) + βi S̄ (1 − )] Ii ≤ (βi S̄ (1 − ) + βi S̄ (1 − )) Ii = 0.
T0,1 T0,i T0,i T0,1 T0,i
21
Cette relation prouve que B ≤ 0. Ainsi V̇ est majorée par la première expression
S S̄
V̇ ≤ [µS̄ + (µ + δ1 )I¯1 + (γ1 − p1 )I1 ] (2 − − ).
S̄ S
Puisque γ1 ≥ p1 , utilisant encore les inégalités entre les moyennes arithmétique et géométrique,
nous obtenons V̇ ≤ 0.
Par le théorème de Lyapunov ceci prouve la stabilité de l’équilibre endémique.
Pour prouver la stabilité asymptotique, nous allons utiliser le principe d’invariance de LaSalle [77, 79,
51]. Rappelons l’expression de V̇ :
n
S S̄ S̄
V̇ = (µS̄ + (µ + δ1 )I¯1 + (γ1 − p1 )I1 ) (2 − − ) + ∑ (γi − pi − βi S − (γi − pi − βi S)) Ii + C. (2.8)
S̄ S i=2 S
Nous devrons trouver les points (S, I1 , ⋯, In ) pour lesquels V̇ = 0

Nous avons vu que V est la somme de trois quantités positives ou nulles. Le premier terme, une
fonction définie-positive de S, est nulle si et seulement si S = S̄.
Le second terme, avec S = S̄, est égal à zéro puisque
n
S̄
∑ (γi − pi − βi S − (γi − pi − βi S)) Ii ∣ = 0.
i=2 S S=S̄
Finalement,
n ⎛ 2
γi − pi T0,i ⎞
C = ∑ 1− ( ) (βi SIi − (µ + δi + γi − pi )Ii )
i=2 ⎝ βi S̄ T0,1 ⎠
n ⎛ 2
γi − pi T0,i ⎞
= ∑ 1− ( ) (βi S̄ − (µ + δi + γi − pi )) Ii
i=2 ⎝ βi S̄ T0,1 ⎠
n ⎛ 2
γi − pi T0,i ⎞ T0,1
= ∑ 1− ( ) (βi S̄ − βi S̄ ) Ii
i=2 ⎝ βi S̄ T0,1 ⎠ T0,i
n 2
⎛ γi − pi T0,i ⎞ T0,1
= ∑ 1− ( ) βi S̄ (1 − ) Ii .
i=2 ⎝ β i S̄ T 0,1 ⎠ T0,i
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶
>0 <0
Ainsi C = 0 si et seulement si chaque Ii = 0 pour i = 2, ⋯, n.

Nous avons trouvé que V̇ = 0 implique S = S̄ et Ii = 0 pour i = 2, ⋯, n. On conclut par le principe
de Lasalle, que le plus grand ensemble invariant est réduit à l’équilibre endémique. Ceci termine la
preuve du théorème.
βi Λ Λ
Pour chaque souche, nous avons défini T0,i = = .
µ(µ + γi + δi − pi ) µS̄i
Nous avons montré, que la souche qui l’emporte est celle maximise le seuil T0,i , donc minimise S̄i .
Ce résultat est analogue à ceux obtenu dans [61]. Ceci peut être interprété comme un principe de
pessimization [35].
22
2.3 Modèle SIR SIS et SIRS multi-souches
2.3 Modèle SIR
Dans cette section, nous considérons un modèle SIR où une proportion des infectés peut guérir
et avoir une totale immunité pour toute les souches. Pour ce modèle nous avons le système suivant :
Λ- ( p1I1 + p2I2 + .... + pnIn )
S
β1SI1
μ βnSIn
βjSIj γn
γ1 γj
I1 ..... .... Ij ..... .... In
μ+δj pnIn
μ+δn
p1I1 pjIj
μ+δ1
ν1 νj νn
Figure 2.2 – Un modèle SIR avec n souches
⎧ n n
⎪
⎪
⎪ Ṡ = Λ − ∑ βi SIi + ∑(γi − pi )Ii − µS,
⎪
⎪
⎪
⎪
⎪ i=1 i=1
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎨ I˙i = βi SIi − (µ + δi + νi + γi − pi )Ii i = 1, . . . , n (2.9)
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ n
⎪
⎪
⎪ Ṙ = ∑ νi Ii − µR
⎪
⎪
⎩ i=1
Puisque R n’est pas présent dans les n+1 premières équations, nous avons un système triangulaire.
Nous sommes dans un domaine compact. Par le théorème de Vidyasagar [131], pour étudier la stabilité,
il est suffisant d’étudier le système composé par les n + 1 premières équations. Ainsi, les résultats ci-
dessus pour le système SIS multi-souches (5.4) sont valides pour le système SIR (2.9) avec la même
fonction de Lyapunov en remplaçant δi par δi′ = δi + νi .
2.4 Simulations numériques

Une image vaut mieux qu’un long discours dit-on. Dans cette section, on illustre les résultats des
sections précédentes par des simulations numériques.
23
2.5 Conclusion SIS et SIRS multi-souches
Figure 2.3 – Cas du DFE où toutes les souches disparaissent : Avec les paramètres Λ = 20, β1 =
0.05, β2 = 0.05, β3 = 0.03, β4 = 0.05, β5 = 0.05, β6 = 0.06, µ = 0.9; γ1 = 0.6, γ3 = 0.9, γ5 = 1.4, γ2 =
1.5, γ4 = 1.9, γ6 = 0.7, p1 = 0.3, p2 = 0.01, p3 = 0.03, p4 = 0.025, p5 = 0.03, p6 = 0.08, δ1 = 0.2, δ3 =
0.85, δ5 = 0.98, δ2 = 0.85, δ4 = 0.8, δ6 = 0.05., on a les inégalités : Ti < 1∀i ∈ {1, . . . , 6}. Comme on le
voit dans la figure, toutes les souches disparaissent.
Dans le cas non générique, où Ti = Tj > 1, on vu qu’il y a coexistence. C’est ce que illustre la figure
2.4.
2.5 Conclusion
Dans ce chapitre nous avons considéré un modèle SIS et un modèle SIR avec la loi d’action de
masse et une population non constante, avec n différentes souches d’une maladie infectieuse. Nous
avons aussi considéré le même modèle avec transmission verticale. On a prouvé que sous des condi-
tions génériques le principe de compétition exclusive est vérifié. Pour chaque souche un nombre de
reproduction de base a été défini, qui correspond au cas où cette souche est la seule à exister. Le
nombre de reproduction de base pour le système complet est le maximum de tout les nombres de
reproduction de base pris individuellement.
En fait nous avons défini un seuil équivalent pour chaque souche. La souche qui emporte la compé-
tition est celle qui maximise ce seuil. Il se trouve que c’est la souche la plus virulente, c’est à dire la
souche qui pour l’équilibre endémique donne le maximum de population infectieuse pour cette souche.
Ceci peut-être interprété comme un principe de pessimisation (O. Diekmann).
24
Figure 2.4 – Un modèle SIS avec 6 souches coexistantes. Avec les paramètres Λ = 20, βi = 0.05 ∀i =
1, . . . , 6, µ = 0.3; γi = 0.9, ∀i = 1, . . . , 6, p1 = 0.3, p2 = 0.2, p3 = 0.3, p4 = 0.2, p5 = 0.3, p6 = 0.2, δ1 =
δ3 = δ5 = 0.2, δ2 = δ4 = δ6 = 0.5., on a les inégalités : Ti = Tj > 1, ∀(i, j) ∈ {1, . . . , 6}. Toutes les souches
coexistent.
Comme nous l’avons mentionné plus haut, nous avons modélisé le contact d’un susceptible avec
un infectieux par la loi d’action de masse standard (bilinéaire) pour une population à dynamique
non constante. Ceci est un peu simplificateur pour certaines maladies ou la transmission des patho-
gènes [31, 97]. On modélisera, dans le chapitre suivant, le contact avec la loi de l’action de masse
(frequency-dependent transmission) βSI N où N est la population totale. On verra si avec ce change-
ment, les mêmes résultats tiendront.
Les résultats de ce chapitre [21] sont soumis pour publication au Applied Mathematics and Com-
putation. Il est disponible en préprint au http://hal.inria.fr/hal-00677609.
25
Figure 2.5 – Cas où il y a une compétition exclusive : Avec les paramètres Λ = 20, β1 = 0.45, β2 =
0.05, β3 = 0.5, β4 = 0.05, β5 = 0.05, β6 = 0.5, µ = 0.9; γ1 = 0.3, γ3 = 0.9, γ5 = 1.4, γ2 = 1.5, γ4 =
1.9, γ6 = 0.9, p1 = 0.3, p2 = 0.01, p3 = 0.03, p4 = 0.025, p5 = 0.03, p6 = 0.08, δ1 = 0.2, δ3 = 0.85, δ5 =
0.98, δ2 = 0.85, δ4 = 0.8, δ6 = 0.05., on a les inégalités : T1 > T6 > T3 > 1 > T2 > T4 > T5 . Comme on le
voit dans la figure, la souche 1 remporte la compétition tant disque les autres souches disparaissent.
26
CHAPITRE 3
Stabilité globale des modèles épidémiques
SIS et SIRS avec la loi de l’action de masse
Vous avez essayé le mieux que vous pouviez et vous avez

échoué misérablement. La leçon : ne jamais essayer !
— Homer Simpsons, Les Simpsons
Sommaire
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.1 Mise en équation et stabilité du DFE . . . . . . . . . . . . . . . . . . . . . . . 28
3.2 Non existence des orbites fermées . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.3 Stabilité globale de l’équilibre intérieur . . . . . . . . . . . . . . . . . . . . . . 34
3.4 Stabilité des équilibres frontières . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
Introduction
Jusqu’ici nous avons modélisé le contact par la loi de l’action de masse bilinéaire βSI, c’est-à-
dire dans le cas où le nombre de rencontres des individus susceptibles avec les autres membres de la
population hôte dépends de la taille de la population. Cette hypothèse s’avère assez simplificatrice pour
les maladies humaines. Une bonne illustration est donnée par Keeling et Rohani [66], où un individu
à New York ( 8 millions d’habitants) ne transmet pas nécessairement 50 fois plus qu’un individus
habitant de Cambridge (130 000 habitants) en Angleterre. L’autre alternative, mais pas la seule, est
de supposer que le nombre de rencontre d’un individu susceptible dans une population donnée est
27
3.1 Mise en équation et stabilité du DFE SIS et SIRS avec la loi de l’action de masse
constante. Dans ce cas le contact est modélisé par SI
N où N désigne la population totale. C’est la loi
de l’action de masse standard. Notons cependant que toute la nomenclature et la pertinence liées à
la modélisation du contact dans les maladies infectieuses sont liées à des controverses et même des
confusions [97]. Considérons le modèle suivant :
⎧ SI1 SI2
⎪
⎪
⎪ Ṡ = bN − β1 − β2 − µS + γ1 I1 + γ2 I2
⎪
⎪
⎪ N N
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ SI1
⎨ I˙1 = β1 − (µ + γ1 + δ1 )I1 (3.1)
⎪
⎪
⎪ N
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ SI2
⎪
⎪
⎪ I˙2 = β2 − (µ + γ2 + δ2 )I2
⎩ N
où S est la population des susceptibles, Ij , (j = 1, 2), les infectieux de la souche j. b est le taux
de naissance et µ la mortalité naturelle et δi la mortalité dû à la maladie. La maladie considérée ne
confère pas une immunité permanente et les guéris de la souche i redeviennent susceptibles avec une
vitesse γi . Si γ1 = γ2 = 0, ce modèle deviens un SI1 I2 et a été étudié par Allen et al. [5]. Ces auteurs
disent à la fin de leur papier que leur résultat peut être étendu pour un modèle SI1 I2 S sans aller
plus loin. Leur étude de la stabilité se base sur le théorème de Poincaré-Bendixson et un résultat de
Busenberg et van den Driessche [23]. Ici, nous utiliserons essentiellement les méthodes de Lyapunov
pour établir les résultats de stabilité de ce modèle. De plus, comme les auteurs le remarquent, les
conditions de stabilité des équilibres données dans [5] n’ont pas toutes des interprétations biologiques.
Ceci n’est pas le cas dans ce travail.
3.1 Mise en équation et stabilité du DFE

Dans le modèle (3.1), la dynamique de la population totale est donné par : Ṅ = (b−µ)N −δ1 I1 −δ2 I2 .
S I1 I2 Ṅ
En passant aux proportions, on pose s = , i1 = et i2 = . Sachant que N = (b − µ) −
N N N
δ1 i1 − δ2 i2 , on obtient le système :
⎧
⎪
⎪
⎪
⎪ ṡ = b − µs − β1 si1 − β2 si2 + γ1 i1 + γ2 i2 − [(b − µ) − δ1 i1 − δ2 i2 ] s,
⎪
⎪
⎪
⎨ i˙1 = i1 [β1 s − γ1 − δ1 − b + δ1 i1 + δ2 i2 ] (3.2)
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎩ i˙2 = i2 [β2 s − γ2 − δ2 − b + δ1 i1 + δ2 i2 ]
Comme s + i1 + i2 = 1, on peut réduire le système (3.2) au système de dimension 2, suivant :

⎧
⎪ i˙1 = i1 [β1 − γ1 − δ1 − b − (β1 − δ1 )i1 − (β1 − δ2 )i2 ]
⎪
⎪
⎨ (3.3)
⎪ ˙
⎩ i2 = i2 [β2 − γ2 − δ2 − b − (β2 − δ1 )i1 − (β2 − δ2 )i2 ]
⎪
⎪
dont sa matrice jacobienne est :
⎛ β1 − δ1 − γ1 − b − 2β1 i1 − β1 i2 + 2δ1 i1 + δ2 i2 −β1 i1 + δ2 i1 ⎞

J =⎜ ⎟
⎝ −β2 i2 + δ1 i2 β2 − γ2 − δ2 − b − β2 i1 − 2β2 i2 + δ1 i1 + 2δ2 i2 ⎠
28
3.2 Non existence des orbites fermées SIS et SIRS avec la loi de l’action de masse
Le système (3.3) admet 4 équilibres : Le DFE (0, 0), deux équilibres frontières (ī1 , 0) et (0, ī2 ) et enfin
un équilibre intérieur (i∗1 , i∗2 ).
L’ensemble
S = {(i1 , i2 ) ∈ R2+ ∣ i1 + i2 ≤ 1}
est un ensemble compact positivement invariant et attractif pour le système (3.3).

L’ équilibre sans maladies est donné par (s∗ , 0, 0) = (1, 0, 0). La matrice jacobienne du système (3.3),
au DFE, est :
⎛ β1 − γ1 − δ1 − b 0 ⎞
J =⎜ ⎟
⎝ 0 β2 − γ2 − δ2 − b ⎠
β2 β1
Ainsi le DFE est localement stable si et seulement si < 1 et < 1. Il existe donc
γ2 + δ 2 + b γ1 + δ 1 + b
β1 β2
un seuil T0 = max{T1 , T2 } avec T1 = et T2 = < 1.
γ1 + δ 1 + b γ2 + δ 2 + b
3.2 Non existence des orbites fermées

Dans cette section, on montre en utilisant les techniques de Busenberg et van den Driessche [23]
qu’il n’existe pas de solutions périodiques. L’utilisation de ce critère nous permettra de montrer qu’il
n’existe pas des orbites fermées et donc les ensembles ω−limites sont réduits aux points d’équilibres.
Rappelons le résultat Busenberg et van den Driessche :
Théorème 3.1 (Corollaire 4.2 [23] ).

Soit S ∈ R3 une surface régulière, orientable telle que toute courbe γ(t) ∈ S, fermée, continue
par morceaux soit la frontière de la surface S ′ ⊂ S. Si γ ∶ R3 → R3 est régulière, f ∶ γ(t) → R3 est
Lipschitz, et f et g satisfont
g(γ(t)) ⋅ f (γ(t)) = 0 (3.4)
et
Ð→ Ð
rot →
g ⋅Ð
→
n >0 sur S (< 0 sur S) (3.5)
où Ð→
n est la normale unité de S, alors γ(t) n’est pas une phase polygone ou une solution
périodique de l’équation différentielle ẋ(t) = f (x(t)).
Selon [23], une phase polygone est une courbe fermé qui connecte plusieurs points d’équilibres dont
les segments entre des équilibres successives sont solutions d’un système d’équations différentielles.
Une bonne illustration pour appliquer cet résultat est donnée par les même auteurs dans la même
source [23]. On va appliquer cette méthode pour notre système pour montrer que ce système n’a pas
de phase polygones.
Pour cela, on considère le système en (s, i1 , i2 ) :

⎧
⎪
⎪
⎪
⎪ ṡ = b − β1 si1 − β2 si2 + γ1 i1 + γ2 i2 − [b − δ1 i1 − δ2 i2 ] s = f1 (s, i1 , i2 ),
⎪
⎪
⎪
⎨ i˙1 = i1 [β1 s − γ1 − δ1 − b + δ1 i1 + δ2 i2 ] = f2 (s, i1 , i2 ) (3.6)
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎩ i˙2 = i2 [β2 s − γ2 − δ2 − b + δ1 i1 + δ2 i2 ] = f3 (s, i1 , i2 )
29
Comme s + i1 + i2 = 1, on peut écrire f1 , f2 et f3 sous les formes équivalentes :
f1 (s, i1 ) = b − β1 si1 − β2 s(1 − s − i1 ) + γ1 i1 + γ2 (1 − s − i1 ) − [b − δ1 i1 − δ2 (1 − s − i1 )] s
f1 (s, i2 ) = b − β1 s(1 − s − i2 ) − β2 si2 + γ1 (1 − s − i2 ) + γ2 i2 − [b − δ1 (1 − s − i2 ) − δ2 i2 ] s
f2 (s, i1 ) = i1 [β1 s − γ1 − δ1 − b + δ1 i1 + δ2 (1 − s − i1 )]
f2 (i1 , i2 ) = i1 [β1 (1 − i1 − i2 ) − γ1 − δ1 − b + δ1 i1 + δ2 i2 ]
f3 (s, i2 ) = i2 [β2 s − γ2 − δ2 − b + δ1 (1 − s − i2 )) + δ2 i2 ]
f3 (i1 , i2 ) = i2 [β2 (1 − i1 − i2 ) − γ2 − δ2 − b + δ1 i1 + δ2 i2 ]
Soit g = g 1 + g 2 + g 3 avec
f3 (i1 , i2 ) f2 (i1 , i2 ) f3 (s, i2 ) f1 (s, i2 )

g 1 (i1 , i2 ) = [0, − , ], g 2 (s, i2 ) = [ , 0, − ],
i1 i2 i1 i2 si2 si2
f2 (s, i1 ) f1 (s, i1 )
g 3 (s, i1 ) = [− , , 0] (3.7)
si1 si1
Donc g = [X, Y, Z] avec :
f3 (s, i2 ) f2 (s, i1 )
X = −
si2 si1
1 1
= [β2 s − δ2 − γ2 − b + δ1 (1 − i2 − s) + δ2 i2 ] − [β1 s − δ1 − γ1 − b + δ1 i1 + δ2 (1 − i1 − s)]
s s
1
= [β2 s − δ2 − γ2 − b + δ1 (1 − i2 − s) + δ2 i2 − β1 s + δ1 + γ1 + b − δ1 i1 − δ2 (1 − i1 − s)]
s
1
= [β2 s − δ2 − γ2 − β1 s + δ1 + γ1 ]
s
f1 (s, i1 ) f3 (i1 , i2 )
Y = −
si1 i1 i2
1
= [ b − β1 si1 − β2 s(1 − i1 − s) + γ1 i1 + γ2 (1 − s − i1 ) − [b − δ1 i1 − δ2 (1 − i1 − s)] s]
si1
1
− [β2 (1 − i1 − i2 ) − δ2 − γ2 − b + δ1 i1 + δ2 i2 ]
i1
et
f2 (i1 , i2 ) f1 (s, i2 )
Z = −
i1 i2 si2
1
= [ β1 (1 − i1 − i2 ) − δ1 − γ1 − b + δ1 i1 + δ2 i2 ]
i2
1
− [ b − β1 s(1 − s − i2 ) − β2 si2 + γ1 (1 − s − i2 ) + γ2 i2 − [b − δ1 (1 − s − i2 ) − δ2 i2 ] s]
si2
On a
1
Xf1 = [β2 s − δ2 − γ2 − β1 s + δ1 + γ1 ] [b − β1 si1 − β2 si2 + γ1 i1 + γ2 i2 − [b − δ1 i1 − δ2 i2 ] s] (3.8)
s
30
et
1
Y f2 + Zf3 = ( [ b − β1 si1 − β2 s(1 − i1 − s) + γ1 i1 + γ2 (1 − s − i1 ) − [b − δ1 i1 − δ2 (1 − i1 − s)] s]
s
(( (
( (((( ⎞
−[β2 (1 − i1 −(i(
2 )(
−(δ2(
− γ2 − b + δ1 i1 + δ2 i2 ] ( β1 s − δ1 − γ1 − b + δ1 i1 + δ2 i2 )
( (
((((
( ⎠
(
((
⎛ (((
+ [ β1 (1 − i1 (
− i() − δ −(γ(−(b(
+ δ1 i1 + δ2 i2 ]
2( 1( ( 1
⎝ (((((
1
− [ b − β1 s(1 − s − i2 ) − β2 si2 + γ1 (1 − s − i2 ) + γ2 i2 − [b − δ1 (1 − s − i2 ) − δ2 i2 ] s])
s
⋅ ( β2 s − δ2 − γ2 − b + δ1 i1 + δ2 i2 )
⎛ ⎞
⎜1 ⎟
= ⎜
⎜ s [ b − β1 si1 − β2 s(1 − i1 − s) + γ1 i1 + γ2 (1 − s − i1 ) − [b − δ1 i1 − δ2 (1 − i1 − s)] s]
⎟
⎟
⎜ ⎟
⎝ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶

⎠
⋅ ( β1 s − δ1 − γ1 − b + δ1 i1 + δ2 i2 )
⎛ ⎞
⎜ 1 ⎟
+⎜
⎜ − s [ b − β1 s(1 − s − i2 ) − β2 si2 + γ1 (1 − s − i2 ) + γ2 i2 − [b − δ1 (1 − s − i2 ) − δ2 i2 ] s]⎟
⎟
⎜ ⎟
⎝ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶⎠
⟐
⋅ ( β2 s − δ2 − γ2 − b + δ1 i1 + δ2 i2 )
Puisque = ⟐, avec s + i1 + i2 = 1, on a donc

1
Y f2 + Zf3 = ([ b − β1 si1 − β2 si2 + γ1 i1 + γ2 i2 − [b − δ1 i1 − δ2 i2 ] s] ) ⋅ ( β1 s − β2 s − δ1 + δ2 − γ1 + γ2 )
s
(3.9)
Ainsi, de (3.8) et (3.9), on a :
g ⋅ f = Xf1 + Y f2 + Zf2 = 0 (3.10)
On a g = [X, Y, Z]. Cherchons l’expression du vecteur ∇ ∧ g. On a :

RRR R
RRR i j k RRRR ⎛ ♣ ⎞
RR RRR ⎜ ⎟
∇ ∧ g = RRRRR ∂s ∂ ∂ ∂ RRR = ⎜ ⎜
⎟
⎟
RRR ∂i1 ∂i2 RRR ⎜ ♠ ⎟
RRR RRR ⎜ ⎟
RR X Y Z RRRR ⎝ ♢ ⎠
On a :
∂Z ∂Y
♣ = −
∂i1 ∂i2
1 1
= (−β1 + δ1 ) + (−β2 + δ2 )
i2 i1
31
∂X ∂Z
♠ = −
∂i2 ∂s
1 1
= (−δ1 + δ2 ) − 2 [b − β1 s(1 − i2 − s) − β2 si2 + γ1 (1 − s − i2 ) + γ2 i2 − [b − δ1 (1 − i2 − s) − δ2 i2 ] s]
s s i2
1
+ [−β1 (1 − i2 − s) + β1 s − β2 i2 − γ1 − [b − δ1 (1 − i2 − s) − δ2 i2 ] − δ1 s ]
si2
(( (
( (((
1 b 1 ((( ( (
= (−δ1 + δ2 ) − 2 − [ − β1 (1 − i2 − s) − (
β2(i2(
−( γ1(−(
[b − δ1 (1 − i2 − s) − δ2 i2 ]]
s s i2 si2 ( (
((((
((( ((((
(((
1 1 (−(δ (1 − i − s) − δ i ] ] + 1 [β s − δ s]
( ( (
− 2 [ γ1 (1 − i2 ) + γ2 ] + [−β1 (1 − i2 − s) − β(
2 i2(−(γ(
1 −([b 1 2 2 2 1 1
s i2 si2 ( (((
( si2
(
1 b 1 1
(( (
= (−δ1 + δ2 ) − − [ γ1 (1 − i2 ) + γ2 i2 ] + [β1 − δ1 ]
s s2 i2 s2 i2 i2
∂Y ∂X
♢ = −
∂s ∂i1
1
= − 2 [ b − β1 si1 − β2 s(1 − i1 − s) + γ1 i1 + γ2 (1 − s − i1 ) − [b − δ1 i1 − δ2 (1 − i1 − s)] s]
s i1
1 1
+ [ − β1 i1 − β2 (1 − i1 − s) + β2 s − γ2 − [b − δ1 i1 − δ2 (1 − i1 − s)] − δ2 s ] − (−δ1 + δ2 )
si1 s
(
(
(((
b 1 1 ((((
= − − [ γ1 i1 + γ2 (1 − i1 )] − [ − β1 i1 − β2 (1 − i1(
− s)(
−( ((((
γ2(− [b − δ1 i1 − δ2 (1 − i1 − s)]]
s2 i 1 s2 i1 si1 ( ( ( ( ( (
(((( ( ((((
(
(
1 ((((
( 1 1
+ [ − β1 i1 − β2 (1 − i1(
−(s)(
−(γ2(−(
[b − δ1 i1 − δ2 (1 − i1 − s)] ] + [β2 s − δ2 s] − (−δ1 + δ2 )
si1 (( si1 s
((((
1 ((( 1 1
= − ( b + γ1 i1 + γ2 (1 − i1 )) + [β2 − δ2 ] + (δ1 − δ2 )
s2 i1 i1 s
Un vecteur normal de l’ensemble {s ≥ 0, i1 ≥ 0, i2 ≥ 0, s + i1 + i2 = 1} est Ð
→
n = (1, 1, 1). Cherche donc le
signe de∇ ∧ g ⋅ (1, 1, 1). On a :
∇ ∧ g ⋅ (1, 1, 1) = ♣ + ♠ + ♢
1 1
= (−β1 + δ1 ) + (−β2 + δ2 )
i2 i1
1 b 1 1
+ (−δ1 + δ2 ) − 2 − 2 [ γ1 (1 − i2 ) + γ2 i2 ] + [β1 − δ1 ]
s s i2 s i2 i2
1 1 1
− 2 ( b + γ1 i1 + γ2 (1 − i1 )) + [β2 − δ2 ] + (δ1 − δ2 )
s i1 i1 s
b 1 1 b b
= − 2 [ + ] − 2 ( γ1 (1 − i2 ) + γ2 i2 ) − 2 ( γ1 i1 + γ2 (1 − i1 ))
s i1 i2 s i2 s i1
< 0 car i1 , i2 ∈ S
Ainsi, notre système (3.2) n’a pas de phase polygones ou des solutions périodiques. Maintenant,
on étudiera la stabilité des équilibres de ce système en utilisant les techniques de Lyapunov.
Dans toute la suite on considérera le système plan (3.3), en i1 et i2 .
32
Théorème 3.2.
Si T0 < 1, alors le DFE est globalement asymptotiquement stable. Si T0 > 1, le DFE est instable.
Preuve.
On considère la fonction de Lyapunov Lasalle : V = i1 + i2 . En dérivant le long des trajectoires de
(3.3), on obtient :
V̇ = β1 (1 − i1 − i2 )i1 − (γ1 + δ1 )i1 − [b − δ1 i1 − δ2 i2 ] i1

+β2 (1 − i1 − i2 )i2 − (γ2 + δ2 )i2 − [b − δ1 i1 − δ2 i2 ] i2
= (1 − i1 − i2 )(β1 i1 + β2 i2 ) − i1 (γ1 + δ1 + b) + (δ1 i1 + δ2 i2 )(i1 + i2 ) − i2 (γ2 + δ2 + b)
= (1 − i1 − i2 )(β1 i1 + β2 i2 ) + (δ1 i1 + δ2 i2 )(−1 + i1 + i2 ) − i1 (γ1 + b) − i2 (γ2 + b)
= (1 − i1 − i2 )((β1 − δ1 )i1 + (β2 − δ2 )i2 ) − i1 (γ1 + b) − i2 (γ2 + b)
= (1 − i1 − i2 )(((γ1 + δ1 + b)T 1 − δ1 )i1 + ((γ2 + δ2 + b)T 2 − δ2 )i2 ) − i1 (γ1 + b) − i2 (γ2 + b)
= δ1 (T 1 − 1)si1 + δ2 (T 2 − 1)si2 + (γ1 + b)(T 1 s − 1)i1 + (γ2 + b)(T 2 s − 1)i2
≤ 0 car s ≥ 0 et T 1 < 1, T 2 < 1
Figure 3.1 – Portrait de phase dans le cas du DFE où toutes les souches disparaissent : Avec les
paramètres b = 0.5, β1 = 0.6, β2 = 0.3, γ1 = 0.5, γ2 = 0.2, δ1 = 0.4, δ3 = 0.3, on a les inégalités :
Ti < 1∀i ∈ {1, 2}. Les deux courbes représentant i1 et i2 tendent vers 0, ce qui correspond au DFE.
33
3.3 Stabilité globale de l’équilibre intérieur SIS et SIRS avec la loi de l’action de masse
3.3 Stabilité globale de l’équilibre intérieur
Dans cette partie on suppose sans perte de généralité que
β1 > β2 (3.11)
Par ailleurs comme mentionné dans [5], la virulence δ est généralement est une fonction croissante de
β [7, 11, 12, 22]. Ainsi (3.11) implique
δ1 > δ2 (3.12)
L’équilibre intérieur endémique est la solution positive du système :

⎧
⎪ ∗ ∗
⎪ β1 − γ1 − δ1 − b − (β1 − δ1 )i1 − (β1 − δ2 )i2 = 0
⎪
⎨
⎪ ∗ ∗
⎩ β2 − γ2 − δ2 − b − (β2 − δ1 )i1 − (β2 − δ2 )i2 = 0
⎪
⎪
De la première équation de ce système on tire

β1 − γ1 − δ1 − b − (β1 − δ2 )i∗2
i∗1 =
β1 − δ1
La deuxième équation donne
β1 − γ1 − δ1 − b − (β1 − δ2 )i∗2
0 = β2 − γ2 − δ2 − b − (β2 − δ1 ) − (β2 − δ2 )i∗2 = 0
β1 − δ1
β2 − δ2 i∗2
0 = β2 − γ2 − δ2 − b − (β1 − γ1 − δ1 − b) + ((β2 − δ1 )(β1 − δ2 ) − (β1 − δ1 )(β2 − δ2 ))
β1 − δ1 β1 − δ1
γ1 + b i∗2
0 = β2 − γ2 − δ2 − b − (β2 − δ1 ) (1 − )+ (δ2 − δ1 )(β1 − β2 )
β1 − δ1 β1 − δ1
γ1 + b i∗2
0 = δ1 − γ2 − δ2 − b + (β2 − δ1 ) + (δ2 − δ1 )(β1 − β2 )
β1 − δ1 β1 − δ1
(δ1 − γ2 − δ2 − b)(β1 − δ1 ) + (β2 − δ1 )(γ1 + b) i∗2
0 = + (δ2 − δ1 )(β1 − β2 )
β1 − δ1 β1 − δ1
(δ1 − γ2 − δ2 + γ1 − γ1 − b)(β1 − δ1 ) + (β2 − δ1 )(γ1 + b) i∗2
0 = + (δ2 − δ1 )(β1 − β2 )
β1 − δ1 β1 − δ1
(δ1 − γ2 − δ2 + γ1 )(β1 − δ1 ) − (γ1 + b)(β1 − δ1 ) + (β2 − δ1 )(γ1 + b) i∗2
0 = + (δ2 − δ1 )(β1 − β2 )
β1 − δ1 β1 − δ1
(δ1 − γ2 − δ2 + γ1 )(β1 − δ1 ) − (γ1 + b)(β1 − β2 ) i∗2
0 = + (δ2 − δ1 )(β1 − β2 )
β1 − δ1 β1 − δ1
Ainsi,
(δ1 − δ2 + γ1 − γ2 )(β1 − δ1 ) − (γ1 + b)(β1 − β2 )
i∗2 =
(δ2 − δ1 )(β2 − β1 )
De même, on a :
(δ2 − δ1 − γ1 + γ2 )(β2 − δ2 ) − (γ2 + b)(β2 − β1 )

i∗1 =
(δ2 − δ1 )(β2 − β1 )
On obtient aussi
δ2 − δ1 − γ1 + γ2
s∗ =
β2 − β1
34
Théorème 3.3. Si β1 > δ1 ,T1 > 1, et β2 > δ2 , et T2 et β1 > δ2 alors l’équilibre endémique (i∗1 , i∗2 )
est GAS.
Preuve.
Si β1 < δ2 , alors avec (3.11) et (3.12), on aura l’inégalité
β2 < β1 < δ2 < δ1
Or cette inégalité implique que T1 < 1 et T2 < 1. C’est donc la condition de la stabilité globale du DFE.
Ainsi l’équilibre l’intérieur n’est soit pas dans S soit est instable.
Ainsi on va supposer dans toute la suite de la preuve que
β1 > δ2
Supposons que β 2 < δ1 et considérons la fonction de Lyapunov :
1 i1 1 i2
V (i1 , i2 ) = (i1 − i∗1 − i∗1 log ∗ ) + (i2 − i∗2 − i∗2 log ∗ )
β1 − δ2 i1 −β2 + δ1 i2
Si δ2 < β1 et β2 < δ1 , il est clair que V est définie positive. La dérivée de V le long des trajectoires est
donnée par :
1 i̇1 1 i̇2
V̇ = [i̇1 − i∗1 ] + [i̇2 − i∗2 ]
β1 − δ2 i1 −β2 + δ1 i2
1 i∗ 1 i∗
= [1 − 1 ] i̇1 + [1 − 2 ] i̇2
β1 − δ2 i1 −β2 + δ1 i2
1 i̇1 1 i̇2
= [i1 − i∗1 ] + [i2 − i∗2 ]
β1 − δ2 i1 −β2 + δ1 i2
1 ∗
= [i1 − i1 ] [β1 (1 − i1 − i2 ) − δ1 − γ1 − b + δ1 i1 + δ2 i2 ]
β1 − δ2
1
+ [i2 − i∗2 ] [β2 (1 − i1 − i2 ) − δ2 − γ2 − b + δ1 i1 + δ2 i2 ]
−β2 + δ1
1
= [i1 − i∗1 ] [(−β1 + δ1 )i1 + β1 − δ1 − γ1 − b + (−β1 − δ2 )i2 ]
β1 − δ2
[i2 − i∗2 ]
+ [(−β2 + δ1 )i1 + β2 − δ2 − γ2 − b + (−β2 + δ2 )i2 ]
−β2 + δ1
Par les relations endémiques :
⎧
⎪ ∗ ∗ ∗ ∗
⎪ 0 = β1 (1 − i1 − i2 ) − δ1 − γ1 − b + δ1 i1 + δ2 i2
⎪
⎨
⎪ ∗ ∗ ∗ ∗
⎩ 0 = β2 (1 − i1 − i2 ) − δ2 − γ2 − b + δ1 i1 + δ2 i2
⎪
⎪
nous avons :
β1 − δ1 − γ1 − b = (β1 − δ1 )i∗1 + (β1 − δ2 )i∗2 et β2 − δ2 − γ2 − b = (β2 − δ1 )i∗1 + (β2 − δ1 )i∗2
35
Ainsi, nous avons
[i1 − i∗1 ]
V̇ = [(−β1 + δ1 )i1 + (β1 − δ1 )i∗1 + (β1 − δ2 )i∗2 + (−β1 − δ2 )i2 ] +
β1 − δ2
[i2 − i∗2 ]
[(−β2 + δ1 )i1 + (β2 − δ1 )i∗1 + (β2 − δ2 )i∗2 + (−β2 + δ2 )i2 ]
−β2 + δ1
[i1 − i∗1 ] [i2 − i∗2 ]
= [(−β1 + δ1 )(i1 − i∗1 ) + (β1 − δ2 )(i∗2 − i2 )] + [(−β2 + δ1 ) (i1 − i∗1 ) + (β2 − δ2 ) (i∗2 − i2 )]
β1 − δ2 −β2 + δ1
(−β1 + δ1 ) (β2 − δ 2 )
= (i1 − i∗1 )2 + (i1 − i∗1 )(i∗2 − i2 ) + (i∗ − i2 )2 + (i2 − i∗2 )(i1 − i∗1 )
β1 − δ2 β2 − δ1 2
β1 − δ1 β2 − δ2
= (i1 − i∗1 )2 + (i2 − i∗2 )2
−β1 + δ2 β2 − δ1
≤ 0 parceque δ2 < β1 , β2 < δ1 and T 1 > 1, T 2 > 1
Ainsi V̇ est définie négative. Ainsi l’équilibre interieur (i∗1 , i∗2 ) est GAS.
Suppossons maintenant que β 2 > δ1 et considerons la fonction de Lyapunov
i1 β1 − δ2 i2
V (i1 , i2 ) = (i1 − i∗1 − i∗1 log )+ (i2 − i∗2 − i∗2 log ∗ )
i1
∗ β2 − δ1 i2
Comme β1 > δ2 et β2 > δ1 , V est définie positive. La derivée de V le long des trajectoires est,
i̇1 β1 − δ2 i̇2
V̇ = [i1 − i∗1 ] + [i2 − i∗2 ]
i1 β2 − δ1 i2
Comme précédemment, en utilisant les relations endémiques, nous avons
V̇ = [i1 − i∗1 ] [(−β1 + δ1 )i1 + (β1 − δ1 )i∗1 + (β1 − δ2 )i∗2 + (−β1 + δ2 )i2 ] +
β1 − δ2
[i2 − i∗2 ] [(−β2 + δ1 )i1 + (β2 − δ1 )i∗1 + (β2 − δ2 )i∗2 + (−β2 + δ2 )i2 ]
β2 − δ1
= [i1 − i∗1 ] [(−β1 + δ1 )(i1 − i∗1 ) + (−β1 + δ2 )(i2 − i∗2 )]
β1 − δ2
+ [i2 − i∗2 ] [(−β2 + δ1 ) (i1 − i∗1 ) + (−β2 + δ2 ) (i2 − i∗2 )]
β2 − δ1
= −(β1 − δ1 )(i1 − i∗1 )2 + (−β1 + δ2 )(i1 − i∗1 )(i2 − i∗2 ) + (−β1 + δ2 )(i∗2 − i2 )(i1 − i∗1 )
(β1 − δ2 )
+ (−β2 + δ2 )(i∗2 − i2 )2
β2 − δ1
(β1 − δ2 )
= −(β1 − δ1 )(i1 − i∗1 )2 + 2(−β1 + δ2 )(i1 − i∗1 )(i2 − i∗2 ) + (−β2 + δ2 )(i∗2 − i2 )2
β2 − δ1
Posons X = i1 − i∗1 et Y = i2 − i∗2 . Ainsi V̇ donne :
(β1 − δ2 )
V̇ = −(β1 − δ1 )X 2 + 2(−β1 + δ2 )XY + (−β2 + δ2 )Y 2
β2 − δ1
qui est une forme quadratique dont la matrice associée est :
⎛ −(β1 − δ1 ) (−β1 + δ2 ) ⎞
A=⎜ ⎟
(β1 −δ2 )
⎝ (−β1 + δ2 ) β2 −δ1 (−β 2 + δ2 ⎠
)
36
V̇ est définie négative si la matrice A est définie négative. Nous avons
>0
³¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ·¹¹ ¹ ¹ ¹ ¹ ¹ ¹ µ
(β1 − δ2 )
Tr(A) = − (β1 − δ1 ) − (β2 − δ2 )
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ β2 − δ1 ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
>0 ´¹¹ ¹ ¹ ¸¹¹ ¹ ¹ ¶ >0
>0
< 0 (3.13)
et
(β1 − δ2 )
det(A) = (−β1 + δ1 ) (−β2 + δ2 ) − (β1 − δ2 )2
β2 − δ1
1
= (β1 − δ2 ) [(−β1 + δ1 )(−β2 + δ2 ) − (β1 − δ2 )]
β2 − δ1
β1 − δ2
= [ (β1 − δ1 )(β2 − δ2 ) − (β1 − δ2 )(β2 − δ1 )] (3.14)
β2 − δ1
β1 − δ2
Notons que > 0. Alors det(A) > 0 iff (β1 − δ1 )(β2 − δ2 ) − (β1 − δ2 )(β2 − δ1 ) > 0.
β2 − δ1
Nous avons :
(β1 − δ1 )(β2 − δ2 ) − (β1 − δ2 )(β2 − δ1 ) = (β1 − δ1 )(β2 − δ2 ) − (β1 − δ1 + δ1 − δ2 )(β2 − δ1 )

= (β1 − δ1 )(β2 − δ2 ) − (β1 − δ1 )(β2 − δ1 ) − (δ1 − δ2 )(β2 − δ1 )
= (β1 − δ1 )(β2 − δ2 − β2 + δ1 ) − (δ1 − δ2 )(β2 − δ1 )
= (β1 − δ1 )(δ1 − δ2 ) − (δ1 − δ2 )(β2 − δ1 )
= (δ1 − δ2 )(β1 − δ1 − β2 + δ1 )
= (δ1 − δ2 )(β1 − β2 )
> 0 (3.15)
Par (3.14) et (3.15), on conclut que :

det(A) > 0 (3.16)
Par (3.13) et (3.16), la matrice A est définie négative et donc V̇ est définie négative.
Ceci termine la preuve.
37
3.4 Stabilité des équilibres frontières SIS et SIRS avec la loi de l’action de masse
Figure 3.2 – Portrait de phase dans le cas où l’équilibre frontière (i∗1 , i∗2 ) est stable. Avec les paramètres
b = 0.1, β1 = 0.98, β2 = 0.78, γ1 = 0.115, γ2 = 0.19, δ1 = 0.62, δ2 = 0.42, on a les inégalités du théorème
3.3 sont satisfaites. Les courbes tendent vers (i∗1 , i∗2 ).
3.4 Stabilité des équilibres frontières

Il y a deux équilibres frontières pour le système (3.3) qui sont (ī1 , 0) et (0, ī2 ) telles que
β1 − δ1 − γ1 − b β2 − δ2 − γ2 − b
ī1 = ī2 =
β1 − δ1 β2 − δ2
On a ī1 ∈ S ⇐⇒ β1 > δ1 et T1 > 1. En effet :
ī1 ≤ 1 (3.17)
β1 − δ1 − γ1 − b
⇐⇒ ≤1
β1 − δ1
γ1 + b
⇐⇒ 1− ≤1
β1 − δ1
γ1 + b
⇐⇒ ≥0
β1 − δ1
⇐⇒ β1 − δ1 > 0
On vérifie aussi que ī1 ≥ 0 ⇐⇒ T1 > 1. De même, on montre que
ī2 ∈ S ⇐⇒ β2 > δ2 et T2 > 1.
38
Par les théorèmes 3.2 et 3.3, les seuls cas qui restent sont :
c1 β1 < δ1 , T1 < 1, β2 > δ2 , T2 > 1 et β1 > δ2 ,
c2 β1 > δ1 , T1 < 1, β2 > δ2 , T2 > 1 et β1 > δ2 ,
c3 β1 > δ1 , T1 > 1, β2 > δ2 , T2 < 1 et β1 > δ2 ,
c4 β1 > δ1 , T1 > 1, β2 < δ2 , T2 < 1 et β1 > δ2 ,
On peut encore synthétiser ces conditions, par exemple dans C4, la condition β1 > δ1 implique
β1 > δ2 car δ1 > δ2 d’après l’hypothèse (3.12). Les cas qui restent sont de donc :
C1 β1 < δ1 , β2 > δ2 , T2 > 1 et β1 > δ2 ,
C2 β1 > δ1 , T1 < 1, β2 > δ2 , T2 > 1
C3 β1 > δ1 , T1 > 1, β2 > δ2 , T2 < 1
C4 β1 > δ1 , T1 > 1, β2 < δ2
On a le
Théorème 3.4. Si C1 ou C2 est vraie,alors l’équilibre frontière (0, ī2 ) est GAS
Preuve.
Si C1 est vraie, on considère la fonction de Lyapunov suivante :
β2 − δ1 i2
VC1 (i1 , i2 ) = i1 + (i2 − ī2 − ī2 log )
−β1 + δ2 ī2
Notons que les hypothèses du théorème 3.4 et les inégalités 3.12 impliquent que β2 < δ1 . En effet,
on a β2 < β1 < δ1 .
®
(3.12)
β2 − δ1
Ainsi, le coefficient est positif.
−β1 + δ2
Ainsi la fonction V (i1 , i2 ) considérée si haut est définie positive. Sa dérivée le long des trajectoires
de (3.3) est :
39
˙ i̇2 β2 − δ1
VC1 = [i2 − ī2 ] + i̇1
i2 −β1 + δ2
= [i2 − ī2 ] [β2 − γ2 − δ2 − b − (β2 − δ1 )i1 − (β2 − δ2 )i2 ]
β2 − δ1
+ i1 [β1 − γ1 − δ1 − b − (β1 − δ1 )i1 − (β1 − δ2 )i2 ]
−β1 + δ2
= [i2 − ī2 ] [(β2 − δ2 )ī2 − (β2 − δ1 )i1 − (β2 − δ2 )i2 ]
β2 − δ1
+ i1 [β1 − γ1 − δ1 − b − (β1 − δ1 )i1 − (β1 − δ2 )i2 ]
−β1 + δ2
= [i2 − ī2 ] [−(β2 − δ2 )(i2 − ī2 ) − (β2 − δ1 )i1 ]
β2 − δ1
+ i1 [β1 − γ1 − δ1 − b − (β1 − δ1 )i1 − (β1 − δ2 )i2 ]
−β1 + δ2
β2 − δ1
= −(β2 − δ2 )(i2 − ī2 )2 + (β2 − δ1 )i1 ī2 + i1 [β1 − δ1 − γ1 − b − (β1 − δ1 )i1 ]
−β1 + δ2
⎡ ⎤
2 β2 − δ1 ⎢⎢ ⎥
⎥
= −(β2 − δ2 )(i2 − ī2 ) + (β2 − δ1 )i1 ī2 + i1 ⎢(β1 − δ1 ) (1 − i1 ) −γ1 − b⎥
−β1 + δ2 ⎢⎢´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ ´¹¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¶ ⎥
⎥
⎣ <0 >0 ⎦
≤ 0
De plus V̇ (i1 , i2 ) = 0 ⇐⇒ i2 = ī2 et i1 = 0. Par le théorème de Lyapunov, l’équilibre frontière

(0, ī2 ) est globalement asymptôtiquement stable.
Si C2 est vraie. Il y a deux possibilités : β2 < δ1 ou β2 > δ1

Si β2 < δ1 , alors la même fonction de Lyapunov que le cas C1 est valide. On arrangera la dernière
ligne de la dérivée de V le long des trajectoires comme suit :
⎡ ⎤
⎢ ⎥
2 β2 − δ 1 ⎢
⎢
⎥
V̇ = −(β2 − δ2 )(i2 − ī2 ) + (β2 − δ1 )i1 ī2 + i1 ⎢ (β1 − δ1 ) (1 − i1 ) −γ1 − b⎥⎥
−β1 + δ2 ⎢ ⎥
⎢<γ +b´¹parceque
¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
T1 <1
´¹¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¶
>0
⎥
⎣ 1 ⎦
β2 − δ 1
≤ −(β2 − δ2 )(i2 − ī2 )2 + (β2 − δ1 )i1 ī2 − (γ1 + b)i21
−β1 + δ2
≤ 0
Si β 2 > δ1 , on considère la fonction de Lyapunov :
β2 − δ1 i2
VC2 (i1 , i2 ) = − ī2 i1 + (i2 − ī2 − ī2 log )
β1 − δ1 − γ1 − b ī2
Dans les conditions de C2, on a évidemment ī2 ≥ 0 et T1 < 1 (β1 − δ1 − γ1 − b < 0) et donc le
β2 −δ1
coefficient − β1 −δ 1 −γ1 −b
ī2 est positif. Et donc, la fonction V̇C2 est définie-positive. Sa derivée le long des
40
trajectoires est :
β2 − δ1
V̇C2 = −(β2 − δ2 )(i2 − ī2 )2 − (β2 − δ1 )i1 i2 + (β2 − δ1 )i1 ī2 − ī2 i1 [β1 − δ1 − γ1 − b
β1 − δ1 − γ1 − b
−(β1 − δ1 )i1 − (β1 − δ2 )i2 ]
⎡ ⎤
β2 − δ1 ⎢ ⎥
2 ⎢ ⎥
= −(β2 − δ2 )(i2 − ī2 ) − (β2 − δ1 ) i1 i2 − ī2 i1 ⎢− (β1 − δ1 ) i1 − (β1 − δ2 ) i2 ⎥
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ β1 − δ1 − γ1 − b ⎢
⎢ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ ⎥⎥
>0 ⎣ >0 >0 ⎦
≤ 0
La figure qui suit donne une illustration dans ce cas.
Figure 3.3 – Portrait de phase dans le cas où l’équilibre (0, ī2 ) est GAS : Avec les paramètres
b = 0.15, β1 = 0.87, β2 = 0.62, γ1 = 0.2, γ2 = 0.19, δ1 = 0.94, δ2 = 0.16, on a les inégalités : T1 < 1 et
T2 > 1 et les conditions du théorème 3.4 sont satisfaites. Les trajectoires tendent vers (0, ī2 ).
Pour les deux cas qui restent, les théorèmes suivant donne le comportement asymptotique du
système (3.3).
41
Théorème 3.5.
Si C3 est vraie, alors l’équilibre frontière (ī1 , 0) est globalement asymptotiquement stable.
Preuve.
Si C3 est vraie, on a encore deux sous-cas :
Si β2 > δ1 on considère la fonction de Lyapunov suivante :
i1 β1 − δ2
VC3 (i1 , i2 ) = (i1 − ī1 − ī1 log )− ī1 i2
ī1 β2 − δ2 − γ2 − b
β1 − δ2
Les conditions de C3 impliquent que le coefficient − est positif. On a :
β2 − δ2 − γ2 − b
i̇1 β1 − δ2
VC˙ 3 = [i1 − ī1 ] − ī1 i̇2
i1 β2 − δ2 − γ2 − b
= [i1 − ī1 ] [β1 − γ1 − δ1 − b − (β1 − δ1 )i1 − (β1 − δ2 )i2 ]
β1 − δ2
− ī1 i2 [β2 − δ2 − γ2 − b − (β2 − δ1 )i1 − (β2 − δ2 )i2 ]
β2 − δ2 − γ2 − b
= [i1 − ī1 ] [(−β1 + δ1 )(i1 − ī1 ) − (β1 − δ2 )i2 ] +
β1 − δ2
− ī1 i2 [β2 − δ2 − γ2 − b − (β2 − δ1 )i1 − (β2 − δ2 )i2 ]
β2 − δ2 − γ2 − b
= −(β1 − δ1 )(i1 − ī1 )2 − (β1 − δ2 )i2 (i1 − ī1 )
β1 − δ2
− ī1 i2 [β2 − δ2 − γ2 − b − (β2 − δ1 )i1 − (β2 − δ2 )i2 ]
β2 − δ2 − γ2 − b
β1 − δ2
= −(β1 − δ1 )(i1 − ī1 )2 − (β1 − δ2 )i2 i1 − ī1 i2 [−(β2 − δ1 )i1 − (β2 − δ2 )i2 ]
β2 − δ2 − γ2 − b
≤ 0 car β2 > δ1 . (3.18)
De plus, en développant la dernière expression de V̇ , (3.19), peut écrire sous la forme :
(β1 − δ2 )(β2 − δ1 ) (β1 − δ2 )(β2 − δ2 ) 2

V̇ C3 = −(β1 − δ1 )(i1 − ī1 )2 − (β1 − δ2 )i2 i1 + ī1 i1 i2 + ī1 i2
β2 − δ2 − γ2 − b β2 − δ2 − γ2 − b
C’est une somme de quatre quantités négatives. Elle est nulle, si et seulement si les quatre quantités
sont nulles, c’est à dire si et seulement si i1 = ī1 et i2 = 0. Ainsi, VC˙ 3 est définie négative. C’est à dire
que l’équilibre est GAS.
Si β 2 < δ1 on considère la fonction de Lyapunov suivante :

i1 β1 − δ2
VC3′ (i1 , i2 ) = (i1 − ī1 − ī1 log )+ i2
ī1 −β2 + δ1
On a :
42
i̇1 β1 − δ2
VC˙ 3′ = [i1 − ī1 ] + i̇2
i1 −β2 + δ1
= [i1 − ī1 ] [β1 − γ1 − δ1 − b − (β1 − δ1 )i1 − (β1 − δ2 )i2 ]
β1 − δ2
+ i2 [β2 − δ2 − γ2 − b − (β2 − δ1 )i1 − (β2 − δ2 )i2 ]
−β2 + δ1
= [i1 − ī1 ] [(−β1 + δ1 )(i1 − ī1 ) − (β1 − δ2 )i2 ] +
β1 − δ2
+ i2 [β2 − δ2 − γ2 − b − (β2 − δ1 )i1 − (β2 − δ2 )i2 ]
−β2 + δ1
= −(β1 − δ1 )(i1 − ī1 )2 − (β1 − δ2 )i2 (i1 − ī1 )
β1 − δ2
+ i2 [β2 − δ2 − γ2 − b − (β2 − δ1 )i1 − (β2 − δ2 )i2 ]
−β2 + δ1
β1 − δ2
= −(β1 − δ1 )(i1 − ī1 )2 + (β1 − δ2 )ī1 i2 + i2 [β2 − δ2 − γ2 − b − (β2 − δ2 )i2 ]
−β2 + δ1
β1 − δ2 β1 − δ2
= −(β1 − δ1 )(i1 − ī1 )2 − (β2 − δ2 )i22 + i2 [β2 − δ2 − γ2 − b − (β2 − δ1 )ī1 ]
−β2 + δ1 −β2 + δ1
β1 − δ2 β1 − δ2
= −(β1 − δ1 )(i1 − ī1 )2 − (β2 − δ2 )i22 + λi2
−β2 + δ1 −β2 + δ1
où λ = β2 − δ2 − γ2 − b − (β2 − δ1 )ī1 est une des valeurs propres de la matrice jacobienne au point (ī1 , 0).
En effet, on a :
⎛ −β1 + δ1 + γ1 + b −(β1 − δ2 )ī1 ⎞
J(ī1 , 0) = ⎜ ⎟
⎝ 0 β2 − γ2 − δ2 − b − (β2 − δ1 )ī1 ⎠
Ainsi si λ < 0, alors on a : VC˙ 3′ ≤ 0 et VC˙ 3′ = 0 si, et seulement si i1 = ī1 et i2 = 0.

Si λ > 0, certaines solutions vont vers (ī1 , 0) et d’autres vers (i∗1 , i∗2 ). Ainsi, dans le cas C3 et λ < 0,
l’équilibre (ī1 , 0) est GAS.
Dans le cas C4, on doit avoir seulement β2 < δ1 à étudier, car β2 < δ2 < δ1 .
®
(3.12)
43
Figure 3.4 – Portrait de phase dans le cas où l’équilibre frontière (ī1 , 0) est stable. Avec les paramètres
b = 0.1, β1 = 0.98, β2 = 0.047, γ1 = 0.1, γ2 = 0.19, δ1 = 0.62, δ2 = 0.58, on a les inégalités du théorème
3.5 (i.e : C3) sont satisfaites. Les courbes tendent vers (ī1 , 0).
Figure 3.5 – Portrait de phases dans le cas où l’équilibre frontière (ī1 , 0) est stable. Avec les para-
mètres b = 0.1, β1 = 0.98, β2 = 0.047, γ1 = 0.1, γ2 = 0.19, δ1 = 0.62, δ2 = 0.003, on a les inégalités de
C4. Les courbes tendent vers (ī1 , 0).
44
3.5 Conclusion SIS et SIRS avec la loi de l’action de masse
3.5 Conclusion
Dans ce chapitre, nous avons considéré un modèle épidemique du type SIS avec deux souches
et la loi de l’action de masse. On a étudié le comportement asymptotique des solutions et donné
des conditions de globale stabilité de l’équilibre de coexistence et du DFE. La stabilité globale des
équilibres frontières a été prouvée.
Si l’étude de la stabilité dans les modèles épidémiologiques, un concept cher à Jacquez et d’autres,
a des mérites indéniables, elle n’est pas souvent la priorité de certain décideurs de santé public. Ils
aimeraient plus savoir les estimations de certains paramètres des modèles épidémiologiques et d’autres
quantités dont ils sont plus familier. C’est l’objet des deux chapitres suivants. Le chapitre qui suit
donne un aperçu sur le paludisme et ses modèles.
45
CHAPITRE 4
Épidémiologie du paludisme et historique de ses
modèles intra-hôtes
Sommaire
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.1 Origines du paludisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.2 Les causes du paludisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.3 Transmission et cycle du parasite . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.3.1 Cycle du parasite chez l’homme ou la schizigonie . . . . . . . . . . . . . . . . . . 48
4.3.2 Cycle du parasite chez le vecteur ou la sporogonie . . . . . . . . . . . . . . . . . 50
4.4 Modèles mathématiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.4.1 Modèle vecteur-hôte de Ross . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.4.2 Modèles Intra-hôte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Introduction
Une bonne modélisation passe nécessairement par une bonne compréhension de ce que l’on veut
modéliser. La modélisation en épidémiologie dépend donc des connaissances en biologie. L’objectif de
ce chapitre est de situer le paludisme dans son contexte biologique et ensuite décrire les modèles qui
en découlent et leurs historiques. Dans la première section, on s’intéressera à l’origine du paludisme.
Dans la seconde section, on s’intéressa aux causes du paludisme. La troisième section est consacrée au
mode de transmission et surtout au cycle du parasite dans l’hôte humain. Dans la dernière, on mettra
l’accent sur les modèles mathématiques du paludisme.
46
Chapitre 4: Épidémiologie du paludisme et historique de ses
4.1 Origines du paludisme modèles intra-hôtes
4.1 Origines du paludisme
Le paludisme a été présent depuis les temps anciens. Les premiers écrits sur les symptômes du
paludisme ont été trouvés dans la Chine antique. Les premiers égyptiens ont écrit à ce propos sur pa-
pyrus. Le célèbre médecin grec Hippocrate en a fait une description détaillée. Les romains ont trouvé
une corrélation entre les fièvres intermittentes et la proximité de marécages. Ainsi le nom malaria
vient de l’italien mal aria qui signifie mauvais air et le terme paludisme vient du latin palus qui
signifie marécage. En 1880, le français Alphonse Leveran qui découvrait la cause réelle du paludisme,
le parasite Plasmodium. Vingt ans après, Sir Ronald Ross découvrait que ce sont les moustiques
du type anophèle qui sont responsables de la transmission du paludisme. Une très jolie histoire du
paludisme a été faite par Moss et al. dans [105].
Si le paludisme a une histoire, il a aussi fait l’histoire. En effet, Alexandre le Grand l’avait contracté
à Babylonne en 323 avant J-C et mort suite du paludisme. C’est aussi le paludisme qui empêcha les
Gaulois de Brennus de pénétrer dans la Capitole, Le paludisme a aussi été la cause du déménagement
de la papauté à Avignon, etc.
L’origine du parasite Plasmodium lui-même ou quand est ce parasite a infecté pour la première
fois l’être humain n’est pas connu et est sujet à des controverses. Voir [105] pour une lecture détaillée.
4.2 Les causes du paludisme

Le paludisme est causé par un parasite unicellulaire de type Plasmodium. Il existe plus 100 dif-
férents types d’espèces de Plasmodium. Ils transmettent le paludisme à plusieurs types d’animaux,
d’oiseaux et bien sûr aux humains. Seules quatre espèces de Plasmodium infectent les humains. Cha-
cune des quatre espèces est différentes sous microscope et chacune produit des symptômes différents.
Deux ou plusieurs espèces peuvent être présentes dans la même zone et infecter une même personne
en même temps. Les espèces du Plasmodium sont :
Plasmodium falciparum : C’est la souche la plus virulente, la plus mortifère du paludisme. Elle
est essentiellement présente en Afrique. Elle s’attaque aux globules rouges, jeunes ou matures. Ceci
conduit aussi à un anémie sévère. Elle est aussi la seule souche qui se séquestre dans les organes vitaux
rendant inaccessible toute mesure de parasitémie.
Plasmodium vivax : C’est la souche géographiquement la plus répandue. Cependant, elle est parti-
culièrement présente en Asie. Elle provoque des symptômes moins sévères que le Plasmodium falci-
parum. Elle s’attaque aux globules rouges jeunes et peut coexister avec le Plasmodium falciparum.
Plasmodium malariae : C’est une souche dont l’infection ne produit pas des symptômes typiques
du paludisme mais reste dans le sang pour une très longue période, probablement des décennies. Une
personne asymptomatique du Plasmodium malariae peut infecter des moustiques. Elle s’attaque aux
globules rouges matures.
47
4.3 Transmission et cycle du parasite modèles intra-hôtes
Plasmodium ovale : C’est une souche principalement présente en Afrique de l’ouest mais elle ne tue
pas. Elle s’attaque surtout aux globules rouges jeunes.
4.3 Transmission et cycle du parasite

Le paludisme est transmis à l’homme par piqûre d’un moustique femelle d’une espèce particulière :
les anophèles. Ces anophèles ont besoin d’un repas sanguin pour pondre leurs oeufs isolement sur des
surfaces liquides.
La parasite est un protozoaire appartenant au genre plasmodium. Cet agent causal plasmodium
a été découvert par Alphonse Leveran et c’est Sir Ronald Ross qui établit en 1907 le fait que le mous-
tique était le vecteur du paludisme.
Le cycle parasitaire du plasmodium se passe chez l’hôte humain (phase asexuée) et le vecteur, un
anophèle femelle (phase sexuée). La figure 4.1 donne une bonne illustration.
Sporozoï
Sporozoïte
Cycle des plasmodies humains Hépatocytes
Piqûre
Glandes
salivaires Mérozoï
rozoïte
Anophè
Anophèle Homme
Oocyste Trophozoï
Trophozoïte
Estomac
Schizonte
Macrogamè
Macrogamètocyte
Ookinè
Ookinète
Macrogamè
Macrogamète
Cycle
érythrocytaire
Zygote Piqûre
Exflagellation Microgamè
Microgamètocyte
Figure 4.1 – Transmission et cycle du Plasmodium falciparum
4.3.1 Cycle du parasite chez l’homme ou la schizigonie

Le cycle du parasite dans l’hôte se fait en deux étapes : l’un dans le foie dit exo-érythrocytaire
et l’autre dans le sang dit érythrocytaire ou endo-erythrocytaire. Le cycle exo-érythrocytaire corres-
48
pond à la phase d’incubation et est cliniquement asymptomatique. C’est la phase érythrocytaire qui
correspond à la phase clinique du paludisme.
Cycle exo-érythrocytaire : Les parasites du paludisme (sporozoites) sont inoculés dans l’hôte humain
par l’anophèle femelle lors de son repas sanguin. Ces sporozoites restent pendant un trentaine de mi-
nutes dans le sang. Pendant ce temps beaucoup sont détruits par le système immunitaire en particulier
par les macrophages, mais certains parviennent à atteindre les cellules du foie (hépatocytes). C’est
là que commence le cycle exo-erythrocytaire. Dans le foie commence alors un cycle de reproduction
asexuée des sporozoites où ils murissent et deviennent des schizontes. Apres 7 à 15 jours de matu-
ration, ces schizontes éclatent les hépatocytes et libèrent des milliers de merozoites dans le sang. Ce
sont ces mérozoites libérés qui vont cibler les globules rouges saints de l’hôte ou érythrocytes. C’est
le début du cycle érythrocytaire.
Cycle érythrocytaire : les mérozoites envahissent et pénètrent les globules rouges sains ou érythro-
cytes en quelque secondes. A partir de cela, ils se développent et se reproduisent (de manière asexuée)
sur une période de 48 heures après laquelle l’erythrocyte éclate et libère en moyenne 16 mérozoites
dans le flux sanguin qui envahissent de nouveau les érythrocytes pour le renouvellement du cycle. Le
cycle de croissance du parasite dans l’érythrocyte est illustré dans les figures 4.2 et 4.3. Dans la figure
4.4 on voit les érythrocytes dont certains sont envahis par des parasites qui ont l’aspect d’un bague
avec chaton.
Ce cycle peut se répéter plusieurs fois, au cours desquelles certains mérozoites développent une forme
sexuée de reproduction du parasite : les gamétocytes mâles (microgamètocytes) et femelles (macroga-
mètocytes) . Les gamétocytes sont bénins pour l’homme et constituent un réservoir de parasites pour
le moustique. On verra dans la sous-section suivante, le cycle chez le moustique.
Figure 4.2 – Cycle du développement du Plasmodium falciparum dans un érythrocyte.
49
48h
ring form
male gametocyte
mature schizont
female gametocyte
young trophozoite
12h
schizont
early schizont
24h
trophozoite
Figure 4.3 – Cycle du développement du Plasmodium falciparum dans un érythrocyte.
Figure 4.4 – Erythrocytes envahis par Plasmodium falciparum
4.3.2 Cycle du parasite chez le vecteur ou la sporogonie

Si la moustique femelle pique un individu infecté elle ingère les gamétocytes dans son intestin.
Ces gamètes vont augmenter en volumes et vont quitter leurs enveloppes en 10 minutes. Le gamète
mâle (microgamètocytes) va produire 8 microgamètes flagellés mobile ( figure 4.1). Ce phénomène, la
formation d’un vigoureux gamète mâle mobile à partir d’un gamète auparavant tranquille, s’appelle
l’exflagellation. La fertilisation du gamétocyte femelle par le gamétocyte mâle va produire un oeuf libre
50
4.4 Modèles mathématiques modèles intra-hôtes
et mobile dit ookinète. Cet ookinète va s’établir comme oocyste sur la face interne du tube digestif
(figures 4.1 et 4.5). Les cellules parasitaires se multiplient à l’intérieur de cet oocyste, produisant des
centaines de sporozoïtes. L’oocyste est sphérique et sa taille passe d’environ 8 µm à 60-80 µm pendant
sa maturation. La rupture de l’oocyste mature provoque la libération des sporozoites qui migrent
ensuite vers les glandes salivaires du moustique. La maturation de l’oocyste (ou sporogonie) dure de
4 à 21 jours suivant les conditions climatiques. Pour le Plasmodium falciparum :
– température optimale qui permet le développement le plus rapide : 30○ C
– température minimale qui permet le développement le plus rapide : 18○ C
– température optimale qui permet le développement le plus rapide : 33○ C
La présence des sporozoites dans les glandes salivaires de l’anophèle boucle le cycle d’évolution du
parasite.
Figure 4.5 – Coupe transversale du moustique montrant des oocystes.
4.4 Modèles mathématiques

Les modèles mathématiques du paludisme ont été cruciaux dans la compréhension de celui-ci et
apporter des stratégies de contrôle de cette maladie infectieuse. Il existe une littérature très vaste
sur les modèles du paludisme. Cependant il existe de grand type de modèles dans lesquels la quasi-
totalité des modèles se retrouvent. Ce sont les modèles dits vecteur-hôte qui prennent en compte les
interactions entre le vecteur, qui est l’anophèle, et l’hôte qui est l’homme ; et ceux dits intra-hôtes
qui prennent en compte les interactions entre le parasite causant le paludisme, qui est le plasmodium,
et les globules rouges sains dans le corps humain. On présentera, par souci d’élégance, le modèle
vecteur-hôte de Ross avant de mettre un accent sur le développement des modèles intra-hôtes.
51
4.4.1 Modèle vecteur-hôte de Ross
Sir Ronald Ross propose en 1911 [118] un modèle qui prend en compte les populations anophélienne
et humaine. Ce modèle est certainement le point de départ des modèles vecteur-hôte. Ross divise les
hôtes (humains) et les vecteurs (anophéles) en deux classes de susceptibles et infectés respectivement.
Soit Sh la population des humains susceptibles et Ih la population des humains infectés. Ross suppose
qu’il n’y a pas une période de latence et donc un infecté est automatiquement un infectieux. De même
soit Sm la population des anophèles susceptibles et Im la population des anophèles infectées. Dans
son modèle, Ross suppose que la population des humains ainsi que celle des anophèles est constante
et qu’une moustique pique a humains par unité de temps où a est constante. On a le graphe 4.6.
ab1Im/H
μhH Sh Ih Humains
γh
μh μh
ab2Ih/H
μmV
Sm Im Vecteurs
γm
μm
μm
Figure 4.6 – Le modèle compartimentale de Ross
On a donc le modèle :
⎧
⎪
⎪
⎪
⎪ I˙h = ab1 SHh Iv − (µh + γh )Iv
⎨
⎪
⎪
⎪
⎪
⎩ I˙v = ab2 Sv IHh − (µv + γv )Iv
Sachant que les deux populations sont constantes„ Sh = H − Ih et Sv = V − Ih . Par ailleurs, en
notant x = IHh et y = IVv , le modèle précédent devient :
⎧
⎪ V
⎪ ẋ = ab1 (1 − x)y H − (µh + γh )y
⎪
⎪
⎨
⎪
⎪
⎩ ẏ = ab2 (1 − y)x − (µv + γv )y
⎪
⎪
On a γh >> µh . En effet si on suppose, par exemple, que l’espérance de vie d’un humain est de 60 ans
et que le temps de guérison est de 6 mois alors
1 1
µh = jour−1 = 4.56 × 10−5 jour−1 devant γh = jour−1 = 0.008jour−1
60 × 365 6 × 30
52
De même, on a aussi µv >> γv . D’ailleurs il est généralement accepté dans la littérature entomologique
V
que la moustique femelle infectée le reste toute sa vie. Ainsi, en posant m = H le modèle de Ross sous
sa forme finale s’écrit :
⎧
⎪
⎪ ẋ = mab1 (1 − x)y − γx
⎪
⎪
⎨ (4.1)
⎪
⎪
⎩ ẏ = ab2 (1 − y)x − µy
⎪
⎪
C’est de ce modèle que Ross a énoncé son célèbre mosquito theorem. En effet, le modèle (4.1) possède
deux équilibres : l’origine (0, 0)e qui est l’équilibre sans infection et (x∗ , y ∗ ) où
ma2 b1 b2 ma2 b1 b2
∗ µγ −1 ∗ µγ −1
x = 2
ma b1 b2
et y = 2
µγ + bµ2 a ma b1 b2
µγ + mbγ1 a
ma2 b1 b2
On remarque que l’équilibre (x∗ , y ∗ ) n’a de sens que lorsque la quantité > 1. Par ailleurs la
µγ
matrice jacobienne du système (4.1) s’écrit
⎛ −mab1 y − γ amb(1 − x) ⎞
J(x, y) = ⎜ ⎟
⎝ ab2 (1 − y) −ab2 x − µ ⎠
A l’origine cette matrice jacobienne s’écrit
⎛ −γ amb ⎞
J(0, 0) = ⎜ ⎟
⎝ ab2 −µ ⎠
2
qui n’est stable (localement) que lorsque γµ − ma2 b1 b2 > 0 ou de manière équivalente maµγb1 b2 < 1.
Dans [119], Gauthier Sallet donne une preuve élégante de la stabilité globale de cet équilibre sans
maladie en utilisant la théorie de Lyapunov. Il montre aussi que l’équilibre (x∗ , y ∗ ) est globalement
2
asymptôtiquement stable si maµγb1 b2 > 1.
ma2 b1 b2
Ainsi cette quantité µγ détermine l’éradication ou l’endémicité du paludisme. Or remarquons
que :
ma2 b1 b2 µγ
< 1 ⇐⇒ m < 2
µγ a b1 b2
V
Rappelons qu’à la base, m = H qui représente donc le nombre de moustique par humain. Ainsi
pour éradiquer le paludisme, il suffit de ramener m en dessous d’une certaine quantité.
Théorème 4.1 (Original mosquito theorem).

1. Whatever the original number of malaria cases in the locality may have been, the ultimate
endemic malaria ratio will tend to settle down to a fixed figure, dependent on the number
of Anophelines and the other factors – that is, if these factors remains constant all the
time
2. If the number of Anophelines is sufficiently high, the ultimate malaria ratio (m) will become
fixed at some figure between 0 and 1 (that is between 0 % and 100%). If the number of
Anophelines is sufficiently low (say below 40% per person), the ultimate malaria ratio
53
will tend to zero – that is, the disease will tend to die out. (In this calculation a negative
malaria ratio, that is, one which is less than nothing, must be interpreted as meaning
zero).
3. A small change in the constants (e.g. the Anopheline factor) may produce a great change
in the malaria.
Ronald Ross répond ainsi à ceux qui sont sceptiques à l’égard de la lutte anti-vectorielle.
Ce modèle de Ross a été le point de départ d’une littérature riche et variée sur les modèles ma-
thématiques vecteur-hote [8, 13, 14, 88, 98] et les références qui y sont. Un excellent review a été
récemment fait par Mandal et al. dans [90]. L’analyse mathématique du modèle de Ross (4.1) a été
complètement étudié par Lotka [86] en 1923.
Après avoir eu un aperçu d’un modèle clé qui décrit les interactions entre le vecteur et l’hôte, il
n’est pas inintelligent de regarder ce qui se passe dans l’hôte. Après tout c’est la vie de l’hôte qui
devrait nous préoccuper le plus. c’est l’objet de la sous-section suivante.
4.4.2 Modèles Intra-hôte

Le premier modèle décrivant la dynamique d’un parasite dans l’hôte humain est donné par An-
derson, May et Gupta [9] décrivant les interactions du parasite Plasmodium falciparum avec les
érythrocytes sains. C’est le système tridimensionnel :
⎧
⎪
⎪
⎪
⎪ ẋ = Λ − µx x − βxm
⎪
⎪
⎪
⎨ ẏ = βxm − µy y (4.2)
⎪
⎪
⎪
⎪
⎪
⎩ ṁ = rµy y − µm m − βxm
⎪
⎪
où x est la concentration érythrocytes sains (RBC : red blood cells) dans le sang, y la concentrations
érythrocytes infectés par le Plasmodium falciparum, et m la concentration mérozoites libre dans le
sang.
Les paramètres µx , µy and µm sont les taux de mortalités des érythrocytes sains, des érythrocytes
infectés (PRBCs : parasited red blood cells) et des merozoites libre respectivement. Le paramètre β
est le taux de contact entre les RBCs et les merozoites. Les RBCs sont produits à un taux constant
Λ de la moelle épinière et ont une espérance de vie naturelle de 1/µx × jours. La mortalité, au dernier
stade, d’un érythrocyte infecté aboutit à la libération de r mérozoites. Les mérozoites libres meurent
ou envahissent à nouveau les érythrocytes sains.
Les auteurs considèrent aussi le même modèle mais cette fois en tenant compte des effecteurs
d’immunité. Ces effecteurs d’immunité (notés b) tuent les érythrocytes parasités à un taux κy b et les
mérozoides à un taux κm m. La population des effecteurs d’immunité croit à un taux de (ρy y + ρm m)
et ont un taux de mortalité naturelle de µb . Ainsi, leur modèle final avec effecteurs d’immunité est le
suivant :
54
⎧
⎪
⎪
⎪
⎪ ẋ = Λ − µx x − βxm
⎪
⎪
⎪
⎪
⎪
⎪ ẏ = βxm − µy y − κy by
⎪
⎨
⎪
⎪
⎪ ṁ = rµy y − µm m − βxm − κm bm
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ ḃ = (ρy y + ρm m)b − µb b
⎩
Le modèle (4.2) peut aussi être vu comme un modèle intra-hôte du VIH où m représente main-
tenant les virions. Pratiquement au même moment, les modèles intra-hôte pour le VIH ont connus
un réel succès [30, 33, 41, 84, 102, 107, 108, 111, 112, 113, 114]. On s’intéressera dans cette thèse
uniquement aux modèles intra-hôtes du paludisme.
Dans le modèle (4.2), la dynamique des érythrocytes infectés est décrite par une seule équation
différentielle. Cependant, l’analyse expérimentale a montré que la dynamique du Plasmodium falci-
parum peut changer en fonction de son "âge" comme le montrent les figures (4.2) et (4.3). De plus
les médicaments anti-paludiques sont connus pour agir sur les différents stades du parasites. C’est ce
qui a poussé plusieurs auteurs à considérer la dynamique des érythrocytes en classes structurées en
âges, basées sur la morphologie du parasite dans l’érythrocyte. Gravenor, Kwiatowski et d’autres ont
étudiés dans une série des papiers [45, 47, 49] la dynamiques des érythrocytes parasités seuls structurés
en âges :
⎧
⎪
⎪
⎪
⎪ y˙1 = rλn − (µ1 + λ1 )y1
⎪
⎪
⎪
⎪
⎪
⎪ y˙2 = λ1 y1 − (µ2 + λ2 )y2
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ ⋮
⎨ (4.3)
⎪
⎪
⎪ y˙ = λ y − (µ + λ )y
⎪ i i−1 i−1 i i i
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ ⋯
⎪
⎪
⎪
⎪
⎩ y˙n = λn−1 yn−1 − (µn + λn )yn
⎪
⎪
où les λi sont les taux de transition du stade i au stade i + 1. Les µi sont les mortalités naturelles des
parasites au stade i. Au dernier stade n, l’explosion de la schizonte mûre donnera lieu à la libération
de n mérozoites, qui, à leur tour, infecteront les érythrocytes sains qui vont donc se retrouver au stade
1 du modèle (4.3). Cependant le modèle (4.3) ne prend pas en compte la dynamique des érythrocytes
et des mérozoites. Suivant les criticiques de Saul[121], Gravenor et Llyod [46], ont considéré le modèle
suivant :
⎧
⎪
⎪
⎪ ẋ = Λ − βxm − µx x
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ y˙1 = βxm − nαy1
⎪
⎪
⎪
⎨ ... (4.4)
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ y˙i = nα(yi−1 − yi ) avec i = 2, 3; . . . , n
⎪
⎪
⎪
⎪
⎪
⎩ ṁ = rnαyn − µm − βxm
⎪
où les taux de transitions d’un stade à un autre sont constants et sont tous égaux. Il en est de même
pour les taux de mortalités. Dans tous les papiers précités, l’étude asymptotique des modèles n’était
55
pas faite. Dans [61], Iggidr et al. ont généralisé, le modèle (4.4) sous la forme
⎧
⎪
⎪
⎪
⎪ ẋ = f (x) − βxm
⎪
⎪
⎪
⎪
⎪
⎪ y˙1 = βxm − α1 y1
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ y˙2 = γ1 y1 − α2 y2
⎨ (4.5)
⎪
⎪
⎪ ...
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ y˙k = γk−1 yk−1 − αk yk
⎪
⎪
⎪
⎪
⎪
⎪ ṁ = rαyn − µm − uβxm
⎩
où αi = µi + γi et f une fonction de classe C 1 . Les auteurs ont prouvé les résultats de stabilité globale
des états d’équilibre de ce système par rapport au nombre de reproduction de base R0 . Dans la même
source, les auteurs ont aussi considéré le cas de plusieurs souches de parasites et montrent que le
principe de compétition exclusive s’applique, i.e seule une souche (celle qui maximise un seuil) survit
tandis que les autres disparaissent.
Les modèles intra-hôte du paludisme qui tiennent compte de la réponse immunitaire ont reçu aussi
une attention particulière ces dernières années [32, 101, 116, 117].
Une des particularités du parasite plasmodium falciparium est la séquestration. En effet à mi-
chemin du développement du parasite, l’érythrocyte infecté quitte la circulation sanguine périphérique
et s’installe dans la microvasculature des organes comme le cerveau, les poumons ou le placenta
où le cycle se complète. Cette séquestration rend impossible toute mesure fiable de la parasitémie
(quantité des parasites dans le sang d’un patient) totale par les techniques expérimentales connues à
ce jours. Il n’existe pas non plus de méthode analytique pour l’estimation des parasites séquestrés.
Et pourtant la mortalité due au paludisme dépend plus des parasites séquestrés que des parasites
périphériques [4, 89, 122]. Dans le chapitre qui suit, on donne une méthode mathématique d’estimation
de la population des parasites séquestrés à partir de la connaissance des parasites circulants. Pour cela,
on considère un modèle intra-hôte plus général que celui proposé ci-haut( (4.5) structuré en classes
d’âge. Cette généralisation concerne la modélisation de la force d’infection (bilinéaire dans (4.5)). On
considère dans cette thèse, pour l’estimation des parasites séquestrés, une force d’infection quelconque
ξ(x(t), m(t), t). On estimera aussi le paramètre β, qui est le taux d’invasion des érythrocytes sains
par les mérozoites, dont la valeur est très mal connue dans le cas où ξ(x(t), m(t), t) = x(t)m(t).
56
CHAPITRE 5
Observateurs pour l’estimation des paramètres.
Application au paludisme
Avec quatre paramètres je peux ajuster un éléphant,

avec cinq, je peux lui faire remuer la trompe
— John Von Neumann
Sommaire
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.1 Estimation dynamique des PRBCs sequestrés . . . . . . . . . . . . . . . . . . 60
5.1.1 Construction d’un observateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.2 Estimation du taux d’infection β . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.3 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.3.1 Application 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.3.2 Application 2 : Agrégation des variables . . . . . . . . . . . . . . . . . . . . . . . . 94
5.3.3 Méthode de Gravenor et al. [48] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.4 Suite de la preuve du Lemme 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
Introduction
Le paludisme est une maladie qui cause au moins un million de décès par an, parmi lesquels 90%
sont les enfants africains. Le paludisme le plus mortifère est causé par la souche la plus virulente du
parasite Plasmodium : le Plasmodium falciparum. Les modèles intra-hôte décrivent la dynamique
57
Chapitre 5: Observateurs pour l’estimation des paramètres.
de l’interaction entre le parasite(virus, espèce, ...) dans l’hôte (l’être humain, environnement, ..). Ces
modèles ont été utilisés pour la compréhension de l’évolution du Plasmodium Falciparum dans l’hôte.
Une littérature abondante a été dédiée aux modèles intra-hôte du paludisme [9, 46, 61, 91, 92] et les
références qui s’y trouvent. Voir [103] pour un review. La plupart des papiers et/ou modèles, sont plus
ou moins reliés au modèle classique d’Anderson, May et Gupta [9] qui est le système tridimensionnel :
⎧
⎪
⎪
⎪
⎪ ẋ = Λ − µx x − βxm
⎪
⎪
⎪
⎨ ẏ = βxm − µy y (5.1)
⎪
⎪
⎪
⎪
⎪
⎪
⎪
où x est la concentration érythrocytes sains (RBC : red blood cells) dans le sang, y la concentrations
érythrocytes parasités (PRBCs : parasitized red blood cells) par le Plasmodium falciparum, et m la
concentration merozoites libre dans le sang.
Les paramètres µx , µy and µm sont les taux de mortalité des érythrocytes sains, des érythrocytes
infectés (PRBCs : parasited red blood cells) et des mérozoites libres respectivement. Le paramètre β
est le taux de contact entre les RBCs et les mérozoites. Les RBCs sont produits à un taux constant Λ de
la moelle épinière et ont une esperance de vie naturelle de 1/µx × jours. La mortalité, au dernier stade,
d’un PRBC résulte sur la libération de r mérozoites. Les merozoites libres meurent ou envahissent à
nouveau les RBCs. Pour l’épidémiologie du paludisme, nous renvoyons au [9, 120].
Comme nous pouvons voir dans (5.1), la dynamique des érythrocytes infectés est décrite par une
seule équation différentielle. Cependant, l’analyse expérimentale a montré que la dynamique du Plas-
modium falciparum peut changer en fonction de son "âge". Dans [46], Gravenor et Lloyd considèrent
n classes dans la dynamique des PRBCs. D’autres auteurs [47, 49, 45] ont étudiés seulement la dyna-
mique des PRBCs. Cependant, ils n’ont pas considéré la dynamique des RBCs et des mérozoites.
Ainsi, un modèle intra-hôte du paludisme, où la dynamique des RBCs est couplée avec des classes
structurées en âge des PRBCs et la dynamique des éerozoites libres, a été considéré dans [46, 61] :
⎧
⎪
⎪
⎪
⎪ ẋ = Λ − µx x − βxm
⎪
⎪
⎪
⎪
⎪
⎪ y˙1 = βxm − α1 y1
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ y˙2 = γ1 y1 − α2 y2
⎨ (5.2)
⎪
⎪
⎪ ...
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ y˙n = γn−1 yn−1 − αn yn
⎪
⎪
⎪
⎪
⎪
⎪ ṁ = rγn yn − µm m − βxm
⎩
En pratique, pour connaitre l’état d’un patient infecté, la concentration de la charge parasitaire
n
totale ∑ yi dans le flux sanguin est nécessaire.
i=1
Cependant, seul les PRBCs périphériques ( parasites jeunes), appelés aussi circulants, peuvent
être observés par la technique de la goute épaisse(peuvent être vus sur le frottis du sang périphérique).
Les autres PRBCs (parasites matures, ...), sont toujours dans l’organisme mais ne peuvent plus être
58
mesurés par cette technique car "caché" dans certaines organes comme le cerveau ou le coeur. Ces
derniers sont appelés les séquestrés. Il n’y a pas de méthodes cliniques pour la mesures de ces PRBCs
séquestrés. Or il est bien connu que l’efficacité d’un traitement dépend de son dosage en fonction
n k
de la charge parasitaire totale ∑ yi et non pas d’une partie, disons ∑ yi . Il est aussi connu que les
i=1 i=1
traitements antipaludiques réagissent de préférence sur les différentes stades du développement du
parasite [47, 49] . Selon [4, 89, 122], la sévérité du paludisme dépend plus du nombre des schizontes
(parasites séquestrés) que des circulants. L’estimation de la charge parasitaire totale a été un défi
constant pour les biologistes tout comme les modélisateurs. Plusieurs auteurs se sont attaqués à ce
problème [47, 49, 109]. Gravenor et al. [49] ont estimés le niveau des parasites séquestrés à partir de la
parasitemie périphérique sur des enfants atteints du paludisme cérébral qui sont sous administration
de la quinine et de l’arthemer. Dans cette même source, les auteurs considèrent un modèle structuré
en âge du PRBCs et ont montré une relation entre la quantité des parasites séquestrés au début du
traitement et la sévérité de la maladie. Dans [47], les auteurs considèrent le même modèle que dans
[49], mais cette fois ci avec seulement deux méta-classes d’âge des parasites : les circulants et les sé-
questrés. Les auteurs trouvent que si le modèle prédit que la quantité des parasites circulants concorde
bien avec les données, la prédiction des parasites séquestrés est assez pauvre. De plus dans ces deux
papiers, les auteurs ne considèrent que la dynamique des globules rouges parasités et ne prennent pas
en compte la dynamique des globules rouges sains ainsi que les mérozoites. Ochala et al. [109] ont
utilisés des marqueurs biochimiques pour évaluer la charge des parasites séquestrés. Cependant, les
auteurs ont trouvé qu’aucun marqueur ne peut donner une estimation fiable de la charge parasitaire
séquestrée d’un patient.
n
On se propose dans cette partie de thèse d’estimer la charge parasitaire totale ∑ yi en utilisant le
i=1
k
modèle et les mesures ∑ yi . Pour cela, nous considèrons le modèle (5.2) avec une force d’infection
i=1
plus générale du type ξ(x(t), m(t), t) et nous construisons un observateur, i.e un système dynamique
auxiliaire dont les états tendent exponentiellement vers les états du système original, qui permet, à
partir des mesures, de reconstituer x(t), tous les yi (t), ainsi que m(t).
L’autre objectif est aussi d’estimer le paramètre β. En effet, si certains paramètres de (5.2) peuvent
être estimés par des considérations biologiques (par exemple on connait assez bien la durée de vie
d’une RBC), le paramètre β n’est pas connu. De plus il n’existe pas de méthodes expérimentales ou
analytiques qui permettent d’estimer ce dernier. En fait, dans [103], les auteurs disent que le paramètre
β ne peut pas être estimé directement car ce dernier n’a pas d’équivalent naturel et qu’on ne peut
estimer une valeur de β que pour rendre plus réaliste d’autres valeurs tels le nombre de reproduction
de base R0 ou les taux de croissances.
Avec des manipulations algébriques supplémentaires, l’observateur construit pour estimer les états du
système (5.2) nous permet aussi d’estimer β.
En effet, nous utilisons les techniques relativement nouvelles [27, 29, 59] des observateurs à entrées
59
5.1 Estimation dynamique des PRBCs sequestrés Application au paludisme
inconnus pour estimer les états x(t), yi (t), i = 1, . . . , n et m(t) sans la connaissance à priori de β.
Ce chapitre est organisé comme suit : La première section, on construit un observateur dans le
cas général et on présente la méthode d’estimation de la charge parasitaire totale ou séquestrée. Dans
la seconde section, on présente la méthode d’estimation de β. La troisième section est réservée aux
applications dans le cas où on considère 7 classes d’âges dont deux classes de circulants. On considérera
aussi le cas des méta-classes où on agrège les variables de la dynamique des PRBCs en deux classes
majeures de circulants et séquestrés.
5.1 Estimation dynamique des PRBCs sequestrés
5.1.1 Construction d’un observateur

Nous supposons que la population des PRBCs dans la population hôte est divisée en n phases :
y1 , y2 , . . . , yn . Les k premières phases correspondent à la concentration des érythrocytes infectés
circulants ou périphériques tant disque les (n − k) dernières phases correspondent à ceux séquestrés.
Soit x la concentration des cellules saines et m la concentration des mérozoites. Les cellules saines
x sont produites selon un taux de recrutement constant Λ depuis la moelle osseuse et deviennent
infectées par un contact effectif avec les mérozoites m. Au dernier stade des cellules infectées, elles
explosent et libèrent r mérozoites. Le modèle que nous considérons est le suivant :
⎧
⎪
⎪
⎪ ẋ = Λ − µx x − βξ(x, m, t)
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ ẏ1 = βξ(x, m, t) − (γ1 + µ1 ) y1
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ ẏ2 = γ1 y1 − (γ2 + µ2 ) y2
⎨ (5.3)
⎪
⎪
⎪
⎪
⎪ ...
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ ẏn = γn−1 yn−1 − (γn + µn ) yn
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎩ ṁ = r γn yn − µm m − βξ(x, m, t)
Les différents paramètres de ce modèle sont définis comme suit :

– Λ : Recrutement des globules rouges sains (RBCs).
– β : Taux d’infection des RBC par les mérozoites.
– ξ(x, m, t) : force d’infection des RBCs par les mérozoites.
– µx : Taux de mortalité naturelle des RBC.
– µi : Taux de mortalité naturelle des cellules infectées à la ie phase.
– γi : Taux de transition de la ie stade aux (i + 1)e stade des cellules infectés.
– r : Nombre des mérozoites libérés par le dernier stade des infectés.
– µm : Taux de mortalité naturelles des mérozoites.
Nous supposons que nous mesurons la parasitémie des circulants, i.e : y1 + y2 + ⋅ ⋅ ⋅ + yk et nous voulons
trouver une estimation de la parasitémie séquestrée, yk+1 + ⋅ ⋅ ⋅ + yn . Ici, nous utiliserons quelques
notations classiques de la théorie du contrôle. Soit z(t) l’état à l’instant t du système (5.3), i.e.,
z(t) = (x(t), y1 (t), . . . , yn (t) , m(t)) ∈ Rn+2 . La sortie mesurable du système (5.3) sera notée par
60
Y. Ici la sortie mesurable correspond à la concentration des érythrocytes infectés circulants, et par
conséquent nous avons Y(t) = y1 (t) + y2 (t) + ⋅ ⋅ ⋅ + yk (t). Le système (5.3) peut être écrit comme suit :
ż = Az + βξ(x, m, t) E + Λe1 (5.4a)

Y = Cz (5.4b)
où z ∈ Rn+2 , Y ∈ R sont le vecteur état et la sortie mesurée respectivement. Les matrices A, C, et E

sont définit comme suit :
⎛ −µx 0 0 ⋯ ⋯ 0 ⎞
⎜ ⎟
⎜ ⎟
⎜ 0 −γ1 − µ1 0 ⋯ ⋯ 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 γ1 −γ2 − µ2 0 ⋯ 0 ⎟
⎜ ⎟
A=⎜
⎜
⎟,
⎟
⎜ ⋮ ⋮ ⋱ ⋱ ⋱ ⋮ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 0 0 γn−1 −γn − µn 0 ⎟
⎜ ⎟
⎜ ⎟
⎝ 0 0 0 0 rγn −µm ⎠
⎛ −1 ⎞
⎜ ⎟
⎜ ⎟
⎜
⎜ 1 ⎟⎟ ⎛ 1 ⎞
⎜ ⎟ ⎜ ⎟
⎜ 0 ⎟ ⎜ 0 ⎟
⎜ ⎟ ⎜ ⎟
E=⎜
⎜
⎟,
⎟ e1 = ⎜
⎜
⎟,
⎟ and C = (0, 1, ⋯, 1, 0, ⋯, 0)
⎜ ⋮ ⎟ ⎜ ⋮ ⎟ ´¹¹ ¹ ¸¹¹ ¹ ¶
⎜ ⎟ ⎜ ⎟ k fois
⎜ ⎟ ⎜ ⎟
⎜ ⎟
⎜
⎜ 0 ⎟⎟
⎝ 0 ⎠
⎜ ⎟
⎝ −1 ⎠
L’équation (5.4a) décrit la dynamique du système alors que l’équation (5.4b) donne l’information de
ce qui est mesuré.
Le problème auquel nous nous sommes intéressés est le suivant : comment utiliser le modèle
(5.4a) avec les informations données par les mesures (5.4b) dans le but d’obtenir une estimation des
variables d’état qui ne peuvent pas être mesurées ? Une solution à ce problème peut être obtenue par
ce qu’on appelle "observateur" dans le jargon de la théorie du contrôle. Un observateur est un système
dynamique auxiliaire qui utilise l’information Y(t) connue à priori et qui donne un estimé ẑ(t) de
l’état z(t) tel que l’erreur ẑ(t) − z(t) tend (exponentiellement) vers zéro quand le temps t tends vers
l’infini. Un observateur pour le système (5.4a-5.4b) est donné par :
⎧
⎪ ŵ˙ = f (ŵ, Y)
⎪
⎪
⎨ (5.5)
⎪
⎪
⎪ ẑ(t) = g(w(t))
⎩
On doit trouver les fonctions f et g de telle façon que les solutions ẑ(t) de (5.5) et les solutions
z(t) de (5.4a) satisfassent pour toutes les conditions initiales (ẑ(0), z(0)) :
∥ẑ(t) − z(t)∥ ≤ exp(−λ t) ∥ẑ(0) − z(0)∥ pour un nombre réel positif λ.
Cependant, la construction de l’observateur requiert la connaissance de tous les paramètres du mo-

dèle. Ceci n’étant pas le cas pour notre système puisque le paramètre β est inconnu. Par ailleurs,
61
la force d’infection ou la fonction qui modélise le contact effectif d’un mérozoites et un érythrocytes
saint ξ(x, m, t) n’est pas bien connue. Par conséquent nous allons considérer le terme βξ(x, m, t)
qui apparait dans le système (5.4a) comme une entrée inconnue et nous utiliserons la notation :
d(t) = β ξ(x(t), m(t), t). Avec cela, le système (5.4) peut être considérer comme un système linéaire
avec entrée inconnue d(t) et peut être écrit sous la forme :
ż = Az + Λe1 + d(t) E (5.6a)

Y = Cz (5.6b)
Considérons premièrement l’équation des mesures (5.6b). Nous avons :
Y˙ = C ż
= CAz + CEd(t) + ΛCe1
Puisque CE = 1 et Ce1 = 0, nous avons donc
d(t) = Y˙ − CAz
L’équation (5.6a) conduit à :
ż = Az + Ed(t) + Λe1
= Az + E(Y˙ − CAz) + Λe1
= (In+2 − EC)A z + E Y˙ + Λe1
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶
Ā
Nous avons ainsi tout les ingrédients nécessaires pour dériver une méthode pour estimer dynamique-
ment l’état z(t) de notre système. En utilisant les idées introduites dans [59], nous allons construire
un estimateur (observateur) pour le système (5.6) donné par le théorème suivant :
Théorème 5.1. Si la paire (Ā, C) est détectable, un observateur asymptôtique du système (5.6)
est donné par
ẇ = (Ā − LC)w + {(L + (Ā − LC)E} Y + Λe1 (5.7a)
ẑ = w + E Y (5.7b)
Ce observateur est inspiré de [59]. La théorie des observateurs à entrées inconnues est rappelée en
annexe A.7.4. La matrice L est choisit telle que Ā − LC soit Hurwitz. L’existence d’une telle matrice
est assurée par l’hypothèse de détectabilité du couple (Ā − LC). On peut remarquer que le calcul des
estimés ẑ(t) ne dépend pas du paramètre β.
Preuve. Nous allons prouver que l’erreur de l’estimation e(t) = ẑ(t)−z(t) converge exponentiellement
62
vers zéro. En effet, nous avons
ė = ẑ˙ − ż
= ẇ + E Y˙ − Āz − E Y˙ − Λe1
= (Ā − LC)w + {(L + (Ā − LC)E} Y + Λe1 + E Y˙ − Āz − E Y˙ − Λe1
= (Ā − LC)w + {(L + (Ā − LC)E} Y − Āz
= (Ā − LC)(ẑ − E Y) + {(L + (Ā − LC)E} Y − Āz
= (Ā − LC)ẑ − (Ā − LC)E Y + L Y + (Ā − LC)E Y − Āz
= (Ā − LC)ẑ + LCz − Āz
= (Ā − LC)(ẑ − z)
= (Ā − LC)e
Si (Ā, C) est détectable (voir le lemme ci-dessous), il existe une matrice colonne L = (l1 , l2 , . . . , ln+2 )t ∈
Rn+2 telle que la matrice Ā − LC est Hurwitz, i.e., tous ses valeurs propres ont une partie réelle
négative. Ceci prouve que ∥e(t)∥ → 0 avec un taux de convergence exponentiel ( puisque toutes les
valeurs propres de la matrice Ā − LC sont de partie réelle négative).
Montrons maintenant le lemme suivant :
Lemme 1. Le couple (Ā, C) est détectable.
Preuve. Par souci de lisibilité, notons par αi = γi + µi . Rappelons que Ā = (In+2 − EC)A. On a donc
successivement :
⎛ 0 −1 −1 ⋯ −1 0 ⋯ 0 ⎞
⎜ ⎟
⎜ ⎟
⎜ 0 1 1 ⋯ 1 0 ⋯ 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 0 0 ⋯ 0 0 ⋯ 0 ⎟
⎜ ⎟
EC = ⎜⎜
⎟
⎟
⎜ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 0 0 ⋯ 0 0 ⋯ 0 ⎟
⎜ ⎟
⎜ ⎟
⎝ 0 −1 −1 ⋯ −1 0 ⋯ 0 ⎠
Et donc
⎛ 0 α1 − γ1 α2 − γ2 ⋯ αk−1 − γk−1 αk 0 ⋯ 0 ⎞
⎜ ⎟
⎜ ⎟
⎜
⎜ 0 −α1 + γ1 −α2 + γ2 ⋯ −αk−1 + γk−1 −αk 0 ⋯ 0 ⎟
⎟
⎜ ⎟
⎜ 0 0 0 ⋯ 0 0 0 ⋯ 0 ⎟
⎜ ⎟
ECA = ⎜
⎜
⎟
⎟
⎜ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜
⎜ 0 0 0 ⋯ 0 0 0 ⋯ 0 ⎟
⎟
⎜ ⎟
⎝ 0 α1 − γ1 α2 − γ2 ⋯ αk−1 − γk−1 αk 0 ⋯ 0 ⎠
63
Enfin, on a :
⎛ −µx −α1 + γ1 −α2 + γ2 −α3 + γ3 ⋯ −αk−1 + γk−1 −αk 0 ⋯ 0 0 ⎞
⎜ ⎟
⎜ ⎟
⎜ 0 −γ1 α2 + γ2 α3 − γ3 ⋯ αk−1 − γk−1 αk 0 ⋯ 0 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 γ1 −α2 0 ⋯ 0 0 0 ⋯ 0 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 0 γ2 −α3 ⋯ 0 0 0 ⋯ 0 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⋮ ⋮ ⋮ ⋱ ⋱ ⋮ ⋮ ⋮ ⋯ ⋯ ⋮ ⎟
⎜ ⎟
⎜ ⎟
Ā = ⎜
⎜ 0 0 0 0 γk−2 −αk−1 0 0 ⋮ 0 0 ⎟
⎟
⎜ ⎟
⎜ ⎟
⎜ 0 0 0 0 0 γk−1 −αk 0 ⋮ 0 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⋮ ⋮ ⋮ ⋱ ⋱ ⋮ ⋱ ⋱ ⋮ ⋮ ⋮ ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 0 0 0 ⋯ ⋮ ⋮ ⋱ ⋱ ⋮ ⋮ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 0 0 0 ⋯ 0 0 0 γn−1 −αn 0 ⎟
⎜ ⎟
⎜ ⎟
⎝ 0 −α1 + γ1 −α2 + γ2 −α3 + γ3 ⋯ −αk−1 + γk−1 −αk 0 ⋯ rγn −µm ⎠
Remarquons d’abord que le couple (Ā, C) n’est pas observable. En effet, on vérifie facilement que
C Ā = 0⃗Rn+2 . Ainsi C Āi = 0⃗Rn+2 ∀i = 1, . . . , n + 1. D’où
⎛ C ⎞
⎜ ⎟
⎜ ⎟
⎜ C Ā ⎟
⎜ ⎟
⎜ ⎟
rangO = rang ⎜ 2 ⎟=1<n+2
⎜ C Ā ⎟
⎜ ⎟
⎜ ⎟
⎜ ⋮ ⎟
⎜ ⎟
⎜ ⎟
⎝ C Ān+1 ⎠
Ainsi le critère d’observabilité de Kalman n’est pas satisfait et donc le couple (Ā, C) n’est pas obser-
vable. Voyons voir si le couple (Ā, C) est détectable. Soit le système générique :
⎧
⎪
⎪ ż = Āz
⎪
⎨ (∗)
⎪
⎩ Y = Cz
⎪
⎪
On peut mettre (∗) sous la forme canonique afin de séparer la partie observable et la partie non
observable.
Puisque rangO = 1, trouvons une matrice Q et T telles que
O = [Q, 0]T
où rankQ = 1 et T une matrice inversible. Effectuons maintenant le changement de coordonnées
z̃ = T z (5.8)
Ainsi, on a :
z̃˙ = T ĀT −1 z̃ et Y = CT −1 z̃
´¹¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¶ ²
Ã C̃
64
Avec
⎛ Ã11 Ã12 ⎞
Ã = ⎜ ⎟ C̃ = (C̃1 , C̃2 )
⎝ Ã21 Ã22 ⎠
⎛ z̃1 ⎞
On peut montrer que Ã12 = 0 et C̃2 = 0)
(Voir en annexe A.7.3). Donc, si z̃ = ⎜ ⎟ avec z̃1 de
⎝ z̃2 ⎠
dimension 1, le système (∗), sera équivalent à
⎧
⎪
⎪
⎪
⎪ z̃˙1 = Ã11 z̃1
⎪
⎪
⎪
⎨ z̃˙2 = Ã21 z̃1 + Ã22 z̃2 (∗∗)
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎩ Y = C̃1 z̃1
Le couple (Ã11 , C̃1 ) est clairement observable car les matrices Ã11 et C̃1 sont unidimensionnelles.
Ainsi, pour que le couple (Ā, C) soit détectable, il faut et il suffit que la matrice Ã22 soit Hurwitz, i.e
toutes les valeurs propres de Ã22 sont de parties réelles négatives.
Pour notre système, la complexité du signe des valeurs propres de Ã22 dépend de k. Par exemple avec
le choix
(k + 1)e
⎛0 1 1 1 ⋯ ⋯ 1 ⎞
⎜ ⎟
⎜0 1 0 0 ⋯ ⋯ 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜0 0 1 0 ⋱ ⋯ 0 ⎟
⎜ ⎟
⎜
⎜ 0n−k+1 ⎟
⎟
⎜⋮ ⋮ ⋱ ⋱ ⋱ ⋮ ⋮ ⎟
⎜ ⎟
⎜ ⎟
⎜⋮ ⋮ ⋱ ⋱ ⋱ ⋱ ⋮ ⎟
⎜ ⎟
⎜ ⎟
T= ⎜
⎜0
⎟
⎜ 0 ⋯ ⋯ 0 1 0 ⎟
⎟
⎜ ⎟
e ⎜ ⎟
(k + 1) ⎜1 0 ⋯ ⋯ 0 0 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜
⎜ 0n−k+1 In−k+1 ⎟
⎟
⎜ ⎟
⎝ ⎠
qui est clairement inversible. De plus pour Q = e1 , le premier vecteur de la base canonique de Rn+2 ,
on a bien
[Q, 0n+1 ]T = O
65
De plus, Ã aura la forme :
⎛ Ã11 Ã12 ⎞
Ã = ⎜ ⎟=
⎝ Ã21 Ã22 ⎠
⎛ 0 0 0 ⎞
⎜ ⎟
⎜ ⎟
⎜ αk −γ1 − αk µ2 − αk µ3 − α k ⋯ ⋯ µk−1 − αk ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 γ1 −α2 0 ⋯ ⋯ 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 0 γ2 −α3 0 ⋯ 0 ⎟
⎜ 0 ⎟
⎜ ⎟
⎜ ⋮ ⋮ ⋮ ⋱ ⋱ ⋱ ⋮ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⋮ ⋮ ⋮ ⋱ ⋱ ⋱ 0
⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 0 ⋯ ⋯ 0 γk−2 −αk−1 ⎟
⎜ ⎟
⎜ ⎟
⎜ −αk −µ1 + αk −µ2 + αk ⋯ ⋯ ⋯ −µk−1 + αk −µx 0 0 0 ⋯ ⋯ 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ γ −γk −γk −γk ⋯ ⋯ −γk 0 −αk+1 0 0 ⋯ ⋯ 0 ⎟
⎜ k ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 0 0 0 ⋯ ⋯ 0 0 γk+1 αk+2 0 ⋱ ⋯ 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋯ ⋱ ⋱ ⋱ ⋱ ⋮ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋯ ⋱ ⋱ ⋱ ⋱ 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 0 0 0 0 0 0 0 ⋯ ⋯ 0 γn−1 −αn 0 ⎟
⎜ ⎟
⎜ ⎟
⎝ −αk −µ1 + αk −µ2 + αk ⋯ ⋯ ⋯ −µk−1 + αk 0 0 ⋯ ⋯ 0 rγn −µm ⎠
Par ailleurs, on a aussi,
C̃ = CT −1
= (1, 0, . . . , 0)
= (C̃1 , 0, . . . , 0)
où C̃1 = 1. Comme Ã11 est un scalaire (le premier éléments de Ã) alors il est clair que le couple
(Ã11 , C̃1 ) est observable. Remarquons aussi qu’au vu de la forme de C̃, les valeurs propres de Ã et
celles de Ã − LC̃ sont les mêmes sauf pour la "première" valeur propre où on aura 0 pour Ã et −l1
pour Ã − LC̃. C’est le seul mode contrôlable de notre système.
Pour finir la preuve, il suffit de prouver que la matrice Ã22 (qui n’est rien d’autre que Ã sans la
première colonne et la premier ligne) est Hurwitz. La matrice Ã22 est diagonale par bloc. Le dernier
"box" de Ã22 est Hurwitz. Donc, pour que Ã22 soit Hurwitz, il suffit que la matrice suivante le soit :
⎛ −γ1 − α µ2 − α µ3 − α ⋯ ⋯ µ ⎞
k k k k−1 − αk
⎜ ⎟
⎜ ⎟
⎜
⎜ γ1 −α2 0 ⋯ ⋯ 0 ⎟
⎟
⎜ ⎟
⎜ 0 γ2 −α3 0 ⋯ 0 ⎟
♯ ⎜ ⎟
Ã22 = ⎜
⎜
⎟
⎟
⎜ ⋮ ⋮ ⋱ ⋱ ⋱ ⋮ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜
⎜ ⋮ ⋮ ⋱ ⋱ ⋱ 0 ⎟
⎟
⎜ ⎟
⎝ 0 ⋯ ⋯ 0 γk−2 −αk−1 ⎠
66
Malgré la forme, un peu particulière , prouver que cette matrice a toutes ses valeurs propres à parties
réelles négatives est très difficile si k est grand. C’est une matrice carrée de dimension k −1. Cependant
pour k ≤ 6, on montre (voir la section 5.4 à la fin de ce chapitre) par le critère de Routh-Hurwitz
que Ã♯22 a toutes ses valeurs propres dans le demi-plan gauche du plan complexe. Pour cela, on a
utilisé le logiciel de calcul formel Maple pour vérifier les conditions de Routh-Hurwitz. Ceci termine
la preuve.
Le lemme 1 est aussi vrai dans certains cas pour k quelconque. En effet, si αk < min µi , la
i=2...,k−1
matrice Ã♯22 est de Metzler, i.e tous les termes non-diagonaux sont positifs.
La somme des valeurs absolues des termes hors diagonaux, ajoutée au terme diagonal donne le vecteur
ligne
[−αk , −αk , −αk , ⋯, −αk , −γk−1 − αk ]
Ce vecteur est négatif et non nul, alors par le théorème de Gerschgorin (voir A.6 en annexe), toutes
les valeurs propres de Ã♯22 sont dans le demi plan gauche du plan complexe.
Remarque 5.1. La méthode d’estimation proposée dans le théorème 5.1 est valide pour un
nombre quelconque n de classes d’âges.
Evaluons maintenant les différents termes de l’observateur du théorème 5.1. D’après le changement
de variable (5.8), il suffit de choisir la composante l1 > 0 de L pour que Ã − LC̃ soit Hurwitz ou de
manière équivalente de choisir L telle que l2 + l3 + ⋅ ⋅ ⋅ + lk+1 > 0 pour que Ā − LC soit Hurwitz car :
⎛ l2 + l3 + ⋅ ⋅ ⋅ + lk+1 ⎞
⎜ ⎟
⎜ ⎟
⎜
⎜ l2 ⎟
⎟
⎜ ⎟
⎜ ⋮ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜
⎜ lk ⎟
⎟
TL = ⎜ ⎟
⎜ ⎟
⎜
⎜ l1 ⎟
⎟
⎜ ⎟
⎜ lk+2 ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⋮ ⎟
⎜ ⎟
⎜ ⎟
⎝ ln+2 ⎠
67
5.2 Estimation du taux d’infection β Application au paludisme
Ainsi, comme les valeurs propres de Ā − LC ne dépendent que de li avec i = 2, . . . , k + 1, on pourra
prendre l1 = 0 et li = 0 pour i = k + 2, . . . , n + 2. Ainsi,
⎛ 0 0 0 ⋯ 0 0 ⋯ 0 ⎞
⎜ ⎟
⎜ ⎟
⎜ 0 l2 l2 ⋯ l2 0 ⋯ 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
LC = ⎜ 0 lk+1 lk+1 ⋯ lk+1 0 ⋯ 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 0 0 ⋯ 0 0 ⋯ 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⎟
⎜ ⎟
⎜ ⎟
⎝ 0 0 0 ⋯ 0 0 ⋯ 0 ⎠
Ainsi l’expression de Ā − LC s’en déduit. Par ailleurs puisque CE = 1, alors
L + (Ā − LC)E = ĀE = {−C1 + C2 − Cn+2 }
où C1 , C2 et Cn+2 sont respectivement la première, la deuxième et la dernière colonne de Ā. Ainsi :
⎛ µx − µ1 ⎞
⎜ ⎟
⎜ ⎟
⎜ −γ1 ⎟
⎜ ⎟
⎜ ⎟
⎜ γ1 ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
L + (Ā − LC)E = ⎜ 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ ⋮ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜
⎜ 0 ⎟
⎟
⎜ ⎟
⎝ −µ1 − µm ⎠
On a donc tous les éléments de l’observateur (5.7a) et (5.7a). Grâce à cet observateur, on peut
estimer facilement w et donc ẑ qui tend exponentiellement vers z. Par conséquent, nous estimons la
n
charge parasitaire totale ∑ yi .
i=1
5.2 Estimation du taux d’infection β

Le taux d’infection β dans (5.3) est un paramètre clé dans la compréhension de la dynamique
intra-hôte du plasmodium falciparum, la souche la plus virulente du paludisme. Cependant la valeur
de β est très peu connue. Dans la section précédente, nous avons estimé les différents états de notre
système sans utiliser β. Après cela est-il possible d’en déduire une valeur de β à partir de ces états
estimés ?. C’est ce à quoi nous essayerons de faire dans ce qui suit.
Supposons que le contact est modélisé par la loi action de masse bilinéaire, i.e ξ(x, m, t) = x(t)m(t).
Ce choix est vraisemblable car les variables considérées ici sont des concentrations. Ainsi le modèle
68
5.2 Estimation du taux d’infection β Application au paludisme
(5.3) sécrit
⎧
⎪
⎪
⎪ ẋ = Λ − µx x − βxm
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ ẏ1 = βxm − (γ1 + µ1 ) y1
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ ẏ2 = γ1 y1 − (γ2 + µ2 ) y2
⎨ (5.9)
⎪
⎪
⎪
⎪
⎪ ...
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ ẏn = γn−1 yn−1 − (γn + µn ) yn
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎩ ṁ = r γn yn − µm m − βxm
Considérons la dynamique de y1 dans (5.9). Nous avons
ẏ1 = βxm − (µ1 + γ1 )y1
Par la méthode de variation de la constante, nous avons :

t
y1 (t) = y1 (t0 )e−(µ1 +γ1 )(t−t0 ) + β ∫ x(s)m(s)e(µ1 +γ1 )(s−t) ds (5.10)
t0
Sachant que l’état ẑ = (x̂, ŷ1 , ŷ2 , . . . , ŷn , m̂) converge exponentiellement vers z = (x, y1 , y2 , . . . , yn , m),
on peut remplacer x(t), y1 (t) et m(t) par leur estimés x̂, ŷ1 et m̂(t) respectivement dans (5.10). Nous
avons donc :
t
ŷ1 (t) = ŷ1 (t0 )e−(µ1 +γ1 )(t−t0 ) + β̃ ∫ x̂(s)m̂(s)e(µ1 +γ1 )(s−t) ds
t0
Ainsi,
t
ŷ1 (t)e(µ1 +γ1 )t − ŷ1 (t0 )e(µ1 +γ1 )t0 = β̃ ∫ x̂(s)m̂(s)e(µ1 +γ1 )s ds (5.11)
t0
L’équation (5.11) est valide pour tout t. En particulier, si on discrétise le segment [t0 , tf ] en segments
[ti+1 , ti ] où t0 = 0, on obtient :
ti+1
ŷ1 (ti+1 )e(µ1 +γ1 )ti+1 − ŷ1 (ti )e(µ1 +γ1 )ti = β̃ ∫ x̂(s)m̂(s)e(µ1 +γ1 )s ds (5.12)
ti
ti+1
Pour chaque i, soit Ui = ŷ1 (ti+1 )eα1 ti+1 − ŷ1 (ti )e(µ1 +γ1 )ti et Vi = ∫ x̂(s)m̂(s)e(µ1 +γ1 )s ds.
ti
On peut donc calculer, pour chaque i, Ui et Vi . Par conséquent, (5.12) peut s’écrire comme :
U = β̃V
où U et V sont des vecteurs colonnes de dimension appropriées, dont on note avec Ui et Vi le compo-
santes de U et V respectives.
Ainsi, par une régression linéaire on obtient β̃ qui est un estimé de β. Nous verrons dans la section
qui suit des applications qui vont nous permettre d’estimer une valeur numérique de β̃.
69
5.3 Applications Application au paludisme
5.3 Applications
Dans cette section nous allons montrer comment notre méthode d’estimation de la parasitémie
totale (ou séquestrée) à partir de la parasitémie périphérique (données) peut s’appliquer. Nous dé-
signons par parasitémie, la densité des parasites dans le sang. Les données que nous utilisons pour
les mesures de la parasitémie périphériques Y(t) ont été collectées quand le paludisme est utilisé
comme une thérapie pour la neurosyphilis par le US Public Health Service au National Institutes of
Health laboratories à Columbia en Caroline du Sud et à Milledgeville dans l’Etat de Georgie [28]. Le
parasite a été inoculé aux patients à travers soit une piqûre anophelienne ou par injection du sang
infecté [28, 38]. Ces données ont été utilisées avec succès par beaucoup d’auteurs [28, 38, 48, 104] dans
différentes directions pour l’étude intra-hôte du parasite Plasmodium faliciparum. Nous considérons
ici les données de quatre patients, notés par S1204, S1050, G221 et G52, qui ont été étudiés dans [38]
pour les même raisons.
Ces raisons sont le fait que ces patients n’ont pas les caractéristiques suivantes :
(i) Le traitement avec les médicaments connus pour avoir des effets sur les gametocytes (chlorguanide,
pyri- methamine, primaquine) ou des médicaments inconnus ;
(ii) super- inoculation avec aucun autre parasite du malaria au cours de l’infection ;
(iii) statut parasitologique sur le jour avant le début du traitement curatif positif ou incertitudes ;
(iv) La quantité des gamétocytes ne dépasse jamais 100 µL (sinon une bonne estimation des para-
mètres serait impossible) ;
(v) inoculation d’une souche rarement utilisée.
Les données de ces patients particuliers sont appropriées pour notre étude parce que une des raisons
de ce choix est que ces patients ne prennent pas de traitements connus pour affecter les gametocytes
(chlorguanide, pyri- methamine, primaquine) ou d’autre médicaments inconnus [38] et donc correspond
avec les taux mortalités faibles des globules rouges parasités prises ici et dans [45].
5.3.1 Application 1
Le nombre exact de différents stades d’une cellule de l’infection à la maturation d’un globule rouge
sain n’est pas connu. Cependant selon [45], il y a 5 principaux stades : anneau jeune, anneau mûr,
trophozoite, schizonte jeune et enfin schizonte mûre. La même source indique que l’on ne mesure
que les deux premiers stades (anneau jeune et anneau mûr). Ces deux stades donnent l’essentiel
de la parasitémie mesurée à partir du sang périphérique et que les 3 autres représentent la masse
parasitaire séquestrée cachée dans les microvasculatures. Ainsi, dans notre modèle (5.3), n = 5 et k = 2
et naturellement Y(t) = y1 (t)+y2 (t) représente les mesures de parasitémie disponibles. Les hypothèses
70
du théorème 5.1 sont satisfaites car le couple (Ā, C) est détectable avec
⎛ −µx −α1 + γ1 −α2 0 0 0 0 ⎞

⎜ ⎟
⎜ ⎟
⎜ 0 −γ1 α2 0 0 0 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 γ1 −α2 0 0 0 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
Ā = ⎜ 0 0 γ2 −α3 0 0 0 ⎟ et C = (0, 1, 1, 0, 0, 0, 0)
⎜ ⎟
⎜ ⎟
⎜ 0 0 0 γ3 −α4 0 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 0 0 0 γ4 −α5 0 ⎟
⎜ ⎟
⎜ ⎟
⎝ 0 −α1 + γ1 −α2 0 0 rγ5 −µm ⎠
Plus précisement les valeurs propres de Ā − LC sont :
Sp(Ā − LC) = {−l2 − l3 ; −µx ; −µm ; −µ5 − γ5 ; −µ4 − γ4 ; −µ3 − γ3 ; −γ1 − µ2 − γ2 ; }
Comme on a vu dans le cas général, il suffit de prendre les composantes de L telles que l2 + l3 > 0 pour
garantir que les valeurs propres de Ā − LC soient strictement négatives.
Plus précisément, pour n = 5 et k = 2, l’observateur 5.7 s’écrit :
⎧
⎪
⎪
⎪
⎪ ẇ1 = −µx w1 − µ1 w2 − (µ2 + γ2 ) w3
⎪
⎪
⎪
⎪
⎪
⎪ ẇ2 = − (γ1 + l2 ) w2 + (µ2 + γ2 − l2 ) w3
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ ẇ3 = (γ1 − l3 ) w2 − (µ2 + γ2 + l3 ) w3
⎪
⎪
⎪
⎪
⎪
⎪ ẇ4 = γ2 w3 − (µ3 + γ3 ) w4
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ ẇ5 = γ3 w4 − (µ4 + γ4 ) w5
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ ẇ6 = γ4 w5 − (µ5 + γ5 ) w6
⎪
⎪
⎪
⎪
⎪
⎪ ẇ7 = −µ1 w2 − (µ2 + γ2 ) w3 + r γ5 w6 − µm w7
⎪
⎪
⎪
⎨ (5.13)
⎪
⎪
⎪
⎪
⎪
⎪ ẑ1 = w1 − Y
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ ẑ2 = w2 + Y
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ ẑ3 = w3
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ ẑ4 = w4
⎪
⎪
⎪
⎪
⎪
⎪ ẑ5 = w5
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ ẑ6 = w6
⎪
⎪
⎪
⎪
⎪
⎪ ẑ7 = w7 − Y
⎩
Après avoir découplé notre observateur (5.13) du paramètre non connu β, voyons quelles sont
les valeurs des autres paramètres de (5.13) qui sont connues ou au moins largement acceptées. Avec
plusieurs classes d’âges, comment choisir les taux de transition est une tache difficile [45, 47] sachant
que la durée de vie d’une globule rouge parasité est de 2 jours. Dans cette thèse, nous utilisons les
71
taux de transitions et de mortalités utilisés dans [45] pour les patients sans fièvre, i.e : à 37 ○ C. Nous
avons donc :
i Transition γi Death rate µi
1 1.96 0
2 3.78 1.86
3 2.85 0
4 1.76 0.1
5 3.26 0
5
1
Avec ces paramètres, nous obtenons ∑ = 1.9101065 jours, qui est relativement proche de 2
i=1 γi + µi
jours.
L’unité de concentration de parasitémie est le microlitre ( µL) et celle du temps est le jour. La
1
durée de vie d’un érythrocyte sain est de 120 jours [9, 48], donc µx = 120 jour−1 .
Pour le recrutement constant, nous procédons comme dans [56, 99] où on fixe le taux constant de la
6
production des érythrocytes à 5×10 −1 −1
120 cells µL jour . Cette quantité est obtenue à partir de l’équilibre
sans parasite 0 = Λ − µx x0 où x0 est la concentration fixe de globule rouge dans le sang (d’un adulte
mâle, par exemple) qui est d’environ 5 × 106 RBCs par µL .
1
La durée de vie d’un mérozoite ( ) est, selon [9], d’environ 20 minutes, soit µm = 72 jours−1 .
µm
Le nombre des mérozoites libérés dans le flux sanguin est entre 8 et 32. Nous prenons donc ici r = 16.
Nous prenons l2 = l3 = 5.
Avec ces valeurs, toutes les valeurs propres de Ā − LC sont négatives, l’estimation de l’erreur tendra
exponentiellement vers zéro.
Avant de tester l’observateur sur des données réelles, on se propose d’effectuer une confrontation
de l’observateur avec des données simulées pour le modèle, afin de tester vitesse de convergence et
robustesse aux bruits de mesures et incertitudes de modèle. Cette précaution parait d’autant plus
importante que le système n’est pas observable, et que par conséquent l’innovation ne renseigne de la
convergence que pour les composantes observables du modèle. On obtient les courbes suivantes :
72
Figure 5.1 – Courbes de x (rouge) et son estimé x̂ (bleu)
Remarque 5.2.
La convergence de la variable x est assez lente. C’est par ce que la valeur propre correspondante
de Ā − LC est µx est très faible. Cependant notons l’estimation de la charge parasitaire totale
ne dépens pas de x mais des yi dont les convergences sont rapides comme on le verra dans les
figures qui suivent.
73
Figure 5.2 – Courbes de y1 (tirets) et son estimé ŷ1 (continu)
74
Figure 5.4 – Courbes de y3 (tiret) et son estimé ŷ3 (continu)
75
Figure 5.7 – Courbes de m (tirets) et son estimé m̂ (continu)
76
Pour une précision donnée > 0, il est possible de calculer le temps minimal t à partir duquel
∣yˆi (t) − yi (t)∣ < ∥ ẑ(0) − z(0) ∥ pour tout t > t .
Il y a une méthode graphique pour déterminer t , il suffit de compiler l’observateur (5.13) avec
des conditions initiales différentes et donc les estimés deviennent fiables à partir du temps où les
différentes courbes se confondent. Une illustration pour la charge parasitaire totale est donnée dans
la figure 5.8. Pour le patient S1204, t ≈ 5 jours.
total parasitaemia/+l
time (days)
Figure 5.8 – Patient S1204 : Estimation de la charge parasitaire totale avec des conditions initiales
pour l’observateur (5.13) : Les estimations deviennent précises pour un temps t > 5 jours.
77
parasitaemia per micro-liter
t (days)
Figure 5.9 – Patient S1204 : Mesures( données) de parasitémie périphérique (en continue) et et de
la parasitémie séquestrée (tirets).
Les estimations des parasitémies séquestrées et de la parasitémie totale par microlitre pour le
patient S1204 sont données dans la Table 5.1.
78
Temps Parasitémie Parasitémie séquestrée Parasitémie totale
en jours périphérique/µl (data) estimée /µl estimée/µl
5 5811 22727 28538
10 180 9419 9599
15 0 3 3
20 9 3 12
25 0 1 1
30 0 1 1
35 340 248 588
40 25696 50217 75913
45 336 2359 2695
. 50 7660 4931 12591
55 12900 10809 23709
60 7100 9792 16892
65 1420 5123 6543
70 180 841 1021
75 7830 6547 14377
80 20 104 124
85 580 2173 2753
90 560 322 882
95 3130 5232 8362
100 950 1571 2521
Table 5.1 – Estimations donnée par l’observateur (5.13)
On présente maintenant quelques figures obtenues à partir de l’observateur (5.13). Commençons par
présenter l’allure des variables générées par l’observateur qui convergent exponentiellement vers les
variables d’origine. On présentera, ces variables pour un seul patient, disons G221 par exemple.
79
Figure 5.10 – Dynamique des érythrocytes sains estimés x̂(t).
80
Figure 5.11 – Dynamique des anneaux jeunes estimés ŷ1 (t).
81
Figure 5.12 – Dynamique des anneaux mûrs estimés ŷ2 (t).
82
Figure 5.13 – Dynamique des trophozoites estimés ŷ3 (t).
83
Figure 5.14 – Dynamique des schizontes jeunes estimés y4 (t).
84
Figure 5.15 – Dynamique des schizontes mûrs estimés y5 (t).
85
Figure 5.16 – La dynamiques des mérozoites libres estimés m̂(t)
On remarque que lorsque le temps approche les 200 jours, les mérozoites et les cellules rouges parasités
tendent vers zéro et que les globules rouges sains tendent vers une valeur fixe.
86
On présentera maintenant les courbes de la parasitémie périphérique et la parasitémie totale des
différents patients considérés.
Figure 5.17 – Patient G54 : Estimation de la parasitemie totale (bleu) et de la parasitemie périphé-
rique estimée(rouge)
Figure 5.18 – Patient S1204 : Estimation de la parasitemie totale (bleue) et de la parasitemie

périphérique estimée(rouge)
87
Figure 5.19 – Patient S1050 : Estimation de la parasitémie totale (bleue) et de la parasitémie

Dans les figures ci-dessus, on remarque une différence notable ( 50000 µL pour le patient G54 par
exemple) entre les pics de la charge parasitaire totale et ceux de la parasitémie mesurée.
Dans les figures ci dessous, nous comparons les données avec la parasitée périphériques estimée ŷ1 (t) +
ŷ2 (t).
Ainsi, au vu des figures (5.21, 5.22), (5.23, 5.24), (5.25, 5.26), et (5.27, 5.28) , on voit que la convergence
de la charge périphérique estimées est très rapide et qu’elle est confondue avec les données de la charge
périphérique.
88
Figure 5.20 – Patient G221 : Estimation de la parasitémie totale (bleue) et de la parasitémie

Figure 5.21 – Patient G221 : Données de la parasitémie périphérique (continue) et de la parasitémie

périphérique estimée(tirets)
89
Figure 5.22 – Patient G221 : Comparaison au début du temps de l’estimation
Figure 5.23 – Patient G54 : Données de la parasitémie périphérique (continue) et de la parasitemie

90
Figure 5.24 – Patient G54 : Comparaison au début du temps de l’estimation
Figure 5.25 – Patient S1204 : Données de la parasitémie périphérique (continue) et de la parasitemie

91
Figure 5.26 – Patient S1204 : Comparaison au début du temps de l’estimation
Figure 5.27 – Patient S1050 : Données de la parasitémie périphérique (continue) et de la parasitemie

92
Figure 5.28 – Patient S1050 : Comparaison au début du temps de l’estimation
93
Suivant la section 5.2, et en implémentant l’équation (5.11) sur Maple, nous obtenons les valeurs
estimées de β pour les differents patients :
# Patient β (×10−6 )
S1204 0.44905
S1050 0.72557
G221 2.29484
G54 1.18315
Si on considère d’autres patients, on a les valeurs de β suivantes :
S1288 1.15498
S1205 2.05088
S1114 1.94612
S627 2.18374
S607 1.44119
S606 0.15547
S556 1.30511
S404 0.20384
S224 0.81392
G242 0.86612
G452 1.15468
On remarque que les valeurs de β sont tous de l’ordre de 10−6 . Le fait qu’il y a une variabilité de la
valeur de β selon les patients est difficile à expliquer avec certitude. Cependant, d’un coté c’est normal
puisque chaque organisme ne réagit pas exactement de la même manière durant une infection. D’un
autre coté, on pourrait penser par exemple que β est une fonction du temps. Cette dernière hypothèse
est à developper dans un travail futur.
5.3.2 Application 2 : Agrégation des variables

Le nombre exact de classes dans la dynamique des globules rouges parasités n’est pas bien connu.
Un point de départ est bien sûr la forme morphologique du parasite dans la cellule. Cependant le
nombre de classe allant de 5 à 48 ont été utilisé dans [45, 47, 48, 49]. C’est encore plus difficile de
savoir le nombre de classes dans la phase des parasites séquestrés ou circulants. Par exemple dans
[45], les auteurs affirment qu’il y a 2 classes de parasites circulantes et 3 classes pour les parasites
séquestrés. Par ailleurs, selon [47], il existe 4 compartiments de parasites circulants et de même pour
les parasites séquestrés. La figure 5.29 en donne une illustration. Cette dernière concorde avec le fait
94
que la séquestration des parasites commence généralement à mi-chemin de leur durée de vie. C’est
ce qui nous conduit à agréger les variables représentant la dynamique des PRBCs, i.e. à diviser le
cycle des érythrocytes infectés en deux classes majeures que sont les séquestrés et les circulants.
Nous appellerons ces classes majeures méta-classes. Gravenor et al. [47] ont aussi considéré cette
décompositionM.mais ne considèrent
B. GRAVENOR ET AL. pas la dynamique des érythrocytes sains et des mérozoites libres.
At the half-way point of parasite

the infected erythrocyte leaves the
ood and binds to endothelium in
ulature where the cycle is com-
ter parasites released at erythro-
-enter the circulation and invade a
yte. A measurement of P. falci-
aemia taken from a blood smear
ples young parasites only. It is
elate this measure to the total
y. In many cases a population of
lops in synchrony. A low periph-
mia may reflect low or high total
bers depending on the level of
d the mean age of the parasite
eripheral parasitaemia therefore
ways to be a good correlate of Fig. 1. The mathematical model of the life cycle is
eters. based on a finite number of compartments (here depicted as
Figure 5.29 – Décomposition du cycle du
circles), each representing anPlasmodium
equal duration falciparum
of develop- en méta-classes
t to form a reliable picture of the ment time. In the above example, there are eight Compart-
imalarial therapy without
Ainsi, knowing
les deux variablesments
y1 etand since the parasite
y2 représentent life cycle is 48
les érythrocytes hr, each circulants qui sont mesurés
parasités
of the sequestered parasite popula- compartment represents 6 hr. Parasites can often be aged
et les érythrocytes parasités on séquestrés
appearance. Four respectivement.
commonly usedNous obtenons
morphological alors le modèle :
stages
imalarial drugs are known to act are young rings, late rings/young trophozoites, old tropho-
on different stages of parasite zoites and ⎧
⎪ schizonts/segmenters. In this model, these are
t is conceivable that a drug that
⎪ ẋ = Λby−two
each represented
⎪
⎪ µx xcompartments
− βξ(x, m, t) (though more can
be used).⎪
⎪
⎪In an infected individual, parasites in approxi-
d parasites from the peripheral ⎪
⎪
mately the ⎪ ẏfirst
⎪ 1 = βξ(x,
half ofm,the t) −cycle + γ1 )y1rings–young
(µ1 (young
fect slower clearance of sequestered trophozoites)
⎨ circulate freely and can be seen in the (5.14)
⎪ ẏ γ y γ
is of particular importance since peripheral⎪⎪
⎪
⎪
blood,
2 = while
1 1 all
− (µ other
2 + parasites
2 )y2 sequester in the
tration is considered central to the deep vasculature
⎪
⎪
⎪ (old trophozoites–segmenters) and cannot
⎪
be detected.
⎪
⎪ ṁ = rγ2 y5 − µm m − βξ(x, m, t)
evere malaria. White et al. (1992) ⎩
athematical models can be used to
Sachant que l’on mesure Y(t) = y1 (t), et en notant βξ(x(t), m(t), t) = d(t), le système (5.14) s’écrit
ns of parasite sequestration. Grave-
8) presenteddans le paradigme
a simple method de forla théorie
48 h. In du our
contrôlemodel, comme :
we divide the cycle into a
mates of the level of sequestered number of successive compartments. One of the
observed peripheral parasitaemia critical problems ż = toAzbe+ Ed(t) discussed + Λelater
1 is how (5.15a)
dergoing drug treatment. Here, we to decide upon Y the = number
Cz of parasite compart- (5.15b)
eral approach to modelling the age ments in the model, but a useful starting point is
thatz =
falciparum où can , y2 , m)to∈ R4 the
(x,bey1adapted et morphological appearance of the parasite
ular data set that is to be analysed. as shown in the figure. Immediately after the
test of the approach using in ⎛vitro erythrocyte invasion, the parasite
⎛ −1 ⎞has the
−µ 0 0 0 ⎞
parasites, apply the model to⎜two x appearance of a ‘ring’, ⎟after about ⎜ ⎟12 hr it
al data sets and use the model ⎜ gradually adopts a more ⎟
solid ⎜
appearance⎟ and
⎜ 0 −µ1 − γ1 0 0 ⎟ ⎜ 1 ⎟
A ⎜ ⎟ , E ⎜ ⎟ et C = (0, 1, 0, 0).
nvestigate the relationship between
= ⎜ is known as a ‘young trophozoite’ ⎟ = ⎜ (or late
⎟ ring).
⎜ 0 γ1 24 hr−µthe 2−γ 0 ⎟ ⎜ 0 ⎟
ature and total parasite density. ⎜
⎜ After trophozoite
2 ⎟ continues
⎟
⎜
⎜
⎟to grow
⎟
⎝ 0 and 0finally it becomes
rγ2 a
−µm ⎠ ‘schizont’ or
⎝ −1 ⎠‘segmenter’
Materials and Methods for the last 12 hr or so of the cycle, before
rupturing to release daughter parasites which
L AGE-STRUCTURED MODEL OF
infect other erythrocytes. In the infected indivi-
E ERYTHROCYTE CYCLE 95
dual in vivo, the parasite-infected erythrocytes
ustrates the intraerythrocytic life circulate freely in the bloodstream during the
iparum, which lasts approximately first half of the life cycle, but at about 24 hr into
Le même observateur (5.7a) et (5.7b) est valide. Pour les paramètres, en se basant sur les valeurs
de la section précédente, on prend γ1 = 1.03, γ2 = 0.74, µ1 = 0.42 et µ2 = 0.08. De même on a
2
1
∑ = 1.909167367 jours. Les autres paramètres sont standards et sont les même que la sous-
i=1 λi + µi
section précédente. Avec le choix L = (0, 5, 0, 0)T , nous avons successivement :
⎛ −µx −γ1 − µ1 0 0 ⎞ ⎛ −µx −γ1 − µ1 0 0 ⎞

⎜ ⎟ ⎜ ⎟
⎜ 0 0 0 0 ⎟ ⎜ 0 −5 0 0 ⎟
⎜ ⎟ ⎜ ⎟
Ā = ⎜
⎜
⎟
⎟ Ā − LC = ⎜
⎜
⎟
⎟
⎜ 0 γ1 −γ2 − µ2 0 ⎟ ⎜ 0 γ1 −γ2 − µ2 0 ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎝ 0 −γ1 − µ1 rγ2 −µm ⎠ ⎝ 0 −γ1 − µ1 rγ2 −µm ⎠
On a donc successivement :
⎛ −µx −γ1 − µ1 0 0 ⎞⎛ −1 ⎞ ⎛ µx − γ1 − µ1 ⎞
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ 0 −5 0 0 ⎟⎜ 1 ⎟ ⎜ −5 ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
(Ā − LC)E = ⎜
⎜
⎟⎜
⎟⎜
⎟=⎜
⎟ ⎜
⎟
⎟
⎜ 0 γ1 −γ2 − µ2 0 ⎟⎜ 0 ⎟ ⎜ γ1 ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎝ 0 −γ1 − µ1 rγ2 −µm ⎠⎝ −1 ⎠ ⎝ −γ1 − µ1 + µm ⎠
Et
⎛ µx − γ 1 − µ1 ⎞
⎜ ⎟
⎜ 0 ⎟
⎜ ⎟
L + (Ā − LC)E = ⎜
⎜
⎟
⎟
⎜ γ1 ⎟
⎜ ⎟
⎜ ⎟
⎝ −γ1 − µ1 + µm ⎠
Ainsi, pour ce modèle (5.15) un observateur est donné par :
⎛ −µx −γ1 − µ1 0 0 ⎞ ⎛ µx − γ 1 − µ1 ⎞
⎜ ⎟ ⎜ ⎟
⎜ 0 −5 0 0 ⎟ ⎜ 0 ⎟
⎜ ⎟ ⎜ ⎟
ẇ = ⎜
⎜
⎟w + ⎜
⎟ ⎜
⎟ y + Λe1
⎟ (5.16a)
⎜ 0 γ1 −γ2 − µ2 0 ⎟ ⎜ γ1 ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎝ 0 −γ1 − µ1 rγ2 −µm ⎠ ⎝ −γ1 − µ1 + µm ⎠
ẑ = w + Ey (5.16b)
Nous pouvons ainsi estimer tous les états et donc la charge parasitaire totale y1 (t) + y2 (t).
Maintenant qu’on a estimé la charge parasitaire totale en considérant les classes simples et les méta-
classes, il serait intéressant de comparer la charge parasitaire totale dans les deux cas. Pour cela,
considérons les quatre patients S1204, S1050, G221 et G54. On a les figures suivantes :
96
(a) (b)
Figure 5.30 – Patient S1204. Sur (a), La charge parasitaire totale en considérant les classes (rouge)
et charge parasitaire totale en considérant les métaclasses (bleue). (b) Présentation de (a) sur échelle
logarithmique
(a) (b)
Figure 5.31 – Patient S1050. Sur (a), La charge parasitaire totale en considérant les classes (rouge)
logarithmique
97
(a) (b)
Figure 5.32 – Patient G221. Sur (a), La charge parasitaire totale en considérant les classes (rouge)
logarithmique
(a) (b)
Figure 5.33 – Patient G54. Sur (a), La charge parasitaire totale en considérant les classes (rouge)
logarithmique
98
Remarque 5.3. Sur les figures (5.30), (5.31), (5.32) et (5.33), on remarque qu’il n’y pas une
grande différente pour l’estimation de la charge parasitaire totale en considérant les classes
simples ou les méta-classes.
Comme précédemment, nous trouvons les estimations suivantes de β pour différents patients.
De même, on a pour d’autres patients :
S1288 1.15290
S1205 2.40064
S1114 2.25001
S627 1.94321
S607 1.38805
S606 0.13938
S556 1.40710
S404 0.18369
S224 0.77214
G242 0.62010
G452 1.40322
Comment précédemment avec la charge parasitaire totale, comparons les différentes valeurs de β dans
le cas des classes simples et des méta-classes. Dans le tableau suivant, on présente toutes les valeurs
de β dans les deux cas.
99
Classes Méta-classes
# Patient β (×10−6 ) β (×10−6 )
S1204 0.49172 0.44905

S1050 0.69842 0.72557
G221 2.36547 2.29484
G54 1.10660 1.18315
S1288 1.15290 1.15498
S1205 2.40064 2.05088
S1114 2.25001 1.94612
S627 1.94321 2.18374
S607 1.38805 1.44119
S606 0.13938 0.15547
S556 1.40710 1.30511
S404 0.18369 0.20384
S224 0.77214 0.81392
G242 0.62010 0.86612
G452 1.40322 1.15468
Il est intéressant de comparer ces résultats avec les autres dans la littérature. Hetzel et Anderson [56]
ont trouvé, pour les rongeurs, β entre 1.872×10−6 (cells/ µL)−1 jour−1 et 7.329×10−6 (cells/ µL)−1 jour−1 .
Gravenor et al. dans [48] ont considéré le modèle (5.1) et avec l’hypothèse de quasi steady-state et
en utilisant des données cliniques, ont estimé β = 4.8384 × 10−6 (cells/ µL)−1 jour−1 . Cependant comme
dit par les auteurs, ces hypothèses sont simplificatrices. En exploitant les même données cliniques de
parasitemie utilisées dans [48] avec notre méthode, nous obtenons β = 7.2807×10−6 (cells/ µL)−1 jour−1 .
Selon [48], pour qu’un modèle puisse prédire une parasitémie clinique standard, β doit être inférieur
à 10−6 (cells/ µL)−1 jour−1 (En fait β/µm < 10−3 dans leurs unités). Nos résultats vérifient leur dire.
Dire quelle valeur de β est une meilleure estimation que l’autre est une tâche très difficile. Cependant
notre méthode est plus élégante à manipuler et peut être utilisée pour n’importe quel ensemble de
données. Notre but ici est aussi de montrer comment les techniques de la théorie de contrôle peuvent
être utiles pour l’estimation des paramètres dans les modèles épidémiologiques. On verra dans la sous
section qui suit, comment Gravenor et al. ont, dans [48], estimé leur β.
5.3.3 Méthode de Gravenor et al. [48]

Comme on l’a dit dans la sous section précédente, Gravenor et al. [48] ont estimé β à partir des
données de parasitémie périphérique. Pour une bonne comparaison des méthodes, on va reprendre ici
leur méthode d’estimation. Ils considèrent le modèle (5.1) suivant, avec nos notations :
100
⎧
⎪
⎪
⎪
⎪ ẋ = Λ − µx x − βxm
⎪
⎪
⎪
⎨ ẏ = βxm − µy y (∗)
⎪
⎪
⎪
⎪
⎪
⎪
⎪
Ils font plusieurs hypothèses.
¶ Puisque les mérozoides disparaissent très rapidement par rapport aux érythrocytes sains et aux
érythrocytes parasités, les mérozoites atteignent leurs équilibres assez rapidement. C’est la quasi
steady-state assumption. Ceci implique que ṁ = 0 ou encore
rµy y
m= (5.17)
µm + βx
· Durant les premiers jours suivant l’infection, la croissance des érythrocytes parasités est exponen-
tielle. C’est à dire
ẏ = ny (5.18)
où n est la pente de log y obtenue à partir du graphe des données de parasitémie. En remplaçant m
dans l’équation des érythocytes parasités (*), on a :
ẏ = βxm − µy y
rµy y
= βx − µy y
µm + βx
rµy
= (βx − µy ) y
µm + βx
Et donc, par identification avec (5.18), on a :
rµy
n = βx − µy (5.19)
µm + βx
¸ Si les mesures (données) sont prises assez tôt après l’apparition du parasite, les érythrocytes sains
ne vont pas décroitre de manière significative et que leur quantité reste constante. c’est à dire :
Λ
x= (5.20)
µx
En remplaçant (5.20) dans (5.19), on tire l’expression de β suivant :
µx µm (n + µy )
β= (5.21)
Λ(rµy − n − µy )
Le paramètre n est estimé à partir du graphe des données par la méthode des moindres carrés. Ils
trouvent n = 1.5334. Ainsi, ils trouvent
β
= 0.0028 unités
µm
Dans nos unités, on obtient :
β = 4.8384 × 10−6 (cells/ µL)−1 jour−1
Si notre méthode d’estimation de β, présente aussi quelques imperfections (remplacement des va-
riables par leurs estimés pour des temps non nécessairement assez grand et l’intégration qui agrandira
l’erreur d’estimation), elle n’est sujette à aucun hypothèse particulier mais donne des résultats de β
de même ordre. Le principe du rasoir d’Occam suggère que notre méthode est meilleure.
101
5.4 Suite de la preuve du Lemme 1 Application au paludisme
5.4 Suite de la preuve du Lemme 1
Pour k = 6, on a :
⎛ −γ1 − α6 µ2 − α6 µ3 − α6 µ4 − α6 µ5 − α6 ⎞
⎜ ⎟
⎜ ⎟
⎜
⎜ γ1 −α2 0 0 0 ⎟
⎟
⎜ ⎟
Ã♯22 = ⎜
⎜ 0 γ2 −α3 0 0 ⎟
⎟
⎜ ⎟
⎜ ⎟
⎜
⎜ 0 0 γ3 −α4 0 ⎟
⎟
⎜ ⎟
⎝ 0 0 0 γ4 −α5 ⎠
Sachant que αi = µi + γi , le polynôme caractéristique de Ã♯22 est :
P (λ) = λ5 + a1 λ4 + a2 λ3 + a3 λ2 + a4 λ + a5
avec :
a 1 = µ5 + γ 5 + µ 4 + γ 4 + µ3 + γ 3 + µ2 + γ 2 + γ 1 + α 6 ,
a2 = γ1 γ2 + µ2 µ3 + µ2 γ3 + µ3 α6 + α6 γ3 + γ3 γ4 + γ2 µ3 + γ2 α6 + γ2 γ4 + µ4 γ1 + µ2 α6 + γ2 γ3 + µ4 µ3
+ µ4 γ3 + γ4 γ1 + γ4 µ3 + µ5 α6 + µ5 µ2 + µ5 γ3 + µ5 γ1 + µ5 µ4 + µ5 γ4 + µ5 µ3 + γ5 α6 + γ5 µ2 + γ5 γ3 + γ5 γ1
+ γ 5 µ4 + γ 5 γ 4 + γ 5 µ3 + γ 1 µ3 + γ 1 α 6 + γ 1 γ 3 + α 6 µ4 + α 6 γ 4 + γ 2 µ 5 + µ2 µ 4 + γ 2 µ4 + γ 4 µ2 + γ 5 γ 2
a3 = µ3 µ4 γ5 + µ3 γ4 µ5 + µ3 γ4 γ5 + µ3 µ4 µ5 + α6 µ4 µ5 + α6 µ4 γ5 + α6 γ4 µ5 + α6 γ4 γ5 + γ3 γ4 µ5 + γ3 α6 γ4
+ γ3 µ4 µ5 + γ3 µ4 γ5 + γ3 α6 µ5 + γ3 α6 γ5 + γ1 γ2 α6 + µ5 µ2 α6 + γ1 µ3 α6 + γ1 α6 γ3 + γ2 γ3 α6 + µ2 γ3 µ4
+ µ3 α6 γ4 + µ2 µ3 µ4 + µ2 µ3 γ4 + µ2 γ3 γ4 + γ5 γ4 γ3 + µ5 γ1 γ2 + γ2 α6 µ4 + µ2 α6 γ3 + α6 γ3 µ4 + µ3 α6 µ4
+ µ5 µ3 γ1 + γ5 γ1 γ2 + γ4 γ1 γ2 + γ5 α6 γ2 + γ2 µ3 γ4 + γ2 µ3 µ4 + γ2 γ4 α6 + γ5 γ4 µ2 + γ4 γ3 γ1 + γ1 γ2 γ3
+ α6 γ2 µ3 + γ4 µ3 γ1 + γ5 γ3 γ1 + µ5 α6 γ2 + γ2 γ3 γ4 + γ2 γ3 µ4 + µ5 γ4 γ1 + µ2 α6 µ3 + µ4 γ1 γ2 + µ4 µ3 γ1
+ µ5 µ4 µ2 + µ4 γ3 γ1 + γ5 µ2 α6 + µ5 γ4 µ2 + µ5 γ3 γ1 + µ5 γ1 α6 + γ5 µ3 γ1 + γ5 µ4 µ2 + γ5 γ4 γ1 + γ5 γ1 α6
+ γ1 α6 µ4 + µ4 µ2 α6 + γ4 γ1 α6 + γ4 µ2 α6 + µ5 γ2 µ4 + µ5 µ4 γ1 + µ5 γ2 γ4 + µ5 µ2 µ3 + µ5 γ2 µ3 + µ5 µ3 α6
+ µ5 µ2 γ3 + µ5 γ2 γ3 + γ5 γ2 µ4 + γ5 µ4 γ1 + γ5 γ2 γ4 + γ5 µ2 µ3 + γ5 γ2 µ3 + γ5 µ3 α6 + γ5 µ2 γ3 + γ5 γ2 γ3
a4 = µ2 µ3 µ4 µ5 + µ2 µ3 µ4 γ5 + µ2 µ3 γ4 µ5 + µ2 µ3 γ4 γ5 + µ2 γ3 µ4 µ5 + µ2 γ3 µ4 γ5 + µ2 γ3 γ4 µ5 + µ2 γ3 γ4 γ5
+ α6 µ3 µ4 µ5 + α6 µ3 µ4 γ5 + α6 µ3 γ4 µ5 + α6 µ3 γ4 γ5 + α6 γ3 µ4 µ5 + α6 γ3 µ4 γ5 + γ3 α6 γ4 µ5 + γ3 α6 γ4 γ5
+ γ2 µ3 µ4 µ5 + γ2 µ3 µ4 γ5 + γ2 µ3 γ4 µ5 + γ2 µ3 γ4 γ5 + γ2 α6 µ4 µ5 + γ2 α6 µ4 γ5 + γ2 α6 γ4 µ5 + γ2 α6 γ4 γ5
+ γ2 γ3 γ4 µ5 + γ2 γ3 α6 γ4 + γ2 γ3 µ4 µ5 + γ2 γ3 µ4 γ5 + γ2 γ3 α6 µ5 + γ2 γ3 α6 γ5 + γ1 γ2 α6 µ5 + α6 γ2 µ3 µ4
+ µ2 α6 µ3 µ4 + µ2 α6 µ3 γ4 + µ2 α6 γ3 µ4 + µ2 α6 γ3 γ4 + α6 γ2 µ3 γ4 + α6 γ2 γ3 µ4 + µ4 γ1 γ2 α6 + µ4 µ3 γ1 α6
+ µ4 γ3 γ1 α6 + γ4 γ1 γ2 α6 + γ4 µ3 γ1 α6 + γ4 γ3 γ1 α6 + µ5 α6 γ2 µ3 + µ5 µ2 α6 γ3 + γ1 γ2 γ3 µ5 + µ5 µ2 α6 µ3
+ µ5 γ3 γ1 α6 + µ5 γ1 γ2 µ4 + µ5 µ4 µ3 γ1 + µ5 µ4 γ3 γ1 + µ5 γ4 µ3 γ1 + µ5 γ4 γ3 γ1 + µ5 γ4 γ1 α6 + µ5 µ4 µ2 α6
+ µ5 γ4 µ2 α6 + µ5 γ1 α6 µ4 + µ5 µ3 γ1 α6 + µ5 γ4 γ1 γ2 + γ5 α6 γ2 µ3 + γ5 µ2 α6 γ3 + γ5 µ2 α6 µ3 + γ5 γ3 γ1 α6
+ γ5 µ4 µ2 α6 + γ5 γ1 γ2 µ4 + γ5 µ4 µ3 γ1 + γ5 µ4 γ3 γ1 + γ5 γ4 µ3 γ1 + γ5 γ4 γ3 γ1 + γ5 γ4 γ1 α6 + γ5 γ4 γ1 γ2
+ γ5 γ4 µ2 α6 + γ5 γ1 α6 µ4 + γ5 µ3 γ1 α6 + γ5 γ1 γ2 γ3 + γ5 γ1 γ2 α6 + γ2 γ3 γ4 γ5 + γ1 γ2 γ3 γ4 + γ1 γ2 γ3 α6
102
et
a5 = γ1 γ2 γ3 γ4 γ5 + α6 µ2 µ3 µ4 µ5 + α6 µ2 µ3 µ4 γ5 + α6 µ2 µ3 γ4 µ5 + α6 µ2 µ3 γ4 γ5 + α6 µ2 γ3 µ4 µ5 + α6 µ2 γ3 µ4 γ5
+ α6 µ2 γ3 γ4 µ5 + α6 µ2 γ3 γ4 γ5 + α6 γ2 µ3 µ4 µ5 + α6 γ2 µ3 µ4 γ5 + α6 γ2 µ3 γ4 µ5 + α6 γ2 µ3 γ4 γ5 + α6 γ2 γ3 µ4 µ5
+ α6 γ2 γ3 µ4 γ5 + γ2 γ3 α6 γ4 µ5 + γ2 γ3 α6 γ4 γ5 + γ1 α6 µ3 µ4 µ5 + γ1 α6 µ3 µ4 γ5 + γ1 α6 µ3 γ4 µ5 + γ1 α6 µ3 γ4 γ5
+ γ1 α6 γ3 µ4 µ5 + γ1 α6 γ3 µ4 γ5 + γ1 γ3 α6 γ4 µ5 + γ1 γ3 α6 γ4 γ5 + γ1 γ2 α6 µ4 µ5 + γ1 γ2 α6 µ4 γ5 + γ1 γ2 α6 γ4 µ5
+ γ1 γ2 α6 γ4 γ5 + γ1 γ2 γ3 α6 γ4 + γ1 γ2 γ3 α6 µ5 + γ1 γ2 γ3 α6 γ5
Pour que Ã♯22 soit Hurwitz, il faut et il suffit que :
⎧
⎪
⎪
⎪ a1 > 0
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ a5 > 0
⎪
⎪
⎪
⎨ a1 a2 − a3 > 0
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ a1 a2 a3 − a21 a4 − a23 > 0
⎪
⎪
⎪
⎪
⎪ 2
⎩ (a1 a2 − a3 )(a3 a4 − a2 a5 ) − (a1 a4 − a5 ) > 0
⎪
Les deux premières conditions sont clairement vérifiées. Les autres sont vérifiées grâce au logiciel du
calcul formel Maple et sontprésentées dans les pages qui suivent. Notons qu’on a remplacé les γi par
gi pout i = 1, . . . , 5 car variable γ est réservé par Maple. Aussi, comme les expressions de la quatrième
et cinquième conditions ci-dessus sont très larges, nous avons choisit de ne pas les afficher. En effet,
ces expressions contiennent 3676 termes et 43302 termes respectivement ! !
103
Kg1 K a 6 µ2 K a 6 µ3 K a 6 µ4 K a 6 µ5 K a 6
g1 K µ 2 C g2 0 0 0
Mat1 d 0 g2 K µ3 C g3 0 0 ;
0 0 g3 K µ4 C g4 0
0 0 0 g4 K µ 5 C g5
Kg1 K a 6 µ2 K a 6 µ3 K a 6 µ4 K a 6 µ5 K a 6
g1 Kµ2 K g2 0 0 0
0 g2 Kµ3 K g3 0 0 (1)
0 0 g3 Kµ4 K g4 0
0 0 0 g4 Kµ5 K g5
assume a 6 O 0, g1 O 0, g2 O 0, g3 O 0, g4 O 0, g5 O 0, µ2 O 0, µ3 O 0, µ4 O 0, µ5 O 0 ;
with LinearAlgebra :
Det1 d Determinant Mat1
Kg~1 g~2 g~3 g~4 g~5 K a~6 µ~2 µ~3 µ~4 µ~5 K a~6 µ~2 µ~3 µ~4 g~5 K a~6 µ~2 µ~3 g~4 µ~5 (2)
K a~6 µ~2 µ~3 g~4 g~5 K a~6 µ~2 g~3 µ~4 µ~5 K a~6 µ~2 g~3 µ~4 g~5
K a~6 µ~2 g~3 g~4 µ~5 K a~6 µ~2 g~3 g~4 g~5 K a~6 g~2 µ~3 µ~4 µ~5
K a~6 g~2 µ~3 µ~4 g~5 K a~6 g~2 µ~3 g~4 µ~5 K a~6 g~2 µ~3 g~4 g~5
K a~6 g~2 g~3 µ~4 µ~5 K a~6 g~2 g~3 µ~4 g~5 K g~2 g~3 a~6 g~4 µ~5
K g~2 g~3 a~6 g~4 g~5 K g~1 a~6 µ~3 µ~4 µ~5 K g~1 a~6 µ~3 µ~4 g~5
K g~1 a~6 µ~3 g~4 µ~5 K g~1 a~6 µ~3 g~4 g~5 K g~1 a~6 g~3 µ~4 µ~5
K g~1 a~6 g~3 µ~4 g~5 K g~1 g~3 a~6 g~4 µ~5 K g~1 g~3 a~6 g~4 g~5
K g~1 g~2 a~6 µ~4 µ~5 K g~1 g~2 a~6 µ~4 g~5 K g~1 g~2 a~6 g~4 µ~5
K g~1 g~2 a~6 g~4 g~5 K g~1 g~2 g~3 a~6 g~4 K g~1 g~2 g~3 a~6 µ~5
K g~1 g~2 g~3 a~6 g~5

signum Det1
K1 (3)
is Det1 T positive
false (4)
CharacteristicPolynomial Mat1, x
104
g~1 g~2 g~3 g~4 g~5 C a~6 µ~2 µ~3 µ~4 µ~5 C a~6 µ~2 µ~3 µ~4 g~5 C a~6 µ~2 µ~3 g~4 µ~5 (5)
C a~6 µ~2 µ~3 g~4 g~5 C a~6 µ~2 g~3 µ~4 µ~5 C a~6 µ~2 g~3 µ~4 g~5
C a~6 µ~2 g~3 g~4 µ~5 C a~6 µ~2 g~3 g~4 g~5 C a~6 g~2 µ~3 µ~4 µ~5
C a~6 g~2 µ~3 µ~4 g~5 C a~6 g~2 µ~3 g~4 µ~5 C a~6 g~2 µ~3 g~4 g~5
C a~6 g~2 g~3 µ~4 µ~5 C a~6 g~2 g~3 µ~4 g~5 C g~2 g~3 a~6 g~4 µ~5
C g~2 g~3 a~6 g~4 g~5 C g~1 a~6 µ~3 µ~4 µ~5 C g~1 a~6 µ~3 µ~4 g~5
C g~1 a~6 µ~3 g~4 µ~5 C g~1 a~6 µ~3 g~4 g~5 C g~1 a~6 g~3 µ~4 µ~5
C g~1 a~6 g~3 µ~4 g~5 C g~1 g~3 a~6 g~4 µ~5 C g~1 g~3 a~6 g~4 g~5
C g~1 g~2 a~6 µ~4 µ~5 C g~1 g~2 a~6 µ~4 g~5 C g~1 g~2 a~6 g~4 µ~5
C g~1 g~2 a~6 g~4 g~5 C g~1 g~2 g~3 a~6 g~4 C g~1 g~2 g~3 a~6 µ~5
C g~1 g~2 g~3 a~6 g~5 K Kµ~5 K g~5 K µ~4 K g~4 K µ~3 K g~3 K µ~2 K g~2 K g~1
K a~6 x 4 K Kg~3 g~4 K g~3 g~5 K g~4 g~5 K g~3 µ~5 K µ~3 µ~4 K µ~3 g~4 K a~6 µ~4
K a~6 g~4 K g~4 µ~5 K µ~4 µ~5 K µ~4 g~5 K a~6 µ~5 K a~6 g~5 K µ~2 µ~3 K µ~2 g~3
K a~6 µ~3 K a~6 g~3 K g~1 g~2 K a~6 µ~2 K a~6 g~2 K µ~3 g~5 K µ~3 µ~5 K µ~2 µ~5
K µ~2 g~5 K µ~2 µ~4 K g~1 a~6 K µ~3 g~2 K µ~3 g~1 K g~3 g~2 K g~3 g~1 K g~1 µ~4
K g~2 µ~4 K µ~4 g~3 K g~4 µ~2 K g~4 g~2 K g~4 g~1 K g~1 µ~5 K g~2 µ~5 K g~5 g~2
K g~5 g~1 x 3 K Ka~6 µ~4 g~5 K µ~2 µ~3 g~5 K µ~2 µ~3 µ~5 K a~6 g~4 µ~5
K g~3 g~4 µ~5 K g~3 a~6 g~5 K g~3 µ~4 g~5 K µ~3 g~4 µ~5 K g~3 a~6 µ~5 K µ~3 g~4 g~5
K µ~3 µ~4 g~5 K g~3 a~6 g~4 K a~6 µ~4 µ~5 K g~3 µ~4 µ~5 K µ~3 µ~4 µ~5
K a~6 g~4 g~5 K µ~2 µ~3 µ~4 K µ~2 µ~3 g~4 K µ~2 g~3 µ~4 K µ~2 g~3 g~4
K a~6 µ~3 µ~4 K a~6 µ~3 g~4 K a~6 g~3 µ~4 K g~1 g~2 g~3 K a~6 µ~2 µ~3
K a~6 µ~2 g~3 K a~6 g~2 µ~3 K a~6 g~2 g~3 K g~1 a~6 µ~4 K g~2 g~3 g~4 K g~3 g~4 g~5
K g~2 µ~4 µ~5 K g~2 µ~4 g~5 K g~2 g~4 µ~5 K g~2 g~4 g~5 K g~2 g~3 µ~5 K g~2 g~3 g~5
K µ~2 µ~4 µ~5 K µ~2 µ~4 g~5 K µ~2 g~4 µ~5 K µ~2 g~4 g~5 K g~1 g~2 a~6
K µ~3 g~1 a~6 K g~3 g~1 a~6 K g~1 g~2 µ~4 K µ~4 µ~3 g~2 K µ~4 µ~3 g~1 K µ~4 g~3 g~2
K µ~4 g~3 g~1 K µ~4 a~6 µ~2 K µ~4 a~6 g~2 K g~4 µ~3 g~2 K g~4 µ~3 g~1 K g~4 g~3 g~1
K g~4 g~1 a~6 K g~4 g~1 g~2 K g~4 a~6 µ~2 K g~4 a~6 g~2 K g~1 a~6 µ~5 K g~1 g~2 µ~5
K µ~5 g~1 µ~4 K µ~5 g~4 g~1 K µ~5 µ~3 g~2 K µ~5 µ~3 g~1 K µ~5 a~6 µ~3
105
K µ~5 µ~2 g~3 K µ~5 g~3 g~1 K µ~5 a~6 µ~2 K µ~5 a~6 g~2 K g~5 g~1 µ~4 K g~5 g~4 g~1
K g~5 µ~3 g~2 K g~5 µ~3 g~1 K g~5 a~6 µ~3 K g~5 µ~2 g~3 K g~5 g~3 g~1 K g~5 g~1 a~6
K g~5 g~1 g~2 K g~5 a~6 µ~2 K g~5 a~6 g~2 x 2 K Kµ~2 µ~3 µ~4 µ~5
K µ~2 µ~3 µ~4 g~5 K µ~2 µ~3 g~4 µ~5 K µ~2 µ~3 g~4 g~5 K µ~2 g~3 µ~4 µ~5
K µ~2 g~3 µ~4 g~5 K µ~2 g~3 g~4 µ~5 K µ~2 g~3 g~4 g~5 K a~6 µ~3 µ~4 µ~5
K a~6 µ~3 µ~4 g~5 K a~6 µ~3 g~4 µ~5 K a~6 µ~3 g~4 g~5 K a~6 g~3 µ~4 µ~5
K a~6 g~3 µ~4 g~5 K g~3 a~6 g~4 µ~5 K g~3 a~6 g~4 g~5 K g~2 µ~3 µ~4 µ~5
K g~2 µ~3 µ~4 g~5 K g~2 µ~3 g~4 µ~5 K g~2 µ~3 g~4 g~5 K g~2 a~6 µ~4 µ~5
K g~2 a~6 µ~4 g~5 K g~2 a~6 g~4 µ~5 K g~2 a~6 g~4 g~5 K g~2 g~3 g~4 µ~5
K g~2 g~3 a~6 g~4 K g~2 g~3 µ~4 µ~5 K g~2 g~3 µ~4 g~5 K g~2 g~3 a~6 µ~5
K g~2 g~3 a~6 g~5 K g~1 g~2 g~3 g~4 K a~6 µ~2 µ~3 µ~4 K a~6 µ~2 µ~3 g~4
K a~6 µ~2 g~3 µ~4 K a~6 µ~2 g~3 g~4 K a~6 g~2 µ~3 µ~4 K a~6 g~2 µ~3 g~4
K a~6 g~2 g~3 µ~4 K g~2 g~3 g~4 g~5 K g~1 µ~3 µ~4 µ~5 K g~1 µ~3 µ~4 g~5
K g~1 µ~3 g~4 µ~5 K g~1 µ~3 g~4 g~5 K g~1 g~3 µ~4 µ~5 K g~1 g~3 µ~4 g~5
K g~1 g~3 g~4 µ~5 K g~1 g~3 g~4 g~5 K g~1 g~2 µ~4 µ~5 K g~1 g~2 µ~4 g~5
K g~1 g~2 g~4 µ~5 K g~1 g~2 g~4 g~5 K g~1 g~2 g~3 µ~5 K g~1 g~2 g~3 g~5
K g~1 g~2 g~3 a~6 K µ~4 g~1 g~2 a~6 K µ~4 µ~3 g~1 a~6 K µ~4 g~3 g~1 a~6
K g~4 g~1 g~2 a~6 K g~4 µ~3 g~1 a~6 K g~4 g~3 g~1 a~6 K a~6 g~1 g~2 µ~5
K µ~5 a~6 µ~2 µ~3 K µ~5 a~6 µ~2 g~3 K µ~5 a~6 g~2 µ~3 K µ~5 g~1 a~6 µ~4
K µ~5 µ~3 g~1 a~6 K µ~5 g~3 g~1 a~6 K µ~5 µ~4 a~6 µ~2 K µ~5 g~4 g~1 a~6
K µ~5 g~4 a~6 µ~2 K g~5 a~6 µ~2 µ~3 K g~5 a~6 µ~2 g~3 K g~5 a~6 g~2 µ~3
K g~5 g~1 a~6 µ~4 K g~5 g~1 g~2 a~6 K g~5 µ~3 g~1 a~6 K g~5 g~3 g~1 a~6
K g~5 µ~4 a~6 µ~2 K g~5 g~4 g~1 a~6 K g~5 g~4 a~6 µ~2 x C x 5
a1 dK Kµ5 K g5 K µ4 K g4 K µ3 K g3 K µ2 K g2 K g1 K a 6 ;
µ~5 C g~5 C µ~4 C g~4 C µ~3 C g~3 C µ~2 C g~2 C g~1 C a~6 (6)
signum a1
1 (7)
nops a1
10 (8)
106
a2 dK Kµ3 µ4 K µ3 g4 K a 6 µ4 K a 6 g4 K g4 µ5 K µ4 µ5 K µ4 g5 K a 6 µ5 K a 6 g5 K µ2 µ3
K µ2 g3 K a 6 µ3 K a 6 g3 K g1 g2 K a 6 µ2 K a 6 g2 K g1 a 6 K µ3 g2 K µ3 g1 K g3 g2 K g3 g1
K µ2 µ4 K g1 µ4 K g2 µ4 K µ4 g3 K g4 g3 K g4 µ2 K g4 g2 K g4 g1 K µ2 µ5 K g1 µ5 K g2 µ5
K µ3 µ5 K g3 µ5 K g5 g4 K g5 µ3 K g5 g3 K g5 µ2 K g5 g2 K g5 g1 ;
g~3 g~4 C g~3 g~5 C g~4 g~5 C g~3 µ~5 C µ~3 µ~4 C µ~3 g~4 C a~6 µ~4 C a~6 g~4 (9)
C g~4 µ~5 C µ~4 µ~5 C µ~4 g~5 C a~6 µ~5 C a~6 g~5 C µ~2 µ~3 C µ~2 g~3 C a~6 µ~3
C a~6 g~3 C g~1 g~2 C a~6 µ~2 C a~6 g~2 C µ~3 g~5 C µ~3 µ~5 C µ~2 µ~5 C µ~2 g~5
C µ~2 µ~4 C g~1 a~6 C µ~3 g~2 C µ~3 g~1 C g~3 g~2 C g~3 g~1 C g~1 µ~4 C g~2 µ~4
C µ~4 g~3 C g~4 µ~2 C g~4 g~2 C g~4 g~1 C g~1 µ~5 C g~2 µ~5 C g~5 g~2 C g~5 g~1
signum a2
1 (10)
is a2 T positive
true (11)
a3 dK Kg3 a 6 g5 K µ3 µ4 g5 K a 6 µ4 µ5 K g3 µ4 µ5 K µ3 g4 g5 K g3 a 6 g4 K a 6 g4 µ5 K g3 g4 µ5
K g3 a 6 µ5 K µ3 g4 µ5 K a 6 µ4 g5 K a 6 g4 g5 K µ3 µ4 µ5 K g3 µ4 g5 K µ2 µ3 µ4 K µ2 µ3 g4
K µ2 g3 µ4 K µ2 g3 g4 K a 6 µ3 µ4 K a 6 µ3 g4 K a 6 g3 µ4 K g1 g2 g3 K a 6 µ2 µ3 K a 6 µ2 g3
K a 6 g2 µ3 K a 6 g2 g3 K g1 g2 a 6 K µ3 g1 a 6 K g3 g1 a 6 K g1 a 6 µ4 K g1 g2 µ4 K µ4 µ3 g2
K µ4 µ3 g1 K µ4 g3 g2 K µ4 g3 g1 K µ4 a 6 µ2 K µ4 a 6 g2 K g4 µ3 g2 K g4 µ3 g1 K g4 g3 g2
K g4 g3 g1 K g4 g1 a 6 K g4 g1 g2 K g4 a 6 µ2 K g4 a 6 g2 K g1 a 6 µ5 K g1 g2 µ5 K µ5 µ2 µ4
K µ5 g2 µ4 K µ5 g1 µ4 K µ5 g4 µ2 K µ5 g4 g2 K µ5 g4 g1 K µ5 µ2 µ3 K µ5 µ3 g2 K µ5 µ3 g1
K µ5 a 6 µ3 K µ5 µ2 g3 K µ5 g3 g2 K µ5 g3 g1 K µ5 a 6 µ2 K µ5 a 6 g2 K g5 µ2 µ4 K g5 g2 µ4
K g5 g1 µ4 K g5 g4 g3 K g5 g4 µ2 K g5 g4 g2 K g5 g4 g1 K g5 µ2 µ3 K g5 µ3 g2 K g5 µ3 g1
K g5 a 6 µ3 K g5 µ2 g3 K g5 g3 g2 K g5 g3 g1 K g5 g1 a 6 K g5 g1 g2 K g5 a 6 µ2 K g5 a 6 g2 ;
a~6 µ~4 g~5 C µ~2 µ~3 g~5 C µ~2 µ~3 µ~5 C a~6 g~4 µ~5 C g~3 g~4 µ~5 C g~3 a~6 g~5 (12)
C g~3 µ~4 g~5 C µ~3 g~4 µ~5 C g~3 a~6 µ~5 C µ~3 g~4 g~5 C µ~3 µ~4 g~5 C g~3 a~6 g~4
C a~6 µ~4 µ~5 C g~3 µ~4 µ~5 C µ~3 µ~4 µ~5 C a~6 g~4 g~5 C µ~2 µ~3 µ~4
C µ~2 µ~3 g~4 C µ~2 g~3 µ~4 C µ~2 g~3 g~4 C a~6 µ~3 µ~4 C a~6 µ~3 g~4
C a~6 g~3 µ~4 C g~1 g~2 g~3 C a~6 µ~2 µ~3 C a~6 µ~2 g~3 C a~6 g~2 µ~3
C a~6 g~2 g~3 C g~1 a~6 µ~4 C g~2 g~3 g~4 C g~3 g~4 g~5 C g~2 µ~4 µ~5 C g~2 µ~4 g~5
C g~2 g~4 µ~5 C g~2 g~4 g~5 C g~2 g~3 µ~5 C g~2 g~3 g~5 C µ~2 µ~4 µ~5 C µ~2 µ~4 g~5
C µ~2 g~4 µ~5 C µ~2 g~4 g~5 C g~1 g~2 a~6 C µ~3 g~1 a~6 C g~3 g~1 a~6 C g~1 g~2 µ~4
107
(12)

C µ~4 µ~3 g~2 C µ~4 µ~3 g~1 C µ~4 g~3 g~2 C µ~4 g~3 g~1 C µ~4 a~6 µ~2
C µ~4 a~6 g~2 C g~4 µ~3 g~2 C g~4 µ~3 g~1 C g~4 g~3 g~1 C g~4 g~1 a~6 C g~4 g~1 g~2
C g~4 a~6 µ~2 C g~4 a~6 g~2 C g~1 a~6 µ~5 C g~1 g~2 µ~5 C µ~5 g~1 µ~4 C µ~5 g~4 g~1
C µ~5 µ~3 g~2 C µ~5 µ~3 g~1 C µ~5 a~6 µ~3 C µ~5 µ~2 g~3 C µ~5 g~3 g~1
C µ~5 a~6 µ~2 C µ~5 a~6 g~2 C g~5 g~1 µ~4 C g~5 g~4 g~1 C g~5 µ~3 g~2 C g~5 µ~3 g~1
C g~5 a~6 µ~3 C g~5 µ~2 g~3 C g~5 g~3 g~1 C g~5 g~1 a~6 C g~5 g~1 g~2 C g~5 a~6 µ~2
C g~5 a~6 g~2
signum a3
1 (13)
is a3 T positive
true (14)
nops a3 ###This command gives the number of terms in the expression SC1
80 (15)
a4 dK Kµ2 µ3 µ4 µ5 K µ2 µ3 µ4 g5 K µ2 g3 µ4 µ5 K µ2 µ3 g4 µ5 K µ2 µ3 g4 g5 K µ2 g3 µ4 g5
K µ2 g3 g4 µ5 K µ2 g3 g4 g5 K a 6 µ3 µ4 µ5 K a 6 µ3 µ4 g5 K a 6 µ3 g4 µ5 K a 6 µ3 g4 g5
K a 6 g3 µ4 µ5 K a 6 g3 µ4 g5 K g3 a 6 g4 µ5 K g3 a 6 g4 g5 K g2 µ3 µ4 µ5 K g2 µ3 µ4 g5
K g2 µ3 g4 µ5 K g2 µ3 g4 g5 K g2 a 6 µ4 µ5 K g2 a 6 µ4 g5 K g2 a 6 g4 µ5 K g2 a 6 g4 g5
K g2 g3 g4 µ5 K g2 g3 a 6 g4 K g2 g3 µ4 µ5 K g2 g3 µ4 g5 K g2 g3 a 6 µ5 K g2 g3 a 6 g5
K g1 g2 g3 g4 K a 6 µ2 µ3 µ4 K a 6 µ2 µ3 g4 K a 6 µ2 g3 µ4 K a 6 µ2 g3 g4 K a 6 g2 µ3 µ4
K a 6 g2 µ3 g4 K a 6 g2 g3 µ4 K g1 g2 g3 a 6 K µ4 g1 g2 a 6 K µ4 µ3 g1 a 6 K µ4 g3 g1 a 6
K g4 g1 g2 a 6 K g4 µ3 g1 a 6 K g4 g3 g1 a 6 K a 6 g1 g2 µ5 K g1 g2 g3 µ5 K µ5 a 6 µ2 µ3
K µ5 a 6 µ2 g3 K µ5 a 6 g2 µ3 K µ5 µ3 g1 a 6 K µ5 g3 g1 a 6 K µ5 g1 a 6 µ4 K µ5 g1 g2 µ4
K µ5 µ4 µ3 g1 K µ5 µ4 g3 g1 K µ5 µ4 a 6 µ2 K µ5 g4 µ3 g1 K µ5 g4 g3 g1 K µ5 g4 g1 a 6
K µ5 g4 g1 g2 K µ5 g4 a 6 µ2 K g5 g1 g2 g3 K g5 a 6 µ2 µ3 K g5 a 6 µ2 g3 K g5 a 6 g2 µ3
K g5 g1 g2 a 6 K g5 µ3 g1 a 6 K g5 g3 g1 a 6 K g5 g1 a 6 µ4 K g5 g1 g2 µ4 K g5 µ4 µ3 g1
K g5 µ4 g3 g1 K g5 µ4 a 6 µ2 K g5 g4 µ3 g1 K g5 g4 g3 g2 K g5 g4 g3 g1 K g5 g4 g1 a 6
K g5 g4 g1 g2 K g5 g4 a 6 µ2 ;
µ~2 µ~3 µ~4 µ~5 C µ~2 µ~3 µ~4 g~5 C µ~2 µ~3 g~4 µ~5 C µ~2 µ~3 g~4 g~5 C µ~2 g~3 µ~4 µ~5 (16)
C µ~2 g~3 µ~4 g~5 C µ~2 g~3 g~4 µ~5 C µ~2 g~3 g~4 g~5 C a~6 µ~3 µ~4 µ~5
C a~6 µ~3 µ~4 g~5 C a~6 µ~3 g~4 µ~5 C a~6 µ~3 g~4 g~5 C a~6 g~3 µ~4 µ~5
C a~6 g~3 µ~4 g~5 C g~3 a~6 g~4 µ~5 C g~3 a~6 g~4 g~5 C g~2 µ~3 µ~4 µ~5
C g~2 µ~3 µ~4 g~5 C g~2 µ~3 g~4 µ~5 C g~2 µ~3 g~4 g~5 C g~2 a~6 µ~4 µ~5
108
5.4 Suite de la preuve du Lemme 1 (16)
C g~2 a~6 µ~4 g~5 C g~2 a~6 g~4 µ~5 C g~2 a~6 g~4 g~5 C g~2 g~3 g~4 µ~5
C g~2 g~3 a~6 g~4 C g~2 g~3 µ~4 µ~5 C g~2 g~3 µ~4 g~5 C g~2 g~3 a~6 µ~5
C g~2 g~3 a~6 g~5 C g~1 g~2 g~3 g~4 C a~6 g~2 g~3 µ~4 C a~6 µ~2 µ~3 µ~4
C a~6 µ~2 µ~3 g~4 C a~6 µ~2 g~3 µ~4 C a~6 µ~2 g~3 g~4 C a~6 g~2 µ~3 µ~4
C a~6 g~2 µ~3 g~4 C g~1 g~2 g~3 a~6 C µ~4 g~1 g~2 a~6 C µ~4 µ~3 g~1 a~6
C µ~4 g~3 g~1 a~6 C g~4 g~1 g~2 a~6 C g~4 µ~3 g~1 a~6 C g~4 g~3 g~1 a~6
C a~6 g~1 g~2 µ~5 C g~1 g~2 g~3 µ~5 C µ~5 a~6 µ~2 µ~3 C µ~5 g~1 a~6 µ~4
C µ~5 a~6 µ~2 g~3 C µ~5 a~6 g~2 µ~3 C µ~5 µ~3 g~1 a~6 C µ~5 g~3 g~1 a~6
C µ~5 µ~4 g~3 g~1 C µ~5 µ~4 a~6 µ~2 C µ~5 g~1 g~2 µ~4 C µ~5 µ~4 µ~3 g~1
C µ~5 g~4 g~3 g~1 C µ~5 g~4 g~1 a~6 C µ~5 g~4 g~1 g~2 C µ~5 g~4 µ~3 g~1
C µ~5 g~4 a~6 µ~2 C g~5 g~1 g~2 g~3 C g~5 a~6 µ~2 µ~3 C g~5 a~6 µ~2 g~3
C g~5 a~6 g~2 µ~3 C g~5 g~1 g~2 a~6 C g~5 µ~3 g~1 a~6 C g~5 g~3 g~1 a~6
C g~5 g~1 a~6 µ~4 C g~5 g~1 g~2 µ~4 C g~5 µ~4 µ~3 g~1 C g~5 µ~4 g~3 g~1
C g~5 µ~4 a~6 µ~2 C g~5 g~4 µ~3 g~1 C g~5 g~4 g~3 g~2 C g~5 g~4 g~3 g~1
C g~5 g~4 g~1 a~6 C g~5 g~4 g~1 g~2 C g~5 g~4 a~6 µ~2
signum a4
1 (17)
is a4 T positive
true (18)
nops a4
80 (19)
a5 d g1 g2 g3 g4 g5 C a 6 µ2 µ3 µ4 µ5 C a 6 µ2 µ3 µ4 g5 C a 6 µ2 µ3 g4 µ5 C a 6 µ2 µ3 g4 g5
C a 6 µ2 g3 µ4 µ5 C a 6 µ2 g3 µ4 g5 C a 6 µ2 g3 g4 µ5 C a 6 µ2 g3 g4 g5 C a 6 g2 µ3 µ4 µ5
C a 6 g2 µ3 µ4 g5 C a 6 g2 µ3 g4 µ5 C a 6 g2 µ3 g4 g5 C a 6 g2 g3 µ4 µ5 C a 6 g2 g3 µ4 g5
C g2 g3 a 6 g4 µ5 C g2 g3 a 6 g4 g5 C g1 a 6 µ3 µ4 µ5 C g1 a 6 µ3 µ4 g5 C g1 a 6 µ3 g4 µ5
C g1 a 6 µ3 g4 g5 C g1 a 6 g3 µ4 µ5 C g1 a 6 g3 µ4 g5 C g1 g3 a 6 g4 µ5 C g1 g3 a 6 g4 g5
C g1 g2 a 6 µ4 µ5 C g1 g2 a 6 µ4 g5 C g1 g2 a 6 g4 µ5 C g1 g2 a 6 g4 g5 C g1 g2 g3 a 6 g4
C g1 g2 g3 a 6 µ5 C g1 g2 g3 a 6 g5 ;
g~1 g~2 g~3 g~4 g~5 C a~6 µ~2 µ~3 µ~4 µ~5 C a~6 µ~2 µ~3 µ~4 g~5 C a~6 µ~2 µ~3 g~4 µ~5
109
C g~1 g~2 g~3 a~6 g~5
g~1 g~2 g~3 g~4 g~5 C a~6 µ~2 µ~3 µ~4 µ~5 C a~6 µ~2 µ~3 µ~4 g~5 C a~6 µ~2 µ~3 g~4 µ~5 (21)
C g~1 g~2 g~3 a~6 g~5

signum a5
1 (22)
is a5 T positive
true (23)
nops a5
32 (24)
C1 d a1$a2 K a3#####first condition
Ka~6 µ~4 g~5 K µ~2 µ~3 g~5 K µ~2 µ~3 µ~5 K a~6 g~4 µ~5 K g~3 g~4 µ~5 K g~3 a~6 g~5 (25)
K g~3 µ~4 g~5 K µ~3 g~4 µ~5 K g~3 a~6 µ~5 K µ~3 g~4 g~5 K µ~3 µ~4 g~5 K g~3 a~6 g~4
K a~6 µ~4 µ~5 K g~3 µ~4 µ~5 K µ~3 µ~4 µ~5 K a~6 g~4 g~5 K µ~2 µ~3 µ~4
K µ~2 µ~3 g~4 K µ~2 g~3 µ~4 K µ~2 g~3 g~4 K a~6 µ~3 µ~4 K a~6 µ~3 g~4
110
(25)
K a~6 g~3 µ~4 K g~1 g~2 g~3 K a~6 µ~2 µ~3 K a~6 µ~2 g~3 K a~6 g~2 µ~3
K a~6 g~2 g~3 K g~1 a~6 µ~4 K g~2 g~3 g~4 K g~3 g~4 g~5 K g~2 µ~4 µ~5 K g~2 µ~4 g~5
K g~2 g~4 µ~5 K g~2 g~4 g~5 K g~2 g~3 µ~5 K g~2 g~3 g~5 K µ~2 µ~4 µ~5 K µ~2 µ~4 g~5
K µ~2 g~4 µ~5 K µ~2 g~4 g~5 K g~1 g~2 a~6 K µ~3 g~1 a~6 K g~3 g~1 a~6 K g~1 g~2 µ~4
K µ~4 µ~3 g~2 K µ~4 µ~3 g~1 K µ~4 g~3 g~2 K µ~4 g~3 g~1 K µ~4 a~6 µ~2
K µ~4 a~6 g~2 K g~4 µ~3 g~2 K g~4 µ~3 g~1 K g~4 g~3 g~1 K g~4 g~1 a~6 K g~4 g~1 g~2
K g~4 a~6 µ~2 K g~4 a~6 g~2 K g~1 a~6 µ~5 K g~1 g~2 µ~5 K µ~5 g~1 µ~4 K µ~5 g~4 g~1
K µ~5 µ~3 g~2 K µ~5 µ~3 g~1 K µ~5 a~6 µ~3 K µ~5 µ~2 g~3 K µ~5 g~3 g~1
K µ~5 a~6 µ~2 K µ~5 a~6 g~2 K g~5 g~1 µ~4 K g~5 g~4 g~1 K g~5 µ~3 g~2 K g~5 µ~3 g~1
K g~5 a~6 µ~3 K g~5 µ~2 g~3 K g~5 g~3 g~1 K g~5 g~1 a~6 K g~5 g~1 g~2 K g~5 a~6 µ~2
K g~5 a~6 g~2 C µ~5 C g~5 C µ~4 C g~4 C µ~3 C g~3 C µ~2 C g~2 C g~1
C a~6 g~3 g~4 C g~3 g~5 C g~4 g~5 C g~3 µ~5 C µ~3 µ~4 C µ~3 g~4 C a~6 µ~4
C a~6 g~4 C g~4 µ~5 C µ~4 µ~5 C µ~4 g~5 C a~6 µ~5 C a~6 g~5 C µ~2 µ~3 C µ~2 g~3
C a~6 µ~3 C a~6 g~3 C g~1 g~2 C a~6 µ~2 C a~6 g~2 C µ~3 g~5 C µ~3 µ~5 C µ~2 µ~5
C µ~2 g~5 C µ~2 µ~4 C g~1 a~6 C µ~3 g~2 C µ~3 g~1 C g~3 g~2 C g~3 g~1 C g~1 µ~4
C g~2 µ~4 C µ~4 g~3 C g~4 µ~2 C g~4 g~2 C g~4 g~1 C g~1 µ~5 C g~2 µ~5 C g~5 g~2
C g~5 g~1
SC1 d expand C1 ### expanded form of C1
2 a~6 µ~4 g~5 C 2 µ~2 µ~3 g~5 C 2 µ~5 g~5 g~1 C 2 µ~5 g~3 g~5 C 2 µ~5 g~4 g~5 (26)
C 2 µ~5 a~6 g~5 C 2 µ~4 g~3 g~4 C 2 µ~4 g~4 g~5 C 2 µ~4 µ~3 g~4 C 2 µ~4 a~6 g~4
C 2 µ~4 g~4 µ~5 C 2 µ~4 g~4 µ~2 C 2 µ~4 g~4 g~2 C 2 µ~4 g~4 g~1 C 2 µ~2 µ~3 µ~5
C 2 a~6 g~4 µ~5 C 2 g~3 g~4 µ~5 C 2 g~3 a~6 g~5 C 2 g~3 µ~4 g~5 C 2 µ~3 g~4 µ~5
C 2 g~3 a~6 µ~5 C 2 µ~3 g~4 g~5 C 2 µ~3 µ~4 g~5 C 2 g~3 a~6 g~4 C 2 a~6 µ~4 µ~5
C 2 g~3 µ~4 µ~5 C 2 µ~3 µ~4 µ~5 C 2 a~6 g~4 g~5 C 2 µ~2 µ~3 µ~4 C 2 µ~2 µ~3 g~4
C 2 µ~2 g~3 µ~4 C 2 µ~2 g~3 g~4 C 2 a~6 µ~3 µ~4 C 2 a~6 µ~3 g~4 C 2 a~6 g~3 µ~4
C 2 g~1 g~2 g~3 C 2 a~6 µ~2 µ~3 C 2 a~6 µ~2 g~3 C 2 a~6 g~2 µ~3 C 2 a~6 g~2 g~3
C 2 g~1 a~6 µ~4 C 2 g~2 g~3 g~4 C 2 g~3 g~4 g~5 C 2 g~2 µ~4 µ~5 C 2 g~2 µ~4 g~5
C 2 g~2 g~4 µ~5 C 2 g~2 g~4 g~5 C 2 g~2 g~3 µ~5 C 2 g~2 g~3 g~5 C 2 µ~2 µ~4 µ~5
111
(26)

C 2 µ~2 µ~4 g~5 C 2 µ~2 g~4 µ~5 C 2 µ~2 g~4 g~5 C 2 g~1 g~2 a~6 C 2 µ~3 g~1 a~6
C 2 g~3 g~1 a~6 C 2 g~1 g~2 µ~4 C 2 µ~4 µ~3 g~2 C 2 µ~4 µ~3 g~1 C 2 µ~4 g~3 g~2
C 2 µ~4 g~3 g~1 C 2 µ~4 a~6 µ~2 C 2 µ~4 a~6 g~2 C 2 g~4 µ~3 g~2 C 2 g~4 µ~3 g~1
C 2 g~4 g~3 g~1 C 2 g~4 g~1 a~6 C 2 g~4 g~1 g~2 C 2 g~4 a~6 µ~2 C 2 g~4 a~6 g~2
C 2 g~1 a~6 µ~5 C 2 g~1 g~2 µ~5 C 2 µ~5 g~1 µ~4 C 2 µ~5 g~4 g~1 C 2 µ~5 µ~3 g~2
C 2 µ~5 µ~3 g~1 C 2 µ~5 a~6 µ~3 C 2 µ~5 µ~2 g~3 C 2 µ~5 g~3 g~1 C 2 µ~5 a~6 µ~2
C 2 µ~5 a~6 g~2 C 2 g~5 g~1 µ~4 C 2 g~5 g~4 g~1 C 2 g~5 µ~3 g~2 C 2 g~5 µ~3 g~1
C 2 g~5 a~6 µ~3 C 2 g~5 µ~2 g~3 C 2 g~5 g~3 g~1 C 2 g~5 g~1 a~6 C 2 g~5 g~1 g~2
C 2 g~5 a~6 µ~2 C 2 g~5 a~6 g~2 C 2 µ~5 µ~4 g~5 C 2 µ~5 g~5 g~2 C 2 µ~5 µ~3 g~5
2 2 2 2 2 2
C 2 µ~5 µ~2 g~5 C g~3 µ~5 C g~4 µ~5 C µ~4 µ~5 C a~6 µ~5 C µ~3 µ~5 C µ~2 µ~5 C g~1
2 2
µ~5 C g~2 µ~5 C g~3 g~52 C g~4 g~52 C µ~4 g~52 C a~6 g~52 C µ~3 g~52 C µ~2 g~52 C
2 2 2 2 2 2
g~52 g~2 C g~52 g~1 C µ~3 µ~4 C a~6 µ~4 C µ~4 µ~5 C µ~4 g~5 C µ~2 µ~4 C g~1 µ~4
2 2
C g~2 µ~4 C µ~4 g~3 C g~3 g~42 C g~42 g~5 C µ~3 g~42 C a~6 g~42 C g~42 µ~5 C g~42 µ~2
2 2 2 2 2 2 2 2
C g~4 g~2 C g~4 g~1 C µ~3 µ~4 C µ~3 g~4 C µ~2 µ~3 C a~6 µ~3 C µ~3 g~5 C µ~3 µ~5
2 2
C µ~3 g~2 C µ~3 g~1 C g~32 g~4 C g~32 g~5 C g~32 µ~5 C µ~2 g~32 C a~6 g~32 C g~32 g~2
2 2 2 2 2 2 2 2
C g~3 g~1 C µ~4 g~3 C µ~2 µ~3 C µ~2 g~3 C a~6 µ~2 C µ~2 µ~5 C µ~2 g~5 C µ~2 µ~4
2
C g~4 µ~2 C g~1 g~22 C a~6 g~22 C µ~3 g~22 C g~3 g~22 C g~22 µ~4 C g~4 g~22 C g~22 µ~5
C g~5 g~22 C g~12 g~2 C g~12 a~6 C µ~3 g~12 C g~3 g~12 C g~12 µ~4 C g~4 g~12 C g~12 µ~5
2 2 2 2 2 2 2
C g~5 g~12 C a~6 µ~4 C a~6 g~4 C a~6 µ~5 C a~6 g~5 C a~6 µ~3 C a~6 g~3 C a~6 µ~2
2 2
C a~6 g~2 C g~1 a~6 C µ~2 g~1 g~2 C 2 µ~2 a~6 g~2 C 2 µ~2 g~1 a~6 C 2 µ~2 µ~3 g~2
C 2 µ~2 µ~3 g~1 C 2 µ~2 g~3 g~2 C 2 µ~2 g~3 g~1 C 2 µ~2 g~1 µ~4 C 2 µ~2 g~2 µ~4
C 2 µ~2 g~4 g~2 C 2 µ~2 g~4 g~1 C 2 µ~2 g~1 µ~5 C 2 µ~2 g~2 µ~5 C 2 µ~2 g~5 g~2
C 2 µ~2 g~5 g~1 C 2 µ~3 g~3 g~4 C 2 µ~3 g~3 g~5 C 2 µ~3 g~3 µ~5 C 2 µ~3 µ~2 g~3
C 2 µ~3 a~6 g~3 C 3 µ~3 g~1 g~2 C 2 µ~3 g~3 g~2 C 2 µ~3 g~3 g~1 C 2 µ~3 µ~4 g~3
signum SC1
1 (27)
is SC1 T positive
true (28)
112
nops a5
32 (29)
2
C2 d a1$a2 K a3 $a3 K a1 $a4 :###### Second condition
SC2 d simplify C2 :
###expand form of the second condition. It's a long expression and we avoided to display it
signum SC2 #### gives the sign of SC2
1 (30)
is SC2 T positive ## This command is the same as signum.
true (31)
nops SC2
3676 (32)
2
C3 d a1$a2 K a3 $ a3$a4 K a2$a5 K a1$a4 K a5 :##### Third condition
SC3 d expand C3 :
####### Expanded form of C3. Do not try it without the colon. Otherwise you will wait for al long
time without any resultss:-(
signum SC3
1 (33)
is SC3 T positive
true (34)
nops SC3
43302 (35)
113
5.5 Conclusion Application au paludisme
Ainsi la matrice Ã♯22 est Hurwitz. Ceci prouve que le couple (Ā, C̄) est détectable.
5.5 Conclusion
Dans ce chapitre nous avons considéré un modèle général intra-hôte du paludisme. On a donné une
méthode d’estimation de la charge parasitaire totale d’un patient, à partir de sa charge périphérique,
sans la connaissance à priori des certains paramètres non connus de la littérature. De cette méthode,
on a aussi dérivé une méthode d’estimation du paramètre clé β, qui est le taux de contact effectif entre
un merezoite et un érythrocyee sain. On a aussi montré que l’utilisation des méta-classes donnent
des résultats comparables à ceux des classes simples. La considération des méta-classes permet de
gagner beaucoup en terme de temps de calcul.
Les résultats de ce chapitre [20] sont en cours de rédaction et sont disponible en préprint au
http://hal.inria.fr/hal-00764375
114
Conclusion et perspectives
Dans cette thèse, on a étudié la stabilité globale de certains modèles épidémiologiques de type SIR,
SIRS, SIS et SIRS. Nous avons considéré les modèles SIR et SIRS avec des mortalités différentes
dans chaque classe et nous avons étudié la stabilité des équilibres de ces modèles. Nous avons complété
et amélioré les résultats de Korobeinikov et Wake [72].
Nous avons aussi considéré les modèle SIS et SIRS avec plusieurs souches et transmission verti-
cale. Nous montrerons que le principe de compétition exclusion est vérifié. A la différence des autres
résultats la souche qui maximise un seuil est celle qui gagne la compétition et les autres vont dispa-
raître. En effet, on a défini pour chaque souche i un seuil Ti qui est tel que Ti > 1 ⇐⇒ R0,i > 1 où
R0,i est le nombre de reproduction de base en présence de la souche i. Le nombre de reproduction de
base du système est défini comme R0 = max R0,i .
i=1,...,n
On aussi considéré un modèle avec deux souches dans le cas où le contact est modélisé par la loi
I
d’action de masse βS . Contrairement au cas bilinéaire, il y a un équilibre de coexistence et des
N
équilibres frontières. La stabilité globale des équilibres est aussi étudiée dans presque tous les cas. Un
seul cas est encore sous investigation.
On s’est intéressé à certains problèmes du paludisme. Après avoir rappelé quelques notions sur la
biologie du paludisme, on décrit le développement des modèles intra-hôte qui décrivent la dynamique
du parasite dans l’hôte. Une quantité fondamentale dans la lutte et contrôle du paludisme est la
charge parasitaire totale dans le sang. Or il n’y a que la quantité de parasites périphériques qui sont
disponibles aux mesures par les tests médicaux standards. Nous disposons des données de parasitémie
périphérique de plusieurs patients qui proviennent de l’US Public Health Service au National Institutes
of Health laboratories à Columbia en Caroline du Sud et à Milledgeville dans l’Etat de Georgie. On
a utilisé ces données pour estimer les variables non mesurées. Pour cela nous avons considéré un
modèle intra-hôte assez général, où la force d’infection est une fonction quelconque ξ(x(t), m(t), t),
pour estimer toutes les variables et partant la charge parasitaire totale. De plus cette estimation est
faite sans l’utilisation du paramètre inconnu β qui est le taux d’infection des globules rouges sains par
les mérozoites libres. On a utilisé les outils de la théorie du contrôle pour construire un observateur
exponentiel pour l’estimation des états. On a aussi utilisé cet observateur pour estimer le paramètre β
et on confirme certaines valeurs de celui-ci dans la littérature, obtenues avec des hypothèses largement
115
Chapitre 5: Conclusion et perspectives
simplificatrices.
Les valeurs obtenue pour l’estimation de β, quoique du même ordre de grandeur, que celle de la
littérature sont notablement différentes. Par exemple Gravenor et al. [48] obtiennent β = 4.8384 ×
10−6 (cells/ µL)−1 jour−1 pour un individu et nous on obtient 7.2807 × 10−6 (cells/ µL)−1 jour−1 .
Les perspectives des travaux dans cette thèse sont nombreuses. Il y a plusieurs possibilités d’étendre
ou d’améliorer les résultats dans cette thèse dont les plus naturelles sont les suivantes :
Hétérogénéité
On a prouvé dans cette thèse que le principe de compétition exclusive est vérifié pour un modèle
SIS et SIRS avec plusieurs souches et transmission verticale. Cependant la population était supposé
homogène où le contact entre un individu (ou cellules) infecté(e) et un susceptibles est aléatoire. Ceci
peut simplificateur. La plupart des populations sont divisées en sous-populations dont les membres ont
des caractéristiques similaires basée sur les facteurs sociaux, économiques, culturels ou géographiques.
L’hypothèse d’homogénéité dans chaque sous-population sera ainsi plus réaliste. On a donc à étudier la
dynamique d’une infection à plusieurs souches dans une population de populations. D’où l’utilisation
des techniques de métapopulation.
Observateurs pour les systèmes continus à sortie discrète

Dans la thèse on a construit un observateur pour estimer les états non mesurés de notre système
continu en utilisant les informations sur états mesurés (données). Ces données sont sous la forme
discrète, on a fait une interpolation pour rendre les mesures continues et on a utilisé les techniques
observateurs pour les systèmes continus à sortie continue. Il serait intéressant de construire un obser-
vateur d’un système continue à sortie discrète comme :
⎧
⎪
⎪ ż(t) = f (z(t), u(t))
⎪
⎨ (5.22)
⎪
⎩ Y(t) = h(zk )
⎪
⎪
Il existe quelque résultats [106] dans la littérature mais ne sont pas appliquées aux modèles épidémio-
logiques.
Estimation des paramètres d’autres modèles

De la construction de l’observateur pour le modèle intra-hôte du paludisme, on a déduit une mé-
thode d’estimation du paramètre β. Cette méthode quoique embryonnaire donne des résultats com-
parables aux quelques rares valeurs de β de la littérature. Cette méthode nécessite d’être améliorée et
surtout une estimation de l’erreur dans le calcul de β s’impose. De plus, par la structure particulière de
notre modèle, il possible d’éviter l’intégration (variation de la constante) et le même le remplacement
les variables originales par les estimées. Ceci se fait en utilisant mes techniques de la décomposions en
valeur singulière de la matrice Ā de l’observateur. Cette piste est en cours d’exploration.
116
Chapitre 5: Conclusion et perspectives
De plus comme nous l’avons fait remarquer les modèles intra-hôte du paludisme ont beaucoup des
similarités aux modèles intra-hôtes du VIH. Nous ne disposons pas actuellement des données sur le
VIH, mais il est intéressant d’en chercher et estimer certains paramètres de ces modèles pour le VIH.
Il serait aussi intéressant de considérer le modèle intra-hôte du paludisme avec immunité comme dans
[32] et voir si la réponse immunitaire fera décroître la valeur de β par exemple. Pour le parallélisme avec
les modèles du VIH, nous avons considéré dans [19], indépendant de cette thèse et est encore d’amé-
lioration, un modèle intra-hôte du VIH qui prends en compte la réponse immunitaire. L’estimation
de β s’impose aussi dans ce cas.
117
ANNEXE A
Outils mathématiques
A.1 Généralités sur les systèmes dynamiques

L’analyse mathématique des systèmes dynamiques résultant de la modélisation en épidémiologique
fait appel à des matrices d’un type bien particulier. Les systèmes différentielles étudiés dans cette thèse
sont non linéaires. Nous allons présenter la plupart des résultats qui ont été utilisés dans ce travail.
Ces résultats sont classiques. Ainsi les notions de système dynamique, de stabilité des solutions d’un
système dynamique, de matrice de Metzler, de matrice irréductible, de matrice à diagonale dominante,
de système dynamique monotone, système triangulaire seront revisitées. Enfin nous allons présenter
la méthode de van den Driessche et Watmough pour le calcul du nombre de reproduction de base R0 .
Dans suite nous aurons besoin des définitions et notations suivantes :
Définition A.1.
Soit x = (x1 , x2 , ⋯, xn ) ∈ Rn , A = (aij ) ∈ Mn (R)
– On dit que le vecteur x, (respectivement la matrice A) est strictement positif, et on note
x ≫ 0 (respectivement A ≫ 0 ), si pour tout i, 1 ≤ i ≤ n, xi > 0 (respectivement pour tout
i, j, 1 ≤ i ≤ n, 1 ≤ j ≤ n, aij > 0)
– On dit que le vecteur x, (respectivement la matrice A) est positif, et on note x > 0 (res-
pectivement A > 0), si pour tout i, 1 ≤ i ≤ n, xi ≥ 0 ; et il existe au moins un i tel que
xi > 0 ( respectivement pour tout i, j, 1 ≤ i , j ≤ n, aij ≥ 0 et pour au moins un couple
(i, j), aij > 0)
– On dit que le vecteur x, ( respectivement la matrice A ) est positif (largement) et on note
x ≥ 0 (respectivement A ≥ 0), si x > 0 ou x = 0 (respectivement A > 0 ou A = 0).
Définition A.2. (Système dynamique à temps continu)
118
A.1 Généralités sur les systèmes dynamiques Chapitre A: Outils mathématiques
On appelle système dynamique à temps continu sur un ensemble Ω, une famille d’applica-
tions {φt ; t ∈ R+ }, paramétrée soit par l’ensemble R+ des réels positifs ou nuls, soit par l’ensemble
R de tous les réels, et vérifiant les propriétés suivantes :
1. chaque application φt est définie sur une partie Ut de Ω et à valeurs dans Ω ;
2. l’application φ0 définie sur Ω tout entier est l’application identité sur (idΩ ) ;
3. Si 0 ≤ t1 ≤ t2 , alors Ut2 ⊂ Ut1 ;
4. Soient t et s deux éléments de l’ensemble R+ (ou R) qui paramètre la famille des applica-
tions considérées. Soit x ∈ Us ; alors φs (x) est un élément de Ut si et seulement si x est un
élément de Us+t et , lorsque c’est le cas, on a
φt (φs (x)) = φs+t (x)
L’ensemble Ω est appelé espace de phases du système dynamique.
A.1.1 Systèmes autonomes

Soit Ω un sous ensemble de Rn . Considérons l’équation différentielle autonome définie par :
ẋ = X(x) (A.1)
On suppose que X ∶ Ω ⊂ Rn Ð→ Rn est continue et satisfait des conditions telles qu’une solution du
système (A.1) existe en tout point, est unique et dépend de manière continue des conditions initiales.
Les états stationnaires ou points d’équilibre du système (A.1) sont les points x0 ∈ Ω satisfaisant
X(x0 ) = 0. Pour chaque x ∈ Ω, nous notons par Xt (x) la solution du système (A.1) satisfaisant
X0 (x) = x. Nous supposons que X satisfait des conditions telles que Xt (x) est continue en (t, x).
Définition A.3. (Trajectoire, orbite)

– On appelle trajectoire d’un point x de Ω l’application Xx ∶ t z→ Xt (x) ;
– on appelle orbite d’un point x de Ω la partie γx = {Xt (x), t ∈ R} de l’espace des phases ;
– l’orbite d’un point x de Ω est dite périodique si x n’est pas un point d’équilibre et s’il
existe T ∈ R+ tel que XT (x) = x. On dit alors que T est une période de l’orbite périodique
considérée.
Définition A.4. On appelle orbite positive γ + (x0 ) issue de x0 l’ensemble
{x(t, x0 ) ; t ≥ 0}
Définition A.5. (Ensembles limites)

Les hypothèses et les notations sont celles de la définition précédente, nous supposons que
Ω est un espace topologique séparé. soit x un point de Ω ;
soit Ix = {Xt (x) est définie} ;
– on suppose que Ix est borné à droite.
On appelle ensemble ω - limite de x et on note ω(x) l’ensemble des valeurs d’adhérence
de la trajectoire t z→ Xt (x) de x , lorsque t tend vers +∞
119
– on suppose que Ix non borné à gauche. On appelle ensemble α-limite de x et on note α(x)
l’ensemble des valeurs d’adhérence de la trajectoire t z→ Xt (x) de x, lorsque t tend vers
−∞
Définition A.6. (Bassin d’attraction d’un point d’équilibre)

Soit x0 ∈ Ω un point d’équilibre du système (A.1).
– On appelle bassin d’attraction du point x0 ∈ Ω l’ensemble des éléments x ∈ Ω tels que pour
tout t ∈ R+ , Xt (x) soit défini et que
lim Xt (x) = x0
t→+∞
– On appelle bassin de répulsion du point x0 ∈ Ω ; l’ensemble des éléments x ∈ Ω tels que

pour tout t ∈ R− , Xt (x) soit défini et que
lim Xt (x) = x0
t→−∞
Définition A.7. (Ensemble absorbant)

Supposons que le système (A.1) est tel que X est de classe C 1 et que Ω est un ouvert de Rn .
Supposons de plus que cette équation admet admet des solutions quel que soit t ≥ 0. Un sous-
ensemble D de Ω est dit absorbant suivant A.1 si tout sous-ensemble borné K de Ω satisfait
x(t, K) ⊂ D pour tout temps t suffisamment grand. De même, D est dit absorbant lorsque pour
toute condition initiale x0 , il existe t > 0 tel que Xt (x0 ) ∈ D.
Définition A.8. (Ensemble invariant)

Un sous-ensemble K de Ω est dit positivement (resp. négativement) invariant relativement
à (A.1) si x(t, K) ⊂ K pour tout t ≥ 0 (resp t ≤ 0), K est dit invariant si x(t, K) = K pour tout t.
Les ensembles α − limite et ω − limite sont des exemples d’ensembles invariants et absorbants.
Théorème A.1.
Soit le système défini sur Rn par
ẋ = A(x) x (A.2)
Si pour tout x ∈ Rn , A(x) est une matrice de Metzler, alors le système (A.2) laisse positivement
invariant l’orthant positif Rn+ .
Preuve :
Supposons que pour tout x ∈ Rn , A(x) soit une matrice de Metzler ( c’est à dire , aij (x) ≥ 0 pour
tout i , j tel que i ≠ j) ; soit i un indice quelconque tel que 1 ≤ i ≤ n ; soit l’ensemble
Hi = {x ∈ Rn ; xi = 0} ∩ Rn+
Sur Hi , on a
n
ẋ = ∑ aij (x) xj
j=1
n
= ∑ aij (x) xj ≥ 0
j=1,j≠i
120
Autrement dit, sur les ensembles Hi qui sont en fait les diverses faces de la frontière de Rn+ , la restriction
du système (A.2) a un champ de vecteurs qui pointe vers l’extérieur de Rn+ . Donc par continuité du flot,
aucune trajectoire de ce système qui commence dans Rn+ n’en ressort. Ce qui démontre l’invariance
positivité de l’orthant positif. Ce qui achève la preuve du théorème.
Théorème A.2. (Théorème de la barrière)
On considère une fonction H ∶ Rn → R. Soit Ω un ouvert de R. On suppose qu’en tout point
x ∈ Ω tel que H(x) = 0, on a
∇H(x) ≠ 0 et ⟨X(x) ∣ ∇H(x)⟩ ≤ 0
Alors aucune trajectoire de X issue d’un point tel que H(x) ≤ 0 ne peut sortir par l’ensemble
{x ∈ Ω ∣ ∇H(x) = 0}
On dit qu’en l’ensemble des points x où ⟨X(x) ∣ ∇H(x)⟩ ≤ 0, le champ de vecteurs est rentrant
dans l’ensemble {x ∣ ∇H(x) = 0}. Ce théorème est évident si le champ est strictement rentrant, le
point délicat est quand le champ est tangent. On a alors besoin que le champ soit de Lipschitzi pour
prouver qu’il ne traverse pas la barrière.
On en déduit le corollaire suivant qui est très utilisé, par exemple pour montrer que l’orthant
positif est invariant.
Corollaire 1.
On considère un ensemble G fermé et dont la frontière est constituée de morceaux de surfaces
hyperplans. Alors si le champ est rentrant dans G en tout de sa frontière, l’ensemble G est
positivement invariant par X.
A.1.2 Notion de stabilité et point d’équilibre

Définition A.9. ( Stabilité d’un point d’équilibre)
On dit que x0 est un point d’équilibre stable pour (A.1) ou que le système (A.1) est stable
en x0 si pour tout positif, il existe un nombre réel positif δ tel que pour tout x ∈ Ω avec
∥x(0) − x0 ∥ < δ , la solution Xt (x(0)) = x(t)
Si de plus il existe δ0 tel que 0 < δ0 < δ et
∥x(0) − x0 ∥ < δ0 ⇒ lim x(t) = x0
t→+∞
x0 est dit asymptotiquement stable.
Le système est dit instable en x0 s’il n’est pas stable en x0 .
Définition A.10. (Point d’équilibre attractif )
– Le point d’équilibre x0 est dit attractif (on dira aussi que le système A.1 est attractif en
x0 ) s’il existe un voisinage D ⊂ Ω de x0 tel que pour toute condition initiale x commençant
dans D, la solution correspondante Xt (x) du système (A.1) est définie pour tout t ≥ 0 et
tend vers x0 lorsque t tend vers l’infini. En d’autres termes,
lim Xt (x) = x0
t→∞
pour toute condition initiale x ∈ D ;
121
– le point x0 est dit globalement attractif si limt→∞ Xt (x) = x0 pour toute condition initiale
x∈Ω
Définition A.11.
x0 est un point asymptotiquement stable pour le système (A.1) s’il est stable et attractif.
Définition A.12. (Equilibre globalement asymptotiquement stable)

Ce système est dit globalement asymptotiquement stable en x0 dans Ω si il est à la fois
stable, attractif et son basin d’attraction est Ω tout entier.
A.1.3 Systèmes monotones

Définition A.13. [57]
Considérons le système (A.1) avec X de classe C 1 et Ω un ouvert de Rn .
– X est de type K dans Ω si pour tout i ; Xi (a) ≤ Xi (b) quel que soit a et b dans Ω vérifiant
ak ≤ bk et ai = bi , (i ≠ k et i, k = 1, 2, ⋯, n) ;
– on dira que Ω est p-convexe si tx + (1 − t)y ∈ Ω, pour tout t ∈ [ 0 , 1 ], chaque fois que
x, y ∈ Ω et x ≤ y ;
– on dira que le système (A.1) est un système coopératif si Ω est p-convexe et
∂Xi (x)
≥ 0, i ≠ j , x ∈ Ω
∂xj
– On dira que le système (A.1) est un système compétitif si Ω est p-convexe et
∂Xi (x)
≤ 0, i ≠ j , x ∈ Ω.
∂xj
Définition A.14. ( Système dynamique monotone)

Soit un système dynamique dont le flow est φt ∶ x z→ φt (x).
Ce système dynamique est dit monotone s’il est défini sur un espace métrique ordonné et
s’il possède la propriété suivante :
t ≥ 0, x ≤ y ⇒ φt (x) ≤ φt (y)
Il est dit fortement monotone si
t ≥ 0, x < y ⇒ φt (x) ≪ φt (y)
Il est dit anti-monotone si
t ≥ 0, x ≤ y ⇒ DX(x) > DX(y)
Il est dit strictement anti-monotone si
t ≥ 0, x < y ⇒ DX(x) > DX(y)
122
A.2 Système triangulaire Chapitre A: Outils mathématiques
A.2 Système triangulaire

On considère un système triangulaire, plus précisément il s’agit d’un système sur Rn × Rm ayant la
forme
⎧
⎪
⎪ x˙1 = f1 (x1 )
⎪
⎨ (A.3)
⎪
⎪
⎪ ẋ = f (x , x )
⎩ 2 2 1 2
où f1 est une application de Rn dans Rn et f2 de Rn × Rm dans Rm . On supposera que les conditions

sont vérifiées pour l’existence et l’unicité des solutions (par exemple, f1 et f2 de classe C 1 ).
Les trajectoires ont toutes la même projection sur Rn × {0}, ce sont celle du système.
On voit bien pourquoi on a donné le nom de triangulaire. En fait la jacobienne du système est
triangulaire inférieure par blocs. Ces systèmes sont aussi appelés systèmes hiérarchiques. Nous allons
démonter un résultat de stabilité du théorème de Vidyasagar [131]. La version que nous présentons
ici est dans le cas des systèmes autonomes. Elle est beaucoup plus simple que celle donnée dans le cas
général par Vidyasagar.
Théorème A.3.
On considère un système de classe C 1
⎧
⎪
⎪ x˙1 = f1 (x1 )
⎪
⎨ (A.4)
⎪
⎩ ẋ2 = f2 (x1 , x2 )
⎪
⎪
tel l’origine de Rn est globalement asymptotiquement stable (GAS) pour le système x˙1 = f1 (x1 )
sur Rn et tel que l’origine de Rm est GAS pour x˙2 = f2 (0, x2 ) sur Rn ,
alors l’origine de Rn × Rm est asymptotiquement stable.
Si de plus, toutes les trajectoires sont bornées alors l’origine est GAS sur Rn × Rm .
Preuve
On va prouver la stabilité. Soit le voisinage suivant de l’origine
B(0, ε) = {(x1 , x2 ) ∣ ∥ x1 ∥ ≤ ε, ∥ x2 ∥ ≤ ε}
Puisque les équilibres des systèmes isolés sont GAS, que les systèmes sont de classe C 1 , on peut
appliquer la réciproque du théorème de Lyapunov. Il existe des fonctions de classe C 1 définies positives
V1 (x1 ) et V2 (x2 ) telles que
V̇1 = ⟨∇V1 (x1 )∣ f1 (x1 )⟩ ≤ 0 , V̇2 = ⟨∇V2 (x2 )∣ f2 (0, x2 )⟩ ≤ 0
Les fonctions V̇1 et V̇2 sont définies négatives sur B(0, ε) pour ε pris suffisamment petit. Puisque f1
et V1 sont de classe C 1 , posons
∂f1
L= max (x1 , x2 )
(x1 ,x2 )∈B(0,ε) ∂x2
M= max ∇V2 (x2 )

(x1 ,x2 )∈B(0,ε)
ε
Comme V2 est une fonction de Lyapunov, on peut choisir δ1 < 2 suffisamment petit tel que
max ∇V2 (x2 ) < ε

min ∇V2 (x2 )
∥x2 ∥≤δ1 2
≤∥x2 ∥≤ε
123
A.2 Système triangulaire Chapitre A: Outils mathématiques
V̇2 (x2 ) = ⟨∇V2 (x2 )∣ f2 (x1 , x2 )⟩ = ⟨∇V2 (x2 )∣ f2 (0, x2 )⟩ + ⟨∇V2 (x2 )∣ f2 (x1 , x2 ) − f2 (0, x2 )⟩
En vertu de la formule de Taylor, on a la relation
1 ∂f2
f2 (x1 , x2 ) − f2 (0, x2 ) = ∫ (x1 , x2 )x1 dt
0 ∂x1
Ainsi sur B(0, ε) on a
∥f2 (x1 , x2 ) − f2 (0, x2 )∥ ≤ ∥x1 ∥
et l’inégalité de Cauchy Schwarz donne
V̇2 (x2 ) ≤ ⟨∇V2 (x2 )∣ f2 (0, x2 )⟩ + L M ∥x1 ∥ (A.5)
Comme la fonction ⟨∇V2 (x2 )∣ f2 (0, x2 )⟩ est ngative, si l’on la fonction ϕ par
ϕ(c) = min (−⟨∇V2 (x2 )∣ f2 (0, x2 )⟩)

c≤∥x2 ∥≤ε
Cette fonction ϕ, définie sur R, est continue, croissante et tend vers 0 lorsque c → 0. Elle vérifie en
plus ϕ(c) > 0 pour tout c > 0.
Puisque le système ẋ1 = f1 (x1 ) est asymptotiquement stable, on peut choisir δ2 ≤ δ1 tel que pour
ϕ(c)
toute condition initiale vérifiant ∥x1 (0)∥ ≤ δ2 , alors pour tout t ≥ 0, on a l’inégalité ∥x1 (t)∥ ≤ .
LM
Par ailleurs, si l’on a ∥x1 ∥ ≤ δ2 et ∥x2 ∥ ≥ δ1 , avec l’inégalité (A.5), on en déduit la relation
⟨∇V2 (x2 )∣ f2 (0, x2 )⟩ + L M ∥x1 ∥ < 0 (A.6)
Soit maintenant 0 < δ3 < δ2 tel que
max V1 (x1 ) < min V1 (x1 )

∥x1 ∥≤δ3 δ2 ≤∥x1 ∥≤ε
Considérons l’ouvert U défini par
U = {(x1 , x2 ) ∣ ∥x1 ∥ ≤ δ2 , ∥x2 ∥ ≤ δ3 }
Si x1 (0) ≤ δ3 , comme V1 est décroissante, l’inégalité précédente montre que ∥x1 (t)∥ ≤ δ2 (aucune
trajectoire ne peut atteindre la sphère de rayon δ2 sur Rn ).
Soit x2 (0) ≤ δ3 . Comme
max V2 (x2 ) ≤ max V2 (x2 ) < ε

min V2 (x2 ).
∥x2 ∥≤δ3 ∥x2 ∥≤δ1 2
≤∥x2 ∥≤ε
La trajectoire issue de (x1 (0), x2 (0)) vérifiant ∥x2 (t)∥ ≤ δ1 entraine
V2 (x2 ) ≤ min V2 (x2 ).

δ1 ≤∥x2 ∥≤ε
On a vu ci-dessus que l’on a ∥x1 (t)∥ ≤ δ2 . Ceci entraîne, dès que ∥x2 (t)∥ ≥ δ1 , en vertu de l’inégalité
(A.6) V̇2 ≤ 0.
Comme V2 est décroissante sur les trajectoires contenues dans l’anneau ∥x1 ∥ ≤ δ2 , ∥x2 ∥ ≤ 2ε , on
en déduit qu’une trajectoire ne peut atteindre l sphère de rayon 2ε dans Rm . Nous avons prouvé que
∥x1 (t)∥ ≤ δ2 ≤ ε et ∥x2 (t)∥ ≤ 2ε . Ce qui achève la démonstration de la stabilité.
124
A.3 Méthodes de Lyapunov Chapitre A: Outils mathématiques
On va maintenant, démontrer l’attractivité locale par le principe d’invariance de Lasalle. Puisque

l’origine est stable, il existe un voisinage compact U de cette origine qui est positivement invariant.
On va donc se restreindre à cet invariant U.
On considère la fonction V1 . C’est une fonction de Lyapunov-Lasalle. Par hypothèse
V̇1 = ⟨∇V1 (x1 )∣ f1 (x1 )⟩ ≤ 0.
Soit
E = {(x1 , x2 ) ∈ U ∣ V̇1 = 0}
On considère dans l’ensemble E, le plus grand ensemble invariant. C’est évidemment ({0} × Rm ) ∩ U.
Par hypothèse le système ẋ2 = f2 (0, x2 ) est globalement asymptotiquement stable sur {0} × Rm . Ceci
implique que toute trajectoire négative du système de U ∖ {0} sort de U.
En effet, si cela n’est pas le cas, il existe une trajectoire complète γ dans U. L’ensemble des points
α-limites de γ est invariant. Par stabilité asymptotique et invariance, cet ensemble contient l’origine.
Cela signifie que la trajectoire part aussi près de l’origine que l’on veut pour y retourner. La fermeture
ce cette trajectoire étant compacte, cela contredit la stabilité. La propriété énoncée est donc vraie.
Cela signifie que le plus grand invariant contenu dans E est réduit à {0}. Ceci montre l’attractivité
dans U.
Si une trajectoire est relativement compacte, alors les points ω-limites sont dans {0} × Rm .
En effet, pour tn → ∞, on a x1 (tn ) → 0. Si toutes les trajectoires sont compactes, alors l’ensemble
des points ω-limites sont dans {0} × Rm . Par asymptotique stabilité sur {0} × Rm l’origine est un point
ω-limite. Toute trajectoire s’approche aussi près que l’on veut de l’origine. Par stabilité elle est piégée
dans l’ouvert U défini ci-dessus. Elle tend donc vers l’origine par asymptotique stabilité.
A.3 Méthodes de Lyapunov

Les fonctions de Lyapunov jouent un grand rôle dans l’étude de la stabilité des systèmes dynamiques.
Cette section est consacrée à quelques résultats dus à Lyapunov. Soit V ∶ Ω ⊂ Rn → R une fonction
continue ;
Définition A.15.
– La fonction V est dite définie positive si V (x0 ) = 0 et V (x) > 0 dans un voisinage Ω0 de
x0 pour tout x ≠ x0 dans ce voisinage ;
– La fonction V est dite définie négative si −V est définie positive ;
– La fonction V est dite semi-positive si V (x0 ) = 0 et V (x) ≥ 0 dans un voisinage Ω0 de x0
Définition A.16. (Fonction de Lyapunov) [79]

Une fonction V ∶ Ω → R est une fonction de Lyapunov pour le système (A.1) si elle dé-
croissante le long des trajectoires du système. Si V est de classe C 1 , cela revient à dire que sa
dérivée V̇ par rapport au système (A.1) est négative sur Ω, c-à-d, V̇ (x) ≤ 0 pour tout x ∈ Ω.
Théorème A.4. (Théorème de Lyapunov)

– Si la fonction V est définie positive et V̇ semi-définie négative sur Ω, alors le point d’équi-
libre x0 est stable pour le système A.1.
125
A.3 Méthodes de Lyapunov Chapitre A: Outils mathématiques
– Si la fonction V est définie positive et V̇ définie négative sur Ω, alors x0 est un point
d’équilibre asymptotiquement stable pour le système (A.1).
Ce théorème affirme que pour montrer qu’un point d’équilibre x0 est stable, il suffit de trouver
une fonction de Lyapunov en ce point. Par ailleurs, pour utiliser le théorème original de Lyapunov
pour montrer la stabilité asymptotique d’un système donné, nous devons déterminer une fonction V
définie positive dont la dérivée V̇ est définie négative. Dans le cas général, ceci n’est pas évident.La
condition sur la dérivée V̇ peut être allégée en utilisant le principe de LaSalle qui sera énoncé dans
la section suivante.
A.3.1 Le principe d’invariance de LaSalle

Théorème A.5. (Principe d’invariance de LaSalle[78, 79]
Soit Ω un sous-ensemble de Rn ; supposons que Ω est un ouvert positivement invariant pour le
système (A.1) en x0 . Soit V ∶ Ω → R une fonction de classe C 1 pour le système (A.1) en x0 telle
que :
1. V̇ ≤ 0 sur Ω ;
2. soient E = {x ∈ Ω ∣ V̇ (x) = 0} et L le plus grand ensemble invariant par X et contenu dans
E.
Alors, toute solution bornée commençant dans Ω tend vers l’ensemble L lorsque le temps tend
vers l’infini.
Ce théorème est un outils très important pour l’analyse des systèmes ; à la différence de Lyapunov,
il n’exige ni de la fonction V d’être définie positive, ni de sa dérivée V̇ d’être négative. Cependant, il
fournit seulement des informations sur l’attractivité du système considéré au point d’équilibre x0 . Par
exemple, il ne peut être utilisé pour prouver que les solutions tendent vers un point d’équilibre que
lorsque l’ensemble L est réduit à ce point d’équilibre. Il n’indique pas si ce point d’équilibre est stable
ou pas. Lorsqu’on veut établir la stabilité asymptotique d’un point d’équilibre x0 de Ω, on utilise le
corollaire suivant qui est une conséquence du principe d’invariance de LaSalle.
Corollaire 2. ( Lasalle [78])

Supposons Ω ⊂ Rn est un ouvert connexe tel que x0 ∈ Ω.
Soit V ∶ U → R une fonction définie positive et de classe C 1 telle que V̇ ≤ 0 sur U. Soit
E = {x ∈ U ∣ V̇ (x) = 0} ; supposons que le plus grand ensemble positivement invariant contenu
dans E est réduit au point x0 .
Alors x0 est un point d’équilibre asymptotiquement stable pour le système (A.1).
Si ces conditions sont satisfaites pour U = Ω si de plus V est propre sur Ω, c’est à dire si
∂
lim V (x) = +∞ lorsque d(x, ∂x Ω) + ∥x∥ → +∞, alors toutes les trajectoires sont bornées pour tou
t ≥ 0 et x0 est un point d’équilibre globalement stable pour le système (A.1).
Corollaire 3.
Sous les hypothèses du théorème précédent, si l’ensemble L est réduit au point x0 ∈ Ω, alors x0
est un point d’équilibre globalement asymptotiquement stable pour le système (A.1) défini sur
Ω.
126
A.4 Quelques matrices particulières Chapitre A: Outils mathématiques
A.4 Quelques matrices particulières

Définition A.17. (Module de stabilité, rayon spectrale)
Soit A une matrice carrée, si on désigne par spec(A) l’ensemble des valeurs prores de A.
On appelle Module de stabilité de la matrice A, le nombre défini par :
α(A) = max{Re(λ); λ ∈ Spec(A)}
La matrice A est dite stable si α(A) < 0.

On appelle rayon spectrale le nombre réel ρ(A) défini par
ρ(A) = max ∣λ∣

λ∈Spec(A)
On dit qu’une matrice A est stable si ses valeurs propres ont des parties réelles strictement
négatives. On dit aussi que la matrice est de Hurwitz.
Théorème A.6 (Théorème de Gerschgorin).

Soit A ∈ Mn (R). Le spectre de A est contenu dans la réunion des disques dont les centres sont
les coefficients diagonaux aii de la matrice A et dont les rayons respectifs sont les sommes des
valeurs absolues des coefficients extra-diagonaux des lignes correspondantes.
n
En d’autres termes, pour tout indice i , 1 ≤ i ≤ n, si on pose ri = ∑ ∣aij ∣ , alors
j=1,j≠i
Spec(A) ⊂ ∪ni=1 B(aii , ri )
Lemme 2.
Soit A ∈ Mn (R) une matrice carrée.
Si A est une matrice singulière, alors il existe un indice i0 tel que
n
∣ai0 i0 ∣ ≤ ∑ ∣ai0 j ∣
j=1,j≠i
En d’autres mots, le terme ai0 i0 est dominé par la colonne i0 .
Preuve du lemme
Soit n un entier naturel quelconque fixé ; on va supposer que A est une matrice singulière. Par
abus nous allons noter la matrice A et l’endomorphisme de Rn correspondant par le même symbole
A. Puisque A est singulière, Ker(A) ≠ {0} ; soit x = (x1 , x2 , ⋯, xn )T ∈ Ker(A) ; soit i0 l’indice de la
127
A.4 Quelques matrices particulières Chapitre A: Outils mathématiques
composante de x telle que xi0 réalise la norme maximum de x (c’est à dire ∣xi0 ∣ = max1≤i≤n ∣xi ∣ = ∥x∥∞ )
n
A x = 0 Ô⇒ (Ax)i0 = ∑ ai0 j xj = 0
j=1
n
Ô⇒ −ai0 i0 xi0 = ∑ ai0 j xj
j=1,j≠i
n
Ô⇒ ∣ai0 i0 ∣∣xi0 ∣ ≤ ∑ ∣ai0 j ∣∣xj ∣
j=1,j≠i
n
≤ ∣xi0 ∣ ∑ ∣ai0 j ∣∣xj ∣
j=1,j≠i
Puisque xi0 ≠ 0 , il vient que

n
∣ai0 i0 ∣ ≤ ∑ ∣ai0 j ∣
j=1,j≠i
ce qui met fin à la preuve du lemme. La conséquence suivante mieux adaptée au théorème que le
lemme précédent est la suivante
Corollaire 4.
Soit A ∈ Mn (R) une matrice carrée.
Si A est une matrice singulière, alors il existe un indice i0 tel que
n
∣ai0 i0 ∣ ≤ ∑ ∣ai0 j ∣
j=1,j≠i
En d’autres termes, le terme général ai0 i0 est dominé par la colonne i0

La preuve de ce corollaire est identique à celle du lemme précédent ; cependant on remplace la
matrice A par sa transposée AT qui a les propriétés de régularité identiques que la matrice A.
Preuve du théorème A.6
Soit la A ∈ Mn (R) ; alors pour tout λ ∈ Spec(A) , A − λI est une matrice singulière. Le lemme
précédent implique que pour tout λ ∈ Spec(A), il existe iλ ∈ N, 1 ≤ iλ ≤ n tel que
∣aiλ iλ ∣ ≤ ∑ ∣aiλ j ∣
j=1,j≠iλ
Si on pose ri = ∑j=1,j≠iλ ∣aiλ j ∣ ; l’inégalité précédente est équivalente à : pour tout λ ∈ Spec(A) , il existe
iλ ∈ N , 1 ≤ iλ ≤ n, tel que λ ∈ B(aiλ iλ , riλ ). Si on considère les boules B(aii , ri ) pour tout i, 1 ≤ i ≤ n,
il vient que tout λ ∈ Spec(A) est dans l’une d’entre elles ; on peut donc dire que λ ∈ ∪ni=0 B(aii , ri ).
Ce qui met fin à la preuve du théorème.
Corollaire 5.
Soit A = (aij ) ∈ Mn (R) une matrice carrée
Le spectre de la matrice A est contenu dans la réunion des disques dont les centres sont
les coefficients diagonaux aii de la matrice A et dont les rayons respectifs sont les sommes
128
A.5 Les matrices de Metzler Chapitre A: Outils mathématiques
des valeurs absolues des coefficients extra-diagonaux des colonnes correspondantes. En d’autres
n
termes, pour tout i, 1 ≤ i ≤ n, si on pose ri = ∑ ∣aji ∣, alors
j=1,j≠i
Spec(A) ⊂ ∪ni=1 B(aii , ri )
Preuve
Il s’agit d’une conséquence du théorème A.6 et du corollaire 4.
En effet A est à diagonale dominante stricte, alors pour tout i tel que 1 ≤ i ≤ n, on a ∣aii ∣ > ri
(ri = ∑nj=1,j≠i ∣aji ∣, si ce sont les colonnes qui sont concernées, ou ri = ∑nj=1,j≠i ∣aij ∣ si ce sont les lignes
qui sont concernées). Donc aucune des boules B(aii , ri ) ne contient l’origine de C. Par conséquent
aucune valeur propre de A ne peut être nulle.
Définition A.18. Matrice à diagonale dominante

– Une matrice A = (aij ) ∈ Mn (R) est à diagonale dominante colonne si pour tout i tel que
1 ≤ i ≤ n, on a
n
∣aii ∣ ≥ ∑ ∣aji ∣
j=1,j≠i
– Une matrice A = (aij ) ∈ Mn (R) est à diagonale dominante ligne si pour tout i tel que
1 ≤ i ≤ n, on a
n
∣aii ∣ ≥ ∑ ∣aij ∣
j=1,j≠i
– On parle de matrice à diagonale dominante stricte colonne (respectivement stricte ligne)

lorsque les inégalités dans les relations précédentes sont strictes.
Corollaire 6.
Si une matrice A est à diagonale dominante stricte, alors elle est inversible.
C’est une conséquence immédiate du théorème A.6 (on pourra raisonner par l’absurde).
Définition A.19. (Matrice réductible, matrice irréductible)

Soit A = (aij ) ∈ Mn (R) une matrice carrée.
On dit que la matrice A est réductible , si il existe une matrice de permutation P tel que
⎛ A11 A12 ⎞
PT AP = ⎜ ⎟ (A.7)
⎝ 0 A22 ⎠
La matrice A est dite irréductible si et seulement si elle n’est pas réductible.
A.5 Les matrices de Metzler

Définition A.20.
On appelle matrice de Metzler, toute matrice A = (aij ) ∈ Mn (R) dont tous les coefficients
extra-diagonaux sont positifs. C’est-à-dire
aij ≥ 0 pour tout les i et j avec i ≠ j
129
Le théorème suivant dû à Perron-Frobenius sera très utile dans l’étude de la stabilité des modèles
que nous allons étudier.
Théorème A.7. (Perron - Frobenius) [15]

Soit A ∈ M(Rn ) une matrice positive ;
– alors le rayon spectrale ρ(A) de la matrice A est une valeur propre de A et il existe un
vecteur propre v > 0 qui lui est associé ;
– si de plus la matrice A est irréductible, alors ρ(A) > 0 et v ≫ 0 ; de plus, ρ(A) est une
valeur propre simple et si u > 0 est un autre vecteur propre de A, il existe s > 0 tel que
u = sv ;
– si B est une matrice telle que B > A , alors ρ(B) > ρ(A)
– si A ≫ 0, alors ∣λ∣ < ρ(A) pour tout autre valeur propre λ de A
Corollaire 7.
Soit A ∈ M(Rn ) une matrice de Metzler.
– Le module de stabilité α(A) est une valeur propre de A et il existe un vecteur v > 0 tel
que A v = α(A) v. De plus Re(λ) < α(A) pour tout λ ∈ Spec(A) − {α(A)}.
– Si de plus A est irréductible, alors
1. α(A) est une valeur propre simple ;

2. v ≫ 0 et pour tout autre vecteur propre positif de A est un multiple de v ;
3. si α(A) < 0, alors −A−1 ≫ 0
Preuve :
Il existe un C ≥ 0 assez grand tel que A + CI ≥ 0. par conséquent le théorème précédent de
Perron-Frobenius peut s’appliquer à A + CI pour un tel C ≥ 0 . En particulier, le rayon spectral
ρ(A + CI) > 0. On remarque que Spec(A + CI) = C + Spec(A) ; ce qui implique
α(A + CI) = ρ(A + CI) = C + α(A)
et par conséquent, α(A) est une valeur propre de A. Si A est irréductible, A + CI est aussi irréductible.
Le théorème de Perron-Frobenius appliqué à A + CI implique les propriétés 1,2,3. Par ailleurs , comme
−A−1 = ∫0 et A dt ≫ 0 (4) est vérifié.
∞
Le théorème suivant est important pour l’étude la stabilité des points d’équilibres et la construction
de certaines fonctions de Lyapunov.
Théorème A.8. Matrice de Metzler stable

Si A = (aij ) ∈ Mn (R) est une matrice de Metzler, les assertions suivantes sont équivalentes :
1. La matrice de Metzler A est stable,
2. la matrice A est inversible et −A−1 ≥ 0,
3. Si b ≫ 0, alors l’équation A x + b = 0 admet une solution x ≫ 0,
4. il existe un vecteur c > 0, tel que A c ≪ 0,
5. il existe un vecteur c ≫ 0, tel que A c ≪ 0.
130
Nous donnons une preuve de ce théorème qui est une adaptation d’une preuve similaire trouvée
dans [15].
Preuve :
1) Ô⇒ 2)
La matrice A est stable, alors elle est inversible et
α(A) < 0 ; il existe un scalaire k tel que pour tout
x0 ∈ Rn , ∥et A x0 ∥ ≤ K eα(A)t ∥x0 ∥
On en déduit que l’intégrale ∫0 et A x0 dt est normalement convergente pour tout point x0 . par suite
∞
la matrice ∫0 et A dt est absolument convergente :

∞
En effet la fonction t ∈ R+ Ð→ et A ∈ Mn (R) est dans L1 (0 , ∞) et

∞
B= ∫ et A dt = −A−1
0
Nous allons déterminer le signe de chacun des coefficients de la matrice B = (bij ) ; pour cela considé-
rons la base canonique (ei ) de Rn ; nous remarquons que :
bij = ⟨ B ej , ei ⟩ = (B ej )i = ⟨ ∫0 et A dt ej , ei ⟩
∞
= ∫0 ⟨ et A ej , ei ⟩dt
∞
= ∫0 (et A ej )i dt ≥ 0
∞
d’où la matrice −A−1 = B ≥ 0.

2) Ô⇒ 3)
Soit b un vecteur tel que b ≫ 0 ; soit x = −A−1 b ; alors x ≫ 0 comme produit de deux matrices
strictement positives. D’où A x + b = 0
3) Ô⇒ 4)
Soit b ≫ 0 un vecteur de Rn+ ; soit c = −A−1 b ; il est clair que A c = −b ≪ 0. On peut donc conclure
qu’il existe un vecteur c ≫ 0 tel que A c ≪ 0.
4) Ô⇒ 5)
n
Il suffit de perturber un peu la propriété 4. En effet soit ε > 0 et c1 = c + ε ∑ ei ≫ 0.
i=1
n
Ainsi Ac1 = Ac + ε ∑ Aei . Par continuité, on peut choisir ε > 0 suffisamment petit tel que Ac1 ≪ 0.
i=1
5) Ô⇒ 1) Considérons dans l’orthant positif l’équation différentielle ẋ = AT x. On choisit la fonction
V (x) = ⟨c , x ⟩
Comme par hypothèse c ≫ 0, alors V est définie positive sur Rn+ et on a
V̇ (x) = ⟨c , Ax ⟩ = ⟨AT c , x ⟩
131
V̇ (x) = 0 si et seulement si x = 0. Ce qui prouve, en vertu tu théorème de Lyapunov que la matrice

AT est asymptotiquement stable et par suite que A est stable puisque A et AT ont les mêmes valeurs
propres.
Ce qui achève la démonstration du théorème.
Théorème A.9.
Soit A ∈ Mn (R) une matrice de Metzler.
1. Le module de stabilité α(A) de A est une valeur propre de A à laquelle est associé un
vecteur propre positif ; c’est à dire qu’il existe v ∈ Rn+ tel que v ≠ 0 et A v = α(A) v
2. Si de plus la matrice A est irréductible, alors α(A) est une valeur propre simple de la
matrice A à laquelle est associée un vecteur propre positif ; c’est à dire qu’il existe v ∈ Rn+
tel que v ≫ 0 et A v = α(A) v.
Preuve
Soit m = min{min1 ≤ i ≤ n aii , 0} ; alors A − m I ≥ 0. En appliquant à la matrice A − m I le théorème
de Perron-Frobenius, il vient que :‘
il existe v ∈ Rn+ ; (A − m I) v = ρ(A − m I) v
d’où il existe v ∈ Rn+ tel que

A v = (ρ(A − m I) + m) v
le vecteur v est donc un vecteur propre de la matrice A associé à la valeur propre ρ(A − m I) + m.
Il est à remarquer que pour une matrice carrée B donnée,
Spec(B + k I) = k + Spec(B)
Or ρ(A − m I) = max Re(λ) d’où

λ∈Spec(A − mI)
ρ(A − m I) + m = max Re(λ) = max Re(λ) = α(A)

λ∈Spec(A − mI + m I) λ∈Spec(A)
Donc v est un vecteur propre de A associé à la valeur propre
α(A) = ρ(A − m I) + m ∈ R
La preuve de cet important théorème peut être trouvé dans [65]. Mais compte tenu son important
dans cette thèse, nous la redonnons intégralement ici.
Théorème A.10. (Caractérisation des matrices Metzler stables)

Soit M une matrice de Metzler se mettant sous la forme
⎛ A B ⎞
M =⎜ ⎟
⎝ C D ⎠
M est stable si et seulement si A et D − C A−1 B sont stables.
132
Preuve
Prouvons d’abord la condition nécessaire. Puisque que toute sous matrice principale d’une matrice
de Metzler stable est encore une matrice de Metzler stable (voir Varga [130]), alors A et D sont Metzler
stables. Comme M est Metzler stable, il existe un vecteur c = c1 , c2 ≫ 0, tel que M c ≪ 0 (condition
I28 du théorème 2.3 de [15]). Ce qui signifie que
Ac1 + Bc2 ≪ 0
Cc1 + Dc2 ≪ 0
Comme A est Metzler stable, on −A−1 ≥ 0 et C est positive. Multiplions Ac1 + Bc2 ≪ 0 par −CA−1 ,
on obtient −Cc1 − CA−1 Bc2 ≪ 0 et par suite (D − CA−1 B)c2 ≪ 0. Ce qui prouve, en vertu de I28 que
D − CA−1 B) est Metzler stable. Ceci montre la nécessité.
Montrons enfin que la condition est suffisante.
Puisque A et D − CA−1 B) sont Metzler stables, il existe un vecteur c2 ≫ 0 tel que
(D − CA−1 B)c2 ≪ 0
Soit maintenant c3 = −A−1 Bc2 , comme A est Metzler stable, on a −A−1 ≥ 0. Comme B est positive et
c2 ≫ 0, on en déduit que c3 ≫ 0 et les inégalités
Cc3 + Dc2 ≪ 0, Ac3 + Bc2 ≪ 0
A étant Metzler stable, il existe un vecteur v ≫ 0 tel que Av ≪ 0 (voir théorème A.8). Maintenant,
choisit c1 = c3 + εv ≫ 0, pour ε > 0. On a
Cc1 + Dc2 = Cc3 + Dc2 + εCv
On peut choisir ε > 0 suffisamment petit pour que Cc1 + Dc2 ≪ 0. A ce moment là,
Ac1 + Bc2 = Ac3 + Bc2 + εAv ≪ 0
On a donc trouvé c = (c1 , c2 ) ≫ 0 tel que M c ≪ 0, ce qui prouve que M est Metzler stable (voir
théorème A.8). Et la condition suffisante est prouvée.
dans le résultat qui suit nous allons montrer que le module de stabilité est une fonction croissante
sur les matrices de Metzler.
Théorème A.11 (Ordre et module de stable). [15]

1. S’il existe v ≫ 0 tel que Av ≤ βv alors α(A) ≤ β.
2. Si de plus A est irréductible alors v > 0 et Av < βv entraînent α(A) < β. En fait on a
obligatoirement v ≫ 0.
3. S’il existe v > 0 tel que sv ≤ Av alors s ≤ α(A).
4. Si de plus A est irréductible alors s < Av entraîne s < α(A).
133
A.5.1 Matrices de Metzler irréductibles

On va caractériser par une propriété dynamique l’irréductibilité des matrices de Metzler.
Une matrice de Metzler laisse invariant positivement invariant l’orthan positif.
On va d’abord démontrer un premier résultat sur l’irréductibilité.
La définition de l’irréductibilité, pour les matrices de Metzler est équivalente à la propriété sui-
vante :
Proposition 1 (Matrices de Metzler irréductibles).

La matrice de Metzler A est irréductible si et si seulement si, pour tout vecteur x > 0 appartenant
à une face F de Rn+ , où F est définie par :
F = {x ≥ 0 ∣ ∃i ∈ I, ⟨ei ∣ x⟩ = 0}
il existe un indice i ∈ I tel que ⟨ei ∣ x⟩ = 0 et ⟨ei ∣ Ax⟩ > 0.
Preuve
D’après le théorème A.12, l’irréductibilité d’une matrice ne dépend que de ses termes hors diago-
naux. On peut toujours remplacer A par A+λI pour λ suffisamment grand. La condition d’irréductibi-
lité est équivalente, comme condition de la proposition. S’il existe i tel que ⟨ei ∣ x⟩ = 0 et ⟨ei ∣ Ax⟩ > 0,
alors c’est équivalent à ⟨ei ∣ x⟩ = 0 et ⟨ei ∣ (A + λI)x⟩ > 0.
On va donc supposer sans nuire à la généralité que A ≥ 0.
La condition est suffisante.
En effet, supposons que pour tout i tel que ⟨ei ∣ x⟩ = 0 , on ait ⟨ei ∣ Ax⟩ > 0. Soit Fx = R+ [0, x]
la face engendrée par x. Puisque A ≥ 0, on a AFx = R+ [0, Ax]. La face Fx est caractérisée par un
ensemble d’indices I. On a Fx = {x ≥ 0 ∣ ⟨ei ∣ x⟩ = 0}. Pour ces indices on a ⟨ei ∣ Ax⟩ = 0. Par suite
AFx ⊂ Fx et la matrice A n’est pas irréductible.
La condition est nécessaire.
Si A est réductible, il existe une face, notée par Fx , telle que AFx ⊂ Fx . Pour tout indice tel que
⟨ei ∣ x⟩ = 0 on a donc ⟨ei ∣ Ax⟩ = 0.
Définition A.21.
Un graphe orienté G = (X, U ) est un couple constitué par un ensemble
X = {x1 , ..., xn } et une partie U de X × X.
Les éléments de X s’appellent les sommets (ou noeuds) du graphe. Un élément (x, y) ∈ U
s’appelle un arc, x est l’origine et y est l’extrémité.
Un graphe orienté (resp. non orienté) est donc un ensemble de sommets avec des arcs orientés
(resp. non orientés) liant les sommets.
Définition A.22.
Un chemin est une suite d’arcs (u1 , ..., up ) telle que chaque arc ui ait pour extrémité terminale
l’origine de ui+1 . On dit que le chemin joint l’origine u1 à l’extrémité up .
Un graphe est dit fortement connexe si tout couple de sommets distincts peut être joint par
un chemin.
134
On peut associer à toute matrice carrée un graphe orienté.
Définition A.23.
On considère une matrice carrée A = (aij ). On considère le graphe avec n sommets donnés par
l’ensemble X = {1, ..., n}.
Un arc joint le sommet i au sommet j si aji ≠ 0.
Réciproquement, à tout graphe d’ordre n, on associe une matrice carrée n × n, où aij = 1 s’il existe
un arc qui lie i et j et aij = 0 sinon.
On peut caractériser l’irréductibilité d’une matrice de façon élégante, par une propriété de son graphe
orienté associé.
Théorème A.12 ( Caractérisation d’une matrice irréductible ).

La matrice A est irréductible si et seulement si son graphe noté G(A) est fortement connexe.
Preuve
Condition nécessaire.
Supposons que la matrice A soit irréductible. Soit i un sommet, on définit I l’ensemble des sommets
différents de i que l’on peut atteindre à partir du sommer i. C’est à dure l’ensemble des sommets j ≠ i
tels qu’il existe un chemin joignant i à j.
L’ensemble I est non vide. En effet, si on considère l’ensemble J, le complémentaire du singleton
{i}, comme A est irréductible il existe k ∉ J et j ∈ J tel que ajk ≠ 0. Mais vu la définition de J, cela
veut dire qu’il existe j ≠ i tel que aji ≠ 0. Autrement dit il existe un arc allant de i à j.
supposons par l’absurde que I ≠ {1, ..., n}. Par l’irréductibilité de A, il existe j ∈ I et k ∉ I tels que
akj ≠ 0. Il y a un arc allant de i à k. Mais comme j ∈ I, il est accessible depuis i, donc k est accessible
depuis i. C’est une contradiction.
Condition suffisante.
On suppose par l’absurde que le graphe associé est fortement connexe et que A est réductible. Il
existe alors un sous ensemble propre d’indices I, tel que si l’on note J son complémentaire, on ait
aji = 0 pour tout i ∈ I et j ∈ J. On choisit un indice i ∈ I et un indice j ∈ J. C’est toujours possible
puisque I est propre. Il existe un chemin joignant i à j. Il existe donc un ensemble d’indices {k1 , ⋯, kp }
tels que les coefficients suivants soient tous non nuls :
aj,k1 ; ak1 ,k2 ; ⋯; akp ,i
Avec les hypothèses sur I et sur J, on en déduit que, puisque akp ,i ≠ 0, kp ∉ J, soit kp ∈ I. Mais si
kp ∈ I le même raisonnement appliqué à akp−1 ,kp prouve que kp−1 ∈ I . Un raisonnement par récurrence
finie montre que j ∈ I, ce qui est une contradiction.
Proposition 2.
Si A est une matrice de Metzler irréductible alors aucune trajectoire du système ẋ = A x ne reste
peut rester sur une face.
Plus précisément A est une matrice de Metzler irréductible si seulement si pour tout t > 0,
on a : etA ≫ 0
135
Preuve
2
On suppose que cela est faux. Il existe donc t > 0 tel que etA ∈ ∂Rn+ . Mais pour tout s, tel que
0 ≤ s ≤ t, on a e(t−s)A esA . La matrice e(t−s)A est positive car (A est de Metzler). Elle est inversible.
Par conséquent si esA ≫ 0 cela entraîne etA ≫ 0. On vient de montrer que esA n’est pas fortement
positive pour tout 0 ≤ s ≤ t. Il existe un x > 0 appartenant à la frontière de l’orthant, tel que etA x
appartienne à la frontière de l’orthant. D’après la proposition précédente, il existe un indice i tel que
⟨ei ∣ etA x⟩ = 0 et ⟨ei ∣ AetA x⟩ > 0.
La fonction ϕ(s) = ⟨ei ∣ esA x⟩ est positive pour tout s. Elle s’annule en t = s. C’est un minimum,
donc sa dérivée s’annule en t. Or
ϕ̇(t) = ⟨ei ∣ AetA x⟩ > 0.
C’est la contradiction cherchée.

Réciproquement, si A est réductible, alors A peut se mettre sous la forme :
⎡ ⎤
⎢A1 A2 ⎥
T ⎢ ⎥
P AP = ⎢ ⎥,
⎢ ⎥
⎢ 0 A4 ⎥
⎣ ⎦
d’où
⎡ tA1 ⎤
⎢e M (t)⎥⎥
⎢
⎢ ⎥
P T etA P = ⎢⎢ ⎥.
⎥
⎢ ⎥
⎢ tA4 ⎥
⎢ 0 e ⎥
⎣ ⎦
La matrice etA est réductible et positive, il existe donc un vecteur de la frontière x > 0 tel que etA x
soit dans la frontière de l’orthant. etA ne peut vérifier etA ≫ 0.
A.5.2 Décomposition régulière d’une matrice de Metzler

Nous allons démontrer un résultat dû à Varga [130] donc l’utilité est avérée dans la méthode de calcul
du nombre de reproduction de base R0 .
Définition A.24.
Soit une matrice de Metzler A inversible. On appelle décomposition régulière de A, toute dé-
composition de la forme
A=F +V
où F ≥ 0 et V est une matrice de Metzler stable.
On a le théorème suivant démontré par Varga dans [130]. Vu son importance, nous donnerons cette
preuve.
Théorème A.13.
Soit une matrice de Metzler A inversible. Pour toute décomposition régulière de A de la forme
A = F + V , les deux assertions suivantes sont équivalentes.
1)- A est une matrice stable.
2- ρ(−F V −1 ) < 1.
136
A.6 Calcul de R0 : Méthode de van den Driessche et Watmough
Chapitre A: Outils mathématiques
Preuve
Supposons que A est une matrice stable, alors d’après le théorème A.8, on a −A−1 ≥ 0.
Les matrices V = A − F et A étant inversibles, on peut écrire
−F V −1 = −F (A − F )−1 = −F A−1 (I − F A−1 )−1
On note G = −F A−1 . C’est une matrice positive. Pour chercher son rayon spectrale, d’après Perron-
Frpbenius, il suffit de se restreindre aux vecteurs propres positifs. Soit donc v > 0 un vecteur propre
de G correspondant à une valeur propre λ ≥ 0, soit Gv = λv. On a
λ
−F V −1 v = G (I − G)−1 v = v
1+λ
La matrice −F V −1 est positive. Réciproquement soit µ ≥ 0 une valeur propre relativement à un vecteur
propre v > 0. Alors G (I − G)−1 v = µv. Les matrices G et (I + G)−1 commutent, on en déduit que
Gv = µ(I + G)v. Cela entraîne que nécessairement µ ≠ 1 et v est un vecteur propre de G relativement
µ
à la valeur propre .
1+µ
x
La fonction de R+ dans [0, 1[, définie par x ↦ est une bijection entre les valeurs propres de
1+x
−1 −1
G = −F A sur celles de −F V . C’est une fonction monotone. Par conséquent on a
ρ(G)
ρ(−F V −1 ) = < 1.
1 + ρ(G)
Réciproquement supposons ρ(−F V −1 ) < 1. Alors la matrice −I − F V −1 est inversible, c’est en plus une
matrice de Metzler. Puisque ρ(−F V −1 ) < 1, on a α(−I − F V −1 ) < 1. C’est donc une matrice de Metzler
stable. Son inverse est positive et par conséquent
−A−1 = (−I − F V −1 )−1 V −1 ≥ 0
Ce qui montre que A est une matrice de Metzler stable d’après le théorème A.8. Cela termine la
démonstration.

Dans cette technique de calcul , R0 est définie comme le rayon spectral de « l’opérateur de la prochaine
génération ». La détermination de l’opérateur implique la répartition en deux compartiments ; le
compartiment des infectés (latents , infectieux...) et le compartiment des individus non infectés.
Cette technique a été élaborée d’abord par Diekmann et Heesterbeek dans [36] et puis reprise par
Van den Driessche et Watmough dans [129] pour les systèmes en dimension finie.
On considère un modèle épidémiologique comportant n classes ou compartiments homogènes. Le
vecteur x représente l’état du système et xj est le nombre (ou la concentration) d’individus dans
le compartiment j. Les compartiments sont ordonnés de tel sorte que les derniers sont des infectés
(latents, infectieux...). Les k premiers compartiments sont les individus libres de l’infection (Suscep-
tibles...).
Soit le vecteur x = xj , j = 1, ⋯, n, où xj est le nombre (ou concentration) des individus dans le
compartiment j.
137
Chapitre A: Outils mathématiques
Soit Fj (x) la vitesse d’apparition des infectieux dans le compartiment j. On note par Vj+ la vitesse
de transfert des individus dans le compartiment j par tout autre moyen et Vj− la vitesse de transfert
hors du compartiment j. La dynamique définie dans ce compartiment est :
ẋj = Fj (x) + Vj+ (x) − Vj− (x)
On suppose que les fonctions sont au moins C 1 . Si on pose Vj (x) = Vj+ (x)−Vj− (x) le système précédent
devient
ẋj = Fj (x) + Vj (x)
Un état du système x0 est sans maladie, si les compartiments des « infectés » sont vides. C’est le
« Disease Free Equilibrium »(DFE), c’est à dire pour j > k, (x0 )j = 0.
Pour des raisons biologiques on a les propriétés suivantes :
1. x ≥ 0, Fj (x) ≥ 0, Vj+ (x) ≥ 0, Vj− (x) ≥ 0 car les flots de matières sont des quantités positives.
Si un compartiment est vide, alors il n’y a pas de transfert d’individus hors du compartiment
par la mort, l’infection ou soit par tout autre moyen. Ainsi,
2. si xj = 0 alors Vj− = 0. En particulier si l’on pose Xs = {x ≥ 0; xj = 0 , i = 1, ⋯, n } et si x ∈ Xs
alors Vj− = 0. En d’autres termes il ne peut rien sortir d’un compartiment vide.
3. Si j ≤ k alors Fj (x) = 0. Cela signifie par définition qu’il ne peut rentrer des infectés dans les
compartiments non infectés.
4. Si x0 est un état sans maladie alors Fj (x0 ) = 0 et pour j > k, Vj+ (x0 ) = 0. Quand il n’y a aucun
infecté, il ne peut y avoir de maladie, donc on reste sans infection.
Nous allons maintenant essayer de définir le nombre moyen de ré-infections produites par un individu
typique infecté dans un voisinage du DFE.
Considérons la dynamique du système linéarisé au voisinage du point d’équilibre sans maladie,
avec une infection bloquée
ẋ = DV(x0 )(x − x0 ) = DV + (x0 )(x − x0 ) − DV − (x0 )(x − x0 ).
Le résultat suivant précise la structure du système linéairisé DX(x0 ) au voisinage de l’équilibre sans
maladie x0 .
Lemme 3. Si x0 est un DFE, alors les matrices DF(x0 ) et DV(x0 ) se décomposent en blocs
⎡ ⎤
⎢ 0 0 ⎥
⎢ ⎥
DF(x0 ) = ⎢ ⎥
⎢ ⎥
⎢ 0 F ⎥
⎣ ⎦
⎡ ⎤
⎢ J1 J2 ⎥
⎢ ⎥
DV(x0 ) = ⎢ ⎥
⎢ ⎥
⎢ 0 V ⎥
⎣ ⎦
F ≥ 0 et V est une matrice de Metzler stable.
La preuve détaillée ce lemme se trouve dans [129].

La matrice −F V −1 est appelée la « matrice de seconde génération »( en Anglais « next ge-
neration matrix »).
138
A.7 Rappels sur la théorie de contrôle Chapitre A: Outils mathématiques
Définition A.25. ([36]) Le nombre de reproduction de base R0 est le rayon spectral de la matrice
de seconde génération : à savoir
R0 = ρ(−F V −1 )
L’interprétation suivante est donnée à la matrice −F V −1 :
Considérons un individu infecté introduit dans un compartiment k > m d’une population sans
maladie. L’entrée (i, k) de la matrice −V −1 est le temps moyen que l’individu passera dans le com-
partiment i au cours de sa vie, en supposant que l’on a bloqué la ré-infection. L’ entrée (j, i) de la
matrice F est la vitesse à laquelle un infecté dans le compartiment i produit des infections dans le
compartiment j. Ainsi l’entrée (j, k) de −F V −1 est le nombre espéré de nouvelles infections dans le
compartiment j produit par un individu infecté introduit originellement dans le compartiment k. Le
rayon spectral de la matrice −F V −1 est le nombre de reproduction de base. C’est à dire R0 = ρ(−F V −1 ).
A.7 Rappels sur la théorie de contrôle
A.7.1 Observabilité
On considère un système entrée-sortie en dimension finie :
⎧
⎪
⎪
⎪
⎪ ẋ(t) = f (x(t), u(t))
⎪
⎪
⎪
⎪
⎪
⎨ y(t) = h(x(t)) (A.8)
⎪
⎪
⎪
⎪
⎪
⎪
⎪ m q
⎩ x(t) ∈ M, u(t) ∈ U ⊂ R , y(t) ∈ Y ⊂ R
⎪
⎪
où M est un ouvert connexe de Rn . On suppose que le champ de vecteur f et h sont C ∞ ou analytique
(si nécessaire). vecteur x(t) est appelé l’état du système, u(t) est appelé l’entrée ou le contrôle et y(t)
est la sortie mesurable du système. Le système (A.8) est appelé un système entrée-sortie où l’entrée
.x=f(x,u)
u Système réel y=h(x)
Figure A.1 – Système entrée-sortie.
u(t) représente la commande ou le moyen d’action sur le système. La sortie y(t) représente ce que
l’on observe du système, généralement sous la forme des mesures. L’introduction de y(t) dans (A.8)
est dû au fait que généralement on n’a pas accès à la totalité de l’état : on observe ou mesure une
partie de l’état.
La classe des entrées admissibles Uad = {u(.) ∶ t ∈ R+ ↦ u(t) ∈ U } est contenu dans l’ensemble des
contrôles mesurables à valeurs dans U et qui contient la classe des contrôles constants par morceaux
à valeurs dans U .
u(.)
On note Xt (x0 ) la solution du système (A.8) qui correspond à un contrôle admissible u(.) ∈
u(.)
Uad et avec la condition initiale x0 : X0 (x0 ) = x0 . La sortie correspondante à cette solution est
u(.)
y(x0 , u(.), t) = h(Xt (x0 )).
139
Etant donnée la connaissance de y(t) et de u(t) pour tout t, peut-on déterminer l’état x(.) pour
tout t (ou, ce qui est équivalent, l’état initial x(0)) ? C’est l’observabilité du système (A.8).
Définition A.26.
Deux états x1 et x2 sont dits indistinguables si y(x1 , u(.), t) = y(x2 , u(.), t) pour toute entrée
u(.) ∈ Uad , et ce pour tout temps t.
En d’autres termes, cela signifie que l’information provenant de la sortie mesurable n’est pas
suffisante pour déterminer si l’évolution de ce système est donnée par la solution provenant de x1 ou
de x2 .
Exemple :
On considère le système suivant
⎧
⎪
⎪
⎪
⎪ ẋ = u
⎪
⎨
⎪
⎪
⎪
⎪
⎪ y = h(x) = (sin x, cos x)
⎩
où x ∈ M = R, u ∈ R, y = (y1 , y2 ) ∈ R2 . Nous avons, pour tout réel x, pour tout entier k et pour toute
entrée u :
t t
y1 (x + 2kπ, u(.), t) = sin (x + 2kπ + ∫0 u(s)ds) = sin (x + ∫0 u(s)ds) = y1 (x, u(.), t) .
t t
y2 (x + 2kπ, u(.), t) = cos (x + 2kπ + ∫0 u(s)ds) = cos (x + ∫0 u(s)ds) = y2 (x, u(.), t) .
Ainsi les états x et x + 2kπ sont indistinguables.
Définition A.27.
Deux états x1 et x2 avec x1 ≠ x2 sont dits distinguables s’il existe une entrée u(.) ∈ Uad et un
temps t ≥ 0 tels que y(x1 , u(.), t) ≠ y(x2 , u(.), t).
Définition A.28.
Le système (A.8) est dit observable si chaque paires distinctes des états initiaux (x1 , x2 ) sont
distinguables.
Cherchons maintenant les caractérisations d’un système observable. Pour cela, commençons par
les systèmes linéaires.
Observabilité des systèmes linéaires
Considérons système linéaire entrée-sortie suivant :

⎧
⎪
⎪
⎪
⎪ ẋ(t) = Ax(t) + Bu(t)
⎪
⎨ (A.9)
⎪
⎪
⎪ y(t) = Cx(t)
⎪
⎪
⎩
où x(t) ∈ M, u(t) ∈ U ⊂ Rm , y(t) ∈ Y ⊂ Rq , A ∈ Mn (R), B ∈ Mn,m (R) et C ∈ Mp,n (R). Pour le
système (A.9), connaitre x(0) et équivalent à connaitre x(t). En effet,
140
t
x(t) = etA x(0) + ∫ e(t−s)A Bu(s)ds
0
De même, si on considère deux états x1 et x2 , les sorties correspondantes sont :
t t
y(x1 , u(.), t) = CetA x1 + ∫ e(t−s)A Bu(s)ds et y(x2 , u(.), t) = CetA x2 + ∫ e(t−s)A Bu(s)ds
0 0
Ce qui donne :
y(x1 , u(.), t) − y(x2 , u(.), t) = CetA (x1 − x2 )
Ainsi, x1 et x2 sont indistinguable si et seulement si CetA (x1 − x2 ) = 0 pour tout t ≥ 0. Comme

la fonction exponentielle est analytique, ceci est équivalent à dire que, toutes les dérivées de t ↦
CetA (x1 − x2 ) s’annulent à t = 0, i.e,
dk
CetA (x1 − x2 )∣ = 0, pour tout k = 0, 1, 2, . . . ,
dtk t=0
qui peut-être écrit comme :
CAk (x1 − x2 ) = 0, pour toutk = 0, 1, 2, . . . . (⋆)
Or d’après le théorème de Cayley-Hamilton, il existe des réels a0 , a1 , . . . , an−1 tels que An = a0 In +

a1 A + ⋅ ⋅ ⋅ + an−1 An−1 . Ainsi, (⋆) est équivalent à :
C(x1 − x2 ) = CA(x1 − x2 ) = . . . = CAn−1 (x1 − x2 ) = 0.
Donc x1 et x2 sont indistinguables si et seulement si
x1 − x2 ∈ ker C ∩ ker CA ∩ ker CA2 ∩ . . . ∩ ker CAn−1
Ainsi le système (A.9) est observable si et seulement si la matrice :
⎛ C ⎞
⎜ ⎟
⎜ ⎟
⎜ CA ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
O(C,A) = ⎜ 2 ⎟
⎜ CA ⎟
⎜ ⎟
⎜ ⎟
⎜ ⋮ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎝ CAn−1 ⎠
est de rang n. C’est le critère d’observabilité de Kalman.
Proposition 3 ( Critère d’observabilité de Kalman).
141
Le système linéaire (A.9) est observable si et seulement si
⎛ C ⎞
⎜ ⎟
⎜ ⎟
⎜ CA ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
rang O(C,A) = rang ⎜ 2 ⎟=n
⎜ CA ⎟
⎜ ⎟
⎜ ⎟
⎜ ⋮ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎝ CAn−1 ⎠
On dit aussi que la paire (C, A) satisfait la condition de rang de Kalman.

Pour une lecture plus détaillée sur l’observabilité, voir [110] ou [124] pour les systèmes non linéaires.
A.7.2 Observateurs
Nous avons vu dans la section précédente que que l’observabilité de (A.8) signifie qu’on peut
théoriquement reconstruire l’état x(t) à partir des sorties y(t) et ses dérivées successives. En effet,
⎛ C ⎞ ⎛ y(0) ⎞
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜ CA ⎟ ⎜ y ′ (0) ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜ CA2 ⎟ x(0) = ⎜ y ′′ (0) ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⋮ ⎟ ⎜ ⋮ ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎝ CAn−1 ⎠ ⎝ y (n−1) (0) ⎠
Cependant en pratique, l’utilisation des dérivé est une méthode très médiocre de la reconstruction
de l’état. En effet, les mesures sont souvent perturbées par des bruits, ce qui rends l’erreur de plus en
plus grande à chaque l’évaluation des dérivées par différences finies.
Pour éviter l’utilisation des dérivées successives, la notion d’observateur ou capteur logiciel a été
développée. Un observateur pour le système (A.8) est un système dynamique dont les entrées sont les
entrées et la sortie du système (A.8) qui produit un estimé x̂(t) de x(t) tel que x(t) − x̂(t) → 0 quand
t → +∞ et l’erreur d’estimation reste petite si elle commence petite.
.
Système réel
u y=h(x)
.Observateur
x=f(x,u)
x^
^x = g( x,
^ u, y)
Figure A.2 – Un observateur.
Une forme très courante des observateurs est le suivant :

˙
x̂(t) = g(x̂(t), y(t), u(t)) (A.10)
142
où g est une lisse. On peut choisir un x̂(0) quelconque et résoudre (A.10). Ceci n’est pas pas
possible avec le système (A.8) car sensé représenté un un système réel dont on ne connait pas x(0).
Si e(t) = x(t) − x̂(t), alors la dynamique de l’erreur est donnée par :
ė(t) = f (x(t), u(t)) − g(x̂(t), y(t), u(t)) (A.11)
Pour que le système (A.10) soit un observateur pour le système (A.8), il faut que e = 0 soit un
équilibre pour le système (A.11). C’est à dire f (x(t), u(t)) = g(x̂(t), y(t), u(t)) pour tout x et toutes les
entrées admissibles u lorsque t est grand. Par conséquent la solution e(t) ≡ 0 de (A.11) est globalement
asymptôtiquement stable. Si la stabilité est locale alors, alors le système (A.10) est appelé observateur
local du système (A.8).
Définition A.29.
On appelle observateur exponentiel si l’estimation de l’erreur décroit à un taux exponentiel.
C’est-à-dire qu’il existe des constantes c et a telles que les solutions x(t) de (A.8) et x̂(t) de
(A.10) satisfasse pour toute conditions initiales x(0) et x̂(0),
∥x(t) − x̂(t)∥ ≤ c ∥x(0) − x̂(0)∥ e−a t , ∀t > 0.
Pour construire un observateur pour un système donné, on doit trouver une bonne fonction g qui
satisfait la condition ci-dessus. Pour les systèmes linéaires, ce problème a été résolu par l’observateur
de Luenberger. Pour les systèmes non linéaires, il n’y a pas de solution universelle mais plusieurs
méthodes ont été développées pour certains classes de systèmes [43, 73, 74, 87, 135, 136].
En général, une façon naturelle de construire un observateur pour le système (A.10) est de prendre sa
copie et ajouter un terme correctif qui dépends de la différence h(x̂(t)) − y(t), par exemple :
g(x̂, y, u) = f (x̂, u) + K(x̂)(h(x̂) − y)
Observateurs pour les systèmes linéaires
Considérons le système linéaire observable suivant :

⎧
⎪
⎪
⎪ ẋ(t) = Ax(t) + Bu(t),
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ y(t) = Cx(t),
⎪
⎨ (A.12)
⎪
⎪
⎪ n m q
⎪
⎪
⎪ x(t) ∈ R , u(t) ∈ U ⊂ R , y(t) ∈ R ,
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎩ A, B, et C sont respectivement des matrices n × n, n × m et q × n.
Un observateur (appelé observateur de Luenberger ) pour ce système est
˙
x̂(t) = Ax̂(t) + Bu(t) + K(y(t) − C x̂(t)) (A.13)
où la matrice K, n × q, est à calculer. L’observateur est un système de dimension n de vecteur état

x̂(t). Les entrées de l’observateur consiste à une copie des entrées du système original (A.12) et des
mesures y(t) disponible à partir du système original (A.12).
143
L’erreur d’estimation e(t) = x(t) − x̂(t) est gouvernée par l’équation différentielle
ė(t) = Ae(t) − K(y(t) − C x̂(t))
= Ae(t) − K(Cx(t) − C x̂(t))

= (A − KC)e(t)
Le système (A.12) a été supposé observable, donc la paire (A, C) est observable et ceci est équi-
valent à dire que la paire (AT , C T ) (T = transpose) est contrôlable. Pour une paire de matrices
contrôlables, on peut appliquer le théorème de placement de pole (Pole-Shifting Theorem dans la
terminologie anglo-saxonne) qui dit que pour tout polynôme d’ordre n,
p(λ) = λn + an−1 λn−1 + . . . + a0
il existe une matrice réelle F telle que la matrice AT + C T F a p(λ) comme polynôme caractéristique.
En d’autres termes, pour tout ensemble S = {α1 , . . . αn } où les αi , i = 1, . . . , n sont des nombres
complexes qui vérifient z ∈ S ⇒ z̄ ∈ S, il est possible de trouver une matrice F de telle façon que le
spectre de AT + C T F soit σ(AT + C T F ) = S.
Puisque le spectre d’une matrice réelle M et celui de sa transposée M T sont égaux, nous avons :
σ(AT + C T F ) = σ((AT + C T F )T ) = σ(A + F T C)
En particulier, il existe une matrice F telle que tous les valeurs propres de (A + F T C) ont une
partie réelle negative. Par conséquent, si nous prenons K = −F T alors estimation de l’erreur satisfait :
∥e(t)∥ ≤ c e−αt , où c > 0, α > 0, et α = max ∣Re(λ)∣.

λ∈σ(A−KC)
Il s’en suit que l’observateur de Luenberger (A.13) est un observateur exponentiel pour le sys-
tème (A.12). De plus le taux de convergence peut être choisit arbitrairement.
Ainsi, si le couple (A, C) est observable, on peut construire un observateur de Luenberger et estimer
les états du système (A.12). De plus le taux de convergence de l’observateur vers le système original
peut-être choisit arbitrairement. C’est bien beau, mais qu’est ce qui se passe si le couple (A, C) n’est
pas observable ?
A.7.3 Changement des coordonnées quand le système n’est pas observable

Si le couple n’est pas observable, alors on peut faire un changement de cordonnées pour isoler les
états observables et les états non observable.
Soit le système générique :
⎧
⎪
⎪ ẋ = Ax
⎪
⎨ (∗)
⎪
⎪
⎪ y = Cx
⎩
144
Le couple (A, C) n’est pas observable, donc la matrice d’observabilité de Kalman
⎛ C ⎞
⎜ ⎟
⎜ ⎟
⎜ CA ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
O(C,A) = ⎜ 2 ⎟
⎜ CA ⎟
⎜ ⎟
⎜ ⎟
⎜ ⋮ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎝ CAn−1 ⎠
est singulière. Soit rang(O) = r < n, alors il existe une matrice inversible n × n, T , et une matrice
pn × r, O˜1 , de rang r telle que
O = [O˜1 , 0]T
x̃ = T x (A.14)
Ainsi, on a :
x̃˙ = T ĀT −1 x̃ et y = CT −1 x̃
´¹¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¶ ²
Ã C̃
On a le théorème suivant
Théorème A.14.
⎛ x̃1 ⎞
Dans ces coordonnées, si on partitionne l’état x̃ = ⎜ ⎟, avec x̃1 de dimension r et une partition
⎝ x̃2 ⎠
compatible :
⎛ Ã11 Ã12 ⎞
Ã = ⎜ ⎟ C̃ = (C̃1 , C̃2 )
⎝ Ã21 Ã22 ⎠
Alors Ã12 = 0 et C̃2 = 0 et le couple (Ã11 , C̃1 ) est observable.
Preuve.
On a :
CAk T −1 = CT −1 T Ak T −1
= C̃ Ãk
Donc
⎡ ⎤
⎢
⎢ C̃ ⎥
⎥
⎢ ⎥
⎢ C̃ Ã ⎥
⎢ ⎥
[O˜1 , 0] = OT −1 = ⎢⎢ ⎥
⎥
⎢ ⋮ ⎥
⎢ ⎥
⎢ ⎥
⎢ ˜ ⎥
⎢ C̃ An−1 ⎥
⎣ ⎦
145
et
⎡ ⎤
⎢ 0 ⎥
C̃ A˜k = ⎢
⎢ ⎥
⎥ = 0pour tout k.
⎢ ⎥
⎢ In−r ⎥
⎣ ⎦
Ainsi C̃2 = 0. Par conséquent
⎡ ⎤⎡ ⎤
⎢ Ã11 Ã12 ⎥⎢ 0 ⎥
˜ ˜ ˜ ⎢ ⎥⎢ ⎥
O1 A12 = [O1 , 0] ⎢ ⎥⎢ ⎥
⎢ ⎥⎢ ⎥
⎢ Ã21 Ã22 ⎥ ⎢ In−r ⎥
⎣ ⎦⎣ ⎦
⎡ ⎤
⎢ C̃ Ã ⎥ ⎡
⎢ ⎥ ⎢ 0 ⎤⎥
⎢ ⎥⎢ ⎥
= ⎢⎢ ⋮ ⎥⎥ ⎢ ⎥
⎢ ⎥ ⎢ In−r ⎥⎥
⎢
⎢ ⎥
⎢ C̃ A˜n ⎥ ⎣ ⎦
⎣ ⎦
= 0 (A.15)
ce qui implique que Ã12 = 0 puisque O˜1 est de plein rang en colonne.
⎛ x̃1 ⎞
Ainsi, si x̃ = ⎜ ⎟ avec x̃1 de dimension r, le système (∗), sera équivalent à
⎝ x̃2 ⎠
⎧
⎪
⎪
⎪
⎪ x̃˙ 1 = Ã11 x̃1
⎪
⎪
⎪
⎨ x̃˙ 2 = Ã21 x̃1 + Ã22 x̃2 (∗∗)
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎩ y = C̃1 x̃1
Les états x̃1 sont les états observables du système (∗) tandis que les états x̃2 sont les états non
observable du système.
Détectabilité
Définition A.30. Une paire (A, C) est dite détectable s’il existe une matrice L telle que A − LC
est stable.
Comme nous l’avons vu, l’équation de l’erreur d’estimation de l’observateur de Luenberger est
ė(t) = (A − LC)e(t). Si (A, C) est détectable, l’erreur de l’estimation converge encore vers 0. Ainsi
pour estimer les états de (A.12), l’hypothèse de détectabilté, qui est plus faible que l’observabilité,
suffit. Cependant, on ne peut plus assigner un taux de convergence arbitraire, c’est à dire on ne peut
plus garantir que l’erreur converge vers 0 à un certain taux. En effet, supposons que (A, C) n’est pas
observable et effectuons le changement de coordonées de la sou-section précédente x̃ = T x. On a :
⎧
⎪
⎪
⎪
⎪
⎛ x̃˙ 1 ⎞ ⎛ Ã11 0 ⎞ ⎛ x̃1 ⎞
⎪
⎪
⎪ ⎜ ⎟=⎜ ⎟⎜ ⎟
⎨ ⎝ x̃˙ 2 ⎠ ⎝ Ã21 Ã22 ⎠ ⎝ x̃2 ⎠
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎩ y = [C̃1 , 0]x̃
Donc
146
⎛ Ã11 0 ⎞ ⎛ L̃1 ⎞ ⎛ Ã11 − L̃1 C̃1 0 ⎞

T (A − LC)T −1 = Ã − L̃C̃ = ⎜ ⎟−⎜ ⎟ [C̃1 , 0] = ⎜ ⎟
⎝ Ã21 Ã22 ⎠ ⎝ L̃2 ⎠ ⎝ Ã21 − L̃2 C̃1 Ã22 ⎠
Ainsi, les valeurs propres de l’observateur :
spec(A − LC) = spec(Ã − L̃C̃) = spec(Ã11 − L̃1 C̃1 ) ∪ spec(Ã22 )
C’est à dire, les valeurs propres de Ã22 ne sont pas changé par L̃.
A.7.4 Observateurs à entrée inconnues

Les observateurs à entrée inconnues sont observateurs d’une classe de système linéaire suivant :
ẋ(t) = Ax(t) + Bu(t) + Ed(t) (A.16a)
y(t) = Cx(t) (A.16b)
où le x(t) ∈ Rn est vecteur état, u(t) ∈ Rp l’entrée connue ou la commande, d(t) ∈ Rq l’entrée inconnue
et y(t) ∈ Rm la sortie mesurée. A, B, E et C sont les matrices connues de dimension appropriées. La
matrice E est supposée être de plein rang.
La notion d’entrée inconnue d représente les incertitudes liée au système lors de la modélisation
telle que les non-linéarités, la méconnaissance de certains paramètres ou les bruits dans les mesures
[59].
La théorie des observateurs à entrées inconnues consiste en la construction d’un observateur de type
Luenberger dont l’erreur d’estimation tends vers zéro et que cette erreur est indépendante de l’entrée
inconnue d(t). La structure d’un observateur à entrée inconnues (UIO : Unknown Input Observer) est
la suivante :
⎧
⎪
⎪ ż(t) = F z(t) + T u(t) + Gy(t)
⎪
⎪
⎨ (A.17)
⎪
⎪
⎩ x̂(t) = z(t) + Hy(t)
⎪
⎪
où z(t) ∈ Rs étant le vecteur état de l’UIO et x̂ le vecteur état estimé du système (A.16). F , G, T et H
sont des matrices de dimensions appropriées qui stabilisent l’UIO et qui découple l’entrée inconnue.
Si s = n, l’UIO (A.17) est appelé observateur complet. Si smin < p < n où smin = n − m, c’est un
observateur réduit et enfin si s = smin , c’est un observateur minimal. On suppose dans toute la suite
que s = n. On s’intéresse aux observateurs complets.
La littérature sur la construction des observateurs à entrées inconnues a connue un succès particulier
ces dernières années et diverses méthodes ont été proposées [18, 27, 29, 39, 50, 58, 59, 70, 75, 100,
133, 134].
Wang et al. [133] ont proposé un observateur d’ordre minimal pour le système (A.16) indépendant
de l’entrée inconnue. Kuvda et al. [75] ont donné les conditions d’existence d’un tel observateur. A
partir de cela, différentes méthodes ont été utilisées pour prouver l’existence de l’IUO. Une approche
géométrique a été proposée par Bhattacharyya [18] , l’algorithme d’inversion de Silverman par Kobaya-
shi et Nakamizo [70] . Miller et Mukunda [100] ont utilisés la théorie des matrices inverses généralisées
147
tant disque Fairman et al. [39] ont utilisés la technique de décomposition en valeurs singulières. Dans
[58], Hou et Muller ont fait une étude complète pour un observateur réduit de (A.16). Yang et Wilde
[134] ont construit un observateur d’ordre plein de (A.16). Un plus tard, Hou et Muller dans [59] et
Darouach et al. dans [29] construisent des UIO pour (A.16) et donnent les conditions de son existence.
Nous allons nous basé sur la littérature [27, 29, 59] pour donner les conditions d’existence d’un UIO
et sa construction.
La clé de la construction de l’IUO consiste à faire découpler le (A.16) de l’entrée inconnue d(t) et
ensuite les choses deviennent plus ou moins classiques. Pour cela, on considère l’équation des mesures
y(t) = Cx et par dérivation on obtient :
ẏ = C ẋ
= CAx + CBu + CEd
Et donc
CEd = ẏ − CBu − CAx (A.18)
Par la théorie des matrices inverses généralisées [115], une solution de (A.18) est
d = (CE)− (ẏ − CBu − CAx) + (Iq − (CE)− CE)d˜ (A.19)
où d˜ est un vecteur quelconque arbitraire, (CE)− est l’inverse généralisé de CE et Id la matrice

identité. Notons que d˜ peut être vu comme une nouvelle disturbance.
En substituant (A.19) dans (A.16), on obtient :
˜
ẋ(t) = Ax(t) + Bu(t) + E [(CE)− (ẏ − CBu − CAx) + (Iq − (CE)− CE)d]
= (A − E(CE)− CA)x(t) + (B − E(CE)− CB)u(t) + E(CE)− ẏ + E(Iq − (CE)− CE)d˜
= (In − E(CE)− C)Ax(t) + (In − E(CE)− C)Bu(t) + E(CE)− ẏ + (In − E(CE)− C)E d˜
Ainsi, pour cette expression de x(t) soit découpler de la disturbance, i.e de l’entrée inconnue d(t),
il faut que
(In − E(CE)− C)E = 0 (A.20)
Si (In − E(CE)− C)E = 0, qu’on verra que c’est une condition nécessaire pour pour la construction
de l’IUO, le système (A.16) deviendra :
ẋ(t) = (In − E(CE)− C)Ax(t) + (In − E(CE)− C)Bu(t) + E(CE)− ẏ (A.21a)
y(t) = Cx(t) (A.21b)
En prenant y(t) et ẏ(t) comme des entrées, et que si le couple ((I − E(CE)− C)A, C) est détectable,
on peut construire un observateur de type Luenberger de (A.21).
Regardons maintenant comment choisir les matrices F, G et H dans (A.17) pour que l’erreur
e(t) = x(t) − x̂(t) tende asymptôtiquement vers 0.
148
Posons
Ā = (In − E(CE)− C)A et B̄ = (In − E(CE)− C)B
On a :
ė(t) = ẋ − x̂˙
= Āx + B̄u + E(CE)− ẏ − ż − H ẏ
= Āx + B̄u − F z − T u − Gy + (E(CE)− − H)ẏ
= Āx − F (x̂ − Hy) − Gy + (B̄ − T )u + (E(CE)− − H)ẏ
= Āx − F x̂ + F HCx − GCx + (B̄ − T )u + (E(CE)− − H)ẏ
= (Ā + F HC − GC)x − F x̂ + (B̄ − T )u + (E(CE)− − H)ẏ
= (Ā + F HC − GC)(x − x̂) + (Ā + F HC − GC)x̂ − F x̂ + (B̄ − T )u + (E(CE)− − H)ẏ
= [ Ā − (G − F H)C] e + [ Ā − (G − F H)C − F ] x̂ + (B̄ − T )u + (E(CE)− − H)ẏ (A.22)
Ainsi, pour que la dynamique l’erreur soit homogène, il faut que :

i) H = E(CE)−
ii) F = Ā − (G − F H)C
iii) T = B̄
Avec ces conditions, la dynamique de l’erreur (A.22), s’écrit
ė(t) = F e(t)
Cependent pour que l’erreur converge asymptôtiquement vers 0, la matrice F doit être une matrice
de stable. En posant L = G − F H, F s’écrit sous la forme
F = Ā − LC
Il bien connu que pour choisir arbitrairement les valeurs propres de F = Ā − LC par un choix
judicieux de L, il faut et il suffit que la matrice le couple (Ā , C) soit observable.
Si le couple (Ā , C) n’est pas observable, on peut choisir L telle que F = Ā − LC soit asymptôti-
quement stable si et seulement si le couple (Ā , C) est détectable.
Ainsi, avec les conditions i), ii) et iii) ci-haut, l’ observateur IUO (A.17) devient :
⎧
⎪ −
⎪ ż(t) = (Ā − LC)z(t) + B̄u(t) + ( L + (Ā − LC)E(CE) ) y(t)
⎪
⎪
⎨ (A.23)
⎪
⎪ −
⎩ x̂(t) = z(t) + E(CE) y(t)
⎪
⎪
La question maintenant c’est quand est ce que cet observateur existe ? Comme on a vu un peu
plus haut que les conditions d’existence d’un observateur IUO est la condition nécessaire A.20) et la la
détectabilité du couple (Ā, C) comme l’illustre le théorème suivant, mais il existe d’autre conditions
équivalentes
149
Théorème A.15.
Pour le système (A.16) une condition nécessaire et suffisante pour l’ existence un observateur
à entrée inconnue est
(In − E(CE)− C)E = 0 et que le couple (Ā, C) est détectable
Théorème A.16.
Pour le système (A.16) une condition nécessaire et suffisante pour l’ existence un observateur
à entrée inconnue est
a) rg(CE) = E
b) Le couple (Ā, C) est détectable
Pour prouver l’équivalence de ces deux théorèmes, il suffit de prouver que
rg(CE) = E ⇐⇒ (In − E(CE)− C)E = 0
Ô⇒) Supposons que rg(CE) = E, donc la matrice CE est de plein rang car E l’est. Ainsi une
matrice inverse généralisée de CE existe et que
(CE)− = [(CE)T CE]−1 (CT )T
Ainsi
E(CE)− CE = E[(CE)T CE]−1 (CT )T CE

= E
D’où le résultat.
⇐Ô) Supposons que (In − E(CE)− C)E = 0 ou encore E(CE)− CE = E, c’est-à-dire
(CE)T (E(CE)− )T = E T
Ceci prouve que E T appartient à l’espace rang de (CE)T . Par conséquent rg(E T ) ≤ rg((CE)T )
ou encore
rg(E) ≤ rg(CE) (A.24)
Or
rg(CE) ≤ min{rg(E), rg(CE)}

≤ rg(E) (A.25)
Ainsi, avec (A.24) et (A.25), on a :
rg(CE) = rg(E)
On a prouvé ainsi l’équivalence des deux théorèmes.
150
Bibliographie
[1] A. S. Ackleh and L. J. S. Allen, Competitive exclusion and coexistence for pathogens
in an epidemic model with variable population size, J. Math. Biol., 47 (2003), pp. 153–168.
[2] A. S. Ackleh and L. J. S. Allen, Competitive exclusion in sis and sir epidemic models
with total cross immunity and density-dependent host mortality, Discrete Contin. Dyn. Syst.
Ser. B, 5 (2005), pp. 175–188.
[3] P. Adda and D. Bichara, Global stability for sir and sirs models with differential mor-
tality, International Journal of Pure and Applied Mathematics, 80 (2012).
[4] M. Aikawa, Human cerebral malaria, Am. J. Trop. Med. Hyg., 39 (1988), pp. 3–110.
[5] L. J. S. Allen, M. Langlais, and C. J. Phillips, The dynamics of two viral infections in
a single host population with applications to hantavirus, Math. Biosci., 186 (2003), pp. 191–
217.
[6] R. A. Amstrong and R. McGehee, Competitive exclusion, The American Naturalist, 115
(1980), pp. 151–170.
[7] R. M. Anderson and R. May, Coevolution of hosts and parasites, Parasitology, 85 (1982),
pp. 411–426.
[8] R. M. Anderson and R. M. May, Infectious Diseases of Humans. Dynamics and Control,
Oxford science publications, 1991.
[9] R. M. Anderson, R. M. May, and S. Gupta, Non-linear phenomena in host-parasite
interactions., Parasitology, 99 Suppl (1989), pp. S59–79.
[10] V. Andreasen, J. Lin, and S. A. Levin, The dynamics of cocirculating influenza strains
conferring partial cross-immunity, J. Math. Biol., 35 (1997), pp. 825–842.
[11] V. Andreasen and A. Pugliese, Pathogen coexistence induced by density-dependent host
mortality, J. Theoret. Biol., (1995), pp. 159–165.
[12] R. Antia, B. Levin, and R. May, Within-host population dynamics and the evolution and
maintenance of microparasite virulence, Amer. Naturalist, 144 (1994), pp. 457–472.
151
BIBLIOGRAPHIE BIBLIOGRAPHIE
[13] J. L. Aron and R. M. May, Population Dynamics of Infectious Diseases, Theory and
Applications, R.M. Anderson (ed.)., Population and Community Biology Series, Chapman
and Hall, London, New York, 1982, ch. The population dynamics of malaria.
[14] N. Bailey, The Biomathematics of Malaria, Charles Griffin ; London, 1982.
[15] A. Berman and R. J. Plemmons, Nonnegative matrices in the mathematical sciences,
vol. 9 of Classics in Applied Mathematics, Society for Industrial and Applied Mathematics
(SIAM), Philadelphia, PA, 1994. Revised reprint of the 1979 original.
[16] D. Bernoulli, Essai d’une nouvelle analyse de la mortalité causee par la petite vérole.,
Mem. Math. Phys. Acad. Roy. Sci., Paris, 1 (1766).
[17] N. P. Bhatia and G. P. Szegö, Stability Theory of Dynamical Systems, Springer-Verlag,
1970.
[18] S. P. Bhattacharyya, Observer design for linear systems with unknown inputs, IEEE
Trans. Automati. Contr, AC-23 (1978), pp. 483–484.
[19] D. Bichara, A. Caicedo-Casso, D. Toro-Zapata, and S. Lee, Analysis and opti-
mal control of an hiv model with immune response, tech. rep., Arizona State University,
http ://mtbi.asu.edu/research/archive/paper/analysis-and-optimal-control-hiv-model-immune-
response, 2011.
[20] D. Bichara, N. Cozic, and A. Iggidr, On the estimation of sequestered parasite popula-
tion in falciparum malaria patients, tech. rep., INRIA, 2012. Work in progress.
[21] D. Bichara, A. Iggidr, and G. Sallet, Competitive exclusion principle for sis and sir
models with n strains, Tech. Rep. 7902, INRIA, http ://hal.inria.fr/hal-00677609, 2012.
[22] H. Bremermann and H. R. Thieme, A competitive exclusion principle for pathogen viru-
lence, J. Math. Biol., (1989), pp. 179–190.
[23] S. Busenberg and P. van den Driessche, Analysis of a disease transmission model in a
population with varying size, J Math Biol, 28 (1990), p. 257.
[24] S. Busenberg and P. van den Driessche, A method for prouving the nonexistence of
limit cycles., J. Math. analysis applic., 172 (1993), pp. 463–479.
[25] C. Castillo-Chavez, W. Huang, and J. Li, Competitive exclusion in gonorrhea models
and other sexually transmitted diseases, SIAM J. Appl. Math., 56 (1996), pp. 494–508.
[26] , Competitive exclusion and coexistence of multiple strains in an SIS STD model,
SIAM J. Appl. Math., 59 (1999), pp. 1790–1811 (electronic).
[27] J. Chen and R. J. Patton, Robiist Modrl-based Fault Diagnosis for Dynamic Systems,
Boston : Kluwer Academic Publishers, 1999.
[28] W. E. Collins and G. M. Jeffery, A retrospective examination of sporozoite- and
trophozoite-induced infections with plasmodium falciparum in patients previously infec-
ted with heterologous species of plasmodium : effect on development of parasitologic and
clinical immunity., Am J Trop Med Hyg, (1999).
[29] M. Darouach, M. Zasadzinski, and S. J. Xu, Full order observers desing for linear
systems with unknown inputs, IEEE Trans. Automati. Contr, 39 (1994), pp. 606–609.
152
[30] R. J. De Boer and A. S. Perelson, Towards a general function describing t cell prolife-
ration., J Theor Biol, 175 (1995), pp. 567–76.
[31] M. C. de Jong, O. Diekmann, and H. Heesterbeek, How does transmission of infec-
tion depend on population size ?, in Epidemic models. Their structure and relation to data,
D. Mollison, ed., Cambridge University Press, 1995, pp. 85–94.
[32] P. de Leenheer and S. S. Pilyugin, Immune response to a malaria infection : properties
of a mathematical model, J Biol. Dynamics, 2 (2008), pp. 102–120.
[33] P. De Leenheer and H. L. Smith, Virus dynamics : A global analysis., SIAM J. Appl.
Math., 63 (2003), pp. 1313–1327.
[34] T. Dhirasakdanon and H. R. Thieme, Persistence of vertically transmitted parasite
strains which protect against more virulent horizontally transmitted strains, in Modeling
and dynamics of infectious diseases, vol. 11 of Ser. Contemp. Appl. Math. CAM, Higher Ed.
Press, Beijing, 2009, pp. 187–215.
[35] O. Diekmann, A beginner’s guide to adaptive dynamics, in Mathematical modelling of po-
pulation dynamics, vol. 63 of Banach Center Publ., Polish Acad. Sci., Warsaw, 2004, pp. 47–86.
[36] O. Diekmann, J. A. P. Heesterbeek, and J. A. J. Metz, On the definition and the
computation of the basic reproduction ratio R0 in models for infectious diseases in hete-
rogeneous populations, J. Math. Biol., 28 (1990), pp. 365–382.
[37] K. Dietz and J. Heesterbeek, Daniel Bernoulli’s epidemiological model revisited., Math.
Biosci., 180 (2002), pp. 1–21.
[38] M. Eichner, H. H. Diebner, L. Molineaux, W. E. Collins, G. M. Jeffery, and
K. Dietz, Genesis, sequestration and survival of plasmodium falciparum gametocytes :
parameter estimates from fitting a model to malariatherapy data., Trans R Soc Trop Med
Hyg, 95 (2001), pp. 497–501.
[39] F. W. Fairman, S. S. Mahil, and L. Luk, Disturbance decoupled observer design via
singular value decomposition, IEEE Trans. Automati. Contr, AC-29 (1984), pp. 84–86.
[40] A. Fall, A. Iggidr, G. Sallet, and J. J. Tewa, Epidemiological models and Lyapunov
functions, Math. Model. Nat. Phenom., 2 (2007), pp. 55–73.
[41] M. Fishman and A. Perelson, Lymphocytes memory and affinity selection, J. Theoret.
Biol., 173 (1996).
[42] G. Gause, The struggle for existence, Williams and Wilkins, reprinted 1964 Hafner, 1934.
[43] J. Gauthier, H. Hammouri, and S. Othman, A simple obsever for nonlinear systems : ap-
plicationsto bioreactors applications to bioreactors, IEEE Trans. Autom. Control, 37 (1992),
pp. 875–880.
[44] B. S. Goh, Global stability in many-species systems, Amer.Naturalist, (1977), pp. 135–143.
[45] M. B. Gravenor and D. Kwiatkowski, An analysis of the temperature effects of fever
on the intra-host population dynamics of plasmodium falciparum., Parasitology, 117 ( Pt 2)
(1998), pp. 97–105.
153
[46] M. B. Gravenor and A. Lloyd, Reply to : Models for the in-host dynamics of mala-
ria revisited : errors in some basic models lead to large over-estimates of growth rates,
Parasitology, 117 (1998), pp. 409–410.
[47] M. B. Gravenor, A. L. Lloyd, P. G. Kremsner, M. A. Missinou, M. English,
K. Marsh, and D. Kwiatkowski, A model for estimating total parasite load in falci-
parum malaria patients., J Theor Biol, 217 (2002), pp. 137–48.
[48] M. B. Gravenor, A. R. McLean, and D. Kwiatkowski, The regulation of malaria pa-
rasitaemia : parameter estimates for a population model., Parasitology, 110 ( Pt 2) (1995),
pp. 115–22.
[49] M. B. Gravenor, M. B. van Hensbroek, and D. Kwiatkowski, Estimating sequestered
parasite population dynamics in cerebral malaria., Proc Natl Acad Sci U S A, 95 (1998),
pp. 7620–4.
[50] Y.-P. Guan and M. Saif, A novel approch to the design of unknown inputs observers,
IEEE Trans. Automati. Contr, 36 (1991).
[51] J. Hale, Ordinary differential equations, Krieger, 1980.
[52] H. W. Hethcote, Qualitative analyses of communicable disease models., Math. Biosci., 28
(1976), pp. 335–356.
[53] , Three basic epidemiological models, in Applied mathematical ecology (Trieste, 1986),
vol. 18 of Biomathematics, Springer, Berlin, 1989, pp. 119–144.
[54] , The mathematics of infectious diseases, SIAM Rev., 42 (2000), pp. 599–653 (electronic).
[55] H. W. Hethcote and H. R. Thieme, Stability of the endemic equilibrium in epidemic
models with subpopulations, Math. Biosci., 75 (1985), pp. 205–227.
[56] C. Hetzel and R. M. Anderson, The within-host cellular dynamics of bloodstage malaria :
theoretical and experimental studies., Parasitology, 113 ( Pt 1) (1996), pp. 25–38.
[57] M. W. Hirsch and H. L. Smith, Monotone dynamical systems, in Handbook of differential
equations : ordinary differential equations. Vol. II, Elsevier B. V., Amsterdam, 2005, pp. 239–357.
[58] M. Hou and P. Müller, Design of observers for linear systems with unknown inputs,
IEEE Transactions on automatic control, 37 (1992).
[59] , Disturbance decoupled observer design : A unified viewpoint, IEEE Transactions on
automatic control, 39 (1994), pp. 1338–1341.
[60] S. Hsu, H. Smith, and P. Waltman, Competitive exclusion and coexistence for competitive
systems on ordered banach spaces, Trans. Amer. Math. Soc., 348 (1996).
[61] A. Iggidr, J.-C. Kamgang, G. Sallet, and J.-J. Tewa, Global analysis of new malaria
intrahost models with a competitive exclusion principle, SIAM J. Appl. Math., 67 (2006),
pp. 260–278 (electronic).
[62] S. Iwami and T. Hara, Global stability of a generalized epidemic model, J. Math. analysis
applic., 362 (2010), pp. 286–300.
[63] J. A. Jacquez, C. P. Simon, and J. Koopman, The reproduction number in deterministic
models of contagious diseases, Comment. Theor. Biol.., 2 (1991).
154
[64] J. A. Jacquez, C. P. Simon, and J. Koopman, Core groups and the r0s for subgroups in
heterogeneous sis and si models, in Epidemics models : their structure and relation to data,
D. ed., ed., Cambridge University Press, 1996, pp. 279–301.
[65] J. Kamgang and G. Sallet, Computation of threshold conditions for epidemiological
models and global stability of the disease free equilibrium.,0, Math. Biosci., 213 (2008),
pp. 1–12.
[66] M. J. Keeling and P. Rohani, Modeling Infectious Diseases in humans and animals,
Princeton University Press, 2007.
[67] W. O. Kermack and A. G. McKendrick, A contribution to the mathematical theory of
epidemics - i, Proc. Royal Soc. London, 115 (1927), pp. 700–721.
[68] , A contribution to the mathematical theory of epidemics - part ii, Proc. Royal Soc.
London, 138 (1932), pp. 55–83.
[69] , A contribution to the mathematical theory of epidemics - part iii, Proc. Royal Soc.
London, 141 (1933), pp. 94–112.
[70] N. Kobayashi and T. Nakamizo, An observer design for linear systems with unknown
inputs, Int. J. Control, 35 (1982), pp. 605–619.
[71] A. Korobeinikov and P. Maini, Lyapunov functions and global properties for SEIR and
SEIS models, Math. Med. Biol., 21 (2004), pp. 75–83.
[72] A. Korobeinikov and G. Wake, Lyapunov functions and global stability for SIR, SIRS,
and SIS epidemiological models., Appl. Math. Lett., 15 (2002), pp. 955–960.
[73] G. Kreisselmeier and R. Engel, Nonlinear observers for autonomous lipschitz conti-
nuous systems, IEEE Trans. Autom. Control, 48 (2003), pp. 451–464.
[74] A. Krener and W. Respondek, Nonlinear observers with linearizable error dynamics,
IEEE Trans. Autom. Control, 23 (1985), pp. 197–216.
[75] P. Kudva, N. Viswanadham, and A. Ramakrishna, Observers for linear systems with
unknown inputs, IEEE Trans. Automati. Contr, AC-25 (1980), pp. 113–115.
[76] A. Lajmanovich and J. Yorke, A deterministic model for gonorrhea in a nonhomoge-
neous population., Math. Biosci., 28 (1976), pp. 221–236.
[77] J. LaSalle, Stability theory for ordinary differential equations. stability theory for ordinary
differential equations., J. Differ. Equations, 41 (1968), pp. 57–65.
[78] , Stability of nonautonomous systems, Nonlinear Anal., Theory, Methods Appl., 1 (1976),
pp. 83–91.
[79] J. P. LaSalle, The stability of dynamical systems, Society for Industrial and Applied Ma-
thematics, Philadelphia, Pa., 1976. With an appendix : “Limiting equations and stability of
nonautonomous ordinary differential equations” by Z. Artstein, Regional Conference Series in
Applied Mathematics.
[80] J. P. LaSalle and S. Lefschetz, Stability by Liapunov’s direct method, Academic Press,
1961.
155
[81] S. Levin and D. Pimentel, Selection of intermediate rates increase in parasite-host sys-
tems, Amer.Naturalist, (1981), pp. 308–315.
[82] S. A. Levin, Community equilibria and stability, and an extension of the competitive
exclusion principle., Amer. Naturalist, 104 (1970), pp. 413–423.
[83] M. Y. Li and J. S. Muldowney, Global stability for the SEIR model in epidemiology,
Math. Biosci., 125 (1995), pp. 155–164.
[84] M. Lipsitch and M. A. Nowak, The evolution of virulence in sexually transmitted
hiv/aids, J. Theoret. Biol., 174 (1995), pp. 427–440.
[85] M. Lipsitch, M. A. Nowak, D. Ebert, and R. M. May, The population dynamics of
vertically and horizontally transmitted parasites., Proc Biol Sci, 260 (1995), pp. 321–327.
[86] A. Lotka, contribution to the analysis of malaria epidemiology, Am. J. Trop. Med. Hyg., 3
(1923), pp. 1–121.
[87] D. G. Luenberger, Introduction to observers, IEEE Trans. Autom. Control, 16 (16), pp. 596–
602.
[88] G. MacDonald, The epidemiology and control of malaria, London : Oxford University Press,
1957.
[89] G. MacPherson, M. J. Warrell, N. White, S. Looareesuwan, and D. A. Warrell,
Human cerebral malaria. a quantitative ultrastructural analysis of parasitized erythrocyte
sequestration, Am J Pathol, 119 (1985), pp. 385–401.
[90] S. Mandal, R. Sarkar, and S. Sinha, Mathematical model of malaria- a review, Malaria
J., 10 (2011).
[91] D. P. Mason and F. E. McKenzie, Blood-stage dynamics and clinical implications of
mixed plasmodium vivax-plasmodium falciparum infections., Am J Trop Med Hyg, 61 (1999),
pp. 367–74.
[92] D. P. Mason, F. E. McKenzie, and W. H. Bossert, The blood-stage dynamics of mixed
plasmodium malariae-plasmodium falciparum infections., J Theor Biol, 198 (1999), pp. 549–
66.
[93] R. May, Stability and Complexity in Model Ecosystems, Princeton University Press, 1973.
[94] R. M. May and R. M. Anderson, Epidemiology and genetics in the coevolution of parasites
and hosts., Proc R Soc Lond B Biol Sci, 219 (1983), pp. 281–313.
[95] , Parasite-host coevolution., Parasitology, 100 Suppl (1990), pp. S89–101.
[96] J. Maynard Smith, Models in Ecology, Cambridge University Press, 1974.
[97] H. McCallum, N. Barlow, and J. Hone, How should pathogen transmission be model-
led ?, Trends Ecol Evol, 16 (2001), pp. 295–300.
[98] F. E. McKenzie, Why model malaria ?, Parasitol Today, 16 (2000), pp. 511–6.
[99] P. G. McQueen and F. E. McKenzie, Age-structured red blood cell susceptibility and the
dynamics of malaria infections., Proc Natl Acad Sci U S A, 101 (2004), pp. 9161–6.
156
[100] R. J. Miller and R. Mukundan, On designing reduced-order observers for linear time-
invariant systems subject to unknown inputs, Int. J. Control, 35 (1982), pp. 183–188.
[101] J. L. Mitchell and T. W. Carr, Oscillations in an intra-host model of plasmodium
falciparum malaria due to cross-reactive immune response, Bull. Math. Biol., 72 (2010),
pp. 590–610.
[102] J. E. Mittler, B. Sulzer, A. U. Neumann, and A. S. Perelson, Influence of delayed
viral production on viral dynamics in HIV-1 infected patients., Math. Biosci., 152 (1998),
pp. 143–163.
[103] L. Molineaux and K. Dietz, Review of intra-host models of malaria., Parassitologia, 41
(2000), pp. 221–31.
[104] L. Molineaux, M. Trauble, W. E. Collins, G. M. Jeffery, and K. Dietz, Malaria
therapy reinoculation data suggest individual variation of an innate immune response and
independent acquisition of antiparasitic and antitoxic immunities., Trans R Soc Trop Med
Hyg, 96 (2002), pp. 205–9.
[105] W. J. Moss, S. Shah, and R. H. Morrow, The history of malaria and its control, Inter-
national Encyclopedia of Public Health, (2008), pp. 389–398.
[106] M. Nadri, H. Hammouri, and C. Astorga Zagoza, Observer design for continuous-
discrete time state affine systems up to output injection, European Journal of Control, 10
(2004), pp. 252–263.
[107] P. W. Nelson, J. Murray, and A. S. Perelson, A model of hiv-1 pathogenesis that
includes an intracellular delay., Math. Biosci., 163 (2000), pp. 201–215.
[108] P. W. Nelson and A. S. Perelson, Mathematical analysis of delay differential equation
models of HIV-1 infection., Math. Biosci., 179 (2002), pp. 73–94.
[109] L. Ochola, K. Marsh, Q. Gal, G. Pluschke, and T. Smith, Estimating sequestered
parasite load in severe malaria patients using both host and parasite markers., Parasitology,
131 (2005), pp. 449–58.
[110] J. O’Reilly, Observers for linear systems, Academic Press, 1983.
[111] A. Perelson, Modeling the interaction of the immune system with hiv, in Mathematical and
statistical approaches to AIDS epidemiology with HIV, C. Castillo-Chavez, ed., Springer-Verlag,
1989, pp. 350–370.
[112] A. S. Perelson, D. E. Kirschner, and R. De Boer, Dynamics of HIV infection of CD4+
T cells., Math Biosci, 114 (1993), pp. 81–125.
[113] A. S. Perelson and P. W. Nelson, Mathematical analysis of HIV-1 dynamics in vivo,
SIAM Rev., 41 (1999), pp. 3–44 (electronic).
[114] , Modeling viral infections, in An introduction to mathematical modeling in physiology,
cell biology, and immunology (New Orleans, LA, 2001), vol. 59 of Proc. Sympos. Appl. Math.,
Amer. Math. Soc., Providence, RI, 2002, pp. 139–172.
[115] C. R. Rao and S. K. Mitra, Generalized Inverse of Matrices and its Applications, New
York : Wiley, 1971.
157
[116] M. Recker and S. Gupta, Conflicting immune responses can prolong the length of infec-
tion in plasmodium falciparum malaria, Bull Math Biol, 68 (2006), pp. 821–835.
[117] M. Recker, S. Nee, P. Bull, S. Kinyanjui, K. Marsh, C. Newbold, and S. Gupta,
Transient cross-reactive immune responses can orchestrate antigenic variation in malaria,
Let. Nature, 429 (2004), pp. 555–558.
[118] R. Ross, The prevention of malaria, John Murray, 1911.
[119] G. Sallet, Modélisation et simulation en épidémiologie, INRIA et IRD,
http ://poncelet.sciences.univ-metz.fr/ sallet/, 2010.
[120] A. Saul, Transmission dynamics of plasmodium falciparum., Parasitol Today, 12 (1996),
pp. 74–9.
[121] , Models for the in-host dynamics of malaria revisited : errors in some basic models
lead to large over-estimates of growth rates., Parasitology, 117 ( Pt 5) (1998), pp. 405–7 ;
discussion 409–10.
[122] K. Silammut and N. White, Relation of the stage of parasite development in the peripheral
blood to prognosis in severe falciparum malaria, Trans R Soc Trop Med Hyg, 87 (1993),
pp. 436–43.
[123] C. P. Simon and J. A. Jacquez, Reproduction numbers and the stability of equilibria of
SI models for heterogeneous populations, SIAM J. Appl. Math., 52 (1992), pp. 541–576.
[124] E. Sontag, mathematical control theory, Springer-Verlag, 1990.
[125] H. R. Thieme, Global asymptotic stability in epidemic models., in Equadiff 82, Proc. int.
Conf., Würzburg 1982„ no. 1017 in Lectures Notes in Biomath., Springer-Verlag, 1983, pp. 608–
615.
[126] , Local stability in epidemic models for heterogeneous populations., in Mathematics in
biology and medicine, Proc. Int. Conf., Bari/Italy 1983„ Lect. Notes Biomath. 57, Springer-
Verlag, 1985, pp. 185–189.
[127] H. R. Thieme, Pathogen competition and coexistence and the evolution of virulence,
vol. Mathematics for Life Sciences and Medicine, Springer-Verlag, 2007, pp. 123–153.
[128] , Global stability of the endemic equilibrium in infinite dimension : Lyapunov func-
tions and positive operators, J. Differ. Equations, 250 (2011), pp. 3772–3801.
[129] P. van den Driessche and J. Watmough, Reproduction numbers and sub-threshold en-
demic equilibria for compartmental models of disease transmission, Math. Biosci., (2002),
pp. 121–142.
[130] R. Varga, matrix iterative analysis, Prentice-Hall, 1962.
[131] M. Vidyasagar, Decomposition techniques for large-scale systems with nonadditive inter-
actions : Stability and stabilizability., IEEE Trans. Autom. Control, 25 (1980), pp. 773–779.
[132] V. Volterra, Variations and fluctuations of the number of individuals in animal species
living together, J. Cons. Cons. Int. Explor. Am. Nat., 3 (1928), pp. 3–51.
[133] S.-H. Wang, E. J. Davison, and P. Dorato, Observing the states of systems with un-
measurable disturabance, IEEE Trans. Automati. Contr, AC-20 (1975), pp. 716–717.
158
[134] F. Yang and R. W. Wilde, Observers for linear systems with unknown inputs, IEEE
Trans. Automati. Contr, AC-33 (1988), pp. 677–681.
[135] G. Zimmer, A new algorithm for approximating the state of nonlinear systems, Int. J.
Systems Sci., 24 (1993).
[136] , State observation by on-line minimization, Int. J. Cont., 60 (1994), pp. 595–606.
159
Table des figures
2.1 Un modèle SIS avec n souches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2.2 Un modèle SIR avec n souches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3 Cas du DFE où toutes les souches disparaissent : Avec les paramètres Λ = 20, β1 =
0.05, β2 = 0.05, β3 = 0.03, β4 = 0.05, β5 = 0.05, β6 = 0.06, µ = 0.9; γ1 = 0.6, γ3 =
0.9, γ5 = 1.4, γ2 = 1.5, γ4 = 1.9, γ6 = 0.7, p1 = 0.3, p2 = 0.01, p3 = 0.03, p4 = 0.025, p5 =
0.03, p6 = 0.08, δ1 = 0.2, δ3 = 0.85, δ5 = 0.98, δ2 = 0.85, δ4 = 0.8, δ6 = 0.05., on a les
inégalités : Ti < 1∀i ∈ {1, . . . , 6}. Comme on le voit dans la figure, toutes les souches
disparaissent. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4 Un modèle SIS avec 6 souches coexistantes. Avec les paramètres Λ = 20, βi = 0.05 ∀i =
1, . . . , 6, µ = 0.3; γi = 0.9, ∀i = 1, . . . , 6, p1 = 0.3, p2 = 0.2, p3 = 0.3, p4 = 0.2, p5 =
0.3, p6 = 0.2, δ1 = δ3 = δ5 = 0.2, δ2 = δ4 = δ6 = 0.5., on a les inégalités : Ti = Tj >
1, ∀(i, j) ∈ {1, . . . , 6}. Toutes les souches coexistent. . . . . . . . . . . . . . . . . . . . . . . 25
2.5 Cas où il y a une compétition exclusive : Avec les paramètres Λ = 20, β1 = 0.45, β2 =
0.05, β3 = 0.5, β4 = 0.05, β5 = 0.05, β6 = 0.5, µ = 0.9; γ1 = 0.3, γ3 = 0.9, γ5 = 1.4, γ2 =
1.5, γ4 = 1.9, γ6 = 0.9, p1 = 0.3, p2 = 0.01, p3 = 0.03, p4 = 0.025, p5 = 0.03, p6 =
0.08, δ1 = 0.2, δ3 = 0.85, δ5 = 0.98, δ2 = 0.85, δ4 = 0.8, δ6 = 0.05., on a les inégalités :
T1 > T6 > T3 > 1 > T2 > T4 > T5 . Comme on le voit dans la figure, la souche 1 remporte
la compétition tant disque les autres souches disparaissent. . . . . . . . . . . . . . . . . . 26
3.1 Portrait de phase dans le cas du DFE où toutes les souches disparaissent : Avec les
paramètres b = 0.5, β1 = 0.6, β2 = 0.3, γ1 = 0.5, γ2 = 0.2, δ1 = 0.4, δ3 = 0.3, on a les
inégalités : Ti < 1∀i ∈ {1, 2}. Les deux courbes représentant i1 et i2 tendent vers 0, ce
qui correspond au DFE. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Portrait de phase dans le cas où l’équilibre frontière (i∗1 , i∗2 ) est stable. Avec les para-
mètres b = 0.1, β1 = 0.98, β2 = 0.78, γ1 = 0.115, γ2 = 0.19, δ1 = 0.62, δ2 = 0.42, on a les
inégalités du théorème 3.3 sont satisfaites. Les courbes tendent vers (i∗1 , i∗2 ). . . . . . . . 38
160
TABLE DES FIGURES TABLE DES FIGURES
3.3 Portrait de phase dans le cas où l’équilibre (0, ī2 ) est GAS : Avec les paramètres
b = 0.15, β1 = 0.87, β2 = 0.62, γ1 = 0.2, γ2 = 0.19, δ1 = 0.94, δ2 = 0.16, on a les
inégalités : T1 < 1 et T2 > 1 et les conditions du théorème 3.4 sont satisfaites. Les
trajectoires tendent vers (0, ī2 ). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.4 Portrait de phase dans le cas où l’équilibre frontière (ī1 , 0) est stable. Avec les para-
inégalités du théorème 3.5 (i.e : C3) sont satisfaites. Les courbes tendent vers (ī1 , 0). . 44
3.5 Portrait de phases dans le cas où l’équilibre frontière (ī1 , 0) est stable. Avec les para-
inégalités de C4. Les courbes tendent vers (ī1 , 0). . . . . . . . . . . . . . . . . . . . . . . . 44
4.1 Transmission et cycle du Plasmodium falciparum . . . . . . . . . . . . . . . . . . . . . . . 48

4.2 Cycle du développement du Plasmodium falciparum dans un érythrocyte. . . . . . . . . 49
4.3 Cycle du développement du Plasmodium falciparum dans un érythrocyte. . . . . . . . . 50
4.4 Erythrocytes envahis par Plasmodium falciparum . . . . . . . . . . . . . . . . . . . . . . . 50
4.5 Coupe transversale du moustique montrant des oocystes. . . . . . . . . . . . . . . . . . . . 51
4.6 Le modèle compartimentale de Ross . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.1 Courbes de x (rouge) et son estimé x̂ (bleu) . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

5.2 Courbes de y1 (tirets) et son estimé ŷ1 (continu) . . . . . . . . . . . . . . . . . . . . . . . . 74
5.4 Courbes de y3 (tiret) et son estimé ŷ3 (continu) . . . . . . . . . . . . . . . . . . . . . . . . 75
5.7 Courbes de m (tirets) et son estimé m̂ (continu) . . . . . . . . . . . . . . . . . . . . . . . . 76
5.8 Patient S1204 : Estimation de la charge parasitaire totale avec des conditions initiales
pour l’observateur (5.13) : Les estimations deviennent précises pour un temps t > 5 jours. 77
5.9 Patient S1204 : Mesures( données) de parasitémie périphérique (en continue) et et de
la parasitémie séquestrée (tirets). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.10 Dynamique des érythrocytes sains estimés x̂(t). . . . . . . . . . . . . . . . . . . . . . . . . 80
5.11 Dynamique des anneaux jeunes estimés ŷ1 (t). . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.12 Dynamique des anneaux mûrs estimés ŷ2 (t). . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.13 Dynamique des trophozoites estimés ŷ3 (t). . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.14 Dynamique des schizontes jeunes estimés y4 (t). . . . . . . . . . . . . . . . . . . . . . . . . 84
5.15 Dynamique des schizontes mûrs estimés y5 (t). . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.16 La dynamiques des mérozoites libres estimés m̂(t) . . . . . . . . . . . . . . . . . . . . . . . 86
5.17 Patient G54 : Estimation de la parasitemie totale (bleu) et de la parasitemie périphé-
rique estimée(rouge) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.18 Patient S1204 : Estimation de la parasitemie totale (bleue) et de la parasitemie péri-
phérique estimée(rouge) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.19 Patient S1050 : Estimation de la parasitémie totale (bleue) et de la parasitémie péri-
phérique estimée(rouge) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
161
TABLE DES FIGURES TABLE DES FIGURES
5.20 Patient G221 : Estimation de la parasitémie totale (bleue) et de la parasitémie périphé-

rique estimée(rouge) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.21 Patient G221 : Données de la parasitémie périphérique (continue) et de la parasitémie
périphérique estimée(tirets) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.22 Patient G221 : Comparaison au début du temps de l’estimation . . . . . . . . . . . . . . . 90
5.23 Patient G54 : Données de la parasitémie périphérique (continue) et de la parasitemie
5.24 Patient G54 : Comparaison au début du temps de l’estimation . . . . . . . . . . . . . . . 91
5.25 Patient S1204 : Données de la parasitémie périphérique (continue) et de la parasitemie
5.26 Patient S1204 : Comparaison au début du temps de l’estimation . . . . . . . . . . . . . . 92
5.27 Patient S1050 : Données de la parasitémie périphérique (continue) et de la parasitemie
5.28 Patient S1050 : Comparaison au début du temps de l’estimation . . . . . . . . . . . . . . 93
5.29 Décomposition du cycle du Plasmodium falciparum en méta-classes . . . . . . . . . . 95
5.30 Patient S1204. Sur (a), La charge parasitaire totale en considérant les classes (rouge)
et charge parasitaire totale en considérant les métaclasses (bleue). (b) Présentation de
(a) sur échelle logarithmique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.31 Patient S1050. Sur (a), La charge parasitaire totale en considérant les classes (rouge)
et charge parasitaire totale en considérant les métaclasses (bleue). (b) Présentation de
(a) sur échelle logarithmique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.32 Patient G221. Sur (a), La charge parasitaire totale en considérant les classes (rouge) et
charge parasitaire totale en considérant les métaclasses (bleue). (b) Présentation de (a)
sur échelle logarithmique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.33 Patient G54. Sur (a), La charge parasitaire totale en considérant les classes (rouge) et
charge parasitaire totale en considérant les métaclasses (bleue). (b) Présentation de (a)
sur échelle logarithmique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
A.1 Système entrée-sortie. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139

A.2 Un observateur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
162
Liste des tableaux
5.1 Estimations donnée par l’observateur (5.13) . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
163

Bichara PH DThesis

Transféré par

Droits d'auteur :

Formats disponibles

Bichara PH DThesis

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Bichara PH DThesis

Transféré par

Droits d'auteur :

Formats disponibles

Étude de modèles épidémiologiques : Stabilité,

observation et estimation de paramètres

To cite this version:

HAL Id: tel-01749335

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

Étude de modèles épidémiologiques :

Soutenue publiquement à Metz le 28 février 2013

Devant le jury composé de :

Mohamed KHALADI Professeur, Université Cadi Ayyad, Marrakech

Alain RAPAPORT Directeur de recherche, INRA, Montpellier

Philipe ADDA Maître de conférences, Université de Lorraine, Metz

Yves DUMONT Directeur de recherche, CIRAD, Montpellier

Abderrahman IGGIDR Chargé de recherche, INRIA, Metz

Gauthier SALLET Professeur, Université de Lorraine, Metz

1 Stabilité globale des modèles SIR et SIRS avec

2 Stabilité globale des modèles épidémiques

3 Stabilité globale des modèles épidémiques

4 Épidémiologie du paludisme et historique de ses

5 Observateurs pour l’estimation des paramètres.

Conclusion et perspectives 115

A Outils mathématiques 118

A.3.1 Le principe d’invariance de LaSalle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126

“Begin at the beginning," the King said gravely, “and go

La formulation en langage mathématique d’un phénomène concret a suscité la curiosité de beau-

SI, SIR, SIRS, SIS, SEI, SEIR, SEIRS, etc.

La thèse est organisée comme suit :

On compare parfois la cruauté de l’homme à celle des

La dynamique de ce modèle est donnée par le système suivant :

Nous avons 0 ≤ S, 0 ≤ I and S + I ≤ 1. Le domaine biologique de ce système est le simplexe standard.

1.1.1 Stabilité du DFE

De plus V̇ = 0 si I = 0 ou S = S ∗ et R0 = 1. Donc le plus grand ensemble invariant contenu dans

Remarque 1.1. Contrairement aux théorèmes de Lyapunov, le principe d’invariance de LaSalle

1.2 Stabilité globale de l’équilibre endémique

Trouver une fonction de Lyapunov requiert une

2.1 Modèle SIS avec transmission verticale

Λ- ( p1I1 + p2I2 + .... + pnIn )

I1 ..... .... Ij ..... .... In

p1I1 μ+δ1 pjIj μ+δj pnIn μ+δn

Figure 2.1 – Un modèle SIS avec n souches

Ce modèle peut être décrit par le système d’équations différentielles suivant :

Les différents paramètres de notre modèle sont définis comme suit :

2.1.2 Équilibres et nombre de reproduction de base

Le système (5.4) a n équilibres endémiques, localisés sur la frontière de l’orthant positif.

T0,i > 1 ⇐⇒ R0,i > 1.

Quand T0,i = 1 alors S̄i = S ∗ et I¯i = 0.

2.2 Analyse de la stabilité globale

2.2.1 Stabilité globale du DFE

Maintenant, considérons l’ensemble contenu dans Ω où V̇ = 0.

L’égalité V̇ = 0 dans Ω implique que pour chaque indice i

Nous associons à chaque sous-ensemble I d’ indices, un point défini par si j ∈/ I alors Ij = 0 et si

Ṡ = Λ − S̄i ∑ βi Ii + ∑(γi − pi )Ii − µS̄i .

⎛ −µ −β1 S ∗ + (γ1 − p1 ) −β2 S ∗ + (γ2 − p2 ) ⋯ −βn S ∗ + (γn − pn ) ⎞

2.2.2 Stabilité globale et compétition exclusive

T0,1 > T0,i .

T0,1 > T0,2 ≥ ⋯T0,i0 > 1 ≥ T0,i0 +1 ≥ ⋯T0,n .

qui peut aussi être écrite sous le forme

Finalement nous décomposons V̇ en somme de trois expressions :

Notons B la somme des deux derniers termes dans V̇ , i.e.,

Alors, en utilisant la relation (2.7)

Puisque = ⟐, avec s + i1 + i2 = 1, on a donc

Supposons que β 2 < δ1 et considérons la fonction de Lyapunov :

Suppossons maintenant que β 2 > δ1 et considerons la fonction de Lyapunov

Si β 2 > δ1 , on considère la fonction de Lyapunov :

Si β 2 < δ1 on considère la fonction de Lyapunov suivante :