CM CM CM TD Contrôles Continus TT TT TT TT TT (problème) TD TD TD TD Objectif général du cours • Apprendre à utiliser le langage mathématique pour résoudre des problèmes où interviennent des phénomènes biologiques • Apprendre les concepts de base et se familiariser avec les usages et les significations de ces concepts en fonction de la situation biologique Le plan des cours d’algèbre ‘Etude des phénomènes structurés en classes’ 1. Introduction aux matrices : exemples en dynamique de population CM 1
2. Les espaces vectoriels, les bases et les matrices : définitions et
opérations CM 1-CM 2
3. Les matrices pour résoudre des systèmes linéaires CM 2- CM3
4. Diagonalisation d’une matrice : applications en dynamique de
population et en génétique CM 3-CM 4
5. Normes et distances CM 4 Les cours de statistiques ‘Prise de décision sur un phénomène aléatoire’ • Statistiques descriptives • Estimation • Tests d’hypothèses • ANOVA • Régression linéaire Déterminisme et Hasard Peut-on prédire l’évolution au court du temps d’une population d’organismes vivants ?
La croissance
Déterminisme = reproduction, mortalité, etc.
Variabilité (« hasard ») = temps et succès de la reproduction, etc. Déterminisme et Hasard 120
Peut-on prédire
Nombre de bactéries (millions)
100
l’évolution 80
au court du temps 60
d’une population ? 40
20
0 0 1 2 3 4 5 6
temps (heures) Déterminisme et Hasard 1. Modèles du hasard 120
Nombre de bactéries (millions)
100
80
Se décider dans une 60
situation où le hasard 40
intervient 20
0 0 1 2 3 4 5 6
temps (heures)
outils = probabilités et statistiques Déterminisme et Hasard 2. Modèles déterministes 120
Nombre de bactéries (millions)
100
80
Faire le lien entre le phénomène 60
et les processus qui le 40
provoquent 20
0 0 1 2 3 4 5 6
temps (heures)
Outils : Fonctions et équations différentielles (1ère année) Matrices et systèmes linéaires (2ème année) Pourquoi des modèles en biologie ?
Une modèle est une solution à un problème et permet
de comprendre une situation biologique
Un instrument d’analyse : des hypothèses, des
mécanismes, des prévisions, un cadre pour faire des expériences 1. Introduction aux matrices : exemples en dynamique de population Croissance de la population chinoise :
modèle exponentiel en temps continu
(rappels) 1,28 milliards d’habitants en 2001. On prévoit que les taux de natalité et mortalité dans la période 2001-2005 seront stables; le taux de natalité est de 13‰ en 2001, tandis que le taux de mortalité est de 3‰. Nombre d’habitants en 2005 ?
(taux d’accroissement, r ,indépendent de n)
Solution n0 = 1,28 r = (13-3)/1000 = 0,01 Donc n = 1,33 milliards en 2005. Quand les générations ne se recouvrent pas et/ou les naissances arrivent simultanément (ou presque) Papillons, insectes univoltines, plantes annuelles, etc.
Nt+1 = R Nt Nt nombre de femelles à la génération t
R=sPm s = la sex-ratio (par exemple 0,5) P = la probabilité de survie d’une femelle au court d’un pas de temps t m = le nombre moyen de jeunes engendrés par une femelle (indépendent de N) Modèle exponentiel en temps discret Le modèle exponentiel discret Nt+1 = R Nt N1 = R N0 N2 = R N1 = R 2N0 … donc Nt = R tN0
R<1 la population décroît
R=1 la population reste égale à N0 R>1 la population croît de façon exponentielle Quand les organismes vivent longtemps et ont une fécondité qui dépend de l’âge ou du stade de développement
Est-ce que la croissance de la population peut
être décrite par un modèle exponentiel ? Modèles structurés par classes Hypothèses :
• A chaque âge/stade une classe i=1, 2, …
• Un pas de temps discret t : entre t et t+1 tous les
individus de la classe i passent dans la classe i+1
• Taux de fécondité et de mortalité indépendants du
nombre d’individus présents et de t (mais pas de i) Hirondelle de cheminée Deux classes d’individus :
• 1 an (fécondité moyenne = 3 juvéniles par femelle) • 2 ans ou plus (fécondité moyenne (MathSV série 3 pb 2) = 6 juvéniles par femelle)
20 % des juvéniles atteignent l’âge d’1 an
La survie des oiseaux de 1 an est de 0,49, celle des oiseaux de 2 ans ou plus est de 0,66
La sex ratio est de 0,5.
On compte les individus juste après les naissances * Juvénile = 0 à 1 an 1 an = 1 à 2 ans 2 ans et plus = 2, 3, 4 … ans
Juvéniles Juvéniles
1 an 1 an
2 ans 2 ans ou plus ou plus * Printemps été-automne-hiver Printemps Reproduction Survie Reproduction On compte les individus juste après les naissances Juvénile = 0 à 1 an n0t 1 an = 1 à 2 ans n1t 2 ans et plus = 2, 3, 4 … ans n2t
s = la sex-ratio (0,5) Pi = la probabilité de survie d’un individu, dans chaque classe i, au court d’un pas de temps mi = le nombre moyen de jeunes engendrés par une femelle dans chaque classe i sur un pas de temps On compte les individus juste avant les naissances * Juvénile = 0 à 1 an 1 an = 1 à 2 ans 2 ans et plus = 2, 3, 4 … ans
1 an 1 an
2 ans 2 ans ou plus ou plus
* Printemps été-automne-hiver Printemps Reproduction Survie Reproduction On compte les individus juste avant les naissances Juvénile = 0 à 1 an 1 an = 1 à 2 ans n1t 2 ans et plus = 2, 3, 4 … ans n2t Prédiction : Taux d’accroissement de la population >1 donc la population croît exponentiellement
300 Vérification : avec n1=2 et
population totale (n 1+n2)
250 n2=20 individus au temps t=0, 200
on peut suivre la population 150
n1+n2 au court du temps 100
50
0 0 10 20 30 40 50 Génération (t) Conclusion • Une prédiction basée sur une démonstration mathématique plutôt qu’ un long calcul ou des expériences à long terme impossibles à réaliser
• Outils : les matrices
Objectif dans les exemples en dynamique de population
Définir et calculer un taux d’accroissement à
partir de la matrice M pour connaître le devenir de la population à long terme 2.a Les espaces vectoriels
MathSV chapitre 1 Un vecteur Addition
multiplication par un scalaire Des espaces vectoriels 1. L’ensemble des vecteurs du plan
2. L’ensemble des réels n n
3. L’ensemble des nombres complexes C
n ,
4. L’ensemble des polynômes Pn
Un espace vectoriel Définition :
Un ensemble d’éléments (“vecteurs”) sur lesquels
on peut définir deux lois de compositions notées + (addition de deux éléments) et X (multiplication d’un élément par un scalaire) Vers la définition d’une base d’un espace vectoriel … Une combinaison linéaire
Les combinaisons linéaires des vecteurs
s’écrivent
où les ai sont des scalaires
Une famille génératrice • La famille des vecteurs e1 1, 0, 0 , e2 0,1, 0 et e3 0, 0,1 est une famille génératrice de IR3 car tout élément de l’espace vectoriel IR3 peut s’écrire comme une combinaison linéaire de cette famille. • La famille des vecteurs e1 1,1, 0 , e2 0,1, 0 et e3 0, 0,3 est une autre famille génératrice de IR3 (démonstration : MathSV « combinaisons linéaires, générateurs ») Une famille libre Une famille de vecteurs u1, , u p d’un espace vectoriel E est libre si ses vecteurs sont linéairement indépendants (on ne peut pas écrire l’un d’entre eux comme une combinaison linéaire des autres). Une base • Une famille de vecteurs d’un espace vectoriel u1 , , u p E est une base de E si elle est à la fois libre ET génératrice.
• La famille des vecteurs e1 1, 0, 0 , 3 e2 0,1, 0 et e3 0, 0,1 est une base de Base canonique Coordonnées d’un vecteur Si on se donne une base et un vecteur alors ce vecteur peut s’écrire de façon unique comme une combinaison linéaire des vecteurs de la base
Les ai sont les coordonnées de ce vecteur dans
cette base. Dimension
Dimension d’un espace vectoriel
= nombre de vecteurs dans chaque base 2.b Les matrices
MathSV chapitre 3 Exemples Une matrice (n,p) est un tableau contenant des réels avec n lignes et p colonnes
2 3 A 4 2 A : matrice de dimension (3,2) 1 0
Éléments de A a12 3 a31 1
Un vecteur colonne dans la base canonique de IR3 c1 2e1 4e2 e3 Un vecteur ligne dans la base canonique de IR 4e 2e 2 2 1 2
