Vous êtes sur la page 1sur 336

Introduction aux systmes dynamiques et la

modlisation
Alexei PANTCHICHKINE

Institut Fourier, Universit Grenoble-1


B.P.74, 38402 St.Martin d'Hres, FRANCE
e-mail : panchish@mozart.ujf-grenoble.fr, FAX : 33 (0) 4 76 51 44 78
Un cours de Licence MAT127 (Mathmatiques pour les
biologistes de 2e semestre 2007/2008)

Rsum
Le prsent cours est inspir par le cours "Mathmatiques en DEUG SV
2me anne" de Prof. Yves Colin de Verdire, voir [YCV].
Nous utilisons comme prrequis le cours MAT110c (Apprentissage du
raisonnement et analyse lmentaire de Prof. Herv Pajot, voir [Pajot]) :
fondements (raisonnements, ensembles, nombres, dnombrements) ;
analyse : tude des fonctions (fonctions continues, drivables, thorme
des accroissements nis, fonctions usuelles, fonctions rciproques) ; calcul
intgral (Intgrale d'une fonction, primitives).
En particulier, on dveloppe plus en dtail la gomtrie en dimension 2 et
3, l'algbre linaire en dimension 2, les fonctions de plusieurs variables, les
quations direntielles coecients constants, les systmes 2x2, dj
vus au premier semestre.
On discute les applications de systmes dynamiques.
On donne des exemples numriques avec des logiciels (Maple)

Rsum
Le prsent cours est inspir par le cours "Mathmatiques en DEUG SV
2me anne" de Prof. Yves Colin de Verdire, voir [YCV].
Nous utilisons comme prrequis le cours MAT110c (Apprentissage du
raisonnement et analyse lmentaire de Prof. Herv Pajot, voir [Pajot]) :
fondements (raisonnements, ensembles, nombres, dnombrements) ;
analyse : tude des fonctions (fonctions continues, drivables, thorme
des accroissements nis, fonctions usuelles, fonctions rciproques) ; calcul
intgral (Intgrale d'une fonction, primitives).
En particulier, on dveloppe plus en dtail la gomtrie en dimension 2 et
3, l'algbre linaire en dimension 2, les fonctions de plusieurs variables, les
quations direntielles coecients constants, les systmes 2x2, dj
vus au premier semestre.
On discute les applications de systmes dynamiques.
On donne des exemples numriques avec des logiciels (Maple)

Rsum
Le prsent cours est inspir par le cours "Mathmatiques en DEUG SV
2me anne" de Prof. Yves Colin de Verdire, voir [YCV].
Nous utilisons comme prrequis le cours MAT110c (Apprentissage du
raisonnement et analyse lmentaire de Prof. Herv Pajot, voir [Pajot]) :
fondements (raisonnements, ensembles, nombres, dnombrements) ;
analyse : tude des fonctions (fonctions continues, drivables, thorme
des accroissements nis, fonctions usuelles, fonctions rciproques) ; calcul
intgral (Intgrale d'une fonction, primitives).
En particulier, on dveloppe plus en dtail la gomtrie en dimension 2 et
3, l'algbre linaire en dimension 2, les fonctions de plusieurs variables, les
quations direntielles coecients constants, les systmes 2x2, dj
vus au premier semestre.
On discute les applications de systmes dynamiques.
On donne des exemples numriques avec des logiciels (Maple)

Rsum
Le prsent cours est inspir par le cours "Mathmatiques en DEUG SV
2me anne" de Prof. Yves Colin de Verdire, voir [YCV].
Nous utilisons comme prrequis le cours MAT110c (Apprentissage du
raisonnement et analyse lmentaire de Prof. Herv Pajot, voir [Pajot]) :
fondements (raisonnements, ensembles, nombres, dnombrements) ;
analyse : tude des fonctions (fonctions continues, drivables, thorme
des accroissements nis, fonctions usuelles, fonctions rciproques) ; calcul
intgral (Intgrale d'une fonction, primitives).
En particulier, on dveloppe plus en dtail la gomtrie en dimension 2 et
3, l'algbre linaire en dimension 2, les fonctions de plusieurs variables, les
quations direntielles coecients constants, les systmes 2x2, dj
vus au premier semestre.
On discute les applications de systmes dynamiques.
On donne des exemples numriques avec des logiciels (Maple)

Programme

Champ de vecteurs dans le plan et introduction aux systmes


dynamiques avec des exemples lis aux sciences de la vie
(dynamique des populations, cintique chimique,...).
Modlisation l'aide d'quations direntielles.
tude d'exemples emprunts la biologie ou la chimie.

Activit

Heures

Cours Magistral (CM)

24

20

Travaux Dirig (TD)

36

30

Travail personnel estim

60

50

TOTAL

120

100

Planning du cours
Premire partie. Modlisation

I
I
I
I
I
I
I

1. Modles dterministes. Schma d'une modlisation (voir [Bert], p.78)


2. Exemples de loi exponentielle. Solution analytique. Temps de doublement
et de demi-vie (voir [Bert], p.80)
3. Adaptation d'un modle. Exemple : Malthus modi, loi logistique.
Implications pour la phase de prvision.
4. Identication d'un modle. Choix des paramtres. La mthode des
moindres carrs : ajustement linaire. Exemples numriques
5. Mise en quation des variables. Notion d'quation direntielle. Champs
de directions, isoclines, courbes intgrales, espace de phase
6. Solution d'une quation direntielle. Problme de Cauchy.
7. Premires mthodes de solution. quations direntielles variables
spares ([Bert], p.102)

Deuxime partie. Systmes dynamiques et quations direntielles

I
I
I
I

8. Systmes dynamiques : un langage pour la modlisation. Exemples provenants


d'quations direntielles et de suites de rcurrence
9.quations direntielles linaires. Mthode de variation de la constante ([Bert],
p.104)
10. Solution numrique. Mthode d'Euler
11. Exemple : systmes cologiques (modle de Lotka-Volterra)

Troisime partie. Mthodes d'algbre linaire

I
I
I
I

12. Vecteurs et matrices. Oprations


13. Bases et dterminants.
14. Vecteurs propres, polynmes caractristiques. Utilisation des nombres
complexes.
15. Application aux quations dierentielles et aux suites de rcurrence.

Quatrime partie. Mthodes gomtriques. Exemples d'une tude


qualitative

I
I
I
I

16. Champs de vecteurs, points singuliers


17. Classication des points singuliers
18. Applications l'tude qualitative de comportements autours des
points singuliers
19. Notion de comportement chaotique de population

Partie I. Exemples de modlisation


Introduction

Qu'est ce que la modlisation ?


Qu'est ce qu'une quation direntielle ?
Schma d'une modlisation
Exemples de modlisation en biologie
Croissance d'une population selon Malthus
Dsintgration radioactive
Calcul des primitives et des intgrales
Adaptation d'un modle. quation logistique.
Identication d'un modle. Mthode des moindres carres
Fonctions de deux variables
'Equations direntielles
quations direntielles autonomes sur la droite
La notion gnrale d'quation direntielle
Les mthodes de rsolution.
quations direntielles linaires.
Mthode de variation de la constante
Types de mthodes de rsolution
Mthodes numriques

Introduction
Qu'est ce que la modlisation ?
Qu'est ce qu'une quation direntielle ?
Schma d'une modlisation
Exemples de modlisation en biologie
Croissance d'une population selon Malthus
Dsintgration radioactive
Calcul des primitives et des intgrales
Adaptation d'un modle. quation logistique.
Identication d'un modle. Mthode des moindres carres
Fonctions de deux variables
'Equations direntielles
quations direntielles autonomes sur la droite
La notion gnrale d'quation direntielle
Les mthodes de rsolution.
quations direntielles linaires.
Mthode de variation de la constante
Types de mthodes de rsolution
Mthodes numriques
7

Cours N 1, (disponible sur :

http ://www-fourier.ujf-grenoble.fr/panchish/6mat127)

I. Modlisation.

Comment les sciences peuvent-elles utiliser des mathmatiques ?


Les physiciens ne se posent gure la question car leur science est
trs mathmatise : les lois fondamentales de la physique ont des
expressions mathmatiques. Pour ce qui est des sciences du vivant,
la situation est moins claire. Certaines branches (l'hrdit, la
dynamique des populations, le code gntique, la cintique
biochimique) se prtent bien un traitement mathmatique. C'est
moins clair pour d'autres !

Cours N 1, (disponible sur :

http ://www-fourier.ujf-grenoble.fr/panchish/6mat127)

I. Modlisation.

Comment les sciences peuvent-elles utiliser des mathmatiques ?


Les physiciens ne se posent gure la question car leur science est
trs mathmatise : les lois fondamentales de la physique ont des
expressions mathmatiques. Pour ce qui est des sciences du vivant,
la situation est moins claire. Certaines branches (l'hrdit, la
dynamique des populations, le code gntique, la cintique
biochimique) se prtent bien un traitement mathmatique. C'est
moins clair pour d'autres !

Systmes dterministes

De nombreux systmes que l'on tudie dans les sciences comme la


physique, la chimie, la biologie, l'conomie, etc..., sont (en premire
approximation) des systmes dterministes ; cela signie que
l'volution du systme au cours du temps est compltement
dtermine par son tat un instant donn.
Citons par exemple l'volution des concentrations des ractifs dans
une raction chimique, l'volution de populations (de bactries, de
lapins, etc...) dans un systme ferm, la radioactivit, etc... La
description de ces systmes se fait au moyen de quantits
numriques, souvent appeles variables ou observables, dont il
s'agit d'tudier l'volution au cours du temps.

Systmes dterministes

De nombreux systmes que l'on tudie dans les sciences comme la


physique, la chimie, la biologie, l'conomie, etc..., sont (en premire
approximation) des systmes dterministes ; cela signie que
l'volution du systme au cours du temps est compltement
dtermine par son tat un instant donn.
Citons par exemple l'volution des concentrations des ractifs dans
une raction chimique, l'volution de populations (de bactries, de
lapins, etc...) dans un systme ferm, la radioactivit, etc... La
description de ces systmes se fait au moyen de quantits
numriques, souvent appeles variables ou observables, dont il
s'agit d'tudier l'volution au cours du temps.

Modlisation
de point de vue mathmatique, une modlisation est la donne de :

I Le temps T (on considre soit le temps discret


T

= {lh | l Z, h > 0

une constante xe

(mesur en heures,

minutes, journes, annes, . . .), avec la notation tl


tl +m

= tl + tm ) ;

soit le temps continue T

= lh,

donc

= R) ;

I L'espace M (dit l'espace des phases) dont les points sont des vecteurs
e

= (x , y , ) M ,

o x , y

sont des quantits numriques,

souvent appeles variables ou observables, qui caractrisent un tat de


systme dynamique en question.

I Un processus dynamique est une fonction mathmatique f


f

: t 7 (x (t ), y (t ), ) M ,

telle que f

dynamique avec la proprit f (t0 )

= e0 ,

= fe 0

o e0 est l'tat initial du

processus.
(Exemples de lois utilises :
y (tl +1 ) = 2y (tl ) (loi de doublement discrte) ;
y (t ) = ky (t )t (loi exponentielle continue) y 0 = ky

10

: T M,

satisfait une loi

Modlisation
de point de vue mathmatique, une modlisation est la donne de :

I Le temps T (on considre soit le temps discret


T

= {lh | l Z, h > 0

une constante xe

(mesur en heures,

minutes, journes, annes, . . .), avec la notation tl


tl +m

= tl + tm ) ;

soit le temps continue T

= lh,

donc

= R) ;

I L'espace M (dit l'espace des phases) dont les points sont des vecteurs
e

= (x , y , ) M ,

o x , y

sont des quantits numriques,

souvent appeles variables ou observables, qui caractrisent un tat de


systme dynamique en question.

I Un processus dynamique est une fonction mathmatique f


f

: t 7 (x (t ), y (t ), ) M ,

telle que f

dynamique avec la proprit f (t0 )

= e0 ,

= fe 0

o e0 est l'tat initial du

processus.
(Exemples de lois utilises :
y (tl +1 ) = 2y (tl ) (loi de doublement discrte) ;
y (t ) = ky (t )t (loi exponentielle continue) y 0 = ky

10

: T M,

satisfait une loi

Modlisation
de point de vue mathmatique, une modlisation est la donne de :

I Le temps T (on considre soit le temps discret


T

= {lh | l Z, h > 0

une constante xe

(mesur en heures,

minutes, journes, annes, . . .), avec la notation tl


tl +m

= tl + tm ) ;

soit le temps continue T

= lh,

donc

= R) ;

I L'espace M (dit l'espace des phases) dont les points sont des vecteurs
e

= (x , y , ) M ,

o x , y

sont des quantits numriques,

souvent appeles variables ou observables, qui caractrisent un tat de


systme dynamique en question.

I Un processus dynamique est une fonction mathmatique f


f

: t 7 (x (t ), y (t ), ) M ,

telle que f

dynamique avec la proprit f (t0 )

= e0 ,

= fe 0

o e0 est l'tat initial du

processus.
(Exemples de lois utilises :
y (tl +1 ) = 2y (tl ) (loi de doublement discrte) ;
y (t ) = ky (t )t (loi exponentielle continue) y 0 = ky

10

: T M,

satisfait une loi

Modlisation
de point de vue mathmatique, une modlisation est la donne de :

I Le temps T (on considre soit le temps discret


T

= {lh | l Z, h > 0

une constante xe

(mesur en heures,

minutes, journes, annes, . . .), avec la notation tl


tl +m

= tl + tm ) ;

soit le temps continue T

= lh,

donc

= R) ;

I L'espace M (dit l'espace des phases) dont les points sont des vecteurs
e

= (x , y , ) M ,

o x , y

sont des quantits numriques,

souvent appeles variables ou observables, qui caractrisent un tat de


systme dynamique en question.

I Un processus dynamique est une fonction mathmatique f


f

: t 7 (x (t ), y (t ), ) M ,

telle que f

dynamique avec la proprit f (t0 )

= e0 ,

= fe 0

o e0 est l'tat initial du

processus.
(Exemples de lois utilises :
y (tl +1 ) = 2y (tl ) (loi de doublement discrte) ;
y (t ) = ky (t )t (loi exponentielle continue) y 0 = ky

10

: T M,

satisfait une loi

Loi physique, loi biologique, [Bert], p.28


L'tude de certains phnomnes biologiques, physiques, chimiques, mcaniques,
conomiques, . . .se ramne l'tude des relations qui existent entre pluisieurs
variables caractrisant le phnomne tudi.
Dans les sciences exprimentales ou biologiques, on cherche tablir une relation
entre deux variables x et y donne par une fonction y

= f (x ).

La reprsentation graphique de la fonction est donne par son graphe, ou par une
table des valeurs.
Rappels sur les fonctions usuelles ([Bert], p.26-27)

= t , variable t > 0, paramtre rel quelconque


t
exponentielles f (t ) = a variable t rel quelconque, paramtre a > 0
logaritmiques f (t ) = loga (t ) variable t > 0, paramtre a > 0 , a 6= 1 :

I Fonctions puissances f (t )
I Fonctions
I Fonctions

base du logarithme

11

Croissance compare (on suppose > 0)


Lorsque t augmente inniment :
I
I

t tend vers l'inni plus vite que

, lim

t + t

tend vers l'inni plus vite que ln t , lim

t + ln t

Fig.: 1. Croissance compare

12

Exemple d'une loi physique : Deuxime loi de Newton ou


Principe Fondamental de la Dynamique (voir
http ://fr.wikipedia.org/wiki/Lois_du_mouvement_de_Newton, et

[Brousse], Chapitre 9)
Si la masse d'un corps est constante, l'acclration subie par un corps de masse
m est proportionnelle la rsultante des forces qu'il subit, et inversement
proportionnelle sa masse m.
Ceci est souvent rcapitul dans l'quation :

P~
1 P~
Fi = m~
a,
Fi ou
m
o Fi sont les forces exerces sur l'objet, m est sa masse, et a son acclration.

~a =

Exemple (2.1)
Considrons l'quation de Newton suivante : mv

0 (t )

= v (t ),

o v (t ) est la

vitesse d'un mouvement rectiligne d'un point de masse m, soumis la force

v (t ). Vrier
v (t ) = sin(t ) ne

13

que v (t )
l'est pas.

= C exp(t /m)

est une solution et que

Exemple d'une loi physique : Deuxime loi de Newton ou


Principe Fondamental de la Dynamique (voir
http ://fr.wikipedia.org/wiki/Lois_du_mouvement_de_Newton, et

[Brousse], Chapitre 9)
Si la masse d'un corps est constante, l'acclration subie par un corps de masse
m est proportionnelle la rsultante des forces qu'il subit, et inversement
proportionnelle sa masse m.
Ceci est souvent rcapitul dans l'quation :

P~
1 P~
Fi = m~
a,
Fi ou
m
o Fi sont les forces exerces sur l'objet, m est sa masse, et a son acclration.

~a =

Exemple (2.1)
Considrons l'quation de Newton suivante : mv

0 (t )

= v (t ),

o v (t ) est la

vitesse d'un mouvement rectiligne d'un point de masse m, soumis la force

v (t ). Vrier
v (t ) = sin(t ) ne

13

que v (t )
l'est pas.

= C exp(t /m)

est une solution et que

Qu'est ce qu'une quation direntielle ?


Une quation direntielle du premier ordre est une quation qui met en jeu une
relation entre une fonction et sa drive, et dont la solution est une fonction
drivable.
Ici la variable pour la fonction y est t , car une quation direntielle modlise
parfois l'volution d'un systme (par exemple, l'volution de la taille d'une
population).
Considrons plus gnralement l'quation direntielle du 1er ordre
y

= G (y , t )

(2.1)

Une solution de l'quation (2.1) sur un intervalle I est une fonction y (t )


drivable I telle que pour tout t
y

(t ) = G (y (t ), t )

on ait :

On choisit en gnral une solution

maximale,

c'est dire qui ne peut pas tre prolonge sur un intervalle J


contenant strictement I .

14

Exemples (voir [Pajot], Ch.VII, p.1)


Exemple (2.2, une quation direntielle facile )
+ 5y = t . Nous pouvons encore l'crire y 0 = 5y + t .
= G (t , y ), o G (t , y ) = 5y + t . Une solution sur R est
0
y (t ) = (1/5)t 1/25. En eet, y (t ) = 1/5 = 5y (t ) + t .

Considrons l'quation y

0
Donc, y

Exemple (2.3, une quation moins facile)


Considrons l'quation y

0
y

5yt + t 2 . Donc, y 0

+ 5ty = t 2 . Nous pouvons encore l'crire


= G (t , y ), o G (t , y ) = 5yt + t 2 . Dans

ce cas, les

solutions sont plus diciles crire.


Les quations donnes dans les exemples 2.2 et 2.3 sont des quations linaires
du premier ordre.
Rappelons qu'une fonction linaire f
f (x )

15

= kx .

:RR

est une fonction de la forme

quations direntelles ordinaires et processus d'volution

On tudie dans ce cours des processus d'volution dterministes


l'aide de la thorie des quations direntelles ordinaires. On utilise
de telles quations pour trouver les fonctions de la relation
y

= f (x ).

La thorie des quations direntelles constitue l'un des

principaux instruments des mathmatiques.


Dans l'exemple prcdent mv
et y

= f (x )

0 (t )

= v (t ), on a x := t , y := v ,
= C exp(t /m) (une solution

se transforme en v (t )

de l'quation direntielle de Newton).

16

Modles dterministes et semi-dterministes

Exemples des processus d'volution (voir [ArnED], p.11).


En mcanique classique, on tudie le mouvement des systmes dont
l'avenir et le pass sont univoquement dnis par les positions et
les vitesses initiales de tous les points du systme.
On dit d'un processus qu'il est dterministe si toute son volution
et son pass sont univoquement dnis par son tat prsent.
La propagation de la chaleur, elle, est un processus
semi-dterministe en ce sens que son avenir est dtermin par son
prsent, tandis que son pass ne l'est pas.

17

Modles dterministes et semi-dterministes

Exemples des processus d'volution (voir [ArnED], p.11).


En mcanique classique, on tudie le mouvement des systmes dont
l'avenir et le pass sont univoquement dnis par les positions et
les vitesses initiales de tous les points du systme.
On dit d'un processus qu'il est dterministe si toute son volution
et son pass sont univoquement dnis par son tat prsent.
La propagation de la chaleur, elle, est un processus
semi-dterministe en ce sens que son avenir est dtermin par son
prsent, tandis que son pass ne l'est pas.

17

Schma d'une modlisation (voir [Bert], p.78)


La modlisation d'un phnomne peut ce schmatiser de la manire suivante
(voir [Bert], p.78) :
Phase mathmatique
Phase de mise
en quation
On part de lois lmentaires
(connues ou conjecturales)
et on en dduit des relations
entres les variables

Si l'on exprime certaines


variables , . . .
en fonction de l'une d'elles
(par exemple le temps )
ces relations donnent lieu
des quations dont les inconnues
sont les fonctions , . . .
(quations fonctionnelles)

x y

Phase de vrication
on regarde si les fonctions obtenues
mathmatiquement sont proches
des fonctions donnes
on dit alors que le modle est valide

exprimentalement

x y

On cherche des solutions


de ces quations

Phase de prvision
Si le modle est valide, il peut alors permettre
dans des circonstanses un peu
direntes de prvoir l'volution
des variables dans des situations nouvelles

Si le modle n'est pas valide,


il faut modier ou aner
la phase de mise en quation
et construire un autre modle

La vrication peut amener


une extension du modle mathmatique
(en le modiant ventuellement)
et la construction d'un autre modle
Le modle permet alors d'expliquer

et de dcrire davantage de phnomnes

Deux notions interviennent toujours dans l'utilisation pratique des modles


mathmatiques : -l'identication, - la validation. On s'arrte la validation qui
est le domaine de la statistique et de la probabilit (voir partie IV de [Bert]).

18

Schma d'une modlisation (voir [Bert], p.78)


La modlisation d'un phnomne peut ce schmatiser de la manire suivante
(voir [Bert], p.78) :
Phase mathmatique
Phase de mise
en quation
On part de lois lmentaires
(connues ou conjecturales)
et on en dduit des relations
entres les variables

Si l'on exprime certaines


variables , . . .
en fonction de l'une d'elles
(par exemple le temps )
ces relations donnent lieu
des quations dont les inconnues
sont les fonctions , . . .
(quations fonctionnelles)

x y

Phase de vrication
on regarde si les fonctions obtenues
mathmatiquement sont proches
des fonctions donnes
on dit alors que le modle est valide

exprimentalement

x y

On cherche des solutions


de ces quations

Phase de prvision
Si le modle est valide, il peut alors permettre
dans des circonstanses un peu
direntes de prvoir l'volution
des variables dans des situations nouvelles

Si le modle n'est pas valide,


il faut modier ou aner
la phase de mise en quation
et construire un autre modle

La vrication peut amener


une extension du modle mathmatique
(en le modiant ventuellement)
et la construction d'un autre modle
Le modle permet alors d'expliquer

et de dcrire davantage de phnomnes

Deux notions interviennent toujours dans l'utilisation pratique des modles


mathmatiques : -l'identication, - la validation. On s'arrte la validation qui
est le domaine de la statistique et de la probabilit (voir partie IV de [Bert]).

18

Schma d'une modlisation (voir [Bert], p.78)


La modlisation d'un phnomne peut ce schmatiser de la manire suivante
(voir [Bert], p.78) :
Phase mathmatique
Phase de mise
en quation
On part de lois lmentaires
(connues ou conjecturales)
et on en dduit des relations
entres les variables

Si l'on exprime certaines


variables , . . .
en fonction de l'une d'elles
(par exemple le temps )
ces relations donnent lieu
des quations dont les inconnues
sont les fonctions , . . .
(quations fonctionnelles)

x y

Phase de vrication
on regarde si les fonctions obtenues
mathmatiquement sont proches
des fonctions donnes
on dit alors que le modle est valide

exprimentalement

x y

On cherche des solutions


de ces quations

Phase de prvision
Si le modle est valide, il peut alors permettre
dans des circonstanses un peu
direntes de prvoir l'volution
des variables dans des situations nouvelles

Si le modle n'est pas valide,


il faut modier ou aner
la phase de mise en quation
et construire un autre modle

La vrication peut amener


une extension du modle mathmatique
(en le modiant ventuellement)
et la construction d'un autre modle
Le modle permet alors d'expliquer

et de dcrire davantage de phnomnes

Deux notions interviennent toujours dans l'utilisation pratique des modles


mathmatiques : -l'identication, - la validation. On s'arrte la validation qui
est le domaine de la statistique et de la probabilit (voir partie IV de [Bert]).

18

Schma d'une modlisation (voir [Bert], p.78)


La modlisation d'un phnomne peut ce schmatiser de la manire suivante
(voir [Bert], p.78) :
Phase mathmatique
Phase de mise
en quation
On part de lois lmentaires
(connues ou conjecturales)
et on en dduit des relations
entres les variables

Si l'on exprime certaines


variables , . . .
en fonction de l'une d'elles
(par exemple le temps )
ces relations donnent lieu
des quations dont les inconnues
sont les fonctions , . . .
(quations fonctionnelles)

x y

Phase de vrication
on regarde si les fonctions obtenues
mathmatiquement sont proches
des fonctions donnes
on dit alors que le modle est valide

exprimentalement

x y

On cherche des solutions


de ces quations

Phase de prvision
Si le modle est valide, il peut alors permettre
dans des circonstanses un peu
direntes de prvoir l'volution
des variables dans des situations nouvelles

Si le modle n'est pas valide,


il faut modier ou aner
la phase de mise en quation
et construire un autre modle

La vrication peut amener


une extension du modle mathmatique
(en le modiant ventuellement)
et la construction d'un autre modle
Le modle permet alors d'expliquer

et de dcrire davantage de phnomnes

Deux notions interviennent toujours dans l'utilisation pratique des modles


mathmatiques : -l'identication, - la validation. On s'arrte la validation qui
est le domaine de la statistique et de la probabilit (voir partie IV de [Bert]).

18

Schma d'une modlisation (voir [Bert], p.78)


La modlisation d'un phnomne peut ce schmatiser de la manire suivante
(voir [Bert], p.78) :
Phase mathmatique
Phase de mise
en quation
On part de lois lmentaires
(connues ou conjecturales)
et on en dduit des relations
entres les variables

Si l'on exprime certaines


variables , . . .
en fonction de l'une d'elles
(par exemple le temps )
ces relations donnent lieu
des quations dont les inconnues
sont les fonctions , . . .
(quations fonctionnelles)

x y

Phase de vrication
on regarde si les fonctions obtenues
mathmatiquement sont proches
des fonctions donnes
on dit alors que le modle est valide

exprimentalement

x y

On cherche des solutions


de ces quations

Phase de prvision
Si le modle est valide, il peut alors permettre
dans des circonstanses un peu
direntes de prvoir l'volution
des variables dans des situations nouvelles

Si le modle n'est pas valide,


il faut modier ou aner
la phase de mise en quation
et construire un autre modle

La vrication peut amener


une extension du modle mathmatique
(en le modiant ventuellement)
et la construction d'un autre modle
Le modle permet alors d'expliquer

et de dcrire davantage de phnomnes

Deux notions interviennent toujours dans l'utilisation pratique des modles


mathmatiques : -l'identication, - la validation. On s'arrte la validation qui
est le domaine de la statistique et de la probabilit (voir partie IV de [Bert]).

18

Schma d'une modlisation (voir [Bert], p.78)


La modlisation d'un phnomne peut ce schmatiser de la manire suivante
(voir [Bert], p.78) :
Phase mathmatique
Phase de mise
en quation
On part de lois lmentaires
(connues ou conjecturales)
et on en dduit des relations
entres les variables

Si l'on exprime certaines


variables , . . .
en fonction de l'une d'elles
(par exemple le temps )
ces relations donnent lieu
des quations dont les inconnues
sont les fonctions , . . .
(quations fonctionnelles)

x y

Phase de vrication
on regarde si les fonctions obtenues
mathmatiquement sont proches
des fonctions donnes
on dit alors que le modle est valide

exprimentalement

x y

On cherche des solutions


de ces quations

Phase de prvision
Si le modle est valide, il peut alors permettre
dans des circonstanses un peu
direntes de prvoir l'volution
des variables dans des situations nouvelles

Si le modle n'est pas valide,


il faut modier ou aner
la phase de mise en quation
et construire un autre modle

La vrication peut amener


une extension du modle mathmatique
(en le modiant ventuellement)
et la construction d'un autre modle
Le modle permet alors d'expliquer

et de dcrire davantage de phnomnes

Deux notions interviennent toujours dans l'utilisation pratique des modles


mathmatiques : -l'identication, - la validation. On s'arrte la validation qui
est le domaine de la statistique et de la probabilit (voir partie IV de [Bert]).

18

Schma d'une modlisation (voir [Bert], p.78)


La modlisation d'un phnomne peut ce schmatiser de la manire suivante
(voir [Bert], p.78) :
Phase mathmatique
Phase de mise
en quation
On part de lois lmentaires
(connues ou conjecturales)
et on en dduit des relations
entres les variables

Si l'on exprime certaines


variables , . . .
en fonction de l'une d'elles
(par exemple le temps )
ces relations donnent lieu
des quations dont les inconnues
sont les fonctions , . . .
(quations fonctionnelles)

x y

Phase de vrication
on regarde si les fonctions obtenues
mathmatiquement sont proches
des fonctions donnes
on dit alors que le modle est valide

exprimentalement

x y

On cherche des solutions


de ces quations

Phase de prvision
Si le modle est valide, il peut alors permettre
dans des circonstanses un peu
direntes de prvoir l'volution
des variables dans des situations nouvelles

Si le modle n'est pas valide,


il faut modier ou aner
la phase de mise en quation
et construire un autre modle

La vrication peut amener


une extension du modle mathmatique
(en le modiant ventuellement)
et la construction d'un autre modle
Le modle permet alors d'expliquer

et de dcrire davantage de phnomnes

Deux notions interviennent toujours dans l'utilisation pratique des modles


mathmatiques : -l'identication, - la validation. On s'arrte la validation qui
est le domaine de la statistique et de la probabilit (voir partie IV de [Bert]).

18

Rappels sur les nombres complexes (voir [YCV], p.26)


Dans la thorie d'quations direntielles on utilise beaucoup l'ensemble
nombres complexes : z

= x + iy

des

est l'criture du nombre complexe z . Les quantits x

et y sont des nombres rels appels respectivement partie relle et partie imaginaire
de z . On reprsente gomtriquement z comme le point des coordonnes
cartsiennes

(x , y )

du plan cartsien

R2 .

Oprations :

I Le complexe conjugu de z

= x + iy p
est

not z

I Le module de z est donn par |z | =


x 2 + y 2.
I (x + iy ) + (x 0 + iy 0 ) = (x + x 0 ) + i (y + y 0 ).
I (x + iy )(x 0 + iy 0 ) = (xx 0 yy 0 ) + i (xy 0 + yx 0 ).
I 1

z
|z |2

I e a+ib
0
I e z +z
I e nz

19

= e a (cos b + i sin b)
0
= ez ez
= (e z )n

= x iy .

quations du second degr. Drives


Un nombre complexe non nul admet exactement 2 racines carres

a = i |a
| L'quation
1
a2 4b )
solutions z = (a
2

opposes. Si a est un rel ngatif, on a


z

+ az + b = 0

admet comme

z (t ) = x (t ) + iy (t ) est une fonction drivable ssi x et y le


= x0 + iy0 . On a les mmes formules que dans le cas
n 0
n1 z 0 ; (e z )0 = z 0 e z et en particulier, si a C,
rel : (z ) = nz
(e at )0 = ae at .
Drives : t

sont. On a alors z0

20

quations du second degr. Drives


Un nombre complexe non nul admet exactement 2 racines carres

a = i |a
| L'quation
1
a2 4b )
solutions z = (a
2

opposes. Si a est un rel ngatif, on a


z

+ az + b = 0

admet comme

z (t ) = x (t ) + iy (t ) est une fonction drivable ssi x et y le


= x0 + iy0 . On a les mmes formules que dans le cas
n 0
n1 z 0 ; (e z )0 = z 0 e z et en particulier, si a C,
rel : (z ) = nz
(e at )0 = ae at .
Drives : t

sont. On a alors z0

20

Exemples des problmes (pour TD)


1. Voir

http ://www-fourier.ujf-grenoble.fr/pajot/cours7.pdf

2. Utilisation des nombres complexes (voir [YCV], p.36)

Exercice (2.4)

3
(1 + i )2 , (1 +
i ) .
+ i = 2e i /4
n
dduire la valeur de (1 + i )

a) Calculer

b) Montrer que 1
c) En

Exercice (2.5)
Rsoudre dans

les quations : z

pour tout n

+ z + 2 = 0,

Exercice (2.6)
Tracer les courbes reprsentatives des fonctions
t

21

N.

e it , t e (1+i )t , t e (1i )t , t e 1i t

+ iz + 1 = 0

Introduction
Qu'est ce que la modlisation ?
Qu'est ce qu'une quation direntielle ?
Schma d'une modlisation
Exemples de modlisation en biologie
Croissance d'une population selon Malthus
Dsintgration radioactive
Calcul des primitives et des intgrales
Adaptation d'un modle. quation logistique.
Identication d'un modle. Mthode des moindres carres
Fonctions de deux variables
'Equations direntielles
quations direntielles autonomes sur la droite
La notion gnrale d'quation direntielle
Les mthodes de rsolution.
quations direntielles linaires.
Mthode de variation de la constante
Types de mthodes de rsolution
Mthodes numriques
21

Cours N 2,
Exemples de loi exponentielle (voir [Bert], p.80, [Jean87],
p.108)
Cas discret. Lorsqu'une population colonise un milieu vierge dont les

composantes (espace, nourriture) sont illlimites, l'eectif de la population crot de


plus en plus rapidement vers l'inni. Supposons qu'on introduise un organisme se
reproduisant par

ssion binaire (bactrie, levure) dans un milieu de culture

quelconque. Aprs une certaine priode de temps, l'organisme se divise et donne


deux individus qui, leur tour, se divisent en deux. Ce type de croissance est appel

progression gomtrique.
Pour le temps discret T

= {lh | l Z, h > 0

} (mesur en
= lh, et la loi dynamique
n
y (tn ) = 2 y (t0 ) .

une constante xe

heures, minutes, journes, annes, . . .), avec la notation tl


de

22

doublement discrte y (tl +1 ) = 2y (tl ), on a

Cours N 2,
Exemples de loi exponentielle (voir [Bert], p.80, [Jean87],
p.108)
Cas discret. Lorsqu'une population colonise un milieu vierge dont les

composantes (espace, nourriture) sont illlimites, l'eectif de la population crot de


plus en plus rapidement vers l'inni. Supposons qu'on introduise un organisme se
reproduisant par

ssion binaire (bactrie, levure) dans un milieu de culture

quelconque. Aprs une certaine priode de temps, l'organisme se divise et donne


deux individus qui, leur tour, se divisent en deux. Ce type de croissance est appel

progression gomtrique.
Pour le temps discret T

= {lh | l Z, h > 0

} (mesur en
= lh, et la loi dynamique
n
y (tn ) = 2 y (t0 ) .

une constante xe

heures, minutes, journes, annes, . . .), avec la notation tl


de

22

doublement discrte y (tl +1 ) = 2y (tl ), on a

Cours N 2,
Exemples de loi exponentielle (voir [Bert], p.80, [Jean87],
p.108)
Cas discret. Lorsqu'une population colonise un milieu vierge dont les

composantes (espace, nourriture) sont illlimites, l'eectif de la population crot de


plus en plus rapidement vers l'inni. Supposons qu'on introduise un organisme se
reproduisant par

ssion binaire (bactrie, levure) dans un milieu de culture

quelconque. Aprs une certaine priode de temps, l'organisme se divise et donne


deux individus qui, leur tour, se divisent en deux. Ce type de croissance est appel

progression gomtrique.
Pour le temps discret T

= {lh | l Z, h > 0

} (mesur en
= lh, et la loi dynamique
n
y (tn ) = 2 y (t0 ) .

une constante xe

heures, minutes, journes, annes, . . .), avec la notation tl


de

22

doublement discrte y (tl +1 ) = 2y (tl ), on a

Croissance d'une population selon Malthus (cas continu)


Dans l'exemple suivant, on considre une population forme de N individus et
voluant en fonction du temps : N est une fonction du temps t (population
humaine dans le cas de Malthus, population bactrienne ou autres). On
considre N comme un nombre rel, en eet les populations concernes sont
nombreuses et si on compte, par exemple, N en milliards d'individus, N prendra
a priori toutes les valeurs dcimales avec 9 chires aprs la virgule et on peut
donc assimiler N un nombre rel. L'hypothse de base est que :
pendant un petit intervalle de temps

t ,

la variation

du nombre d'individus de la population est proportionnelle


N et

: si N (t ) est la population l'instant t ,

+ t , vaut
+ t ) = N (t ) + kN (t )t , o N (t ) = N (t + t ) N (t ).

la population l'instant t
N (t

k est une constante positive, si la population crot, et


ngative, si la population dcrot.

23

Croissance d'une population selon Malthus (cas continu)


Dans l'exemple suivant, on considre une population forme de N individus et
voluant en fonction du temps : N est une fonction du temps t (population
humaine dans le cas de Malthus, population bactrienne ou autres). On
considre N comme un nombre rel, en eet les populations concernes sont
nombreuses et si on compte, par exemple, N en milliards d'individus, N prendra
a priori toutes les valeurs dcimales avec 9 chires aprs la virgule et on peut
donc assimiler N un nombre rel. L'hypothse de base est que :
pendant un petit intervalle de temps

t ,

la variation

du nombre d'individus de la population est proportionnelle


N et

: si N (t ) est la population l'instant t ,

+ t , vaut
+ t ) = N (t ) + kN (t )t , o N (t ) = N (t + t ) N (t ).

la population l'instant t
N (t

k est une constante positive, si la population crot, et


ngative, si la population dcrot.

23

Mis en quation : relation direntielle de croissance


+ t , o t est petit, vaut
+ t ) = N (t ) + kN (t )t .
Divisant par t et en passant la limite quand t tend vers 0, on obtient
0
en dsignant par N (t ) la drive de N (t ) par rapport la variable t :
La population l'instant t
N (t

(t ) = kN (t ).

(3.1)

On notera aussi pour des raisons pratiques (calcul de drives) comme


Leibniz :

dN
dt

= kN .

Si N (0)

= N0 ,

on va dduire de l'quation (3.1)

N (t )

= N0 e kt .

La population a donc une croissance exponentielle, si k

> 0,

contre quoi Malthus mettait ses contemporains en garde...

24

ce

Mis en quation : relation direntielle de croissance


+ t , o t est petit, vaut
+ t ) = N (t ) + kN (t )t .
Divisant par t et en passant la limite quand t tend vers 0, on obtient
0
en dsignant par N (t ) la drive de N (t ) par rapport la variable t :

La population l'instant t
N (t

(t ) = kN (t ).

(3.1)

On notera aussi pour des raisons pratiques (calcul de drives) comme


Leibniz :

dN
dt

= kN .

Si N (0)

= N0 ,

on va dduire de l'quation (3.1)

N (t )

= N0 e kt .

La population a donc une croissance exponentielle, si k

> 0,

contre quoi Malthus mettait ses contemporains en garde...

24

ce

Mis en quation : relation direntielle de croissance


+ t , o t est petit, vaut
+ t ) = N (t ) + kN (t )t .
Divisant par t et en passant la limite quand t tend vers 0, on obtient
0
en dsignant par N (t ) la drive de N (t ) par rapport la variable t :

La population l'instant t
N (t

(t ) = kN (t ).

(3.1)

On notera aussi pour des raisons pratiques (calcul de drives) comme


Leibniz :

dN
dt

= kN .

Si N (0)

= N0 ,

on va dduire de l'quation (3.1)

N (t )

= N0 e kt .

La population a donc une croissance exponentielle, si k

> 0,

contre quoi Malthus mettait ses contemporains en garde...

24

ce

Rsolution mathmatique
On a donc rsoudre une quation dont l'inconnue est une fonction ; une telle
quation s'appelle une quation direntielle.
Il s'agit de chercher des fonctions (si possible, toutes les fonctions) vriant la
relation N

0 (t )

= kN (t ).

Dans ce cas nous pouvons raisonner directement :

I Variation de la constante On vrie bien qu'on a N 0 (t )


fonctions N (t )

= Ce kt ,

= kN (t )

pour toutes les

o C est une constante positive quelconque. Pour

montrer qu'il n'y a pas d'autres solutions, on fait "varier" la constante C : on

= C (t )e kt . On a
= kC (t )e kt , on doit

cherche les solutions sous la forme N (t )

0
N (t )
C

0 (t )e kt

0
kt
C (t )e

+ C (t )ke kt et kN (t )

donc avoir

= 0.

Comme une exponentielle est toujours strictement positive, il en rsulte que


C

0 (t )

=0

partout sur

R.

D'aprs le thorme des accroissements nis, la

fonction C (t ) ne peut tre que constante (les rsultats du cours 110c). Les
solutions sont bien toutes de la forme N (t )
positive quelconque.

25

= Ce kt ,

o C est une constante

Utilisation de primitives pour l'quation N 0 (t ) = kN (t )


I Utilisation de primitives (sparation des variables)
On se ramne la recherche d'une primitive, en remarquant que la
fonction N

0 /N est la drive de la fonction ln(N ) (voir les rappels sur les

primitives plus bas).


On a donc

(ln(N ))0 = k .

Il en rsulte que ln(N )

= kt + K ,

o K est une

constante quelconque. En prenant les exponentielles des deux membres, on


retrouve bien
N (t )
o C

26

= eK

= e kt +K = e kt e K = Ce kt ,

est une constante positive quelconque.

Reprsentation graphique

Si N0 est la valeur
de la fonction N pour t

= 0,

l'volution de la population
est dcrite par la fonction
N (t )

= N0 e kt

(loi exponentielle)

Courbes exponentielles :
croissant trs rapidement si k

>0
<0

dcroissant trs rapidement si k

27

Reprsentation graphique

Si N0 est la valeur
de la fonction N pour t

= 0,

l'volution de la population
est dcrite par la fonction
N (t )

= N0 e kt

(loi exponentielle)

Courbes exponentielles :
croissant trs rapidement si k

>0
<0

dcroissant trs rapidement si k

27

Reprsentation graphique

Si N0 est la valeur
de la fonction N pour t

= 0,

l'volution de la population
est dcrite par la fonction
N (t )

= N0 e kt

(loi exponentielle)

Courbes exponentielles :
croissant trs rapidement si k

>0
<0

dcroissant trs rapidement si k

27

Temps de doublement et de demi-vie


Le coecient k introduit lors de la mise en quation caractrise la
rapidit de croissance ou de dcroissance de la population. On
utilise souvent T dni comme

I temps de doublement de la population si k

>0

I temps de division par deux (ou temps de demi-vie si k

< 0).

Il existe une relation simple entre T et la constante k :

= N0 e kt
k (t +T ) = e kT N e kt = e kT N (t ).
N (t + T ) = N0 e
0
N (t )

On a un doublement, si e
T

ln 2
k

0,69
k

kT

=2

On a une division par deux, si e


siT

28

ln 2
k

0,69
k

avec k

kT

> 0,

c'est--dire si

1
2 avec k

< 0,

c'est--dire

Temps de doublement et de demi-vie


Le coecient k introduit lors de la mise en quation caractrise la
rapidit de croissance ou de dcroissance de la population. On
utilise souvent T dni comme

I temps de doublement de la population si k

>0

I temps de division par deux (ou temps de demi-vie si k

< 0).

Il existe une relation simple entre T et la constante k :

= N0 e kt
k (t +T ) = e kT N e kt = e kT N (t ).
N (t + T ) = N0 e
0
N (t )

On a un doublement, si e
T

ln 2
k

0,69
k

kT

=2

On a une division par deux, si e


siT

28

ln 2
k

0,69
k

avec k

kT

> 0,

c'est--dire si

1
2 avec k

< 0,

c'est--dire

Applications concrtes
Les lois exponentielles se rencontrent assez souvent dans la nature. Pour ne
citer que quelque cas :

en radioactivit, le nombre d'atomes radioactifs suit une loi exponentielle

dcroissante de dsintgration radioactive,

en biologie, le dbut de dveloppement d'un organisme ou d'un organe est en

gnral bien dcrit par une loi exponentielle (phase exponentielle du dveloppement).
Les cellules se divisent en deux au bout du temps T ; donc, aux temps T , 2T , 3T ,
. . . , le nombre de cellules serait environ de 2N0 , 4N0 ,8N0 ,16N0 , . . ., ce qui correspond
la fonction N (t ) = N0 2t /T = N0 e ln 2(t /T ) . Mme dans le cas o on part d'une seule
cellule, N0 = 1, c'est cette fonction qui dcrit correctement le phnomne au bout de
quelques cycles de reproduction.
en dmographie, si on suppose les taux n de natalit et taux m de mortalit
constants, et si on admet l'hypothse de base, la population suit une loi exponentielle
(loi de Malthus), de coecient k = n m ,
en mdecine, l'limination d'un mdicament vers l'extrieur suit une loi exponentielle.
Une limination peut tre considre comme "l'migration" d'une population de
molcules travers une membrane ; cela amne un autre type de modle.

29

Applications concrtes
Les lois exponentielles se rencontrent assez souvent dans la nature. Pour ne
citer que quelque cas :

en radioactivit, le nombre d'atomes radioactifs suit une loi exponentielle

dcroissante de dsintgration radioactive,

en biologie, le dbut de dveloppement d'un organisme ou d'un organe est en

gnral bien dcrit par une loi exponentielle (phase exponentielle du dveloppement).
Les cellules se divisent en deux au bout du temps T ; donc, aux temps T , 2T , 3T ,
. . . , le nombre de cellules serait environ de 2N0 , 4N0 ,8N0 ,16N0 , . . ., ce qui correspond
la fonction N (t ) = N0 2t /T = N0 e ln 2(t /T ) . Mme dans le cas o on part d'une seule
cellule, N0 = 1, c'est cette fonction qui dcrit correctement le phnomne au bout de
quelques cycles de reproduction.
en dmographie, si on suppose les taux n de natalit et taux m de mortalit
constants, et si on admet l'hypothse de base, la population suit une loi exponentielle
(loi de Malthus), de coecient k = n m ,
en mdecine, l'limination d'un mdicament vers l'extrieur suit une loi exponentielle.
Une limination peut tre considre comme "l'migration" d'une population de
molcules travers une membrane ; cela amne un autre type de modle.

29

Applications concrtes
Les lois exponentielles se rencontrent assez souvent dans la nature. Pour ne
citer que quelque cas :

en radioactivit, le nombre d'atomes radioactifs suit une loi exponentielle

dcroissante de dsintgration radioactive,

en biologie, le dbut de dveloppement d'un organisme ou d'un organe est en

gnral bien dcrit par une loi exponentielle (phase exponentielle du dveloppement).
Les cellules se divisent en deux au bout du temps T ; donc, aux temps T , 2T , 3T ,
. . . , le nombre de cellules serait environ de 2N0 , 4N0 ,8N0 ,16N0 , . . ., ce qui correspond
la fonction N (t ) = N0 2t /T = N0 e ln 2(t /T ) . Mme dans le cas o on part d'une seule
cellule, N0 = 1, c'est cette fonction qui dcrit correctement le phnomne au bout de
quelques cycles de reproduction.
en dmographie, si on suppose les taux n de natalit et taux m de mortalit
constants, et si on admet l'hypothse de base, la population suit une loi exponentielle
(loi de Malthus), de coecient k = n m ,
en mdecine, l'limination d'un mdicament vers l'extrieur suit une loi exponentielle.
Une limination peut tre considre comme "l'migration" d'une population de
molcules travers une membrane ; cela amne un autre type de modle.

29

Applications concrtes
Les lois exponentielles se rencontrent assez souvent dans la nature. Pour ne
citer que quelque cas :

en radioactivit, le nombre d'atomes radioactifs suit une loi exponentielle

dcroissante de dsintgration radioactive,

en biologie, le dbut de dveloppement d'un organisme ou d'un organe est en

gnral bien dcrit par une loi exponentielle (phase exponentielle du dveloppement).
Les cellules se divisent en deux au bout du temps T ; donc, aux temps T , 2T , 3T ,
. . . , le nombre de cellules serait environ de 2N0 , 4N0 ,8N0 ,16N0 , . . ., ce qui correspond
la fonction N (t ) = N0 2t /T = N0 e ln 2(t /T ) . Mme dans le cas o on part d'une seule
cellule, N0 = 1, c'est cette fonction qui dcrit correctement le phnomne au bout de
quelques cycles de reproduction.
en dmographie, si on suppose les taux n de natalit et taux m de mortalit
constants, et si on admet l'hypothse de base, la population suit une loi exponentielle
(loi de Malthus), de coecient k = n m ,
en mdecine, l'limination d'un mdicament vers l'extrieur suit une loi exponentielle.
Une limination peut tre considre comme "l'migration" d'une population de
molcules travers une membrane ; cela amne un autre type de modle.

29

Applications concrtes
Les lois exponentielles se rencontrent assez souvent dans la nature. Pour ne
citer que quelque cas :

en radioactivit, le nombre d'atomes radioactifs suit une loi exponentielle

dcroissante de dsintgration radioactive,

en biologie, le dbut de dveloppement d'un organisme ou d'un organe est en

gnral bien dcrit par une loi exponentielle (phase exponentielle du dveloppement).
Les cellules se divisent en deux au bout du temps T ; donc, aux temps T , 2T , 3T ,
. . . , le nombre de cellules serait environ de 2N0 , 4N0 ,8N0 ,16N0 , . . ., ce qui correspond
la fonction N (t ) = N0 2t /T = N0 e ln 2(t /T ) . Mme dans le cas o on part d'une seule
cellule, N0 = 1, c'est cette fonction qui dcrit correctement le phnomne au bout de
quelques cycles de reproduction.
en dmographie, si on suppose les taux n de natalit et taux m de mortalit
constants, et si on admet l'hypothse de base, la population suit une loi exponentielle
(loi de Malthus), de coecient k = n m ,
en mdecine, l'limination d'un mdicament vers l'extrieur suit une loi exponentielle.
Une limination peut tre considre comme "l'migration" d'une population de
molcules travers une membrane ; cela amne un autre type de modle.

29

Datation isotopique : la mthode du carbone 14


La datation des fossiles est importante pour les palontologues. La
mthode du carbone 14 est base sur les 2 observations suivantes :
(1) Le taux

de l'isotope C14 dans un organisme vivant est toujours le

mme.
(2) Lorsque l'organisme meurt, le taux de C14 dcrot par dsintgration
naturelle du C14 en C12 . Cette dsintgration se fait proportionnellement
la population de C14 , ce qui conduit l'quation direntielle

0 (t ) = k (t ); (0) = 0
La solution de cette quation direntielle est

(t ) = 0 e kt
si t

30

=0

reprsente l'instant de la mort de l'organisme.

Datation isotopique : la mthode du carbone 14


La datation des fossiles est importante pour les palontologues. La
mthode du carbone 14 est base sur les 2 observations suivantes :
(1) Le taux

de l'isotope C14 dans un organisme vivant est toujours le

mme.
(2) Lorsque l'organisme meurt, le taux de C14 dcrot par dsintgration
naturelle du C14 en C12 . Cette dsintgration se fait proportionnellement
la population de C14 , ce qui conduit l'quation direntielle

0 (t ) = k (t ); (0) = 0
La solution de cette quation direntielle est

(t ) = 0 e kt
si t

30

=0

reprsente l'instant de la mort de l'organisme.

Datation isotopique : la mthode du carbone 14


La datation des fossiles est importante pour les palontologues. La
mthode du carbone 14 est base sur les 2 observations suivantes :
(1) Le taux

de l'isotope C14 dans un organisme vivant est toujours le

mme.
(2) Lorsque l'organisme meurt, le taux de C14 dcrot par dsintgration
naturelle du C14 en C12 . Cette dsintgration se fait proportionnellement
la population de C14 , ce qui conduit l'quation direntielle

0 (t ) = k (t ); (0) = 0
La solution de cette quation direntielle est

(t ) = 0 e kt
si t

30

=0

reprsente l'instant de la mort de l'organisme.

On dnit k au moyen de la demi-dure de vie T


par

(T ) = (0),
2

soit
T

ln 2

|k |

Connaissant le temps de demi-vie du carbone 14 (environ 5700 ans), on en


dduit, par mesure du taux de carbone 14 prsent dans l'chantillon,
l'anciennet du fossile.

Exemple (3.1, pour les TD)


La dsintgration de 50 % du carbone 14 s'est produite dans 5700 ans.
Dans combien de temps restera-t-il 5 % de toute la quantit initiale ?
Rponse : t

31

5700

ln 20
ln 2

= 5700

3,00
0,69

= 24600.

Rappels sur le calcul des primitives et des intgrales (voir


([Bert], p.63-73)

On part de la notion d'aire d'une surface du plan limite par une


courbe simple. On ne cherche pas dnir rigoureusement cette
notion, mais plutt, en admettant des proprits videntes
(additivit des aires de surfaces disjointes, aire d'un rectangle, d'un
trapze, . . .), calculer de telles aires.
On s'intressera surtout au cas d'une surface limit par la courbe
dnie par une quation du type y

= f (x ).

Dans ce cas, l'aire peut

se calculer numriquement, si on connat une fonction F dont la


drive est la fonction f (i.e. si on connat une primitive F de f ).

32

Dnition de l'intgrale de f sur l'intervalle [a, b]


On suppose d'abord a

< b.

On considre la surface limite par la courbe

reprsentative de la fonction f , l'axe Ox et les parallles x


Si f

0,

Sur les intervalles o f

0,

Notation

L'intgrale de la fonction f
sur l'intervalle [a, b ] se note

a f (x )dx ou

33

=b

l'axe Oy .

l'aire est aecte du signe moins : l'intgrale de f est

l'aire algbrique de la surface.

Rb

= a,

l'intgrale de f sur l'intervalle [a, b ] est l'aire de cette surface.

Rb

a f (t )dt ou

Rb

a fdt

Dnition de l'intgrale de f sur l'intervalle [a, b]


On suppose d'abord a

< b.

On considre la surface limite par la courbe

reprsentative de la fonction f , l'axe Ox et les parallles x


Si f

0,

Sur les intervalles o f

0,

Notation

L'intgrale de la fonction f
sur l'intervalle [a, b ] se note

a f (x )dx ou

33

=b

l'axe Oy .

l'aire est aecte du signe moins : l'intgrale de f est

l'aire algbrique de la surface.

Rb

= a,

l'intgrale de f sur l'intervalle [a, b ] est l'aire de cette surface.

Rb

a f (t )dt ou

Rb

a fdt

Dnition de l'intgrale de f sur l'intervalle [a, b]


On suppose d'abord a

< b.

On considre la surface limite par la courbe

reprsentative de la fonction f , l'axe Ox et les parallles x


Si f

0,

Sur les intervalles o f

0,

Notation

L'intgrale de la fonction f
sur l'intervalle [a, b ] se note

a f (x )dx ou

33

=b

l'axe Oy .

l'aire est aecte du signe moins : l'intgrale de f est

l'aire algbrique de la surface.

Rb

= a,

l'intgrale de f sur l'intervalle [a, b ] est l'aire de cette surface.

Rb

a f (t )dt ou

Rb

a fdt

Dnition de l'intgrale de f sur l'intervalle [a, b]


On suppose d'abord a

< b.

On considre la surface limite par la courbe

reprsentative de la fonction f , l'axe Ox et les parallles x


Si f

0,

Sur les intervalles o f

0,

Notation

L'intgrale de la fonction f
sur l'intervalle [a, b ] se note

a f (x )dx ou

33

=b

l'axe Oy .

l'aire est aecte du signe moins : l'intgrale de f est

l'aire algbrique de la surface.

Rb

= a,

l'intgrale de f sur l'intervalle [a, b ] est l'aire de cette surface.

Rb

a f (t )dt ou

Rb

a fdt

Calcul numrique des intgrales


Mthode des rectangles.

On subdivise l'intervalle [a, b ] en n intervalles gaux. Le pas h de la mthode est gal

(b a )

. On approche l'intgrale I

rectangles

Rn

Rb

Erreur de la mthode.

On suppose que la fonction f


est drivable et que
sa drive f

0 est majore
0

en valeur absolue sur [a, b ] par M ;


on en dduit la majoration

( b a )2
n
0
0
2 hM h
2n M
On vrie que Rn est d'autant plus

|I Rn |

proche de I que n est grand :


la suite

34

(Rn )

a f (x )dx par la somme Rn des aires des

= h[f (a) + f (a + h) + f (a + 2h) + f (a + (n 1)h)]

tend vers l'intgrale I .

Calcul numrique des intgrales


Mthode des rectangles.

On subdivise l'intervalle [a, b ] en n intervalles gaux. Le pas h de la mthode est gal

(b a )

. On approche l'intgrale I

rectangles

Rn

Rb

Erreur de la mthode.

On suppose que la fonction f


est drivable et que
sa drive f

0 est majore
0

en valeur absolue sur [a, b ] par M ;


on en dduit la majoration

( b a )2
n
0
0
2 hM h
2n M
On vrie que Rn est d'autant plus

|I Rn |

proche de I que n est grand :


la suite

34

(Rn )

a f (x )dx par la somme Rn des aires des

= h[f (a) + f (a + h) + f (a + 2h) + f (a + (n 1)h)]

tend vers l'intgrale I .

Proprits de l'intgrale
Proprits algbriques

I Linarit sur l'intervalle x :

Rb

a k

f (t )dt = k

Rb

a (f (t ) + g (t ))dt

Rb

Rb

a f (t )dt

Rb

a g (t )dt ,

R.
< b on pose :
Rb
Rc
= a f (t )dt + b f (t )dt

a f (t )dt pour toute constante k

I Proprits relatives l'intervalle d'intgration : Pour a

Ra

b f (t )dt

pour tous

Rb
Rc
= a f (t )dt , alors a f (t )dt
a, b , c R (l'galit de Chasle).

Relations entre l'intgrale et la primitive


I Primitive d'une fonction. Si F est une fonction drivable telle que F 0

=f,

F est une primitive de f . On suppose f continue sur un intervalle.


La fonction F dnie par F (x )
Indication :

On

veut montrer F

x +x

Z
F (x

+ x ) F (x ) =

|E (x )| x f (x )

0 (x )

Rx

a f (t )dt est une primitive de f .

= f (x ).

f (t )dx

L'identit de Chasle donne :

= x f (x ) + E (x ),

avec

F (x )
= f (x ), puisque E(xx) 0.
x
Z b
0
calcul intgral :
F (t )dt = F (b ) F (a)

lim

x 0

I Formule fondamentale du

35

on dit que

Proprits de l'intgrale
Proprits algbriques

I Linarit sur l'intervalle x :

Rb

a k

f (t )dt = k

Rb

a (f (t ) + g (t ))dt

Rb

Rb

a f (t )dt

Rb

a g (t )dt ,

R.
< b on pose :
Rb
Rc
= a f (t )dt + b f (t )dt

a f (t )dt pour toute constante k

I Proprits relatives l'intervalle d'intgration : Pour a

Ra

b f (t )dt

pour tous

Rb
Rc
= a f (t )dt , alors a f (t )dt
a, b , c R (l'galit de Chasle).

Relations entre l'intgrale et la primitive


I Primitive d'une fonction. Si F est une fonction drivable telle que F 0

=f,

F est une primitive de f . On suppose f continue sur un intervalle.


La fonction F dnie par F (x )
Indication :

On

veut montrer F

x +x

Z
F (x

+ x ) F (x ) =

|E (x )| x f (x )

0 (x )

Rx

a f (t )dt est une primitive de f .

= f (x ).

f (t )dx

L'identit de Chasle donne :

= x f (x ) + E (x ),

avec

F (x )
= f (x ), puisque E(xx) 0.
x
Z b
0
calcul intgral :
F (t )dt = F (b ) F (a)

lim

x 0

I Formule fondamentale du

35

on dit que

Proprits de l'intgrale
Proprits algbriques

I Linarit sur l'intervalle x :

Rb

a k

f (t )dt = k

Rb

a (f (t ) + g (t ))dt

Rb

Rb

a f (t )dt

Rb

a g (t )dt ,

R.
< b on pose :
Rb
Rc
= a f (t )dt + b f (t )dt

a f (t )dt pour toute constante k

I Proprits relatives l'intervalle d'intgration : Pour a

Ra

b f (t )dt

pour tous

Rb
Rc
= a f (t )dt , alors a f (t )dt
a, b , c R (l'galit de Chasle).

Relations entre l'intgrale et la primitive


I Primitive d'une fonction. Si F est une fonction drivable telle que F 0

=f,

F est une primitive de f . On suppose f continue sur un intervalle.


La fonction F dnie par F (x )
Indication :

On

veut montrer F

x +x

Z
F (x

+ x ) F (x ) =

|E (x )| x f (x )

0 (x )

Rx

a f (t )dt est une primitive de f .

= f (x ).

f (t )dx

L'identit de Chasle donne :

= x f (x ) + E (x ),

avec

F (x )
= f (x ), puisque E(xx) 0.
x
Z b
0
calcul intgral :
F (t )dt = F (b ) F (a)

lim

x 0

I Formule fondamentale du

35

on dit que

Proprits de l'intgrale
Proprits algbriques

I Linarit sur l'intervalle x :

Rb

a k

f (t )dt = k

Rb

a (f (t ) + g (t ))dt

Rb

Rb

a f (t )dt

Rb

a g (t )dt ,

R.
< b on pose :
Rb
Rc
= a f (t )dt + b f (t )dt

a f (t )dt pour toute constante k

I Proprits relatives l'intervalle d'intgration : Pour a

Ra

b f (t )dt

pour tous

Rb
Rc
= a f (t )dt , alors a f (t )dt
a, b , c R (l'galit de Chasle).

Relations entre l'intgrale et la primitive


I Primitive d'une fonction. Si F est une fonction drivable telle que F 0

=f,

F est une primitive de f . On suppose f continue sur un intervalle.


La fonction F dnie par F (x )
Indication :

On

veut montrer F

x +x

Z
F (x

+ x ) F (x ) =

|E (x )| x f (x )

0 (x )

Rx

a f (t )dt est une primitive de f .

= f (x ).

f (t )dx

L'identit de Chasle donne :

= x f (x ) + E (x ),

avec

F (x )
= f (x ), puisque E(xx) 0.
x
Z b
0
calcul intgral :
F (t )dt = F (b ) F (a)

lim

x 0

I Formule fondamentale du

35

on dit que

Proprits de l'intgrale
Proprits algbriques

I Linarit sur l'intervalle x :

Rb

a k

f (t )dt = k

Rb

a (f (t ) + g (t ))dt

Rb

Rb

a f (t )dt

Rb

a g (t )dt ,

R.
< b on pose :
Rb
Rc
= a f (t )dt + b f (t )dt

a f (t )dt pour toute constante k

I Proprits relatives l'intervalle d'intgration : Pour a

Ra

b f (t )dt

pour tous

Rb
Rc
= a f (t )dt , alors a f (t )dt
a, b , c R (l'galit de Chasle).

Relations entre l'intgrale et la primitive


I Primitive d'une fonction. Si F est une fonction drivable telle que F 0

=f,

F est une primitive de f . On suppose f continue sur un intervalle.


La fonction F dnie par F (x )
Indication :

On

veut montrer F

x +x

Z
F (x

+ x ) F (x ) =

|E (x )| x f (x )

0 (x )

Rx

a f (t )dt est une primitive de f .

= f (x ).

f (t )dx

L'identit de Chasle donne :

= x f (x ) + E (x ),

avec

F (x )
= f (x ), puisque E(xx) 0.
x
Z b
0
calcul intgral :
F (t )dt = F (b ) F (a)

lim

x 0

I Formule fondamentale du

35

on dit que

Tableau des primitives usuelles

(toute autre primitive est de la forme F + constante).


I
I
I

I
I
I
I
I

36

Fonctions puissances f (x ) = x , F (x ) = +1 1 x +1 (pour 6= 1)


Fonctions exponentielles f (x ) = e x , F (x ) = 1 e (x ) (pour 6= 0)
Fonctions trigonomtriques f (x ) = cos( x ), F (x ) = 1 sin( x ) (pour 6= 0)
1
f (x ) = sin( x ), F (x ) =
cos( x ) (pour 6= 0
1

3
f (x ) =
,
F (x ) = tgx (pour
2
cos x
2 < x < 2 ou 2 < x < 2 ou . . .)
1
f (x ) =
x +a , F (x ) = ln |x + a| (pour x < a ou pour x > a)
1
1
1+x
f (x ) =
1x 2 , F (x ) = 2 ln | 1x | (pour x < 1 ou pour 1 < x < 1 ou x > 1)
1
f (x ) =
1+x 2 , F (x ) = arctgx
1
f (x ) =
, F (x ) = arcsin x (pour 1 < x < 1)
1x 2
f

(x ) =

1
1+x 2

, F (x ) = arcsinhx

Tableau des primitives usuelles

(toute autre primitive est de la forme F + constante).


I
I
I

I
I
I
I
I

36

Fonctions puissances f (x ) = x , F (x ) = +1 1 x +1 (pour 6= 1)


Fonctions exponentielles f (x ) = e x , F (x ) = 1 e (x ) (pour 6= 0)
Fonctions trigonomtriques f (x ) = cos( x ), F (x ) = 1 sin( x ) (pour 6= 0)
1
f (x ) = sin( x ), F (x ) =
cos( x ) (pour 6= 0
1

3
f (x ) =
,
F (x ) = tgx (pour
2
cos x
2 < x < 2 ou 2 < x < 2 ou . . .)
1
f (x ) =
x +a , F (x ) = ln |x + a| (pour x < a ou pour x > a)
1
1
1+x
f (x ) =
1x 2 , F (x ) = 2 ln | 1x | (pour x < 1 ou pour 1 < x < 1 ou x > 1)
1
f (x ) =
1+x 2 , F (x ) = arctgx
1
f (x ) =
, F (x ) = arcsin x (pour 1 < x < 1)
1x 2
f

(x ) =

1
1+x 2

, F (x ) = arcsinhx

Tableau des primitives usuelles

(toute autre primitive est de la forme F + constante).


I
I
I

I
I
I
I
I

36

Fonctions puissances f (x ) = x , F (x ) = +1 1 x +1 (pour 6= 1)


Fonctions exponentielles f (x ) = e x , F (x ) = 1 e (x ) (pour 6= 0)
Fonctions trigonomtriques f (x ) = cos( x ), F (x ) = 1 sin( x ) (pour 6= 0)
1
f (x ) = sin( x ), F (x ) =
cos( x ) (pour 6= 0
1

3
f (x ) =
,
F (x ) = tgx (pour
2
cos x
2 < x < 2 ou 2 < x < 2 ou . . .)
1
f (x ) =
x +a , F (x ) = ln |x + a| (pour x < a ou pour x > a)
1
1
1+x
f (x ) =
1x 2 , F (x ) = 2 ln | 1x | (pour x < 1 ou pour 1 < x < 1 ou x > 1)
1
f (x ) =
1+x 2 , F (x ) = arctgx
1
f (x ) =
, F (x ) = arcsin x (pour 1 < x < 1)
1x 2
f

(x ) =

1
1+x 2

, F (x ) = arcsinhx

Tableau des primitives usuelles

(toute autre primitive est de la forme F + constante).


I
I
I

I
I
I
I
I

36

Fonctions puissances f (x ) = x , F (x ) = +1 1 x +1 (pour 6= 1)


Fonctions exponentielles f (x ) = e x , F (x ) = 1 e (x ) (pour 6= 0)
Fonctions trigonomtriques f (x ) = cos( x ), F (x ) = 1 sin( x ) (pour 6= 0)
1
f (x ) = sin( x ), F (x ) =
cos( x ) (pour 6= 0
1

3
f (x ) =
,
F (x ) = tgx (pour
2
cos x
2 < x < 2 ou 2 < x < 2 ou . . .)
1
f (x ) =
x +a , F (x ) = ln |x + a| (pour x < a ou pour x > a)
1
1
1+x
f (x ) =
1x 2 , F (x ) = 2 ln | 1x | (pour x < 1 ou pour 1 < x < 1 ou x > 1)
1
f (x ) =
1+x 2 , F (x ) = arctgx
1
f (x ) =
, F (x ) = arcsin x (pour 1 < x < 1)
1x 2
f

(x ) =

1
1+x 2

, F (x ) = arcsinhx

Tableau des primitives usuelles

(toute autre primitive est de la forme F + constante).


I
I
I

I
I
I
I
I

36

Fonctions puissances f (x ) = x , F (x ) = +1 1 x +1 (pour 6= 1)


Fonctions exponentielles f (x ) = e x , F (x ) = 1 e (x ) (pour 6= 0)
Fonctions trigonomtriques f (x ) = cos( x ), F (x ) = 1 sin( x ) (pour 6= 0)
1
f (x ) = sin( x ), F (x ) =
cos( x ) (pour 6= 0
1

3
f (x ) =
,
F (x ) = tgx (pour
2
cos x
2 < x < 2 ou 2 < x < 2 ou . . .)
1
f (x ) =
x +a , F (x ) = ln |x + a| (pour x < a ou pour x > a)
1
1
1+x
f (x ) =
1x 2 , F (x ) = 2 ln | 1x | (pour x < 1 ou pour 1 < x < 1 ou x > 1)
1
f (x ) =
1+x 2 , F (x ) = arctgx
1
f (x ) =
, F (x ) = arcsin x (pour 1 < x < 1)
1x 2
f

(x ) =

1
1+x 2

, F (x ) = arcsinhx

Tableau des primitives usuelles

(toute autre primitive est de la forme F + constante).


I
I
I

I
I
I
I
I

36

Fonctions puissances f (x ) = x , F (x ) = +1 1 x +1 (pour 6= 1)


Fonctions exponentielles f (x ) = e x , F (x ) = 1 e (x ) (pour 6= 0)
Fonctions trigonomtriques f (x ) = cos( x ), F (x ) = 1 sin( x ) (pour 6= 0)
1
f (x ) = sin( x ), F (x ) =
cos( x ) (pour 6= 0
1

3
f (x ) =
,
F (x ) = tgx (pour
2
cos x
2 < x < 2 ou 2 < x < 2 ou . . .)
1
f (x ) =
x +a , F (x ) = ln |x + a| (pour x < a ou pour x > a)
1
1
1+x
f (x ) =
1x 2 , F (x ) = 2 ln | 1x | (pour x < 1 ou pour 1 < x < 1 ou x > 1)
1
f (x ) =
1+x 2 , F (x ) = arctgx
1
f (x ) =
, F (x ) = arcsin x (pour 1 < x < 1)
1x 2
f

(x ) =

1
1+x 2

, F (x ) = arcsinhx

Tableau des primitives usuelles

(toute autre primitive est de la forme F + constante).


I
I
I

I
I
I
I
I

36

Fonctions puissances f (x ) = x , F (x ) = +1 1 x +1 (pour 6= 1)


Fonctions exponentielles f (x ) = e x , F (x ) = 1 e (x ) (pour 6= 0)
Fonctions trigonomtriques f (x ) = cos( x ), F (x ) = 1 sin( x ) (pour 6= 0)
1
f (x ) = sin( x ), F (x ) =
cos( x ) (pour 6= 0
1

3
f (x ) =
,
F (x ) = tgx (pour
2
cos x
2 < x < 2 ou 2 < x < 2 ou . . .)
1
f (x ) =
x +a , F (x ) = ln |x + a| (pour x < a ou pour x > a)
1
1
1+x
f (x ) =
1x 2 , F (x ) = 2 ln | 1x | (pour x < 1 ou pour 1 < x < 1 ou x > 1)
1
f (x ) =
1+x 2 , F (x ) = arctgx
1
f (x ) =
, F (x ) = arcsin x (pour 1 < x < 1)
1x 2
f

(x ) =

1
1+x 2

, F (x ) = arcsinhx

Tableau des primitives usuelles

(toute autre primitive est de la forme F + constante).


I
I
I

I
I
I
I
I

36

Fonctions puissances f (x ) = x , F (x ) = +1 1 x +1 (pour 6= 1)


Fonctions exponentielles f (x ) = e x , F (x ) = 1 e (x ) (pour 6= 0)
Fonctions trigonomtriques f (x ) = cos( x ), F (x ) = 1 sin( x ) (pour 6= 0)
1
f (x ) = sin( x ), F (x ) =
cos( x ) (pour 6= 0
1

3
f (x ) =
,
F (x ) = tgx (pour
2
cos x
2 < x < 2 ou 2 < x < 2 ou . . .)
1
f (x ) =
x +a , F (x ) = ln |x + a| (pour x < a ou pour x > a)
1
1
1+x
f (x ) =
1x 2 , F (x ) = 2 ln | 1x | (pour x < 1 ou pour 1 < x < 1 ou x > 1)
1
f (x ) =
1+x 2 , F (x ) = arctgx
1
f (x ) =
, F (x ) = arcsin x (pour 1 < x < 1)
1x 2
f

(x ) =

1
1+x 2

, F (x ) = arcsinhx

Tableau des primitives usuelles

(toute autre primitive est de la forme F + constante).


I
I
I

I
I
I
I
I

36

Fonctions puissances f (x ) = x , F (x ) = +1 1 x +1 (pour 6= 1)


Fonctions exponentielles f (x ) = e x , F (x ) = 1 e (x ) (pour 6= 0)
Fonctions trigonomtriques f (x ) = cos( x ), F (x ) = 1 sin( x ) (pour 6= 0)
1
f (x ) = sin( x ), F (x ) =
cos( x ) (pour 6= 0
1

3
f (x ) =
,
F (x ) = tgx (pour
2
cos x
2 < x < 2 ou 2 < x < 2 ou . . .)
1
f (x ) =
x +a , F (x ) = ln |x + a| (pour x < a ou pour x > a)
1
1
1+x
f (x ) =
1x 2 , F (x ) = 2 ln | 1x | (pour x < 1 ou pour 1 < x < 1 ou x > 1)
1
f (x ) =
1+x 2 , F (x ) = arctgx
1
f (x ) =
, F (x ) = arcsin x (pour 1 < x < 1)
1x 2
f

(x ) =

1
1+x 2

, F (x ) = arcsinhx

Cours N 3,
Mthodes de calcul des primitives

Intgration par
parties. (Ruv )0 = uv 0 R+ vu 0
R

Rb

impliquie

Rb
b
b
b
0
0
0
a (uv ) dx = a uv dx + a vu dx = a udv + a vdu, d'o
Rb
Rb
b
a udv = [uv ]a a vdu ou encore
Rb
Rb
0
0
a u (x )v (x )dx = u (b )v (b ) u (a)v (a) a v (x )u (x )dx .

Exercice (3.2. Application : recherche d'une primitive de f (x ) = ln(x ))


Montrer que F , dnie par F (x )

= x ln(x ) x

(pour x

> 0)),

est une primitive de

ln(x ).

Utilisation de la notation direntielle.


Exercice (3.3. Application : recherche d'une primitive de f (x ) =
Montrer que si f (x )

37

1
x ln(x ) , F (x )

= ln | ln(x )|

(pour x

> 1),

1
x ln(x )

Cours N 3,
Mthodes de calcul des primitives

Intgration par
parties. (Ruv )0 = uv 0 R+ vu 0
R

Rb

impliquie

Rb
b
b
b
0
0
0
a (uv ) dx = a uv dx + a vu dx = a udv + a vdu, d'o
Rb
Rb
b
a udv = [uv ]a a vdu ou encore
Rb
Rb
0
0
a u (x )v (x )dx = u (b )v (b ) u (a)v (a) a v (x )u (x )dx .

Exercice (3.2. Application : recherche d'une primitive de f (x ) = ln(x ))


Montrer que F , dnie par F (x )

= x ln(x ) x

(pour x

> 0)),

est une primitive de

ln(x ).

Utilisation de la notation direntielle.


Exercice (3.3. Application : recherche d'une primitive de f (x ) =
Montrer que si f (x )

37

1
x ln(x ) , F (x )

= ln | ln(x )|

(pour x

> 1),

1
x ln(x )

Cours N 3,
Mthodes de calcul des primitives

Intgration par
parties. (Ruv )0 = uv 0 R+ vu 0
R

Rb

impliquie

Rb
b
b
b
0
0
0
a (uv ) dx = a uv dx + a vu dx = a udv + a vdu, d'o
Rb
Rb
b
a udv = [uv ]a a vdu ou encore
Rb
Rb
0
0
a u (x )v (x )dx = u (b )v (b ) u (a)v (a) a v (x )u (x )dx .

Exercice (3.2. Application : recherche d'une primitive de f (x ) = ln(x ))


Montrer que F , dnie par F (x )

= x ln(x ) x

(pour x

> 0)),

est une primitive de

ln(x ).

Utilisation de la notation direntielle.


Exercice (3.3. Application : recherche d'une primitive de f (x ) =
Montrer que si f (x )

37

1
x ln(x ) , F (x )

= ln | ln(x )|

(pour x

> 1),

1
x ln(x )

Cours N 3,
Mthodes de calcul des primitives

Intgration par
parties. (Ruv )0 = uv 0 R+ vu 0
R

Rb

impliquie

Rb
b
b
b
0
0
0
a (uv ) dx = a uv dx + a vu dx = a udv + a vdu, d'o
Rb
Rb
b
a udv = [uv ]a a vdu ou encore
Rb
Rb
0
0
a u (x )v (x )dx = u (b )v (b ) u (a)v (a) a v (x )u (x )dx .

Exercice (3.2. Application : recherche d'une primitive de f (x ) = ln(x ))


Montrer que F , dnie par F (x )

= x ln(x ) x

(pour x

> 0)),

est une primitive de

ln(x ).

Utilisation de la notation direntielle.


Exercice (3.3. Application : recherche d'une primitive de f (x ) =
Montrer que si f (x )

37

1
x ln(x ) , F (x )

= ln | ln(x )|

(pour x

> 1),

1
x ln(x )

Changement de variables
Rgle pratique du changement de variables :

I On choisit la nouvelle variable u

= u (x )

I On transforme les direntielles suivant les rgles habituelles : du


d'o dx

du
u 0 (x )

= u 0 (x )dx ,

I On transforme l'lment direntiel intgrer de manire obtenir un lment


direntiel en u et du.

I On transforme les bornes :

Rb

a devient

R u (b )

u (a ) .

Exercice (3.4. Application : recherche d'une primitive de f (x ) =


Montrer que si f (x )

1
sin(x ) , F

x
ln |tg ( )| (pour sin(x )
2

6= 0 ),

Exercice (3.5. Fonctions logarithmiques)


Soit f (x )

38

= tg(x).

Pour quel x

>0

on a F

= ln | cos(x )| ?

1
sin(x )

Changement de variables
Rgle pratique du changement de variables :

I On choisit la nouvelle variable u

= u (x )

I On transforme les direntielles suivant les rgles habituelles : du


d'o dx

du
u 0 (x )

= u 0 (x )dx ,

I On transforme l'lment direntiel intgrer de manire obtenir un lment


direntiel en u et du.

I On transforme les bornes :

Rb

a devient

R u (b )

u (a ) .

Exercice (3.4. Application : recherche d'une primitive de f (x ) =


Montrer que si f (x )

1
sin(x ) , F

x
ln |tg ( )| (pour sin(x )
2

6= 0 ),

Exercice (3.5. Fonctions logarithmiques)


Soit f (x )

38

= tg(x).

Pour quel x

>0

on a F

= ln | cos(x )| ?

1
sin(x )

Gnralisations, voir [Bert], p.73-75


Intgrale sur un intervalle inni. Soit f

coninue pour x
rel

> 0.

une fonction de la variable x dnie et

On considre l'intgralle IA

> a.

Si IA a une limite quand A tend vers

[a, +],

et on la note I

R
a

+,

RA

a f (x )dx , o A est un nombre

on appelle cette limite l'intgrale de f sur

f (x )dx . Dans le cas o la fonction f

0,

cette

limite mesure la surface innie comprise entre la courbe reprsentative de f , l'axe des
x et la droite x

= a.

Dnitions analogues pour

Ra

f (x )dx et pour

R +

f (x )dx .

Exemples (3.6.)
a)

R
1

1
x 2 dx

En eet
b)

39

R
1

= 1.
Z

lim


dx

A+ 1 x 2
1
dx n'existe pas.
x

lim

A+

1
x


A
=
1


lim

A+

1
A


+1

= 1.

Gnralisations, voir [Bert], p.73-75


Intgrale sur un intervalle inni. Soit f

coninue pour x
rel

> 0.

une fonction de la variable x dnie et

On considre l'intgralle IA

> a.

Si IA a une limite quand A tend vers

[a, +],

et on la note I

R
a

+,

RA

a f (x )dx , o A est un nombre

on appelle cette limite l'intgrale de f sur

f (x )dx . Dans le cas o la fonction f

0,

cette

limite mesure la surface innie comprise entre la courbe reprsentative de f , l'axe des
x et la droite x

= a.

Dnitions analogues pour

Ra

f (x )dx et pour

R +

f (x )dx .

Exemples (3.6.)
a)

R
1

1
x 2 dx

En eet
b)

39

R
1

= 1.
Z

lim


dx

A+ 1 x 2
1
dx n'existe pas.
x

lim

A+

1
x


A
=
1


lim

A+

1
A


+1

= 1.

Gnralisations, voir [Bert], p.73-75


Intgrale sur un intervalle inni. Soit f

coninue pour x
rel

> 0.

une fonction de la variable x dnie et

On considre l'intgralle IA

> a.

Si IA a une limite quand A tend vers

[a, +],

et on la note I

R
a

+,

RA

a f (x )dx , o A est un nombre

on appelle cette limite l'intgrale de f sur

f (x )dx . Dans le cas o la fonction f

0,

cette

limite mesure la surface innie comprise entre la courbe reprsentative de f , l'axe des
x et la droite x

= a.

Dnitions analogues pour

Ra

f (x )dx et pour

R +

f (x )dx .

Exemples (3.6.)
a)

R
1

1
x 2 dx

En eet
b)

39

R
1

= 1.
Z

lim


dx

A+ 1 x 2
1
dx n'existe pas.
x

lim

A+

1
x


A
=
1


lim

A+

1
A


+1

= 1.

Gnralisations, voir [Bert], p.73-75


Intgrale sur un intervalle inni. Soit f

coninue pour x
rel

> 0.

une fonction de la variable x dnie et

On considre l'intgralle IA

> a.

Si IA a une limite quand A tend vers

[a, +],

et on la note I

R
a

+,

RA

a f (x )dx , o A est un nombre

on appelle cette limite l'intgrale de f sur

f (x )dx . Dans le cas o la fonction f

0,

cette

limite mesure la surface innie comprise entre la courbe reprsentative de f , l'axe des
x et la droite x

= a.

Dnitions analogues pour

Ra

f (x )dx et pour

R +

f (x )dx .

Exemples (3.6.)
a)

R
1

1
x 2 dx

En eet
b)

39

R
1

= 1.
Z

lim


dx

A+ 1 x 2
1
dx n'existe pas.
x

lim

A+

1
x


A
=
1


lim

A+

1
A


+1

= 1.

Gnralisations (suite) voir [Bert], p.73-75


Intgrale d'une fonction non-borne. Soit f

une fonction de la variable x

dnie sur un intervalle ]a, b ]. On considre l'intgralle Iu

Rb

o u est un nombre rel strictement positif.

a+u f (x )dx ,

Si Iu a une limite quand u tend vers 0, on appelle cette limite l'intgrale de


f sur [a, b ], et on la note I
f

0,

Rb

a f (x )dx . Dans le cas o la fonction

cette limite mesure la surface innie comprise entre la courbe

reprsentative de f , l'axe des x et les droites x

=a

et x

= a.

Exemples
(3.7.)
Z
1

a)

En eet

Z
b)

40

dx

lim

= 2.
Z 1

u +0 u

2
0 x

dx

dx n'existe pas.

lim

u +0

 1
x =
u

lim

u +0


2 u = 2.

Gnralisations (suite) voir [Bert], p.73-75


Intgrale d'une fonction non-borne. Soit f

une fonction de la variable x

dnie sur un intervalle ]a, b ]. On considre l'intgralle Iu

Rb

o u est un nombre rel strictement positif.

a+u f (x )dx ,

Si Iu a une limite quand u tend vers 0, on appelle cette limite l'intgrale de


f sur [a, b ], et on la note I
f

0,

Rb

a f (x )dx . Dans le cas o la fonction

cette limite mesure la surface innie comprise entre la courbe

reprsentative de f , l'axe des x et les droites x

=a

et x

= a.

Exemples
(3.7.)
Z
1

a)

En eet

Z
b)

40

dx

lim

= 2.
Z 1

u +0 u

2
0 x

dx

dx n'existe pas.

lim

u +0

 1
x =
u

lim

u +0


2 u = 2.

Gnralisations (suite) voir [Bert], p.73-75


Intgrale d'une fonction non-borne. Soit f

une fonction de la variable x

dnie sur un intervalle ]a, b ]. On considre l'intgralle Iu

Rb

o u est un nombre rel strictement positif.

a+u f (x )dx ,

Si Iu a une limite quand u tend vers 0, on appelle cette limite l'intgrale de


f sur [a, b ], et on la note I
f

0,

Rb

a f (x )dx . Dans le cas o la fonction

cette limite mesure la surface innie comprise entre la courbe

reprsentative de f , l'axe des x et les droites x

=a

et x

= a.

Exemples
(3.7.)
Z
1

a)

En eet

Z
b)

40

dx

lim

= 2.
Z 1

u +0 u

2
0 x

dx

dx n'existe pas.

lim

u +0

 1
x =
u

lim

u +0


2 u = 2.

Exemples de problmes (pour TD, voir [Ayr], p.49-50)


1. Si la population d'un pays double en 50 ans, en combien de temps
triplera-t-elle, compte tenu de ce que le taux instantan d'accroissement
est proportionnel au nombre d'habitants ?
Rponse : 79 ans

50 ln(3)/ ln(2).

2. Dans une culture le taux instantan d'accroisement du nombre des


bactries est proportionnel ce nombre.
(a) Si l'on constate que ce nombre double en 4 heures, quel sera-t-il au
bout de 12 heures ?

4 bactries au bout de 3 heures et 4 104 au bout de 5

(b) S'il y a 10

heures, quel tait le nombre initial ?


Rponse : (a) 8 fois (b) Il y avait 10

41

4 /8 bactries initialement.

Exemples de problmes (pour TD, voir [Ayr], p.49-50)


1. Si la population d'un pays double en 50 ans, en combien de temps
triplera-t-elle, compte tenu de ce que le taux instantan d'accroissement
est proportionnel au nombre d'habitants ?
Rponse : 79 ans

50 ln(3)/ ln(2).

2. Dans une culture le taux instantan d'accroisement du nombre des


bactries est proportionnel ce nombre.
(a) Si l'on constate que ce nombre double en 4 heures, quel sera-t-il au
bout de 12 heures ?

4 bactries au bout de 3 heures et 4 104 au bout de 5

(b) S'il y a 10

heures, quel tait le nombre initial ?


Rponse : (a) 8 fois (b) Il y avait 10

41

4 /8 bactries initialement.

Exemples de problmes (pour TD, voir [Ayr], p.49-50)


1. Si la population d'un pays double en 50 ans, en combien de temps
triplera-t-elle, compte tenu de ce que le taux instantan d'accroissement
est proportionnel au nombre d'habitants ?
Rponse : 79 ans

50 ln(3)/ ln(2).

2. Dans une culture le taux instantan d'accroisement du nombre des


bactries est proportionnel ce nombre.
(a) Si l'on constate que ce nombre double en 4 heures, quel sera-t-il au
bout de 12 heures ?

4 bactries au bout de 3 heures et 4 104 au bout de 5

(b) S'il y a 10

heures, quel tait le nombre initial ?


Rponse : (a) 8 fois (b) Il y avait 10

41

4 /8 bactries initialement.

Calcul des primives et d'intgrales avec Maple (optionnel)


> with(Student[Calculus1]):
ApproximateIntTutor();
ApproximateIntTutor(cos(x));
ApproximateIntTutor(cos(x), 0..Pi/2);
ApproximateIntTutor(cos(x), x=0..Pi/2);

Fig.: 2

42

1
2

Z
1

cos(x ) dx

1
2

cos(x ) sin(x )

cos(1) sin(1)

+
1
2

x
2

= cos(x )2 ,

cos(2) sin(2)

Fig.: 3

43

0

1
2

0.08347501947

Cours N 4,
Remarques sur l'intgration
Soit f une fonction exprime en fonctions usuelles, alors f

0 s'exprime de

nouveau en fonctions usuelles.


Par contre, une primitive F de f ne s'exprime pas en gnral en fonctions
usuelles.

Exemple

= te t
t 2
f (t ) = e
f (t )

44

Rx
2
= a te t dt =
R x t 2
F (x ) =
dt =:
a e
F (x )

R
1 x t 2 2
e
dt
2
a

= 12 e x + C
2

2 erf (x ) ("error function")

Cours N 4,
Remarques sur l'intgration
Soit f une fonction exprime en fonctions usuelles, alors f

0 s'exprime de

nouveau en fonctions usuelles.


Par contre, une primitive F de f ne s'exprime pas en gnral en fonctions
usuelles.

Exemple

= te t
t 2
f (t ) = e
f (t )

44

Rx
2
= a te t dt =
R x t 2
F (x ) =
dt =:
a e
F (x )

R
1 x t 2 2
e
dt
2
a

= 12 e x + C
2

2 erf (x ) ("error function")

Cours N 4,
Remarques sur l'intgration
Soit f une fonction exprime en fonctions usuelles, alors f

0 s'exprime de

nouveau en fonctions usuelles.


Par contre, une primitive F de f ne s'exprime pas en gnral en fonctions
usuelles.

Exemple

= te t
t 2
f (t ) = e
f (t )

44

Rx
2
= a te t dt =
R x t 2
F (x ) =
dt =:
a e
F (x )

R
1 x t 2 2
e
dt
2
a

= 12 e x + C
2

2 erf (x ) ("error function")

Fonction de Gauss
et l'intgrale de Poisson

R
0

t 2 dt

montre que

f (t )

f,m (t )

45

1 e
2

Exemple
1

Indication :

x 2

t2

utilisant les coordonns polaires on

y 2

Z
dy

/2 Z

fonction de Gauss

Z
dx

en

t m

( )2
2 2

F (t )

Rx

e
2 0

(t ) =

t m

( )2
2 2

r 2


d

rdr

R x t
e 2 dt
2 0
t m
2

dt

= (

Fonction de Gauss
et l'intgrale de Poisson

R
0

t 2 dt

montre que

f (t )

f,m (t )

45

1 e
2

Exemple
1

Indication :

x 2

t2

utilisant les coordonns polaires on

y 2

Z
dy

/2 Z

fonction de Gauss

Z
dx

en

t m

( )2
2 2

F (t )

Rx

e
2 0

(t ) =

t m

( )2
2 2

r 2


d

rdr

R x t
e 2 dt
2 0
t m
2

dt

= (

Fonction de Gauss
et l'intgrale de Poisson

R
0

t 2 dt

montre que

f (t )

f,m (t )

45

1 e
2

Exemple
1

Indication :

x 2

t2

utilisant les coordonns polaires on

y 2

Z
dy

/2 Z

fonction de Gauss

Z
dx

en

t m

( )2
2 2

F (t )

Rx

e
2 0

(t ) =

t m

( )2
2 2

r 2


d

rdr

R x t
e 2 dt
2 0
t m
2

dt

= (

Adaptation d'un modle. Exemple : Malthus modi.


Implications pour la phase de prvision.
Le raisonnement de Malthus a un dfaut majeur, il ne tient pas compte du fait
que le taux d'accroissement de la population humaine va diminuer cause de
dirents facteurs comme la diminution de l'espace disponible ou des ressources
ainsi que ... du niveau d'ducation.
On peut donc dans un modle un peu amlior imaginer que k dpend de N de
faon dcroissante, le plus simple tant une dcroissance linaire du type
k (N )

= k0 (N N )

(pour la population humaine dans le cas de Malthus, et

pour population bactrienne ou autres on imagine un milieu ne pouvant nourrir

individus). On obtient ainsi l'quation direntielle


= k0 (N N (t ))N (t ) dont on verra plus bas qu'elle prdit une population

tendant vers un quilibre N (t ) = N ("charge biotique", voir [Jean87], p.119).


plus de N

0
N (t )

46

Adaptation d'un modle. Exemple : Malthus modi.


Implications pour la phase de prvision.
Le raisonnement de Malthus a un dfaut majeur, il ne tient pas compte du fait
que le taux d'accroissement de la population humaine va diminuer cause de
dirents facteurs comme la diminution de l'espace disponible ou des ressources
ainsi que ... du niveau d'ducation.
On peut donc dans un modle un peu amlior imaginer que k dpend de N de
faon dcroissante, le plus simple tant une dcroissance linaire du type
k (N )

= k0 (N N )

(pour la population humaine dans le cas de Malthus, et

pour population bactrienne ou autres on imagine un milieu ne pouvant nourrir

individus). On obtient ainsi l'quation direntielle


= k0 (N N (t ))N (t ) dont on verra plus bas qu'elle prdit une population

tendant vers un quilibre N (t ) = N ("charge biotique", voir [Jean87], p.119).


plus de N

0
N (t )

46

Loi logistique. Rsolution mathmatique


On obtient ainsi l'quation direntielle N

0 (t )

= (N N (t ))N (t ),

= k0 .

En utilisant la sparation des variables on trouve la solution gnrale :

N (t )

N
1

K 1 e N t

Une telle fonction est appele

o K est une constante positive

fonction logistique.



= , et N (N 1N ) = N1 N1 + (N 1N ) ,

 0


N 0
(N N )0
N0
N
1
1
0
N (N N ) = N N (N N ) = N ln (N N ) = ( t ) , et




N
N
1
N t e N C .
N ln (N N ) = t + C . Il vient (N N ) = e

En eet ([Bert], p. 102),

On pose K
N (t )

que N

47

= eN

N0
N (N N )

N >0

= K (N N )e N
1 = sgn(N N ).

, alors N

N
, avec
1K 1 e N t

pour ce modle.

, et

Il reste remarquer

d'o

Loi logistique. Rsolution mathmatique


On obtient ainsi l'quation direntielle N

0 (t )

= (N N (t ))N (t ),

= k0 .

En utilisant la sparation des variables on trouve la solution gnrale :

N (t )

N
1

K 1 e N t

Une telle fonction est appele

o K est une constante positive

fonction logistique.



= , et N (N 1N ) = N1 N1 + (N 1N ) ,

 0


N 0
(N N )0
N0
N
1
1
0
N (N N ) = N N (N N ) = N ln (N N ) = ( t ) , et




N
N
1
N t e N C .
N ln (N N ) = t + C . Il vient (N N ) = e

En eet ([Bert], p. 102),

On pose K
N (t )

que N

47

= eN

N0
N (N N )

N >0

= K (N N )e N
1 = sgn(N N ).

, alors N

N
, avec
1K 1 e N t

pour ce modle.

, et

Il reste remarquer

d'o

Loi logistique. Rsolution mathmatique


On obtient ainsi l'quation direntielle N

0 (t )

= (N N (t ))N (t ),

= k0 .

En utilisant la sparation des variables on trouve la solution gnrale :

N (t )

N
1

K 1 e N t

Une telle fonction est appele

o K est une constante positive

fonction logistique.



= , et N (N 1N ) = N1 N1 + (N 1N ) ,

 0


N 0
(N N )0
N0
N
1
1
0
N (N N ) = N N (N N ) = N ln (N N ) = ( t ) , et




N
N
1
N t e N C .
N ln (N N ) = t + C . Il vient (N N ) = e

En eet ([Bert], p. 102),

On pose K
N (t )

que N

47

= eN

N0
N (N N )

N >0

= K (N N )e N
1 = sgn(N N ).

, alors N

N
, avec
1K 1 e N t

pour ce modle.

, et

Il reste remarquer

d'o

Loi logistique. Implications pour la phase de prvision


Exemple typique : dveloppement d'une population de bactries en
milieu ferm
On suppose que le nombre de bactries
l'instant initial t

=0

est trs infrieur

au nombre maximum N

pouvant vivre dans le milieu.


Les constantes

et K

= eN

sont alors positives,


la constante K tant grande.
On voit que la fonction N
est croissante et tend vers N
quand le temps t tend vers

48

+.

Loi logistique. Implications pour la phase de prvision


Exemple typique : dveloppement d'une population de bactries en
milieu ferm
On suppose que le nombre de bactries
l'instant initial t

=0

est trs infrieur

au nombre maximum N

pouvant vivre dans le milieu.


Les constantes

et K

= eN

sont alors positives,


la constante K tant grande.
On voit que la fonction N
est croissante et tend vers N
quand le temps t tend vers

48

+.

Loi logistique. Exemples numriques


Exemple (loi logistique) y

= y (5 y )

(visualisation avec Maple)

Exemple (loi logistique) y'=y(5-y)


> restart;with(DEtools):
ode := diff(y(x),x)=y(x)*(5-y(x));
dsolve(ode);
ode

:=

d
dx

y(x )

y(x )

= y(x ) (5 y(x ))
5

+ 9 e (5 x )

> dsolve( {ode, y(0)=0.5}, y(x));


y(x )

49

5
1

+ 9 e (5 x )

Exemple (loi logistique) y

= y (5 y )

(avec Maple)

> r:=diff(f(x),x$2);
> xi:=evalf(solve(r,x));
#point d'inflexion de y(x)
:= 0.4394449156

> DEplot(ode,y(x),x=0..2,[[y(0)=0.5],[y(0)=0.2],[y(0)=0.3]],
linecolor=[green,yellow,magenta]);

Montrer que tous


les points d'inexion
des solutions y(x)
se trouvent sur la droite

[y (5 y )]0y = 0,

50

i.e. y

= 5/2.

Identication d'un modle. Ajustement linaire par la


mthode des moindres carrs.

Dpendance fonctionnelle. Dans le plan rapport aux axes Ox,


Oy, on associe la fonction f l'ensemble des points de coordonnes

(x , f (x )),

cet ensemble s'appelle la courbe reprsentative ou graphe

de la fonction f .
On peut aussi reprsenter une fonction par une table de valeurs.
On parlera de dpendance fonctionnelle approche s'il existe une
fonction f telle que f (x ) soit une approximation de y .

51

Nuage des points


On parlera de dpendance fonctionnelle approche s'il existe une fonction f telle que
f (x ) soit une approximation de y .
Dans le plan euclidien rapport deux axes rectangulaires on
associe chaque observation du couple

(x , y )

le point M ayant

pour coordonnes les valeurs correspondantes de x et de y .

On obtient un nuage des points qui


dans le cas d'une dpendance fonctionnelle stricte,
sont situs sur la courbe reprsentative de la fonction f .
Dans le cas de deux variables x , y
telles que y soit "proche" de la valeur f (x )
- situation frquente dans les sciences exprimentales le nuage des points

{(x1 , y1 ), . . . , (xN , yN ), . . .}

est applati le long du graphe de la fonction f .

52

Nuage des points


On parlera de dpendance fonctionnelle approche s'il existe une fonction f telle que
f (x ) soit une approximation de y .
Dans le plan euclidien rapport deux axes rectangulaires on
associe chaque observation du couple

(x , y )

le point M ayant

pour coordonnes les valeurs correspondantes de x et de y .

On obtient un nuage des points qui


dans le cas d'une dpendance fonctionnelle stricte,
sont situs sur la courbe reprsentative de la fonction f .
Dans le cas de deux variables x , y
telles que y soit "proche" de la valeur f (x )
- situation frquente dans les sciences exprimentales le nuage des points

{(x1 , y1 ), . . . , (xN , yN ), . . .}

est applati le long du graphe de la fonction f .

52

Nuage des points


On parlera de dpendance fonctionnelle approche s'il existe une fonction f telle que
f (x ) soit une approximation de y .
Dans le plan euclidien rapport deux axes rectangulaires on
associe chaque observation du couple

(x , y )

le point M ayant

pour coordonnes les valeurs correspondantes de x et de y .

On obtient un nuage des points qui


dans le cas d'une dpendance fonctionnelle stricte,
sont situs sur la courbe reprsentative de la fonction f .
Dans le cas de deux variables x , y
telles que y soit "proche" de la valeur f (x )
- situation frquente dans les sciences exprimentales le nuage des points

{(x1 , y1 ), . . . , (xN , yN ), . . .}

est applati le long du graphe de la fonction f .

52

Identication d'un modle : choix des paramtres.


Dans les sciences exprimentales ou biologiques, la relation qu'on cherche
tablir en premire approximation entre deux variables x et y est souvent
donne par une fonction linaire y

= ax + b

(loi linaire). La reprsentation

graphique (coordonnes habituelles) est simple : le nuage de points est sur la


droite d'quation y

= ax + b

(dpendance stricte) ou ne s'en carte pas trop

(dpendance approche).
D'autres lois qui interviennent frquemment dans les sciences exprimentales ou
biologiques sont

I les lois exponentielles y

= Ce x

(dveloppements de populations,

dsintgration radioactive, voluation de concentration dans une raction


chimique, . . .)

I les lois puissances y

= Cx

entre dimensions, . . .

53

(dveloppements des organismes, rapports

Cours N 5,
Problme de l'ajustement
Le problme de l'ajustement consiste chercher parmi les fonctions de certain
type, la fonction f telle que les approximations y1

= f (x1 ),

. . ., yN

= f (xN ),

. . .soient les meilleurs possibles, c'est--dire la fonction approche dont le


graphe approche le "mieux possible" les points du "nuage des points"

{(x1 , y1 ), . . . , (xN , yN ), . . .}.


La famille des fonctions parmi lesquelles on cherche la "meilleure fonction" est
donne en gnral par le problme exprimental lui mme ; il s'agit de

linaires, exponentielles ou puissances.

54

lois

Cours N 5,
Problme de l'ajustement
Le problme de l'ajustement consiste chercher parmi les fonctions de certain
type, la fonction f telle que les approximations y1

= f (x1 ),

. . ., yN

= f (xN ),

. . .soient les meilleurs possibles, c'est--dire la fonction approche dont le


graphe approche le "mieux possible" les points du "nuage des points"

{(x1 , y1 ), . . . , (xN , yN ), . . .}.


La famille des fonctions parmi lesquelles on cherche la "meilleure fonction" est
donne en gnral par le problme exprimental lui mme ; il s'agit de

linaires, exponentielles ou puissances.

54

lois

Ajustement linaire ([Bert],p.29)


Pour traiter ces situations, on se ramne par un changement de variable appropri
(logarithmique ou semi-logarithmique) une loi linaire. On dispose d'une srie de N
observations de deux variables donne par un nuage de points

{(x1 , y1 ), . . . , (xN , yN ), . . .} ;

on suppose que ce nuage de points a une forme presque

rectiligne.
Si, par exemple, l'equation thorique donne par le modle est

= N /(
1 + exp(b x )), on obtient une loi semi-logarithmique

N y (x )
. Sachant les valeurs exprimentalles yi proches
b x = ln
y (x )
y (t )

de y (xi ), on

trouve le nuage des points linaris

{(xi , ai )|i = 1, , N },
On suppose que la loi y
y

= x +

o ai

= f (x )

N yi
yi

est dj linaire. On cherche une fonction

telle que les approximations y1

les "meilleures possibles".

55

= ln

= x1 + ,

. . ., yN

= xN + ,

. . .sont

Ajustement linaire ([Bert],p.29)


Pour traiter ces situations, on se ramne par un changement de variable appropri
(logarithmique ou semi-logarithmique) une loi linaire. On dispose d'une srie de N
observations de deux variables donne par un nuage de points

{(x1 , y1 ), . . . , (xN , yN ), . . .} ;

on suppose que ce nuage de points a une forme presque

rectiligne.
Si, par exemple, l'equation thorique donne par le modle est

= N /(
1 + exp(b x )), on obtient une loi semi-logarithmique

N y (x )
. Sachant les valeurs exprimentalles yi proches
b x = ln
y (x )
y (t )

de y (xi ), on

trouve le nuage des points linaris

{(xi , ai )|i = 1, , N },
On suppose que la loi y
y

= x +

o ai

= f (x )

N yi
yi

est dj linaire. On cherche une fonction

telle que les approximations y1

les "meilleures possibles".

55

= ln

= x1 + ,

. . ., yN

= xN + ,

. . .sont

Mthode des moindres carrs ([Bert],p.29)


Ecart entre un nuage
P de points et une droite.

On pose E (, )

N
n=1 (yn

xn )2 .

On va chercher rendre l'cart

E (, ) minimum par un bon choix des paramtres.

PN

2
n=1 (yn xn )
P
2
E (, ) = N 2 2 n=1 (yn xn ) + N
n=1 (yn xn ) . On obtient un
2
trinme E (, ) du second degr de la forme A + 2B + C , o A, B , C ne
On suppose d'abord

x : E (, )

PN

dpendent pas de

et A est positif ; par suite E (, ) est minimum pour la

P
= BA = N1 N
yn xn ).
n=1 (P

) = N1 N
On voit que b = y
x , o (
x, y
n=1 (xn , yn ) est le centre de gravit
du nuage {(x1 , y1 ), . . . , (xN , yN ), . . .}, c'est--dire que la droite cherche
).
y = x + passe par (
x, y
On suppose maintenant = b (autrement dit : on considre toutes les droites
valeur de

gale b

passant par le centre de gravit).

56

Mthode des moindres carrs ([Bert],p.29)


Ecart entre un nuage
P de points et une droite.

On pose E (, )

N
n=1 (yn

xn )2 .

On va chercher rendre l'cart

E (, ) minimum par un bon choix des paramtres.

PN

2
n=1 (yn xn )
P
2
E (, ) = N 2 2 n=1 (yn xn ) + N
n=1 (yn xn ) . On obtient un
2
trinme E (, ) du second degr de la forme A + 2B + C , o A, B , C ne
On suppose d'abord

x : E (, )

PN

dpendent pas de

et A est positif ; par suite E (, ) est minimum pour la

P
= BA = N1 N
yn xn ).
n=1 (P

) = N1 N
On voit que b = y
x , o (
x, y
n=1 (xn , yn ) est le centre de gravit
du nuage {(x1 , y1 ), . . . , (xN , yN ), . . .}, c'est--dire que la droite cherche
).
y = x + passe par (
x, y
On suppose maintenant = b (autrement dit : on considre toutes les droites
valeur de

gale b

passant par le centre de gravit).

56

Mthode des moindres carrs ([Bert],p.29)


Ecart entre un nuage
P de points et une droite.

On pose E (, )

N
n=1 (yn

xn )2 .

On va chercher rendre l'cart

E (, ) minimum par un bon choix des paramtres.

PN

2
n=1 (yn xn )
P
2
E (, ) = N 2 2 n=1 (yn xn ) + N
n=1 (yn xn ) . On obtient un
2
trinme E (, ) du second degr de la forme A + 2B + C , o A, B , C ne
On suppose d'abord

x : E (, )

PN

dpendent pas de

et A est positif ; par suite E (, ) est minimum pour la

P
= BA = N1 N
yn xn ).
n=1 (P

) = N1 N
On voit que b = y
x , o (
x, y
n=1 (xn , yn ) est le centre de gravit
du nuage {(x1 , y1 ), . . . , (xN , yN ), . . .}, c'est--dire que la droite cherche
).
y = x + passe par (
x, y
On suppose maintenant = b (autrement dit : on considre toutes les droites
valeur de

gale b

passant par le centre de gravit).

56

Mthode des moindres carrs (suite)


On considre toutes les droites passant par le centre de gravit.

= xn x, Yn = yn y , on a Yn Xn = yn xn b, donc
PN
PN
PN
2
2
2
E (, ) =
n=1 Xn 2
n = 1 Xn Yn +
n=1 Yn . C'est un trinme du
0
2
0
0
0
0
0
second degr de la forme A + 2B + C , o A , B , C ne dpendent pas de

Si l'on pose Xn

et A est positif ; par suite il est minimum lorsque

prend la valeur

PN
PN
)(yn y )
n=1 Xn Yn
n=1 (xn x
= P
=
PN
N
2
)2
n = 1 Xn
n=1 (xn x

Pour obtenir b, il reste substituer a dans l'quation utilise b


La droite trouve y

57

= ax + b

rend minimum l'cart E (, ).

= y
x.

Mthode des moindres carrs (suite)


On considre toutes les droites passant par le centre de gravit.

= xn x, Yn = yn y , on a Yn Xn = yn xn b, donc
PN
PN
PN
2
2
2
E (, ) =
n=1 Xn 2
n = 1 Xn Yn +
n=1 Yn . C'est un trinme du
0
2
0
0
0
0
0
second degr de la forme A + 2B + C , o A , B , C ne dpendent pas de

Si l'on pose Xn

et A est positif ; par suite il est minimum lorsque

prend la valeur

PN
PN
)(yn y )
n=1 Xn Yn
n=1 (xn x
= P
=
PN
N
2
)2
n = 1 Xn
n=1 (xn x

Pour obtenir b, il reste substituer a dans l'quation utilise b


La droite trouve y

57

= ax + b

rend minimum l'cart E (, ).

= y
x.

Exemples numriques : loi linaire.


On considre le nuage des points donn par les valeurs
x

= [0, 1, 2, 3], y = [2, 0.9 = 1 0.1, 0.1 = 0 + 0.1, 1]

(c'est--dire, un nuage applati le long du graphe de la fonction f


Pour retrouver une quation linaire y

{[0, 2], [1, 0.9], [2, 0.1], [3, 1]},

= ax + b

on cacule

= 2 x ).

partir du nuage

le centre de gravit

[x , y ] = [0 + 1 + 2 + 3, 2 + 0.9 + 0.1 1] = [1.5, 0.5].


4

On calcule les points centrs

= [x1 x , x2 x , x3 x , x4 x ], Y = [y1 y , y2 y , y3 y , y4 y ],
= [1.5, 0.5, 0.5, 1.5], Y = [1.5, 0.4, 0.4, 1.5]
X X = 2.25 + 0.25 + 0.25 + 2.25 = 5.0,
X Y = 2.25 0.20 0.20 2.25 = 4.9,
X Y
4.9
a =
X X = 5.0 = 0.98, b = y ax = 0.5 + 0.98 1.5 = 1.97,
y = 0.98x + 1.97.

58

Exemples numriques : loi linaire.


On considre le nuage des points donn par les valeurs
x

= [0, 1, 2, 3], y = [2, 0.9 = 1 0.1, 0.1 = 0 + 0.1, 1]

(c'est--dire, un nuage applati le long du graphe de la fonction f


Pour retrouver une quation linaire y

{[0, 2], [1, 0.9], [2, 0.1], [3, 1]},

= ax + b

on cacule

= 2 x ).

partir du nuage

le centre de gravit

[x , y ] = [0 + 1 + 2 + 3, 2 + 0.9 + 0.1 1] = [1.5, 0.5].


4

On calcule les points centrs

= [x1 x , x2 x , x3 x , x4 x ], Y = [y1 y , y2 y , y3 y , y4 y ],
= [1.5, 0.5, 0.5, 1.5], Y = [1.5, 0.4, 0.4, 1.5]
X X = 2.25 + 0.25 + 0.25 + 2.25 = 5.0,
X Y = 2.25 0.20 0.20 2.25 = 4.9,
X Y
4.9
a =
X X = 5.0 = 0.98, b = y ax = 0.5 + 0.98 1.5 = 1.97,
y = 0.98x + 1.97.

58

Exemples numriques : loi linaire.


On considre le nuage des points donn par les valeurs
x

= [0, 1, 2, 3], y = [2, 0.9 = 1 0.1, 0.1 = 0 + 0.1, 1]

(c'est--dire, un nuage applati le long du graphe de la fonction f


Pour retrouver une quation linaire y

{[0, 2], [1, 0.9], [2, 0.1], [3, 1]},

= ax + b

on cacule

= 2 x ).

partir du nuage

le centre de gravit

[x , y ] = [0 + 1 + 2 + 3, 2 + 0.9 + 0.1 1] = [1.5, 0.5].


4

On calcule les points centrs

= [x1 x , x2 x , x3 x , x4 x ], Y = [y1 y , y2 y , y3 y , y4 y ],
= [1.5, 0.5, 0.5, 1.5], Y = [1.5, 0.4, 0.4, 1.5]
X X = 2.25 + 0.25 + 0.25 + 2.25 = 5.0,
X Y = 2.25 0.20 0.20 2.25 = 4.9,
X Y
4.9
a =
X X = 5.0 = 0.98, b = y ax = 0.5 + 0.98 1.5 = 1.97,
y = 0.98x + 1.97.

58

Exemples numriques
I Loi exponentielle.
y
y1

= [7.39, 2.46, 1.11, 0.368],

e 2 , y2 e 0.9 , y3 e 0.1 , y4 e 1 .
y = e 0.98x +1.97 .

I Loi logistique.
y
y1

1
1

+ e2

= [0.119, 0.289, 0.474, 0.730],

, y2

1
1

+ e 0.9

y =

59

, y3

1
1

+ e 0.1

1
1

+ e 0.98x +1.97

, y4

1
1

+ e 1

Exemples numriques
I Loi exponentielle.
y
y1

= [7.39, 2.46, 1.11, 0.368],

e 2 , y2 e 0.9 , y3 e 0.1 , y4 e 1 .
y = e 0.98x +1.97 .

I Loi logistique.
y
y1

1
1

+ e2

= [0.119, 0.289, 0.474, 0.730],

, y2

1
1

+ e 0.9

y =

59

, y3

1
1

+ e 0.1

1
1

+ e 0.98x +1.97

, y4

1
1

+ e 1

Exemples numriques
I Loi exponentielle.
y
y1

= [7.39, 2.46, 1.11, 0.368],

e 2 , y2 e 0.9 , y3 e 0.1 , y4 e 1 .
y = e 0.98x +1.97 .

I Loi logistique.
y
y1

1
1

+ e2

= [0.119, 0.289, 0.474, 0.730],

, y2

1
1

+ e 0.9

y =

59

, y3

1
1

+ e 0.1

1
1

+ e 0.98x +1.97

, y4

1
1

+ e 1

Exemples numriques. Datation au moyen du carbone 14


([Bert], p.34).
Un talonnage de la mthoode a t ralis par
l'analyse de troncs de trs vieux arbres
Squoia gigantea et Pinus aristaca
(ouvrage de A.G.Marshall) :
> N :=7 :
t :=[500, 1000, 2000, 3000, 4000, 5000, 6300] :
yt :=[14.5, 13.5, 12.0, 10.8, 9.9, 8.9, 8.0] :
> for n from 1 to N do lt[n] :=ln((yt[n])) ;od :
lt := [2.674148649, 2.602689685, 2.484906650,
2.379546134, 2.292534757, 2.186051277,
2.079441542]

60

Pour trouver l'quation de la droite,


on utilise la mthode de moindres carrs :
> moyenne :=(1/N)*(add([t[n],lt[n],yt[n]],n=1..N)) :
> xb :=moyenne[1] :yb :=moyenne[2] :'[xb,yb]'=[xb,yb] ;

(le centre de gravit du nuage linaris)


> with(linalg) : for n from 1 to N do
X[n] :=t[n]-xb ;Y[n] :=lt[n]-yb ;od :
X :=[seq(X[i],i=1..N)] :Y :=[seq(Y[i],i=1..N)] :
> with(Student[LinearAlgebra]) :evalm(X.X) : evalm(X.Y) :
> lambda :=-evalm(X.Y)/evalm(X.X) :
b :=yb+lambda*xb : l :=-lambda*x+b ;
> L :=plot(l(x), x=0..t[N]) :
pointsplot(points) :
L2 :=plot(pointslt, style=point,

(la droite des moindres carrs)


legend="nuage des points linaris, lt[n]=ln(yt[n])") :
L3 :=pointplot([xb,yb]) :
display(L,L2, L3) ;

l := -0.0001019409404 x + 2.703090171
f(x) := -0.0001019409404 x + 2.703090171
la valeur initiale N0
-vie : T

61

= e b 14.93

, la demi

= ln(2)/0.0001019409404 6790.

Cours N 6, Exemples numriques (R.Pearl, 1925) :


Exprience de T.CARLSON (voir [Bert], p.96)
l'tude de la croissance en milieu ferm d'une population
de saccharomyces (levures) a donn les rsultats suivants,
o le temps t est exprim en heures, et o N est un nombre
proportionnel au nombre total de levures vivantes l'instant t :
> Ns:=665;
t:=[0, 1, 3, 5, 7, 9, 11, 13, 15, 18];
N:=[9.6,18.3, 47.2,119.1,257.3,441.0,559.7,629.4,651.1,661.8];
for n from 1 to 10 do a[n]:=ln((Ns-N[n])/N[n]);od;
>
a[1] := 4.223482638 a[2] := 3.564981448
a[3] := 2.571770888
a[4] := 1.522472332
a[5] := 0.4602888905 a[6] := -0.6773988237
a[7] := -1.670587507 a[8] := -2.872421347
a[9] := -3.846774400 a[10] := -5.331812586

62

Fig.: 4. Donnes exprimentalles et la fonction linarise a[n] = ln((Ns N [n])/N [n])

63

Pour trouver l'quation de la droite,


on utilise la mthode de moindres carrs
(voir [Bert], p.30) :
l := -0.5323127461 x + 4.159364671

L'quation thorique donne par le modle est


y (t )

64

= Ns /(1 + e bt )
665

1 + e 4.1593646710.5323127461t

Pour ceux qui le souhaitent, les programmes de ces calculs


en utilisant le logiciel Maple sont disponibles l'adresse :
http ://www-fourier.ujf-grenoble.fr/panchish/6mat127-maple, dans

des chiers .mws). Dans ce cas il faut disposer une version assez rcente de Maple

Pour travailler avec ces chiers, on peut :

I les ouvrir avec Netscape,


I "enregistrer sous . . ." comme un chier .mws,
I les ouvrir avec une version de Maple .

65

Pour ceux qui le souhaitent, les programmes de ces calculs


en utilisant le logiciel Maple sont disponibles l'adresse :
http ://www-fourier.ujf-grenoble.fr/panchish/6mat127-maple, dans

des chiers .mws). Dans ce cas il faut disposer une version assez rcente de Maple

Pour travailler avec ces chiers, on peut :

I les ouvrir avec Netscape,


I "enregistrer sous . . ." comme un chier .mws,
I les ouvrir avec une version de Maple .

65

Pour ceux qui le souhaitent, les programmes de ces calculs


en utilisant le logiciel Maple sont disponibles l'adresse :
http ://www-fourier.ujf-grenoble.fr/panchish/6mat127-maple, dans

des chiers .mws). Dans ce cas il faut disposer une version assez rcente de Maple

Pour travailler avec ces chiers, on peut :

I les ouvrir avec Netscape,


I "enregistrer sous . . ." comme un chier .mws,
I les ouvrir avec une version de Maple .

65

Pour ceux qui le souhaitent, les programmes de ces calculs


en utilisant le logiciel Maple sont disponibles l'adresse :
http ://www-fourier.ujf-grenoble.fr/panchish/6mat127-maple, dans

des chiers .mws). Dans ce cas il faut disposer une version assez rcente de Maple

Pour travailler avec ces chiers, on peut :

I les ouvrir avec Netscape,


I "enregistrer sous . . ." comme un chier .mws,
I les ouvrir avec une version de Maple .

65

Fonctions de deux variables ([Bert], p.41)


Au cours d'une srie d'exprimentations ou d'observations, on s'intresse trois
variables x , y , z lies au phnomne tudi, par exemple : pression, volume,
temprature d'un gaz, ou encore taille, ge d'un individu.

Les relations entre les variables s'appuient


sur la notion de fonction de deux variables
et, gomtriquement, correspondent
aux notions de courbre ou de surface
dans l'espace en trois dimensions.
Voici le graphe de la fonction
z

66

= f (x , y ) = x 2 y 2 + 5

Fonctions de deux variables ([Bert], p.41)


Au cours d'une srie d'exprimentations ou d'observations, on s'intresse trois
variables x , y , z lies au phnomne tudi, par exemple : pression, volume,
temprature d'un gaz, ou encore taille, ge d'un individu.

Les relations entre les variables s'appuient


sur la notion de fonction de deux variables
et, gomtriquement, correspondent
aux notions de courbre ou de surface
dans l'espace en trois dimensions.
Voici le graphe de la fonction
z

66

= f (x , y ) = x 2 y 2 + 5

Continuit des fonctions de deux variables


Soit f une fonction des deux variables x et y . On dit que f est continue au
point

(x0 , y0 )

si la valeur z

= f (x , y )

tend vers z0

= f (x0 , y0 )

lorsque x

tend vers x0 , et y tend vers y0 simultanement.


Exercice
1) On pose f (x , y )

(x 1)2 + y 2 = 1 et x > 0 et f (x , y ) = 0,
fonction f (x , y ) est continue en (x0 , y0 ) = (0, 0) ?

= 1,

sinon. Est-ce que la

si

2) Montrer que toute fonction polynmiale de deux variables est continue.

Drives partielles

Si l'on xe une des variables, par exemple y

= y0 ,

z est la fonction de la

seule variable x :
x

7 z = f (x , y0 ).

La drive de cette fonction s'appelle la drive

partielle de f par rapport x : on la note

f
x (x , y0 ).

On dnit de manire analogue la drive partielle par rapport y .

67

Continuit des fonctions de deux variables


Soit f une fonction des deux variables x et y . On dit que f est continue au
point

(x0 , y0 )

si la valeur z

= f (x , y )

tend vers z0

= f (x0 , y0 )

lorsque x

tend vers x0 , et y tend vers y0 simultanement.


Exercice
1) On pose f (x , y )

(x 1)2 + y 2 = 1 et x > 0 et f (x , y ) = 0,
fonction f (x , y ) est continue en (x0 , y0 ) = (0, 0) ?

= 1,

sinon. Est-ce que la

si

2) Montrer que toute fonction polynmiale de deux variables est continue.

Drives partielles

Si l'on xe une des variables, par exemple y

= y0 ,

z est la fonction de la

seule variable x :
x

7 z = f (x , y0 ).

La drive de cette fonction s'appelle la drive

partielle de f par rapport x : on la note

f
x (x , y0 ).

On dnit de manire analogue la drive partielle par rapport y .

67

Exemples
I f (x , y )
I f (x , y )
I f (x , y )

= ax + by , xf (x , y ) = a, yf (x , y ) = b.
p
= x 2 + y 2 , xf (x , y ) = 2x 2 , yf (x , y ) =
=

f
kxy ,
x (x , y )

x +y
f
ky ,
y (x , y ) = kx .

y
.
x 2 +y 2

Accroissement et direntielle Soit


z = z z0 = f (x , y ) f (x0 , y0 ), x = x x0

et

Supposons que les drives partielles

f
f
x et y sont continues

en tout point voisin de

(x0 , y0 ).

z
x et y : f (x , y ) f (x0 , y0 )
= (f (x , y ) f (x , y0 )) + (f (x , y0 ) f (x0 , y0 ))
= xf (x , )(x x0 ) + yf (, y0 )(y y0 )
o [x , x0 ], [y , y0 ],
f
f
f
f
x (x , ) x (x0 , y0 ), et x (x , ) x (x0 , y0 )
La direntielle de f en (x0 , y0 ) est la fonction
Alors on trouve l'accroissement
en termes de

df

68

(x , y ) =

f
x (x0 , y0 )x

f
y (x0 , y0 )y

y = y y0

Exemples
I f (x , y )
I f (x , y )
I f (x , y )

= ax + by , xf (x , y ) = a, yf (x , y ) = b.
p
= x 2 + y 2 , xf (x , y ) = 2x 2 , yf (x , y ) =
=

f
kxy ,
x (x , y )

x +y
f
ky ,
y (x , y ) = kx .

y
.
x 2 +y 2

Accroissement et direntielle Soit


z = z z0 = f (x , y ) f (x0 , y0 ), x = x x0

et

Supposons que les drives partielles

f
f
x et y sont continues

en tout point voisin de

(x0 , y0 ).

z
x et y : f (x , y ) f (x0 , y0 )
= (f (x , y ) f (x , y0 )) + (f (x , y0 ) f (x0 , y0 ))
= xf (x , )(x x0 ) + yf (, y0 )(y y0 )
o [x , x0 ], [y , y0 ],
f
f
f
f
x (x , ) x (x0 , y0 ), et x (x , ) x (x0 , y0 )
La direntielle de f en (x0 , y0 ) est la fonction
Alors on trouve l'accroissement
en termes de

df

68

(x , y ) =

f
x (x0 , y0 )x

f
y (x0 , y0 )y

y = y y0

Introduction
Qu'est ce que la modlisation ?
Qu'est ce qu'une quation direntielle ?
Schma d'une modlisation
Exemples de modlisation en biologie
Croissance d'une population selon Malthus
Dsintgration radioactive
Calcul des primitives et des intgrales
Adaptation d'un modle. quation logistique.
Identication d'un modle. Mthode des moindres carres
Fonctions de deux variables
'Equations direntielles
quations direntielles autonomes sur la droite
La notion gnrale d'quation direntielle
Les mthodes de rsolution.
quations direntielles linaires.
Mthode de variation de la constante
Types de mthodes de rsolution
Mthodes numriques
68

Mis en quation des variables. Notion d'quation


direntielle.
Equations direntielles autonomes du premier ordre

Rappelons qu'une

quation direntielle du premier ordre est une quation qui met en jeu une
relation entre une fonction et sa drive, et dont la solution est une fonction
drivable (voir (2.1)).
Par exemple, y

= 2y ,

= 3y (4 y ),

= 2y + t ,

o y

= y (t ),

dy
dt .

Les exemples prcdents conduisent des quations direntielles du type :


y
On dit qu'on a une

= F (y )

(4.1)

quation direntielle autonome, car t

explicitement. L'inconnue est la fonction y (t )

:RR

drive.
Une
y

n'y gure pas

dy
dt est sa

quation direntielle gnrale du 1er ordre s'crirait

= G (y , t ),

o G est une fonction de

deux variables).

69

et y

R2

dans

(une fonction

Mis en quation des variables. Notion d'quation


direntielle.
Equations direntielles autonomes du premier ordre

Rappelons qu'une

quation direntielle du premier ordre est une quation qui met en jeu une
relation entre une fonction et sa drive, et dont la solution est une fonction
drivable (voir (2.1)).
Par exemple, y

= 2y ,

= 3y (4 y ),

= 2y + t ,

o y

= y (t ),

dy
dt .

Les exemples prcdents conduisent des quations direntielles du type :


y
On dit qu'on a une

= F (y )

(4.1)

quation direntielle autonome, car t

explicitement. L'inconnue est la fonction y (t )

:RR

drive.
Une
y

n'y gure pas

dy
dt est sa

quation direntielle gnrale du 1er ordre s'crirait

= G (y , t ),

o G est une fonction de

deux variables).

69

et y

R2

dans

(une fonction

Mis en quation des variables. Notion d'quation


direntielle.
Equations direntielles autonomes du premier ordre

Rappelons qu'une

quation direntielle du premier ordre est une quation qui met en jeu une
relation entre une fonction et sa drive, et dont la solution est une fonction
drivable (voir (2.1)).
Par exemple, y

= 2y ,

= 3y (4 y ),

= 2y + t ,

o y

= y (t ),

dy
dt .

Les exemples prcdents conduisent des quations direntielles du type :


y
On dit qu'on a une

= F (y )

(4.1)

quation direntielle autonome, car t

explicitement. L'inconnue est la fonction y (t )

:RR

drive.
Une
y

n'y gure pas

dy
dt est sa

quation direntielle gnrale du 1er ordre s'crirait

= G (y , t ),

o G est une fonction de

deux variables).

69

et y

R2

dans

(une fonction

Cours N 7,
quation direntielle gnrale du 1er ordre

Considrons gnralement l'quation direntielle du 1er ordre


y
Une

= G (y , t )

solution de l'quation (4.2) sur un intervalle I

y (t ) drivable I telle que pour tout t


y

70

(4.2)

0 (t )

= G (y (t ), t )

on ait :

est une fonction

Thorme de l'existence et d'unicit de la solution d'une


quation direntielle du premier ordre avec une condition
initiale
On considre une quation direntielle du 1er ordre y

= G (y , t ).

Une quation

direntielle a, en gnral, une innit de solutions. Pour en prciser une, on se


donne la valeur y (t0 ) de y un instant t0 (souvent gal 0) choisi. Le problme ainsi
pos s'appelle problme de Cauchy. Sous des hypothses de rgularit assez faibles
sur G on montre que le problme de Cauchy admet une solution maximale unique.

Thorme (Cauchy-Lipschitz)
Soient dans un domaine ferm D

= {(t , y ) R2 ||t t0 | a, |y y0 | b} les


= G (y , t ) admet dans un intervalle
vriant la condition initiale y (t0 ) = y0 .

0
0
fonctions G et Gy continues. Alors l'quation y

|t t0 | d

une solution unique

On choisit en gnral une solution

maximale, c'est dire qui ne peut pas tre

prolonge sur un intervalle J contenant strictement I .

71

Thorme de l'existence et d'unicit de la solution d'une


quation direntielle du premier ordre avec une condition
initiale
On considre une quation direntielle du 1er ordre y

= G (y , t ).

Une quation

direntielle a, en gnral, une innit de solutions. Pour en prciser une, on se


donne la valeur y (t0 ) de y un instant t0 (souvent gal 0) choisi. Le problme ainsi
pos s'appelle problme de Cauchy. Sous des hypothses de rgularit assez faibles
sur G on montre que le problme de Cauchy admet une solution maximale unique.

Thorme (Cauchy-Lipschitz)
Soient dans un domaine ferm D

= {(t , y ) R2 ||t t0 | a, |y y0 | b} les


= G (y , t ) admet dans un intervalle
vriant la condition initiale y (t0 ) = y0 .

0
0
fonctions G et Gy continues. Alors l'quation y

|t t0 | d

une solution unique

On choisit en gnral une solution

maximale, c'est dire qui ne peut pas tre

prolonge sur un intervalle J contenant strictement I .

71

Thorme de l'existence et d'unicit de la solution d'une


quation direntielle du premier ordre avec une condition
initiale
On considre une quation direntielle du 1er ordre y

= G (y , t ).

Une quation

direntielle a, en gnral, une innit de solutions. Pour en prciser une, on se


donne la valeur y (t0 ) de y un instant t0 (souvent gal 0) choisi. Le problme ainsi
pos s'appelle problme de Cauchy. Sous des hypothses de rgularit assez faibles
sur G on montre que le problme de Cauchy admet une solution maximale unique.

Thorme (Cauchy-Lipschitz)
Soient dans un domaine ferm D

= {(t , y ) R2 ||t t0 | a, |y y0 | b} les


= G (y , t ) admet dans un intervalle
vriant la condition initiale y (t0 ) = y0 .

0
0
fonctions G et Gy continues. Alors l'quation y

|t t0 | d

une solution unique

On choisit en gnral une solution

maximale, c'est dire qui ne peut pas tre

prolonge sur un intervalle J contenant strictement I .

71

Exemple de solutions
Exemples (4.2)
I Les quations y 0

= ky ,

= 2y + t ,

toujours une unique solution


intervalle |t

= y2

etc. admettent

locale (c'est--dire, dans un

t0 | d ).

I Par contre, les hypothses du thorme de Cauchy-Lipschitz


sont prises en dfaut par le problme de Cauchy suivant
y

= 2|y |1/2 , y (0) = 0

qui admet une innit de solutions donnes par y (t )


t

72

(avec a

0)

et y (t )

(t a)2 pour t

a.

=0

pour

Exemple de solutions
Exemples (4.2)
I Les quations y 0

= ky ,

= 2y + t ,

toujours une unique solution


intervalle |t

= y2

etc. admettent

locale (c'est--dire, dans un

t0 | d ).

I Par contre, les hypothses du thorme de Cauchy-Lipschitz


sont prises en dfaut par le problme de Cauchy suivant
y

= 2|y |1/2 , y (0) = 0

qui admet une innit de solutions donnes par y (t )


t

72

(avec a

0)

et y (t )

(t a)2 pour t

a.

=0

pour

Solutions locales et globales


Remarque (4.3, Solutions locales et globales [DDGR], p.26)
Il existe des quations direntielles autonomes dont les solutions ne
peuvent pas tre dnies pour tout t

C t ,
y (t ) =
0,

A0
C 0 t ,

si t
si t
si t

: y

= y2

a pour solutions

[, C [
R,
[C 0 , +[,

mais (grce au thorme Cauchy-Lipschitz), il est toujours possible


y0
de dnir une solution locale, par exemple, y (t ) =
, avec
1 y0 t
h
h

73

, y10

, si y0

>0

quations direntielles variables spares ([Bert], p.102)


Ce sont les quations direntielles qu'on peut crire sous la forme y
Rgle de rsolution
On crit l'quation sous la notation direntielle
On spare les variables t et y : b (y )y

dy
dt

a(t )
b (y )

= a(t ).

Soit B une primitive de b, et soit A une primitive de a,


dB (y )
on crit

dy

= b(y ),

B (y )t

= b(y )y 0 ,

= (A(t ))0
(B (y ))0 = (A(t ))0
a(t )

puisque la drive de la fonction B (y )


on en dduit B (y )

= A(t ) + C ,

A(t )

est nulle,

o C est une constante

On cherche, si possible, une expression de y en fonction de t .

74

a(t )

b (y )

Exemple de solution analytique


Rsoudre l'quation

(t + 1) (

d
dt

y (t ))

+ t y (t )2 = 0,

avec y (1)

= 1.

Indication : Dans ce cas


y

y2

t
t

+1

a(t ) =

t
t

+1

, b(y ) =

1
y2

= 1 +
, on trouve les primitives
+1
t +1
1
1
A(t ) = t + ln |t + 1|, B (y ) = , d'o
y
y = t ln |t + 1| + C ,
Puisque

y (t )

75

1
t

ln(t + 1) + C

avec C

= ln(2).

et

quations direntielles linaires (voir [Pajot], Ch.VII, p.6)


Soient a

: I R,

:I R

Rapellons que la fonction y

deux fonctions dnies sur un intervalle I de

:I R

R.

est une solution de l'quation direntielle

linaire
y

= ay + b

si y est drivable sur I et pour tout t


y

I,

(t ) = a(t )y (t ) + b(t )

Proposition (4.4. Solutions d'quations linaires homognes)


Supposons que la fonction a

:I R

soit continue sur un intervalle I de

soit A une primitive de a sur I . Alors, les solutions de y


t

Ce A(t ) ,

o C

= ay

R.

Il y a bien existence de solutions pour l'quation considre.

76

et

sont les fonctions

Dmonstration. Le principe de la preuve est le mme que celui que


nous avons vu dans le cas o a est une fonction constante.
Tout d'abord, si y (t )
y

= Ce A(t )

0
solution de y
0

I,

alors

(t ) = C (A0 (t )e A(t ) = Ca(t )e A(t ) = a(t )y (t ).

Donc, y est une solution de y

pour t

= ay .

= ay . Rciproquement, soit y une


I , C (t ) = y (t )e A(t ) . Alors,

Posons, pour t

(t ) = y 0 (t )e A(t ) y (t )A0 (t )e A(t )

= e A(t ) (y 0 (t ) A0 (t )y (t )) = e A(t ) (y 0 (t ) a(t )y (t )).


Donc C est constante sur I . Ainsi, il existe C

= C , soit encore y (t )e A(t ) = C


A(t ) pour tout t I .
y (t ) = Ce

C (t )

77

pour t

R tel que
I . Il s'ensuit

que

Lien entre les solutions d'quations homognes et


non-homognes
Que se passe-t-il si l'quation a un second membre ? Nous considrons
l'quation

(E )

ay = b

Nous lui associons l'quation homogne

(E 0 )

ay = 0.

Supposons que l'on connaisse deux solutions y0 et y1 de (E). Alors,


formellement,

(y1 y0 )0 a(y1 y0 ) = (y10 ay1 ) (y00 ay0 ) = b b = 0. Donc, y1 y0


est solution de (E ) et donc, d'aprs ce qui prcde, il existe C R tel que
A(t ) , ou encore
y1 (t ) y0 (t ) = Ce
y1 (t )

78

= y0 (t ) + Ce A(t ) .

Mthode de variation de la constante


Pour trouver une solution particulire y0 de (E), on utilise de nouveau la
mthode de variation de la constante. Nous cherchons une solution de
y

ay = b

sous la forme y0
C

= C (t )e A(t ) .

Ainsi C doit vrier

(t )e A(t ) + C (t )A0 (t )e A(t ) = a(t )C (t )e A(t ) + b(t ),


0

soit encore, puisque A

= a,

0 (t )

= b(t )e A(t ) .

Exemple (4.5)
+ 5y = t . Nous pouvons encore l'crire y 0 = 5y + t ,
a = 5, b =
= G (t , y ), o G (t , y ) = 5y + t . Une solution
A(t ) = C (t )e 5t , o C (t ) est une primitive
particulire sur R est y (t ) = C (t )e
5t
5t
5t
de te , i.e. (1/5)te
1/25e (l'intgration par parties). Donc,
0
A(t ) = (1/5)te 5t 5t 1/25e 5t 5t = (1/5)t 1/25 (comparer
y (t ) = C (t )e

Considrons l'quation y

0
t Donc, y

avec Exemple 2.2).

79

Cours N 8,
Les mthodes de rsolution d'quations linaires
On distingue plusieurs types de mthodes de rsolution :
(1)

Les mthodes analytiques : on cherche calculer

explicitement les solutions au moyen des fonctions dites usuelles


(fonctions exponentielles et logarithmes, fonctions
trigonomtriques, ...). Historiquement, c'est la mthode la plus
ancienne. Elle a beaucoup d'inconvnients, le principal tant de ne
pas tre toujours applicable ; par exemple, on ne peut pas rsoudre
une quation aussi simple que y

+ y 4.

Lorsqu'elle marche, elle fournit parfois des expressions trs


compliques et diciles tudier. Elle reste la mthode dominante
dans les manuels scolaires, car elle donne lieu des moyens simples
pour valuer les tudiants...

80

Les mthodes numriques et les mthodes qualitatives


(2)

Les mthodes numriques : on se contente de chercher une

N prs. L'avantage est

approximation de la solution cherche 10

que ces mthodes sont universelles, c'est dire indpendantes de


l'quation tudie. Elles sont trs utilises depuis que l'on dispose
de moyens de calculs automatiques.
(3)

les mthodes qualitatives : on abandonne l'objectif d'une

connaissance quantitative prcise des solutions en se rabattant sur


des objectifs plus limits : recherche des solutions stationnaires,
tude de leur stabilit, comportement des solutions quand
t

+,

caractre chaotique. Le premier s'tre intress un tel

point de vue sur les quations direntielles est sans doute Henri
Poincar au dbut du XXme sicle.

81

tude graphique. Champs de directions, isoclines, courbes intgrales


Le graphe d'une solution a pour tangente au point

(t , y )

la droite de

coecient angulaire G (y , t ) ; comme ce graphe est parcouru dans le sens


des t croissants, on peut visualiser le phnomne en traant au point

(t , y )

une che d'origine ce point, porte par la droite de coecient angulaire


G (y , t ) et orient dans le sens des t croissants.

On obtient ainsi un champ de ches


associ l'quation direntielle ;
une solution de l'quation est une fonction
dont le graphe est tangente
en chaque point la che
ayant pour l'origine ce point.

82

Champ de directions
On s'intresse aux graphes des solutions (maximales) y (t ) de l'quation (2.1).
Quelle proprit gomtrique partagent-ils ? En chaque point

(t , y ),

(t0 , y0 )

du plan des

on peut considrer la droite passant par ce point et de pente p0

= G (y0 , t0 ).

On obtient ce que les mathmaticiens appellent un champ de directions, par analogie


avec un champ de bl o en chaque point on a une tige de bl avec une certaine
direction.
On peut reprsenter graphiquement ce champ de la faon suivante : on choisit une
grille de points, ceux de coordonnes

(ma, na)

o m , n

> 0 est choisir.


(ma, na) un segment

et a

On dessine en chaque point Mm,n de coodonnes cartsiennes

centr au point Mm,n dont la projection sur l'axe des y a pour longueur a et dont la
pente est G (ma, na). Cela donne une ide du champ de direction.
Soit y (t ) une solution de l'quation direntielle y0
alors, pour tout t0

I,

tangente la droite du champ prcdent

83

= G (y , t ),
(t0 , y0 = y (t0 )) est
associe au point (t0 , y0 ).

le graphe de y (t ) en

Exemples : on peut rsoudre gomtriquement les quations direntielles suivantes :


(1) y

(2) y

(3) y

=2
= 0 si |y | > 1, y 0 = 1
= t /y

si |y |

Isoclines. On s'intresse aux points m = (t , y ) du plan tels que la solution qui passe
par ce point ait une pente p. On note Ip cet ensemble, appel isocline de pente p. Il
est remarquable que cet ensemble peut tre dcrit avant de rsoudre l'quation
direntielle, en eet on a :
Ip

= {(t , y )|G (y , t ) = p }

Le trac de quelques isoclines permet de prvoir l'allure des solutions.

Points d'inexion. Rappel : Les points d'inexion sont les points pour lesquels la
00 (t ) change de signe. De y 0 (t ) = G (y (t ), t ), on tire
= Gy0 (y (t ), t )y 0 (t ) + Gt0 (y (t ), t ) = GGy0 + Gt0 . Le lieu des points d'inexion
0
0
0
donn par (GGy + Gt )(y , t ) = 0 et dans le cas autonome par F (y ) = 0.

drive seconde y
y

00 (t )

donc

84

est

Exemples : on peut rsoudre gomtriquement les quations direntielles suivantes :


(1) y

(2) y

(3) y

=2
= 0 si |y | > 1, y 0 = 1
= t /y

si |y |

Isoclines. On s'intresse aux points m = (t , y ) du plan tels que la solution qui passe
par ce point ait une pente p. On note Ip cet ensemble, appel isocline de pente p. Il
est remarquable que cet ensemble peut tre dcrit avant de rsoudre l'quation
direntielle, en eet on a :
Ip

= {(t , y )|G (y , t ) = p }

Le trac de quelques isoclines permet de prvoir l'allure des solutions.

Points d'inexion. Rappel : Les points d'inexion sont les points pour lesquels la
00 (t ) change de signe. De y 0 (t ) = G (y (t ), t ), on tire
= Gy0 (y (t ), t )y 0 (t ) + Gt0 (y (t ), t ) = GGy0 + Gt0 . Le lieu des points d'inexion
0
0
0
donn par (GGy + Gt )(y , t ) = 0 et dans le cas autonome par F (y ) = 0.

drive seconde y
y

00 (t )

donc

84

est

Exemples : on peut rsoudre gomtriquement les quations direntielles suivantes :


(1) y

(2) y

(3) y

=2
= 0 si |y | > 1, y 0 = 1
= t /y

si |y |

Isoclines. On s'intresse aux points m = (t , y ) du plan tels que la solution qui passe
par ce point ait une pente p. On note Ip cet ensemble, appel isocline de pente p. Il
est remarquable que cet ensemble peut tre dcrit avant de rsoudre l'quation
direntielle, en eet on a :
Ip

= {(t , y )|G (y , t ) = p }

Le trac de quelques isoclines permet de prvoir l'allure des solutions.

Points d'inexion. Rappel : Les points d'inexion sont les points pour lesquels la
00 (t ) change de signe. De y 0 (t ) = G (y (t ), t ), on tire
= Gy0 (y (t ), t )y 0 (t ) + Gt0 (y (t ), t ) = GGy0 + Gt0 . Le lieu des points d'inexion
0
0
0
donn par (GGy + Gt )(y , t ) = 0 et dans le cas autonome par F (y ) = 0.

drive seconde y
y

00 (t )

donc

84

est

Solution numrique. Mthode d'Euler.


Supposons qu'on veuille rsoudre le problme de Cauchy
y

= G (y , t ), y (t0 ) = y0

et trouver une valeur approche de y (a).


On choisit un entier N et on subdivise l'intervalle [t0 , a] en N sous-intervalles

[ti , ti +1 ], i = 0, , N 1 avec ti = t0 + i T avec T = (a t0 )/N . On calcule alors


(ti ) = yi par yi +1 = yi + G (yi , ti )T . On peut calculer ainsi y1 ,
une solution approche y
(a). On montre que lorsque N , y (a) y (a).
puis y2 jusqu' yn = y

Exemple (4.6)
y

yN

= y , y0 = 1, t0 = 0, on a : yn+1 = yn + Tyn = (1 + T )yn ,


= (1 + Na )/N qui converge quand N vers e a .

yn

= (1 + T )n

et

On peut largement amliorer la mthode d'Euler de faon avoir une convergence plus
rapide. Le lecteur intress peut consulter le livre de Jean-Pierre Demailly aux PUG, voir
[Dem].

85

Solution numrique. Mthode d'Euler.


Supposons qu'on veuille rsoudre le problme de Cauchy
y

= G (y , t ), y (t0 ) = y0

et trouver une valeur approche de y (a).


On choisit un entier N et on subdivise l'intervalle [t0 , a] en N sous-intervalles

[ti , ti +1 ], i = 0, , N 1 avec ti = t0 + i T avec T = (a t0 )/N . On calcule alors


(ti ) = yi par yi +1 = yi + G (yi , ti )T . On peut calculer ainsi y1 ,
une solution approche y
(a). On montre que lorsque N , y (a) y (a).
puis y2 jusqu' yn = y

Exemple (4.6)
y

yN

= y , y0 = 1, t0 = 0, on a : yn+1 = yn + Tyn = (1 + T )yn ,


= (1 + Na )/N qui converge quand N vers e a .

yn

= (1 + T )n

et

On peut largement amliorer la mthode d'Euler de faon avoir une convergence plus
rapide. Le lecteur intress peut consulter le livre de Jean-Pierre Demailly aux PUG, voir
[Dem].

85

Solution numrique. Mthode d'Euler.


Supposons qu'on veuille rsoudre le problme de Cauchy
y

= G (y , t ), y (t0 ) = y0

et trouver une valeur approche de y (a).


On choisit un entier N et on subdivise l'intervalle [t0 , a] en N sous-intervalles

[ti , ti +1 ], i = 0, , N 1 avec ti = t0 + i T avec T = (a t0 )/N . On calcule alors


(ti ) = yi par yi +1 = yi + G (yi , ti )T . On peut calculer ainsi y1 ,
une solution approche y
(a). On montre que lorsque N , y (a) y (a).
puis y2 jusqu' yn = y

Exemple (4.6)
y

yN

= y , y0 = 1, t0 = 0, on a : yn+1 = yn + Tyn = (1 + T )yn ,


= (1 + Na )/N qui converge quand N vers e a .

yn

= (1 + T )n

et

On peut largement amliorer la mthode d'Euler de faon avoir une convergence plus
rapide. Le lecteur intress peut consulter le livre de Jean-Pierre Demailly aux PUG, voir
[Dem].

85

Solution numrique. Mthode d'Euler.


Supposons qu'on veuille rsoudre le problme de Cauchy
y

= G (y , t ), y (t0 ) = y0

et trouver une valeur approche de y (a).


On choisit un entier N et on subdivise l'intervalle [t0 , a] en N sous-intervalles

[ti , ti +1 ], i = 0, , N 1 avec ti = t0 + i T avec T = (a t0 )/N . On calcule alors


(ti ) = yi par yi +1 = yi + G (yi , ti )T . On peut calculer ainsi y1 ,
une solution approche y
(a). On montre que lorsque N , y (a) y (a).
puis y2 jusqu' yn = y

Exemple (4.6)
y

yN

= y , y0 = 1, t0 = 0, on a : yn+1 = yn + Tyn = (1 + T )yn ,


= (1 + Na )/N qui converge quand N vers e a .

yn

= (1 + T )n

et

On peut largement amliorer la mthode d'Euler de faon avoir une convergence plus
rapide. Le lecteur intress peut consulter le livre de Jean-Pierre Demailly aux PUG, voir
[Dem].

85

Voici un programme Maple typique pour mettre en oeuvre


la mthode d'Euler pour l'quation direntielle y 0 = 2
ty

> G:=t*y/2;
T:=[0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0];
y[1]:=1;
for n from 1 to 10 do
Gn:=eval(G, [y=y[n],t=T[n]]);
y[n+1]:=y[n]+(T[n+1]-T[n])*Gn;
print('n'=n, 'T[n]'=T[n], 'y[n]'=y[n],
'G(y[n], t[n]) *(T[n+1]-T[n])'=Gn*(T[n+1]-T[n]));
od:

86

> print('y'=[y[1], y[2],y[3],y[4],y[5],y[6],y[7],y[8],y[9],y[10],y[11]]);


T := [0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0]
y[1] := 1
n=1,T[n]=0,y[n]=1,G(y[n], T[n]) (T[n+1]-T[n])=0.
n=2,T[n]=0.1,y[n]=1.,G(y[n], T[n])(T[n+1]-T[n])=0.005000000000
n=3,T[n]=0.2,y[n]=1.005000000,G(y[n], T[n])(T[n+1]-T[n])=0.01005000000
n=4,T[n]=0.3,y[n]=1.015050000,G(y[n], T[n])(T[n+1]-T[n])=0.01522575000
n=5,T[n]=0.4,y[n]=1.030275750,G(y[n], T[n])(T[n+1]-T[n])=0.02060551500
n=6,T[n]=0.5,y[n]=1.050881265,G(y[n], T[n])(T[n+1]-T[n])=0.02627203162
n=7,T[n]=0.6,y[n]=1.077153297,G(y[n], T[n])(T[n+1]-T[n])=0.03231459891
n=8,T[n]=0.7,y[n]=1.109467896,G(y[n], T[n])(T[n+1]-T[n])=0.03883137636
n=9,T[n]=0.8,y[n]=1.148299272,G(y[n], T[n])(T[n+1]-T[n])=0.04593197088
n=10,T[n]=0.9,y[n]=1.194231243,G(y[n], T[n])(T[n+1]-T[n])=0.05374040595
y= [1, 1., 1.005000000, 1.015050000, 1.030275750, 1.050881265,
1.077153297, 1.109467896, 1.148299272, 1.194231243,1.247971649]

87

> with(plots):
pointsy:=[seq([T[n],y[n]],n=1..11)]:
R1:=plot(pointsy, style=point,
legend="calcul numrique de y[n]"
):
R2:=plot(pointsy,
color=blue,
title="la mthode d'Euler",
legend="y[n+1]=y[n]+(T[n+1]-T[n])T[n]y[n]/2"
):
display(R1,R2):
> with(DEtools):
ode:=diff(Y(x),x)=x*Y(x)/2;
dsolve(ode, Y(x));
with(plots):
C:=plot(exp(1/4*x^2),x=0..1, color=gold,
legend=`Solution thorique d'une quation diffrentielle ordinaire`,
thickness=2):
C1:=dfieldplot(ode,Y(x),x=0..1,
Y=1..1.5,
color=Y*exp(-1/4*x^2)):
R3:=DEplot(diff(Y(x),x)=x*Y(x)/2,Y(x),x=0..1, [[Y(0)=1]],
color=Y*exp(-1/4*x^2),
linecolor=[gold]
):
display(R1,R2, C, C1);
88

Fig.: 5. Solution thorique y = e (1/4)t de y 0 = ty /2, y (0) = 1, et solution numrique


(par la mthode d'Euler :yn+1 = yn + (tn+1 tn )G (yn , tn )
(G (y , t ) = ty /2, n = 1, , N .)
2

89

Solutions stationnaires et positions d'quilibre


Revenons maintenant dans la suite de cette section au cas
autonome y

= F (y ).

Une solution est dite stationnaire si y (t ) est

constante. Cela correspond en mcanique ce qu'on appelle les


positions d'quilibre. Ici les solutions stationnaires sont faciles
dterminer : y (t )

=c

est stationnaire si et seulement si F (c )

= 0.

On s'attachera donc dans un premier temps dterminer les


solutions de F (y )

=0

qui en gnral partagent l'intervalle de

dnition de F en sous-intervalles o F est de signe constant. Ces


signes vont jouer un rle important dans l'tude qualitative. Soient
a

<b

deux solutions conscutives de F (y )

= 0. Si a < y0 < b, la
= y0 est entirement
croisait la droite y = a, on

solution du problme de Cauchy y (t0 )


comprise entre a et b. Si son graphe

aurait non unicit pour le problme de Cauchy. On en dduit que


les solutions non stationnaires sont strictement monotones et donc
inversibles : on peut ainsi les voir comme des fonctions t (y ).

90

Solutions stationnaires et positions d'quilibre


Revenons maintenant dans la suite de cette section au cas
autonome y

= F (y ).

Une solution est dite stationnaire si y (t ) est

constante. Cela correspond en mcanique ce qu'on appelle les


positions d'quilibre. Ici les solutions stationnaires sont faciles
dterminer : y (t )

=c

est stationnaire si et seulement si F (c )

= 0.

On s'attachera donc dans un premier temps dterminer les


solutions de F (y )

=0

qui en gnral partagent l'intervalle de

dnition de F en sous-intervalles o F est de signe constant. Ces


signes vont jouer un rle important dans l'tude qualitative. Soient
a

<b

deux solutions conscutives de F (y )

= 0. Si a < y0 < b, la
= y0 est entirement
croisait la droite y = a, on

solution du problme de Cauchy y (t0 )


comprise entre a et b. Si son graphe

aurait non unicit pour le problme de Cauchy. On en dduit que


les solutions non stationnaires sont strictement monotones et donc
inversibles : on peut ainsi les voir comme des fonctions t (y ).

90

Solutions stationnaires et positions d'quilibre


Revenons maintenant dans la suite de cette section au cas
autonome y

= F (y ).

Une solution est dite stationnaire si y (t ) est

constante. Cela correspond en mcanique ce qu'on appelle les


positions d'quilibre. Ici les solutions stationnaires sont faciles
dterminer : y (t )

=c

est stationnaire si et seulement si F (c )

= 0.

On s'attachera donc dans un premier temps dterminer les


solutions de F (y )

=0

qui en gnral partagent l'intervalle de

dnition de F en sous-intervalles o F est de signe constant. Ces


signes vont jouer un rle important dans l'tude qualitative. Soient
a

<b

deux solutions conscutives de F (y )

= 0. Si a < y0 < b, la
= y0 est entirement
croisait la droite y = a, on

solution du problme de Cauchy y (t0 )


comprise entre a et b. Si son graphe

aurait non unicit pour le problme de Cauchy. On en dduit que


les solutions non stationnaires sont strictement monotones et donc
inversibles : on peut ainsi les voir comme des fonctions t (y ).

90

Solutions stationnaires et positions d'quilibre


Revenons maintenant dans la suite de cette section au cas
autonome y

= F (y ).

Une solution est dite stationnaire si y (t ) est

constante. Cela correspond en mcanique ce qu'on appelle les


positions d'quilibre. Ici les solutions stationnaires sont faciles
dterminer : y (t )

=c

est stationnaire si et seulement si F (c )

= 0.

On s'attachera donc dans un premier temps dterminer les


solutions de F (y )

=0

qui en gnral partagent l'intervalle de

dnition de F en sous-intervalles o F est de signe constant. Ces


signes vont jouer un rle important dans l'tude qualitative. Soient
a

<b

deux solutions conscutives de F (y )

= 0. Si a < y0 < b, la
= y0 est entirement
croisait la droite y = a, on

solution du problme de Cauchy y (t0 )


comprise entre a et b. Si son graphe

aurait non unicit pour le problme de Cauchy. On en dduit que


les solutions non stationnaires sont strictement monotones et donc
inversibles : on peut ainsi les voir comme des fonctions t (y ).

90

Partie II. Systmes dynamiques et quations direntielles

Systmes dynamiques : un langage pour la modlisation.


Qu'est ce qu'un systme dynamique ?
Systmes dynamiques discrets
Systmes dynamiques continus
Comportement qualitatif et stabilit
tude de stabilit pour un systme dynamique discret

Application : systmes cologiques


Le modle de Volterra-Lotka.

91

Systmes dynamiques : un langage pour la modlisation.


Qu'est ce qu'un systme dynamique ?
Systmes dynamiques discrets
Systmes dynamiques continus
Comportement qualitatif et stabilit
tude de stabilit pour un systme dynamique discret

Application : systmes cologiques


Le modle de Volterra-Lotka.

91

Cours N 9,
II. Systmes dynamiques : un langage pour la modlisation
(voir [DDGR], p.5)

quations
direntielles et les quations aux drives partielles comme
Depuis le 17e sicle, les scientiques ont utilis les
langage de modlisation.
Newton, Leibniz, Euler, les Bernoulli ont cre les premires bases de
la thorie. Depuis, les scientiques n'ont pas cess de perfectionner
le langage, les outils, les mthodes.

92

Modlisation
Rappelons que de point de vue mathmatique, une modlisation est la donne
de :

I T est le temps (soit un ensemble discret


T
T
T

= {tl = lh | l Z, h > 0 une constante xe }, soit


= {tl = lh | l N, h > 0 une constante xe } soit
= R (ou T = R0 ) donc t + s T pour tout t , s T ).

I L'espace M (dit l'espace des phases) dont les points sont des vecteurs
X

= (x , y , ) M ,

o x , y

sont des quantits numriques, souvent

appeles variables ou observables, qui caractrisent un tat de systme


dynamique en question.

I Un processus dynamique est une fonction mathmatique f

: t 7 (x (t ), y (t ), ) M , telle
avec la proprit f (0) = X0 , o X0

93

que f

= fX 0

: T M,

satisfait une loi dynamique

est l'tat initial du processus.

Modlisation
Rappelons que de point de vue mathmatique, une modlisation est la donne
de :

I T est le temps (soit un ensemble discret


T
T
T

= {tl = lh | l Z, h > 0 une constante xe }, soit


= {tl = lh | l N, h > 0 une constante xe } soit
= R (ou T = R0 ) donc t + s T pour tout t , s T ).

I L'espace M (dit l'espace des phases) dont les points sont des vecteurs
X

= (x , y , ) M ,

o x , y

sont des quantits numriques, souvent

appeles variables ou observables, qui caractrisent un tat de systme


dynamique en question.

I Un processus dynamique est une fonction mathmatique f

: t 7 (x (t ), y (t ), ) M , telle
avec la proprit f (0) = X0 , o X0

93

que f

= fX 0

: T M,

satisfait une loi dynamique

est l'tat initial du processus.

Modlisation
Rappelons que de point de vue mathmatique, une modlisation est la donne
de :

I T est le temps (soit un ensemble discret


T
T
T

= {tl = lh | l Z, h > 0 une constante xe }, soit


= {tl = lh | l N, h > 0 une constante xe } soit
= R (ou T = R0 ) donc t + s T pour tout t , s T ).

I L'espace M (dit l'espace des phases) dont les points sont des vecteurs
X

= (x , y , ) M ,

o x , y

sont des quantits numriques, souvent

appeles variables ou observables, qui caractrisent un tat de systme


dynamique en question.

I Un processus dynamique est une fonction mathmatique f

: t 7 (x (t ), y (t ), ) M , telle
avec la proprit f (0) = X0 , o X0

93

que f

= fX 0

: T M,

satisfait une loi dynamique

est l'tat initial du processus.

Modlisation
Rappelons que de point de vue mathmatique, une modlisation est la donne
de :

I T est le temps (soit un ensemble discret


T
T
T

= {tl = lh | l Z, h > 0 une constante xe }, soit


= {tl = lh | l N, h > 0 une constante xe } soit
= R (ou T = R0 ) donc t + s T pour tout t , s T ).

I L'espace M (dit l'espace des phases) dont les points sont des vecteurs
X

= (x , y , ) M ,

o x , y

sont des quantits numriques, souvent

appeles variables ou observables, qui caractrisent un tat de systme


dynamique en question.

I Un processus dynamique est une fonction mathmatique f

: t 7 (x (t ), y (t ), ) M , telle
avec la proprit f (0) = X0 , o X0

93

que f

= fX 0

: T M,

satisfait une loi dynamique

est l'tat initial du processus.

Espace des phases

La formulation exacte des principes gnraux ci-dessus fait appel


aux notions d'espace des phases (espaces de congurations). On a
vu dj la notion de processus dterministe : toute son volution et
son pass sont univoquement dnis par son tat prsent.
L'ensemble de tous les tats d'un tel processus s'appelle espace de
phases.
Voyons un exemple o la seule introduction de l'espace des phases
permet de rsoudre un exercice pineux.

94

Exemple d'utilisation de l'espace des phases (voir [ArnED], p.12)

Exemple (6.1)
Les villes A et B sont relies par deux routes ne se coupant nulle part. On sait
que deux mobiles empruntant chacun l'une de ces voies et lis entre eux par une
celle d'une longueur infrieur 2l , peuvent se rendre de A en B sans rompre
cette celle. On se demande si deux vhicules sphriques de rayon l , dont les
centres se dplacent sur chacune de ces routes, l'un la rencontre de l'autre,
peuvent se croiser sans se heurter.
Solution : Examinons le carr M = {x1 , x2 | 0 xi 1}. On peut reprsenter la
position de deux mobiles (l'un se dplaant sur la premire route, l'autre sur la
seconde) par un point du carr M : il sut pour cela de dsigner par xi la fraction de
distance AB parcourue par la route i en partant de A.
Toutes les positions des deux mobiles sont reprsentes par des points du carr M . Ce
carr est appel espace des phases et ses points points reprsentatifs. Par consquent,
chaque dplacement des mobiles correspond le dplacement d'un point reprsentatif
dans l'espace des phases.

95

Exemple d'utilisation de l'espace des phases (voir [ArnED], p.12)

Exemple (6.1)
Les villes A et B sont relies par deux routes ne se coupant nulle part. On sait
que deux mobiles empruntant chacun l'une de ces voies et lis entre eux par une
celle d'une longueur infrieur 2l , peuvent se rendre de A en B sans rompre
cette celle. On se demande si deux vhicules sphriques de rayon l , dont les
centres se dplacent sur chacune de ces routes, l'un la rencontre de l'autre,
peuvent se croiser sans se heurter.
Solution : Examinons le carr M = {x1 , x2 | 0 xi 1}. On peut reprsenter la
position de deux mobiles (l'un se dplaant sur la premire route, l'autre sur la
seconde) par un point du carr M : il sut pour cela de dsigner par xi la fraction de
distance AB parcourue par la route i en partant de A.
Toutes les positions des deux mobiles sont reprsentes par des points du carr M . Ce
carr est appel espace des phases et ses points points reprsentatifs. Par consquent,
chaque dplacement des mobiles correspond le dplacement d'un point reprsentatif
dans l'espace des phases.

95

Exemple d'utilisation de l'espace des phases (voir [ArnED], p.12)

Exemple (6.1)
Les villes A et B sont relies par deux routes ne se coupant nulle part. On sait
que deux mobiles empruntant chacun l'une de ces voies et lis entre eux par une
celle d'une longueur infrieur 2l , peuvent se rendre de A en B sans rompre
cette celle. On se demande si deux vhicules sphriques de rayon l , dont les
centres se dplacent sur chacune de ces routes, l'un la rencontre de l'autre,
peuvent se croiser sans se heurter.
Solution : Examinons le carr M = {x1 , x2 | 0 xi 1}. On peut reprsenter la
position de deux mobiles (l'un se dplaant sur la premire route, l'autre sur la
seconde) par un point du carr M : il sut pour cela de dsigner par xi la fraction de
distance AB parcourue par la route i en partant de A.
Toutes les positions des deux mobiles sont reprsentes par des points du carr M . Ce
carr est appel espace des phases et ses points points reprsentatifs. Par consquent,
chaque dplacement des mobiles correspond le dplacement d'un point reprsentatif
dans l'espace des phases.

95

Utilisation de l'espace des phases


Les mobiles partent de la ville A que nous supposerons correspondre l'angle
infrieur gauche du carr (x1

= x2 = 0),

quant leur dplacement de A en B , il

est reprsent par la courbe qui mne l'angle oppos. De la mme manire les
vhicules sphriques partant de l'angle infrieur droit (x1

= 0, x2 = 1),

quant

leur mouvement, il est reprsent par la courbe conduisant l'angle oppos du


carr.
Or dans un carr deux courbes quelconques joignant des sommets opposs se
coupent. Par consquent, quel que soit le mouvement des vhicules sphriques,
il arrivera un instant o ils occuperont une position dj occupe par le couple
des mobiles. cet instant la distance sparant les centres des vhicules
sphriques sera infrieure 2l . De sorte qu'il leur est impossible de ne pas se
heurter.
Dans cet exemple, le raisonnement est proche de ceux dans la thorie
qualitative d'quations direntielles : il est trs utile d'assimiler les tats d'un
processus un point d'un espace convenable.

96

Utilisation de l'espace des phases


Les mobiles partent de la ville A que nous supposerons correspondre l'angle
infrieur gauche du carr (x1

= x2 = 0),

quant leur dplacement de A en B , il

est reprsent par la courbe qui mne l'angle oppos. De la mme manire les
vhicules sphriques partant de l'angle infrieur droit (x1

= 0, x2 = 1),

quant

leur mouvement, il est reprsent par la courbe conduisant l'angle oppos du


carr.
Or dans un carr deux courbes quelconques joignant des sommets opposs se
coupent. Par consquent, quel que soit le mouvement des vhicules sphriques,
il arrivera un instant o ils occuperont une position dj occupe par le couple
des mobiles. cet instant la distance sparant les centres des vhicules
sphriques sera infrieure 2l . De sorte qu'il leur est impossible de ne pas se
heurter.
Dans cet exemple, le raisonnement est proche de ceux dans la thorie
qualitative d'quations direntielles : il est trs utile d'assimiler les tats d'un
processus un point d'un espace convenable.

96

Utilisation de l'espace des phases


Les mobiles partent de la ville A que nous supposerons correspondre l'angle
infrieur gauche du carr (x1

= x2 = 0),

quant leur dplacement de A en B , il

est reprsent par la courbe qui mne l'angle oppos. De la mme manire les
vhicules sphriques partant de l'angle infrieur droit (x1

= 0, x2 = 1),

quant

leur mouvement, il est reprsent par la courbe conduisant l'angle oppos du


carr.
Or dans un carr deux courbes quelconques joignant des sommets opposs se
coupent. Par consquent, quel que soit le mouvement des vhicules sphriques,
il arrivera un instant o ils occuperont une position dj occupe par le couple
des mobiles. cet instant la distance sparant les centres des vhicules
sphriques sera infrieure 2l . De sorte qu'il leur est impossible de ne pas se
heurter.
Dans cet exemple, le raisonnement est proche de ceux dans la thorie
qualitative d'quations direntielles : il est trs utile d'assimiler les tats d'un
processus un point d'un espace convenable.

96

Oprateur d'volution
Si donc M est un espace de congurations (espace de phases) nous pouvons
considrer l'volution temporelle du systme partir d'une position initiale
X0

occupe par le systme au temps t0 , Si ce systme se trouve une

position X1

au temps t1 , on pose X1

= t1 ,t0 (X0 ),

t1 ,t0 : M M

est

dit l'oprateur d'volution.


Si cet oprateur ne dpend pas du temps initial, c'est--dire qu'il ne dpend que
de t

= t1 t0 ,

on le note

t .

Proprits supplmentaires (dterministes) de l'oprateur d'volution :

t2 ,t1 t1 ,t0 = t2 ,t0 , et t ,t = Id. Cette proprit dit a b = a+b ,


0 = Id pour un systme autonome (indpendant de temps), o
a = t2 t1 , b = t1 t0 T . Ici le temps T est vu comme un ensemble
vriant les proprits :0 T , si a, b T alors a + b T .

Exemple (6.2)

= T = R, alors t (X ) = Xe t est un oprateur


R, a b (X ) = Xe b e a = a+b = Xe a+b .

Soit M
a, b

97

d'volution : pour tout

Oprateur d'volution
Si donc M est un espace de congurations (espace de phases) nous pouvons
considrer l'volution temporelle du systme partir d'une position initiale
X0

occupe par le systme au temps t0 , Si ce systme se trouve une

position X1

au temps t1 , on pose X1

= t1 ,t0 (X0 ),

t1 ,t0 : M M

est

dit l'oprateur d'volution.


Si cet oprateur ne dpend pas du temps initial, c'est--dire qu'il ne dpend que
de t

= t1 t0 ,

on le note

t .

Proprits supplmentaires (dterministes) de l'oprateur d'volution :

t2 ,t1 t1 ,t0 = t2 ,t0 , et t ,t = Id. Cette proprit dit a b = a+b ,


0 = Id pour un systme autonome (indpendant de temps), o
a = t2 t1 , b = t1 t0 T . Ici le temps T est vu comme un ensemble
vriant les proprits :0 T , si a, b T alors a + b T .

Exemple (6.2)

= T = R, alors t (X ) = Xe t est un oprateur


R, a b (X ) = Xe b e a = a+b = Xe a+b .

Soit M
a, b

97

d'volution : pour tout

Oprateur d'volution
Si donc M est un espace de congurations (espace de phases) nous pouvons
considrer l'volution temporelle du systme partir d'une position initiale
X0

occupe par le systme au temps t0 , Si ce systme se trouve une

position X1

au temps t1 , on pose X1

= t1 ,t0 (X0 ),

t1 ,t0 : M M

est

dit l'oprateur d'volution.


Si cet oprateur ne dpend pas du temps initial, c'est--dire qu'il ne dpend que
de t

= t1 t0 ,

on le note

t .

Proprits supplmentaires (dterministes) de l'oprateur d'volution :

t2 ,t1 t1 ,t0 = t2 ,t0 , et t ,t = Id. Cette proprit dit a b = a+b ,


0 = Id pour un systme autonome (indpendant de temps), o
a = t2 t1 , b = t1 t0 T . Ici le temps T est vu comme un ensemble
vriant les proprits :0 T , si a, b T alors a + b T .

Exemple (6.2)

= T = R, alors t (X ) = Xe t est un oprateur


R, a b (X ) = Xe b e a = a+b = Xe a+b .

Soit M
a, b

97

d'volution : pour tout

Dnition d'un systme dynamique


t (X ) := (t , X ).
= fX : M M est la fonction du
initiale fX (0) = X M .

Pour un oprateur d'volution autonome on note :


Autrement dit,

(t , X ) = fX (t ),

processus dynamique avec l'tat

o f

Dnition (6.3)
Un

systme dynamique est un triplet (M , T , ), dans lequel M

l'espace de conguration, T est le temps. et

:T M M

est

est une

application telle que :

X M , s , t T , (t , (s , X )) = (s + t , X ), (0, X ) = X .
L'application

: T M M , (t , X ) 7 (t , X )
(M , T , ).

est appel

ot du

systme dynamique

t (X ) := (t , X ), un ensemble
t : M M vriant t s = s +t .

Pour un systme dynamique, on note

{t }t T

98

des applications

Flots, orbites et dynamique : cas discret ([DDGR], p.19)


= Z. Dans ce cas un
: Z M M , (k , X ) 7 (k , X ), telle que

On considre le temps T

I toutes les applications

ot discret

est une application

k = (k , ) : Z M M , X 7 (k , X )

sont

susamment rgulires,

I
I

X M , (0, X ) = Id(X ) = X
X M , k , l Z, (l , (k , X )) = (k + l , X )

(cette proprit est

appele dterminisme du systme).

Dnition (6.4, orbite d'un ot discret)


Pour un ot : Z M M l'ensemble
O (X0 ) = {(k , X0 ) | k Z} est dit l'orbite
l'orbite de X0 .

99

de X0 , et

(k , X0 )

le k

e point de

La fonction dynamique (cas dterministe)


Dnition (6.5, la fonction dynamique)
Soit (M , Z, ) un systme dynamique discret, on pose
(X ) = (1, X ),
alors : M M une application appele dynamique du

systme,

et on a

(k , X0 ) = k (X0 ) (la k me itration de ), et


(k , X0 ) = (1 )k (X0 ) (la k me itration de l'application
1 pour tout entier positif k .

Exemple (6.6)
Soit

:MM

une bijection, on pose

), et
(k , X0 ) = (1 )k (X0 ) (la k me
1 pour tout entier positif k ).

(k , X0 ) = k (X0 )

inverse

(la

k me itration de

100

itration de l'application inverse

Cas discret semi-deterministe


On considre le temps T = N. Dans ce cas un
: N M M , (k , X ) 7 (k , X ), telle que

I toutes les applications

ot discret

est une application

k = (k , ) : N M M , X 7 (k , X )

sont

susamment rgulires,

I
I

X M , (0, X ) = Id(X ) = X
X M , k , l N, (l , (k , X )) = (k + l , X )

(cette proprit est

appele semi-dterminisme du systme).

Remarque
Il se peut que la fonction dynamique semi-dterministe

= 1 : M M
ne soit pas bijective, puisque

k (X ) = (k , X ) = k (X ), mais k = 1 6 N,
(k , X ) (voir l'exemple suivant).

1 n'est pas dnie par


donc

101

Exemple : un systme dynamique discret semi-dterministe


Exercice (6.8, voir [YCV], p.42)
Soit

: [0, 1] [0, 1]

l'application linaire par morceaux dnie par

2x

(x ) =
(a) Tracer le graphe de

2x

et de

x 1/2
1/2 x 1.

si 0
si

2 = .

(b) Calculer les points xes et les points priodiques de priode 2


de

(c) Montrer que la composition de fonctions anes est encore


ane et en dduire le graphe de

102

n .

Cours N 10,
Points xes et points priodiques

Soient M un ensemble et

:MM

une application,

: N M M le systme dynamique associ


(k , x ) = k (x ) pour tous (k , x ) N M ).

(rapellons que

Dnition (6.9)
M est dit point xe de si (X ) = X .

Un point X M est un point priodique de s'il existe N N


N

que (X ) = X , et (X ) 6= X . Le plus petit N qui vrie


Un point X

cette galit est appel la priode de X .

103

tel

Cours N 10,
Points xes et points priodiques

Soient M un ensemble et

:MM

une application,

: N M M le systme dynamique associ


(k , x ) = k (x ) pour tous (k , x ) N M ).

(rapellons que

Dnition (6.9)
M est dit point xe de si (X ) = X .

Un point X M est un point priodique de s'il existe N N


N

que (X ) = X , et (X ) 6= X . Le plus petit N qui vrie


Un point X

cette galit est appel la priode de X .

103

tel

Cours N 10,
Points xes et points priodiques

Soient M un ensemble et

:MM

une application,

: N M M le systme dynamique associ


(k , x ) = k (x ) pour tous (k , x ) N M ).

(rapellons que

Dnition (6.9)
M est dit point xe de si (X ) = X .

Un point X M est un point priodique de s'il existe N N


N

que (X ) = X , et (X ) 6= X . Le plus petit N qui vrie


Un point X

cette galit est appel la priode de X .

103

tel

Stabilit des points xes


Dnition (6.10, un point xe stable)
Un point xe X

> 0 > 0,

tel que |X0

est dit stable, si

X | < = k 0, |Xk X | < .

Exemple
Soit

: [0, 1] [0, 1]

l'application linaire par morceaux dnie par

(
(x ) =
(a) Tracer le graphe de

et de

2x
2

2x

x 1/2
1/2 x 1.

si 0
si

2 = .

(b) Calculer les points xes et les points priodiques de priode 2 de

104

Stabilit des points xes


Dnition (6.10, un point xe stable)
Un point xe X

> 0 > 0,

tel que |X0

est dit stable, si

X | < = k 0, |Xk X | < .

Exemple
Soit

: [0, 1] [0, 1]

l'application linaire par morceaux dnie par

(
(x ) =
(a) Tracer le graphe de

et de

2x
2

2x

x 1/2
1/2 x 1.

si 0
si

2 = .

(b) Calculer les points xes et les points priodiques de priode 2 de

104

Cas continu

sur un ouvert M Rn est une application


: R M M , (t , X ) 7 (t , X ) susamment rgulire,

Un ot

I
I

telle que

X M , (0, X ) = Id(X ) = X
X M , s , t R, (t , (s , X )) = (s + t , X )

Pour un

ot continu on obtient une famille t (X ) := (t , X ), des

fonctions dynamiques

{t }t T , t : M M

vriant

t s = s + t .

Dnition (6.12, orbite ou trajectoire d'un ot continu)


-Pour un ot : R M M l'ensemble
O (X0 ) = {(t , X0 ) | t R} est dit l'orbite

ou trajectoire de X0 .

-X0 est un point xe ou point d'quilibre du ot si


-Une trajectoire priodique du ot
courbe ferm : il existe P

>0

tel que

(P , X ) = X .

P qui convient est appel priode de X .

105

O (X0 ) = X0 ;

est une trajectoire reprsent par une


La valeur minimale de

Cas continu

sur un ouvert M Rn est une application


: R M M , (t , X ) 7 (t , X ) susamment rgulire,

Un ot

I
I

telle que

X M , (0, X ) = Id(X ) = X
X M , s , t R, (t , (s , X )) = (s + t , X )

Pour un

ot continu on obtient une famille t (X ) := (t , X ), des

fonctions dynamiques

{t }t T , t : M M

vriant

t s = s + t .

Dnition (6.12, orbite ou trajectoire d'un ot continu)


-Pour un ot : R M M l'ensemble
O (X0 ) = {(t , X0 ) | t R} est dit l'orbite

ou trajectoire de X0 .

-X0 est un point xe ou point d'quilibre du ot si


-Une trajectoire priodique du ot
courbe ferm : il existe P

>0

tel que

(P , X ) = X .

P qui convient est appel priode de X .

105

O (X0 ) = X0 ;

est une trajectoire reprsent par une


La valeur minimale de

Proprits des trajectoires


Pour un systme autonome, les trajectoires sont disjointes ou confondues dans
l'espace des phases : en eet si deux trajectoires se coupent en un point X ,

(t1 , X1 ) R M , (t2 , X2 ) R M tels que


(
X = (t1 , X1 )
X = (t2 , X2 ),
alors

(t1 , X1 ) = (t2 , X2 ),

et X2

= (t2 , (t2 , X2 )) =

(t2 , (t1 , X1 )) = (t1 t2 , X1 ),


O (X1 ), donc O (X2 ) O (X1 ), et de mme
O (X1 ) O (X2 ), ce qui signie que les trajectoires sont

i.e. X2

confondues.

106

Comportement des solutions d'une quation direntielle ;


orbites (voir [YCV], p.9)
On remarque que si y (t ) est une solution d'une quation
direntielle autonome, et c

R, y (t c )

en est une autre. Cela

implique en gnral, qu'il n'y a qu'un nombre ni de solutions


considrer qui chacune parcourt un des intervalles o F est de signe
constant. Considrons par exemple un intervalle ]a, b [ o F
F (a)

= F (b) = 0.

Soit y (t ) une solution telle que a

> 0 et
< y (0) < b.

Alors on peut montrer que la solution maximale du problme de


Cauchy satisfait limt y (t )

et y (t )

est strictement croissante sur

= a et limt + y (t ) = b
R. L'orbite correspondante

parcourt

donc ]a, b [. On peut la reprsenter gomtriquement en marquant


l'intervalle ]a, b [ d'une che vers la droite.

107

Stabilit
Soit a tel que F (a)

=0

et F

0 (a)

> 0,

on dduit de ce qui prcde que


si y (t0 )

6= a

est proche de a,

+.
< a < c tel que F > 0
sur ]a, c ] et F < 0 sur [b , a[.
Il existe t1 > t0 tel que y (t ) 6 [b , c ] pour t t1 .
La solution stationnaire y (t ) = a est dite instable
3
(par exemple, a = 0 pour F (y ) = y y ).
y (t ) s'loigne de a lorsque t
Plus prcisment, soit b

= 0 et F 0 (a) < 0.
< a < c tel que
F < 0 sur ]a, c ] et F > 0 sur [b , a[.
Alors si y (t0 ) [b , c ], y (t ) a quand t +.
La solution stationnaire y (t ) = a est alors dite stable
3
(par exemple, a = 1 pour F (y ) = y y ).
Soit, au contraire a tel que F (a)

Soit b

108

Stabilit
Soit a tel que F (a)

=0

et F

0 (a)

> 0,

on dduit de ce qui prcde que


si y (t0 )

6= a

est proche de a,

+.
< a < c tel que F > 0
sur ]a, c ] et F < 0 sur [b , a[.
Il existe t1 > t0 tel que y (t ) 6 [b , c ] pour t t1 .
La solution stationnaire y (t ) = a est dite instable
3
(par exemple, a = 0 pour F (y ) = y y ).
y (t ) s'loigne de a lorsque t
Plus prcisment, soit b

= 0 et F 0 (a) < 0.
< a < c tel que
F < 0 sur ]a, c ] et F > 0 sur [b , a[.
Alors si y (t0 ) [b , c ], y (t ) a quand t +.
La solution stationnaire y (t ) = a est alors dite stable
3
(par exemple, a = 1 pour F (y ) = y y ).
Soit, au contraire a tel que F (a)

Soit b

108

Le cas des intervalles innis est plus dlicat :

I Supposons d'abord F (a)

=0

et F (y )

>0

sur ]a, +[, alors

les solutions maximales sont dnies sur un intervalle du type


I

=] , T0 [

avec T0 ni ou non. Sur I , y (t ) est strictement

croissante et si T0

<

on a :

lim y (t )

t T0
I Supposons F (a)

=0

et F (y )

= +

<0

sur ]a, +[, alors les

solutions maximales sont dnies sur ]T0 , +[ et satisfont


lim y (t )

109

=a

Fig.: Le point y = 1 est stable pour y 0 = arctan(y ) +

110

Fig.: Le point y = 0 est instable pour y 0 = arctan(y )

111

Lorsque la drivee s'annule et que F (a)


on a une stabilit ds que F (y )

= 0,

>0

< a proche de a, et
< 0 pour y > a proche de a.
On a instabilit ds que F (y ) < 0
pour y < a proche de a ou
F (y ) > 0 pour y > a proche de a.
pour y
F (y )

L'avantage de l'tude prcdente est


qu'elle permet de prvoir la liste des orbites
et la stabilit des orbites stationnaires.

Exemples :
F (y )
F (y )

= y 3, a = 0
= y 2, a = 0

(cas instable), F (y )
(cas instable), F (y )

= y 3 , a = 0
= y 2 , a = 0

(cas stable),
(cas instable).

Soit a un point stationnaire stable, le bassin d'attraction de a est l'ensemble des


donnes de Cauchy telles que limt + y (t )

= a,

c'est un intervalle contenant a

et facile dterminer avec les considrations prcdentes.

112

Lorsque la drivee s'annule et que F (a)


on a une stabilit ds que F (y )

= 0,

>0

< a proche de a, et
< 0 pour y > a proche de a.
On a instabilit ds que F (y ) < 0
pour y < a proche de a ou
F (y ) > 0 pour y > a proche de a.
pour y
F (y )

L'avantage de l'tude prcdente est


qu'elle permet de prvoir la liste des orbites
et la stabilit des orbites stationnaires.

Exemples :
F (y )
F (y )

= y 3, a = 0
= y 2, a = 0

(cas instable), F (y )
(cas instable), F (y )

= y 3 , a = 0
= y 2 , a = 0

(cas stable),
(cas instable).

Soit a un point stationnaire stable, le bassin d'attraction de a est l'ensemble des


donnes de Cauchy telles que limt + y (t )

= a,

c'est un intervalle contenant a

et facile dterminer avec les considrations prcdentes.

112

113

(F (y )

= y 3, a = 0

(F (y )

= y 3 , a = 0

(cas instable)

(cas stable))

113

(F (y )

= y 3, a = 0

(F (y )

= y 3 , a = 0

(cas instable)

(cas stable))

114

F (y )

= y 2, a = 0

F (y )

= y 2 , a = 0

(cas instable)

(cas instable)

114

F (y )

= y 2, a = 0

F (y )

= y 2 , a = 0

(cas instable)

(cas instable)

tude de stabilit pour un systme dynamique discret


Exercice (6.1, une fonction dynamique)
(x ) = x (1 x ). Pour quelles valeurs de la fonction
= [0, 1] sur lui-mme ? Pour une telle valeur, trouver
les points xes de ainsi que les trajectoires de priode 2. tudier leur stabilit
en fonction de .
Considrons

applique-t-elle l'intervalle I

Exercice (6.2, un systme dynamique discret, voir [YCV], p.42)


Soit

: [0, 1] [0, 1]

l'application linaire par morceaux dnie par

(
(x ) =

2x
2

2x

x 1/2
1/2 x 1.

si 0
si

(a) Calculer les points xes et les points priodiques de priode 2 de


(b) tudier leur stabilit en utilisant le graphe de

115

n .

Cas = 2 < 1 (instable) ou priodique, y0 =

y0 =

:= [

ou

1024

, 2
, 2 +
, , 592
3
3
3
[0.5773, 0.845, 0.309, 0.619, 0.763, 0.48, 0.94, 0.10, 0.2, 0.3]

Les valeurs de y _n

116

3
3

13
20

Cas = 4/3 > 1 (instable) et = 1/2, || < 1 (stable),

y0 = 2013

117

Cas = 4/3 < 1 (instable) et = 1/2, || < 1


13
(stable), y0 = 20

118

Systmes dynamiques : un langage pour la modlisation.


Qu'est ce qu'un systme dynamique ?
Systmes dynamiques discrets
Systmes dynamiques continus
Comportement qualitatif et stabilit
tude de stabilit pour un systme dynamique discret

Application : systmes cologiques


Le modle de Volterra-Lotka.

118

Cours N 11,
Exemple : systmes cologiques (modle de Lotka-Volterra)
Nous allons prsenter un modle d'volution dynamique de population, donn
par un systme d'quations direntielles (voir [Pajot], Ch.VII, p.14). Il s'agit
donc d'un modle d'volution de 2 populations : les proies dont le nombre vaut
u

>0

et les prdateurs dont le nombre vaut v

> 0.

Umberto d'Ankona qui tait un des responsables de la pche italienne pendant


la Premire Guerre Mondiale avait remarqu (en regardant les donnes
statistiques en sa possession) que la population de requins et autres prdateurs
qu'on attrapait tait infrieure pendant la guerre ce qu'elle tait avant et
aprs la guerre, priode o la pche tait alors rduite.
Vito Volterra, qui avait t contact par D'Ankona, proposa, au dbut des
annes 1920, l'explication suivante.

119

Soit u (t ) le nombre de poissons (pour nous, des sardines) et v (t ) le nombre des


prdateurs (pour nous, des requins).
Supposons que

I (i) Les sardines ont assez de nourriture et seul les requins s'opposent la
croissance de leur population.

I (ii) Le nombre de requins dpend du nombre de sardines dont ils disposent pour
manger.
De plus Volterra suppose

I (iii) qu'en absence de requins, le nombre de sardines croit exponentiellement,


0
c'est dire u satisfait u = au et que
I (iv) le nombre de requins en absence des sardines dcrot exponentiellement,
0
c'est dire v satisfait v = pv pour une constante p > 0.
Comment traiter leur "vie commune" ? Le nombre des rencontres est suppos
dpendre du produit uv , il est dfavorable pour les sardines et favorable pour les
requins. Donc, il existe b , q

>0

tels que

120

= au buv
= pv + quv

Soit u (t ) le nombre de poissons (pour nous, des sardines) et v (t ) le nombre des


prdateurs (pour nous, des requins).
Supposons que

I (i) Les sardines ont assez de nourriture et seul les requins s'opposent la
croissance de leur population.

I (ii) Le nombre de requins dpend du nombre de sardines dont ils disposent pour
manger.
De plus Volterra suppose

I (iii) qu'en absence de requins, le nombre de sardines croit exponentiellement,


0
c'est dire u satisfait u = au et que
I (iv) le nombre de requins en absence des sardines dcrot exponentiellement,
0
c'est dire v satisfait v = pv pour une constante p > 0.
Comment traiter leur "vie commune" ? Le nombre des rencontres est suppos
dpendre du produit uv , il est dfavorable pour les sardines et favorable pour les
requins. Donc, il existe b , q

>0

tels que

120

= au buv
= pv + quv

Soit u (t ) le nombre de poissons (pour nous, des sardines) et v (t ) le nombre des


prdateurs (pour nous, des requins).
Supposons que

I (i) Les sardines ont assez de nourriture et seul les requins s'opposent la
croissance de leur population.

I (ii) Le nombre de requins dpend du nombre de sardines dont ils disposent pour
manger.
De plus Volterra suppose

I (iii) qu'en absence de requins, le nombre de sardines croit exponentiellement,


0
c'est dire u satisfait u = au et que
I (iv) le nombre de requins en absence des sardines dcrot exponentiellement,
0
c'est dire v satisfait v = pv pour une constante p > 0.
Comment traiter leur "vie commune" ? Le nombre des rencontres est suppos
dpendre du produit uv , il est dfavorable pour les sardines et favorable pour les
requins. Donc, il existe b , q

>0

tels que

120

= au buv
= pv + quv

Soit u (t ) le nombre de poissons (pour nous, des sardines) et v (t ) le nombre des


prdateurs (pour nous, des requins).
Supposons que

I (i) Les sardines ont assez de nourriture et seul les requins s'opposent la
croissance de leur population.

I (ii) Le nombre de requins dpend du nombre de sardines dont ils disposent pour
manger.
De plus Volterra suppose

I (iii) qu'en absence de requins, le nombre de sardines croit exponentiellement,


0
c'est dire u satisfait u = au et que
I (iv) le nombre de requins en absence des sardines dcrot exponentiellement,
0
c'est dire v satisfait v = pv pour une constante p > 0.
Comment traiter leur "vie commune" ? Le nombre des rencontres est suppos
dpendre du produit uv , il est dfavorable pour les sardines et favorable pour les
requins. Donc, il existe b , q

>0

tels que

120

= au buv
= pv + quv

Soit u (t ) le nombre de poissons (pour nous, des sardines) et v (t ) le nombre des


prdateurs (pour nous, des requins).
Supposons que

I (i) Les sardines ont assez de nourriture et seul les requins s'opposent la
croissance de leur population.

I (ii) Le nombre de requins dpend du nombre de sardines dont ils disposent pour
manger.
De plus Volterra suppose

I (iii) qu'en absence de requins, le nombre de sardines croit exponentiellement,


0
c'est dire u satisfait u = au et que
I (iv) le nombre de requins en absence des sardines dcrot exponentiellement,
0
c'est dire v satisfait v = pv pour une constante p > 0.
Comment traiter leur "vie commune" ? Le nombre des rencontres est suppos
dpendre du produit uv , il est dfavorable pour les sardines et favorable pour les
requins. Donc, il existe b , q

>0

tels que

120

= au buv
= pv + quv

Soit u (t ) le nombre de poissons (pour nous, des sardines) et v (t ) le nombre des


prdateurs (pour nous, des requins).
Supposons que

I (i) Les sardines ont assez de nourriture et seul les requins s'opposent la
croissance de leur population.

I (ii) Le nombre de requins dpend du nombre de sardines dont ils disposent pour
manger.
De plus Volterra suppose

I (iii) qu'en absence de requins, le nombre de sardines croit exponentiellement,


0
c'est dire u satisfait u = au et que
I (iv) le nombre de requins en absence des sardines dcrot exponentiellement,
0
c'est dire v satisfait v = pv pour une constante p > 0.
Comment traiter leur "vie commune" ? Le nombre des rencontres est suppos
dpendre du produit uv , il est dfavorable pour les sardines et favorable pour les
requins. Donc, il existe b , q

>0

tels que

120

= au buv
= pv + quv

En gnral, il s'agit d'un modle d'volution de 2 populations : les


proies dont le nombre vaut u
vaut v

> 0.

>0

et les prdateurs dont le nombre

On pose

du
d
dv
d

= au buv
= pv + quv

(7.1)

o a est le taux de croissance de la population de proies en


l'absence de prdateurs et
p le taux de dcroissance des prdateurs en l'absence de proies.
Le modle (7.1) est connu sous le nom

modle de Lotka-Volterra

parce que les mme quations ont t drives par A.J.Lotka (1920)
partir d'une raction chimique hypothtique qui manifestait un
comportement priodique des concentrations chimiques.

121

En gnral, il s'agit d'un modle d'volution de 2 populations : les


proies dont le nombre vaut u
vaut v

> 0.

>0

et les prdateurs dont le nombre

On pose

du
d
dv
d

= au buv
= pv + quv

(7.1)

o a est le taux de croissance de la population de proies en


l'absence de prdateurs et
p le taux de dcroissance des prdateurs en l'absence de proies.
Le modle (7.1) est connu sous le nom

modle de Lotka-Volterra

parce que les mme quations ont t drives par A.J.Lotka (1920)
partir d'une raction chimique hypothtique qui manifestait un
comportement priodique des concentrations chimiques.

121

tude de solutions
Les changements x

= qu /p , y = bv /a, t = /a, = p /a

systme

dx
dt
dy
dt

conduisent au

= x (1 y )
= y (x 1)

Ce systme admet le point singulier (1,1). On pose f (u )

= ln(ue u )

et

on vrie que la fonction

(x , y ) = f (y ) + f (x )
est constante le long des orbites. De l'allure du graphe de f , on dduit
l'endroit, o toutes les orbites sont priodiques. Cela implique que les 2
populations sont des fonctions priodiques du temps dont les maximas
sont dcals, ce qui est conforme certaines observations. Pour les
dtails, consulter [Murr89] chapitre 3.

122

Intgrale premire du systme de Volterra-Lotka


Exemple
a) Vrier que f (x , y )

= x ye x y

est une intgrale premire du systme de

Volterra-Lotka :

considr dans le quart de plan x

= x (1 y )
= y (x 1)

> 0, y > 0.
= 0 et f = e 2 .

b) Tracer les courbes de niveaux f


0

< a < e 2 ,

(7.2)

Montrer (*) que, pour

les courbes de niveaux sont fermes .

c) En dduire que les trajectoires du systme (7.2 ) sont priodiques si la


donne initiale n'a aucune coordonne nulle et est

123

6= (1, 1).

Intgrale premire du systme de Volterra-Lotka


Exemple
a) Vrier que f (x , y )

= x ye x y

est une intgrale premire du systme de

Volterra-Lotka :

considr dans le quart de plan x

= x (1 y )
= y (x 1)

> 0, y > 0.
= 0 et f = e 2 .

b) Tracer les courbes de niveaux f


0

< a < e 2 ,

(7.2)

Montrer (*) que, pour

les courbes de niveaux sont fermes .

c) En dduire que les trajectoires du systme (7.2 ) sont priodiques si la


donne initiale n'a aucune coordonne nulle et est

123

6= (1, 1).

Exemple de Mapleplot du modle de Lotka-Volterra


> with(DEtools):
[diff(x(t),t)=x(t)*(1-y(t)), diff(y(t),t)=.3*y(t)*(x(t)-1)];
(
d
dt x(t ) = x(t ) (1 y(t )),
d
dt y(t ) = 0.3 y(t ) (x(t ) 1)
> dfieldplot([diff(x(t),t)=x(t)*(1-y(t)),
diff(y(t),t)=.3*y(t)*(x(t)-1)],
[x(t),y(t)],t=-2..2, x=-1..2, y=-1..2, arrows=LARGE,
title=`modle de Lotka-Volterra`,
color=[.3*y(t)*(x(t)-1),x(t)*(1-y(t)),.1]);

124

Fig.:

125

Exemples d'exercices(pour TD
On considre le systme

dx
dt
dy
dt

1) En considrant y comme

yx (1

y)

1
x

= x (t ) (1 y (t )),
= y (t ) (x (t ) 1)
fonction de y pour x , y > 0,

dduire

(ln |y |y )0x = (x ln |x |)0x (ln |y |e y )+(ln |x |e x ) = C

2) On considre le systme autour du point critique

(1, 1)

(c'est--dire, un point

o les parties droites s'annulent). On le remplace par un systme linaire en

(
remarquant que

dx
dt
dy
dt

= (x (t ) 1 + 1) (1 y (t )),
= ( y (t ) 1 + 1) (x (t ) 1)

dx
dt
dy
dt

1 y (t ),
(x (t ) 1)

Remarquer que le dernier systme linaris correspond au processus complexe


priodique t

z (t ) = x (t ) + i y(t) ,

priode du systme linaris.

126

tel que z

i (z 1

).

Trouver la

Exemples d'exercices(pour TD
On considre le systme

dx
dt
dy
dt

1) En considrant y comme

yx (1

y)

1
x

= x (t ) (1 y (t )),
= y (t ) (x (t ) 1)
fonction de y pour x , y > 0,

dduire

(ln |y |y )0x = (x ln |x |)0x (ln |y |e y )+(ln |x |e x ) = C

2) On considre le systme autour du point critique

(1, 1)

(c'est--dire, un point

o les parties droites s'annulent). On le remplace par un systme linaire en

(
remarquant que

dx
dt
dy
dt

= (x (t ) 1 + 1) (1 y (t )),
= ( y (t ) 1 + 1) (x (t ) 1)

dx
dt
dy
dt

1 y (t ),
(x (t ) 1)

Remarquer que le dernier systme linaris correspond au processus complexe


priodique t

z (t ) = x (t ) + i y(t) ,

priode du systme linaris.

126

tel que z

i (z 1

).

Trouver la

Exemples d'exercices pour TD (suite)

On considre le modle
( de Lotka-Volterra du systme cologique
lapin (L)/renard (R)

dL
d
dR
d

= aL( ) bL( )R ( ),
= pR ( ) + qL( )R ( )

o a est le taux de croissance de la population de proies en


l'absence de prdateurs et p le taux de dcroissance des prdateurs
en l'absence de proies.

(L( ), R ( ))
(a/b, p /q ), donc

3) Montrer que les trajectoires du couple


courbes fermes autour du point

sont des

a/b est la moyenne du nombre de prdateurs, et


p /q est la moyenne du nombre de proies (voir [Bert], p.93).

127

Exemples d'exercices pour TD (suite)

On considre le modle
( de Lotka-Volterra du systme cologique
lapin (L)/renard (R)

dL
d
dR
d

= aL( ) bL( )R ( ),
= pR ( ) + qL( )R ( )

o a est le taux de croissance de la population de proies en


l'absence de prdateurs et p le taux de dcroissance des prdateurs
en l'absence de proies.

(L( ), R ( ))
(a/b, p /q ), donc

3) Montrer que les trajectoires du couple


courbes fermes autour du point

sont des

a/b est la moyenne du nombre de prdateurs, et


p /q est la moyenne du nombre de proies (voir [Bert], p.93).

127

Exemples d'exercices pour TD (suite)


4) Les eets d'intervention sur les populations : supposons qu'on veuille
diminuer le nombre des proies ; on pourra augmenter le nombre de prdateurs ;
ceci revient faire changer le point

(L, R )

de trajectoire (les coecients

(a, b , p , q) restants les mme) ; cela ne change pas la moyenne d /c du nombre


de proies.
Montrer qu'une telle intervention faite un mauvais moment du cycle, lorsque
L( )

> p /q

et R ( )

> a/b,

peut augmenter le nombre maximum de proie.

5) Une autre ide pour diminuer le nombre de proies, consiste les


liminer par pigeage, traitement chimique, . . .Cela revient
augmenter le nombre de dcs dans chaque population, c'est--dire,
remplacer a par a

< a,

p par p

> p,

les coecient b et q restant

les mmes. Montrer qu'une telle intervention augmente la moyenne


des proies, ce qui est le contraire du rsultat cherch.

128

Exemples d'exercices pour TD (suite)


4) Les eets d'intervention sur les populations : supposons qu'on veuille
diminuer le nombre des proies ; on pourra augmenter le nombre de prdateurs ;
ceci revient faire changer le point

(L, R )

de trajectoire (les coecients

(a, b , p , q) restants les mme) ; cela ne change pas la moyenne d /c du nombre


de proies.
Montrer qu'une telle intervention faite un mauvais moment du cycle, lorsque
L( )

> p /q

et R ( )

> a/b,

peut augmenter le nombre maximum de proie.

5) Une autre ide pour diminuer le nombre de proies, consiste les


liminer par pigeage, traitement chimique, . . .Cela revient
augmenter le nombre de dcs dans chaque population, c'est--dire,
remplacer a par a

< a,

p par p

> p,

les coecient b et q restant

les mmes. Montrer qu'une telle intervention augmente la moyenne


des proies, ce qui est le contraire du rsultat cherch.

128

Exemples d'exercices pour TD (suite)


6) On considre le modle de Lotka-Volterra du systme cologique

(
lapin (L)/renard (R)

dL
d
dR
d

= aL( ) bL( )R ( ),
= pR ( ) + qL( )R ( )

o a est le taux de croissance de la population de proies en l'absence de


prdateurs et d le taux de dcroissance des prdateurs en l'absence de proies.
Montrer que les changements x
conduisent au systme systme

= qu /p ,(
y = bv /a, t = /a, = p /a > 0
dx
dt = 1 y (t ),
linaris
. Remarquer
dy
dt = (x (t ) 1)

que

le dernier systme linaris correspond au processus complexe priodique


t

z (t ) = x (t ) + i y(t) ,

tel que z

i (z 1

systme linaris. En dduire la priode en la variable

129

).
.

Trouver la priode du

Partie III. Mthodes d'algbre linaire

Vecteurs et matrices.
Oprations sur les vecteurs et matrices.
Vecteurs propres, polynme caractristique.
Utilisation des nombres complexes.

Application aux quations direntielles et aux suites de rcurrence.


Application aux quations direntielles.
Application aux suites de rcurrence.

130

Vecteurs et matrices.
Oprations sur les vecteurs et matrices.
Vecteurs propres, polynme caractristique.
Utilisation des nombres complexes.

Application aux quations direntielles et aux suites de rcurrence.


Application aux quations direntielles.
Application aux suites de rcurrence.

130

III. Algbre linaire.


Vecteurs et matrices. Oprations. Bases et dterminants.
Linaire et non-linaire
Les adjectifs "linaire" et "non-linaire" sont employs dans
beaucoup de contextes. En gros et dans le language courant, une
transformation X

Y = F (X )

est linaire si elle est telle que les

eets (Y ) sont proportionnels aux causes (X ). Par exemple dans la


loi de Malthus, le taux d'accroissement de la population (l'eet) est
proportionnel la population (la cause). Dans une rsistance
lectrique, l'intensit du courant (l'eet) est proportionnel la
dirence de potentiel (la cause). Les lois non linaires jouent un
grand rle en physique : par exemple l'nergie cintique d'un
projectile (ou d'une voiture) n'est pas une fonction linaire de la
vitesse (la cause), mais quadratique : E

131

1
2
2 mv .

Dans un systme dynamique, mme dterministe, de petites causes


(petites modications des donnes initiales) peuvent avoir de
grands eets dus la non-linarit. On a beaucoup parl de l' "eet
papillon" : le battement d'une aile de papillon en un point du globe
terrestre pourrait au bout de quelque temps dclencher une
tempte.
Le contexte mathmatique appropri pour discuter la linarit est
celui des vecteurs et des applications linaires. Nous ne l'aborderons
qu'en dimension 1 ou 2 ci-dessous.

La dimension 1. Soit F : R R. On dit que F est linaire si


x R, F (x ) = F (x ) (proportionnalit). En posant F (1) = a,
on voit que F (x ) = ax . On en dduit aussi
F (x + y ) = F (x ) + F (y ). Cette proprit (superposition) devra tre
prise dans les axiomes en dimension 2.

132

Vecteurs et dterminants
Dans la suite on notera sous la forme matricielle suivante le vecteur X de

x
y On dnit la somme de 2 vecteurs par

x
x
et le produit par un rel :
y = y .

coordonnes x et y de

x
x0
y + y0

x +x 0 
y +y 0

x1 
y1 et V2

Dnition
Soient V1

formule det(V1 , V2 )

R2

: X

x2 
la
y2 , on dnit le dterminant det( V1 , V2 ) par

= x1 y2 x2 y1 ,

not aussi det(V1 , V2 )

x1

x2

y1

y2

Interprtation gomtrique : la valeur absolue du dterminant est l'aire du


paralllogramme engendr par V1 et V2 . Son signe (s'il est non nul) est donn
par l'orientation du couple V1 , V2 .

R2 est euclidien
det(V1 , V2 ) = kV1 kkV2 k sin .

Formule en gomtrie euclidienne : on suppose ici que le plan


orient. Si

133

est l'angle

(V1 , V2 ),

on a

Bases et applications linaires.


Indpendance : 2 vecteurs V1 V2 sont dits linairement dpendants si l'un des 2
est nul ou s'ils sont proportionnels. Ils sont dits indpendants s'ils ne sont pas
linairement dpendants.

Proposition (9.2, critre d'indpendence linaire)


V1 et V2 sont indpendants si et seulement si leur dterminant est non nul.

Dnition (9.3, base)


Un couple (V1 , V2 ) de 2 vecteurs est une base de

R2

si tout vecteur X de

s'exprime de faon unique comme une combinaison linaire X

R2

= uV1 + vV2 .

Proposition (9.4, critre de base)


(V1 , V2 )

est une base si et seulement si det(V1 , V2 )

Exercice (9.5)

1
1 , V2
uV1 + vV2 .

Montrer que V1
la forme X

134

6= 0.

1
0 est une base et crire le vecteur X

x
y sous

Applications linaires
Dnition (9.6, application linaire)
Une application F

(s )

: R2 R2

est dite linaire si

X , Y R2 , F (X + Y ) = F (X ) + F (Y )

et

(p )

R, X R2 ; F (X ) = F (X )

L'quation (s) est l'axiome de superposition et l'quation (p) l'axiome de


proportionnalit.
Soit F linaire et

 
F(

alors

1
0

 
)=

 
 
0
c
,F(
)=

 
F(


)=

ax
bx

+ cy
+ dy

et donc F est dtermine par les 4 nombres


135

(a; b; c ; d ).

Forme matricielle d'une application


linaire


= ba dc qui est l'criture matricielle de F .


a c
b d est la matrice de F . Les colonnes de la matrice F

On crit alors F sous la forme F


On dit aussi que

sont les images des vecteurs de la base canonique.

Dnition
On appelle dterminant
de F le nombre ad

a
det(F ) =
b

bc

et on note

Proposition (9.8)
Si F est une application linaire, les 4 proprits suivantes sont
quivalentes :
(1) F est injective
(2) F (X )

= 0 admet
6= 0

(3) det(F )

(4) F est bijective

136

=0

comme unique solution

Produit de deux matrices


La compose K

= M L

de 2 applications linaires est encore linaire et on

peut calculer la matrice de la compose K partir des matrices de M et L.


On dnit ainsi le produit de 2 matrices. De faon prcise

(M L) = (M )(L)

o le produit est not par juxtaposition. Ce produit est

associatif comme la composition des applications :

(AB )C = A(BC )
mais pas commutatif ; en gnral AB

6= BA.

Le produit de matrices est donn par la formule suivante :

a b



c d

a b

c0 d0


=

+ bc 0 ab0 + bd 0
0
ca + dc 0 cb 0 + dd 0

aa


.

Le produit est eectu ligne par colonne suivant la recette

(A, B )

C
D

= AC + BD .

On l'applique en calculant l'lment de la

i-me ligne et j-me colonne du produit comme produit de la i-me


ligne de la 1-re matrice par la j-me colonne de la seconde.

137

Exemple (9.9)


12
34



56


=

78

5+2716+28
35+4736+48
1


=

19 22

43 50

On vrie que

56
78



12
34


=

23 34
31 46

Exercice (9.10)
a) Ecrire la matrice M de l'application linaire donne par

2
b) Calculer M

Exercice (9.11)
On se place dans

3
M M, M

2
1 (M
M M et M

1
M

x
y

Montrer que F

43 50


.

2x y 
x +7y .

+ V2 + V3 = 0.
= V2 ; F (V2 ) = V3 ,

F F = Id . b) Rciproque
?


= 11 , V2 = 21 , V3 = 03 .

c) Trouver la matrice de F pour V1

138

19 22

R2 .

Montrer qu'il existe une application linaire F telle que F (V1 )

= V1 .

6=

= Id).

a) Soit V1 , V2 , V3 3 vecteurs, 2 2 indpendants, tels que V1


et F (V3 )

Cours N 12,Vecteurs propres, polynme caractristique.


Vecteurs propres et valeurs propres. Si F est une application linaire de

R2

2
dans lui-mme, un vecteur V R , non nul, est dit vecteur propre de F
x
associ la valeur propre R si F (V ) = V : Si V =
y est un vecteur
propre de valeur propre

, on a
(
(a )x + cy = 0
bx + (d )y = 0

qui n'a de solutions non nulles que si son dterminant (celui de F


s'annule :

a
b

c
d



= (a )(d ) bc = 0

ou

(1)

139

2 (a + d ) + ad bc = 0.

Id)

L'quation caractristique.
Cette quation (1) du second degr en

s'appelle l'quation

caractristique de F . Si l'quation caractristique admet deux


racines (relles) distinctes

1 6= 2 , 2 vecteurs propres associs


R2 . En eet 2 vecteurs propres

(V1 , V2 ) forment une base de

proportionnels correspondraient la mme valeur propre (le cas


hyperbolique).
Attention ! ! Les zros de l'quation caractristique peuvent ne pas
tre rels, mais ce qui suit se modie simplement dans ce cas. Si on
prend comme base

(V1 , V2 ),

la matrice de l'application linaire

prend la forme simple


(F ) =

140

L'quation caractristique.
Cette quation (1) du second degr en

s'appelle l'quation

caractristique de F . Si l'quation caractristique admet deux


racines (relles) distinctes

1 6= 2 , 2 vecteurs propres associs


R2 . En eet 2 vecteurs propres

(V1 , V2 ) forment une base de

proportionnels correspondraient la mme valeur propre (le cas


hyperbolique).
Attention ! ! Les zros de l'quation caractristique peuvent ne pas
tre rels, mais ce qui suit se modie simplement dans ce cas. Si on
prend comme base

(V1 , V2 ),

la matrice de l'application linaire

prend la forme simple


(F ) =

140

Sous cette forme (dite diagonale), on peut calculer les puissances


de l'application linaire F . On a :

(F n ) =

 n
1

0 n2

Plus

prcisment, si V est un vecteur quelconque, on crit


V

= xV1 + yV2

et on a F

n (V )

= x n1 V1 + y n2 V2 .

On verra plus bas que cette base permet aussi de rsoudre le


systme direntiel X

= F (X ).

Remarque.
 Dans
 le cas o

(a) F

0
0

1 = 2 = R

il y a deux possibilits :

(cas scalaire)

(b) Il existe deux vecteurs (V1 , V2 ) qui forment une base de


tels que et F (V1 )
exercice)

141

= V1 ,

F (V2 )

= V2 + V1

R2 ,

et

(cas parabolique) (en

Sous cette forme (dite diagonale), on peut calculer les puissances


de l'application linaire F . On a :

(F n ) =

 n
1

0 n2

Plus

prcisment, si V est un vecteur quelconque, on crit


V

= xV1 + yV2

et on a F

n (V )

= x n1 V1 + y n2 V2 .

On verra plus bas que cette base permet aussi de rsoudre le


systme direntiel X

= F (X ).

Remarque.
 Dans
 le cas o

(a) F

0
0

1 = 2 = R

il y a deux possibilits :

(cas scalaire)

(b) Il existe deux vecteurs (V1 , V2 ) qui forment une base de


tels que et F (V1 )
exercice)

141

= V1 ,

F (V2 )

= V2 + V1

R2 ,

et

(cas parabolique) (en

Utilisation des nombres complexes.

Le cas des valeurs propres complexes conjugues (cas elliptique).


Dans le cas o les valeurs propres sont complexes, elles sont
conjugues et on peut choisir 2 vecteurs propres composantes
complexes conjugues W1 et W2

= W1 . Si V est rel et qu'on


= xW1 + yW2 o y = x est

dcompose V sur W1 , W2 , on a : V
complexe conjugu de x .

142

le

Vecteurs et matrices.
Oprations sur les vecteurs et matrices.
Vecteurs propres, polynme caractristique.
Utilisation des nombres complexes.

Application aux quations direntielles et aux suites de rcurrence.


Application aux quations direntielles.
Application aux suites de rcurrence.

142

Application aux systmes linaires d'quations


direntielles : rsolution gnrale.
On considre un systme linaire d'quations direntielles
coecients constants crite sous la forme matricielle :
dX
dt
o X

R2

et A

= AX , X (0) = X0

(10.1)

a c
b d est linaire. La linarit a pour

consquence le principe de superposition : si X (t ) et Y (t ) sont 2


solutions et u1 , u2 deux constantes relles, Z (t )

= u1 X (t ) + u2 Y (t )
est une solution de donne initiale Z (0) = u1 X (0) + u2 Y (0). Il
sut donc de connatre X (t ) et Y (t ) ainsi que la dcomposition
Z (0) = u1 X (0) + u2 Y (0) pour rsoudre notre problme. Cette
2
mthode marche si(X (0), Y (0)) est une base de R .

143

Si V est un vecteur propre de A de valeur propre relle


X0

=V

, on a : X (t )

t
e V .

et

La mme expression reste vraie dans le cas complexe condition


d'interprter
e

x +iy

= e x (cos y + i sin y ).

Les solutions gnrales sont obtenues en superposant des solutions


particulires du type prcdent, condition d'avoir une base de
vecteurs propres, ce qui est le cas ds que les 2 valeurs propres de A
sont distinctes.
La solution de l'quation (10.1) est donc donne par :

= u1 e 1 t V1 + u2 e 2 t V2 o V1 et V2 sont
et X0 = u1 V1 + u2 V2 (deux conditions initiales
2
seule galit vectorielle dans R ).

X (t )

144

des vecteurs propres


donnes par une

Si V est un vecteur propre de A de valeur propre relle


X0

=V

, on a : X (t )

t
e V .

et

La mme expression reste vraie dans le cas complexe condition


d'interprter
e

x +iy

= e x (cos y + i sin y ).

Les solutions gnrales sont obtenues en superposant des solutions


particulires du type prcdent, condition d'avoir une base de
vecteurs propres, ce qui est le cas ds que les 2 valeurs propres de A
sont distinctes.
La solution de l'quation (10.1) est donc donne par :

= u1 e 1 t V1 + u2 e 2 t V2 o V1 et V2 sont
et X0 = u1 V1 + u2 V2 (deux conditions initiales
2
seule galit vectorielle dans R ).

X (t )

144

des vecteurs propres


donnes par une

Dans le cas parabolique, on considre le systme

dX
dt
o X

R2 ,

R2

et A

= A(X ), X (0) = X0

(10.2)

a c
b d est linaire. On utilise deux vecteurs (V1 , V2 ) qui forment une base de
= V1 , A(V2 ) = V2 + V1 .

et tels que A(V1 )

Il sut de connaitre deux solutions X (t ) et Y (t ) linairement indpendent ainsi que la


dcomposition Z (0)

= u1 X (0) + u2 Y (0) pour rsoudre notre problme. Cette mthode marche


R2 . Puisque V1 est un vecteur propre de A de valeur propre relle
t
a : X (t ) = e V1 .

si(X (0), Y (0)) est une base de

et X0

= V1

, on

= e t (tV1 + V2 ), alors la drivation (par rapport t ) donne


= e t (tV1 + V2 ) + e t V1
= e t tA(V1 ) + e t A(V2 ) = A(e t (tV1 + V2 )) = A(Y (t )).
t
t
La solution de l'quation (10.2) est donc donne par : X (t ) = u1 e V1 + u2 e (tV1 + V2 )
et V2 sont des vecteurs tels que A(V1 ) = V1 , A(V2 ) = V2 + V1 et X0 = u1 V1 + u2 V2

Puis on pose Y (t )
Y

0 (t )

(conditions initiales)

145

o V1

Dans le cas parabolique, on considre le systme

dX
dt
o X

R2 ,

R2

et A

= A(X ), X (0) = X0

(10.2)

a c
b d est linaire. On utilise deux vecteurs (V1 , V2 ) qui forment une base de
= V1 , A(V2 ) = V2 + V1 .

et tels que A(V1 )

Il sut de connaitre deux solutions X (t ) et Y (t ) linairement indpendent ainsi que la


dcomposition Z (0)

= u1 X (0) + u2 Y (0) pour rsoudre notre problme. Cette mthode marche


R2 . Puisque V1 est un vecteur propre de A de valeur propre relle
t
a : X (t ) = e V1 .

si(X (0), Y (0)) est une base de

et X0

= V1

, on

= e t (tV1 + V2 ), alors la drivation (par rapport t ) donne


= e t (tV1 + V2 ) + e t V1
= e t tA(V1 ) + e t A(V2 ) = A(e t (tV1 + V2 )) = A(Y (t )).
t
t
La solution de l'quation (10.2) est donc donne par : X (t ) = u1 e V1 + u2 e (tV1 + V2 )
et V2 sont des vecteurs tels que A(V1 ) = V1 , A(V2 ) = V2 + V1 et X0 = u1 V1 + u2 V2

Puis on pose Y (t )
Y

0 (t )

(conditions initiales)

145

o V1

Mthode de rsolution
(1) Ecrire la matrice de A.
(2) Ecrire l'quation caractristique.
(3) Rsoudre l'quation caractristique et voir si elle a 2 solutions distinctes
(4) Chercher 2 vecteurs propres V1 (resp. V2 ) tels que AV1
AV2

= 1 V1

1 6= 2 .

(resp.

= 2 V2 ).

(5) Dcomposer X (0)


(6) On a alors X (t )

= u1 V1 + u2 V2 .
= u1 e 1 t V1 + u2 e 2 t V2 .

Exemple de rsolution. On choisit pour simplier des valeurs numriques x (0)


y (0)

= 0.

On obtient
 pourles direntes tapes de la rsolution :
(1) A

2
(2)

5 5
1 9

+ 14 + 40 = 0
1 = 10, 2 = 4
1
5
(4) V1 =
1 , V2 = 1 .
x0
(5) X (0) =
6 (V1 + V2 )
x
10t V + e 4t V ) ou encore
(6) X (t ) = 0 (e
1
2
6
x0 10t
x (t ) =
+ 5e 4t ), y (t ) = x60 (e 10t + e 4t )
6 (e
(3)

146

= 1,

Mthode de rsolution
(1) Ecrire la matrice de A.
(2) Ecrire l'quation caractristique.
(3) Rsoudre l'quation caractristique et voir si elle a 2 solutions distinctes
(4) Chercher 2 vecteurs propres V1 (resp. V2 ) tels que AV1
AV2

= 1 V1

1 6= 2 .

(resp.

= 2 V2 ).

(5) Dcomposer X (0)


(6) On a alors X (t )

= u1 V1 + u2 V2 .
= u1 e 1 t V1 + u2 e 2 t V2 .

Exemple de rsolution. On choisit pour simplier des valeurs numriques x (0)


y (0)

= 0.

On obtient
 pourles direntes tapes de la rsolution :
(1) A

2
(2)

5 5
1 9

+ 14 + 40 = 0
1 = 10, 2 = 4
1
5
(4) V1 =
1 , V2 = 1 .
x0
(5) X (0) =
6 (V1 + V2 )
x
10t V + e 4t V ) ou encore
(6) X (t ) = 0 (e
1
2
6
x0 10t
x (t ) =
+ 5e 4t ), y (t ) = x60 (e 10t + e 4t )
6 (e
(3)

146

= 1,

dans le plan de phases, i.e. l'allure des courbes t


dans le plan

R2 .

= AX
(x (t ), y (t ))

On veut tudier l'allure des orbites d'un champ linaire X

On supposera dans la suite que A admet 2 valeurs

propres distinctes

1 6= 2 .

Soit

(V1 , V2 )

une base de vecteurs

propres associes ces valeurs propres. Soit


X (t )

= u (t )V1 + v (t )V2

une solution de X

= AX ,

alors u et v

satisfont les quations direntielles trs simples suivantes :


u

(t ) = 1 u (t ), v 0 (t ) = 2 v (t )

qui se rsolvent par :


u (t )

147

= u0 e 1 t , v (t ) = v0 e 2 t ,

Les orbites dans le plan des

(u , v )
t

sont donc les courbes

(u0 e 1 t , v0 e 2 t )

Dans le cas o les valeurs propres ne sont pas relles, la base

(V1 , V2 ) ne l'est pas non plus, mais si AV1 = ( + i )V1 avec


= W1 iW2 , (W1 , W2 ) est une base relle de R2 dans laquelle

V1

on peut tudier les courbes intgrales l'aide d'un passage en


coordonnes polaires. Etudions les dirents cas :

148

Le cas des valeurs propres relles distinctes

Soient

1 < 2

les 2 valeurs propres supposes relles distinctes. Ce

sont les solutions de l'quation caractristique

2 S + P = 0

avec S = a + d et P = ad bc . On est donc dans le cas o


= S 2 4P > 0. Soient (u , v ) les coordonnes dans une base de
0
0
vecteurs propres on a : u = 1 u , v = 2 v . L'allure des solutions
est donc donne par ce modle facile rsoudre :
u (t )

149

= u0 e 1 t , v (t ) = v0 e 2 t ,

Noeuds
Si

1 < 2 < 0,

on a un noeud stable et, si 0

instable. Cela correspond respectivement S


P

> 0,

2 S + P = 0

< 1 < 2 , un noeud


< 0, P > 0 et S > 0,

est l'quation caractristique.

Dans le cas des valeurs propres < 0, toutes les trajectoires, sauf la
trajectoire constante gale l'origine, convergent pour t

vers

l'origine qui est ainsi un point d'quilibre stable. Dans le cas des valeurs
propres > 0, toutes les trajectoires divergent pour t

vers l'inni et

l'origine est alors un point d'quilibre instable.

Cols Si 1 < 0 < 2 , on a un point col. Cela correspond P < 0, Si la


donne initiale n'est pas sur la droite D engendre par V1 (correspondant
la valeur propres ngative), le point X (t ) tend vers l'inni quand
t

+.

Si, au contraire, la donne initiale est sur la droite D engendre

par V1 , X (t )

stable du point col.

150

quand t

+.

La droite D s'appelle la varit

Noeuds
Si

1 < 2 < 0,

on a un noeud stable et, si 0

instable. Cela correspond respectivement S


P

> 0,

2 S + P = 0

< 1 < 2 , un noeud


< 0, P > 0 et S > 0,

est l'quation caractristique.

Dans le cas des valeurs propres < 0, toutes les trajectoires, sauf la
trajectoire constante gale l'origine, convergent pour t

vers

l'origine qui est ainsi un point d'quilibre stable. Dans le cas des valeurs
propres > 0, toutes les trajectoires divergent pour t

vers l'inni et

l'origine est alors un point d'quilibre instable.

Cols Si 1 < 0 < 2 , on a un point col. Cela correspond P < 0, Si la


donne initiale n'est pas sur la droite D engendre par V1 (correspondant
la valeur propres ngative), le point X (t ) tend vers l'inni quand
t

+.

Si, au contraire, la donne initiale est sur la droite D engendre

par V1 , X (t )

stable du point col.

150

quand t

+.

La droite D s'appelle la varit

Les cas des valeurs propres complexes conjugues.


On suppose maintenant que S

4P < 0.

Soit

i ,

avec

> 0, les valeurs


= ( + i )V1 . Si
2
complexe de C .

propres. Il existe un vecteur complexe non nul V1 tel que AV1


V2

= V1 ,

on a : AV2

= ( i )V2

et

(V1 , V2 )

est une base

Soit X (0) la donne de Cauchy suppose relle, on dcompose


X (0)

= z0 V1 + z0 V2

et on a, d'aprs le calcul gnral,


X (t )

= z0 e (+i )t V1 + z0 e ()t V2 .

Cette criture ne permet pas directement de dcrire les courbes


intgrales, on introduit la dcomposition de V1 en parties relles et

= W1 iW2 et donc
(W1 , W2 ) est une base relle de R2 ,

imaginaires pures sous la forme : V1


V2

= W1 + iW2 .

Le couple

mais ce n'est plus une base de vecteurs propres. Nanmoins, on va


voir que l'quation des trajectoires s'crit de faon simple dans
cette base.

151

En dcomposant X (t ) en termes de W1 et W2 , il vient aprs 2


lignes de calcul : X (t )
u (t )

= u (t )W1 + v (t )W2

avec :

= z0 e (+i )t + z0 e ()t , v (t ) = i (z0 e (+i )t + z0 e ()t ),

Si on pose z (t )

=
(t ) = 0 + t .

Si 2z0

= u (t ) + iv (t ), on a nalement z (t ) = 2z0 e (+i )t .


= r (t )e i (t ) avec r (t ) = r0 e t et

i
r0 e 0 , on a : z (t )

Ce qui donne une description des trajectoires en

coordonnes polaires dans le repre

(W1 , W2 ).

Le sens de rotation

des trajectoires autour de l'origine est donn par l'orientation de la


base

(W1 , W2 ).

Si A

a c
b d . Ce sens est donn par le signe de b

(qui est aussi l'oppos du signe de c , pourquoi ?). Il sut de


considrer le signe du dterminant det(X , X
un des vecteurs de base.

152

0 ) avec, par exemple, X

Un exemple
Montrons concrtement comment s'applique la mthode gnrale. Soit

= AX avec


1 2
A =
.

rsoudre l'quation direntielle X

1 = 1 + 2i et
= W1 iW2 , soit

On a
V1

on peut prendre V1

 
W1

Les trajectoires u (t )W1


Z (t )

= u (t ) + iv (t ),

(W1 , W2 )

+ v (t )W2

 
, W2 =

0
1

sont donc donnes, en posant

par :
Z (t )

Le repre

1 
1i : On crit

= Z (0)e (1+2i )t .

tant positif, ce sont des spirales qui s'enroulent

autour de 0 dans le sens trigonomtrique (foyer stable positif dans la


nomenclature ci aprs)).
153

Foyers.
Si S

<0

(resp. S

> 0),

on a un foyer stable (resp. instable). Les

trajectoires sont des spirales convergentes vers 0 dans le 1er cas,


divergentes vers l'inni dans le second. Un foyer sera dit positif (resp.
ngatif ) si les spirales s'enroulent dans le sens trigonomtrique (resp.
trigo. inverse).

Centres. Si S = 0, on a un centre. Les trajectoires sont toutes


priodiques : ce sont des ellipses. La priode des trajectoires est
T

= 2/

si les valeurs propres sont

i .

Un centre sera dit positif

(resp. ngatif ) si les ellipses s'enroulent dans le sens


trigonomtrique (resp. trigo. inverse).

154

Exercice (10.1)
Soit Am la matrice dnie par


Am

Discuter suivant la valeur de m la nature de la dynamique et tracer la


trajectoire telle que X (0)

= (1, 1).

Fig.: 9 Nature de la dynamique suivant le polynme caractristique 2 S + P .


155

Cas discret : application aux suites de rccurence (en TD)


On considre l'volution d'un vecteur X (n )

R2

pour n

N,

telle

que
X (n
o X

R2

et A

+ 1) = A(X (n)), X (0) = X0


a c

bd

(10.3)

est linaire.

La linarit a pour consquence le principe de superposition : si


X (t ) et Y (t ) sont 2 solutions et

, deux constantes relles,


= C1 X (t ) + C2 Y (t ) est une solution de donne initiale
C1 X (0) + C2 Y (0). Il sut donc de connaitre X (n ) et Y (n ) ainsi
que la dcomposition Z (0) = C1 X (0) + C2 Y (0) pour rsoudre
Z (t )

notre problme.

156

Si

(V1 , V2 )

est une base de vecteurs propres associes des valeurs

propres distinctes, alors la solution de l'quation (10.3) est donc

= C1 n1 V1 + C2 n2 V2
et X0 = C1 V1 + C2 V2 .

donne par : X (n )
vecteurs propres

o V1 et V2 sont des

Dans le cas parabolique on utilise deux vecteurs (V1 , V2 ) qui

R2 ,

et tels que A(V1 ) = V1 ,


= V2 + V1 . Alors
2
A(A(V2 ) = A(V2 + V1 ) = (V2 + V1 ) + V1 = V2 + 2V1 ,
n
. . ., et on obtient aisement deux solutions : X (n ) = V1 et
n

1
Y (n ) =
(nV1 + V2 ) (pour n > 0, Y (0) = V2 ).
n+1 V = X (n) = A(X (n)),
En eet, X (n + 1) =
1
n
n+1 V = n ((n + 1)V + AV V ) =
Y (n + 1) = (n + 1)V1 +
2
1
2
1
n

1
n
nAV1 + A(V2 ) = A(Y (n)) (pour n > 0). Dans ce cas la
forment une base de

A(V2 )

solution de l'quation (10.3) est donc donne par :

= n1 (C1 + nC2 )V1 + C2 n V2 o


vecteurs propres et X0 = C1 V1 + C2 V2 .
X (n )

157

V1 et V2 sont des

Systmes linaires non-homognes d'quations


direntielles linaires (avec second terme)
dX

= A(X ) + b(t ), X (0) = X0

dt

(10.4)

On utilise de nouveau le lien avec le systme linaire homogne associ (10.1). On obtient
la solution gnrale du systme (10.4) sous la forme : C1 X (t )

+ C2 Y (t ) + Z0 (t ),

X (t ), Y (t ) sont deux solutions linairement indpendantes du systme linaire homogne


associ (10.1) (sans second terme), et Z0 (t ) une solution particulire du systme (10.4)
(avec second terme).
Pour trouver Z0 , on utilise la mthode de variation de la constante : on cherche Zp sous la
forme : Zp (t )

= C1 X (t ) + C2 Y (t ),

Zp (t )

= A(Zp (t )) + b(t ) = C1 X 0 (t ) + C2 Y 0 (t ) + C10 X (t ) + C20 Y (t )

= A(C1 X (t ) + C2 Y (t )) + C10 X (t ) + C20 Y (t )


A(Zp (t )))

158

+ b(t )

C1 X (t )

+ C20 Y (t ) = b(t )

(une galit vectorielle)

Systmes linaires non-homognes d'quations


direntielles linaires (avec second terme)
dX

= A(X ) + b(t ), X (0) = X0

dt

(10.4)

On utilise de nouveau le lien avec le systme linaire homogne associ (10.1). On obtient
la solution gnrale du systme (10.4) sous la forme : C1 X (t )

+ C2 Y (t ) + Z0 (t ),

X (t ), Y (t ) sont deux solutions linairement indpendantes du systme linaire homogne


associ (10.1) (sans second terme), et Z0 (t ) une solution particulire du systme (10.4)
(avec second terme).
Pour trouver Z0 , on utilise la mthode de variation de la constante : on cherche Zp sous la
forme : Zp (t )

= C1 X (t ) + C2 Y (t ),

Zp (t )

= A(Zp (t )) + b(t ) = C1 X 0 (t ) + C2 Y 0 (t ) + C10 X (t ) + C20 Y (t )

= A(C1 X (t ) + C2 Y (t )) + C10 X (t ) + C20 Y (t )


A(Zp (t )))

158

+ b(t )

C1 X (t )

+ C20 Y (t ) = b(t )

(une galit vectorielle)

Equations direntielles linaires du second degr


coecients constants
On appelle quation linaire du second degr coecients
constants une quation de la forme
ay

00

+ by 0 + cy = f (t ),

o a, b , c sont des constantes reles (a

6= 0),

(10.5)
f une fonction de la

variable t .
On pose u

= y 0,

= y,

= 1,

alors on obtient un systme linaire

du premier ordre (avec second terme)

0
v

159

= bu cv + f

=u

 0
u

v0


=

b c
1

 
u

 
+

(10.6)

Partie IV. Mthodes gomtriques.


Champs de vecteurs

Les points singuliers


Classication des points singuliers
Exemples d'tude qualitative autour d'un point singulier
Un exemple linaire : volution du taux d'alcool dans le sang
tude qualitative de comportement autours des points singuliers
Portrait de phases : le pendule simple
Notion de comportement chaotique de populations

160

Champs de vecteurs
Les points singuliers
Classication des points singuliers

Exemples d'tude qualitative autour d'un point singulier


Un exemple linaire : volution du taux d'alcool dans le sang
tude qualitative de comportement autours des points singuliers
Portrait de phases : le pendule simple
Notion de comportement chaotique de populations

160

Cours N 13, IV. Mthodes gomtriques. Exemples d'une


tude qualitative. Observables et espace des phases

On s'intresse la modlisation d'un systme dterministe. Pour


cela, on commence par choisir une famille d'observables, notes
x , y , qui sont des quantits numriques dcrivant l'tat du
systme. Par exemple, pour un pendule simple, x pourra tre un
angle reprant la position du pendule par rapport la verticale et y
la vitesse du pendule. Pour un modle de N populations, on aura
en gnral des observables x1 , xN o xi est le nombre d'individus
de i -me population. Pour un modle de cintique chimique, les
observables sont les concentrations des dirents ractifs.

161

Ces observables doivent tre choisies de faon dcrire


susamment les proprits macroscopiques du systme et de faon
que l'volution des observables partir du temps t0 ne dpende que
de leurs valeurs en t0 . L'espace des phases
dcrit par N observables (x1 ,

, xN )

associ un systme

est l'ensemble des valeurs

prises par ces observables. Par exemple, pour N

= 2,

cas tudi

dans la suite, est une partie du plan. Pour un modle avec 2


populations, est le quart de plan o les observables sont positives.
Pour des concentrations mesures en
suite de cette partie,

%, = [0, 100]N .

Dans la

l'espace de phases, est un ouvert de

R2 ,

gnralement, pour ce qui nous concerne, un ensemble de points


dni par un nombre ni d'inquations fj (x , y )
continues.

162

>0

avec fj

Champs de vecteurs
Un champ de vecteurs V dans

(x , y )

est la donne pour tout

d'un vecteur


V (x , y )

P (x , y )

Q (x , y )

R2

Ce champ de vecteurs reprsente l'volution du systme

 0
x

y0

= V (x , y )

en un temps petit : si x (0)

= x0 , y (0) = y0 , on a
x ( t ) x0 + tP (x0 , y0 ), y ( t ) y0 + tQ (x0 , y0 )

163

lorsque

t 0.

Courbes intgrales
Une courbe intgrale (ou trajectoire) est une courbe parmtre
drivable (c'est--dire, une application) X
o t I
(x0 , y0 ),

un intervalle contenant t0 ,

: t (x (t ), y (t )) ,

est un domaine contenant

telle que l'on ait


t I ,

0 (t )

y 0 (t )


=

P (x (t ), y (t ))

Q (x (t ), y (t ))

autrement dit la vitesse de X l'instant t est la valeur de V au


point X (t ). On crira aussi bien :

(t ) =

dX
dt

= V (X (t ))

Les courbes intgrales reprsentent l'volution des observables au


cours du temps.

164

Reprsentations gomtriques
On peut reprsenter sur une mme gure les graphes de t
t

y (t ).

X (t ) = (x (t ), y (t )). Il peut tre utile de


> 0 convenablement

marquer sur cette courbe les points X (kT0 ) avec T0

Z.

Fig.: 10
165

et de

On peut aussi faire un dessin dans l'espace de phases, i.e.

tracer la courbe paramtre t


choisi et k

x (t )

Les points singuliers d'un champ de vecteurs


Ce sont les points

(a, b)

o P et Q s'annulent simultanment : ils

sont obtenus en rsolvant le systme de 2 quations 2 inconnues


P (a, b )
Si x (0)

= a, y (0) = b,

= Q (a, b) = 0.

on a :

t R, x (t ) = a, y (t ) = b.
Ces points s'interprtent donc comme les positions d'quilibre du
systme. Il est de premire importance de les dterminer pour
comprendre le systme dynamique. Une fois les points singuliers
trouvs, on peut s'intresser la dynamique au voisinage de ceux-ci
en se posant par exemple la question de la stabilit d'un point
d'quilibre M0 .

166

Stabilit d'un point d'quilibre M0

si on prend des donnes initiales assez proches de M0 , est ce qu'on va

s'en loigner ou rester asssez proche ?


Nous verrons plus loin des critre simples de stabilit bas sur
l'approximation linaire du champ de vecteurs.
Le cas linaire est important parce qu'on peut calculer compltement les
solutions, mais aussi parce qu'il donne, aprs linarisation, des
informations sur le comportement prs des points singuliers pour un
systme gnral, en particulier sur sa stabilit.

Fig.: 11.
167

Stabilit d'un point d'quilibre M0

si on prend des donnes initiales assez proches de M0 , est ce qu'on va

s'en loigner ou rester asssez proche ?


Nous verrons plus loin des critre simples de stabilit bas sur
l'approximation linaire du champ de vecteurs.
Le cas linaire est important parce qu'on peut calculer compltement les
solutions, mais aussi parce qu'il donne, aprs linarisation, des
informations sur le comportement prs des points singuliers pour un
systme gnral, en particulier sur sa stabilit.

Fig.: 11.
167

Point singuliers d'un


champ de vecteur gnral

Si V (x , y )

P (x , y )
Q ( x ,y )

est un champ de vecteurs quelconque, l'tude des

trajectoires prs d'un point d'quilibre M0 quelconque peut souvent se


faire par linarisation : on remplace le champ V prs de M0 par le champ
linaris V0

P0 ( x , y ) 
Q0 (x ,y ) prs de 0 (ie on pose x

dni par

168

P0 (X , Y )

Q0 (X , Y )

= x0 + X , y = y0 + Y

P
P
x (M0 )X + y (M0 )Y
Q
Q
x (M0 )X + y (M0 )Y

On appelle matrice jacobienne (voir [YCV], p.26) de l'application

(x , y )

P ( x ,y ) 
Q (x ,y ) au point (x , y ) la matrice J(x ,y ) dnie par

J(x ,y )

P
x (x , y )
Q
x (x , y )

P
y (x , y )
Q
y (x , y )

Le champ linaris est donc associ la matrice jacobienne J(x0 ,y0 ) au


point singulier M0

lorsque X , Y

0.
=

champ V (x , y )

= (x0 , y0 ) . Plus prcisment, on a


(
P (x0 + X , y0 + Y ) P0 (X , Y )
Q (x0 + X , y0 + Y ) Q0 (X , Y )

Le champ linaris est donc une approximation du

P ( x ,y ) 
Q (x ,y ) au voisinage de M0 dans un repre d'origine

M0 . Cette approximation est d'autant meilleure que le voisinage est petit.


Il n'est donc pas trop surprenant que les proprits de stabilit puissent se
lire sur le champ linaris.

169

Etude de stabilit l'aide du champ linaris


I Si le champ linaris X0 admet un noeud stable ou un foyer stable, le
point d'quilibre M0 est stable quand t

+.

I Si le champ linaris X0 admet un noeud instable ou un foyer


instable, le point d'quilibre M0 est instable quand t

+.

I Si le champ linaris X0 admet un col, le point d'quilibre M0 est


instable, mais admet une varit stable quand t

+.

I Si le champ linaris X0 admet un centre, on ne peut pas conclure


sans une analyse plus ne.
On a le rsultat suivant :

Thorme (sur la stabilit des poins singuliers)


Si les parties relles de toutes les valeurs propres sont < 0, l'quilibre est
stable. Si au moins une valeur propre a une partie relle > 0, l'quilibre
est instable.

170

Champs de vecteurs
Les points singuliers
Classication des points singuliers

Exemples d'tude qualitative autour d'un point singulier


Un exemple linaire : volution du taux d'alcool dans le sang
tude qualitative de comportement autours des points singuliers
Portrait de phases : le pendule simple
Notion de comportement chaotique de populations

170

Cours N 14, Exemples qualitatifs


Un exemple linaire : volution du taux d'alcool dans le sang
Commenons par un exemple simple : aprs ingestion d'alcool (dans
l'estomac), l'alcool diuse dans le sang et est limin
progressivement par les reins. A partir d'un modle simple on
souhaite tudier l'volution au cours du temps du taux d'alcool
dans le sang. Soit x (t ) le taux d'alcool dans l'estomac et y (t ) le
taux d'alcool dans le sang l'instant t .
On fait l'hypothse que les vitesses de diusion de l'alcool de
l'estomac vers le sang ou du sang vers l'extrieur sont
proportionnelles aux dirences de concentration dans les 2
rservoirs.

171

C'est une hypothse naturelle, car il ne doit pas y avoir de transfert


si les concentration sont les mmes et alors le plus simple est de
prendre des vitesses linaires par rapport aux dirences de
concentration.
Rappel : la concentration c d'une substance donne la quantit de
cette substance contenue dans l'unit de volume. La quantit de
substance contenue dans le volume V est cV .

172

On obtient ainsi les quations direntielles suivantes


x
o k1

(t ) = k1 (x (t ) y (t )), y 0 (t ) = k2 (x (t ) y (t )) y (t ),

>0

(resp. k2 ) est la constante de diusion de l'alcool de l'estomac

vers le le sang (resp. du sang vers l'estomac). Si V est le volume de


l'estomac et W le volume du sang, la conservation de la quantit d'alcool
dans cet change implique k1 V

>0

= k2 W

et donc k2

< k1 !

La constante

est la constante d'absorption de l'alcool par les reins.

Les constantes k1 , k2 et

sont des paramtres qui dpendent des individus

et une tude exprimentale a posteriori (i.e. utilisant les quations


direntielles rsolues) doit permettre de les calculer et mme mieux de les
dduire d'autres caractristiques individuelles (poids, ge, etc . . .).
On veut rsoudre le systme d'quations direntielles prcdent
avec comme donne initiale x (0)

= x0 , y (0) = 0

(on suppose que

tout l'alcool a t bu en une fois par un sujet initialement jeun).

173

Rsolution de l'exemple
On choisit pour simplier des valeurs numriques k1
x (0)

= 1, y (0) = 0.


(1)

2 + 14 + 40 = 0

(3)

1 = 10, 2 = 4

V1

(5)

(6)
174

(2)

(4)

= 5,

k2

= 1, = 8,

On obtient pour les direntes tapes de la rsolution :

X (0)

X (t )

x0
6

x0
6

 
, V2 =

5
1

(V1 + V2 )

(e 10t V1 + e 4t V2 )

Conclusion
x (t )

x0 10t
6 (e

+ 5e 4t ), y (t ) =

x0
10t
6 (e

+ e 4t ). Le graphe de y (t ) peut tre trac (voir


= ln 62,5 . On pourra le montrer en exercice.

gure 12 et montre un maximum pour un temps T

Fig.: 12. Les variations de x et y en fonction de t .


Les fait qualitatifs saillants sont :
 l'existence d'un temps caractristique, le temps T pour lequel y (T ) est le maximum
- l'existence d'un taux caractristique le rapport y (T )/x (0).
Plus ce taux est petit, moins vous risquez de vous faire prendre avec un excs d'alcoolmie. On
vrie aussi que les solutions satisfont y (t )
exponentiellement vite.

175

< x (t )

pour tout t et que x (t ) et y (t ) tendent vers 0

Conclusion
x (t )

x0 10t
6 (e

+ 5e 4t ), y (t ) =

x0
10t
6 (e

+ e 4t ). Le graphe de y (t ) peut tre trac (voir


= ln 62,5 . On pourra le montrer en exercice.

gure 12 et montre un maximum pour un temps T

Fig.: 12. Les variations de x et y en fonction de t .


Les fait qualitatifs saillants sont :
 l'existence d'un temps caractristique, le temps T pour lequel y (T ) est le maximum
- l'existence d'un taux caractristique le rapport y (T )/x (0).
Plus ce taux est petit, moins vous risquez de vous faire prendre avec un excs d'alcoolmie. On
vrie aussi que les solutions satisfont y (t )
exponentiellement vite.

175

< x (t )

pour tout t et que x (t ) et y (t ) tendent vers 0

Cours N 15, Exemples qualitatifs


Ractions chimique simples.
Il s'agit d'une raction du type A

+B
C

o l'on note a, b , c les

concentrations des ractants A, B , C .


Rappel : la concentration c d'une substance donne la quantit de cette
substance contenue dans l'unit de volume. La quantit de substance contenue
dans le volume V est cV .
Constante d'Avogadro NA
n (X )

= N (X )/NA

= 6, 022.1023 mol 1 ,

(la quantit d'une substance)

Unit de masse atomique mu

= m(C1 2)/12 = 1, 6601027 kg

Pour qu'il y ait raction, il faut qu'il y ait rencontre (acte biomolculaire).
La loi de vitesse est l'expression de la vitesse de la raction en fonction de
direntes concentrations dont elle dpend (Chimie, PCSI, PUF, 1999, p.8)
Exemple :A
Ch.I)

176

= C2 H4 , B = H2 , C = C2 H6

(l'thane) (Chimie, PCSI, PUF, 1999,

Soit k+1 et k1 les taux des ractions


dc
dt

= k+1 ab k1 c ,

da
dt

db
dt

et

),

on a :

= k+1 ab + k1 c .

Cela donne lieu une quation direntielle trs simple puisque l'on

+ c = cte et b + c = cte . Si c (0) = c0 = 0, on a :


= a0 c ; b = b0 c et donc dc
dt = k+1 (a0 c )(b0 c ) k1 c

voit que a
a

qui s'intgre explicitement.

On vrie directement en utilisant les rsultats de la section 6.4 que


c (t ) croit de 0 c qui est la plus petite racine de
k+1 (a0

177

c )(b0 c ) k1 c = 0.

Ractions enzymatiques.
L'enzyme E , prsent en faible quantit, ragit avec le ractant R pour donner un
compos C qui se dcompose en un produit P en redonnant l'enzyme suivant le
schma : R

+ E
C * P + E.

Notons comme plus haut k1 les taux de la

premire raction et k2 celui de la seconde. Notons avec des lettres minuscules les
concentrations et indexons par 0 les valeurs initiales ; on a les 4 quations couples
suivantes :

dr
dt
dc
dt

= k+1 re + k1 c ;
= k+1 re k1 c k2 c ,
Rt
= 0 c (s )ds
= e0 = cte .

On tire p par p (t )
grae e

+c

de
dt
dp
dt

= k2 c k+1 re + k1 c ;
= k2 c .

et il nous reste 3 quations dont on peut liminer e

Il nous reste ainsi :

178

dr
dt
dc
dt

= k+1 re0 + (k+1 r + k1 )c


= k+1 re0 (k+1 r + k1 + k2 )c

Ractions enzymatiques.
L'enzyme E , prsent en faible quantit, ragit avec le ractant R pour donner un
compos C qui se dcompose en un produit P en redonnant l'enzyme suivant le
schma : R

+ E
C * P + E.

Notons comme plus haut k1 les taux de la

premire raction et k2 celui de la seconde. Notons avec des lettres minuscules les
concentrations et indexons par 0 les valeurs initiales ; on a les 4 quations couples
suivantes :

dr
dt
dc
dt

= k+1 re + k1 c ;
= k+1 re k1 c k2 c ,
Rt
= 0 c (s )ds
= e0 = cte .

On tire p par p (t )
grae e

+c

de
dt
dp
dt

= k2 c k+1 re + k1 c ;
= k2 c .

et il nous reste 3 quations dont on peut liminer e

Il nous reste ainsi :

178

dr
dt
dc
dt

= k+1 re0 + (k+1 r + k1 )c


= k+1 re0 (k+1 r + k1 + k2 )c

On en dduit l'espace de phase donn dans la gure suivante avec


une trajectoire typique. Ce qui est intressant est que la raction se
produit mme avec un trs faible taux d'enzyme. Pour plus de
dtails, consulter [Murr89] chapitre 5.

Fig.: 13. Raction enzymatique (Noeud stable autour de (r , c ) = (0, 0))


179

Cours N 16, Applications l'tude qualitative de


comportement autours des points singuliers.
Portrait de phase.
Il s'agit de reprsenter sur un mme dessin un nombre susant de
trajectoires pour avoir une ide assez prcise de la dynamique du systme.
On indique notamment les trajectoires exceptionnelles (les points singuliers,
les varits stables et instables de points cols, les trajectoires priodiques)
et dans chaque rgion limite par les prcdentes quelques trajectoires
typiques encore appelles gnriques. Pour un systme linaire il y a 5
trajectoires exceptionnelles (l'quilibre et les 4 demi-droites engendres par
les vecteurs propres) dans le cas de valeurs propres relles distinctes. Si les
2 valeurs propres sont non relles, il n'y en a qu'une (le point singulier).

180

Le pendule simple
Pour un pendule simple, x est l'angle reprant la position du pendule par
rapport la verticale et y la vitesse du pendule. Il s'agit de l'quation
direrentielle :
x

00

+ sin x = 0

que l'on peut transformer en un champ de vecteurs dans le plan. On


obtient ainsi

dx
dt
dy
dt

=y
= sin x
(y , sin x ) est tangent aux
cos x : l'nergie totale est

On vrie facilement que le champ de vecteurs


lignes de niveau de l'nergie E (x , y )

1 2
2y

conserve au cours du mouvement. E est une intgrale premire.


(Rappel : soit V (x , y )

= (P (x , y ), Q (x , y )) un champ de vecteurs dans


: R est une intgrale premire (IP en

un ouvert du plan. Une fonction F

abrg) de V si elle est constante le long des trajectoires).

181

Cela permet de dessiner les trajectoires dans le plan de phases comme sur la
gure 14. On distingue, sur la gure 14, cinq types de trajectoires : les points
d'quilibre stable (position basse) et instable (position haute), les petites
oscillations priodiques, les grandes oscillations qui font tout le tour et les
trajectoires qui partent au temps
l'autre ct

d'une position instable pour y revenir de

+.

Fig.: 14

182

Champs de vecteurs dans le plan, points singuliers :


visualisation avec MAPLE
> restart ;with(DEtools) :with(plots) : DEplot([di(x(t),t)=y(t),
di(y(t),t)=-sin(x(t))], [x(t),y(t)], t=-4..12,number=2, [ [x(0)=0,y(0)=2],
[x(0)=0,y(0)=-2], [x(0)=2*Pi,y(0)=2], [x(0)=2*Pi,y(0)=-2], [x(0)=0,y(0)=2.2],
[x(0)=4*Pi,y(0)=-2.2], [x(0)=4*Pi,y(0)=1], [x(0)=4*Pi,y(0)=-2],
[x(0)=4*Pi,y(0)=2], [x(0)=0,y(0)=1], [x(0)=2*Pi,y(0)=1]] ) ;

Fig.: 15 Portrait de phases : le pendule simple

183

Cours N 17, Comportement chaotique de population


([Bert], p.97)
Certaines espces d'insectes voluent avec une synchronisation assez grande ; en
particulier, la priode de la ponte est la mme pour tous les individus, et cette
priode revient intervalles rguliers (tous les ans par exemple). L'volution gnrale
d'une telle espce est caractrise par une simulation mathmatique.
Dans un modle simpli d'volution, le nombre un d'insectes la n-me gnration
ne dpend que du nombre un1 d'insectes la gnration prcdente, soit
un

= f (un1 ) ;

la suite est une suite rcurrente (ou un systme dynamique discret).

On supposera que la population suit une lois logistique discrte :


f (x )

= Cx

x
L

, C tant un coecient de reproduction et L le nombre

maximum d'insectes pouvant vivre dans un milieu tudi ; un est remplac par un
entier le plus proche.
La constante C est videmmement positive ; elle ne peut tre
suprieur 4 car la valeur de f (x ) doit rester infrieure ou gale
L, quel que soit x compris entre 0 et L (prendre x

184

L
2 ).

Rsultats thoriques
 (un ) sont les solutions de
1
C , mais il n'y a pas toujours

On sait que les seules limites possibles pour la suite

= f (x ),

l'quation x

soit x

=0

ou x

convergence. On montre que :

=L

I si le coecient de reproduction est faible (C

< 1),

la suite tend vers 0

(extinction de la population),

I si le coecient de reproduction est moyen (1


L 1

1
C

< C < 3),

la suite tend vers

(la population se maintient un niveau constant),

I si le coecient de reproduction est grand :


(3

< C < 3, 449), la suite oscille, pour n assez grand, entre deux valeurs,
< C < 3, 544), la suite oscille, pour n assez grand, entre quatre

(3, 449

valeurs,
. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .

I si le coecient de reproduction est trs grand (C

> 3, 750),

la suite parat

distribue au hasard et dpend d'un changement mme minimal de la


valeur initiale ; on dit que son comportement est chaotique. Pour C
suite un /L est dense dans l'intrvalle ]0, 1[.

185

=4

la

Rsultats thoriques
 (un ) sont les solutions de
1
C , mais il n'y a pas toujours

On sait que les seules limites possibles pour la suite

= f (x ),

l'quation x

soit x

=0

ou x

convergence. On montre que :

=L

I si le coecient de reproduction est faible (C

< 1),

la suite tend vers 0

(extinction de la population),

I si le coecient de reproduction est moyen (1


L 1

1
C

< C < 3),

la suite tend vers

(la population se maintient un niveau constant),

I si le coecient de reproduction est grand :


(3

< C < 3, 449), la suite oscille, pour n assez grand, entre deux valeurs,
< C < 3, 544), la suite oscille, pour n assez grand, entre quatre

(3, 449

valeurs,
. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .

I si le coecient de reproduction est trs grand (C

> 3, 750),

la suite parat

distribue au hasard et dpend d'un changement mme minimal de la


valeur initiale ; on dit que son comportement est chaotique. Pour C
suite un /L est dense dans l'intrvalle ]0, 1[.

185

=4

la

Rsultats thoriques
 (un ) sont les solutions de
1
C , mais il n'y a pas toujours

On sait que les seules limites possibles pour la suite

= f (x ),

l'quation x

soit x

=0

ou x

convergence. On montre que :

=L

I si le coecient de reproduction est faible (C

< 1),

la suite tend vers 0

(extinction de la population),

I si le coecient de reproduction est moyen (1


L 1

1
C

< C < 3),

la suite tend vers

(la population se maintient un niveau constant),

I si le coecient de reproduction est grand :


(3

< C < 3, 449), la suite oscille, pour n assez grand, entre deux valeurs,
< C < 3, 544), la suite oscille, pour n assez grand, entre quatre

(3, 449

valeurs,
. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .

I si le coecient de reproduction est trs grand (C

> 3, 750),

la suite parat

distribue au hasard et dpend d'un changement mme minimal de la


valeur initiale ; on dit que son comportement est chaotique. Pour C
suite un /L est dense dans l'intrvalle ]0, 1[.

185

=4

la

Rsultats thoriques
 (un ) sont les solutions de
1
C , mais il n'y a pas toujours

On sait que les seules limites possibles pour la suite

= f (x ),

l'quation x

soit x

=0

ou x

convergence. On montre que :

=L

I si le coecient de reproduction est faible (C

< 1),

la suite tend vers 0

(extinction de la population),

I si le coecient de reproduction est moyen (1


L 1

1
C

< C < 3),

la suite tend vers

(la population se maintient un niveau constant),

I si le coecient de reproduction est grand :


(3

< C < 3, 449), la suite oscille, pour n assez grand, entre deux valeurs,
< C < 3, 544), la suite oscille, pour n assez grand, entre quatre

(3, 449

valeurs,
. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .

I si le coecient de reproduction est trs grand (C

> 3, 750),

la suite parat

distribue au hasard et dpend d'un changement mme minimal de la


valeur initiale ; on dit que son comportement est chaotique. Pour C
suite un /L est dense dans l'intrvalle ]0, 1[.

185

=4

la

Rsultats thoriques
 (un ) sont les solutions de
1
C , mais il n'y a pas toujours

On sait que les seules limites possibles pour la suite

= f (x ),

l'quation x

soit x

=0

ou x

convergence. On montre que :

=L

I si le coecient de reproduction est faible (C

< 1),

la suite tend vers 0

(extinction de la population),

I si le coecient de reproduction est moyen (1


L 1

1
C

< C < 3),

la suite tend vers

(la population se maintient un niveau constant),

I si le coecient de reproduction est grand :


(3

< C < 3, 449), la suite oscille, pour n assez grand, entre deux valeurs,
< C < 3, 544), la suite oscille, pour n assez grand, entre quatre

(3, 449

valeurs,
. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .

I si le coecient de reproduction est trs grand (C

> 3, 750),

la suite parat

distribue au hasard et dpend d'un changement mme minimal de la


valeur initiale ; on dit que son comportement est chaotique. Pour C
suite un /L est dense dans l'intrvalle ]0, 1[.

185

=4

la

Reprsentation graphique du comportement chaotique par


"tissage de toile"

Fig.: 16. "Tissage de toile", [Murr89], p.44

186

Aperu culturel sur les systmes dynamiques, voir [YCV],


p.28
On peut faire commencer l'histoire rcente des systmes dynamiques et de la
thorie du chaos Henri Poincar. Conscient que l'on ne pouvait pas en gnral
donner une solution analytique (i.e. des formules) aux problmes de la
dynamique, H. Poincar propose une tude plus qualitative base sur l'tude des
points d'quilibre et des trajectoires priodiques, puis de leur bassin
d'attraction. H. Poincar est sans doute le premier scientique avoir pressenti
la nature complexe (on dirait aujourd'hui chaotique) des trajectoires de certains
systmes dynamiques d'apparence simple. Pour une histoire de cette thorie, on
pourra lire le passionnant livre [GL].

187

Bibliographie
Livres de base :
Franoise et Jean-Paul BERTRANDIAS, Mathmatiques pour
les sciences de la nature et de la vie, Collection Grenoble
Sciences, Press Univ. Grenoble, 1990
Yves COLIN DE VERDIRE, Mathmatiques en DEUG SV
2me anne, Institut Fourier (DU St Martin d'Hres)

http ://www-fourier.ujf-grenoble.fr/ycolver/
Jacquelinne LELONG-FERRAND, Jean-Marie ARNAUDIS,
Cours de Mathmatiques-Tome 4. quations direntielles.
Intgrales multiples. Dunod, Paris-Bruxelles-Montral, 1974
Jean DELLA DORA, Thiery GAUTHIER, Nathalie REVOL,
Systmes dynamiques 1993.
Livres supplmentaires :
Vladimir ARNOLD, quations direntielles ordinaires, Mir
188

(Moscou), 1974.

Vladimir ARNOLD, Mthodes mathmatiques de la mcanique


classique, Mir (Moscou), 1976.
Frank AYRES, Jr., Thorie et application des quations
direntielles. 560 exercises rsolus. Mac Graw-Hill, New-York,
Montral ; Edisciences, Paris, 1972
P. BERGELTON, The physical Basis of Biochemistry, Springer,
1998.
P. BERG, Y. POMEAU, Ch. VIDAL, L'ordre dans la chaos,
Hermann, 1988.
Pierre BROUSSE. Cours de mcanique. Librairie Armand Colin,
Paris, 1973
Athel CORNISH-BOWDEN, Marc JAMIN, Valdur SAKS,
Cintique enzymatique, Collection Grenoble Sciences, Press
Univ. Grenoble, 1990
Jean-Pierre DEMAILLY, Analyse numerique et quations
direntielles Press Univ. Grenoble, 1991
189

P. FLORENT, G. LAUTON, M. LAUTON, Equations et


Systmes direntiels, Vuibert (Paris), 1978
R. JEAN, Une approche mathmatique de la biologie, Gatan
Morin (Chicoutimi, Canada), 1987
J. HUBBARD. ; B. WEST. ; V. GAUTERON, ed. quations
direntielles et systmes dynamiques, Cassini, Enseignement
des mathmatiques (2), 1999
J. GLEICK, La thorie du chaos, Flammarion (Paris), 1987.
J. MURRAY, Mathematical Biology, Springer, 1989.
Herv PAJOT, Cours MAT110c (Apprentissage du
raisonnement et analyse lmentaire),

http ://www-fourier.ujf-grenoble.fr/pajot
Alexei PHILIPPOV, Recuiel de problmes d'quations
direntielles ordinaires, Mir (Moscou), 1976.
Lev PONTRIAGUINE, quations direntielles ordinaires, Mir
190

(Moscou), 1976.