Un modelo matemático de los comienzos de la epidemia de

coronavirus en Francia.
Math. Model. Nat. Phenom. 15 (2020) 29

https://doi.org/10.1051/mmnp/2020015
https://hal.archives-ouvertes.fr/hal-02509142

Nicolas Baca ër

Institut de Recherche pour le Développement

Unidad de modelado matemático e informático de sistemas complejos

Les Cordeliers, París, Francia
[email protected]

Resumen

Estamos estudiando un modelo matemático SEIR de dos fases, inspirado en la epidemia actual de coronavirus. Si los contactos se
reducen a cero desde una determinada fecha T al comienzo de la epidemia, el tamaño final de la epidemia es cercano al número R
(T) de casos acumulativos, multiplicado por la reproducibilidad R de la epidemia Más generalmente, si los contactos se dividen
0

por el número q en el momento T , con R /q < 1, entonces el tamaño final de la epidemia está cerca de
0

R(T ) R (1 − 1/q)/(1 − R /q). Los parámetros del modelo se ajustan aproximadamente a los datos relacionados con el
0 0

coronavirus en Francia.

1. El modelo
Figura 1 muestra el número acumulado de casos confirmados de coronavirus en Francia entre el 25 de febrero y el 29 de marzo
a

de 2020; Estos datos incluyen tanto laboratorios de biología médica de la ciudad como pacientes hospitalizados [10]. Debemos
distinguir la fecha del 15 de marzo, de la cual se tomaron de repente medidas drásticas para detener la epidemia (cierre de escuelas,
restaurantes, etc.). Para estas tres fechas, el número acumulado de casos confirmados pasó de 13 a 5423 y luego a 40174. Figura 1 b

muestra los mismos datos en coordenadas logarítmicas, así como en líneas de regresión lineal. Hay tres períodos: en el primero,
que se extiende hasta el 6 de marzo, el crecimiento es rápido pero bastante irregular; en el segundo, que se extiende hasta el 15 de
marzo, el crecimiento es un poco más lento pero constante; en el tercero, desde el 16 de marzo, el crecimiento es lento pero
constante. Si ajustamos una línea en todos los dos primeros períodos, que se extiende del 25 de febrero al 15 de marzo,
encontramos que el número de casos aumenta exponencialmente con una tasa λ ≈ 0.31 por día (en rojo). El tiempo de duplicación
es (ln 2) / λ ≈ 2.2 días Si, por otro lado, nos limitamos al segundo período, con datos que están particularmente bien alineados en
una escala logarítmica, obtenemos λ ≈ 0.225 por día y un tiempo de duplicación de 3.1 días (en azul). Dado que los datos al
comienzo de la epidemia se ven perturbados por una gran parte de los nuevos casos importados y por los efectos estocásticos, la
segunda estimación es probablemente la más confiable. Para el tercer período, después de la implementación de medidas drásticas,
el tiempo de duplicación aumenta a 4.9 días.

Figura 1.a) Número acumulado de casos confirmados en Francia entre el 25 de febrero y el 29 de marzo de 2020,
según Santé publique France y [11]. b) Logaritmo natural de este número y líneas de regresión lineal.

Vamos a estudiar un modelo matemático inspirado en esta epidemia. Dividamos a la población francesa en cinco
compartimentos de acuerdo con una variante del modelo SEIR clásico (véase, por ejemplo, [3, p. 61]):

S : personas sanas
 E : personas infectadas en la fase latente, en otras palabras, aún no infecciosas
I: personas infecciosas sin protección
R : personas retiradas de la cadena de transmisión y contadas entre los casos confirmados
1

R : personas eliminadas de la cadena de transmisión pero no contadas.

2

Por lo tanto, cada uno de estos dos últimos compartimentos incluye tanto a los que aún son infecciosos pero aislados como a los
que ya no son infecciosos porque se recuperaron o murieron. Algunos pacientes tienen síntomas leves y permanecen en casa sin
hacerse la prueba, otros viven en hogares de ancianos y no se han hecho la prueba a pesar de las complicaciones o incluso la
muerte; estas categorías se encuentran en el compartimento R . Obviamente, podemos refinar este modelo hasta el infinito para
2

hacerlo más realista, pero hemos tratado de limitar el número de parámetros desconocidos tanto como sea posible; El objetivo
principal es también obtener un resultado teórico relacionado con el tamaño final de la epidemia.

Vamos a presentar algunas anotaciones:

N : la población total (se supone que es grande) para que N = S(t) + E(t) + I (t) + R (t) + R (t) 1 2

a : la tasa de contacto efectiva;

b : la tasa a la cual las personas infectadas latentes se vuelven infecciosas;

c : la tasa promedio a la que las personas infecciosas se aíslan y, por lo tanto, se eliminan de la cadena de transmisión;

f : la fracción de individuos infecciosos que se cuentan entre los casos confirmados en el momento del aislamiento (

0 ≤ f ≤ 1); Esta fracción puede variar con el tiempo, pero asumiremos por simplicidad que es constante.

Entonces
dS I
= − aS (1)
dt N
dE I
= aS − bE (2)
dt N
dI
= bE − cI (3)
dt
dR1
= f cI , (4)
dt
dR2
= (1 − f ) c I . (5)
dt

Para vincular a los datos en la Figura 1, R 1 (t) corresponde al número acumulado de casos confirmados en este momento t. Si
R(t) = R (t) + R (t) , observamos que
1 2

dR
= c I. (6)
dt

Deducimos de R 1
(0) = R2 (0) = 0

R1 (t) = f R(t), R2 (t) = (1 − f )R(t), ∀t ≥ 0.

Al comienzo de la epidemia, el número de casos sigue siendo muy pequeño en comparación con la población total, de modo que
S(t) ≃ N, que conduce a la linealización

dE dI
≃ a I − b E, = b E − c I.
dt dt

Los números E(t) y I (t) pero también los números R 1 (t) yR 2 (t) por lo tanto, tienden a crecer exponencialmente como e donde
λt

λ es el mayor valor propio de la matriz

−b a
( ). (7)
b −c

El polinomio característico es
2
λ + (b + c)λ + b(c − a) = 0. (8)

Entonces
2 2
−(b + c) + √ (b + c) − 4b(c − a) −(b + c) + √ (b − c) + 4ab
λ = = . (9)
2 2

[9] indica que el período de incubación, es decir, el período anterior al inicio de los síntomas, es de 5 a 6 días. El período de
latencia puede ser un poco más corto ya que uno puede volverse infeccioso antes de mostrar síntomas. La duración promedio en la
fase latente se fija en 4 días. Es 1/b. Entoncesb = 0,25 por día.
 El tiempo promedio en el compartimento infeccioso antes del aislamiento, que es 1/c , es más difícil de estimar porque depende
de muchos factores. Depende de las características biológicas del virus, de las características de los individuos, como su edad, pero
también de la velocidad con que se aíslan los casos, que varía de un país a otro. La epidemia en Francia ocurre cuando los
habitantes ya son conscientes de la existencia de la pandemia. Los pacientes pronto se aislaron. Algunas personas no son del todo
infecciosas. Otras personas son infecciosas varios días antes de ser aisladas. Suponga que el promedio es del orden de 1 día, la
forma del modelo implica que la distribución es exponencial. Este promedio se obtendría en un modelo más refinado si el 80% de
los infectados permaneciera infeccioso durante 0 días y si el 20% de los infectados permaneciera infeccioso durante 5 días antes de
ser aislado. En resumen, elegimos c = 1 por día.

De la fórmula (9) deducimos que

2 2
(2λ + b + c) − (b − c) λ
a = = (λ + c)(1 + ). (10)
4b b

que calcular numéricamente la tasa de contacto efectivo era de la tasa de crecimiento observada λ.

Imagine que las medidas de salud pública podrían dividir la tasa de contacto efectiva por un número k tal que k > 1. ¿Cuánto
debe valer al menos este número para detener la epidemia? Este valor mínimo se señala tradicionalmente R siguiendo a Lotka, 0

quien lo llamó "reproducibilidad" [6, p. 102]. Si a = a/R reemplaza a , la nueva tasa de crecimiento de la epidemia λ debe ser
′
0
′

cero Según la ecuación (8), esto lleva a c − a/R = 0 y para

0

a λ λ
R0 = = (1 + )(1 + ) ≃ 2,33
c b c

si usamos el valor numérico (λ ≃ 0,225 por día) sugerido por la curva de la epidemia de la figura 1. Visto incertidumbres en los
parámetros b y c , esto puede ser un valor aproximado.

De una manera más técnica (ver por ejemplo [7]), uno podría haber notado que R era también el radio espectral de la matriz
0

−1
0 a b 0
( )( ) .
0 0 −b c

Volvamos al modelo SEIR no lineal (1) - (6). Recordemos cómo determinar el tamaño final de la epidemia en ausencia total de
intervención; es una adaptación fácil y además conocida del método utilizado para el modelo SIR (véase, por ejemplo, [4, p. 76]).
Con la ecuación (1), tenemos
d a
ln S = − I (t).
dt N

Entonces al integrar t = 0 a las t = +∞,

∞
a
ln S(∞) − ln S(0) = − ∫ I (t) dt , (11)
N 0

donde S(∞) designa el límite cuando t → +∞ de la función S(t) . Esta función es decreciente y positiva. Con R(0) = 0 y la
ecuación (6), tenemos
∞

R(∞) = c ∫ I (t) dt. (12)

0

Además, tenemos en todo momento S(t) + E(t) + I (t) + R(t) = N . Si t → +∞ entonces la epidemia termina eventualmente:
E(t) → 0 y I (t) → 0. Entonces

S(∞) + R(∞) = N . (13)

Al combinar (11), (12) y (13), tenemos

a R(∞)
N − R(∞) = S(0) exp(− ).
c N

Al comienzo de la epidemia, solo había unas pocas personas infectadas en la población, por lo que S(0) ≃ N . La ecuación
implícita para el tamaño final de la epidemia se puede escribir como
R(∞) R(∞)
1 − ≃ exp(−R0 ), (14)
N N

que tiene la misma forma que para el modelo SIR [4]. Con R 0 ≃ 2,33 , encontramos R(∞)/N ≃ 87% . Solo se confirma una
fracción f de estos casos.
2. Segunda fase con intervención drástica.
Imagine que en una fecha determinada T , se toman medidas drásticas para que la nueva tasa de contacto efectiva se reduzca a
0. Suponga que en este instante hay un número acumulado de casos confirmados igual aR (T ). Por ejemplo, hubo 15,423 casos 1

acumulados el 15 de marzo, fecha en que las medidas relativas a las escuelas y los lugares públicos entraron en vigencia.
¿Podemos entonces predecir cuál habría sido el nuevo tamaño final de la epidemia bajo estos supuestos?R(∞), o al menos el
confirmado R (∞)?1

Hacia el final de la fase exponencial donde t ≤ T y donde el número total de casos todavía representa una pequeña parte de la
población total, tenemos
λt λt λt
E(t) ≃ u e , I (t) ≃ v e , R(t) ≃ w e ,

donde (u, v) es un vector propio asociado con el mayor valor propio de la matriz (7), es decir λ. Entonces−b u + a v = λ u. Con la
ecuación (10), tenemos
av λ + c
u = = v.
λ + b b

Pero dR/dt ≃ λR para t < T si t no está demasiado cerca de 0. Entonces

1 dR λ
I (T ) = (T ) ≃ R(T ).
c dt c

Con I (T ) ≃ v e λT
, se tiene
2
λT
λ + c λT
λ + c λ λ
E(T ) ≃ u e = ve ≃ I (T ) ≃ ( + )R(T ) .
b b bc b

Se supone que los contactos se reducen a cero. Tenemos para t > T

dS dE
= 0, = −b E, (15)
dt dt

mientras que las otras ecuaciones (3), (4) y (5) permanecen idénticas. Sin tener que resolver este sistema, el tamaño final de la
epidemia será R(∞) = R(T ) + E(T ) + I (T ). De hecho hay E(T ) + I (T ) individuos infectados que no están todavía en los
compartimentos R en el instante t . Entonces
2
λ λ λ λ λ
R(∞) ≃ R(T )(1 + + + ) = R(T )(1 + )(1 + ) = R0 R(T ) .
bc b c b c

Se tiene R 1 (t) = f R(t) . Entonces

R1 (∞) ≃ R0 R1 (T ).

Por lo tanto, si los contactos se reducen a cero desde una fecha determinada cercana al comienzo de la epidemia, lo
suficientemente cerca como para que la aproximación lineal siga siendo válida, pero no demasiado cerca para que el sistema
linealizado haya tenido tiempo de converger hacia el vector propio asociado con el primer valor propio, entonces el tamaño final
(confirmado o total) de la epidemia es cercano al obtenido multiplicando el número acumulado de casos (confirmado o total) en
esta fecha por La reproducibilidad de la epidemia. Se obtiene un resultado similar de la misma manera para un modelo SIR. En el
apéndice, notamos sin embargo que ya no es la reproducibilidad lo que determina el cociente R(∞)/R(T ) en modelos con un
período infeccioso que no se distribuye exponencialmente, sino una expresión más complicada.

Con R (T ) = 5 423 y R ≃ 2,33 , da R(∞) ≃ 12 600. Subrayar una vez más la incertidumbre alrededor de los parámetros b y
1 0

c , que se refleja en este resultado.

Observemos al pasar la analogía con el concepto de "potencial de crecimiento" de las poblaciones en la demografía [8, p. 176].
Es la relación entre la población estacionaria final y la población en un determinado instante si la fertilidad se divide
repentinamente en este instante por la reproducibilidad, de modo que la población queda con una tasa asintótica de crecimiento
cero. Como en nuestro cálculo, es suponiendo que la población inicial es "estable" en el sentido de Lotka (es decir, dada por el
primer vector propio) que Keyfitz obtuvo una fórmula relativamente simple para el potencial de aumentar Esta fórmula también
implica la reproducibilidad, aunque de una manera más complicada que para nuestro modelo SEIR [8, p. 179].

Tenga en cuenta también que la estimación de R(T ) + E(T ) + I (T ) de los datos R(T ) solo es análogo al problema que surgió
en las primeras etapas de la epidemia del VIH para estimar el número de personas que viven con el VIH a partir del número de
casos de SIDA reportados.

Figura 2 ilustra este modelo de dos fases. Tomamos N

a
= 65 × 10
6
(la población de Francia) y las condiciones iniciales

S(0) = N − 1, E(0) = 1, I (0) = 0, R(0) = 0. (16)

El parámetro a viene dado por la fórmula (10) con λ = 0,225 por día, como en la Figura 1. Hay poca información disponible sobre
el parámetro f . En retrospectiva, sabemos que una gran cantidad de muertes debido al virus en hogares de ancianos no se contaron
entre los casos confirmados al comienzo de la epidemia. Por ejemplo, elija f = 0.5 para la ilustración. Tomamos T = 43,2 días así
R (T ) ≃ 5 438 está cerca de los datos 5423 del 15 de marzo. Al continuar la simulación un poco más que en la figura,
1

encontramos numéricamente que R (∞)/R (T ) ≃ 2,33 ≃ R .

1 1 0

Figura 2. a) Ejemplo de simulación del modelo de dos fases. b) El cociente R 1

(∞)/R1 (T ) en función de T .

Figura 2 muestra cómo el cociente R (∞)/R (T )varía en función del tiempo T cuando la velocidad de contacto se reduce a
b
1 1

cero. De hecho, observamos una meseta donde este cociente está cerca de R . Si T → 0 entonces R (T ) → 0 y 0 1

R (∞) → f (E(0) + I (0)) > 0. Entonces R (∞)/R (T ) → +∞. El cociente se acerca R si T es del orden inverso de la
1 1 1 0

diferencia entre los dos valores propios de la matriz (7). Si por el contrario T → ∞ , entonces la intervención llega demasiado
tarde; la epidemia ya ha pasado y R (∞)/R (T ) → 1. Si N → +∞ entonces el ancho de la bandeja, donde R (∞)/R (T ) está
1 1 1 1

cerca de R , probablemente crece como (ln N )/λ, dado que este es, por ejemplo, el comportamiento del tiempo hasta el pico
0

epidémico en un modelo SIR con coeficientes constantes (ver [2] o [5, p. 12]).

3. Generalización
En realidad, la tasa de contacto efectiva ciertamente no es del todo cero para t > T . El valor obtenido para R(∞) Sin embargo,
puede considerarse como un límite inferior del valor real. Porque es seguro que el tamaño final de la epidemia será mayor con los
contactos que no son cero que con los contactos que son cero. Sobre este tema, debe recordarse que los modelos epidémicos del
tipo SIR o SEIR con una tasa de contacto variable no son "monótonos", en el sentido de que una reducción en la tasa de contacto a
veces puede conducir a un mayor tamaño final de la epidemia. [1]

Ahora considere el caso donde la velocidad de contacto no se reduce a 0 sino que se divide por un número q (q > 1) La
reducción a 0 corresponde al caso límite donde q → +∞. Tenemos para t > T ,
dS a I dE a I
= − S , = S − b E, (17)
dt q N dt q N

mientras que las ecuaciones (3), (4) y (5) siguen siendo las mismas. Por el mismo razonamiento que en la sección 1, tenemos para
t > T

1 dS a dR
= − .
S dt qcN dt

Deducimos, integrando entre t = T y t = +∞,

S(∞) R0 R(∞) − R(T )
ln = − ,
S(T ) q N

donde R 0
= a/c > 1 . Con S(∞) = N − R(∞) , se tiene

R(∞) S(T ) R0 R(∞) − R(T )

1 − = exp(− ). (18)
N N q N

Como en la sección 2, suponga que el tiempo T no es ni demasiado pequeño ni demasiado grande, es decir, en la meseta de la
figura 2 . Como primera aproximación, S(T ) ≃ N y R(T ) es pequeño en comparación con N . Entonces surgen dos casos.
b

Si 1 < q < R , entonces el argumento gráfico clásico [4] que consiste en dibujar los miembros izquierdo y derecho de la
0

ecuación (18) en función de R(∞)/N muestra que la solución R(∞)/N no es infinitesimal sino cercano a la solución
estrictamente positiva de la ecuación
R(∞) R0 R(∞)
1 − ≃ exp(− ). (19)
N q N

Si por el contrario q > R , entonces la solución R(∞)/N de la ecuación (18) es pequeño. Con
0

S(T ) = N − E(T ) − I (T ) − R(T ) y E(T ) + I (T ) + R(T ) ≃ R R(T ) , una aproximación al orden 1 del exponencial en la
0

ecuación (18) conduce a

R(∞) R0 R(T ) R0 R(∞) − R(T )

1 − ≃ [1 − ] [1 − ].
N N q N

Al descuidar 1/N , encontramos que

2

R(∞) R0 R(T ) R0 R(∞) − R(T )

1 − ≃ 1 − − .
N N q N

Finalmente
1 − 1/q
R(∞) ≃ R(T ) R0 . (20)
1 − R0 /q

Si q → +∞ entonces encontramos que R(∞) ≃ R(T ) R . También notamos que (1 − 1/q)/(1 − R

0 0 /q) > 1 , como debe ser. Una
fórmula idéntica a (20) se une R (∞) y R (T ).
1 1

La Figura 3 muestra con una línea continua, dependiendo del parámetro q , el tamaño final de la epidemia en una escala
logarítmica, obtenida por simulación numérica del sistema (1) - (6) parat < T con las condiciones iniciales (16) y del sistema (17)
para t > T . Como en la figura 2 , la población total es N = 65 × 10 y el parámetro a viene dado por la fórmula (10) con
a 6

λ = 0,225 por día ; tomamos de nuevo f = 0,5 y T = 43,2 días así R (T ) ≃ 5 438. La figura también muestra con círculos
1

pequeños el valor de la fórmula (20) para q > R . Finalmente, muestra con diamantes pequeños la solución estrictamente positiva
0

de la ecuación (19) paraq < R . Vemos que las dos aproximaciones dejan de ser válidas cerca del umbral (q = R )
0 0

Figura 3 ln(R(∞)/N ) en función de q (línea continua), en comparación con la fórmula (20) (círculos pequeños)
válida para q > R y con la solución de la ecuación (19) (diamantes pequeños) válida para q < R .
0 0

Tenga en cuenta que el tamaño final de la epidemia varía en varios órdenes de magnitud cuando el parámetro q está cerca de R 0

. Como es difícil de cuantificar, predecir el tamaño final de la epidemia también es difícil en esta área. Solo si el parámetro q es
significativamente mayor que R que el pronóstico con la fórmula (20) se vuelve menos sensible al valor de q .
0

4. Estimación del parámetro q

Tratemos de estimar el parámetro q ajustando una simulación del modelo a los datos después del 15 de marzo, incluidos
aquellos hasta el 15 de abril que no se muestran en la Figura 1. [10] sin embargo advierte que "el número de casos confirmados en
Francia ya no refleja satisfactoriamente la dinámica de la epidemia ", dado que" los pacientes con signos de COVID-19 ya no son
confirmados sistemáticamente por una prueba biológica ".
 Partimos de los datos R (T ) = 5 423 y relaciones R(T ) = R (T )/f y R (T ) = (1 − f )R(T ). Como los datos de los 8 días
1 1 2

anteriores están particularmente bien alineados, comenzamos la simulación de nuestro modelo con R(T − τ ) = e R(T ) donde
−λτ

λ = 0,225 por día y τ = 8 días, y con las estimaciones correspondientes I (T − τ ) ≃ R(T − τ ),

λ

c
2

)R(T − τ ) y S(T − τ ) = N − E(T − τ ) − I (T − τ ) − R(T − τ ).

λ λ
E(T − τ ) ≃ ( +
bc b

Para t > T , la tasa de contacto efectiva es a/q. Estamos tratando de ajustar el número de casos confirmados a los datos hasta el
15 de abril. El mejor ajuste está alrededor q = 1,7. Este valor está por debajo del umbral. R . Parece que las medidas de
0

contención siguen siendo insuficientes. Pero los últimos puntos en la figura muestran que la brecha con el modelo está creciendo
en la dirección de una desaceleración de la epidemia real. El valor de f elegido puede no ser apropiado o puede haber variado
durante la epidemia. O tal vez el modelo es un poco demasiado simplista; en particular, se espera que una distribución no
exponencial de los tiempos pasados en los diferentes compartimientos influya en el momento en que la curva comienza a doblarse.

Figura 4. Logaritmo natural del número de casos confirmados entre el 7 de marzo y el 15 de abril (círculos pequeños,
datos de Santé publique France [11]) y ln(R (t)) en función del tiempo t en 4 simulaciones de arriba a abajo
1

q ∈ {1,5; 1,7; 2; 2,5}.

En conclusión, exploramos un escenario de dos fases donde la tasa de contacto se reduce a partir de una fecha determinada.
Encontramos una fórmula aproximada simple para el tamaño final de la epidemia basada en el número de casos detectados en el
momento de la reducción. Sin embargo, queda por establecer y demostrar este resultado de manera más rigurosa, probablemente
haciéndolo aparecer como un resultado asintótico cuando N → +∞.

Agradecimientos

Gracias Hisashi Inaba, Ali Moussaoui y Frédéric Hamelin por sus comentarios sobre el manuscrito.

Anexo
Considere un modelo SIR con un período infeccioso que no esté necesariamente distribuido exponencialmente, con las anotaciones

: la densidad de personas infectadas de x unidades de tiempo a tiempo t

I (t, x)

a(x) : la tasa de contacto efectiva;

b(x) : la velocidad a la que las personas infectadas dejan de transmitir la infección.

Tenemos al comienzo de la epidemia

∞

I (t, 0) ≃ ∫ a(x) I (t, x) dx

0

∂I ∂I
+ = − b(x) I (t, x)
∂t ∂x
∞
dR
= ∫ b(x) I (t, x) dx
dt 0

Deducimos, como en la teoría de la población estable de Lotka [6] que

x
λt −λx−∫ b(y) dy
I (t, x) ≃ k e e 0
donde k es una constante y la tasa de crecimiento λ es la única solución a la ecuación
∞
x
−λx−∫ b(y) dy
1 = ∫ a(x)e 0
dx.
0

Si I (t) = ∫ 0
∞
I (t, x) dx , el problema es estimar I (T ) + R(T ) a partir de R(T ). Pero
∞ ∞
dR λT −λx−∫
x
b(y) dy
λR(T ) ≃ (T ) = ∫ b(x) I (T , x) dx ≃ ∫ b(x) k e  e 0
dx.
dt 0 0

Deducimos que
−λT
λR(T )e
k ≃ x
.
∞
−λx−∫ b(y) dy
∫ b(x) e 0 dx
0

Finalmente
x
∞
−λx−∫ b(y) dy
I (T ) + R(T ) λ∫ e 0
0
≃ x
+ 1.
∞
−λx−∫ b(y) dy
R(T ) ∫ b(x) e 0
0

Vemos que este resultado no tiene una razón particular para coincidir con R = ∫ a(x) e dx. En el caso especial donde
∞ −∫ b(y) dy
0
0
0

las tasas son constantes, con a(x) ≡ a y b(x) ≡ b sin embargo λ = a − b y entonces (I (T ) + R(T ))/R(T ) ≃ + 1 = = R . λ

b
a

b
0

Referencias

1. Bacaër N. ,  Gomes M. G. M.  (2009) Sur la taille f inale des épidémies avec saisonnalité.

Bull.  Math.  Biol.  71 : 1954 − 1966. https://hal.archives-ouvertes.fr/hal-01299608

2. Bacaër N.  (2020) Sur le pic épidémique dans un modèle S − I − R, Quadrature 117 : 1 − 4. https://hal.archives-

ouvertes.fr/hal-02518993
3. Corlosquet − Habart M. ,  Janssen J. ,  Manca R.  (2012) Modélisation stochastique du risque de pandémie  :
′
stratégies de couverture et d assurance. Lavoisier,  Cachan.

4. Hillion A.  (1986) Les Théories mathématiques des populations. Presses Universitaires de France,  Paris.

5. Lauwerier H. A.  (1984) Mathematical Models of  Epidemics. Mathematisch Centrum,  Amsterdam.
6. Lotka A. J.  (1939) Théorie analytique des associations biologiques,  2e partie. Hermann,  Paris.
7. Nkague Nkamba L.  (2012) Robustesse des seuils en épidémiologie et stabilité asymptotique 
′
d un modèle à inf ectivité et susceptibilité dif f érentielle.

Thèse,  Université de Lorraine et Université Gaston Berger.

8. Pressat R.  (1995) Éléments de démographie mathématique. AIDELF,  Paris.

9. Sansonetti Ph.  (2020) Covid − 19 ou la chronique d une émergence annoncée. ′

Exposé,  Collège de France,  18 mars 2020.

10. Santé publique France (2020) Covid − 19,  point épidémiologique hebdomadaire du 09 avril 2020.

www.santepubliquefrance.fr
11. https://fr.wikipedia.org/wiki/Pand%C3%A9mie_de_Covid-19_en_France