MINISTÈRE DE L’ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE

SCIENTIFIQUE
UNIVERSITÉ ABDELHAMID IBN BADIS DE MOSTAGANEM
FACULTÉ DES SCIENCES EXACTES ET DE L’INFORMATIQUE
DÉPARTEMENT DE MATHÉMATIQUES ET INFORMATIQUE
FILIÈRE : MATHÉMATIQUES

MÉMOIRE DE FIN D’ÉTUDE

PRÉSENTÉ POUR L’OBTENTION DE DIPLÔME DE MASTER EN

MATHÉMATIQUES

Spécialité ”Modélisation, Controle et Optimisation”

Présenté par : BENYOUSSA Kheira

ÉTUDE DE LA STABILITÉ DE PHÉNOMÈNES

D’ÉVOLUTION : LE MODÈLE SIR

Devant les jurys composé de :

Président : KAISSERLI Zineb MCB à Université de Mostaganem

Examinateur : GHEZZAR Mohammed Amine MCB à Université de Mostaganem
Encadreur : HAMADI Yassamina MCB à ENP D’oran

Année Universitaire :2020/2021

2

Dédicaces

Je dédie ce travail :

A mes chers parents dont le rêve était toujours

de me voir réussir. Qu’ils sachent
que leur place dans mon cœur et ma pensée,
reste et demeure immense.
Aussi, Pour toute personne qui a choisi le chemin des
mathématiques, ce travail est dédié à vous.
Je prie que ce
modeste projet de fin d’étude soit à votre aide.
 3

Remerciements

Je tiens à exprimer mes vifs remerciements à Mon

encadreur Docteur HAMADI Yassamina

qui a consacré son temps à l’encadrement de mon

mémoire de master,
un temps considérable et qui m’a accordé une grande
disponibilité.
De même je veux exprimer mes remerciements aux
membres de jury de mon mémoire Docteur Ghezzar
Mohammed Amine et Docteur Kaisserli Zineb qui
ont bien voulu examiner ce travail.
Sans oublier Professeur BOUAGADA Djillali pour
ces conseils qu’il n’a cessé de me prodiguer.
Enfin, pour tout ceux qui m’ont aidée, à mes
enseignants, mes amies,
collègues merci pour vos soutiens et encouragements.
4

Résumé
L’objectif de ce mémoire est d’étudier la stabilité globale d’un modèle SIR, en utilisant
la méthode de la matrice de la prochaine génération et le théorème de Lyapunov et le
principe d’invariance de LaSalle.
Table des matières

Dédicaces 2

Remerciments 3

Résumé 4

Introduction 6

1 Préliminaire 9
1.1 Généralités sur les systèmes dynamiques . . . . . . . . . . . . . . . . . . . 9
1.2 Systèmes autonomes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Notions de stabilité et point d’équilibre . . . . . . . . . . . . . . . . . . . . 12
1.4 Méthode de calcul de <0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5 Méthode de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6 Le principe d’invariance de LaSalle . . . . . . . . . . . . . . . . . . . . . . 17

2 Étude la stabilité globale du modèle SIR 19

2.1 Formulation du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2 Détermination des points d’équilibres : . . . . . . . . . . . . . . . . . . . . 22
2.3 Calcul de <0 : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4 Stabilité globale du DFE : . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5 Stabilité globale de l’équilibre endémique : . . . . . . . . . . . . . . . . . . 27

Conclusion 29
Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
 Introduction
L’objectif de ce mémoire est de comprendre le comportement d’un modèle SIR.
La stabilité d’un modèle classique SIR en épidémiologie est considérée dans ce cadre.
L’épidémiologie est l’étude des épidémies. Comprendre et analyser le développement d’une
épidémie est une tache difficile, mais indispensable pour prédire ce développement, et agir
pour le freiner voir l’empêcher. Ces études permettent aussi de prévoir les conséquences
pour la population d’actions que la vaccination, la mise en quarantaine ou la distribution
de tests de dépistage. Les mathématiques sont au cœur de ces études épidémiologiques.
Le modèle SIR a été présenté pour la première fois par KERMACK et MCKENDRICK
[1] à Londres et Cambridge en 1927 pour expliquer a posteriori l’évolution de l’épidémie
de peste à Bombay en 1905-1906 . A.G Mckendrick était un médecin écossais militaire
de l’armée britannique, qui s’est spécialisé ensuite en épidémiologie et W.O. Kermarck
écossais lui aussi,était mathématicien de formation et a beaucoup travaillé dans le domaine
de la chimie. Pour étudier une situation réelle, on commence par extraire de la situation
ses caractéristiques principales. Les hypothèses et simplifications faites permettent alors
de décrire la situation mathématiquement : on crée alors un modèle. On substitue ainsi
au monde réel le monde idéal et simplificateur des mathématiques . Ensuite on utilise
des techniques mathématiques connues pour analyser, étudier le modèle . Les conclusions
obtenues sont ensuite retraduites dans le langage du monde réel. Par définition un modèle
est faux , puisqu’incomplet et imparfait. Par confrontation à l’expérience et au réel les
modèles peuvent être affinés.
La population de modèle SIR est divisée en trois catégories (qu’on appelle ”comparti-
ments” dans le langage de l’épidémiologie) :

- Les individus ”Susceptibles” ou ”Sains” (S) : ceux qui n’ont jamais eu la maladie,
et peuvent la contacter ;
- Les individus ”infectés” (I) : les malades, ce sont aussi les contagieux (c’est une
hypothèse de modèle) ;
- Les individus ”Rétablis” (R, comme ”Recovered” en anglais) : ceux qui ont déjà eu
la maladie et sont désormais immunisés contre ce maladie (c’est une hypothèse de
ce modèle). On inclut dans ce groupe les personnes décédés (puisqu’elle ne peuvent
plus contacter la maladie, et parce que c’est pratique).
Il parait plus naturel de travailler avec le nombre de personnes dans chaque catégorie,
mais certains calculs seront plus simples si on utilise plutôt la proportion de personnes
dans chaque catégorie, ce qui nous permet de connaitre tout aussi bien la progression de

6
l’épidémie.
On note donc :
S(t), I(t) et R(t) la proportion d’individus de chacune des catégories( les sains, les in-
fectés, les rétablis) à l’instant t.

notre objectif est de connaitre l’évolution de S(t), I(t) et R(t) au cours de temps.

pour cela on cherche dans un premier temps à déterminer les règles qui régissent les
variations de ces variable.

Pour ce modèle les règles retenues sont les suivantes :

I La maladie est une maladie assez brève : on néglige les phénomènes démographiques
(naissance, décès, immigration). La taille de la population étudiée peut donc être
considérée comme fixe.
I La seule façon pour qu’un individu quitte le groupe des sains est une devant infecté.
Il est raisonnable de penser que le nombre de nouveaux cas sur une durée donnée est
proportionnel au nombre de contacts sur cette durée entre les individus susceptibles
et les individus infectés S(t) I(t). On note ce coefficient de proportionnalité β.
I Les personnes malades (infectés) sont toutes infectieuses : elles peuvent transmettre
la maladie.
I Chaque personne qui a guéri de cette maladie est immunisée pour toujours contre
cette maladie : la personne ne peut plus retomber malade.
I Nous faisons aussi l’hypothèse que toutes les personnes tombées malades finissent
par guère (ou mourir, selon la maladie, mais on ne fera pas la différence ici : dans les
deux cas les individus ne peuvent plus retomber malade). Ainsi qu’une proportion
γ des individus infectés passe dans le groupe des individus rétablis tous les jours.
Par exemple si la durée moyenne d’infection est de λ = 4 jours, en moyenne chaque
jour γ = 1/4 de la population infectée se rétablit (ou meurt).
Vocabulaire :

- β est appelé taux de transmission.

- λ est la durée moyenne d’infection.
- γ est appelé taux de guérison, il est égal à l’inverse de λ.

7
A noter β et λ caractéristiques non seulement de la maladie, mais aussi de la popu-
lation considérée pour une même maladie, ces valeurs peuvent varier en fonction de
la population touchée.

Ce mémoire est organisé de la façon suivante : Dans le premier chapitre, nous ex-
posons quelques définitions et outils mathématiques pour étudier la stabilité d’un
modèle SIR. Dans le deuxième chapitre on étudie la stabilité globale du modèle SIR
en utilisant la méthode de Lyapunov.

8
Chapitre 1

Préliminaire

1.1 Généralités sur les systèmes dynamiques

L’analyse mathématique des systèmes dynamiques résultant de la modélisation en
épidémiologie . Les systèmes différentielles étudiés dans ce mémoire 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 système dynamique monotone. Enfin nous allons présenter
la méthode de calcul du nombre de reproduction de base <0 . Nous aurons par la suite
besoin des définitions et notations suivantes.

Définition 1.1.1. Soit x = (x1 , x2 , ..., xn ), 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
(respectivement 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), ai,j > 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).[2]

Définition 1.1.2. :(Système dynamique à temps continu)

On appelle système dynamique à temps continu sur un ensemble Ω, une famille d’appli-
cation Φt , t ∈ R+ , paramétrée soit par l’ensemble R+ , des réels positifs ou nuls, soit par
l’ensemble R de tout les réels, et vérifiant les propriétés suivantes :

9
1.2. SYSTÈMES AUTONOMES

1. Chaque application Φt est définie sur un parie 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 paramètrise la famille des

applications 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.

1.2 Systèmes autonomes

Soit Ω un sous ensemble de Rn . Considérons l’équation différentielle autonome définie
par :

.
x = X(x) (1.1)

On suppose que X : Ω ⊂ Rn −→ Rn est continue et satisfait les conditions telles qu’une

solution du système (1.1) existe en tout point , est unique et dépend de manière continue
des conditions initiales.
Les états stationnaires ou point d’équilibre du système (1.1) sont les points x0 ∈ Ω satis-
faisant X(x0 ) = 0. Pour chaque x ∈ Ω, nous notons par Xt (x) la solution du système
(1.1) satisfaisant X0 (x) = x. Nous supposons que X satisfait des conditions telles que
Xt (x) est continue en (t, x).[2]

Définition 1.2.1. : (Trajectoire, orbite)

On appelle trajectoire d’un point x de Ω l’application Xx : t −→ Xt (x) ;
on appelle orbite d’un point x de Ω la partieγx = {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 queXT (x) = x.
On dit alors que T est une période de l’orbite périodique considérée.

Définition 1.2.2. On appelle orbite positive γ + (x0 ) issue de x0 l’ensemble {x(t, x0 ); t ≥

0}[2].

10
CHAPITRE 1. PRÉLIMINAIRE

Définition 1.2.3. :(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)estdéf inie} ;
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 −→ Xt (x) de x, lorsque t tend vers +∞.
On suppose que Ix non borné à gauche . On appelle ensemble α-limite de xet on note
α(x)l’ensemble des valeurs des valeurs d’adhérence de la trajectoire t −→ Xt (x), lorsque
t tend vers −∞.[2]

Définition 1.2.4. :( Bassin d’attraction d’un point d’équilibre)[2]

Soit x0 ∈ Ω un point d’équilibre du système (1.1).
On appelle bassin d’attraction du point x0 ∈ Ω l’ensemble des éléments x ∈ Ω tels que
pour tout t ∈ R+, Xt (x) soit définie 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 1.2.5. (Ensemble absorbant)

Supposons le système (1.1) et tel que X est de classe C1 et que Ω est un ouvert de Rn .
Supposons de plus que cette équation admet des solutions quel que soit t ≥ 0. un sous-
ensemble D de Ω est dit absorbant suivant (1.1) 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.[2]

Définition 1.2.6. :(Ensemble invariant)

Un sous-ensemble K de Ω est dit positivement (resp.négativement) invariant relativement
à (1.1) si x(t, K) ⊂ K pour tout t ≥ 0 (resp t ≤ 0), K est dit invariant si x(t, K) = K
pour tout t.
On considère le système non autonome

.
x = f (x, t), t ∈ Rn (1.2)

11
1.3. NOTIONS DE STABILITÉ ET POINT D’ÉQUILIBRE

Où la fonction f peut dépendre de la variable t.

Les ensembles α-limite et ω−limite sont des exemples d’ensembles invariants et absorbants.[3]

Définition 1.2.7. Un point x̄ ∈ Rn est appelé un point d’équilibre(également point cri-

tique,solution stable,...) de système (1.1) si f (x̄)=0.
Un point d’équilibre x̄est appelé point d’équilibre hyperbolique de (1.1) si aucune des va-
leurs propres de la matrice Df (x̄) n’a pas une partie réelle nulle.
On considère le système linéaire

.
x = Ax (1.3)

avec A = Df (x̄) alors Ax est appelé linéaire de(1.1) au point x̄.[3]

Théorème 1. Supposons que toutes les valeurs propres de Df (x̄)ont parties réelles négatives
alors le point d’équilibre x̄ du système (1.1)est localement asymptotiquement stable, et in-
stable si au moins une des valeurs propres a une partie réelle positive.

Définition 1.2.8. :(Système singuliers)

Les système singuliers sont des problèmes à données manquants ou des problèmes mal
posés.

Théorème 2. :(Lions-Magenes)[3]
Soit V un espace de Banach,A une forme bilinéaire, continue et coercitive sur V et L une
forme linéaire continue surV .
Alors, il existe un unique élément ū de V solution du problème variationnel suivant :

A(ū, v) = L(v)∀v ∈ V. (1.4)

1.3 Notions de stabilité et point d’équilibre

Définition 1.3.1. (Stabilité d’un point d’équilibre)
Soit x0 ∈ Ω un point d’équilibre du système (1.1)
On dit que x0 est un point d’équilibre stable pour (1.1) ou que le système (1.1) est stable
en x0 si pour tout  positif, il existe un nombre réel positif δ tel que pour tout x ∈ Ω avec
kx(0) − x0 k < δ, la solution Xt (x(0)) = x(t)

12
CHAPITRE 1. PRÉLIMINAIRE

Si de plus il existe δ0 tel que 0 < δ0 < δ et

kx(0) − x0 k ≤ 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 .[2]

Définition 1.3.2. (Point d’équilibre attractif )

Le point d’équilibre x0 est dit attractif (on dira aussi que le système (1.1) est attractif en
x0 ) s’il existe un voisinage D ⊂ Ω de x0 tel que pour tout condition initiale x commençant
dans D, la solution correspondante Xt (x) du système (1.1) est définie pour toute t ≥ 0et
tend vers x0 lorsque t tend vers l’infini. En d’autre termes,

lim Xt (x) = x0
t→+∞

Pour toute condition initiale x ∈ D ;

Le point x0 est dit globalement attractif si limt→+∞ Xt (x) = x0 pour toute condition initiale
x ∈ Ω.[2]

Définition 1.3.3. x0 est un point asymptotiquement stable pour le système (1.1) s’il est
stable et attractif.

Définition 1.3.4. (Équilibre globalement asymptotiquement stable)

Soit x0 ∈ Ω un point d’équilibre du système (1.1).

13
1.4. MÉTHODE DE CALCUL DE <0

Ce système est globalement asymptotiquement stable x0 ∈ Ω si il est à la fois stable,

attractif et son basin d’attraction estΩ tout entier.[2]

1.4 Méthode de calcul de <0

Cette technique a été élaborée d’abord par ”Diekman” et puis reprise par ”Van den
Driesache” et ”Watmough” pour les systèmes de dimension finie.
On considère un modèle épidémiologique comportant n compartiments

ẋi = fi (x) = Fi (x) + V+

i (x) − Vi (x)
−
(1.5)

xi , i ∈ {1, ..., n} est le nombre d’individus dans les compartiments qui sont ordonnés
de tel sorte que les m premiers compartiments sont correspondants à des états infectés
(latents, infectieux,...) et les derniers sont correspondant à des individus libres d’infection
(susceptible,...).[4]

Définition 1.4.1. Soit Ω = {x ≥ 0tellequexi = 0, i ∈ {1, ..., m}} l’ensemble de tous les
états sans maladie.

Remarque 1.4.1. Les fonction Fi (x) désignent le taux d’apparition des nouveaux infectés
dans le compartiment i.
Les fonctions V+
i (x) désignent le taux de transfert (entrant) des individus dans le com-
partiment i par tout autre cause.
Les fonctions V−
i (x) désignent le taux de transfert (sortant) des individus hors compar-
timent i. Pour des raisons biologiques les fonctions Fi (x), V+
i (x), Vi (x) sont supposées
−

vérifiant les hypothèses (A1 , ..., A5 ) suivantes :

A1 : Si x ≥ 0, alors Fi (x), V+
i (x), Vi (x) ≥ 0 pour tout i ∈ {1, ..., n}.
−

A2 : Si xi = 0, alors V−
i (x) = 0 en particulier si x ∈ Ω alors Vi (x) = 0 pour tout
−

i ∈ {1, ..., m}.

A3 : Si i > m, alors Fi (x) = 0.
A4 : Si x ∈ Ω, alors Fi (x) = V+
i (x) = 0 pour i ∈ {1, ..., m}.

A5 : Si Fi (x) = 0, le système admet un point d’équilibre x̄ localement asymptotique-

i − Vi )(x̄) possède des valeurs propres à parties réelles
−
ment stable c’est à dire D(V+
strictement négatives.

14
CHAPITRE 1. PRÉLIMINAIRE

Les fonctions Fi (x), V+

i (x), Vi (x) sont supposées être au moins deux fois différentiables.
−

On introduit le Lemme suivant pour utilité et pour ce faire, on se base de la référence

suivante[4]

Variable d’état, flux entrant et sortant lies au compartiment i

Définition 1.4.2. :
Un état du système x0 est sans maladie, si les compartiments des infectés sont vides .
C’est l’équilibre de mortalité : Disease Free Equilibrium (DFE).

Lemme 1.4.1. :[3] Soit x̄ est un DFE c’est à dire point d’équilibre sans maladie du
système (1.2) et les fonctions fi (x) vérifiant A1 , ..., A5 , alors les matrices
" # " #
F 0 V 0
DF(x̄) = , DV(x̄) =
0 0 J1 J1

se décomposant en blocs.
Où F ≥ 0 est une matrice définie positive et V c’est une matrice inversible
   
σF (x̄) σVi (x̄)
F = , ,V = , aveci, j = 1, ..., n
σxi σxi

Définition 1.4.3. :(Le nombre de reproduction de base <0 )

Le nombre de reproduction de base <0 est le rayon spectral c’est à dire le grand module
des valeurs propres de la matrice de prochaine génération est définie par :

<0 = ρ(−F V −1 )

15
1.5. MÉTHODE DE LYAPUNOV

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
compartiment 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 infecte au compartiment i produit des
infections dans le compartiment j, ainsi l’entrée (j, k) de −F V −1 est le nombre espéré
de nouvelle infection 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 <0 = ρ(−F V −1 ).[5]

Théorème 3. :
Soit le modèle de transmission de la maladie (1.2) avec fi (x) satisfaisant A1 ...A5 si x̄ est
un DFE du modèle (1.2) alors x̄ est globalement asymptotiquement stable si <0 < 1 et
instable si <0 > 1 .

1.5 Méthode de Lyapunov

Les fonctions de Lyapunov jouent un grand rôle dans l’étude de la stabilité des systèmes
dynamique .
Cette section est consacrée à quelques résultats dus à Lyapunov. Soit V : Ω ⊂ Rn −→ R
une fonction continue. -La fonction V est dit définie positive si V (x0 ) = 0 et V (x) > 0
dans un voisinage Ω0 de x0 pour tout x 6= x0 dans ce voisinage

-La fonction V est dit définie négative si −V est définie positive ;

-La fonction V est dit semi-positive si V (x0 ) = 0 et V (x) ≥ 0 dans un voisinage Ω0 de
x0 .[6]

Définition 1.5.1. (Fonction de Lyapunov)

Un fonction V : Ω −→ R est une fonction de Lyapunov pour le système (1.1) si elle
décroissante le long des trajectoires du système. Si V est de classe C1 , cela revient à dire
que sa dérivée V̇ par rapport au système (1.1) est négative sur Ω, c-à-d V̇ (x) ≤ 0 pour
tout x ∈ Ω.

Théorème 4. (Fonction de Lyapunov)

Si la fonction V est définie positive et V semi-définie négative sur Ω alors le point
d’équilibre x0 est stable pour la système (1.1).

16
CHAPITRE 1. PRÉLIMINAIRE

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 (1.1)

Ce théorème affirme que pour montre qu’un point d’équilibre x0 est stable, il suffit de
trouver une fonction de Lyapunov en ce point. Part ailleurs, pou 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 la principe de la salle qui sera énoncé dans la section suivante[2]

1.6 Le principe d’invariance de LaSalle

Théorème 5. (principe d’invariance de La Salle)
Soit Ω un sous-ensemble de Rn ; supposons que Ω est un ouvert positivement invariant
pour le système (1.1) en x0 . Soit V : Ω −→ R une fonction de classe C1 pour le système
(1.1) 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
continu dans E.
Alors,tout solution borné 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 finie positive, ni de sa dérivée V̇ d’être

17
1.6. LE PRINCIPE D’INVARIANCE DE LASALLE

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 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.[10]

18
Chapitre 2

Étude la stabilité globale du modèle

SIR

Le modèle SIR est un classique épidémiologie mathématique. Plus particulièrement,

Kermack et Mckendrick 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 modèle conceptuels (similaires
aux modèles proie-prédateur et espèces compétitives en écologie). Lorsqu’ une dynamique
vitale y est a ajoutée, le comportement asymptotique change. Quand le taux de morta-
lité est égal dans chaque compartiment S,I et R et un taux de natalité égal,la stabilité
globale des équilibre a été complètement étudiée dans [7],[8] En fait, la population to-
tale est constante, donc le système se réduit a un système plan. Ainsi, les méthodes de
plan de phase(Poincaré- Birkhoff ) et fonction de lyapunov pour la stabilité globale ont
été obtenues. Les modèles avec une population totale de taille variable sont souvent diffi-
ciles pour une analyse mathématique parce que la taille de la population est une variable
additionnelle qui est gouvernée par une équation différentielle. La stabilité globale des
équilibre d’un modèle SIR avec une population totale constante, en utilisant les fonctions
de lyapunov. 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 le système devient plan.
Dans ce chapitre, nous proposons un modèle plus réaliste avec une population constante.
Nous supposons, lequel est plus au mois observable, que la natalité compense la morta-
lité. Notre modèle traite avec des mortalités différentes, en particulier avec sur mortalité
due à la maladie. On note <0 le nombre de reproduction de base. Il est défini comme
le nombre de nouveaux cas d’infection causé des par un individu infecté dans une popu-

19
2.1. FORMULATION DU MODÈLE

lation susceptible. Nous prouvons dans ce chapitre la globale stabilité de l’équilibre sans
maladie DFE situation non épidémique si <0 ≤ 1 et nous prouvons qu’il existe un unique
équilibre endémique DFE situation épidémique <0 ≥ 1, qui est globalement asymptotique-
ment stable sur le domaine privé de la variété stable du DFE. L’analyse de la stabilité
des modèles SIR classiques est connue depuis 1976 [9],[7]. 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- Birkhoff. Les orbites périodiques
peuvent être exhibées en utilisant le critère de Dulac ou le critère de Busenberg et van den
Driessche. Dans la littérature récente, la méthode de Lyapunov a été utilisée avec succès
pour prouver la stabilité 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 dérivéeV̇ est seulement négative, le principale d’invariance de
Lasalle étend la méthode de Lyapunov dans certains cas. Cette fonction est très difficile
a trouver. Cependant, la classe de fonctions

Pn
V = i=1 ai (xi − x̄i log xi )

est utilisée. Cette fonction a une longue histoire dans l’application des modèle du type
Lotka- Volterra et a été découverte par Volterra lui- même, cependant il n’a pas utilisé
le vocabulaire et la théorie des fonction de Lyapunov. En 2002, Korobeinikov et Wake
ont utilisé ce type de fonction pour prouver la stabilité de modèle SIR en 2004. Dans la
première section, nous formulons le modèle et étudions la stabilité globale du DFE quand
<0 ≤1. En deuxième section,nous étudions la stabilité globale de l’équilibre endémique si
<0 > 1 . Nous déduisons des résultats pour les modèles SIR.

2.1 Formulation du modèle

Nous considérons un population N divisée en classes des individus susceptibles infec-
tieux et guéris (ou retirés), avec S(t),I(t)et R(t)leurs nombres au temps t, c’est-à-dire
N(t)=S(t)+I(t)+R(t). Nous supposons qu’il n’y pas de transmission verticale, donc tous
les nouveaux nés sont susceptibles. Nous supposons aussi que la natalité Λcompense les
mortalités. Donc Λ=µS+µI+µR.Le paramètre K est le taux de guérison.Notons que,dans
notre modèle, la maladie confère une immunité permanente.Le paramètreλ est le (per ca-
pita)taux de contact effectif des infectieux. Nous modélisons le contact par la loi d’action
de masse.
La dynamique de ce modèle est donne par le système[11] suivant :

20
CHAPITRE 2. ÉTUDE LA STABILITÉ GLOBALE DU MODÈLE SIR


λSI
Ṡ = − − µS + Λ


S+I



λSI (2.1)
I˙ = − (K + µ)I


 S+I
 Ṙ = KI − (µ + δ)R


où
N : la population totale
S :les susceptibles
I :les infectés
R :les récupérés
Λ :représente la natalité
λ :représente le taux d’infection
K : représente le taux de guérison
µ :représente le taux de natalité et de mortalité
δ :représente le taux de désinfection

La taille de la population est constante i.e :S + R + I = N .

Théorème 6. :
Soit Ω = {(S, I, R) ∈ R3+ /S + I + R ≤ N, S(0) > 0, I(0) > 0, R(0) > 0},alors les solutions
{S(t), I(t), R(t)} du ce système sont positive pour t ≥ 0.

preuve :

λSI
Ṡ = − − µS + Λ > 0 donc S(t) croissante ∀t donc S(t)≥ S(0) > 0 , ∀t ≥ 0
S+I

21
2.2. DÉTERMINATION DES POINTS D’ÉQUILIBRES :

De même pour
λSI
I˙ = − (K + µ)I > 0 donc I(t) croissante ∀t donc I(t)≥ I(0) > 0, ∀t ≥ 0
S+I
Ṙ = KI − (µ + δ)R > 0 donc R(t) croissante ∀t donc R(t)≥ R(0) > 0, ∀t ≥ 0

Remarque 2.1.1. On suppose que le taux de natalité est égal au taux de mortalité.

2.2 Détermination des points d’équilibres :

La recherche de points d’équilibres est très importante, car dans tout les cas les trajec-
toires ensemble de compartiments {S(t), I(t), R(t), t > 0} du système vont tendre asymp-
totiquement vers l’un des points d’équilibres quand t → +∞et celui-ci sera dit asymptoti-
quement stable. Ces points sont obtenus en posant


 Ṡ = 0


I˙ = 0


 Ṙ = 0

λSI
− − µS + Λ = 0


 S+I


⇒ λSI
− (K + µ)I = 0
 S+I


 KI − (µ + δ)R

= 0

λSI
− − µS = −Λ


S+I



 λS
⇒ ( − (K + µ))I = 0
 S+I

 KI
R =



µ+δ

λ − (K + µ)
D’après on trouve : I = 0 ou I = ( )S
K +µ
1ere cas : Pour I = 0
Λ
le point sans maladie est E0 = ( , 0, 0)
µ
λ − (K + I)
2eme cas : Pour I = ( )S
K +I
Λ λ − (K + µ) K λ − (K + µ)
le point endémique (avec maladie)est E1 = ( ,( )S, ( )S)
λ + µ − (K + µ) K +µ mu + δ K +µ

22
CHAPITRE 2. ÉTUDE LA STABILITÉ GLOBALE DU MODÈLE SIR

2.3 Calcul de <0 :

Pour calculer la valeur de<0 , nous allons utiliser les techniques de Van den Driessche
et Watmough[4].

Le nombre de reproduction de base <0 est donné par :

<0 = ρ(−F V −1 )est le rayon spectral de la matrice de la prochaine génération.

 
0 0
F =  λ λ 
I S
N N

λ
 
I +µ 0 
V =  N
0 k+µ

F est non négative, V est non singulière.  

Λ
On écrit les matrices jacobiennes F et V en point E0 = , 0, 0 sans maladie :
µ

!
+µ 0
VE0 =
0 k+µ

det(VE0 ) = µ(k + µ) ≥ 0

1
VE−1 = (comVE0 )t
0
detVE0
!
1 k+µ 0
=
µ(k + µ) 0 µ

23
2.3. CALCUL DE <0 :

Donc,

1
 
0
VE−1 =  µ
 
0 1 
0
k+µ

 
0 0
FE0 =  λΛ 
0
Nµ

Afin d’obtenir la matrice de prochaine génération :

  1 
00 0
 µ
F V −1 =  λΛ  

0 1 
Nµ 0
k+µ

 
0 0
=⇒  λΛ 
0
N µ(k + µ)

det(F V −1 − αI) = 0

0−α 0
=⇒ λΛ =0
0 −α
N µ(k + µ)

 α = 0
=⇒ λΛ
 α =
N µ(k + µ)

alors, on obtient

<0 = ρ(F V −1

 
λΛ
= max 0,
N µ(k + µ)
λΛ
=
N µ(k + µ)

24
CHAPITRE 2. ÉTUDE LA STABILITÉ GLOBALE DU MODÈLE SIR

2.4 Stabilité globale du DFE :

Notons que les système dynamiques sont très répandus en modélisation biologique, et
en particulier en épidémiologie. Dans beaucoup de modèle épidémiologique l’équilibre sans
maladie est stable lorsque’une quantité seuil, en l’occurrence le taux de reproduction de
base, est inférieure à 1.Lorsque cette même quantité dépasse 1 l’équilibre sans maladie
perd sa stabilité au profit d’un équilibre endémique.

 
λ
Pour le point sans maladie E0 = , 0, 0 de modèle SIR est :
µ
λΛ
• globalement asymptotique stable si <0 = <1
N µ(k + µ)
λΛ
• instable si <0 = >1
N µ(k + µ)

λΛ
Théorème 7. Si <0 = < 1 alors le DFE est globalement asymptotiquement
N µ(k + µ)
stable sur Ω.

Ω = (S, T, R) ∈ R3+ /S + I + R ≤ N, S(0) > 0, I(0) > 0, R(0) > 0



Démonstration. On considère la fonction de Lyapunov

V (S, I) = I,
V̇ = I˙
λ
= IS − (k + µ)I
N

<0 N µ(k + µ)
On remplace λ = .
Λ
25
2.4. STABILITÉ GLOBALE DU DFE :

on trouve,

<0 µ(k + µ)
V̇ = IS − (k + µ)I
 Λ 
<0 µ(k + µ)
= S − (k + µ) I
Λ
<0 µ
= (k + µ)( S − 1)I
Λ
<0 µ
= (k + µ)( S − 1)I ≤ 0
Λ

 I=0
V̇ = 0si Λ
 S = et<0 = 1
µ

Donc, le plus grand ensemble invariant contenu dans l’ensemble est

 
dV
L = (S, I) ∈ Ω/ =0
dt

qui est réduit au DFE. Puisque nous somme dans un compact positivement invariant,
Par le principe d’invariance de Lasalle, le DFE est globalement asymptotiquement stable
dans Ω.

Remarque 2.4.1. Contrairement aux théorème de Lyapunov, le principe d’invariance

de Lasalle ne requiert pas que la fonction V (x(t)) soit définie positive. Si le plus grand
ensemble invariant M, contenu dans l’ensemble E des points ou 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’inconvénient du principe de Lasalle, est qu’il prouve seule-
ment l’attractivité du point d’équilibre. Il est bien connu que dans les cas non linéaires,
l’attractivité n’implique pas la stabilité. Mais quand la fonctionV (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 condition additionnelles permettent, avec le prin-
cipe de Lasalle, de vérifier la stabilité asymptotique.Pour 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 asymptotique, a été obtenue

26
CHAPITRE 2. ÉTUDE LA STABILITÉ GLOBALE DU MODÈLE SIR

par Lasalle lui-même (Lasalle en 1968 complété dans 1976).

2.5 Stabilité globale de l’équilibre endémique :

On considère dans cette sous section le système suivant :


λSI
 Ṡ = −
 − µS + Λ
S+I
λSI
 I˙ =
 − (K + µ)I
S+I

¯ tel que :
Un équilibre pour système différent de DFE E1 = (S̄, I)
où

Λ
S̄ = ,
λ−k
λ
I¯ = ( − 1)S
k+µ

<0 N µ(k + µ)
On remplace λ =
Λ
Alors,

1
S̄ =
<0 N µ(k + µ) − Λk
et
< 0 Nµ − Λ
I¯ = .
Λ

Donc,E1 = (S̄, I) ¯ ce point d’équilibre est dans le simplexe

c-à-d :S̄ ≥ 0, I¯ ≥ 0, et S̄ + I¯ ≤ N
Si seulement si <0 > 1 clairement I¯ ≥ 0 ⇐⇒ <0 ≥ 1, tel que

I¯ ≥ 0
<0 N µ − Λ
=⇒ ≥ 0
Λ
<0 N µ
=⇒ −1 ≥ 0
Λ
<0 N µ
=⇒ ≥ 1
Λ
Λ
=⇒ <0 ≥ =1
Nµ
=⇒ <0 ≥ 1.

27
2.5. STABILITÉ GLOBALE DE L’ÉQUILIBRE ENDÉMIQUE :

Quand <0 = 1 cet équilibre coı̈ncide avec le DFE, Alors il existe un unique équilibre dans
l’intérieur du simplexe si seulement <0 > 1.

λΛ
Théorème 8. Si <0 = > 1, le DFE est instable et il existe un unique
(N µ(k + µ))
équilibre,
¯ est globalement asymptotiquement stable .
alors le point d’équilibre E1 = (S̄, I)

Démonstration. On pose la fonction candidat de Lyapunov

¯


V (S, I) = S − S̄lns) + (I − IlnI

qui vérifie les condition imposées :

V (S, I) ≥ 0
I − I¯ dI
   
dV S − S̄ ds
= +
dt S dt I dt
I − I¯
     
S − S̄ −λIS λIS
= − µS + Λ + S − (k + µ)I
S S+I I S+I
= B−A

¯
Tel que B = Λ + λI S̄ + µS̄ + (k + µ)I,
S̄ λS I¯
A = µS̄ + Λ + (k + µ)I + ,
S S+I
dV dV ¯ donc le plus grand
On conclut que si B < A alors ≤ 0 et = 0 si S = S̄, I = I,
dt dt
ensemble invariant contenu dans
 
dV
L = (S, I) ∈ Ω/ =0
dt

est réduit à l’équilibre endémique ainsi d’après le principe d’invariant La salle E1 =

¯ point endémique est globalement asymptotiquement stable dans Ω si B < A.
(S̄, I)le

28
CHAPITRE 2. ÉTUDE LA STABILITÉ GLOBALE DU MODÈLE SIR

Conclusion
Notre objectif dans ce travail est d’étudier les propriétés de stabilité globale des états
d’équilibres maladie -libre et endémique sous la dynamique du système (2.1) qui sont
entièrement déterminées par le taux de reproduction de base <0 .
La stabilité globale asymptotique de l’équilibre maladie-libre est facilement obtenue au
moyen de fonction de Lyapunov et du Principe d’Invariance de Lasalle pour <0 ≤1.
On a obtenu des formules pour lesquelles l’équilibre endémique est unique et le même
résultat de stabilité est obtenu pour cet état d’équilibre pour <0 > 1.

29
Bibliographie

[1] Kermack W.O, MCKENDRICK A.G A Contribution to the Mathematical

Theory of Epidemics. Proc. Rov Soc. Lond. A, 115,(1927)
[2] DERDEI BICHARA Étude de modèle épidémiologiques :Stabilité observation et
estimation de paramètres,tel.archives-ouvertes.fr/tel-01749335v2,(2013)
[3] YASSAMINA HAMADI Analyse et contrôle de quelques problèmes non linéaires
singuliers en épidémiologie,e-biblio.univ-mosta.dz,(2019)
[4] VAN DEN DRIESSCHE P,WATMOUGH J Reproduction numbers and
sub-threshold endemic equilbria for compartmental modele of disease transmis-
sion,Math.Biosci,(2002)
[5] DIEKMANN O A beginner’s guide to adaptive dynamics,in Mathema-
tical modelling of population dynamics.Vol.63,Banach Center Publ.,Polish
Acad.Sci.,Warsaw,(2004)
[6] KOROBEINIKOVA, WAKE G Lyapunov functions and global stability for SIR
and SIRS and SIS epidemiological modeles, Appl. Math. Lett. 15,(2002)
[7] H.W.HETHCOTE Qualitative analyse of communicable disease mo-
dels.,Math.Biosci.,(1976)
[8] Three basic epidemiological models,in Applied mathematical eco-
logy(Trieste,1986),vol.18 of Biomathematics,Springer,Berlin,(1989)
[9] The mathematics of infectious diseases, SIAM Rev.,42(2000)
[10] J.P.LASALLE The stability of dynamical systems,Society for Industrail and Applied
Mathematics, Philadelphia,Pa.,(1976)
[11] VINCENZO CAPASSO Mathematical Structures of Epidemic Sys-
tems.Springer.com(2008)

30