Exemple 2: Pandémie de Corona
Bien sûr, il est logique d'utiliser les données actuelles sur la pandémie corona pour la régression logistique.
J'ai pris les données pour l'Allemagne sur le site Web de l'Université Johns Hopkins (JHU) , qui est mis à jour quotidiennement ,
et les ai sauvé dans deux fichiers CSV. L'un, JHU_DE_Mrz.csv, contient les données de mars 2020, le deuxième JHU_DE_Mrz-Apr.csv que j'ai continué à maintenir.
Donnés de: "JHU_DE_Mrz.csv" Limite de saturation: 56 Mio Figure sombre: 1 9,088·109 ƒ(x) = —————————————— 162,3 + 5,6·107·e^(-0,218·t) Point d'inflexion W(58,37/28 Mio) Taux de croissance maximal ƒ'(xw) = 3,0584 Mio 31 valeurs Coeff.de déterm. = 0,97570783 Coeff.de correl. = 0,98777924 Ecart-type = 0,31876448

Dates du 1er mars 2020 au 31 mars 2020
Données de: "JHU_DE_Mrz-Apr.csv" Limite de saturation: 56 Mio Figure sombre: 1 4,559·1010 ƒ(x) = —————————————— 814,1 + 5,51·107·e^(-0,112·t) Point d'inflexion W(99,4/28 Mio) Taux de croissance maximal ƒ'(xw) = 1,5688 Mio 60 valeurs Coeff.de déterm. = 0,82574762 Coeff.de correl. = 0,90870656 Ecart-type = 0,90673232

Dates du 1er mars 2020 au 22 avril 2020
J'ai supposé 56 millions comme limite de saturation. Cela représente 70% des 80 millions, le cas d'une prétendue immunité grégaire .
La comparaison des deux résultats ainsi obtenus montre comment les mesures prises aplatissent la courbe de fonction logistique et surtout comment le
point d'inflexion W(tw | f(t w )) de la courbe se déplace vers l'arrière et le nombre maximum de nouvelles infections par jour
f'(t w) diminue.
Si toutes les mesures d'amortissement avaient été abandonnées le 23 avril 2020, les nouvelles infections auraient augmenté selon ce modèle de plus en plus vite
et auraient atteint leur maximum le 88e jour, le