Titre : Comment les modèles mathématiques permettent-ils de prévoir l’évolution d’une
épidémie ?
Introduction (1 min 30)
Dans notre monde complexe, les mathématiques permettent de modéliser de nombreux phénomènes
réels : la météo, la finance, le trafic routier... Mais qu’en est-il d’une épidémie ?
Depuis l’antiquité, les maladies infectieuses inquiètent les sociétés. Aujourd’hui, grâce aux
mathématiques, on peut prédire, simuler et anticiper leur évolution. Cela repose sur une traduction du
réel en variables, fonctions et équations.
Problématique : Face à l’incertitude, comment les mathématiques peuvent-elles éclairer les choix
sanitaires ?
Nous verrons :
1. Les fondements mathématiques des épidémies,
2. Leur application concrète à la COVID-19,
3. L’utilité stratégique de ces modèles lors de l’épidémie d’Ebola,
4. Enfin, leurs limites et perspectives.
I. Fondements mathématiques des épidémies (2 min 30)
A. Croissance exponentielle et suites géométriques
Lorsque l’on débute une épidémie, chaque personne infectée contamine en moyenne R0 personnes.
On modélise cela par une suite géométrique :
un+1 = R0 × un ⇒ un = u0 × R0n
C’est-à-dire que le nombre d’infectés augmente de plus en plus vite si R0 > 1 . Cette modélisation est
très simple mais puissante pour les premiers jours d’une épidémie.
Exemple : Au début du COVID-19, R0 ≈ 3 . Le nombre de cas doublait tous les 3 jours, ce qui signifie
une croissance explosive : en 30 jours, on peut passer de 100 à plusieurs centaines de milliers de cas.
Lien programme : Suites géométriques, croissance exponentielle.
Mais ce modèle suppose que toute la population est susceptible d’être infectée, ce qui n’est pas réaliste
à long terme. Il faut donc affiner...
B. Le modèle SIR : équations différentielles
1
On divise la population en trois catégories : - S(t) : les susceptibles (encore sains, mais exposés) - I(t) :
les infectés (peuvent transmettre la maladie) - R(t) : les retirés (guéris ou décédés)
Ces fonctions sont dérivables, ce qui permet d’étudier leur évolution à chaque instant.
Le modèle SIR repose sur un système d’équations différentielles :
⎧ dS = −βSI
dt
⎨
dI
= βSI − γI
dt
⎩
dR
= γI
dt
Où : - β est le taux de transmission (par contact par jour) - γ est le taux de guérison (inverse de la durée
d'infection)
βS(0)
On retrouve : R0 = γ
Interprétation qualitative : - Tant que dI
dt > 0 , l’épidémie progresse. - Le pic est atteint quand
dI
dt = 0 . - Ensuite dI
dt < 0 , le nombre d’infectés diminue.
Lien programme : Dérivée d’une fonction, signe, équation différentielle.
Schéma : Tracer l’allure des courbes de S(t) , I(t) , et R(t) .
II. Cas d’application : COVID-19 (2 min)
Paramètres clés : - R0 ≈ 2,5 - Durée d’incubation : 5 jours en moyenne - Forte proportion de cas
asymptomatiques
Analyse statistique : - Utilisation des médianes, quartiles et écart-types pour caractériser la population
touchée
Ajustement des paramètres β et γ On ajuste les équations du modèle aux données réelles avec la
méthode des moindres carrés. On minimise une fonction objectif : somme des carrés des écarts entre
les données observées et les valeurs prédites par le modèle.
Lien programme : optimisation, minimum local, condition f ′ (x) =0
Simulation de scénarios : - Sans confinement : propagation rapide - Avec confinement : β diminue,
donc R0 diminue, la courbe s’aplatit
III. L’exemple stratégique d’Ebola (3 min)
A. Contexte : 2014-2016, Afrique de l’Ouest. Épidémie grave : mortalité élevée, contagiosité plus faible
que COVID.
2
Problème : Les cas réels sont souvent sous-déclarés. Utilisation de la probabilité conditionnelle pour
estimer les vrais chiffres : P (A∣B)
B. Modèle stochastique et loi binomiale Chaque malade contamine un nombre aléatoire de
personnes : X ∼ Bin(k, p) - E(X) = kp , Var(X) = kp(1 − p) - Le hasard devient essentiel, surtout
quand les nombres sont petits
Simulation Monte-Carlo : On tire au hasard des cas selon une distribution pour générer de nombreux
scénarios. Cela donne un intervalle de confiance.
C. Aide à la décision - On modélise l’impact de l’ouverture d’un centre de traitement (baisse de β)-
Comparaison : courbes avec et sans centre - Objectif : R0 < 1 pour faire chuter I(t)
γ
Seuil critique : β = S(0)
Lien programme : analyse du signe de dI
dt , lecture graphique
IV. Limites et ouvertures (1 min)
Limites des modèles : - Population non homogène - Retards de déclaration, incertitudes
Pistes d’amélioration : - Modèles en réseau (graphe, métapopulations) - Intelligence artificielle pour
calibrer les paramètres
Aspects éthiques : - Ne pas cacher l’incertitude - Ne pas faire de prédictions définitives, mais informer
Ouverture : Les mêmes méthodes sont utilisées dans les prévisions climatiques, en finance, pour
contrer la désinformation...
Conclusion (30 s)
Les mathématiques – suites, équations différentielles, probabilités – permettent de transformer une
épidémie en un modèle.
Elles ne disent pas ce qui va arriver, mais donnent des scénarios possibles pour guider les décideurs.
Phrase finale : Dans un monde incertain, les mathématiques demeurent notre meilleur GPS.