Terminale - Spécialité - Séquence 2

Séquence 2
Calcul matriciel,
modèles probabilistes
Sommaire
1. Pré-requis Dans cette séquence, il s’agit de

donner les outils de calculs matri-
2. Calcul matriciel, généralités
ciels et le vocabulaire des graphes
3. C
alcul matriciel et résolutions permettant de modéliser et d’étudier
de systèmes linéaires l’évolution de systèmes aléatoires à
plusieurs états au cours du temps.
4. M
atrices d’ordre 2, systèmes
dynamiques à deux états
5. M
atrices d’ordre N, systèmes
dynamiques à N états avec N ≥ 3
6. Synthèse
Séquence 2 – MA03 1
© Cned – Académie en ligne

1 Pré-requis
A Probabilités
1 Conditionnement par un événement de probabilité non nulle
Définition
Soient A et B deux événements d’un univers Ω tels que P ( A ) ≠ 0.
On appelle probabilité de l’événement B, sachant que A est réalisé, le nombre

P(A ∩ B )
noté PA (B ), lu « P de B sachant A », défini par : PA (B ) = .
P(A)
Conséquences
card( A ∩ B )
• PA (B ) = lorsqu’il y a équiprobabilité.
card( A )
• PA ( A ) = 1, 0 ≤ PA (B ) ≤ 1.
• Si A et B sont deux événements incompatibles (c’est-à-dire si A ∩ B = ∅), on a

P ( A ∩ B ) = 0 donc PA (B ) = 0.
Propriété
Intersection de deux événements

Soient A et B deux événements tels que P ( A ) ≠ 0 et P (B ) ≠ 0.
P ( A ∩ B ) = P ( A ) × PA (B ) et P ( A ∩ B ) = P (B ) × PB ( A ).
Propriété
Complémentaire d’un événement

()
PA B = 1− PA (B ).
Arbre pondéré
PA(B)
B : P(A ∩ B)= P(A) PA(B)
A
P(A) B : P (A ∩ B) = P(A) PA (B)
PA(B)
PA(B) B : P (A ∩ B) = P(A) PA(B)

P(A) A
PA (B) B : P (A ∩ B) = P(A) PA (B)
▶

Règles de construction d’un arbre pondéré
• On indique sur chaque branche la probabilité du chemin correspondant (c’est
éventuellement une probabilité conditionnelle).
• La somme des probabilités inscrites sur les branches issues d’un même événe-
ment (on dit aussi « d’un même noeud ») est égale à 1. Cette règle est parfois
appelée « la loi des nœuds ». Elle est une conséquence de la propriété 2 :
()
PA B = 1− PA (B ).
Règles d’utilisation d’un arbre pondéré
• On obtient la probabilité d’une intersection en multipliant les probabilités des

branches du chemin correspondant.
• La probabilité d’un événement est égale à la somme des probabilités des chemins
qui y aboutissent.
Définition
On dit que les n événements A1, A2 , A3... , An d’un univers Ω forment une par-
tition de Ω lorsque les événements A1, A2 , A3... , An sont incompatibles deux à
deux et lorsque leur réunion est égale à Ω.
Propriété
On suppose que les événements A1, A2 , A3... , An forment une partition de l’univers
et que chacun d’eux une probabilité non nulle.
Soit un événement B alors,
P (B ) = P ( A1)PA1 (B ) + P ( A2 )PA2 (B ) +…+ P ( An )PAn (B ) :
c’est la formule des probabilités totales.
2 Indépendance
Définition
Soient A et B deux événements d’un univers Ω tels que P ( A ) ≠ 0 et P (B ) ≠ 0.

On dit que les événements A et B sont indépendants quand PB ( A ) = P ( A ).
Propriété
Deux événements A et B sont indépendants si et seulement si :

P ( A ∩ B ) = P ( A ) × P (B ) .
4 Séquence 2 – MA03

Propriété
Si deux événements A et B sont indépendants, alors

• A et B sont indépendants,
•A
et B sont indépendants,
• A et B sont indépendants.
Cas particulier de la répétition d’expériences identiques

On a choisi une loi de probabilité adaptée. Cette loi consiste à faire le produit
des probabilités de chacun des n résultats partiels qui constituent une liste de n
résultats de la répétition d’expériences identiques.
On dit qu’il s’agit d’expériences identiques et indépendantes.
Dans ces répétitions, le mot indépendant au sens courant correspond au mot
indépendant au sens probabiliste.
Il ne faut pas confondre les notions d’indépendance et d’incompatibilité qui

interviennent dans des situations tout à fait différentes : l’incompatibilité de deux
événements est utilisée lorsqu’on calcule la probabilité d’une union d’événe-
ments alors que c’est dans le calcul de la probabilité d’une intersection que l’in-
dépendance peut apparaître.
Union Intersection
Cas général P ( A ∪ B ) = P ( A ) + P (B ) − P ( A ∩ B ) P ( A ∩ B ) = P ( A ) × PA (B )
Si les événements A et B sont Si les événements A et B sont

Cas particulier incompatibles : indépendants :
P ( A ∪ B ) = P ( A ) + P (B ) P ( A ∩ B ) = P ( A ) × P (B )
3 Variable aléatoire (programme de 1re S)
Définition
On dit qu’on définit une variable aléatoire sur l’ensemble Ω lorsqu’on associe un
nombre réel à chaque éventualité de l’expérience aléatoire.
Définition
La loi de probabilité d’une variable aléatoire X est donnée par :

• l’ensemble des valeurs {x1, x2,…,xr } prises par la variable aléatoire,
• les probabilités P ( X = x i ) pour toutes les valeurs xi prises par X.

Définition
L’espérance de la variable aléatoire X est le nombre, noté E(X), défini par :

E( X ) = x 1P ( X = x 1 ) + x 2P ( X = x 2 ) + ... + x r P ( X = x r )
= x 1p1 + x 2p2 + …+
i =r
x r pr = ∑ x i pi .
i =1
Définition
La variance V(X) et l’écart-type σ( X ) d’une variable aléatoire X sont définis par :

i =r
( )2 (
V( X ) = x 1 − E( X ) p1 + x 2 − E ( X ))2 p2 + ... + ( x r − E ( X ))2 pr = ∑ ( x i − E ( X ))2 pi ,
i =1
et σ( X ) = V( X ).
Définitions
Une épreuve de Bernoulli est une épreuve aléatoire comportant deux issues, l’une
appelée « succès », l’autre appelée « échec ».
Soit X la variable aléatoire qui prend la valeur 1 en cas de réussite et la valeur 0 en
cas d’échec.
La variable aléatoire X est appelée variable de Bernoulli et la loi de probabilité de
X est appelée loi de Bernoulli.
On note p la probabilité de réussir et donc q = 1− p la probabilité d’échouer.
D’où P ( X = 1) = p et P ( X = 0 ) = q = 1− p.
Loi de probabilité d’une variable de Bernoulli :
xi 1 0
P ( X = xi ) p 1− p
Définition
Soit X la variable aléatoire définie par le nombre de succès dans la répétition n fois,
de façon indépendante, d’une épreuve ayant deux issues, succès et échec, pour
laquelle la probabilité du succès est égale à p.
La loi de probabilité de X s’appelle la loi binomiale de paramètres n et p, notée
(n ; p ).

Propriété
La variable aléatoire X prend les n + 1 valeurs 0, 1,… , n avec les probabilités :
n
P ( X = k ) =   p k (1− p )n −k pour tout entier k tel que 0 ≤ k ≤ n.
k
E( X ) = np et V( X ) = np (1− p ).
n
Le nombre   s’appelle un coefficient binomial.
k
Propriété
Pour tout entier naturel n, non nul, et tout entier k tel que 0 ≤ k ≤ n , on a :
 n  n n  n 
 n  = 1,  0  = 1,  k  =  n − k  , et,
 n   n   n + 1
si 0 ≤ k ≤ n − 1,   +  = .
 k   k + 1  k + 1
B Suites
Définition
Suite convergente
On dit qu’une suite (un ) admet pour limite un réel lorsque tout intervalle ouvert
contenant contient tous les termes de la suite à partir d’un certain rang.
On note alors lim un = .
n →+∞
Lorsqu’une suite (un ) admet une limite finie, on dit qu’elle est convergente (ou
qu’elle converge).
Dans le cas contraire, on dit qu’elle est divergente.
Propriété
Limites de suites convergentes usuelles

1 1 1 1
• lim = 0, lim = 0, lim 2 = 0, lim 3 = 0 et plus généralement
n →+∞ n n →+∞ n n →+∞ n n →+∞ n
1
lim = 0 où k ∈N*.
n →+∞n k
• Toute suite constante de terme général égal à est convergente vers .

Propriété
Unicité de la limite d’une suite convergente

Si une suite converge alors sa limite est unique.
Propriétés
Opération sur les limites de suites convergentes

Soient (un) et (vn) deux suites convergentes de limites respectives et ′.
On admet les résultats suivants :
• la suite de terme général un + v n est convergente et a pour limite + ′ ;
• la suite de terme général un × v n est convergente et a pour limite × ′ ;
• la suite de terme général k × un où k est un réel est convergente et a pour limite
k × ;
• si v n ne s’annule pas à partir d’un certain rang et si ′ ≠ 0 alors la suite de terme
u
général n est convergente et a pour limite .
vn ′
Propriété
Compatibilité avec l’ordre

Soient (un ) et (vn ) deux suites convergentes de limites respectives et ′ .
Si, à partir d’un certain rang, on a un < v n (ou bien un ≤ v n ) alors ≤ ′.
Conséquence
Si (un )n ≥n0 est une suite croissante et convergente vers alors, pour tout
n ≥ n0 , u n ≤ .
Théorème
Des gendarmes
On considère trois suites (un ) , (v n ) et (w n ).
Si (un ) et (w n ) sont convergentes vers un même réel et si, à partir d’un certain
rang, un ≤ v n ≤ w n alors (v n ) est elle aussi convergente vers .

Définition
Suites divergentes de limite infinie

On dit qu’une suite (un ) admet pour limite +∞ si tout intervalle de la forme
]A ; + ∞[ où A est un réel, contient tous les termes de la suite à partir d’un certain
rang. On note alors lim un = +∞.
n →+∞
De façon analogue, on dit qu’une suite (un ) admet pour limite −∞ si tout intervalle
de la forme ]−∞ ; A[ où A est un réel, contient tous les termes de la suite à partir
d’un certain rang. On note alors lim un = −∞.
n →+∞
Dans un cas comme dans l’autre, on dit que la suite est divergente.
Propriété
Limites de suites divergentes usuelles

On a : lim n = +∞ , lim n = +∞ , lim n 2 = +∞ , lim n 3 = +∞ et plus
n →+∞ n →+∞ n →+∞ n →+∞
généralement lim n k = +∞où k ∈N*.
n →+∞
Propriété
Limite d’une somme
La limite de la somme un + v n
lim v n
n →+∞
+∞ −∞
lim un
n →+∞
+∞ +∞
−∞ −∞
+∞ −∞

Propriété
Limite d’un produit

La limite du produit un × v n
lim v n
n →+∞
+∞ −∞
lim un
n →+∞
+∞ +∞ −∞
−∞ −∞ +∞
0
(>0) +∞ −∞
(<0) −∞ +∞
Propriété
Inversion
lim v n  1
lim  
n →+∞ n →+∞  v n 
+∞ 0
−∞ 0
1
(≠0 )

0+ +∞
0− −∞
Propriété
Limite d’un quotient
La limite du quotient un
vn
lim v n
n →+∞
+∞ −∞ 0+ 0− ′ ( ′ ≠ 0 )
lim un
n →+∞
+∞ +∞ −∞ +∞ ou −∞
−∞ −∞ +∞ +∞ ou −∞
0 0 0 0
(>0) 0 0 +∞ −∞ / '
−∞ +∞
(<0) 0 0
′

Propriété
Comparaison en +
Les suites (un ) et (v n ) sont telles qu’à partir d’un certain rang, un ≤ v n .
• S i lim un = +∞ alors lim v n = +∞.
n →+∞ n →+∞
• S i lim v n = −∞ alors lim un = −∞.
n →+∞ n →+∞
Propriétés
Cas des suites géométriques

Soit q un réel.
• S i q > 1 alors la suite de terme général q n est divergente et on a lim q n = +∞.

n →+∞
• S i −1 < q < 1 alors la suite de terme général q n est convergente et on a lim q n = 0.
n →+∞
• S i q ≤ −1 alors la suite de terme général q n est divergente et n’a pas de limite.
Propriétés
Cas des suites monotones divergentes

• Si une suite (un ) est croissante et non majorée alors lim un = +∞.
n →+∞
• Si une suite (un ) est décroissante et non minorée alors lim un = −∞.
n →+∞
Théorème
De la convergence monotone
• Si une suite est croissante et majorée alors elle est convergente.
• S i une suite est décroissante et minorée alors elle est convergente.

2 Calcul matriciel,
généralités
A Objectifs du chapitre
Sur un exemple, introduire la modélisation d’une situation à l’aide d’une matrice
et la définition du produit matriciel. Utiliser cette modélisation pour résoudre des
problèmes.
Définir les matrices et les opérations sur les matrices.
Ces outils seront utilisés dans les chapitres suivants pour étudier des marches
aléatoires sur un graphe.
Notre exemple d’introduction utilise un graphe ; nous en profitons pour donner
le vocabulaire sur les graphes, nécessaire pour la suite.
B Pour débuter : Un réseau routier

On peut représenter le réseau routier du bourg d’un petit village par le graphe
suivant :
Mairie École
1 2
3 4
Église Bar
Tabac-presse
Dépôt de pain
Figure 1. Un réseau routier

Le point 1 représente « la mairie », le 2 « l’école », le 3 « le bar tabac-presse et
dépôt de pain » et le 4 « l’église ».
Un arc orienté de 1 vers 3, noté 1→ 3, signifie que la rue joignant les points 1 et
3 est circulable dans le sens 1 vers 3 ; l’absence d’arc orienté de 3 vers 1 signifie
qu’elle n’est pas circulable dans l’autre sens : elle est à sens unique de 1 vers 3.
On peut représenter ce réseau routier par un tableau de nombres à deux entrées :
↵ j 1 2 3 4
i
1 0 0 1 1
2 1 0 1 0
3 0 1 0 1
4 0 1 0 0
Le nombre 1 situé ligne 1 et colonne 3 signifie l’existence d’un arc orienté 1→ 3.

Le nombre 0 situé ligne 3 et colonne 1 signifie l’absence d’arc orienté de 3 vers 1.
On dit que le tableau de nombres est la matrice associée au graphe du réseau
routier, on le note :
A = (aij )1≤i ≤ 4, 1≤ j ≤ 4 .
Le nombre aij situé à l’intersection de la ligne i et de la colonne j s’appelle le

coefficient ou terme d’indice (i ; j ) de la matrice A.
La matrice A = (aij )1≤i ≤ 4, 1≤ j ≤ 4 associée au graphe est définie par :
1 si i → j
aij = 
0 sinon.
Compter les chemins
On cherche à compter le nombre de chemins de longueur deux pour se rendre
d’un point à un autre.
Pour commencer, cherchons le nombre de chemins de longueur deux pour se
rendre du point 1au point 2. On trouve deux chemins :
1→ 3 puis 3 → 2
1→ 4 puis 4 → 2.
De manière générale, écrivons l’ensemble des chemins de i vers k (premier
tableau) et l’ensemble des chemins de k vers j (deuxième tabeau).
↵ k 1 2 3 4
↵ j 1 2 3 4
i k
1 0 0 1 1 1 0 0 1 1
2 1 0 1 0 2 1 0 1 0
3 0 1 0 1 3 0 1 0 1
4 0 1 0 0 4 0 1 0 0

Trouver le nombre de chemins de longueur deux pour se rendre du point 1 au
point 2 revient à multiplier la ligne 1 du premier tableau par la colonne 2 du
deuxième tableau :
 0 
 
( 0 0 1 1 

) 0
1


= a11 × a12 + a12 × a22 + a13 × a32 + a14 × a42
 1 
= 0 × 0 + 0 × 0 + 1× 1+ 1× 1= 2.
Regardons le produit a13 × a32 = 1 : il existe un arc 1→ 3 et un arc 3 → 2 donc

il existe un chemin de longueur deux, de 1 vers 2 en passant par 3.
Cherchons à présent le nombre de chemins de longueur deux pour se rendre du
point 4 au point 3 : on effectue le produit de la ligne 4 du premier tableau par la
colonne 3 du deuxième tableau :
 1 
 
( 0 1 0 0 

) 1
0


= a41 × a13 + a42 × a23 + a43 × a33 + a44 × a43
 0 
= 0 × 1+ 1× 1+ 0 × 0 + 0 × 0 = 1.
Regardons le produit a41 × a13 = 0 × 1= 0 : il existe un arc de 1→ 3 mais pas de
4 vers 1 donc il n’existe pas de chemin de longueur deux, de 4 vers 3 en passant
par 1.
Par contre, a42 × a23 = 1× 1 = 1 : il existe un arc 4 → 2 et un arc 2 → 3 donc il
existe un chemin de longueur deux de 4 vers 3 en passant par 2.
De manière générale, pour déterminer le nombre de chemins de longueur deux
pour se rendre du point i au point j, on effectue le produit de ligne i du premier
tableau par la colonne j du deuxième tableau :
 a1j 
a 
2j
(ai 1 ai 2 ai 3 ai 4 )  a  = ai 1 × a1j + ai 2 × a2j + ai 3 × a3 j + ai 4 × a4 j = mij .
 3j 
 a4 j 
On peut placer les nombres mij obtenus dans un tableau à l’intersection des
lignes i et j :
↵ k 1 2 3 4
↵ j 1 2 3 4
↵ j 1 2 3 4
i k i
1 0 0 1 1 1 0 0 1 1 1 0 2 0 1
2 1 0 1 0 2 1 0 1 0 2 0 1 1 2
3 0 1 0 1 3 0 1 0 1 3 1 1 1 0
4 0 1 0 0 4 0 1 0 0 4 1 0 1 0
A × A = M

On dit que M est le produit de la matrice A par elle même.
Pour aller plus loin

Sauriez vous déterminer le nombre de chemins de longueur 3, de longueur 4 dans
ce réseau routier (voir exercice d’apprentissage) ?
C Cours
1. Vocabulaire des graphes

L’exemple de réseau routier est ce que l’on appelle un graphe. Dans la suite de
ce cours, nous manipulons ce type d’objet pour modéliser un grand nombre de
situations. Nous donnons ci-dessous le vocabulaire nécessaire.
a) Définitions
Définition 1
Graphe
Un graphe est constitué d’un ensemble de points reliés par des arcs.
Sommet
Un point du graphe est appelé un sommet.
Arête
Un arc reliant deux sommets est appelé une arête.
Graphe orienté
Lorsque ces arêtes sont munies d’un sens, on dit que le graphe est orienté.
Graphe pondéré, poids d’une arête
Lorsque ces arêtes sont affectées de coefficients positifs, on dit que le graphe est
pondéré et le coefficient associé à une arête est appelé le poids de l’arête.
Graphe probabiliste
Lorsque la somme des poids des arêtes issues de chaque sommet est égale à 1, on
dit que le graphe est un graphe probabiliste.
Dans la suite, nous ne considérerons que des graphes probabilistes.

b) Exemples
0,2
2 3
0,4 2 3
1
1 0,1 1
0,1 0,7 0,7
0,5
4 5 4 5
0,3
1
Figure 2. Graphe orienté Figure 3. Graphe probabiliste
2. Matrice de transition d’un graphe

La matrice de transition associée à un graphe comportant p sommets est un
tableau de nombres comportant p lignes et p colonnes.
E P our un graphe orienté non pondéré, le nombre situé à l’intersection de la
ligne i et de la colonne j est 1 s’il existe une arête orientée de i vers j (i → j ) ,
et est égal à 0 sinon.
E Pour un graphe probabiliste, le nombre situé à l’intersection de la ligne i et de
la colonne j est le poids de l’arête orientée de i vers j.
Exemples On appelle M1 et M2 les matrices de transition associées respectivement aux
graphes de l’exemple précédent (Figure 2 et Figure 3) :
1 1 0 1 0  0,1 0,4 0 0,5 0 

0 0 1 1 1   0 0 0,2 0,1 0,7
   
M1 =  0 1 0 0 0 et M2 =  0 1 0 0 0 .
0 0 0 0 1  0 0 0 0 1 
 
 0 0 1 0 1  0 0 0,77 0 0,3
La matrice M2 s’appelle une matrice stochastique car tous ses coefficients

sont compris entre 0 et 1, et la somme des coefficients de chaque ligne est égale
à 1.

3. La notion de matrice
Définition 2
Matrices n  p
Une matrice de dimension n × p est un tableau rectangulaire de nombres compor-
tant n lignes et p colonnes. Ces nombres sont appelés les coefficients ou termes de
la matrice.
Exemples La matrice A est une matrice 2 × 3, B est une matrice 2 × 1 dite matrice colonne
ou vecteur colonne et C est une matrice 1× 3 dite matrice ligne ou vecteur ligne.
 2 −1 3   −2
A=  , B =   et C = −4
 −5 2 3 −6   3
( 5 2. )
Le coefficient de la matrice A situé à l’intersection de la ligne i et de la colonne j
se note aij .
j
 ↓ 
 
A=  .
i →  aij 
 
 
Définition 3
Matrices carrées d’ordre p

C’est une matrice ayant le même nombre p de lignes et de colonnes.
 1 −2
Exemples La matrice A =  est une matrice carrée d’ordre 2.
 −1 4 
 1 3 −1
La matrice B =  4 2 3  est une matrice carrée d’ordre 3.
 
 −2 0 4 
Vocabulaire Soit A une matrice carrée. on note ai,j le coefficient de A apparaissant à la i-ème
ligne et j-ème colonne.
La diagonale de A est l’ensemble de ces coefficients ai,j tels que i = j. On dit que :
• la matrice A est diagonale si tous ces coefficients sont nuls, sauf peut être ceux
de sa diagonale ;
• la matrice A est triangulaire supérieure (resp. inférieure) si tous ces coefficients
sont nuls, sauf peut être ceux de sa diagonale et ceux qui sont au-dessus (resp.
en dessous) de la diagonale.

Exemples
 1 2 3 −1 
   1 −1 0
0 3 5 0
A=  B =  0 5 3 est trianngulaire supérieure.
 8 7 −11 0   
   0 0 1 
 5 8 2 1 
diagonale de A
4. Opérations sur les matrices

a) Égalité de matrices
Deux matrices A et B sont égales si elles ont les mêmes dimensions et si chaque
coefficient de A est égal au coefficient correspondant de B : pour toute ligne i et
toute colonne j, aij = bij .
b) Addition de matrices
La somme de deux matrices de même dimension est la matrice de même dimension
dont chaque coefficient est la somme des deux coefficients situés à la même place.
Exemple 1 Calculer A + B dans les cas suivants :
 2 −1  −3 6 
a) A =  et B =  .

 −4 3   0 −5
 2 −3 0  
0
2 
8
b) A =  1  et B =  3 .
 0 −6  
2   1 3 6
   −1 5 
Solution a) On a : A + B =  2 − 3 −1+ 6  =  .
 −4 + 0 3 − 5   −4 −2
 7 
2 − 8
 3 
b) On a : A + B =  .
 3 3 0
2 
Propriété 1
L’addition de matrices est commutative : A + B = B + A.
Définition 4
La matrice opposée d’une matrice A = (aij )1≤ i ≤ n , 1≤ j ≤ p est la matrice, notée − A

définie par − A = ( −aij )1≤ i ≤ n , 1≤ j ≤ p dont tous les coefficients sont les opposés des
coefficients de A.
La matrice nulle de dimension n × p , notée 0 est la matrice dont tous les coeffi-
cients sont nuls.

 1 2
Exemple 2 Soit A =  . Déterminer son opposée.
 −3 4 
 −1 −2
Solution On a − A =  et A + ( − A ) = 0.
 3 −4 
Remarque La matrice A + ( −B ) se note A − B .
c) Multiplication par un nombre

Le produit d’une matrice par un nombre réel k est la matrice de même dimension
notée k ⋅ A dont les coefficients sont égaux au produit des coefficients de A situés
à la même place par le nombre k.
 2 −1 5 
 2 0
Exemple 3 Soient A =  et B =  −4 3 −2 .
 −1 4   
 1 2 4
Calculer 3 ⋅ A et 5 ⋅ B .
Solution On a :
 2 0   6 0 
3 ⋅ A =3 ⋅ = ;
 −1 4   −3 12 
E
 2 −1 5   10 −5 25 
E 5 ⋅ B =5 ⋅ −4 3 −2  = −20 15 −10 .
   
 1 2 4   5 10 20 
Remarque L’opposée de la matrice A est la matrice A multipliée par −1: − A = ( −1) ⋅ A.

On a : 0⋅ A = 0 et 1⋅ A = A.
d) Multiplication de matrices
Étude d’un exemple
 1 −2  3 5
Soient A =   et B =  .
 3 4   −1 6
Le produit de ces deux matrices d’ordre 2 est une matrice d’ordre 2 :
 m11 m12 
A ⋅B =   = M.
 m21 m22 
Pour calculer m11, il faut prendre en compte la première ligne de A et la première
colonne de B :
 3
(1 −2)  −1 et faire 1× 3+( −2) × ( −1)=5.
 

Pour calculer m12 , il faut prendre en compte la 1re ligne de A et la 2e colonne de B :
 5
(1 −2)  6 et faire 1× 5+( −2) × 6= − 7.
 
Pour calculer m21, il faut prendre en compte la 2e ligne de A et la 1re colonne de B :

 −3
( 3 4 )  1  et faire 3 × ( −3)+ 4 × 1= − 5.
 
Pour calculer m22 , il faut prendre en compte la 2e ligne de A et la 2e colonne de B :
 5
( 3 4 )  6 et faire 3 × 5+ 4 × 6=39.
 
 5 −7 
Finalement, A ⋅ B =  .
 −5 39 
Cas général
Le produit d’une matrice A de dimension n × p par une matrice B de dimension
p × q est la matrice de dimension n × q , notée A ⋅ B , dont le coefficient situé
à l’intersection de la i-ème ligne et de la j-ème colonne est égal au produit de
la i-ème ligne de la matrice A et de la j-ème colonne de la matrice B.
 b1j 
 b 
2j
B =
 
 
 bpj 
   
   
A =  ai 1 ai 2 aip  p
 
 ∑ k =1aik bkj  = AiB .
 
 
Remarque Le produit de deux matrices ne peut s’effectuer que si le nombre de colonnes de

la première matrice est égal au nombre de lignes de la seconde matrice.
Définition 5
 1 0 0 
 1 0   
On définit les matrices unités d’ordre 2, 3, ... par l 2 =  l =
 3  0 1 0 .
,
 0 1 
 0 0 1 
Lorsqu’il n’y a pas d’ambiguité sur l’ordre de la matrice identité, on note simplement I.
Exemple 4 Dans chacun des cas suivants, calculer A ⋅ B .

 4 7  2 −5
a) A =   et B =  .
 1 2  −1 3 
 4 7  1 0
b) A =   et B = I 2 =  .
 1 2  0 1

 2 4 0
 −5 3 2  −4 1 5 .
c) A =  et B =
 4 0 1  
 −1 3 2
 4 × 2 + 7 × ( −1) 4 × ( −5) + 7 × 3  1 1
Solution a) On a : A ⋅ B =  = .
 1× 2 + 2 × ( −1) 1× ( −5) + 2 × 3   0 1
 4 × 1+ 7 × 0 4 × 0+ 7×1   4 7 
b) On a : A ⋅ I 2 =  = = A.
 1× 1+ 2 × 0 1× 0 + 2 × 1   1 2 
c) On a :
 −5 × 2 + 3 × ( −4) + 2 × ( −1) − 5 × 4 + 3 × 1+ 2 × 3 − 5× 0 + 3× 5+ 2× 2 
A ⋅B =  
 4 × 2 + 0 × ( −4) + 1× ( −1) 4 × 4 + 0 × 1+ 1× 3 4 × 0 + 0 × 5 + 1× 2 
 −24 −11 19
soit A ⋅ B =  .
 7 19 2 
Remarque Dans ce dernier cas, B ⋅ A est impossible à effectuer.
Propriété 2
Pour toute matrice carrée A, on a A ⋅ I = I ⋅ A = A et 0. A = A . 0 = 0
Remarque Le produit de matrices n’est pas commutatif. En général, A ⋅ B ≠ B ⋅ A.

 4 7  2 −5
Exemple 5 Soient A =   et B =  Calculer A ⋅ B et B ⋅ A.
 1 2  −1 3 
 1 1  3 4
Solution On a A ⋅ B =   et B ⋅ A =  .
 0 1  −1 −1
Cas particulier : E as de la multiplication d’un vecteur ligne par une matrice. Il faut placer le
C
produit d’une vecteur avant :
matrice par un  1 −2
vecteur
(2 −6) ⋅  −4 3  = (26 −22).
 
 1 −2
Remarque Le produit  ⋅ ( 2 −6 ) est impossible à effectuer.
 −4 3 
E as de la multiplication d’une matrice par un vecteur colonne. Il faut placer le

C
vecteur après :
 5 −1  −2  −13
 0 2  ⋅  3  =  6  .
 −2  5 −1
Remarque Le produit   ⋅  est impossible à effectuer.
 3   0 2 

Cas particulier : Considérons le produit d’un vecteur ligne par un vecteur colonne suivant :
produit d’un vec-  
teur ligne par un ( )
U ⋅V = 2 −1  3  = 2 × 3 + ( −1) × 2 = 4.
 2 
vecteur colonne
Chaque matrice colonne ou ligne peut être vue 3
comme les coordonnées d’un vecteur du plan muni
2 v
d’un repère orthonormé : on dit que l’on identifie les
matrices colonnes ou lignes aux vecteurs
du plan. La 1
matrice U correspond au vecteur u de coordonnées

(2 ; − 1) et la matrice V au vecteur v (3 ; 2). En
identifiant aussi les matrices 1× 1 avec les nombres –1 1 2 3 4
réels, le produit
U ⋅V est alors le produit scalaire des u
vecteurs u et v . –2
e) Calcul algébrique sur les matrices carrées
Définition 6
Soit A une matrice non nulle d’ordre p. Soit n un entier naturel ; on définit la matrice
An par
 0
 A = I p
 An = A ⋅ A ⋅ ... ⋅ A si n ≥ 1.

 n fois
Remarque L’écriture A 0 n’a pas de sens si A est la matrice nulle.

 2 −1
Exemple 6 Soit A =  . Calculer A 2 et A 3 .
 1 3 
 2 −1  2 −1  3 −5  3 −5  2 −1  1 −18

Solution On a A 2 =  = et A 3 =  = .
 1 3   1 3   5 8   5 8   1 3   18 19 
Propriété 3
Pour toutes matrices A et B carrées de même ordre, pour tous réels k et k ′, on a

(k ⋅ A ) ⋅ (k ′ ⋅ B ) = (k × k ′ ) ⋅ ( A ⋅ B ).
Propriété 4
Associativité
Pour toutes matrices A, B et C carrées de même ordre, on a A ⋅ (B ⋅ C ) = ( A ⋅ B ) ⋅ C .
On écrit A ⋅ B ⋅ C .

Remarque On en déduit que pour tout entier naturel p et q, et toute matrice carrée non
( ).
q
nulle, A p +q = A p × Aq et A pq = A p
Propriété 5
Distributivité
• Pour toutes matrices A et B carrées de même ordre, pour tout réel k, on a
k ⋅ ( A + B ) = k ⋅ A + k ⋅B .
• Pour toute matrice A, pour tous réels k et k ′, on a (k + k ′ ) ⋅ A = k ⋅ A + k ′ ⋅ A.
• Pour toutes matrices A, B et C carrées de même ordre, on a :
A ⋅ (B + C ) = A ⋅ B + A ⋅ C et (B + C ) ⋅ A = B ⋅ A + C ⋅ A.
Notation : comme dans  on note AB pour A ⋅ B .

Les règles de calcul sont celles du calcul littéral habituel mais il faut faire attention
à la non commutativité du produit. Par exemple, regardons ce qu’il advient des
identités remarquables : soient A et B deux matrices carrées de même ordre :
( A + B )2 = A 2 + AB + BA + B 2 et ( A + B ) ⋅ ( A − B ) = A 2 + BA − AB − B 2.
En général, on ne peut pas simplifier davantage !
Exemple 7 Soient A et B deux matrices carrées d’ordre .
Calculer (I + A )3 et (I + A )( 5I + B ) − (I + A )(I + B )
Solution (I + A )3 = (I + A )2 (I + A ) ;
( )
on a : (I + A )3 = I + 2A + A 2 (I + A ) ;
(I + A )3 = I + 3A + 3A2 + A 3 ;
(I + A )(5I + B ) − (I + A )(I + B ) = (I + A )(5I + B − I − B ) = (I + A ) ( 4 I ) = 4I + 4 A.
5. Inverse d’une matrice

a) Définition
Définition 7
Soit A une matrice carrée d’ordre p. On dit que la matrice carrée B d’ordre p est
l’inverse de la matrice A si B ⋅ A = A ⋅ B = I p .
−1
La matrice B se note alors A .
S’il existe une matrice inverse de A, on dit que A est inversible.

Propriété 6
L’inverse d’une matrice, s’il existe, est unique.
Démonstration Soit A une matrice inversible ; on suppose qu’il existe deux matrices B et C telles
que B ⋅ A = A ⋅ B = I et C ⋅ A = A ⋅C = I .
Montrons que B =C.
On a C = C ⋅ I = C ⋅ A ⋅ B car A ⋅ B = I , or C ⋅ A = I d’où C = I ⋅ B = B .
 4 7  2 −7
Exemple 8 Soient A =   et B =  . Montrer que B est l’inverse de A.
 1 2  −1 4 
 4 7  2 −7  1 0
Solution On a A ⋅ B =  = = I 2 et
 1 2  −1 4   0 1
 2 −7  4 7  1 0
B ⋅A =  = = I2
 −1 4   1 2  0 1
donc B est la matrice inverse de A : B = A −1.

Ou encore A est la matrice inverse de B : A = B −1.
( )
−1
Remarque L’inverse de l’inverse d’une matrice est la matrice elle-même : A −1 = A.
Propriété 7
Soient A et B deux matrices inversibles, alors AB est inversible et l’inverse de AB est

B −1A −1 : ( AB )−1 = B −1A −1.
Démonstration On a B −1A −1AB = B −1IB = B −1B = I et ABB −1A −1 = A −1IA = A −1A = I donc la
matrice produit AB est inversible et B −1A −1 est bien son inverse.
b) Inversibilité des matrices d’ordre 2

Définition 8
Déterminant d’une matrice

 a b 
Le déterminant de la matrice A =   est le nombre réel noté det( A ) défini
 c d 
par det( A ) = ad − bc . On note :
a b
det( A ) = = ad − bc .
c d
Théorème 1
La matrice A est inversible si, et seulement si, det( A ) ≠ 0.

Démonstration La matrice A est inversible si, et seulement si, il existe une matrice M telle que
AM = MA = I .
 x x ′  1 0
On cherche une matrice M =  telle que AM =  . On calcule AM.
 y y ′   0 1
a b  x x ′   ax + by ax ′ + by ′ 
AM =  = .
 c d   y y ′   cx + dy cx ′ + dy ′ 
La condition AM = I équivaut aux deux systèmes linéaires suivants d’inconnues

respectives ( x ; y ) et ( x ′ ; y ′ ).
ax + by = 1 L1 ax ′ + by ′ = 0 L3
(S1)  et (S2 ) 
cx + dy = 0 L2 cx ′ + dy ′ = 1 L4
On suppose (a ; b ) ≠ (0 ; 0) et (c ; d ) ≠ (0 ; 0)
(si l’un des deux couples étaient (0 ; 0), soit L1, soit L4 seraient impossible et A
ne pourrait pas être inversible).

Le vecteur u ( −b ; a ) est un vecteur directeur des droites d’équation aX+bY = 1
et aX+bY = 0.

Le vecteur v ( −d ; c ) est un vecteur directeur des droites d’équation cX+dY = 1
et cX+dY = 0.
Chacun des systèmes (S1) et (S2 ) possèdent une unique solution si, et seule-
ment si, les vecteurs u et v ne sont pas colinéaires.

La condition de colinéarité des vecteurs u et v est ad − bc = 0, c’est-à-dire
det( A ) = 0.
E Montrons l’implication si det( A ) ≠ 0 alors A est inversible.
Supposons det( A ) ≠ 0, alors les systèmes (S1) et (S2 ) possèdent chacun une
unique solution que l’on obtient en combinant les équations. Par exemple,
d × L1 − b × L2 donne det( A )x = d .
De même, on obtient det( A )y = −c , det( A )x ′ = −b et det( A )y ′ = a d’où :
1 d −b 
M= .
det( A )  −c a 
On vérifie bien que MA = AM = I donc A est inversible et A −1 = M .

E ontrons l’implication réciproque : si A est inversible alors det( A ) ≠ 0 par contra-
M
position, c’est-à-dire montrons que si det( A ) = 0 alors A n’est pas inversible.

Si det( A ) = 0 alors les vecteurs u ( −b ; a ) et v ( −d ; c ) sont colinéaires.
Donc, les droites d’équations cartésiennes aX + bY = 1 et cX + dY = 0 sont paral-
lèles ; alors, comme ces droites ne sont pas confondues (O appartient à la 2e mais
pas à la 1re), le système (S1) n’a pas de solution donc A n’est pas inversible.
Finalement, on obtient le théorème et la propriété ci-dessous.
 a  b
Remarque Une matrice A est inversible si, et seulement si, ses vecteurs colonnes   et  
c  d 
ne sont pas colinéaires.

Propriété 8
 a b 
Si A =   et det( A ) = ad − bc ≠ 0 alors A est inversible et
 c d 
1  d −b 
A −1 = .
det( A )  −c a 
 3 −3
Exemple 9 Soit A =  . Montrer que A est inversible et déterminer son inverse A −1.
 1 2 
Solution On a det( A ) = 3 × 2 − 1x( −3) = 9 ; le déterminant de A est non nul, donc A est
1 
inversible et A −1 =  2 3  .
9  −1 3 
6. Suites de matrices
Les résultats de ce paragraphe nous serons utiles dans la suite du cours. Dans
une copie de devoir ou d’examen, ces propriétés ne pourront être utilisées sans
être redémontré(s).
a) Un 1er résultat
Le théorème suivant généralise un résultat concernant les suites géométriques.
Propriété 9
Soient S une matrice carrée non nulle et X 0 un vecteur ligne.

On considère la suite ( X n ) définie par X 0 et pour n ≥ 1, X n = X n −1S .
Pour tout n de , X n = X 0S n .
Démonstration Démontrons ce théorème par récurrence. Notons  (n) la proposition « X n = X 0S n ».

Initialisation
On a X 0 = X 0I = X 0S 0 donc la proposition est vraie au rang n = 0.
Hérédité
Soit k un entier naturel.
Supposons  (k) vraie. Alors : X k = X 0S k . On en déduit :
( )
X k +1 = X k S = X 0S k ⋅ S = X 0S k +1.
Ainsi  (k+1) est vraie et la suite de propositions est héréditaire.

Conclusion
Ainsi, par récurrence, pour tout n de , X n = X 0S n .

b) Convergence d’une suite de matrices
Définition 9
Soient (Mn ) une suite de matrices et M une matrice. On suppose que toutes les
matrices de la suite et M ont les mêmes dimensions. On dit que la suite (Mn )
converge vers M et on note lim Mn = M si pour chaque ligne i et chaque
n →+∞
colonne j, la suite des coefficients de (Mn ) correspondants converge vers le coeffi-
cient de M correspondant.
 1
3 1−  3 1
Exemple On a : lim  n = car
n →+∞    0 2
 2 × 0, 5n 2 
  1 
 lim 3 = 3 lim  1−  = 1
n →+∞ n →+∞  n
 .
 n →+∞ (
 lim 2 × 0, 5n = 0) lim 2 = 2 
n →+∞ 
Le résultat suivant nous sera utile dans la suite du cours.
Théorème 2
Soient S une matrice carrée et X 0 un vecteur ligne.

Si la suite ( X n ) converge vers un vecteur ligne X, alors X vérifie : X = XS.
Démonstration Démontrons ce théorème en dimension 3, mais la démonstration se généralise

sans difficultés à un ordre quelconque.
 a a ′ a ′′ 
On note : S =  b b ′ b ′′  et X n = ( x n y n z n ).
 
 c c ′ c ′′ 
Alors la relation X n = X n −1S se traduit par le système
 x n = ax n −1 + by n −1 + cz n −1

 y n = a ′x n −1 + b ′y n −1 + c ′z n −1 .
 z = a ′′x
 n n −1 + b ′′y n −1 + c ′′z n −1
La convergence de la suite ( X n ) vers un vecteur-ligne X = (α β γ ) , se tra-

duit (règles opératoires sur les limites et unicité de la limite) par le système
 α = aα + b β + c γ

 β = a ′α + b ′β + c ′γ , c’est-à-dire par l’égalité X = XS .
 γ = a ′′α + b ′′β + c ′′γ


7. Utilisation de la calculatrice
La TI-82 Stats.fr possède 10 variables de type matrice : [A] [B]……[I] [J].
La Casio Graph 35+ possède 26 variables de type matrice : A, B, ……, Z.
TI-82 Stats.fr Casio Graph 35+

2 9 4 
On choisit de créer la matrice carrée A =  7 
 5 3 .
6 1 8 
matrice
MENU (RUN) EXE F3
On peut aussi faire
(xMAT)
au lieu de
1 EXE
3 entrer 3 entrer
(indique la dimension de [A] ) 3 EXE 3 EXE EXE
2 entrer 9 entrer 4 entrer

2 EXE 9 EXE … 1
EXE 8 EXE
2nde quitter matrice EXIT EXIT
MENU (RUN) EXE

1 entrer
OPTN F2 (MAT) F1
(affiche la matrice [A])
(Mat) ALPHA A EXE
2 1 1

On choisit de créer la matrice carrée B = 1 1 2

 
 1 3 4 
EXIT EXIT F3
matrice 2
( MAT) ∇

EXE 3 EXE 3 EXE
3 entrer 3 entrer
EXE
2 entrer 1 entrer 1 entrer 2 EXE 1 EXE … 3
1 entrer 1 entrer 2 entrer EXE 4 EXE
Addition de deux matrices On additionne [A] et [B]
EXIT EXIT MENU

(RUN) EXE OPTN F2
2nde quitter matrice 1 +
(MAT) F1 (Mat) ALPHA
matrice 2 entrer
A + F1 (Mat)
ALPHA B EXE
Multiplication par un réel On multiplie [A] par 3
3 × matrice 1 entrer 3 × F1 (Mat)
(le × n’est pas obligatoire) ALPHA A EXE
Matrices particulières
Matrice identité d’ordre 3
MENU (RUN) EXE

matrice 5 3 ) entrer OPTN F2 (MAT) F6

dim
() F1 (Iden) → F6
3
dim
(en changeant le 3 en 2
on a I 2 ) () F1
(Mat) ALPHA I EXE
Noter les différences entre x MAT ; MAT et Mat ; le 1er est obtenu à partir de F3,
le 2nd à partir de F2, le 3e à partir de F1.

TI-82 Stats.fr Casio Graph 35+
Multiplication de deux matrices On multiplie [A] par [B]
MENU (RUN) EXE OPTN
× matrice 2 F2 (MAT) F1 (Mat)

matrice 1
entrer ALPHA A × F1
(Mat) ALPHA B EXE
On multiplie [B] par [A]
F1 (Mat) ALPHA B
matrice 2 × matrice 1 × F1 (Mat)
entrer
ALPHA A EXE
Élever une matrice à une puissance n On calcule [ A ]3
matrice 1 ^ 3 entrer
F1 (Mat) ALPHA A ^
(pour n = 2 on peut faire
3 EXE
matrice 1 x 2 entrer )
Inverse d’une matrice Inverse de [B]
F1 (Mat) ALPHA B
matrice 2 x −1 entrer SHIFT x −1 EXE
(la touche permet de faire défiler
Puis, éventuellement, F ↔ D
l’écran)
pour le mode décimal.
2 6
Inverse de C = 
3 9
−1
F1 (Mat) ALPHA C
matrice 3 x entrer
SHIFT x −1 EXE
(C n’est pas inversible)

On peut aussi utiliser le logiciel en ligne Xcas (voir exemple ci-dessous).
D Exercices d’apprentissage
Exercice 1 Produits
Lorsque cela est possible, calculer les produits A ⋅ B et B ⋅ A.
 1 −7
 2 4 1
a) A =  et B =  5 3  ;
 −1 2 3  
 −6 2 
 −1
b) A = ( 3 4 −1) et B =  2  .
 
 4
Exercice 2 Nombre de chemins de longueurs données

Reprenons le réseau routier de l’introduction ; la matrice de transition de ce
graphe est :
 0 0 1 1
 1 0 1 0
A= .
 0 1 0 1
 0 1 0 0
 
a) Calculer A 3 et A 4 .
b) Existe-t-il un chemin de longueur 3 reliant le sommet 4 au sommet 1 ?
c) Existe-t-il un chemin de longueur 4 reliant le sommet 4 au sommet 1 ?
d) Déterminer le nombre de chemins de longueur 3 et de longueur 4 du réseau
routier.

Exercice 3 Produit par une matrice diagonale
 −1 0 0
On considère la matrice diagonale D =  0 2 0 .
 
 0 0 5
a) Calculer le produit D ⋅ A dans les cas suivants :

 1 2 4  1 1 1
A = −2 1 3 puis A =  1 1 1 .
 
   
 7 −2 5  1 1 1
b) Que remarquez-vous ?
Exercice 4 Combinaisons de lignes

 1 −2 3 
On considère la matrice A =  −1 4 −2 . On appelle L1 sa première ligne,
 
 3 −4 5 
L2 sa deuxième ligne et L3 sa troisième ligne.
 1 0 0
a) Calculer le produit E × A avec E =  1 1 0 .
 
 0 0 1
Que pouvez-vous dire des première et troisième lignes de E ⋅ A ?

La deuxième ligne de E ⋅ A est la somme de la première ligne de A et de sa
deuxième ligne : on écrit L2 ← L1 + L2.
 1 0 0
b) Calculer le produit F ⋅ A avec F =  0 1 0 .
 
 −3 0 1
Que pouvez-vous dire des première et deuxième lignes de F ⋅ A ?

On écrit L1 ← L1 et L2 ← L2.
La troisième ligne de F ⋅ A est la somme de la première ligne de A multipliée par
−3 et de sa troisième ligne : on écrit L3 ← −3L1 + L3 .
c) Donner une matrice G telle que la première ligne et la troisième ligne de
G i A soient celles de A, et telle que la deuxième ligne de G ⋅ A soit 3L2 + L3 .
d) Effectuer les produits F ⋅ E ⋅ A et E ⋅ F ⋅ A.
Que remarquez-vous ? Quelles sont les combinaisons effectuées sur les lignes de A ?
 3 −1 5 
e) On considère la matrice B =  −1 5 −4  .
 
 2 −4 1 

On veut effectuer les combinaisons suivantes sur les lignes de B :
L1 ← L1 , L2 ← L1 + 3L2 et L3 ← 2L1 − 3L3 .
Par quelle matrice faut-il multiplier B ?
Exercice 5 Puissance de matrices diagonales

 1 0 0
a) On considère la matrice diagonale A =  0 2 0 .
 
 0 0 3
Calculer A 2 et A 3 . Quelle est l’expression de An ?

 a 0 0
b) On considère la matrice diagonale A =  0 b 0 où a , b et c ∈R.
 
0 0 c
 an 0 0
 
Montrer par récurrence sur n entier naturel que An =  0 bn 0 .
 
 0 0 c n 
Exercice 6 Puissance de matrices diagonalisables

On considère les matrices :
 3 1 2  1 1 1  1 0 −1  2 0 0
1
A = −1 5 2 , P = 1 −1 1 , Q = 1 −1 0 et D =  0 4 0 .
    
    2   
 1 1 4  −1 1 1 0 1 1   0 0 6
a) Vérifier que Q = P −1 et que A = PDQ.

On dit que l’on a diagonalisé la matrice A.
b) Montrer que pour tout n entier naturel, An = PD nQ.
c) En déduire l’expression des neufs coefficients de An en fonction de n.
Exercice 7 Puissance de matrices nilpotentes

0 1 2 
a) On considère la matrice N =  0 0 −1 .
 
0 0 0 
1) Calculer N 2 et N 3 .
2) Soit n un entier naturel, que pouvez-vous dire de N n ?
1 0 1
b) Soient M = 1 2 3  et N = I − M .

 
 −1 −2 −3

( )
1) Calculer M 3 . Simplifier alors (I − M ) ⋅ I + M + M 2 .
−1
2) En déduire que N est inversible et déterminer N .
Exercice 8 Puissance de matrices J

 1 1 1
a) On considère la matrice J =  1 1 1 .
 
 1 1 1
Calculer J 2 puis en déduire J 3 .
Soit n un entier naturel. Quelle est l’expression de J n en fonction de n et de J ?
 a a a
b) On considère la matrice A =  a a a  .
 
 a a a
Soit n un entier naturel. Déterminer An en fonction de n et de J.
c) On considère la matrice carrée J 4 d’ordre 4 dont tous les coefficients sont
égaux à 1. Soit n un entier naturel. Quelle sera l’expression de J 4n ?
Généraliser à une matrice carrée J p d’ordre p dont tous les coefficients sont
égaux à 1.

Calcul matriciel
3 et résolutions
de systèmes linéaires
Écrire un système linéaire sous la forme matricielle AX = B . Lorsque la matrice
−1
est inversible, la solution est alors X = A B .
Nous verrons que lorsque la matrice A est d’ordre 2 et inversible, on obtient les
formules de Cramer.
Cependant, en général, l’inverse d’une matrice n’est pas simple à déterminer ou,
dans certaines situations, la matrice A peut ne pas être inversible (en particulier,
si elle n’est pas carrée).
Nous présentons la méthode de Gauss sur la résolution d’un système linéaire à
trois inconnues et trois équations. Ses avantages sont de ne pas calculer l’inverse
de la matrice A et de s’appliquer à des systèmes où les nombres d’inconnues et
d’équations peuvent être différents (la matrice A n’est pas carrée).
On utilise cette méthode pour trouver des vecteurs stables. Nous serons ame-
nés dans les chapitres suivants à étudier la convergence de suites de vecteurs
lignes ( X n ) définies par récurrence par X n +1 = X n S avec X 0 donné et S une
matrice stochastique donnée. Lorsque cette suite converge, ce ne peut être que
vers un vecteur stable (d’après le théorème 2 du chapitre 2), c’est-à-dire vérifiant
X = XS d’où leur importance.
B Pour débuter
1. Exemple
On considère le système linéaire suivant :
 5x + 2y = 1
(S ) 
7x + 3y = −1.

 5 2 x  1
On pose A =   , X =   et B =   .
 7 3 y  −1
On vérifie que le système (S ) est équivalent à AX = B .
On a det( A ) = 5 × 3 − 2 × 7 = 1 ≠ 0 , donc la matrice A est inversible et X = A −1B
d’où :
 3 −2  1   5 
X = = .
 −7 5   −1  −12

2. Activité : méthode de Gauss
Remarque On utilise à différentes reprises dans l’activité suivante la propriété suivante.
Soient A une matrice carrée et M et N deux matrices telles que les produits A.M
et A .N aient un sens.
Si A est inversible alors A .M = A .N ⇔ M = N.
Cette équivalence n’est plus vraie si A n’est pas inversible.
Activité 1
Méthode de Gauss Écriture matricielle
 x + 2y + 2z = 3 L1 (S ) équivaut à AX = B avec

(S )  3 x + y − z = −2 L2  1 2 2   x   3 
 2x − y + z = 7 L3 A = 3 1 −1 , X =  y
   et B =  
      −2 
 2 −1 1   z   7 
Triangularisation Factorisation LU de A
On élimine l’inconnue x des lignes L2 et L3 par combi- On multiplie A et B par une matrice triangulaire
naison linéaire avec L1. inférieure (c’est-à-dire les coefficients sont nuls au
 x + 2y + 2z = 3 L1 dessus de la diagonale) E1.
  1 0 0 
(S )  5y + 7z = 11 L2 ← 3L1−L2
⇔  

 5y + 3z = −1 L3 ←2L1−L3 ( S ) E 1AX = E 1B avec E 1  3 −1 0 
=
 2 0 −1 
Question 1
Vérifier que E1 est inversible et que E1−1 = E1 .
Expliquer pourquoi puis vérifier que :
 1 2 2   3 
E1A =  0 5 7  et E B =  11  .
  1  
 0 5 3   −1 
On élimine l’inconnue y de la ligne L3 par combinai- On multiplie E1A et E1B par une matrice triangu-
son linéaire avec L2. laire inférieure E 2 .
 x + 2y + 2z = L1
3  1 0 0

(S )  5y + 7z = 11 L2 (S ) ⇔ E 2 E1 A X = E 2 E1 B avec E1 =  0 1 0 .
 
  0 1 −1
 4z = 12 L3 ←L2 −L3
Question 2
−1
Vérifier que E 2 = E 2 .
On pose U = E 2E1A , vérifier que :
 1 2 2   3 
U = 0 5 7  et E E B =  11  .
2 1 
  
 0 5 3   12 
La matrice U est triangulaire supérieure (upper).

On pose L = E1−1E 2−1 = E1E 2 .

Méthode de Gauss Écriture matricielle
Question 3
Vérifier que A = LU puis que L est triangulaire
inférieure (lower).
Vérifier que :
Le système est triangulaire supérieur. (S ) ⇔ UX = L−1B
Remontée Résolution
 z Si U est inversible (c’est-à-dire ne comporte pas

= 3
 de zéro sur sa diagonale), alors on peut écrire
 1
(S )  y = (11− 7z )= −2 X = U −1L−1B , mais, en pratique, on ne calcule pas
 5
U −1, on effectue la remontée.
 x = 3− 2y − 2z =1
C Cours
1. Systèmes 2 × 2
ax + by = α
On considère le système (S )  ,
 cx + dy = β
son écriture matricielle est AX = B avec
a b x  α
A=  , X =   et B =   .
c d  y  β
Si det( A ) ≠ 0 alors A est inversible et X = A −1B .

11  dd −−bb
On sait que AA−−11 == d’où
det((AA)) −−cc aa 
det
1 1
x= (d α − bβ ) et y = (aβ − c α ).
det( A ) det( A )
On remarque que :
 α b
d α − bβ = det  .
 β d 
On remplace la première colonne de A par le vecteur colonne B.
 a α
aβ − c α = det  .
 c β 
On remplace la deuxième colonne de A par le vecteur colonne B.

Finalement, on obtient les formules de Cramer.

Théorème 3
Formules de Cramer
 a b   x 
On considère le système (S ) AX = B avec A =   , X = 
 α 
 c d   y 
et B =  .
 β 
1  α b  1  a α 
Si det( A ) ≠ 0 alors x = det   et y = det  .
det( A )  β d  det( A )  c β 
Remarque Ce théorème est non exigible. Pour la rédaction le jour du bac, on peut calculer
A −1B après avoir remarqué que det A ≠ 0.
−4 x + 7y = 3
Exemple 10 1 On considère le système (S1)  .
 2x − 3y = 5
Montrer que ce système possède une unique solution puis la déterminer.
2 On considère les systèmes
−4 x + 3y = 7 −4 x + 3y = 7
(S 2 )  et (S 3 )  .
 8x − 6y = 5  8 x − 6 y = −14
Déterminer le nombre de solutions de ces systèmes puis les solutions si elles
existent.
 −4 7 
Solution 1 On calcule le déterminant de la matrice A =  du système :
 2 −3
det( A ) = −4 × ( −3) − 7 × 2 = −2.
Ce déterminant est non nul donc le système (S1) possède une unique solution
1 3 7  1  −4 3
x = − det   = 22 et y = − det  = 13.
2  5 −3 2  2 5 
L’ensemble des solutions de (S1) est donc S = {(22 ; 13)}.

 −4 3 
2 On calcule le déterminant de la matrice A =  des deux systèmes :
 8 −6
det( A ) = −4 × ( −6) − 8 × 3 = 0.
Le déterminant est nul : les vecteurs lignes de A sont colinéaires ; il reste à déter-
miner si les systèmes possèdent une infinité de solutions ou aucune.
On remarque que la deuxième ligne de la matrice A s’obtient en multipliant la
première par –2 mais 5 ≠ −2 × 7 donc le système S2 ne possède pas de solution.

 4 7
Par contre, S 3 possède une inifinité de solutions : tous les couples  x ; x + 
 3 3
4 7
où x décrit R , c’est-à-dire tous les points de la droite d’équation y = x + .
3 3
2. Méthode de Gauss
Théorème 4
Système AX = B
On considère le système (S ) AX = B .
Si la matrice A est inversible, alors le système possède une unique solution
X = A −1B .
Remarque Aucune notion concernant les déterminants de matrices carrées d’ordre N où

N ≥ 3 n’est à connaître, mais pour savoir si une matrice A est inversible, on
pourra utiliser la calculatrice ou un logiciel pour déterminer det (A). En effet, la
notion de déterminant se généralise et une matrice carrée est inversible si, et
seulement si, son déterminant est nul.
Le problème est que le calcul de l’inverse d’une grande matrice est généralement
difficile et coûteux. On préfère utiliser la méthode de Gauss.
Théorème 5
Factorisation LU
Tout système de la forme AX = B est équivalent à un système UX = L−1B avec U
matrice triangulaire supérieure et L matrice triangulaire inférieure inversible.
Ce théorème est admis et n’est pas exigible. La méthode de Gauss consiste à

écrire le système AX = B sous forme triangulaire UX = L−1B puis à déterminer X
par remontée. On illustre la méthode sur des exemples.
 −x + 2y − z = 3 L1

1) On considère le système (S ) −2x + 2y − z = 2 L2, soit AX = B avec
 x − y − z = 1 L3

 −1 2 −1 x  3
A =  −2 2 −1 , X =  y  et B =  2 .
     
 1 −1 −1 z  1

Avec la méthode de Gauss, on effectue les mêmes transformations sur les lignes
de A et sur celles de B, d’où l’idée de regrouper A et B dans une même matrice
A1 :
 −1 2 −1 3
A1 =  −2 2 −1 2 .
 
 1 −1 −1 1
On triangularise cette matrice.

On effectue les opérations suivantes sur les lignes L2 ← −2L1 + L2 et L3 ← L1 + L3
soit :
 1 0 0  −1 2 −1 3  −1 2 −1 3
A2 =  −2 1 0  −2 2 −1 2 =  0 −2 1 −4  .
    
 1 0 1  1 −1 −1 1  0 1 −2 4
Puis on effectue L3 ← L2 + 2L3 soit :
 1 0 0  −1 2 −1 3   −1 2 −1 3 
A3 =  0 1 0  0 −2 1 −4  =  0 −2 1 −4  .
    
 0 1 2  0 1 −2 4   0 0 −3 4 
La matrice A3 est triangulaire, le système associé est :
− x + 2y − z = 3

 −2y + z = −4 .
 −3z = 4

On effectue la remontée :
 1 
4 z 2 4
z = − , y = 2 + = 2 − = et x = 2y − z − 3 = 1 d′où X =  4 / 3  .
3 2 3 3  
 −4 / 3
On vérifie les résultats : AX donne bien B.

− x + 2y − z = 1 L1

2) On considère le système (S )  3x − y + 4z = −2 L2, soit AX = B
 x + 8y + 3z = 3 L3

 −1 2 −1   x   1 
avec A =  3 −1 4  , X =  y  et B =  −2  .
     
 1 8 3   z   3 

On regroupe A et B dans une même matrice A1 :
 −1 2 −1 1 
A1 =  3 −1 4 −2 .
 
 1 8 3 3

On effectue les opérations suivantes sur les lignes L2 ← 3L1 + L2 et L3 ← L1 + L3
soit :
 1 0 0  −1 2 −1 1   −1 2 −1 1
A2 =  3 1 0  3 −1 4 −2 =  0 5 1 1 .
    
 1 0 1  1 8 3 3   0 10 2 4 
Puis on effectue L3 ← −2L2 + L3 soit :
 1 0 0  −1 2 −1 1  −1 2 −1 1
A3 =  0 1 0  0 5 1 1 =  0 5 1 1 .
    
 0 −2 1  0 10 2 4   0 0 0 2
− x + 2y − z = 1

La matrice A3 est triangulaire, le système associé est  5y + z = 1.
 0 = 2

On arrive à une impossibilité : ce système ne possède pas de solution.
3) Reprenons le système précédent en remplaçant le dernier coefficient de B par 1.
− x + 2y − z = 1 L1

(S )  3 x − y + 4z = −2 L2 .
 x + 8y + 3z = 1 L3

On effectue les mêmes combinaisons, on arrive alors à :
 −1 2 −1 1
− x + 2y − z = 1
A3 =  0 5 1 1 associée au système  .
   5y + z = 1
 0 0 0 0
Après avoir vérifié que ces couples conviennent, on peut conclure que ce système
possède une infinité de solutions : les triplets ( 7y − 2 ; y ; 1− 5y ) où y décrit
R.
Les élèves ayant étudié la séquence Géométrie dans l’espace (séquence 10) de
l’enseignement de tronc commun remarquerons qu’il s’agit des points de l’es-
pace situés sur la droite d’intersection des plans d’équations L1 et L2 (on a
L3 = 2L2 + 5L1 donc L3 est vraie dès que L1 et L2 le sont).

3. A
pplications à la recherche
de vecteurs stables
Exemple 11 On s’intéresse à l’évolution au cours du temps d’un titre en bourse. Après obser-
vation sur une longue période, on constate que :
E le jour suivant une hausse, dans 20 % des cas le cours continue d’augmenter,
dans 20 % des cas, il diminue et dans 60 % des cas, il stagne ;
E le jour suivant une baisse, dans 30 % des cas, le cours augmente, dans 50 %
des cas, il continue de regresser et dans 20 % des cas, il stagne ;
E le jour suivant une stagnation, dans 10 % des cas, le cours augmente, dans
60 % des cas il régresse et dans 30 % des cas, il reste stable.
On peut représenter cette situation par un tableau à 3 lignes et 3 colonnes
Augmentation Régression Stagnation

Augmentation 20 % 20 % 60 %
Régression 30 % 50 % 20 %
Stagnation 10 % 60 % 30 %
 2 2 6
1
c’est-à-dire par la matrice stochastique S = 3 5 2 .
10  
 1 6 3
On suppose que le jour 0, le cours du titre augmente : on pose X 0 = (1 0 0) .
Le jour 1, le cours du titre suit la distribution suivante :
X 1 = X 0S = ( 0 , 2 0 , 2 0 , 6 ) .
Le jour 2, on a X 2 = X 1S = ( 0,16 0, 5 0, 34 ).
De manière générale, le jour n, on a X n = X n −1S . On a défini par récurrence une
suite de vecteurs lignes.
Question Calculer les termes suivants jusqu’à n = 10. Qu’observe-t-on ?
Solution On obtient :
X 3 = ( 0.216 0.486 0.298 ) ;

X 4 = ( 0.2188 0.465 0.3162) ;
X 5 = ( 0.21488 0.46598 0.31914 ) ;
X 6 = ( 0.214684 0.46745 0.317866 ) ;
X 7 = ( 0.2149584 0.4673814 0.3176602) ;
X 8 = ( 0.21497212 0.4672785 0.31774938 ) ;
X 9 = ( 0.214952912 0.467283302 0.317763786 ) ;
X 10 = ( 0.2149519516 0.467290505 0.3177575434 ).

Il semble que la suite ( X n ) converge vers la distribution suivante :
(21,5 % 46,7 % 31,8 %).
Si la suite ( X n ) définie par récurrence par X n = X n −1S converge, ce ne peut
être que vers un vecteur X * stable, c’est-à-dire tel que X *S = X *. Cherchons le
ou les éventuels vecteurs stables.
( )
On cherche X * = x y z tel que X *S = X * et tel que x + y + z = 1. On dit
alors que X * est un vecteur stable à gauche pour S et que X * est stochastique.
On obtient le système linéaire suivant :
 x + y + z = 1 L1

 2 3 1
 x + y + z = x L2
10 10 10


(S )  2 5 6 .
 x + y + z = y L3
 10 10 10

 6 2 3
 x + y + z = z L4

 10 10 10
soit AX = B avec
 1 1 1
 −8 3 1
   1
x  0
 10 10 10 
A= 2 −5 6  , X =  y  et B =   .
   0
 10 10 10  z  0
 
 6 2 −7 
 
10 10 10
On regroupe A et le second membre nul dans une même matrice A1 :

 1 1 1 1
 8 3 1 
− 0
 10 10 10 
 
 
A1 =  2 5 6 .
− 0
 10 10 10 
 
 
 6 2 7 
 − 0
10 10 10 
On multiplie les lignes L2 , L3 et L4 par 10 d’où :
1 0 0 0  1 1 1 1
 0 10 0 0   −8
8 3 1 0
A2 =   ⋅ A1 =  .
 0 0 10 0   2 −5 6 0
 0 0 0 10  6 2 −7 0
  

On effectue les opérations suivantes sur les lignes
L2 ← 8L1 + L2 , L3 ← −2L1 + L3 et L4 ← −6L1 + L4 soit :
 1 0 0 0  1 1 1 1  1 1 1 1
 8 1 0 0  −8 3 1 0  0 11 9 8
A3 =    = .
 −2 0 1 0  2 −5 6 0  0 −7 4 −2
 −6 0 0 1  6 2 −7 0  0 −4 −133 −6

On effectue les opérations suivantes sur les lignes

L3 ← 7L2 + 11 L3 et L4 ← −4L2 − 11 L4 soit :
1 0 0 0 1 1 1 1  1 1 1 1
0 1 0 0   0 11 9 8   0 11 9 8
A4 =    = 
 0 7 11 0   0 −7 4 −2  0 0 107 34 
 0 −4 0 −11  0 −4 −13 −6  0 0 107 34 
    
associée au système :
x + y + z = 1

 11y + 9z = 8.
 107z = 34

On effectue la remontée :
34 8 9z 50 23
z= , y= − = et x = 1− y − z = .
107 11 11 107 107
d’où le vecteur stable stochastique cherché est :

 23 50 34 
XX ** =  .
 107 107 107 
Remarque La méthode de Gauss s’applique aussi lorsque le système ne comporte pas le
même nombre d’équations et d’inconnues.
Dans notre système (S ) initial, on aurait pu remarquer que la ligne L4 était
inutile car elle est l’opposé de la somme L2 + L3 .
Le vecteur stable obtenu correspond à la distribution limite observée :
X * ≈ (21,5 % 46,7 % 31,8 %).
Le plus fréquemment, le cours de ce titre baisse ou stagne.

D Exercices d’apprentissage
Exercice 9 Écrire sous forme matricielle : AX = B les systémes suivants et les résoudre.
−3x + 4 y = 2
(S1)  ;
−5x + 8 y = −3
0,8 x + y = 0,6
(S 2 )  .
 76 x + 95y = 57
Exercice 10 Résolution de systèmes 3  3

Écrire sous forme matricielle AX = B les systèmes suivants et les résoudre.
 x + 2y − 3z = 20 L1 x + y + z = 1
 
(S1) −2x + 3y + z = 13 L2 ; (S2 ) 5 x + 6y + z = 4
 5x − y − 2z = −9 L3 x + 20 y − 75z = −18
 
2y − 3z = 20 L1 x + y + z = 1 L1

3y + z = 13 L2 ; (S2 ) 5 x + 6y + z = 4 L2 .
y − 2z = −9 L3 x + 20 y − 75z = −18 L3

Exercice 11 Recherche d’un vecteur stable

 0,58 0,3 0,12
On considère la matrice S =  0,3 0,1 0,6  .
 
 0,1 0,1 0,8 
On cherche X * = ( x y z ) tel que X *S = X * et tel que x + y + z = 1 .
a) Montrer que x, y et z doivent vérifier le système suivant :
 x + y + z = 1 L1
−4,2x + 3y + z = 0 L2

(S )  .
 3x − 9y + z = 0 L3
 1,2x + 6y − 2z = 0 L4
b) Résoudre ce système.

Matrices d’ordre 2,
4 systèmes dynamiques
à deux états
À partir d’un exemple, on introduit la modélisation à l’aide d’un graphe proba-
biliste d’un système à deux états A et B, qui évolue aléatoirement au cours du
temps. On ne considère que des systèmes dont l’état futur ne dépend que de
l’état présent et pas de son histoire.
On associe alors au graphe une matrice stochastique S dite « de transition », qui
résume les passages d’un état à l’autre.
À l’instant n, on appelle état probabiliste du système le vecteur ligne
Pn = ( pn q n ) où pn est la probabilité que le système soit dans l’état A et
q n = 1− pn est la probabilité que le système soit dans l’état B.
On montre à l’aide de la formule des probabilités totales que l’état probabiliste
Pn à l’étape n du système est défini par récurrence par : Pn +1 = Pn S d’où la
relation Pn = P0S n où P0 est l’état initial du système (d’après la propriété 9).
L’étude de l’évolution du système se ramène donc au calcul des puissances de la
matrice stochastique S.
Ensuite, on s’intéresse à la convergence de la suite des états probabilistes (Pn ).
Enfin, on utilise les outils introduits pour déterminer l’évolution de différents sys-
tèmes à deux états.
B Pour débuter : Évolution des

succès d’un joueur, modélisation
1. Présentation
Au départ, notre joueur a une probabilité égale à 0,3 de gagner sa partie de
matrixis, ensuite :
E s’il gagne une partie (G), il a une probabilité de 0,7 de gagner la suivante ;
E s’il perd une partie (P), il a une probabilité de 0,5 de perdre la suivante.

On peut représenter les trois premières parties par un arbre de probabilité :
0,7 G
G
0,7
0,3 P
G
0,5 G
0,3 0,3
P
0,5 P
0,7 G
G
0,7 0,5
0,3 P
G
0,5 G
0,5
P
0,5 P
Figure 4. Arbre de probabilité
Lorsque le nombre de parties devient important, cette représentation n’est plus
très appropriée. On utilise alors un graphe probabiliste.
2. Modélisation par un graphe probabiliste

Une partie ne peut être que dans deux états : gagnée (G) ou perdue (P).
E Si une partie est dans l’état gagné, la probabilité que la prochaine passe à l’état
perdu est de 0,3 et celle de rester dans l’état gagné de 0,7.
E Si une partie est dans l’état perdu, la probabilité que la prochaine passe à l’état
gagnant est de 0,5 et celle de rester dans l’état perdant de 0,5 aussi.
On représente l’évolution des parties par le graphe probabiliste suivant :
0,3
0,7 G P 0,5
0,5
Figure 5. Un exemple de graphe probabiliste

On associe à ce graphe une matrice S = (sij ) de dimension 2 × 2 telle que le
nombre sij situé sur la ligne i et la colonne j soit la probabilité de passer de l’état
i à l’état j. L’état 1 correspond à l’état gagné (G) et l’état 2 à celui perdu (P).
Cette matrice s’appelle la matrice de transition du graphe. Cette matrice est une
matrice stochastique, car tous ses coefficients sont des réels compris entre 0 et
1, et la somme des coefficients de chaque ligne est égale à 1. On a :
G P
G  0, 7 0, 3
S =
P  0, 5 0, 5
Remarque On peut considèrer la suite de variables aléatoires ( X n ) qui représente l’état de

la partie n : X n = 1 si la partie n est gagnée (G) et X n = 2 si elle est perdue (P).
La probabilité de passer de l’état i à l’état j à l’étape n est la même pour chaque
étape ; autrement dit, pour tout entier n ≥ 1 et pour tous i, j dans {1 ; 2},
P  X = i  ( X n +1 = j ) = P  X = i  ( X 1 = j ) = sij .
 n   0 
La suite des variables aléatoires ( X n ) forme ce que l’on appelle une chaîne de
Markov à deux états.
Point Andreï Andreïevitch Markov (1856-1922), mathématicien russe reconnu pour ses
historique travaux en probabilités.
3. M
odélisation de l’évolution
par des matrices
Il s’agit de répondre aux problèmes suivants :
E Problème 1 : Quelle est la probabilité pn de gagner la n-ième partie ?
E Problème 2 : Comment se comporte la suite ( pn ) ?
Nos problèmes consistent donc à définir la suite ( pn ) en fonction de n et à étu-
dier son comportement asymptotique (lorsque n tend vers l’infini).
On note Gn l’événement « gagner la n-ième partie » et Ln l’événement contraire

« perdre la n-ième partie ».
On a pn = P (Gn ) et donc 1− pn = P (Ln ). De plus, p1 = 0,3. Nos données
conduisent à l’arbre des probabilités suivant.

0,7 G
G
pn
0,3 P
0,5 G
1 – pn
P
0,5 P
Figure 6. Arbre de probabilité du joueur (graphe de la figure 5)
La formule des probabilités totales donne :

P (Gn +1) = PG (Gn +1) × P (Gn ) + PL (Gn +1) × P (Ln )
n n
c’est-à-dire :
pour tout n ≥ 1, pn +1 = 0,7 × pn + 0,5 × (1− pn ) (1).
De même, on obtient :
P (Ln +1) = PG (Ln +1) × P (Gn ) + PL (Ln +1) × P (Ln )
n n
soit :
pour tout n ≥ 1, 1− pn +1 = 0,3 × pn + 0,5 × (1− pn ) (2).
On note pour n ≥ 1, Pn le vecteur ligne ( pn 1− pn ). En particulier,

P1 = ( 0,3 0,7).
On dit que ces vecteurs lignes Pn sont stochastiques car leurs coefficients sont
positifs et leur somme est égale à 1.
Le vecteur Pn donne l’état probabiliste de la n-ième partie.
Les relations (1) et (2) donnent Pn +1 = Pn ⋅ S où S est la matrice stochastique
définie précédemment et i est le produit matriciel.
On en déduit (propriété 9) que Pn = P1 ⋅ S n −1 où S n −1 = S⋅
S⋅ ...
⋅S .
n −1 fois
Notre problème 1 se ramène alors au calcul de puissances de matrices, ici au
n
calcul de S avec n entier strictement positif.
Notre problème 2 se ramène à l’étude de la convergence de la suite de matrices
lignes (Pn ), définie par récurrence par P1 donné et Pn +1 = Pn ⋅ S . Il s’agit :
• d’une part, de trouver un « vecteur stable » (dans le langage matriciel, on
parle de vecteur propre associé à la valeur propre 1) : c’est-à-dire le vecteur
stochastique P * tel que P * = P *S : ceci revient à résoudre un système
linéaire ;
• d’autre part, de déterminer si la suite (Pn ) converge ou non ; si oui, on
montrerait que cela ne peut être que vers P *d'après le théorème 2.

Dans la partie suivante, nous allons introduire les outils de calcul matriciel néces-
saires pour résoudre ces deux problèmes. Nous reviendrons ensuite sur leur réso-
lution.
C Cours : Matrices stochastiques

d’ordre 2
1. Définition, matrice stochastique
Définition 10
Matrice stochastique
Une matrice stochastique est une matrice dont les coefficients sont compris entre 0
et 1 et dont la somme des coefficients de chaque ligne est égale à 1.
Les matrices stochastiques de dimension 2 × 2 sont de la forme :
 1− a a 
S = avec a ∈[0 ; 1] et b ∈[0 ; 1].
 b 1− b 
En effet, pour tout 1 ≤ i , j ≤ 2, sij ∈[0 ; 1] : les coefficients de S sont compris

 1  1
entre 0 et 1 ; et S   =   : la somme des coefficients de chaque ligne est égale
à 1.  1  1
2. G
raphe probabiliste associé à une matrice
stochastique
 1− a a 
Toute matrice stochastique S =  est une matrice de transition d’un
 b 1− b 
graphe probabiliste. Ce graphe définit l’évolution au cours du temps d’un sys-
tème dynamique à deux états A et B, dont les probabilités de changement d’état
sont indépendantes du temps.
1–a A B 1–b
b
Figure 7. Un graphe probabiliste à deux états

Il s’interprète de la manière suivante
à une étape de l’évolution, le système est dans l’état A, alors la probabilité de
E Si
rester dans l’état A à l’étape suivante est 1− a et celle de passer à l’état B est a.
à une étape de l’évolution, le système est dans l’état B, alors la probabilité
E Si
de rester dans l’état B à l’étape suivante est 1− b et celle de passer à l’état
A est b.
4. Calcul des puissances de S

a) Un théorème utile
Le théorème suivant est utile pour déterminer la puissance n-ième d’une matrice
stochastique. Il est admis, mais sa démonstration est proposée aux élèves dési-
reux d’approfondir ces notions dans le cadre de l’Accompagnement Personnalisé.
Ce résultat n’est pas une connaissance exigible du programme et lors des exer-
cices « type-bac », le calcul de l’élévation à la puissance n d’une matrice stochas-
tique 2 × 2 sera détaillé.
Théorème 6
 1− a a 
Soient a et b deux réels de ]0 ; 1[ et la matrice stochastique S =  .
 b 1− b 
n n
Pour tout n ∈N* , S = N + λ R où
1  b a  1  a −a 
λ = 1− (a + b ), N = et R = .
a + b  b a  a + b  −b b 
Remarques E Si (a ; b ) = (0 ; 0) alors S = I et pour tout n ∈N* , S n = I .
 1 0 
E Si (a ; b ) = (0 ; b ) alors pour tout n ∈N* , S n =  n n.
 1− (1− b ) (1− b ) 
 1− a )n 1− (1− a )n 
E Si (a ; b ) = (a ; 0) alors pour tout n ∈N* , S n =  ( .

 0 1 
 0 1
E Si (a ; b ) = (1 ; 1)
alors S =  et λ = −1 .
 1 0
( )
2 k
Alors S = I . On en déduit pour tout k de N , S 2k = S 2 = I k = I et
S 2k +1 = S 2k ⋅ S = I ⋅ S = S .
 2 / 5 3 / 5
Exemple 12 On considère la matrice S =  .
 4 / 5 1/ 5 
Soit n un entier non nul. Calculer les coefficients de S n .

Solution La matrice S est une matrice stochastique car ses coefficients sont compris entre
2 3
0 et 1 et la somme des coefficients de chaque ligne est égale à 1 : + = 1 et
1 4 5 5
+ = 1.
5 5 3 1
On peut appliquer le théorème avec a = et b = .
5 5
1  1 3 1  3 −3 1
La matrice N est N =   , la matrice R est R =  et λ = .
4  1 3 4  −1 1  5
  1
n
 1 
n
 1+ 3   3 − 3  
 5 
1 5
Pour tout n ∈N* , Sn =  .
4 n n 
 1−  1  1 
3+  
  5  5 
b) É
tude de l’évolution du système dynamique
de matrice S
Revenons à notre système dynamique à deux états (Figure 7), de matrice de
transition S.
a
1–a A B 1–b
On considère le vecteur ligne Pn = ( pn 1− pn ) où :

nombre pn de [0 ; 1], est la probabilité de l’événement An « le système est
E le
dans l’état A à l’instant n » :
pn = P ( An ) et :
nombre 1− pn est la probabilité de l’événement contraire Bn « le système
E le
est dans l’état B à l’instant n » :
1− pn = P (Bn ).
On a l’arbre des probabilités suivant :
1–a A
A
pn
a B
b A
1 – pn
B
1–b B
Figure 8. Arbre des probabilités (graphe de la figure 7)

La formule des probabilités totales donne :
P ( An +1) = PA ( An +1) × P ( An ) + PB ( An +1) × P (Bn )
n n
P (Bn +1) = PA (Bn +1) × P ( An ) + PB (Bn +1) × P (Bn )
n n
d’où les relations de récurrence sur pn = P ( An ) et 1− pn = P (Bn ) :

pn +1 = (1− a )pn + b (1− pn ) et 1− pn +1 = apn + (1− b )(1− pn ).
Elles se traduisent par l’égalité matricielle Pn +1 = Pn S ; appelons (1) cette égalité.

n
On en déduit (propriété 9) que pour tout n ≥ 0, Pn = P0S .
On a donc montré le théorème suivant :
Théorème 7
Soit un système dynamique à deux états A et B, de matrice de transition S.

Soit An l’événement « le système est dans l’état A à l’instant n » et Bn l’événement
contraire « le système est dans l’état B à l’instant n ». On considère le vecteur ligne
Pn = ( pn 1 – pn ) où pn = P ( An ) et 1 – pn = P ( Bn ).
Pour tout n ≥ 0, Pn = P0S n .
Or, d’après le théorème d’élévation à la puissance n des matrices stochastiques,

S n = N + λn R donc Pn = P0N + λn P0R .
Calculons P0N d’abord et ensuite P0R . On a :
P0N = ( p 1− p ) bb aa 

1
a+b 0 0
p b + (1− p )b p a + (1− p )a ) =
a +b(
=
1
0 0 0
1
a +b
( b a ).
0
Quel que soit le vecteur ligne P0 , c’est-à-dire quel que soit l’état initial du sys-
tème, P0N ne dépend pas de P0 , on note : P * = P0N .
Propriété 10
Le vecteur stochastique P * = 1 (b a ) est stable par S : P *S = P *.

a+b
 1− a a 
Démonstration On calcule P *S : P *S =
1
b a 
a +b
( )
 b 1− b 
.
1 b
Le premier coefficient de ce vecteur ligne est b × (1− a ) + ba =
a +b a +b
1 a
et le deuxième est ba + a × (1− b ) = . On vérifie bien que P *S = P *.
a +b a+b

Remarques On peut démontrer que si a et b sont non nuls, P * est le seul vecteur stochastique
stable, c’est-à-dire tel que P * = P * S .
Calculons P0R . On a :
P0R = ( p 1− p )
1
a +b 0 0
a −a 
−b b 
=
a +b(
1
p a − (1− p )b
0 0 −ap0 + (1− p0 )b )
 b b 
=  p0 − − p0 + .
 a + b a +b 
n
La matrice ligne P0R dépend de P0 . On obtient Pn = P * + λ P0R donc :
b  p  a  p 
pn = − λn  o − 1 et 1− pn = + λn  o − 1 .
a+b a+b  a+b a+b 
On suppose que a , b ∈]0 ; 1[ donc λ = 1− a − b ∈] − 1 ; 1[ et lim λn = 0,

donc : n →+∞
b a
lim pn = et lim 1− pn = .
n →+∞ a +b n →+∞ a +b
Chaque coefficient de Pn converge vers les coefficients de P * ; on écrit
lim Pn = P *.
n →+∞
Finalement, on obtient le résultat suivant :
Théorème 8
 1− a a 
Soient a et b deux réels de ]0 ; 1[ et la matrice stochastique S =  .
 b 1− b 
Soit Pn = ( pn 1− pn ) l’état à l’étape n du système en évolution de matrice de
transition S. La suite de matrices lignes (Pn ) converge vers un état P * stationnaire
indépendant de l’état initial P0 . On a :
lim Pn = P * avec P * =
n →+∞
1
a+b
( b a ) et P * = P *S .
Remarque On a lim S n = N . Pour n suffisamment grand, les lignes de S n sont donc

n →+∞
quasiment identiques à celles de N, c’est-à-dire à P *.
Remarques E Si (a ; b ) = (0 ; 0) alors S = I , donc le système reste dans l’état initial.

E Si(a ; b ) = (0 ; b ) avec b ≠ 0 (respectivement, (a ; b ) = (a ; 0) avec a ≠ 0),
alors l’état du système converge vers P * = (1 0 ) (respectivement P * = (0 1) ) :
quel que soit l’état initial, le système finit dans l’état A (respectivement B ).

 0 1
E Si (a ; b ) = (1 ; 1) alors S =  et λ = −1 .
 1 0
On a vu (remarque suivant le théorème de 6) que pour n pair : n = 2k, on a
S 2k = I et pour n impair : n = 2k+1, on a S 2k +1 = S .
2k
Donc pour n pair, on a P2k = P0S = P0 et pour n impair, on a
2k +1
P2k +1 = P0S = P0S .
On distingue alors deux cas :
a) Si le vecteur stochastique P0 = ( p1 p2 ) est tel que p1 = p2 =
1
alors
2
P0S = P0 . Le vecteur P0 est stable par S et la suite (Pn ) est constante égale à
P0, donc converge vers cet état stable.
b) Sinon, P0S = ( p2 p1) ≠ P0 et donc la suite (Pn ) des états est alternée, elle
ne converge pas.
D Pour conclure
1. É
volutions des succès d’un joueur,
résolution
Exercice 12 Revenons sur notre problème du joueur.
Pour n ≥ 1, Pn est le vecteur ligne ( pn 1− pn ). La suite (Pn ) est définie par :
 0,7 0,3
P1 = ( 0,3 0,7) et Pn = P1S n −1 avec S =  .
 0,5 0,5
1 Calcul de sn
1  5 3 1  3 −3
a) Vérifier que S = N + 0,2R où N =  et R =  .

8  5 3 8  −5 5 
2 2
b) Calculer N , R , N ⋅ R et R ⋅ N .
2
c) Calculer S et S 3 .
d) Montrer par récurrence sur n que pour tout n ≥ 1, S n = N + 0,2n R .
2 Probabilité de gagner la n-ième partie
5 2,6
a) On sait que Pn = P1S n −1. En déduire que pn = − × 0,2n −1.
8 8
b) Quelle est la probabilité de gagner la 3e partie, la 5e, la 8e, la 9e, la 10e ?
c) Que semble-t-il se passer pour les grandes valeurs de n ?
3 Comportement asymptotique de (Pn)
5
a) Montrer que lim pn = .
n →+∞ 8

3
b) Déduire que lim 1− pn = .
n →+∞ 8
On pose p * =
5
8
( )
et P * = p * 1− p * ; chaque coefficient de Pn converge donc
la suite de vecteurs (Pn ) et on écrit que lim Pn = P *.
n →+∞
c) Vérifiez que P *iS = P *.
On admet que la matrice ligne P * est l’unique état stable du graphe probabiliste,
il est indépendant de l’état initial P1 .
Remarque La suite ( pn ) est une suite arithmético-géométrique définie par récurrence par :
p1 = 0,3 et pour tout n ≥ 1, pn +1 = 0,2pn + 0,5.
Le point fixe de cette suite est le nombre P * tel que p * = 0,2p * + 0,5 ; on
5
trouve : p * = .
8
On définit alors la suite (un )n ≥1 par un = pn − p *.
La suite (un )n ≥1 est géométrique de raison 0,2.
En effet, pour tout entier n ≥ 1,
un +1 = pn +1 − p * = 0,2pn + 0,5 − ( 0,2p * + 0,5) = 0, 2( pn − p *) = 0, 2un .
n −1
Donc, pour tout entier n ≥ 1, un = u1(0, 2) d’où pn − p * = ( p1 − p *)(0, 2)n −1
5 2,6
soit pn = − × 0,2n −1.
8 8
2. Exercices d’apprentissage
Exercice 13 Graphe probabiliste, matrice, état stationnaire
On considère le graphe probabiliste suivant :
1/5
4/5 1 2 3/5
2/5
Figure 9. Un graphe probabiliste
1 Donner sa matrice de transition S.

2 Déterminer son état stationnaire P *.

Exercice 14 Les lancers francs d’Arthur
Lors de matchs de basket, Arthur se comporte de la manière suivante :

E S’il réussit un lancer franc, il a une probabilité de 0,8 de réussir le suivant.
E S’il rate un lancer franc, il a une probabilité de 0,6 de rater le suivant.
1 a) Représenter la situation à l’aide d’un graphe probabiliste.
b) Donner la matrice de transition de ce graphe.

2 Arthur n’a pas réussi son premier lancer franc. Quelle est la probabilité qu’il
réussisse le troisième ?
3 Quel est le taux de réussite de lancers francs d’Arthur ?
On pourra remarquer que la matrice de transition est la même que pour l’exer-
cice 13.

Matrices d’ordre N,
5 systèmes dynamiques
à N états avec N ≥ 3
À partir d’exemples, on étudie des systèmes à plusieurs états qui évoluent aléa-
toirement au cours du temps. On ne s’intéresse qu’à des systèmes où la proba-
bilité de changement d’état est indépendante du temps et ne dépend que de la
situation à l’instant précédent. Il s’agit d’observer que les méthodes développées
pour les systèmes à deux états se généralisent à des systèmes à N états.
Tout d’abord, en ce qui concerne la modélisation : ces systèmes dynamiques sont
modélisés par des graphes probabilistes. La matrice de transition S associée à
ces graphes est alors une matrice stochastique d’ordre N, le nombre d’états du
système.
L’état probabiliste Pn du système à un instant n est un vecteur ligne dont les
coefficients représentent la probabilité d’être dans un état i ∈{1 ; 2 ; ... ; N } à
l’instant n.
Il est encore défini par récurrence à l’aide de la formule des probabilités totales,
ce qui conduit à la formule explicite Pn = P0S n où P0 est l’état initial.
L’étude de l’évolution de ces systèmes nécessite alors le calcul de puissance des
matrices stochastiques S. Nous ne developpons pas ici de méthodes générales de
calcul de puissance de matrice. Nous nous limitons à une approche expérimen-
tale en utilisant des logiciels de calcul ou la calculatrice.
Enfin, il s’agit d’observer différents comportements de la suite des états du sys-
tème (Pn ). Existe-t-il toujours un unique état stable ? A-t-on toujours conver-
gence vers un état stable ? La recherche d’états stables du système est faite
expérimentalement ou par résolution d’un système linéaire. L’étude de la conver-
gence des lois de probabilité reste expérimentale.
B Pour débuter
1. Marche aléatoire sur le tétraèdre

On considère une sentinelle sur une tour carrée. Lors de sa ronde, à intervalles
de temps réguliers, elle choisit aléatoirement d’aller à l’un des trois coins de la
tour qu’elle n’occupe pas au moment de changer. L’évolution de sa position est
modélisée par le graphe probabiliste suivant.

1/3
N 1/3 E
1/3
1/3 1/3 1/3
1/3 1/3
1/3
O S
1/3
Figure 10. Graphe probabiliste, marche aléatoire sur un tétraèdre (1)
La matrice de transition associée à ce graphe est la matrice stochastique suivante :

N E S O
N  0 1/ 3 1/ 3 1/ 3
E  1/ 3 0 1/ 3 1/ 3 .
S=  
S  1/ 3 1/ 3 0 1/ 3
 1/ 3 1/ 3 1/ 3 0 
O  
Remarque Considérons le déplacement aléatoire, à des intervalles de temps réguliers, d’une

fourmi sur un tétraèdre suivant la règle : pour sa position à l’instant n + 1, elle
choisit équiprobablement l’un des trois sommets autre que celui qu’elle occupe
à un instant n. Cette marche aléatoire sur un tétraèdre se modélise par le même
graphe que celui de la sentinelle.
Pour un système dynamique à quatres états, on parle alors de marche aléatoire
sur un tétraèdre.
On note Nn l’événement la sentinelle est au Nord à l’étape n, de même on défi-
nit les événements E n , Sn et On .
On note Pn le vecteur ligne stochastique donnant l’état probabiliste du système
à l’étape n :
Pn = (P (Nn ) P (En ) P (Sn ) P (On )).
Activité 2 1 Expression de Pn en fonction de n
a) Montrer à l’aide de la formule des probabilités totales que pour tout entier
naturel n, Pn +1 = Pn S .
b) En déduire que pour tout n ≥ 0, Pn = P0S n .

2 Étude expérimentale
a) À l’aide d’un logiciel de calcul, calculer S 2 , S 3 , S 4 et S 10 .

b) Qu’observez-vous ?
3 Étude théorique
a) Vérifier que le vecteur stochastique P * = (1/ 4 1/ 4 )

1/ 4 1/ 4 est stable,
c’est-à-dire que P * = P *S .
b) Vérifier que S = QDQ −1 (on pourra utiliser la calculatrice ou un logiciel de
calcul) où :
1 0 0 0  1 1 0 0 
 0 −1/ 3 0 0  1 0 1 0 
D =  et Q =  .
0 0 −1/ 3 0  1 0 0 1 
0 −1/ 3  1 −1 −1 −1
 0 0  
On dit que S est diagonalisable.

c) Montrer que pour tout n ≥ 1, S n = QD nQ −1.
n
 1
d) En déduire que pour tout n ≥ 1, S n = N +  −  R où :
 3
 1/ 4 1/ 4 1/ 4 1/ 4   3 / 4 −1/ 4 −1/ 4 −1/ 4 

 1/ 4 1/ 4 1/ 4 1/ 4   −1/ 4 3 / 4 −1/ 4 −1/ 4 
N =  et R =  .
 1/ 4 1/ 4 1/ 4 1/ 4   −1/ 4 −1/ 4 3 / 4 −1/ 4 
 1/ 4  −1/ 4 −1/ 4 −1/ 4 3 / 4 
 1/ 4 1/ 4 1/ 4   
e) En déduire que (Pn ) converge et que lim Pn = P *.

n →+∞
Remarque Le vecteur ligne P * correspond à la loi uniforme sur un univers à 4 éléments.

La sentinelle a autant de chances de se trouver à un des quatre coins de la tour.
2. D
euxième marche aléatoire sur
le tétraèdre
À présent, lors de sa ronde, à intervalles de temps réguliers, notre sentinelle choi-
sit à pile ou face de se déplacer vers sa droite ou vers sa gauche ; elle ne peut plus
aller en diagonale. L’évolution de sa position est alors modélisée par le graphe
probabiliste suivant :

1/2
N 1/2 E
1/2 1/2 1/2 1/2
1/2
O S
1/2
Figure 11. Graphe probabiliste, marche aléatoire sur un tétraèdre (2)
La matrice de transition associée à ce graphe est la matrice stochastique sui-

vante :
N E S O
N  0 1/ 2 0 1/ 2
E  1/ 2 0 1/ 2 0 
S=  
S  0 1/ 2 0 1/ 2
 1/ 2 0 1/ 2 0 
O  
Activité 3 1 Étude expérimentale
a) À l’aide d’un logiciel de calcul, calculer S 2 , S 3 , S 4 et S 5 .

b) Qu’observez-vous?
2 Etude théorique
ontrer par récurrence que pour tout k ≥ 1, S 2k −1 = S = N − R et S 2k = N + R

a) M
avec :
 1/ 4 1/ 4 1/ 4 1/ 4   1/ 4 −1/ 4 1/ 4 −1/ 4 
 1/ 4 1/ 4 1/ 4 1/ 4   −1/ 4 1/ 4 −1/ 4 1/ 4 
N =  et R =  .
 1/ 4 1/ 4 1/ 4 1/ 4   1/ 4 −1/ 4 1/ 4 −1/ 4 
 1/ 4 1/ 4 1/ 4 1/ 4   −1/ 4 1/ 4 −1/ 4 1/ 4 
   
On pourra commencer par vérifier que SN = N et SR = −R .
b) E n déduire que pour tout n ≥ 1, S n = N + ( −1)n R .
érifier que le vecteur stochastique P * =
c) V ( 1/ 4 1/ 4 1/ 4 1/ 4 ) est
stable, c’est-à-dire que P * = P *S .
n considère la suite des états du système (Pn ) définie par Pn = P0S n avec P0
d) O
un vecteur stochastique quelconque et Pn = (P (Nn ) P (E n ) P (Sn ) P (On )).
La suite (Pn ) converge-t-elle ?
La convergence dépend-elle de P0 ? Vous pourrez distinguer plusieurs cas.

C Cours
Dans ce paragraphe, nous présenterons plusieurs exemples de systèmes dyna-
miques à N états avec N supérieur ou égal à 3 traités sous forme d’activités.
Aucune connaissance n’est exigible sur ces systèmes ; il s’agit d’illustrer la grande
variété de problèmes que l’on peut modéliser à l’aide de graphes probabilistes et
étudier à l’aide du calcul matriciel. Les attentes concernent la maîtrise des bases
du calcul matriciel vues au chapitre 2 pour étudier, au moins expérimentalement,
divers problèmes.
1. Urnes d’Ehrenfest
a) Modélisation
On considère deux urnes A et B contenant au total N boules, numérotées de 1 à N.
À chaque instant n (n entier naturel), on tire au hasard, de façon équiprobable, un
numéro entre 1 et N, et on change la boule correspondante d’urne. On s’intéresse
à l’évolution au cours du temps de ce système.
On note X n la variable aléatoire qui donne le nombre de boules dans l’urne A à
l’instant n (c’est-à-dire après n tirages).
On étudie le cas où N = 4 : les deux urnes contiennent au total 4 boules.
L’urne A à un instant n peut contenir soit 0, soit 1, soit 2, soit 3 ou soit 4 boules.
Elle peut être dans 5 états {0 ; 1 ; 2 ; 3 ; 4}. Le passage d’un état à un autre se
fait de la manière suivante :
E si l’urne A contient 0 boule à l’instant n, on tire nécessairement une boule de
B que l’on place dans A ;
1
E si l’urne A contient 1 boule à l’instant n, on a une probabilité de de tirer
3 4
cette boule et de la placer dans B et une probabilité de de tirer une boule
4
dans B et de la placer dans A ;
1
E si l’urne A contient 2 boules à l’instant n, on a une probabilité de de tirer
2
1
cette boule et de la placer dans B et une probabilité de de tirer une boule
2
dans B et de la placer dans A ;
E ...
On peut modéliser l’évolution du nombre de boules dans l’urne A par le graphe

probabiliste suivant :
1 3/4 1/2 1/4
0 1 2 3 4
1/4 1/2 3/4 1
Figure 12. Graphe probabiliste, urnes d’Ehrenfest

Sa matrice de transition est la matrice stochastique S de dimension 5 × 5 sui-
vante :
 0 1 0 0 0 
 1/ 4 0 3 / 4 0 0 
 
S =  0 1/ 2 0 1/ 2 0  .
 0 0 3 / 4 0 1/ 4 

 0 0 0 1 0 
On note Pn le vecteur stochastique donnant la loi de probabilité de la variable
aléatoire X n : le coefficient de la colonne j + 1 est la probabilité que l’urne A
contienne j boules à l’instant n, soit P ( X n = j ), j entier variant de 0 à 4.
On peut supposer que P0 = ( 0 0 0 0 1) , c’est-à-dire qu’initialement
toutes les boules sont dans l’urne A.
b) Étude de l’évolution de la répartition des boules

On s’intéresse aux problèmes suivants.
E Problème 1. Déterminer la loi de probabilité Pn du nombre de boules de
l’urne A, à l’instant n.
E Problème 2. Existe-t-il une loi stable P * c’est-à-dire telle que P * = P *S ? Est-
elle unique ?
E Problème 3. Est-ce que les lois (Pn ) du nombre de boules dans l’urne A
convergent ?
Point • P aul Ehrenfest (1880, Vienne - 1933, Amsterdam), physicien théoricien autri-
historique chien. Tatiana Alexeyevna Afanaseva (1876, Kiev - 1964, Leiden), mathémati-
cienne russe et danoise.
•H
istoriquement, le modèle de ces urnes fut introduit par Paul et Tatiana Ehren-
fest en 1907 afin d’illustrer certains « paradoxes » dans l’évolution de molé-
cules de gaz à l’intérieur d’un récipient partagé en deux compartiments. Au
début de l’expérience, toutes les molécules du gaz sont confinées dans le
compartiment de gauche. Lorsque l’on retire la paroi séparant les deux com-
partiments, les molécules se répartissent uniformément dans tout le volume
disponible. Il y a irréversibilité : on n’observe jamais un retour à l’état initial. Ils
se sont alors intéressés au problème 4.
Pour travailler en dimension finie, on suppose que l’on étudie le phénomène de
diffusion sur 2n étapes et on appelle Tn le temps de premier retour qui est une
variable aléatoire qui compte le nombre d’étapes pour revenir à l’instant initial.
E Problème 4. Est-ce que le temps moyen de premier retour à l’état initial où
toutes les boules se trouvent dans l’urne A est fini ? Si oui, quelle est sa valeur ?
On admet que le temps moyen de premier retour à l’état initial est la limite
lorsque n tend vers l’infini de l’espérance de la variable aléatoire Tn .
Ce problème est difficile, pour un nombre de boules N = 4, on admet que ce
temps moyen est égal à 16 étapes.
L’activité suivante se propose de répondre aux trois premiers problèmes.

Activité 4 Réponse au problème 1. Déterminons Pn .
1 Déterminons Pn +1 en fonction de Pn .
La formule des probabilités totales donne pour j entier variant de 0 à 4,

4
P ( X n +1 = j ) = ∑ P X
 n =i 
( X n + 1 = j ) × P ( X n = i ).
i =0
Interpréter chacun des termes et en déduire que Pn +1 = Pn S .

2 En déduire que pour tout entier n, Pn = P0S n .
Réponse au problème 2. Recherche d’une loi stable.

a) Déterminer la loi P * stable par S, c’est-à-dire le vecteur stochastique tel que
P * = P *S.
 1
b) Vérifier que la loi définie par P * est la loi binomiale   4 ;  .
 2
c) Calculer l’espérance de P *. Interpréter.
Réponse au problème 3. Étudions expérimentalement la convergence de

(Pn ).
1 À l’aide d’un logiciel de calcul formel, calculer P0S 2 , P0S 4 ,P0S 6 et P0S 20 , puis
P0S , P0S 3 ,P0S 5 et P0S 21 .
2 Qu’observez-vous? Est-ce que la suite (Pn ) semble converger ?
Cas général : N boules.
On admet que la loi stable est alors la loi binomiale   N ; 1 , on sait que
 2
N N
l’espérance de cette loi est , c’est-à-dire qu’en moyenne, il y a boules dans
2 2
l’urne A (et donc aussi dans l’urne B ).
Pour le problème 4, on admet que le temps moyen du 1er retour à l’état initial
P0 est 2N .
Lorsque N est petit (comme dans notre exemple où N = 4 ), le phénomène de diffu-
sion des molécules est réversible (pour N = 4, en moyenne toute les 16 étapes, les
boules se retrouvent toutes dans l’urne A), mais pour N grand (par exemple si N est
23
le nombre d’Avogadro N ≈ 6.02214 × 10 ), le temps moyen de premier retour à
l’état initial est si grand (plus grand que l’âge de l’univers) que l’on n’observe jamais
de retour à l’état initial : on dit que le phénomène de diffusion est irréversible.
2. Comment fonctionne Google ?

Cette partie cite des passages de différents articles de Michael Eisermann que
vous pourrez consulter dans leur version intégrale sur internet (par exemple, en
tapant Michael Eisermann Google sur votre moteur de recherche).

« Google [est] un moteur de recherche généraliste qui a eu un succès fulgurant
depuis sa création en 1998. Le point fort de Google est qu’il trie par ordre d’im-
portance les résultats d’une requête, c’est-à-dire les pages web associées aux
mots-clés cherchés. L’étonnante efficacité de cette méthode a fait le succès de
Google et la fortune de ses fondateurs, Sergey Brin et Lawrence Page. L’idée est
née lors de leur thèse de doctorat, puis publiée dans leur article1».
1 S. Brin et L. Page, « The Anatomy of a Large-Scale Hypertextual Web Search Engine », Stanford
University, 1998.
a) Q
ue fait un moteur de recherche ?
Quels sont les défis ?
« À première vue, le principe d’un moteur de recherche est simple : on copie
d’abord les pages web concernées en mémoire locale, puis on trie le contenu
(les mots-clés) par ordre alphabétique afin d’effectuer des recherches lexico-
graphiques. Une requête est la donnée d’un ou plusieurs mots-clés ; la réponse
est une liste des pages contenant les mots-clés recherchés. [...] la quantité des
documents à gérer est énorme et rien que le stockage et la gestion efficaces
posent des défis considérables. Et cela d’autant plus que les requêtes doivent
être traitées en temps réel : on ne veut pas la réponse dans une semaine, mais
tout de suite.
[...] L’énorme quantité des données entraîne un deuxième problème, plus délicat
encore : les pages trouvées sont souvent trop nombreuses : il faut donc choisir les
plus pertinentes. La grande innovation apportée par Google en 1998 est le tri des
pages par ordre d’importance. Ce qui est frappant est que cet ordre correspond
assez précisément aux attentes des utilisateurs.
Selon les informations fournies par l’entreprise elle-même, l’index de Google
porte sur plus de 8 milliards de documents web. Une bonne partie des informa-
tions répertoriées, pages web et documents annexes, changent fréquemment.
Il est donc hors de question de les faire classer manuellement, par des êtres
humains : ce serait trop coûteux, trop lent et jamais à jour. L’importance d’une
page doit donc être déterminée de manière automatisée, par un algorithme.
Comment est-ce possible ? »
b) Q
uel est le secret de Google ? Une judicieuse
modélisation mathématique !
Première idée Le web est un graphe.

L’ensemble des pages contenant les mots-clés forme un graphe : les états sont les
pages web W1, W2 , ..., WN . On trace un arc orienté de Wi vers W j si la page
Wi cite la page W j ; on considère alors que c’est un vote en faveur de la page
W j . On note l’existence de cet arc par i → j .
Il faut maintenant mesurer la pertinence d’une page : c’est-à-dire associer à une
page W j un nombre µ j qui est plus ou moins grand suivant la pertinence de
la page.

Deuxième idée Mesurer la pertinence par une marche aléatoire sur le graphe.
On considère la marche aléatoire du surfeur suivante. À une étape, si le surfeur se
trouve sur la page Wi qui comporte i liens, à l’étape suivante, il a une probabi-
lité uniforme de 1 d’être sur l’une des i pages citées.
i
Une page W j sera la plus pertinente si quel que soit le point de départ (n’importe
quelle page du graphe), la marche aléatoire sur le graphe converge vers une loi
de probabilité P * = ( µ1 ; µ2 ; ... ; µN ) où µ j est la plus forte probabilité.
Se pose alors le problème de l’unicité de cet état stable (on admet qu’il en existe
toujours au moins un pour les matrices stochastiques) et de la convergence vers
cet état stable.
Troisième idée La « téléportation » sur le graphe.

On modifie la marche aléatoire précédente afin de contourner les pages ou
groupes de pages sans issue (pour supprimer les états absorbants du graphe
probabiliste) et afin d’assurer la convergence.
c) Modélisation mathématique
Activité 5 Prenons l’exemple de Michael Eisermann : une requête donne N = 12 pages web
à hiérarchiser.
La structure du graphe suggère la hiérarchie suivante :
Figure 13. Exemple graphe de hiérarchisation de pages web

« Parmi les pages W1, W2 , W3 et W4 , la page W1 sert de référence commune et
semble un bon point de départ pour chercher des informations. Il en est de même
dans le groupe W9 , W10 , W11, W12 où la page W9 sert de référence commune
[observer la symétrie du graphe]. La structure du groupe W5 , W6 , W7 , W8 est
similaire, où W7 est la plus citée. À noter toutefois que les pages W1 et W9 ,
déjà reconnues comme importantes, font référence à la page W5 . On pourrait
ainsi soupçonner que la page W5 contient de l’information essentielle pour l’en-
semble, qu’elle est la plus pertinente. »
Une idée est de compter le nombre de votes en faveur d’une page : µ j est
le nombre de pages qui citent W j , c’est-à-dire le nombre d’arc i → j . Avec
l’exemple, on obtient :

J 1 2 3 4 5 6 7 8 9 10 11 12
µj 4 2 2 2 3 1 3 1 4 2 2 2
Les pages W1 et W9 sont alors classées avant W5 et W7 . Le problème est que

certaines pages émettent beaucoup de liens, ce qui diminue la valeur de leur
vote. Plus grave, on peut truquer le vote en ajoutant des pages sans intérêt qui
recommande une page que l’on veut valoriser.
Une première marche aléatoire
On considère la marche aléatoire du surfeur suivante : à une étape, si le surfeur
se trouve sur la page Wi qui comporte i liens, alors à l’étape suivante, il a une
probabilité uniforme de 1 d’être sur l’une des i pages citées.
i
Appelons X n la variable aléatoire qui représente le numéro de la page atteinte
par notre surfeur à l’étape n. Pour tout entier naturel n,
 1
 si i → j
P 
X = i  ( X n +1 = j ) = P  X =i  ( X 1 = j ) = sij =  i
 n   0  
 0 sinon.
j
 
 
La matrice S = i  sij  obtenue est la matrice de transition du graphe.
 
Notons Pn le vecteur stochastique représentant la loi de X n : pour j variant de 1

à N, le coefficient de la colonne j est la probabilité que le surfeur se trouve sur la
page numéro j à l’étape n, soit P ( X n = j ).
N
Par la formule des probabilités totales, on a P ( X n +1 = j ) = ∑ i =1 sij P ( X n = i )
c’est-à-dire Pn +1 = Pn S . Un raisonnement par récurrence montre alors que
Pn = P0S n où P0 est la position initiale du surfeur, par exemple s’il commence
sur la page W7 ,
on a P0 = (0 ; 0 ; 0 ; 0 ; 0 ; 0 ; 1 ; 0 ; 0 ; 0 ; 0 ; 0).
Déterminons la matrice S de notre exemple ; pour cela commençons par détermi-
ner les nombres i ,le nombre de liens i → j partant de Pi :
i 1 2 3 4 5 6 7 8 9 10 11 12
i 4 2 2 2 3 2 1 2 4 2 2 2

i/j 1 2 3 4 5 6 7 8 9 10 11 12
1 0 1/ 4 1/ 4 1/ 4 1/ 4 0 0 0 0 0 0 0 

2 1/ 2 0 1/ 2 0 0 0 0 0 0 0 0 0 
 
3  1/ 2 0 0 1/ 2 0 0 0 0 0 0 0 0 
 
4  1/ 2 1/ 2 0 0 0 0 0 0 0 0 0 0 
5  0 0 0 0 0 1/ 3 1/ 3 1/ 3 0 0 0 0  probabilité
 
6  1/ 2 0 0 0 0 0 1/ 2 0 0 0 0 0  
S= avec sij = de passer
7  0 0 0 0 0 0 0 0 0 0 0 0 
de P à P
 
8  0 0 0 0 0 0 1/ 2 0 1/ 2 0 0 0   i j
9  0 0 0 0 1/ 4 0 0 0 0 1/ 4 1/ 4 1/ 4
10  0 0 0 0 0 0 0 0 1/ 2 0 1/ 2 0 
 
11  0 0 0 0 0 0 0 0 1/ 2 0 0 1/ 2 

12  0 0 0 0 0 0 0 0 1/ 2 1/ 2 0 0 
1 Supposons que le surfeur parte de la page W7 , c’est-à-dire que

P0 = (0 ; 0 ; 0 ; 0 ; 0 ; 0 ; 1 ; 0 ; 0 ; 0 ; 0 ; 0).
a) À l’aide d’un logiciel de calcul, calculer P0S 5 , P0S 10 puis P0S 20 .
2 Supposons maintenant que le surfeur parte de la page W1, c’est-à-dire que
P0 = (1 ; 0 ; 0 ; 0 ; 0 ; 0 ; 0 ; 0 ; 0 ; 0 ; 0 ; 0).
a) À l’aide d’un logiciel de calcul, calculer P0S 5 , P0S 40 puis P0S 70 .
1
3 Vérifier que P * = (2 ; 1 ; 1 ; 1 ; 3 ; 1 ; 2 ; 1 ; 2 ; 1 ; 1 ; 1) est un vecteur
17
stochastique stable par S.
Compléments Le souci est que l’on n’a pas forcément unicité d’un état stable, ni convergence
vers cet état stable, ou que cet état stable n’est pas pertinent (cas d’un état
absorbant : une page sans issue qui ne se cite qu’elle-même).
Les mathématiciens allemands Ferdinand Georg Frobenius (1947-1917) et Oskar
Perron (1880-1975) ont montré le résultat suivant :
Théorème 9
Si une matrice stochastique S est strictement positive (c’est-à-dire tous ses coeffi-
cients sont strictement positifs) alors :
• la matrice S possède un unique vecteur stochastique P * strictement positif et
stable, soit P * = P *S ;
• pour tout vecteur stochastique P0 , la suite (Pn ) définie par Pn = P0S n converge
vers P *.
Remarque Leur résultat est plus fort, il suffit que S k soit strictement positive pour un entier
k donné.

D’où l’idée d’introduire une deuxième marche aléatoire sur le graphe des pages
sélectionnées, de sorte que la matrice de transition soit strictement positive.
Une deuxième On suppose que le surfeur se trouve sur la page Wi qui comporte i liens.
marche aléatoire À l’étape suivante,
 avec une probabilité c, il abandonne sa page actuelle Wi pour passer de
manière équiprobable vers l’une des N pages sélectionnées (Michael Eiser-
mann parle alors de « téléportation » sur une page selectionnée quelconque) ;
 avec une probabilité 1− c , il suit un des i liens de la page Wi .
Appelons X n la variable aléatoire qui représente le numéro de la page atteinte
par notre surfeur à l’étape n.
On admet que pour tout entier naturel n,
 c 1− c
 + si i → j
 N i
PX =i ( X n +1 = j ) = PX =i ( X 1 = j ) = sij = 
n 0 c
 sinnon.
 N
À partir de l’exemple précédent, on obtient pour les premières colonnes de la

matrice de transition :
Le nombre 1/ c s’interprète comme le nombre moyen de pages visitées avant de

se téléporter ; un choix admis est c = 0,15 correspondant à la visite en moyenne
de 6 pages avant de recommencer sur une page aléatoire.
Avec cette deuxième marche aléatoire, le problème de la pertinence des pages
sélectionnées se ramène au calcul de l’état stable d’une matrice stochastique
strictement positive, donc à la résolution d’un (gros, très gros...) système linéaire.
D Pour conclure
Exercice 15 Graphe probabiliste et matrice de transition

Pour chacun des graphes probabilistes ci-dessous, donner la matrice de transition S.
1/2 3/4
1/2 1 2 3 2/3
1/4 1/3
Figure 14. Exercice 15, graphe 1

0,8
0,2 1 2 0,1
0,7
0,9
0,3 3

0,6
0,1 1 0,2 2 0,5
0,3 0,3
0,2
3 0,8
Exercice 16 Graphe probabiliste et matrice de transition

Pour chacun des graphes suivants, déterminer les valeurs manquantes x, y et z
pour que le graphe soit un graphe probabiliste. Puis donner la matrice de tran-
sition.
3/4
x 1 2 2/7
y
0,7
0,4 1 2 x
y z
0,5
0,3 3

z
1 2 0,2
0,5
y
0,2 z y x
0,3 4 0,5 3
0,6
Exercice 17 La souris dans le labyrinthe
Une souris se déplace dans le labyrinthe 5

ci-contre. À chaque minute, elle 4
change de case en choisissant, de fromage
manière équiprobable, l’une des cases
adjacentes. Dès qu’elle atteint soit 1
la nourriture (case 5), soit sa tanière 2 3
(case 1), elle y reste. tanière
1 Représenter la situation par un graphe probabiliste.

2 Vérifier que sa matrice de transition S est :
 1 0 0 0 0 
 1/ 3 0 1/ 3 1/ 3 0 
 
S =  0 1/ 2 0 0 1/ 2 .
 0 1/ 2 0 0 1/ 2

 0 0 0 0 1 
3 On suppose que la souris se trouve initialement dans la case 2.
On note P0 le vecteur stochastique ( 0 1 0 0 0 ) et Pn = P0S n .

a) À l’aide d’un logiciel, calculer Pn pour n entier variant de 1 à 10.
b) Interpréter ces vecteurs. Qu’observez-vous ?

6 Synthèse
A Synthèse de la séquence
1. Matrices et opérations sur les matrices
a) Matrices
E ne matrice de dimension n × p
U est un tableau de nombres à n lignes et
p colonnes.
 a11 a12 a1p 
a a22 a2p 
A=
21
.
 
 
 an1 an 2 anp 
E Si n = p la matrice est dite carrée.
E La matrice unité d’ordre n est une matrice carrée à n lignes et colonnes dont
la diagonale principale est composée de 1 et dont les autres coefficients sont
nuls. Généralement, elle est notée I.
 1 0 0
 1 0
I2 =  , I 3 =  0 1 0 .
 0 1  
 0 0 1
E Une matrice stochastique d’ordre n est une matrice carrée dont les coefficients
sont compris entre 0 et 1, et dont la somme des coefficients de chaque ligne est
égale à 1. C’est une matrice de transition d’un graphe probabiliste.
b) Opérations
E ultiplication par un réel k d’une matrice : on multiplie par k chaque coeffi-
M
cient.
E ddition de matrices de mêmes dimensions : on ajoute les coefficients corres-
A
pondants.
E Multiplication de deux matrices A et B : lorsque le nombre de colonnes de A est
égal au nombre de lignes de B, le produit de la ligne i de A par la colonne j de
B donne le coefficient du produit A × B correspondant.
En général, le produit n’est pas commutatif : A ⋅ B ≠ B ⋅ A.

E Puissance n-ième d’une matrice carrée non nulle A :
A 0 = I p et An = A
⋅
A⋅ ...⋅
A si n ≥ 1.
n fois
E Inverse d’une matrice carrée : s’il existe une matrice B telle que A ⋅ B = B ⋅ A = I
−1
alors A est inversible et son inverse notée A est B.
c) Matrices 2 3 2
a b
E Si A= et det( A ) = ad − bc ≠ 0 alors A est inversible et
 c d 
1 d −b 
A −1 = .
det( A )  −c a 
d) Suites de matrices
Soient S une matrice carrée et X 0 un vecteur ligne.
E Pour tout n de N , X n = X 0S n .
E Si la suite ( X n ) converge vers un vecteur ligne X alors X vérifie : XS =X.
2. É
criture matricielle d’un système linéaire
et résolution
 a11x + a12y + a13z = b1 L1


Un système (S ) a21x + a22y + a23z = b2 L2 s’écrit AX = B avec
a x + a32y + a33z = b3 L3
 31
 a11 a12 a13  x  b1 

A = a21 a22 a23 , X = y et B =  b2  .
   
     
 a  z  b 
31 a 32 a 33  3
E S i la matrice A est inversible, alors le système admet une unique solution

X = A −1B .
E L a méthode de Gauss s’applique même lorsque A est non inversible. Elle
consiste à :
• triangulariser le système par combinaison linéaire des lignes :
AX = B ⇔ UX = L−1B avec U triangulaire supérieure ;
• déterminer le (ou les) solution(s) par remontée.

3. Marche aléatoire sur un graphe
a) Graphes à deux sommets
E L’évolution au cours du temps d’un système dynamique à deux états A et B,
dont les probabilités de changement d’état sont indépendantes du temps, est
modélisée par un graphe probabiliste de matrice de transition, une matrice
stochastiquue S.
a
1–a A B 1–b  1− a a 
S =
b  b 1− b 
Graphe probabiliste Matrice de transition
E Soit An l’évenement « le système est dans l’état A à l’instant n » et Bn l’évé-

nement contraire le système est dans l’état B à l’instant n. L’état probabiliste à
l’instant n du système est donné par le vecteur ligne :
Pn = ( pn 1− pn ) où pn = P ( An ) et 1− pn = P (Bn ).
Pour tout n ≥ 0, Pn = P0S n .

E Si a , b ∈]0 ; 1[ alors la suite des états probabilistes (Pn ) converge vers un
état P * stationnaire indépendant de l’état initial P0 . On a :
1
lim Pn = P * avec P * =
a +b
(b a ) et P * = SP *.
n →+∞
b) Graphes à N sommets
E L’évolution au cours du temps d’un système dynamique à N états, dont les pro-
babilités de changement d’état sont indépendantes du temps, est modélisée
par un graphe probabiliste à N sommets de matrice de transition, une matrice
stochastique S carrée d’ordre N.
E L’état probabiliste à l’instant n du système est donné par le vecteur ligne
Pn = (Pn ( j ))1≤ j ≤N où Pn ( j ) est la probabilité que le système soit dans l’état j
à l’instant n. Pour tout n ≥ 0, Pn = P0S n .
Compléments
E Si la matrice stochastique S est strictement positive (c’est-à-dire que tous ses
coefficients sont strictement positifs) alors la matrice S possède un unique vec-
teur stochastique P * strictement positif et stable, soit P * = P *S , et quel que
soit l’état initial P0 , la suite des états probabilistes (Pn ) converge vers P *.

B Exercices de synthèse
Exercice I Préparation au ROC
a b
Soient A =  . On se propose de démontrer que A est inversible si, et seu-
 c d 
 d −b 
lement si, ad − bc ≠ 0. Soient B =  .
 −c a 
a) Montrer que AB = BA = (ad − bc ) ⋅ I .
b) Montrer que si ad − bc ≠ 0 alors A est inversible.
c) On suppose que A est inversible et que ad − bc = 0. Montrer que B = 0.
Conclure.
Exercice II Puissances de matrices

 1 −3 6 
On considère la matrice A =  6 −8 12 .
 
 3 −3 4 
a) Montrer que A 2 = − A + 2I .
b) Montrer par récurrence que pour tout entier naturel n,
1  2 
An =  − an  A +  + an  I où (an ) est la suite géométrique de raison −2
3  3 
1
et de premier terme a0 = .
3
n
c) En déduire une expression de A en fonction de n.
Exercice III D’Alexandre Pouchkine à Markov…

Andrei Andreevich Markov, en 1913, considèra une suite de 20 000 caractères
russes pris dans Eugène Oneguine d’Alexandre Pouchkine. Il distingue entre les
voyelles et les consonnes. Il note que :
E probabilité qu’une voyelle soit suivie d’une consonne est de 0,872, et celle
La
qu’elle soit suivie d’une voyelle est de 0,128 ;
E La probabilité qu’une consonne soit suivie d’une voyelle est de 0,663, et celle
qu’elle soit suivie d’une consonne est de 0,337.
On peut représenter la situation par le graphe suivant :
0,872
0,128 V C 0,337
0,663
Figure 20. Graphe probabiliste des occurrences de voyelles et consonnes

1 Donner la matrice S de transition associée à ce graphe.
On note Pn le vecteur ligne ( pn 1− pn ) où pn est la probabilité que la n-ième

lettre du texte soit une voyelle, donc 1− pn est celle que ce soit une consonne.
Montrer que pour tout n ≥ 1, Pn = P1S n −1 .
2 Étude expérimentale
a) À l’aide de la calculatrice, calculer S 5 , S 10 , S 20 et S 50 .

u’observe-t-on ? La suite (Pn ) semble-t-elle converger ? Quel serait le vec-
b) Q
teur limite P * ?
3 Étude théorique
éterminer le vecteur ligne stochastique P * = (1− x x ) stable, c’est-à-dire

a) D
tel que P * = P *S .
b) Montrer que pour tout n ≥ 1, S n = N + ( −0,535)n R où
1  0,663 0,872 1  0,872 −0,872

N=   et R = .
1,535  0,663 0,872 1,535  −0,663 0,663 
c) En déduire que (Pn ) converge et que lim Pn = P *.

n →+∞
Remarque Le vecteur limite P * = ( 0,432 0,568 ) correspond aux fréquences de voyelles

(43,2 %) et de consonnes (56,8 %) dans un texte russe. Pour un texte en français,
on a P * = ( 0,456 0,544 ) et en allemand P * = ( 0,385 0,615).
Exercice IV Évolution du phosphore dans un écosystème

Pour étudier l’évolution de molécules de phosphore dans un écosystème, on
considère quatre états possibles :
E La molécule est dans le sol (état s) ;
E La molécule est dans l’herbe (état h) ;
E La molécule est absorbée par du bétail (état b), et
E La molécule est sortie de l’écosystème considéré (état e).
La matrice de transition S de ce système dynamique à quatre états est

s h b e
s  3/ 5 3/10 0 1/10 
h  1/10 2/ 5 1/ 2 0  .
S=  
b  3/ 4 0 1/ 5 1/ 20
 0 1 
e  0 0
On note :
E Sn l’événement « la molécule est dans le sol à l’étape n » ;
E Hn l’événement « la molécule est dans l’herbe à l’étape n » ;

E Bn l’événement « la molécule est absorbée par du bétail à l’étape n » et
E E n l’événement « la molécule est sortie de l’écosystème considéré à l’étape n ».
On note Pn le vecteur ligne stochastique donnant l’état probabiliste du système,
soit :
Pn = (P (Sn ) P (Hn ) P (Bn ) P (En )).
a) Tracer le graphe probabiliste modélisant la situation.

b) Quelle est, selon ce modèle, la probabilité que la molécule de phosphore passe
de l’herbe au bétail ? du sol à l’herbe ? de l’herbe à l’extérieur de l’écosys-
tème ?
c) Q
uelle est la probabilité que la molécule de phosphore passe de l’herbe à
l’extérieur du système en deux étapes? (Vous pouvez vous aider d’un arbre de
probabilité.)
2
a) (ROC) Montrer, à l’aide de la formule des probabilités totales, que Pn +1 = Pn S .

Puis, par récurrence, montrer que pour tout entier n, Pn = P0S n .
b) On suppose que la répartition initiale est P0 = (0,4 ; 0,2 ; 0,2 ; 0,2).
Calculer P1 puis P2. Interpréter ces vecteurs.
3
a) Calculer S n pour n = 10, puis n = 20 puis n = 50.

b) Qu’observe-t-on ?
c) Que peut-on en conclure ?
4 Supposons que lorsque la molécule sort de l’écosystème, on réintroduit du
phosphore dans le sol, ce qui conduit à la matrice suivante :
s h b e
s  3/ 5 3/10 0 1/10 
h  1/10 2/ 5 1/ 2 0 .
S=  
b  3/ 4 0 1/ 5 1/ 20 
 1/10 0 9 /10
e  0
a) Calculer S n pour n = 10, puis n = 20 puis n = 50.

b) À présent, qu’observe-t-on ?
c) Que peut-on en conclure ?

Exercice V Problème d’endémie
On s’intéresse à l’évolution de l’état d’une population par rapport à une maladie.
Un individu de la population peut être dans l’un des trois états suivants : Immu-
nisé (I), Malade (M) ou non malade et non immunisé (S). D’un mois à l’autre, son
état peut changer suivant les règles suivantes :
E Étant immunisé, il peut le rester avec une probabilité 0,9 ou passer à l’état (S)
avec une probabilité 0,1 ;
E Étant dans l’état (S), il peut le rester avec une probabilité 0,5 ou passer à l’état
(M) avec une probabilité 0,5 ;
E Étant malade, il peut le rester avec une probabilité 0,2 ou passer à l’état (I)
avec une probabilité 0,8.
1 Modélisation
a) Représenter la situation par un graphe probabiliste.

b) Vérifier que la matrice de transition est :
I M S
I  0,9 0 0,1
S =M  0,8 0,2 0  .
 
S  0 0,5 0,5
2 Évolution à court terme
On suppose qu’au départ l’individu est immunisé. On note P0 le vecteur stochas-

tique P0 = (1 0 0 ) et on note Pn le vecteur Pn = P0S n .
On admet que Pn est « l’état probabiliste de l’individu » au bout de n mois.
a) Calculer S 2 puis P2.
b) En déduire la probabilité que l’individu soit malade au bout de 2 mois.
3 Évolution à long terme
a) On suppose qu’au départ l’individu est immunisé. Déterminer, à l’aide d’un logi-
ciel de calcul, la probabilité qu’il soit malade dans un an, puis dans deux ans.
b) On suppose maintenant qu’au départ l’individu est non malade et non immu-
nisé. Déterminer la probabilité qu’il soit malade dans un an, puis dans deux ans.
c) Qu’observe-t-on ?
d) On veut déterminer le vecteur stochastique P * = ( x y z ) stable, c’est-
à-dire tel que P * = P *S . Montrer que P * est la solution du système linéaire
suivant :
 x + y + z = 1

0,1x − 0,5z = 0
 − 0,8 y + 0,5z = 0.


Résoudre ce système.
On admet que, quelles que soient les conditions initiales P0 , la suite (Pn )
converge vers P *.
e) En déduire la proportion d’individus malades dans la population étudiée.
Exercice VI La ruine du joueur

Deux joueurs A et B se lancent dans un jeu à plusieurs manches, chaque manche
étant équitable. On suppose que la somme de leur fortune est N euros. À chaque
manche, le joueur gagnant reçoit 1€ de l’autre joueur. Le jeu s’arrête lorqu’un des
joueurs est ruiné.
On note X n la variable aléatoire qui donne la fortune du joueur A à l’instant n
(c’est-à-dire après n manches).
Prenons N = 4 : la fortune de A à un instant n est un entier entre 0 et 4.
On peut modéliser l’évolution de la fortune de A par le graphe probabiliste sui-
vant :
1/2 1/2 1/2
1 0 1 2 3 4 1
1/2 1/2 1/2
Figure 21. La ruine du joueur
On note Pn le vecteur stochastique (Pn (0) Pn (1) Pn (2) Pn (3) Pn (4)) où

Pn ( j ) est la probabilité qu’à l’instant n, la fortune de A soit de j euros, c’est-à-
dire Pn ( j ) = P ( X n = j ). Autrement dit, le vecteur Pn est la loi de probabilité de
la variable X n .
1 Donner la matrice de transition S.
Montrer que pour tout entier n, Pn = P0S n .

2 À l’aide d’un logiciel de calcul, calculer S 10 , S 20 et S 50 . Qu’observez-vous ?
On admet que la suite de matrice (S n ) converge vers la matrice :

 1 0 0 0 0 
3/ 4 0 0 0 1/ 4 
 
S ∞ =  1/ 2 0 0 0 1/ 2  .
 1/ 4 0 0 0 3 / 4 

 0 0 0 0 1 
3 On suppose qu’initialement chacun des joueurs met en jeu 2 €, c’est-à-dire
P0 = ( 0 0 1 0 0 ).
a) Calculer P∞ = P0S ∞ .
b) Interpréter ce résultat.

4 On suppose maintenant que le joueur A met en jeu 1 €, c’est-à-dire :
P0 = ( 0 1 0 0 0 ).
a) Calculer P∞ = P0S ∞ .
b) Interpréter ce résultat.
On est ici dans une situation où la suite (Pn ) avec Pn = P0S n converge mais la
limite dépend de l’état initial P0 . Vous pouvez vérifier qu’il existe une infinité
d’états stables, ils sont de la forme P * = ( p 0 0 0 1− p ) avec p ∈[0 ; 1].
Au final, l’un des deux joueurs sera ruiné, et ce avec une probabilité qui dépend
de la répartition initiale des 4 €.
Exercice VII Bistochasticité et loi uniforme

On considère une matrice stochastique S telle que la somme des coefficients de
chaque colonne soit aussi égale à 1 ; on dit alors que la matrice S est bistochas-
tique. Par exemple, les matrices suivantes sont bistochastiques :
B D
B  0,7 0,3
S=
D  0,3 0,7
Microcrédit avec a = b = 30 %
N E S O
N  0 1/ 3 1/ 3 1/ 3
E  1/ 3 0 1/ 3 1/ 3
S=  
S  1/ 3 1/ 3 0 1/ 3
 1/ 3 1/ 3 1/ 3 0 
O  
Sentinelle sur une tour carrée - 1er cas
Montrer dans le cas général que la loi uniforme est toujours un vecteur stable
pour une matrice bistochastique.


Terminale - Spécialité - Séquence 2

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Terminale - Spécialité - Séquence 2

Transféré par

Droits d'auteur :

Formats disponibles

Séquence 2

1. Pré-requis Dans cette séquence, il s’agit de

© Cned – Académie en ligne

Soient A et B deux événements d’un univers Ω tels que P ( A ) ≠ 0.

On appelle probabilité de l’événement B, sachant que A est réalisé, le nombre

• Si A et B sont deux événements incompatibles (c’est-à-dire si A ∩ B = ∅), on a

Intersection de deux événements

Complémentaire d’un événement

PA(B) B : P (A ∩ B) = P(A)  PA(B)

© Cned – Académie en ligne

Règles d’utilisation d’un arbre pondéré

• On obtient la probabilité d’une intersection en multipliant les probabilités des

Soient A et B deux événements d’un univers Ω tels que P ( A ) ≠ 0 et P (B ) ≠ 0.

Deux événements A et B sont indépendants si et seulement si :

© Cned – Académie en ligne

Si deux événements A et B sont indépendants, alors

Cas particulier de la répétition d’expériences identiques

Il ne faut pas confondre les notions d’indépendance et d’incompatibilité qui

Si les événements A et B sont Si les événements A et B sont

3 Variable aléatoire (programme de 1re S)

La loi de probabilité d’une variable aléatoire X est donnée par :

© Cned – Académie en ligne

L’espérance de la variable aléatoire X est le nombre, noté E(X), défini par :

La variance V(X) et l’écart-type σ( X ) d’une variable aléatoire X sont définis par :

© Cned – Académie en ligne

La variable aléatoire X prend les n + 1 valeurs 0, 1,… , n avec les probabilités :

Limites de suites convergentes usuelles

• Toute suite constante de terme général égal à  est convergente vers  .

© Cned – Académie en ligne

Unicité de la limite d’une suite convergente

Opération sur les limites de suites convergentes

Compatibilité avec l’ordre

© Cned – Académie en ligne

Suites divergentes de limite infinie

Limites de suites divergentes usuelles

Limite d’une somme

© Cned – Académie en ligne

Limite d’un produit

Limite d’un quotient

© Cned – Académie en ligne

Cas des suites géométriques

• S i q > 1 alors la suite de terme général q n est divergente et on a lim q n = +∞.

Cas des suites monotones divergentes

© Cned – Académie en ligne

B Pour débuter : Un réseau routier

© Cned – Académie en ligne

Le nombre 1 situé ligne 1 et colonne 3 signifie l’existence d’un arc orienté 1→ 3.

Le nombre aij situé à l’intersection de la ligne i et de la colonne j s’appelle le

© Cned – Académie en ligne

Regardons le produit a13 × a32 = 1 : il existe un arc 1→ 3 et un arc 3 → 2 donc

© Cned – Académie en ligne

Pour aller plus loin

1. Vocabulaire des graphes

Dans la suite, nous ne considérerons que des graphes probabilistes.

© Cned – Académie en ligne

2. Matrice de transition d’un graphe

1 1 0 1 0  0,1 0,4 0 0,5 0 

La matrice M2 s’appelle une matrice stochastique car tous ses coefficients

© Cned – Académie en ligne

Matrices carrées d’ordre p

© Cned – Académie en ligne

4. Opérations sur les matrices

L’addition de matrices est commutative : A + B = B + A.

• Si A et B sont deux événements incompatibles (c’est-à-dire si A ∩ B = ∅), on a

PA(B) B : P (A ∩ B) = P(A) PA(B)

• On obtient la probabilité d’une intersection en multipliant les probabilités des

• Toute suite constante de terme général égal à est convergente vers .

• S i q > 1 alors la suite de terme général q n est divergente et on a lim q n = +∞.

1. Vocabulaire des graphes

E as de la multiplication d’une matrice par un vecteur colonne. Il faut placer le