Académique Documents
Professionnel Documents
Culture Documents
Terminale - Spécialité - Séquence 2
Terminale - Spécialité - Séquence 2
Calcul matriciel,
modèles probabilistes
Sommaire
Séquence 2 – MA03 1
Définition
Conséquences
card( A ∩ B )
• PA (B ) = lorsqu’il y a équiprobabilité.
card( A )
• PA ( A ) = 1, 0 ≤ PA (B ) ≤ 1.
Propriété
Propriété
Séquence 2 – MA03 3
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
Propriété
4 Séquence 2 – MA03
Union Intersection
Cas général P ( A ∪ B ) = P ( A ) + P (B ) − P ( A ∩ B ) P ( A ∩ B ) = P ( A ) × PA (B )
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
Séquence 2 – MA03 5
i =r
x r pr = ∑ x i pi .
i =1
Définition
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 ).
6 Séquence 2 – MA03
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
Séquence 2 – MA03 7
Propriétés
Propriété
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 .
8 Séquence 2 – MA03
Propriété
Propriété
La limite de la somme un + v n
lim v n
n →+∞
+∞ −∞
lim un
n →+∞
+∞ +∞
−∞ −∞
+∞ −∞
Séquence 2 – MA03 9
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
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
′
10 Séquence 2 – MA03
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
Propriétés
• 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.
Séquence 2 – MA03 11
1 2
3 4
Église Bar
Tabac-presse
Dépôt de pain
Figure 1. Un réseau routier
12 Séquence 2 – MA03
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
Séquence 2 – MA03 13
= 0 × 0 + 0 × 0 + 1× 1+ 1× 1= 2.
= 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
14 Séquence 2 – MA03
C Cours
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.
Séquence 2 – MA03 15
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
16 Séquence 2 – MA03
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
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.
Séquence 2 – MA03 17
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
Définition 4
18 Séquence 2 – MA03
−1 −2
Solution On a − A = et A + ( − A ) = 0.
3 −4
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
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.
Séquence 2 – MA03 19
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 .
20 Séquence 2 – MA03
Propriété 2
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
−2 5 −1
Remarque Le produit ⋅ est impossible à effectuer.
3 0 2
Séquence 2 – MA03 21
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
Propriété 3
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 .
22 Séquence 2 – MA03
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.
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.
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.
Séquence 2 – MA03 23
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
( )
−1
Remarque L’inverse de l’inverse d’une matrice est la matrice elle-même : A −1 = A.
Propriété 7
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.
a b
det( A ) = = ad − bc .
c d
Théorème 1
24 Séquence 2 – MA03
Séquence 2 – MA03 25
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
26 Séquence 2 – MA03
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 →+∞
Théorème 2
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
Séquence 2 – MA03 27
matrice
MENU (RUN) EXE F3
On peut aussi faire
(xMAT)
au lieu de
1 EXE
3 entrer 3 entrer
2 1 1
On choisit de créer la matrice carrée B = 1 1 2
1 3 4
EXIT EXIT F3
matrice 2
( MAT) ∇
28 Séquence 2 – MA03
Matrices particulières
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.
Séquence 2 – MA03 29
F1 (Mat) ALPHA B
matrice 2 × matrice 1 × F1 (Mat)
entrer
ALPHA A EXE
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)
30 Séquence 2 – MA03
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
Séquence 2 – MA03 31
b) Que remarquez-vous ?
32 Séquence 2 – MA03
an 0 0
Montrer par récurrence sur n entier naturel que An = 0 bn 0 .
0 0 c n
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
Séquence 2 – MA03 33
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.
34 Séquence 2 – MA03
A Objectifs du chapitre
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
Séquence 2 – MA03 35
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
36 Séquence 2 – MA03
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
On remarque que :
α b
d α − bβ = det .
β d
a α
aβ − c α = det .
c β
Séquence 2 – MA03 37
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
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.
38 Séquence 2 – MA03
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 .
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.
Séquence 2 – MA03 39
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
− 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
40 Séquence 2 – MA03
−1 2 −1 1
A1 = 3 −1 4 −2 .
1 8 3 3
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
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
−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).
Séquence 2 – MA03 41
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 :
42 Séquence 2 – MA03
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
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
Séquence 2 – MA03 43
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
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
44 Séquence 2 – MA03
−3x + 4 y = 2
(S1) ;
−5x + 8 y = −3
0,8 x + y = 0,6
(S 2 ) .
76 x + 95y = 57
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.
Séquence 2 – MA03 45
A Objectifs du chapitre
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.
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.
46 Séquence 2 – MA03
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.
0,3
0,7 G P 0,5
0,5
Figure 5. Un exemple de graphe probabiliste
Séquence 2 – MA03 47
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).
48 Séquence 2 – MA03
0,5 G
1 – pn
P
0,5 P
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).
Séquence 2 – MA03 49
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.
1− a a
S = avec a ∈[0 ; 1] et b ∈[0 ; 1].
b 1− b
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
50 Séquence 2 – MA03
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
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
Séquence 2 – MA03 51
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
1–a A
A
pn
a B
b A
1 – pn
B
1–b B
52 Séquence 2 – MA03
Théorème 7
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
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
Séquence 2 – MA03 53
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
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 .
54 Séquence 2 – MA03
D Pour conclure
1. É
volutions des succès d’un joueur,
résolution
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
Séquence 2 – MA03 55
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
1/5
4/5 1 2 3/5
2/5
Figure 9. Un graphe probabiliste
56 Séquence 2 – MA03
On pourra remarquer que la matrice de transition est la même que pour l’exer-
cice 13.
Séquence 2 – MA03 57
5 systèmes dynamiques
à N états avec N ≥ 3
A Objectifs du chapitre
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
58 Séquence 2 – MA03
N 1/3 E
1/3
1/3 1/3 1/3
1/3 1/3
1/3
O S
1/3
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 .
Séquence 2 – MA03 59
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 :
60 Séquence 2 – MA03
N 1/2 E
1/2
O S
1/2
Séquence 2 – MA03 61
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 ...
62 Séquence 2 – MA03
Séquence 2 – MA03 63
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.
64 Séquence 2 – MA03
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 !
Séquence 2 – MA03 65
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 :
66 Séquence 2 – MA03
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
Séquence 2 – MA03 67
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
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.
68 Séquence 2 – MA03
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
D Pour conclure
Séquence 2 – MA03 69
0,7
0,9
0,3 3
0,3 0,3
0,2
3 0,8
0,7
0,4 1 2 x
y z
0,5
0,3 3
70 Séquence 2 – MA03
y
0,2 z y x
0,3 4 0,5 3
0,6
Figure 19. Exercice 16, graphe 3
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
Séquence 2 – MA03 71
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 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.
72 Séquence 2 – MA03
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.
On considère la suite ( X n ) définie par X 0 et pour n ≥ 1, X n = X n −1S .
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
Séquence 2 – MA03 73
a
1–a A B 1–b 1− a a
S =
b b 1− b
Graphe probabiliste Matrice de transition
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 *.
74 Séquence 2 – MA03
0,663
Séquence 2 – MA03 75
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 » ;
76 Séquence 2 – MA03
Séquence 2 – MA03 77
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.
78 Séquence 2 – MA03
Séquence 2 – MA03 79
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
Montrer dans le cas général que la loi uniforme est toujours un vecteur stable
pour une matrice bistochastique.
80 Séquence 2 – MA03