Processus de branchement multitypes conditionn´ es ` a l’extinction tardive
et illustration en analyse des risques ´ epid´ emiologiques
Sophie P´ enisson
IRTG SMCP Berlin / Universit´e de Potsdam INRA Jouy-en-Josas
Neuvi`eme Colloque ”Jeunes Probabilistes et Statisticiens”
Le Mont-Dore 3-7 mai 2010
rtg s cp
Sophie P´enisson (Berlin / INRA) Processus de branchement en ´epid´emiologie 1 / 22
Plan
1
Processus de branchement multitype Introduction
Quelques propri´ et´ es
2
Mod´ elisation en ´ epid´ emiologie: exemple de l’ESB
3
Quantification de l’infection
4
Analyse des risques li´ es ` a une extinction tr` es tardive Trajectoires conditionn´ ees ` a une extinction tr` es tardive Estimation et pr´ ediction
5
Un mot sur le processus de diffusion de Feller
Processus de branchement multitype Introduction
Processus de branchement multitype
Processus de Bienaym´ e-Galton-Watson (BGW) d types de particules
processus de Markov ` a valeurs dans
Ndn type 1
type 2
= (3,0)
X3
= (1,1)
X0
distribution de la descendance
(p1(k))k∈N2,(p
2(k))
k∈N2p
i(k
1, k
2)= probabilit´ e qu’une particule de type i donne naissance ` a k
1particules de type 1 et k
2particules de type 2
Sophie P´enisson (Berlin / INRA) Processus de branchement en ´epid´emiologie 3 / 22
Propri´ et´ e de branchement
= propri´ et´ e additive
~ +
Processus de branchement multitype Quelques propri´et´es
Extinction vs. explosion
matrice moyenne M
m
ij:= nombre moyen de descendants de type j pour une particule de type i
Th´ eor` eme de Perron-Frobenius
⇒si
∃ntel que M
n> 0 alors M a une valeur propre maximale r´ eelle ρ qui est > 0 et simple
Le processus est alors dit irr´ eductible. Sous cette hypoth` ese:
Th´ eor` eme
P
n→∞
lim X
n= 0
+
Pn→∞
lim X
n=
∞= 1
P
n→∞
lim X
n= 0
= 1
⇐⇒ρ
61
ρ < 1: processus sous-critique ρ = 1: processus critique ρ > 1: processus sur-critique
Sophie P´enisson (Berlin / INRA) Processus de branchement en ´epid´emiologie 5 / 22
Mod´ elisation en ´ epid´ emiologie: exemple de l’ESB
Maladie SEIR
exposed clinical case
INCUBATION INFECTION
horizontal or vertical
slaughtered susceptible
Mod´elisation en ´epid´emiologie: exemple de l’ESB
Probl´ ematique
quantification de l’infection persistant apr` es la suppression des farines animales
ann´ ee d’extinction de l’´ epid´ emie
´
evolution de l’´ epid´ emie en cas d’extinction tr` es tardive Remarque: les ´ etats de sant´ e S et E sont indiff´ erentiables
clinical cases apparently healthy
animals
But: construire un mod` ele bas´ e sur l’incidence des cas cliniques Non rigoureux:
mod` ele d´ eterministe
mod´ elisation stochastique directe des cas cliniques
Sophie P´enisson (Berlin / INRA) Processus de branchement en ´epid´emiologie 7 / 22
Plus rigoureux: mod´ elisation stochastique de tous les ´ etats de sant´ e
n+3 n+2
n n+1
infected by A
infected by B A
B
C
Mod´elisation en ´epid´emiologie: exemple de l’ESB
Mod` ele limite (C.Jacob)
Obtenu lorsque la population totale initiale temps vers
∞Hypoth` eses cl´ es: maladie SEIR rare, infection de type Reed-Frost X
n:= incidence de cas cliniques pour l’ann´ ee n
Xn
=
d
X
k=1 Xn−k
X
i=1
Yn−k,n,i
,
{Yn−k,n,i}ii.i.d. Y
n−k,n,i∼ PoissonD
(Ψ
k(θ
0))
n n+1 ... n+d time
Y ~ Poiss ( Ψ )n,n+1,1 1 ...
Y ~ Poiss ( Ψ )n,n+d,1 d
Sophie P´enisson (Berlin / INRA) Processus de branchement en ´epid´emiologie 9 / 22
Ψ
k(θ
0) :=
θ0P
inc.(k )
Pd+1i=k+1
S
iPd+1
j=1
S
j+ p
mat.P
inc.(k) S
k+1 Pd+1j=1
S
j.
d = 9, 10 ans ´ etant l’ˆ age maximal observ´ e pour l’abattage du b´ e´ etail
θ0= param` etre inconnu d’infection horizontale persistante apr` es la suppression de farine animale en 1989 (θ
0= nb moyen par infectieux et par an d’animaux infect´ es via ingestion de prions excr´ et´ es par d’autres animaux vivants);
p
mat.= param` etre d’infection maternelle (proba pour un nouveau-n´ e de m` ere infectieuse d’ˆ etre infect´ e ` a la naissance);
S
k= proba pour un animal apparemment sain de survivre au moins k ann´ ees;
P
inc.(k ) = proba que la p´ eriode d’incubation intrins` eque soit de k
ann´ ees.
Mod´elisation en ´epid´emiologie: exemple de l’ESB
X
nprocessus
d-Markovien 1-dimensionnel, de loi de transition
X
n|(Xn−1, . . . , X
n−d)
∼ PoissonDd
X
k=1
X
n−kΨ
k(θ
0)
!
,
ou X
n:= (X
n, X
n−1, . . . , X
n−d+1) processus 1-Markovien
d-dimensionnel, X
n|Xn−1 D∼
(P oisson (X
n−1·Ψ(θ
0)) , X
n−1, . . . , X
n−d+1) .
Proposition
X
nest un processus de branchement ` a d types.
Matrice moyenne
M(θ
0) =
Ψ
1(θ
0) 1 0 . . . 0 Ψ
2(θ
0) 0 1 . . . 0 .. . .. . . .. ...
Ψ
d−1(θ
0) 0 . . . . . . 1 Ψ
d(θ
0) 0 . . . . . . 0
Sophie P´enisson (Berlin / INRA) Processus de branchement en ´epid´emiologie 11 / 22
On a [M(θ
0)]
d> 0. Soit ρ la plus valeur propre maximale de M(θ
0). Alors
ρ
61
⇐⇒d
X
k=1
Ψ
k(θ
0)
61.
On peut ´ ecrire
Ψ
k(θ
0) = a
kθ
0+ b
k, o` u a
ket b
ksont connus. Alors
Proposition
extinction p.s. de l’´ epid´ emie
⇐⇒d
X
k=1
Ψ
k(θ
0)
61
⇐⇒
θ
0 61
−Pd k=1b
k Pdk=1
a
k '23.
Quantification de l’infection
Estimation du param` etre d’infection θ
0Conditional Least Squares Estimator θ
bX0:= arg min
θ n
X
k=1
[X
k −Eθ(X
k|Xk−1)]
2a
·X
k−1.
Proposition (S.P.)
X0
lim
→∞θ
bX0 p.s.= θ
0,
lim
X0→∞
sPn k=1
Pd
i=1
a
iX
k−iσ
2( θ
bX0)
θ
bX0−θ
0 D=
N(0, 1) .
o` u m
ij(k)(θ) denote l’entr´ ee (i, j ) de la matrice [M(θ)]
k, et
σ
2(θ) := θ +
Pnk=1
Pd j=1
Pd
i=1
b
im
ji(k−1)(θ)
Pnk=1
Pd j=1
Pd
i=1
a
im
(kji −1)(θ) .
Sophie P´enisson (Berlin / INRA) Processus de branchement en ´epid´emiologie 13 / 22
R´ esultats num´ eriques
|X0|
=
|Xobs1997|= X
1997obs+ . . . + X
1989obs= 167977 θ
bX0= 2.4486
P
θ
0 ∈[2.4000 ; 2.4971]
'
0.95
Conclusion
Existence d’une source d’infection horizontale persistant apr` es 1989, mineure mais non-nulle. Nb moyen d’animaux infect´ es par cette voie est seulement de qques unit´ es par infectieux et par an (infection par farines animales de l’ordre de 1000).
Permet l’estimation de l’ann´ ee d’extinction de l’´ epid´ emie, du nombre de
cas ` a venir etc.
Analyse des risques li´es `a une extinction tr`es tardive Trajectoires conditionn´ees `a une extinction tr`es tardive
Conditionnement ` a une extinction tr` es tardive
But: Etude des trajectoires ` ´ a extinction tr` es tardive:
P
(X
n= .
|X
n+k 6=0) , k tr` es grand.
Approximation par
P
(X
∗n= . ) := lim
k→∞P
(X
n= .
|X
n+k 6=0) .
Proposition (A.Joffe & S.Dallaporta (2008)) Supposons ρ
61. Alors
P
X
∗n+1= j|X
∗n= i
= 1 ρ
j
·ξ(θ0)
i
·ξ(θ0)
P(X
n+1= j|X
n= i) , o` u
ξ(θ0) est le vecteur ` a droite normalis´ e de M(θ
0) pour ρ.
X
∗nest le
Q-processusassoci´ e ` a X
n.
Sophie P´enisson (Berlin / INRA) Processus de branchement en ´epid´emiologie 15 / 22
Quasi-stationnarit´ e et stationnarit´ e
Th´ eor` eme (A.Joffe & F.Spitzer (1967)) Supposons ρ < 1, alors
ν
θ0(j) := lim
n P
(X
n= j
|X
0= i, X
n6=0) existe, ne d´ epend pas de i, et est une mesure de probabilit´ e.
On appelle la mesure de probabilit´ e ν
θ0la limite de Yaglom.
Proposition (A.Joffe & S.Dallaporta (2008))
Supposons ρ < 1 et
E(X
1ln X
1) <
∞. AlorsX
∗nest r´ ecurrent positif de probabilit´ e stationnaire
π
θ0(j) := j
·ξ(θ0)ν
θ0(j)
Pk∈Nd
k
·ξ(θ0)ν
θ0(k) .
Analyse des risques li´es `a une extinction tr`es tardive Trajectoires conditionn´ees `a une extinction tr`es tardive
Application au processus ´ epid´ emiologique
Rappel: le processus X
na pour loi de transition X
n|Xn−1 ∼ PoissonD(X
n−1·Ψ(θ
0)) . Le Q-processus associ´ e X
∗nv´ erifie alors:
Proposition (S.P.)
X
n∗|X∗n−1∼ PoissonDX
∗n−1·Ψ(θ
0)
∗ B ξ1
(θ
0)X
∗n−1·Ψ(θ0)
ξ1(θ
0)X
∗n−1·Ψ(θ0) +
Pdi=2Xn−i+1∗ ξi
(θ
0)
!
.
Sophie P´enisson (Berlin / INRA) Processus de branchement en ´epid´emiologie 17 / 22
Simulation d’une trajectoire du processus X
n(en rouge) et du processus X
n∗(en bleu), pour le mˆ eme param` etre d’infection θ
0= θ
bX0= 2.4486.
0 5 10 15 20 25 30 35
number of clinical cases
Analyse des risques li´es `a une extinction tr`es tardive Estimation et pr´ediction
Estimation et pr´ ediction
θ
bn∗:= arg min
θ n
X
k=1
X
k∗−EθX
k∗|X∗k−12a
·X
∗k−1Proposition (S.P.)
n→∞
lim θ
bn∗ p.s.= θ
0,
n→∞
lim
sn
Pj∈Nd
f
∗(θ
0, j)π
θ0(j)
Pj∈Nd
g
∗(θ
0, j)π
θ0(j)
b
θ
n∗−θ
0D
=
N(0, 1) .
n = 11 θ
b∗n= 2.4472
P
θ
0 ∈[2.3988 ; 2.4956]
≈
0.95
Sophie P´enisson (Berlin / INRA) Processus de branchement en ´epid´emiologie 19 / 22
Simulation de 1000 trajectoires de X
n∗` a partir de 2009
0 10 20 30 40 50 60 70 80
number of clinical cases
maximum 97.5% quantile median 2.5% quantile minimum
Diffusion de Feller
Un mot sur le processus de diffusion de Feller
Proposition (N.Champagnat & S.Roelly (2008) / S.P. (2010))
SoitPla loi d’un processus de diffusion de Feller (resp. d’un BGW `a temps continu) multitype, irr´eductible et (sous-)critique (ρ60). Alors la loi du Q-processus associ´e, d´efini par
∀t>0, ∀B ∈ Ft, P∗(B) := lim
θ→∞P(B |Xt+θ6=0)
est une h-transform´ee de Doob deP, satisfaisant: pour tout t>0 etx∈Rd+
(resp. x∈Nd),x6=0,
P∗x|Ft = Xt·ξ
x·ξ e−ρt Px|Ft.
Proposition (S.P.)
De mˆeme que la diffusion de Feller multitype peut-ˆetre obtenue comme limite de BGW multitypes, le Q-processus associ´e peut-ˆetre obtenu comme limite de Q-processus associ´es aux BGW.
Sophie P´enisson (Berlin / INRA) Processus de branchement en ´epid´emiologie 21 / 22
Champagnat, N. andRœlly, S.(2008). Limit theorems for conditioned multitype Dawson-Watanabe processes and Feller diffusions.Electron. J. Probab.
13, 777–810.
Dallaporta, S.andJoffe, A.(2008). TheQ-process in a multitype branching process. Int. J. Pure Appl. Math.42, 235–240.
Jacob, C., Maillard-Teyssier, L., Denis, J. B. andBidot, C.(2009). A branching process approach for the propagation of the BSE in Great-Britain. In Branching processes and their Applications, Lecture Notes in Statistics, Springer-Verlag, 227–242.
A. Joffe, A.andSpitzer, F.(1967). On multitype branching processes with ρ61.J. Math. Anal. Appl.19, 409–430.
P´enisson, S.(2010). Continuous-time multitype branching processes conditioned on very late extinction.ESAIM P&S.
P´enisson, S.(2010). Estimation of the infection parameter in the different phases of an epidemic modeled by a branching process.
P´enisson, S.andJacob, C.(2010). BSE epidemic in Great-Britain: prediction of the disease spread and study of the very late extinction case scenario, based on a