Vous êtes sur la page 1sur 38

Algèbre

Muriel Ney
Laboratoire
Biométrie et Biologie Evolutive
ney@biomserv.univ-lyon1.fr

http://mathsv2.univ-lyon1.fr
Calendrier (sur MathSV)
02-02 09-02 16-02 23-02 01-03 08-03 15-03 22-03 29-03 05-04 12-04

CM CM CM   CM CM     CM CM CM  

TT     TT TT TT TT     TT  

TD         TD TD TD TD    

Evaluations (QCM)
19-04 26-04 03-05 10-05 17-05 24-05

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 e1   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

Vous aimerez peut-être aussi