M ODLISATION MATHMATIQUE
POUR L COLOGIE , L ENVIRONNEMENT ET L CONOMIE
Jean-Ren CHAZOTTES
Remember that all models are wrong ; the practical question is how
wrong do they have to be to not be useful.
B OX & D RAPER
Empirical Model-Building (1987), Wiley.
1 Gnralits 5
4 Limiter la croissance 47
4.1 Le processus de Bienaym-Galton-Watson densit-dpendant . . 47
4.2 Le modle logistique dterministe temps continu . . . . . . . . . 52
4.3 Une version stochastique du modle logisitique . . . . . . . . . . . 56
4.4 Le modle logistique dterministe temps discret . . . . . . . . . 58
4.5 Notes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5 Interactions 65
5.1 Proies & prdateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.2 Comptition & coopration . . . . . . . . . . . . . . . . . . . . . . . 82
5.3 Systmes diffrentiels pour lcologie . . . . . . . . . . . . . . . . . 85
5.4 Modles alatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
v
vi TABLE DES MATIRES
Bibliographie 263
Premire partie
M ODLES DE BASE
& LEUR MISE EN PERSPECTIVE
1
3
N (t k+1 ) = N (t k ) + k (N (t k )).
Les phnomnes fondamentaux qui dterminent ces variations sont les nais-
sances, les morts, et les migrations (dans un sens trs gnral). Construire un
modle cest faire des hypothses sur les causes qui gouvernent les naissances
5
6 CHAPITRE 1. GNRALITS
et les morts.
Mais cest aussi dcider de la nature de N (t k ) :
fonction dterministe du temps ?
variable alatoire ?
Et cest enfin dcider ce que signifie :
est-ce un pas de temps fix (un jour, une anne, etc) ? (temps discret)
ou bien va-t-on faire tendre vers 0 ? (temps continu)
Il est vident que dcrire des populations uniquement par leur abondance est
une grande simplification et que de meilleurs modles doivent prendre en compte
dautres aspects. Pour nen citer que deux : la distribution en ge des indivi-
dus joue un rle important (taille, maturit sexuelle, etc) ; la rpartition gogra-
phique (pensons par ex. des proies qui ont un refuge, etc). Autrement dit, sin-
tresser uniquement leffectif dune population, cest considrer ses membres
comme indiscernables ou bien quon observe une sous-population homogne.
Les questions de base de lcologie sont de comprendre la persistance ou
bien la rsilience dun cosystme ; la stabilit dune niche cologique ; lextinc-
tion dune espce ; ladaptation dune espce son milieu ; les fluctuations des
populations (priodiques ou au contraire erratiques) ; si la complexit est une
source de stabilit pour une communaut ; etc. Les influences sexerant sur
une communaut ou une population sont multiples et de nature diverse : pol-
lution par lhomme, fragmentation dun habitat (exploitation forestire), pche
excessive, caprices de la mto, mutations gntiques, changement climatique,
etc. Certaines de ces influences ont un caractre dterministe tandis que dautres
sont de nature alatoire.
Les premiers modles mathmatiques en cologie remontent aux annes
1920, avec Lotka et surtout Volterra. Pour diverses raisons, ce sont dabord des
modles bass sur quations diffrentielles, c.--d. des modles purement d-
terministes, qui ont t proposs. Une modlisation stochastique semble pour-
tant plus approprie pour tenter de dcrire les systmes cologiques quune
modlisation dterministe qui ne capture que des effets de moyenne. Il ne
faut cependant pas conclure htivement que les modles dterministes sont
rejeter : les modles stochastiques, de par leur richesse, ont linconvnient
quils sont souvent plus difficiles tudier. En sappuyant sur des phnomnes
probabilistes (du type loi des grands nombres ou thorme limite central) qui
font que certains caractres alatoires ont tendance seffacer, si la popula-
tion est grande, on est souvent conduit aux modles dterministes dans les-
quels une variable alatoire est remplace par certaines de ses valeurs typiques
comme la moyenne ou la variance. Par contre, si la population passe en des-
sous dun certain seuil, le modle dterministe perd sa pertinence car leffet
des fluctuations devient majeur et peut conduire lextinction.
7
Mentionnons quelques livres que le lecteur peut consulter et qui nous ont
partiellement inspir : [BCC01, Bri03, EK05, HJV07, HS98, Kot01, Pie77, Ren11].
Chapitre 2
Reproduction alatoire
en temps discret
1. c.--d. des plantes fleurs (le pommier par exemple) qui portent, dans la mme fleur, les
organes sexuels mles et femelles (tamine et pistil).
9
10 CHAPITRE 2. REPRODUCTION ALATOIRE EN TEMPS DISCRET
individus et quelle ne dpend pas des gnrations. Bien entendu, nous verrons
plus tard des modles o ces hypothses sont relches.
X
(2.2) m E[] = jpj.
j =1
Par hypothse, E[kt ] = m pour tout t et pour tout k. Dans le cas de la division
cellullaire p 0 + p 2 = 1, donc m = 2p 2 . Dans le cas de la loi gomtrique on a
m = p/q.
Une autre loi utilise en biologie qui permet galement un nombre aussi grand
que lon veut de descendants est la loi de Poisson :
p k = e m m k /k!, k = 0, 1, . . . ,
2 E[( m)2 ] = (k m)2 p k .
X
k=0
Par hypothse cette variance ne dpend pas de t . Dans les applications, la va-
riance de la loi de reproduction est finie.
On suppose dornavant que
Lgalit (?) est justifie par le fait quon peut permuter lesprance avec la
sommation car on somme des termes positifs (thorme de convergence mo-
notone). Lgalit (??) vient du fait que X t est indpendant des kt +1 . En effet,
X t est une fonction des kt .
On a donc montr le fait suivant :
+ PROPOSITION 2.1.
La population moyenne x t E[X t ] suit la rcurrence
(2.5) x 0 = 1, x t +1 = mx t .
Cette relation provient dun fait gnral sur la fonction gnratrice dune somme
X 1 + X 2 + + X N dun nombre alatoire N de v.a. o N , X 1 , X 2 , . . . sont indpen-
dantes :
t +1 (s) = t ((s)).
En itrant cette identit on trouve
t +1 (s) = 0 t (s)
La premire gnration t 0 telle que X t0 = 0 est une v.a. quon appelle naturelle-
ment le temps dextinction. On la note T0 et on le dfinit formellement par
c.--d.
(2.9) s t = (s t 1 )
+ THORME 2.1.
Supposons que m < . On a
(
1 si m 1,
P(E ) =
s si m > 1,
o s > 0 est la solution de s = (s) dans [0, 1] qui est plus petite que 1.
De plus, avec probabilit un, soit X t 0 soit X t + quand t tend vers .
Autrement dit, si la population survit elle tend vers linfini.
s t = (s t 1 ).
2 2
(1 ) = (1) 0 (1) + "(u) = 1 m + "(u), > 0,
2 2
2.1. LE MODLE DE BIENAYM-GALTON-WATSON 17
X DFINITION 2.2. Il est dusage dappeler cas critique le cas m = 1, cas sur-critique
le cas m > 1 et cas sous-critique le cas m < 1.
+ REMARQUE 2.3. Dans le cas o on est sur-critique mais trs proche du cas cri-
tique, c.--d. m > 1 et m 1 1, on a lapproximation suivante pour la proba-
bilit de survie :
2(m 1)
P(Survie)
2
18 CHAPITRE 2. REPRODUCTION ALATOIRE EN TEMPS DISCRET
+ PROPOSITION 2.2.
La variance de la population la gnration t est
( t 1 t
m (m 1) 2
2 t 2 si m 6= 1
t E X t m m1
=
t 2
si m = 1.
En particulier :
si m < 1, on a E[X t ] 0 et 2t 0 ;
si m = 1, on a E[X t ] = 1 pour tout t , et 2t ;
si m < 1, on a E[X t ] et 2t .
+ THORME 2.4.
Pour chaque t
Xt
(2.10) lim = m t , avec probabilit un.
X 0 X 0
Dmonstration. La limite (2.10) sobtient par rcurrence. La loi forte des grands
nombres donne
X0
X1 1 X
lim = lim 1k = m, p.s..
X 0 X 0 X 0 X 0
k=1
2. Si m = 1 alors
2
P T0 > t quand t .
2 t
(Le temps dextinction est dfini en (2.8).)
Qui plus est, P(Y = 0) = P(E ) et pour presque tout dans E c , Y () > 0 et X t ()
m t Y () quand t . Donc, soit la population steint, soit elle explose comme
mt .
type, on aura une loi de reproduction qui peut tre diffrente des lois de re-
production des autres types. En gnral, un individu dun type peut donner un
descendant du mme type ou bien dun des autres types.
Loi de reproduction Il nous faut des variables alatoires (ij ) qui donnent dune
gnration la suivante le nombre de descendants de type j issus dun parent
de type i . Autrement dit, chaque type on associe un vecteur alatoire de re-
production (i ) = ((i ) (i )
1 , . . . , d ).
Lanalogue de la fonction gnratrice dans le cas dun seul type va tre une
fonction vectorielle = (1 , . . . , d ) o i : [0, 1]d [0, 1] et
i (S) = P (i1 ) = k1 , . . . , (id ) = kd s 1k1 s dkd
X X
k 1 =0 k d =0
o S = (s 1 , . . . , s d ).
(i )
d X t
Xt +1 = (i ),t +1
X X
(2.11) k
i =1 k=1
o (i
),t
k
; t , k N , i = 1, . . . , d est une famille de vecteurs alatoires indpen-
dants tels que pour chaque i , (i
k
),t
est de mme loi que (i ) .
Commentons cette formule complique. Sil y a X t(i ) individus de type i la
gnration t , lindividu numro k va donner un certain nombre de descen-
dants donns par le vecteur (i ),t +1 ; chaque composante de ce vecteur donne
le nombre de descendants de type j de cet individu ; il faut encore sommer sur
tous les types possibles indexs par i .
La j -me composante du vecteur dfini par (2.11) donne lvolution en une
gnration de la sous-population de type j :
(i )
d X t
(j)
(i ),t +1
X X
X t +1 = k, j
.
i =1 k=1
X (1) X (d )
h i
(it ) (S) = E s 1 t s d t X 0 = ei
Il nest pas difficile de gnraliser ce quon a obtenu pour le cas avec un seul
type :
Pour tout t , pour tout S [0, 1]d , t +1 (S) = t (S) . On en dduit
M (i , j ) E[(ij ) ].
E[Xt |X0 = Z] = M t Z.
- EXERCICE 2.2.1. Montrer que, pour tout Z Nd et pour tout t , on a E[Xt +1 |Xt =
Z] = M t Z. En dduire la formule prcdente.
M t Z t U
Le cas o est une fonction linaire est un cas dgnr qui correspond la
situation o p 0 + p 1 = 1 pour le cas unitype. Plus prcisment cest le cas o
(S) = M S.
Terminons avec un exemple illustratif. Supposons quon ait deux types et que
1 1
1 (s 1 , s 2 ) = (1 + s 1 + s 22 + s 12 s 2 ) et 2 (s 1 , s 2 ) = (1 + s 1 + s 22 + s 1 s 22 ).
4 4
Prenons un individu de type 1 : il peut avoir aucun descendant ou bien un seul
descendant de son type ou bien deux descendants de type 2 ou bien deux des-
cendants de type 1 et une de type 2, chaque vnement ayant la probabilit 14 .
On a
3/4 1/2
M=
3/4 1
Cette matrice est primitive puisque ses coefficients sont strictement positifs.
On trouve que = 3/2 > 1 donc p il existe s 1 , s 2 [0, 1[ tels que 1 (s 1 , s 2 ) = s 1 et
2 (s 1 , s 2 ) = s 2 . On a s 1 = s 2 = 2 1.
temps. Or il est clair que celle-ci peut tre impacte par des effets environne-
mentaux. Pensons simplement au temps quil fait pendant la saison de repro-
duction (par ex. sec ou humide pour des plantes) ou bien leffet dun polluant
qui dteriore le milieu danne en anne.
Il y a dinnombrables faons de faire varier m(k). Nous nous limitons ici deux
cas :
1. Le premier cas est celui denvironnements qui samliorent ou se dte-
riorent constamment. Pensons par exemple un rejet de polluant constant.
Si on suppose que la suite (m(k))k est croissante et que limk m(k) =
m > 1, on sattend intuitivement ce que le nombre de descendants dun
individu initial explose exponentiellement, comme pour le processus de
Bienaym-Galton-Watson sur-critique. Si on suppose que la suite (m(k))k
est dcroissante et que limk m(k) = m < 1, on peut sattendre avoir
un comportement comme pour le processus de Bienaym-Galton-Watson
sous-critique.
F F, FU , U F, UU .
m F m F , m F mU , mU m F , mU mU .
E[m(1)m(2)] = E[m(1)]E[m(2)] = 2
car m(1) et m(2) sont des variables alatoires supposes indpendantes. Plus
gnralement on trouve
Comme m(0), m(1), etc, sont des variables alatoires indpendantes, il en est
de mme pour ln m(0), ln m(1), etc ; daprs la loi (forte) des grands nombres
1 t
(ln m(0) + ln m(1) + + ln m(t 1)) E[ln m(k)] avec probabilit un.
t
Donc on peut dfinir le taux moyen de croissance de la population comme la
limite
lim (m(0) m(1) m(t 1))1/t = e E[ln m(k)] .
t
+ THORME 2.7.
Pour le processus de Bienaym-Galton-Watson en environnement alatoire d-
crit ci-dessus, on a extinction avec probabilit un si et seulement si
E[ln m(k)] 0.
Nous avons dit plus haut que ln E[m(k)] 6= E[ln m(k)]. Cela suit de lingalit
de Jensen :
E[m(k)] = E[e ln m(k) ] e E[ln m(k)] .
28 CHAPITRE 2. REPRODUCTION ALATOIRE EN TEMPS DISCRET
Il doit donc exister des cas sous-critiques en environnement alatoire tels que
= E[m(k)] > 1. Donnons un exemple avec p F = pU = 21 , m F = 3 et mU = 41 . On
a
1 1 1
E[m(k)] = 3 + = 1.625 > 1.
2 2 4
alors que
1 1 1 1 3
E[ln m(k)] = ln 3 + ln = ln < 0.
2 2 4 2 4
Faisons un dveloppement de Taylor lordre deux de E[ln m(k)] autour de
m(k)
= E[m(k)] en crivant que ln m(k) = ln + ln 1 +
:
1 Var(m(k))
E[ln m(k)] ln .
2 2
2.4 Notes
Il y a des livres entirement consacrs aux processus de ramification (bran-
ching processes en anglais). Citons dabord [HJV07, KA02]. Dun point de vue
mathmatique, les classiques sont [AN04, Har02].
2.5 Supplments
Soit t 0 et posons Y t X t /m t . On a
" !2 #
2 k
E Y t +1 Y t = m 2(t +1) E it +1 km
X X
1{X t =k}
k=0 i =1
= m 2(t +1) P(X t = k)2 k = 2 m 2(t +1) E[X t ] = 2 m (t +2) .
X
k=0
1
E |Y t +1 Y t | E |Y t +1 Y t |2 = m (t +2)/2 .
2
Donc
hX i
|Y t +1 Y t | m (t +2)/2 < +.
X
E
t =0 t =0
E[Y t ] = 1 pour tout t ; on sattend donc ce que E[Y ] = 1, ce qui est bien le cas
en passant la limite t + dans lingalit
E |Y`+1 Y` | m (`+2)/2 .
X X
|E[Y ] E[Y t ]| E |Y Y t | =
`=t `=t
{Y = 0} = E {E c {Y = 0}}.
Or, comme on vient de montrer que P(Y = 0) = P(E ), on dduit que P(E c , Y =
0) = 0. Ainsi, pour presque tout E c , Y () > 0 et X t () est quivalent
m t Y (). On conclut quil y a soit extinction, soit que la population explose en
m t . Le thorme est dmontr.
Chapitre 3
but de ce chapitre est dtudier les modles les plus simples dans lesquels
L E
on suppose que les individus nont aucune influence les uns sur les autres
et que les taux de naissance et de mort sont les mmes pour tous les individus
et sont fixs une fois pour toutes.
Nous allons considrer le temps t comme continu et faire une modlisation
probabiliste de la variation du nombre dindividus pendant un intervalle de
temps infinitsimal. Par rapport aux modles temps discret o les change-
ments dtat peuvent seulement se produire un rythme rgulier, les modles
temps continu ajoutent une couche dala supplmentaire car les change-
ments se produisent des temps alatoires (distribus selon une loi exponen-
tielle).
31
32 CHAPITRE 3. NAISSANCES & MORTS ALATOIRES EN TEMPS CONTINU
(3.1) p N (t ) = N p N (t ) + (N 1)p N 1 (t ).
E[N (t )] = N0 e t , t 0.
En effet
+
X +
X
E[N (t )] = j p j (t ) = j p j (t )
j =1 j =N0
!
+ N0 + k 1 k
N0 t
1 e t
X
=e (N0 + k)
k=0 k
!
+
X N0 + k k
= N0 e N0 t 1 e t
k=0 k
(N0 +1)
= N0 e N0 t e t
= N0 e t .
1 dx
dt =
x
quon intgre :
1 w dx 1
t +c = = ln x,
x
o c est la constante dintgration quon dtermine en utilisant la condition
initiale que x(0) = N0 . On obtient c = ln N0 et donc x(t ) = N0 e t .
La figure suivante montre trois ralisations du modle alatoire et la solution
du modle dterministe.
34 CHAPITRE 3. NAISSANCES & MORTS ALATOIRES EN TEMPS CONTINU
Var(N (t )) = N0 e t (e t 1), t 0.
+
E[N 2 (t )] = j 2 p j (t )
X
j =1
!
+ N0 + k 1
N0 t 2
(1 e t )k
X
=e (N0 + k)
k=0 k
! !
+ N + k + N + k
0 0
= N02 e N0 t (1 e t )k + N0 e N0 t (1 e t )k
X X
k
k=0 k k=0 k
!
+ N + k + 1
= N02 e t + (N0 + 1)N0 e N0 t (1 e t )
0
(1 e t )k
X
k=0 k
= N02 e t + (N0 + 1)N0 (e t 1)e t .
= N0 e t (e t 1).
part, il est naturel de comparer lcart-type, donnant la taille typique des fluc-
tuations, la moyenne en calculant le rapport
p
Var(N (t )) 1 p
=p 1 e t .
E[N (t )] N0
E[N (t )] = N0 e t
Var(N (t )) = N0 e t (1 e t ).
36 CHAPITRE 3. NAISSANCES & MORTS ALATOIRES EN TEMPS CONTINU
P(T N0 t ) = 1 p N0 (t ) = 1 e N0 t , t 0.
p N (t + t ) =
p N 1 (t )(N 1)t + p N (t )[1 N t N t ] + p N +1 (t )(N + 1)t + o(t ).
3.3. PROCESSUS AVEC DES NAISSANCES ET DES MORTS 37
Donc
o r .
dE[N (t )] +
( + ) j 2 p j (t ) + j ( j 1)p j 1 (t ) + j ( j + 1)p j +1 (t )
X
=
dt j =1
+
= j 2 p j (t ) + j 2 p j 1 (t ) j p j 1 (t )
X
j =1
+
j 2 p j (t ) j 2 p j +1 (t ) j p j +1 (t )
X
j =1
+
= p k (t ) k 2 + (k + 1)2 (k + 1)
X
k=0
+
p k (t ) k 2 (k 1)2 (k 1)
X
k=1
+ +
= kp k (t ) kp k (t ) = ( )E[N (t )].
X X
k=0 k=1
38 CHAPITRE 3. NAISSANCES & MORTS ALATOIRES EN TEMPS CONTINU
Lquation diffrentielle que nous venons dobtenir est facile rsoudre puis-
quelle se rcrit
dE[N (t )]
= ( )dt ,
E[N (t )]
do E[N (t )] = Const. e ()t . Comme au temps t = 0 la population tait de taille
N0 (c.--d. que E[N (0)] = N0 ), on obtient les conclusions de la proposition.
C.Q.F.D.
e ()t
(3.6) P(N (t ) = 0|N0 = 1) =
e ()t
2. cf. Sous-section 3.5.2
3.3. PROCESSUS AVEC DES NAISSANCES ET DES MORTS 39
Si une population initialement de taille N0 steint, cela signifie que chacun des
N0 descendances sest teinte et la probabilit de cet vnement est, pour tout
N0 ,
N0
e ()t
N0
(3.7) P(N (t ) = 0) = P(N (t ) = 0|N0 = 1) =
e ()t
Pour trouver la probabilit dextinction, nous devons faire tendre t vers linfini.
Il est vident que si < , les termes exponentiels disparaissent lorsque
t +, et donc limt + P(N (t ) = 0) = 1. Cest ce quoi on pouvait sattendre.
Si > , alors
N0
e ()t N0
P(N (t ) = 0) = , t +
e ()t
Puisque la probabilit dextinction est non nulle, lexistence pour tous temps
de la population nest pas assure. Cependant, comme on pouvait sy attendre,
cette probabilit devient dautant plus petite quand le rapport entre le taux de
natalit et le taux de mortalit augmente, tandis quelle diminue (exponentiel-
lement) avec la taille de la population initiale.
Il nous reste considrer le cas = . Afin dobtenir la limite de P(N (t ) = 0)
quand t tend vers linfini, nous allons dvelopper les exponentielles en srie
dans (3.7) et poser r = :
N0
(r t + r 2 t 2 /2! + )
P(N (t ) = 0) =
(1 + r t + r 2 t 2 /2! + )
Puisque
N0
t
lim = 1,
t + 1 + t
lextinction est certaine mme si le taux de natalit est gal au taux de mortalit.
Alors que la taille moyenne de la population est constante, les fluctuations sto-
chastiques autour de cette taille moyenne conduisent inluctablement lex-
tinction si un temps suffisamment long scoule. En conclusion, dans ce mo-
dle, cest seulement dans le cas > , c.--d. , seulement si la population a un
taux de croissance positif, quil y a une probabilit que la population persiste
indfiniment.
40 CHAPITRE 3. NAISSANCES & MORTS ALATOIRES EN TEMPS CONTINU
En remplaant E[N (t )] par sa valeur obtenue ci-dessus, nous avons donc ob-
tenu lquation diffrentielle suivante pour E[N 2 (t )] :
dE[N 2 (t )]
+ 2( )E[N 2 (t )] = ( + )N0 e ()t ,
dt
ce qui donne
w
e 2()t E[N 2 (t )] = N0 ( + ) e ()t e 2()t dt
N0 ( + ) ()t
= e + c1 ,
3.4. TEMPS DATTENTE ENTRE LES CHANGEMENTS DTAT 41
N0 ( + ) ()t
e 2()t Var(N (t )) = e + c2 ,
o c 2 est une autre constante dintgration. Pour lvaluer, on utilise le fait que
Var(N (0)) = 0 et donc c 2 = N0 ( + )/( ). En conclusion,
N0 ( + ) ()t ()t
Var(N (t )) = e e 1 ,
Ti Wi +1 Wi (W0 0).
T0 est le temps qui scoule avant le premier vnement, T1 celui qui scoule
entre le premier et le second vnement, et ainsi de suite.
F IGURE 3.3
3.5 Dmonstrations
3.5.1 Dmonstration du Thorme 3.1
On procde par rcurrence. Puisque N (0) = N0 , on a p N0 (0) = 1 et p N (0) = 0
quand N 6= N0 . On a donc daprs (3.1) lquation
(3.8) p N0 (t ) = N0 p N0 (t ),
p N0 (t ) = e N0 t .
p N0 +1 (t ) + (N0 + 1)p N0 +1 (t ) = N0 p N0 (t ) = N0 e N0 t .
Multiplions les deux membres de cette quation par e (N0 +1)t , ce qui donne :
p N0 +1 (t ) = N0 e N0 t (1 e t ).
Nous pouvons maintenant substituer ce rsultat dans (3.1) pour trouver une
quation pour p N0 +2 (t ) :
En multipliant les deux membres de cette quation par e (N0 +2)t on trouve
w
e (N0 +2)t p N0 +2 (t ) = (N0 + 1)N0 e 2t (1 e t )t.
(e t 1)2
= (N0 + 1)N0 + Const.
2
3.5. DMONSTRATIONS 43
(N0 + 1)N0 N0 t
p N0 +2 (t ) = e (1 e t )2 .
2
La forme de la solution gnrale merge clairement, cest :
!
N 1 N0 t
(3.9) p N (t ) = e (1 e t )N N0 ,
N0 1
ce que nous dmontrons par induction. En effet, supposons (3.9) vraie, cher-
chons p N +1 (t ) en rsolvant
!
N 1 N0 t
p N +1 (t ) + (N + 1)p N +1 (t ) = N e (1 e t )N N0 ,
N0 1
c.--d.
w
!
N 1
e (N +1)t p N +1 (t ) = N e t (e t 1)N N0 t.
N0 1
N 1 (e t 1)N N0 +1
!
=N + Const.
N0 1 N N0 + 1
t +(1t )s
0
si = .
(1+t )t s
(3.15) t (0, v) = 0
(3.16) s(0, v) = v
(3.17) (0, v) = v N0 .
(3.18) t =u
(3.19) = v N0 .
(1 s)e ()t ( s)
v= ,
(1 s)e ()t ( s)
puis on remplace v par cette expression dans lquation (3.19) pour obtenir
(t , s).
Dans le cas = , on procde de la mme faon sauf que lquation (3.13) doit
tre remplace par lquation
ds
= (s 1)2 .
du
3.6 Notes
Les processus que nous avons dcrits sont des exemples basiques de chanes
de Markov espace dtat discret et temps continu, quon appelle aussi des
processus de saut. On pourra par exemple consulter [All03] qui les introduit en
relation avec des modles biologiques.
Chapitre 4
Limiter la croissance
les chapitres prcdents, nous avons suppos (en particulier) que les
D ANS
individus se reproduisent indpendamment de la taille de la population.
Pour le processus de Bienaym-Galton-Watson nous avons pris une loi de re-
production qui ne dpend pas de la taille de la population au cours des gnra-
tions. Il est clair que pour amliorer ce modle on aimerait prendre en compte
le fait que le nombre moyen de descendants par individu dcrot avec la den-
sit de la population, ce qui modlise la comptition pour des ressources finies.
De mme, le processus de naissance et mort simple que nous avons tudi est
bas sur un taux de naissance et un taux de mort qui ne dpendent pas de la
densit de la population.
La prise en compte indispensable de la comptition entre individus pour
des ressources limites a un cot mathmatique : les modles vont devenir
non linaires (en un sens que nous expliquerons) donc beaucoup plus com-
pliqus.
47
48 CHAPITRE 4. LIMITER LA CROISSANCE
Ce processus nest pas parfait : parfois il naboutit pas pour de multiples raisons
quon ne contrle pas et quon modlise avec de lala. On peut reprsenter le
temps par une variable discrte : entre deux pas de temps, il y a une tentative
de rplication de chaque molcule dADN.
Le modle le plus simple quon puisse imaginer est celui o on utilise un pro-
cessus de Bienaym-Galton-Watson avec une loi de reproduction qui permet
soit 1 soit 2 descendants : P( = 2) = p et P( = 1) = 1 p. En particulier m =
E[] = 1 + p. Le paramtre p sappelle lefficacit de la PCR.
- EXERCICE 4.1.1. Calculer P(X t +1 = j |X t = i ) o (X t ) est un processus de Bienaym-
Galton-Watson de loi de reproduction quon vient de dcrire.
Un meilleur modle tient compte de lquation de Michaelis-Menten qui
dcrit correctement la cintique de nombreuses ractions chimiques cataly-
ses par une enzyme. On est conduit au modle o la reproduction(=duplication)
est donne par une variable alatoire (x) de loi
K x
P((x) = 2) = et P((x) = 1) =
x +K x +K
Si x est petit devant K , P((x) = 2) 1, si x est trs grand devant K , P((x) =
2) 0.
Le nombre moyen de descendants dune molcule dpend donc de x :
K K K
m(x) = E[(x)] = 1 1 +2 = 1+ > 1.
x +K x +K x +K
Nous avons donc un processus de Bienaym-Galton-Watson densit-dpendant
quon a envie de qualifier de sur-critique puisque m(x) > 1 pour tout x.
On vrifie que
Kx
E[X t |X t 1 = x] = x + = xm(x)
x +K
4.1. LE PROCESSUS DE BGW DENSIT-DPENDANT 49
o la notation it +1 (X t )
indique que la loi de reproduction dpend de la taille
de la population la gnration t . Dans la mme veine, on note (x) la variable
alatoire qui dcrit le nombre de descendants pour une population de taille
donne x. On note {p k (x); k = 0, 1, . . .} la loi correspondante :
Lhypothse du thorme est simple comprendre : sil existe x tel que p 1 (x) = 1
alors, une fois que la population atteint cette taille, chaque individu a exacte-
ment un descendant et la population devient donc de taille constante gale
x.
Lautre question de base est la probabilit dextinction qui nest pas simple en
gnral sauf dans certains cas particuliers. Par exemple, si
X
m(x) = kp k (x) 1 x
k=1
Par le thorme prcdent on sait que X t tend vers une limite X qui est soit
0 soit . Il y a un lemme gnral, appel lemme de Fatou, qui implique que
E[X ] E[X 0 ]. Cette ingalit impose que P(X = ) = 0 car E[X 0 ] est fini
(gal par ex. 1 si X 0 = 1). Donc lextinction a lieu avec probabilit un, P(X =
0) = 1.
On peut trouver un thorme gnral sur la probabilit dextinction dans [HJV07,
p. 135].
avec
K
Kx
1 Xt t +1 K
Kt i (x t ) m(x tK ) .
K i =1
4.1. LE PROCESSUS DE BGW DENSIT-DPENDANT 51
x t +1 = f (x t ), x 0 = X 0 /K
o f (x) = xm(x).
On sattend ce que, lorsque K est trs grand, la suite dterministe (x t ) soit trs
proche du processus (x tK ). Cette phrase vague a le sens prcis suivant :
+ THORME 4.2.
On suppose que (x) a une variance 2 (x) borne (c.--d. C > 0 t.q. 2 (x)
C ). Pour chaque t fix, x tK x t quand K , la convergence ayant lieu en
probabilit.
2 2 1 C
E Kt = E E Kt x tK = E 2 (x tK ) 0 quand K .
K K
Ce modle prsente
linconvnient
x
quex
m(x)
< 0 si x > K auquel on peut rem-
dier en prenant 1 K + max 1 K , 0 .
Nous voyons donc merger toute une classe de modles dterministes temps
discret qui apparaissent comme la limite dterministe de processus de Bienaym-
Galton-Watson densit-dpendants.
52 CHAPITRE 4. LIMITER LA CROISSANCE
x = r x, x(0) = N0 .
Lorsque le taux de naissance par individu est suprieur au taux de mort par
individu , c.--d. r > 0, on a une croissance moyenne de la population expo-
nentielle qui nest tenable que pour des temps trs petits. En effet, on est forc
de prendre en compte la limitation des ressources et donc de faire dpendre le
taux de croissance de la population moyenne par individu, x/x, de manire
ce quil dcroisse et tende vers 0 quand x approche une valeur critique carac-
trisant la capacit de charge du milieu.
Nous allons dcrire le modle dterministe le plus simple qui ralise ces
contraintes : le modle logistique. Nous verrons plus tard comment le relier
une version stochastique dont il est une approximation dans la limite o N0
.
x = r x c x 2 , r, c > 0.
x r x.
K +y
y = r y .
K
Si y 1, on a envie de la remplacer par
y r y.
P N (t + t ) = N (t ) 1 = N (t )t + o(t ).
et
B k = {k individus meurent dans lintervalle [t , t + t ]}.
Donc
P(N (t + t = 0|N (t ) = k) (t )k (t )K .
Soit
p ` := P(N (`t ) = 0).
Alors
p ` P(N (`t ) = 0|N ((` 1)t ) > 0)P(N ((` 1)t ) > 0)
+ P(N (`t ) = 0|N ((` 1)t ) = 0)P(N ((` 1)t ) = 0)
= (1 p `1 ) + p `1
= + (1 )p `1 .
p ` = + (1 )p `1
avec p 0 := p 0 = 0. Puisque
p ` p ` (1 )(p `1 p `1
)
on dduit que
p ` p ` .
Montrons maintenant que p ` tend vers 1 quand ` tend vers linfini. Pour cela,
observons que la fonction f (x) = + (1 )x envoie lintervalle [0, 1] dans lui-
mme ( f ([0, 1]) [0, 1]) et f 0 (x) < 1 ( f est une contraction). Puisque p ` = f (p `1 ),
la suite (p ` ) tend vers un point fixe de f dans [0, 1]. Or x = 1 est lunique point
fixe de f , donc p ` 1 et puisque p ` p ` 1, on a galement p ` 1.
dx
= x + (1 x)x
d
qui est lquation logistique avec r = et K = . La convergence est en
probabilit. On peut trouver la dmonstration dans [Kur80].
4.4.1 Prliminaires
Nous devons dfinir quelques notions de base pour dcrire le modle logistique
qui est un exemple de systme dynamique temps discret de la forme
x n+1 = f (x n )
x 0 , x 1 = f (x 0 ), x 2 = f 2 (x 0 ), . . . , x n = f n (x 0 ), . . .
Il y a deux sortes de points particuliers : les points fixes et les points priodiques.
Un point x 0 est un point fixe si f (x 0 ) = x 0 . La trajectoire dun tel point est la suite
constante x 0 , x 0 , x 0 , . . ..
Un point x 0 est priodique de priode n si f n (x 0 ) = x 0 pour un entier n > 0 3 . La
trajectoire dun tel point est de la forme
x 0 , x 1 , . . . , x n1 , x 0 , x 1 , . . . , x n1 , x 0 . . . .
3. on sous-entend que n est la priode minimale, c.--d. le plus petit entier n > 0 ayant la
proprit que f n (x 0 ) = x 0
4.4. LE MODLE LOGISTIQUE DTERMINISTE TEMPS DISCRET 59
4.4.2 Le modle
Le modle logistique discret a t introduit en dynamique des populations par
Robert May 4 :
xn
(4.1) x n+1 = ax n 1
K
Il impose une densit maximale, K , la population : si la densit atteint ou
dpasse K , la population steint la gnration suivante (x n K implique que
4. M AY, R., Simple mathematical models with very complicated dynamics, Nature 261
(1976), 459457.
4.4. LE MODLE LOGISTIQUE DTERMINISTE TEMPS DISCRET 61
(4.2) x n+1 = r x n (1 x n )
f r (x) = r x(1 x)
F IGURE 4.5: QR code pour aller exprimenter les itrations de lapplication lo-
gistique.
Le modle de Ricker Nous avons voqu plus haut le modle de Ricker qui
peut scrire sous la forme
x n+1 = bx n e cxn
o b, c sont des paramtres positifs. Il prsente le mme type de complexit que
le modle logistique. Il faut voir c comme linverse de la capacit de charge K ,
c.--d. c = K 1 . Le terme damortissement e xn /K pnalise beaucoup plus les
grandes valeurs de x n que celui du modle logistique (1 x n /K ) et il est positif
pour tout x n positif.
F IGURE 4.7: Deux trajectoires du modle de Ricker avec b = 17, c = 0.01. Lune a
pour condition initiale x 0 = 75, lautres x 0 = 75.1. Cela illustre la sensibilit aux
conditions initiales qui est la signature du chaos dterministe.
4.5 Notes
Mentionnons nouveau le livre [HJV07] au sujet des processus de Bienaym-
Galton-Watson et de leurs extensions esquisses ici.
Le modle logisitique discret est dtaill par exemple dans [Dev86]. Une autre
rfrence sur les systmes dfinis par une rcurrence est [Ela05].
64 CHAPITRE 4. LIMITER LA CROISSANCE
Chapitre 5
Interactions
USQU prsent, nous navons considr que la dynamique dune seule po-
J pulation. Dans un co-systme, par ex. , plusieurs populations doivent co-
exister en interagissant de diffrentes manires :
certaines peuvent tre en comptition avec dautres car elles ont des res-
sources communes ;
une population peut tre la proie dune autre population qui elle-mme
peut tre celle dune troisime (chanes alimentaires) ;
il se peut que certaines populations cooprent ;
etc
Dans ce chapitre, nous tudions plusieurs modles de base dinteraction uti-
liss en cologie. Nous le faisons avec une approche graphique et avec des
simulations numriques. Nous observerons un certain nombre de phnomnes
que nous pourrons comprendre mathmatiquement grce la Partie II.
65
66 CHAPITRE 5. INTERACTIONS
mer Adriatique. Il avait constat que larrt quasi-total de la pche dans lAdria-
tique pendant la Premire Guerre mondiale ait eu pour consquence, non pas
une augmentation quivalente des deux populations (les poissons-proies et
les poissons-prdateurs), mais une augmentation du pourcentage de poissons-
prdateurs dans la population totale, la tendance sinversant avec la reprise de
la pche (aprs la fin de la guerre).
Le modle Volterra a mis au point le modle le plus simple possible pour voir
sil tait capable de dcrire mathmatiquement ce phnomne, au moins dun
point de vue qualitatif.
Il commence par diviser les diverses populations de poissons en deux catgo-
ries : les poissons qui se nourrissent dautres poissons (prdateurs) et les pois-
sons qui sont mangs par ceux-ci (les proies).
Il suppose quil y a une trs grande population de proies et une trs grande po-
pulation de prdateurs et dcide de dcrire lvolution de la densit x(t ) des
proies et de la densit y(t ) des prdateurs par le systme diffrentiel suivant :
(
x = x(a b y)
(5.1)
y = y(c + d x)
x
(
x = a by
y
y
= c + d x.
3. Notons m(t ) le nombre de proies qui meurent par unit de temps cause
de la prdation. Le modle suppose que ce nombre est proportionnel la
frquence des rencontres entre proies et prdateurs. Cette frquence est
elle-mme suppose proportionnelle au produit des densits de deux po-
pulations, c.--d. x(t )y(t ). La croissance exponentielle de la densit des
proies ax(t ) est donc freine par le terme bx(t )y(t ).
4. Quand ils disposent de proies, les prdateurs se reproduisent proportion-
nellement la quantit de nourriture effectivement mobilise, donc au
nombre de proies tues, c.--d. proportionnellement x(t )y(t ), ce qui
donne le terme de reproduction d x(t )y(t ) dans la seconde quation. Il
est naturel de supposer que b > d car un prdateur ne convertit pas
une proie en prdateur avec 100% defficacit.
Ce modle a des dfauts propres toute modlisation avec des quations dif-
frentielles. Nous les commenterons plus tard.
Analyse basique du modle Le but est de rsoudre les quations (5.1), c.--d.
de trouver des fonctions x(t ) et y(t ) telles que
(
dx(t )
dt
= ax(t ) bx(t )y(t )
dy(t )
dt
= c x(t ) + d x(t )y(t )
Intermde sur les quations diffrentielles (bis) Nous venons de voir les sys-
tmes diffrentiels sous langle de lAnalyse ; regardons-les maintenant sous un
angle gomtrique. On interprte le second membre de (5.2) comme un champ
de vecteurs : chaque point du plan (x 0 , y 0 ) on associe le vecteur
f (x 0 , y 0 )
g (x 0 , y 0 )
Chercher une solution (x(t ), y(t )) de (5.2) quivaut chercher une courbe dont
la tangente est le vecteur
f (x(t ), y(t ))
g (x(t ), y(t ))
Si on se donne un point (x 0 , y 0 ), la solution qui passe par ce point au temps
t = 0 va donc parcourir une trajectoire tangente au champ de vecteurs. Puis-
quil ny a quune seule trajectoire qui passe par ce point, on peut partitionner
1. Nous formulerons prcisment ce thorme dans la Partie II. La rgularit suffisante est
que les drives partielles f /x, f /y, g /x et g /y existent et soient des fonctions conti-
nues. Ce que nous passons sous silence est la condition sous laquelle les solutions sont dfinies
pour tout temps t . Cette condition est remplie dans le cas de tous les modles de ce chapitre.
2. Cette proprit est la manifestation de ce quon appelle le dterminisme.
5.1. PROIES & PRDATEURS 69
c a
x = et y =
d b
x < 0 car y > y et y < 0 car x < x , donc le champ de vecteurs pointe vers la
gauche et vers le bas. Et ainsi de suite.
On conclut que si on part dune densit initiale (x 0 , y 0 ) de proies et de prda-
teurs dans la rgion I, la solution (x(t ), y(t )) va aller dans la rgion II, puis dans
la rgion III, puis dans la rgion IV, puis nouveau dans la partie I, et ainsi de
suite.
Cette premire analyse du portrait dtat montre que, pour des populations ini-
tiales strictement positives et diffrentes de lquilibre F , les densits de proies
et de prdateurs vont fluctuer au cour du temps autour de cet quilibre puisque
les solutions (x(t ), y(t )) tournent autour de lui. Quatre scenarios disctincts sont
envisageables :
1. les fluctuations pourraient samortir, c.--d. x(t ) x et y(t ) y quand
t . (Question : pourquoi est-ce forcment la limite t que cest
envisageable ?)
2. linverse, les solutions pourraient parcourir des trajectoires qui spiralent
en sloignant de F et finir par toucher lun des axes de coordonnes.
(Questions : quels scnarios sont possibles ? est-ce que cest possible
temps fini ?)
3. On pourrait avoir des fluctuations priodiques des populations qui cor-
respondent des solutions priodiques : il existe un temps T > 0 tel que
x(t + T ) = x(t ) pour tout t . A priori, T dpend de (x 0 , y 0 ), c.--d. des den-
sits initiales des populations. Une solution priodique correspond n-
cessairement une trajectoire ferme.
4. Un dernier scnario est quil existerait une trajectoire ferme spciale qui
attirerait toutes les solutions (correspondant bien sr des densits ini-
tiales strictement positives et diffrentes de x , y ). Ce serait un phno-
mne remarquable.
5.1. PROIES & PRDATEURS 71
c.--d.
d
(5.3) c ln x d x + a ln y b y = 0.
dt
H1 (x) = x x ln x, H2 (y) = y y ln y
et
H (x, y) = d H1 (x) + bH2 (y).
72 CHAPITRE 5. INTERACTIONS
Puisque
dH1 x d2 H1 x
= 1 , = 2 >0
dx x dx 2 x
la fonction H1 atteint son minimum en x = x . La fonction H2 atteint son mi-
nimum en y = y . Les fonctions H1 et H2 sont donc strictement convexes et le
graphe de la fonction H a donc la forme dune fosse dont le fond correspond
lunique minimum qui est atteint en F . On observe galement que H (x, y)
+ le long de toute demi-droite issue de F . Les courbes de niveau
sont donc des courbes fermes. Les trajectoires sont incluses dans ces courbes
fermes. Pour vraiment terminer la dmonstration, il faudrait montrer que ces
courbes fermes sont parcourues entirement par les solutions, montrant ainsi
que les solutions sont priodiques. Ceci revient montrer que les solutions sont
dfinies pour tout temps t (cest fait dans la Partie II).
1w 1w
T T
df df
x = x(s)ds, y = y(s)ds.
T T
0 0
c.--d.
wT
ln x(T ) ln x 0 = aT b y(s)ds.
0
Or, x(T ) = x 0 , donc
1w
T
a
y(s)ds = = y .
T b
0
En procdant de mme on trouve lautre formule.
Nous pouvons maintenant revenir au problme initial pos par DAncona
Volterra et voir ce que rpond le modle. Pour modliser la prdation exerce
par les pcheurs qui prennent dans leurs filets la fois des poissons-proies et
des poissons-prdateurs, modifions le modle (5.1) en ajoutant la 1re qua-
tion le terme ex et la seconde le terme e y :
(
x = x(a b y) ex
y = y(c + d x) e y
Quel est le lien entre les solutions de (5.1) et celles du modle adimensionn ?
Mme question pour les trajectoires.
5. il faut bien sr que e < a
74 CHAPITRE 5. INTERACTIONS
ex + b y = a et d x f y = c.
Selon
2les
valeurs des paramtres, ces droites peuvent ou non sintersecter dans
int R+ .
5.1. PROIES & PRDATEURS 75
Dans le cas o elles ne sintersectent pas, elles divisent int R2+ en trois r-
gions comme montr sur la figure suivante. Il est clair que toute trajectoire
converge vers P , c.--d. que les prdateurs disparaissent. La densit de proies
tend vers ae , ce qui correspond la capacit de charge de lquation logistique
x = x(a ex), c.--d. lquation qui gouverne leffectif des proies en labsence
des prdateurs.
F IGURE 5.2: Simulation du portrait dtat du modle de (5.6), quand les iso-
clines x = 0 et y = 0 ne sintersectent pas, avec deux trajectoires.
F IGURE 5.3: Simulation du portrait dtat du modle de (5.6), quand les iso-
clines x = 0 et y = 0 sintersectent (en F ).
+ REMARQUE 5.2. Nous avons en fait mis le doigt sur un dfaut majeur du modle
(5.1) : son instabilit structurelle ou son manque de robustesse. En effet, comme
on la signal plus haut, le modle avec comptition intraspcifique peut tre vu
Tant que ex 2 est trs petit, on aimerait que les proprits caractristiques du
modle de Lotka-Volterra ne soient pas affectes. Or ce nest pas le cas : toutes
les solutions priodiques, c.--d. les trajectoires fermes, qui tournent autour de
lquilibre ont disparu !
Intermde dalgbre linaire Comme nous le verrons dans la Partie II, la ma-
trice A ne peut tre que de lune des trois formes suivantes si on se place dans
une base convenable :
0 1
0 0
Autrement dit, il existe une application linaire T telle que T 1AT a lune de ces
x
trois formes. Une application linaire transforme un vecteur en un vecteur
y
x
T avec
y
x t 11 x + t 12 y
T =
y t 21 x + t 22 y
Nous verrons que cette classification est lie au problme aux valeurs propres
de A, c.--d. la recherche des vecteurs particuliers (dits vecteurs propres)
tels que, multiplis par A, seule leur longueur change, pas leur direction.
ex bx
A=
d y 0
(5.7)
avec < 0 et > 0. Les solutions dun systme diffrentiel avec une telle ma-
trice sont de la forme
F IGURE 5.4: Trajectoires du systme linaire de matrice (5.7) avec < 0 et > 0.
t
e est le facteur de contraction
Le facteur exponentielle ( < 0) de la norme du
x(t ) x0
vecteur par rapport au vecteur : on vrifie facilement que
y(t ) y0
q q
x 2 (t ) + y 2 (t ) = e t x 02 + y 02 .
Les termes entre parenthses correspondent une rotation dans le sens contraire
des aiguilles dune montre. Le point (x(t ), y(t )) se rapproche donc exponentiel-
lement vite de (0, 0) tout en tournant autour de ce point.
u
u
=
v v
bx
(5.8) (x) =
s+x
La fonction a une drive non-nulle en x = 0 et elle tend vers b quand x
+.
Un prdateur gnraliste se nourrit de diffrentes espces de proies. Lorsquune
espce de proies atteint une trs faible densit, le prdateur va se concentrer
sur les autres espces de proies. Une modlisation simple consiste prendre
bx 2
(5.9) (x) =
s2 + x2
Cette fois-ci, la fonction a une drive nulle en x = 0. Elle tend galement vers
b quand x +.
Le modle de Rosenzweig-McArthur (1963) repose sur la fonction (5.8) :
x = r x 1 x bx y
K x+s
y = y cx d
x+s
ds
cd
< K (la parabole coupe laxe des abscisses aux points s < 0 et K > 0).
On peut montrer que si lquilibre (x , y ) nexiste pas (au sens o x < 0,
y < 0) alors, pour toutes densits de proies et de prdateurs x 0 , y 0 strictement
positives, (x(t ), y(t )) (K , 0) ; autrement dit, asymptotiquement, il y a extinc-
tion des prdateurs et la population des proies atteint sa capacit de charge.
ds
Plaons-nous dans le cas o F = (x , y ) existe, c.--d. quand c > d et cd <K
et faisons varier le paramtre K . Une exprience numrique montre quil y a un
ds
changement radical de comportement selon que la droite x = cd se trouve
gauche ou droite du sommet de la parabole dont labscisse est x = K 2s :
si la droite est droite du sommet, lquilibre F apparat comme attractif ;
si la droite est gauche du sommet, lquilibre F apparat comme rpul-
sif et on observe lapparition dune trajectoire spciale qui semble attirer
toutes les solutions qui se trouve dans son voisinage, cf. la figure suivante
4,8
4,4
3,6
3,2
2,8
2,4
1,6
1,2
0,8
0,4
0
0,8
1,6
2,4
3,2
4,8
5,6
6,4
7,2
Il sagit dun type de solution qui sappelle un cycle limite. Une telle solution
est remarquable car elle sinterprte comme des fluctuations priodiques ro-
bustes des populations de proies et prdateurs : si on part de densits initiales
strictement positives qui ne sont pas sur la trajetoire du cycle limite et qui ne
correspondent pas lquilibre, ces densits vont tendre rapidement vers des
densits priodiques.
82 CHAPITRE 5. INTERACTIONS
x1 = r 1 x 1 1 Kx11 b 12 Kx21
(
(5.10)
x2 = r 2 x 2 1 Kx22 b 21 Kx12 .
u 1 = 0, u 2 = 0, u 1 = 1, u 2 = 0, u 1 = 0, u 2 = 1
1 a 12 1 a 21
u 1 = , u 2 =
1 a 12 a 21 1 a 12 a 21
Il est clair que le dernier na de sens biologique que si a 12 a 21 6= 1 et si u 1 > 0,
u 2 > 0. La position relative des isoclines f 1 (u 1 , u 2 ) = 0 et f 2 (u 1 , u 2 ) = 0 nous
donne quatre situations distinctes montrs dans la figure 5.6.
F IGURE 5.6
F IGURE 5.7
5.3. SYSTMES DIFFRENTIELS POUR LCOLOGIE 85
(5.11) x i = x i g i (x 1 , . . . , x n ) (i = 1, . . . , n),
c.--d.
x i
= g i (x 1 , . . . , x n ) (i = 1, . . . , n).
xi
Seul lorthant positif Rn+ nous intresse puisque les x i reprsentent des densi-
ts de populations. Les g i sont les taux de croissance par individu. On les ap-
pelle aussi des fonctions dinteraction. En pratique, ce sont des fonctions poly-
nomiales ou plus gnralement rationnelles.
On observe que si x i (0) = 0, la population correspondante reste nulle : x i (t ) = 0
pout tout t . La face donne par lquation x i = 0 est donc invariante par la dy-
namique. Si n = 2, une face est simplement lune des demi-droites {x 2 = 0, x 1
0}, {x 1 = 0, x 2 0}. Si n = 3, une face est lun des demi-plans {x 3 = 0, x 1 0, x 2
0}, etc. Si on accepte le rsultat que nous noncerons dans la Partie II qui dit
que deux trajectoires ne peuvent pas sintersecter, on en dduit que lorthant
positif Rn+ est invariant par la dynamique ; autrement dit, des densits initiales
strictement positives, elles vont volues en restant toujours positives.
Le type dinteraction entre la population j et la population k est dtermin
par la rponse du taux daccroissement x j /x j laugmentation de x k et vice
versa en changeant les indices j et k. Autrement dit, linteraction entre les po-
pulations j et k est dtermine par le signe de la drive de g j par rapport x k
et vice versa. Il y a trois cas particuliers remarquables :
1. Si pour chaque j 6= k et dans tout lorthant positif le produit
g j g k
0,
x k x j
86 CHAPITRE 5. INTERACTIONS
Dans cette classe de modles, les taux daccroissements sont des fonctions af-
fines. La matrice A = (a i j ) est appele matrice dinteraction.
Pour cette classe de modles, la caractrisation des trois types fondamentaux
dinteractions est trs simple : on a un systme proie-prdateur si a j k a k j 0,
comptitif si a j k > 0 et coopratif si a j k < 0, pour tout j 6= k dans chacun des
cas. Le modles proie-prdateur (5.1) et (5.6) et le modle de comptition (5.10)
en sont des exemples avec n = 2.
5.4. MODLES ALATOIRES 87
X (t ) X (t + t ) X (t ), Y (t ) Y (t + t ) Y (t )
P X (t ) = x, Y (t ) = y X (t ), Y (t ) =
aX (t )t + o(t ) si (x, y) = (1, 0)
d X (t )Y (t )t + o(t ) si (x, y) = (0, 1)
bX (t )Y (t )t + o(t ) si (x, y) = (1, 0)
cY (t )t + o(t ) si (x, y) = (0, 1)
1 X (t ) a + bY (t ) t Y (t ) c + d X (t ) t + o(t ) si (x, y) = (0, 0)
o(t )
autrement.
idem pour, par ex. , la naissance dune proie et sa mort par rencontre dun pr-
dateur, etc.
La figure suivante montre une ralisation de ce processus :
p (x,y) = a(x 1)p (x1,y) + d x(y 1)p (x,y1) + b(x + 1)y p (x+1,y) + c(y + 1)p (x,y+1)
(ax + d x y + bx y + c y)p (x,y) .
On a
E[X (t )] = et E[Y (t )] = .
r r =s=1 s r =s=1
Ce qui nous intresse est lvolution de E[X (t )] et E[Y (t )]. Pour les obtenir on
observe que
dE[X (t )]
= .
t r r =s=1
dt
Lide consiste calculer t r qui est la mme chose que r t . On calcule cette
dernire fonction en drivant lquation (5.13) par rapport r , puis en prenant
r = s = 1. Aprs quelques calculs on trouve
dE[X (t )] 2
=a b
r r =s=1 r s r =s=1
dt
= a E[X (t )] b E[X (t )Y (t )].
dE[X (t )]
= c E[Y (t )] + d E[X (t )Y (t )].
dt
On dcouvre donc que (E[X (t )], E[Y (t )]) nest pas la solution du systme diff-
rentiel (5.1) car on devrait alors avoir
dE[X (t )]
(
dt
= a E[X (t )] b E[X (t )]E[Y (t )]
dE[X (t )]
dt
= c E[Y (t )] + d E[X (t )]E[Y (t )].
Mais il ny a aucune raison pour que E[X (t )Y (t )] soit gal E[X (t )]E[Y (t )] car
X (t ) et Y (t ) ne sont pas des variables alatoires indpendantes.
9. c.--d. quil existe C > 0 tel que pour tout t E[X (t )] < C et E[Y (t )] < C
90 CHAPITRE 5. INTERACTIONS
X (t ) Y (t )
x K (t ) , y K (t ) et X (0) = Y (0) = K .
K K
+ THORME 5.3.
Pour tout T > 0 et pour tout > 0 on a
lim P sup x K (t ) x(t ) + x K (t ) x(t ) > = 0.
K 0t T
Ce thorme nous dit donc que pour tout intervalle de temps donn [0, T ],
(x K (t ), y K (t )) est aussi proche que lon veut de (x(t ), y(t )) avec une probabilit
proche de un si K est trs grand.
Les observations que nous avons faites sur la version alatoire du modle
proie-prdateur de Lotka-Volterra sont en fait de porte gnrale et montrent
quil faut faire attention ce que lon fait. En particulier, lvolution moyenne
du processus ne suit pas lvolution prdite par le modle dterministe et les
deux modles se ressemblent dans la limite de populations initiales tendant
vers linfini mais durant des intervalles de temps borns.
Chapitre 6
Modliser la dispersion
dans lespace : premiers pas
USQU
prsent nous navons pas pris en compte un aspect essentiel : la r-
J partition dans lespace. Listons quelques raisons videntes pour la prendre
en compte :
Lenvironnement est en gnral htrogne ds quon considre une chelle
suffisamment grande. Par exemple, lorsquon a tudi lquation logis-
tique
x
x = r x 1
K
on a suppos que le taux de croissance intrinsque r et la capacit de
charge K sont des nombres donns une fois pour toutes. Ces paramtres
peuvent en fait dpendre du lieu o on se trouve : il peut y avoir des lieux
favorables et des lieux dfavorables ; les ressources peuvent varier de ma-
nire rgulire dans lespace ou bien tre distribues de manire parcel-
laire (fragmentation co-paysagre) ; etc.
Mme si lenvironnement est homogne, une population peut tre r-
partie initialement de faon htrogne. Par exemple, les organismes ca-
pables de se dplacer vont chercher des rgions o la densit de leurs
concurrents est plus faible. Un exemple typique de rpartition initiale
trs htrogne correspond lintroduction (contrle ou non) dune es-
pce invasive. Pour ne prendre quun seul exemple clbre, citons les rats
musqus qui ont envahi lEurope partir de fermes situes en Europe
Centrale. Cette espce est originaire dAmrique du Nord et a t intro-
duite la fin du 19me sicle en Europe pour lexploitation de sa fourure.
Modliser les invasions biologiques est capital quand il sagit despces
nuisibles aux consquences conomiques considrables.
Des espces diffrentes peuvent avoir des taux de dispersion diffrents.
91
92 CHAPITRE 6. MODLISER LA DISPERSION DANS LESPACE
Dans les modles proie-prdateur, nous avons suppos que les proies et
les prdateurs sont bien mlangs, si bien que la probabilit de ren-
contre entre une proie et un prdateur ne dpend pas du lieu prcis :
on la prend constante dans lhabitat considr. Cest en fait le cas dans
tous les modles bass sur des quations diffrentielles. Les physiciens
parlent dhypothse de champ moyen. Ces diffrents taux de dispersion
conduisent des htrognits spatiales dans la densit des proies et
des prdateurs, mme en labsence dhtrognit de lenvironnement.
dp
(t ) = c p(t )(1 p(t )) ep(t )
dt
o c > 0 et e > 0 sont respectivement les paramtres de colonisation et dextinc-
tion.
dp
= (a + c p)(1 p) ep.
dt
Expliquez ce modle et tudiez-le.
but de ces modles est de prendre en compte de la qualit des parcelles en dis-
tinguant les parcelles de mauvaise qualit (puits) de celles de bonne qualit
(sources). Le modle que nous allons introduire est temps discret et a t
introduit par V. Bansaye et A. Lambert [BL12].
mq d u 2 + (mq 1)u + mq g = 0
et
p 1 pd pg et q 1 q d q g .
Nous dmontrerons ce thorme plus tard quand nous aurons notre disposi-
tion la thorie des chanes de Markov. Constatons que ce critre na rien din-
tuitif ! Il montre que ce modle, qui semble lmentaire, est dj complexe.
96 CHAPITRE 6. MODLISER LA DISPERSION DANS LESPACE
1 n!
p(m, n) = n
2 [(n + m)/2]![(n m)/2]!
En effet, une promenade donne de n pas au total avec r pas vers la droite a une
n!
probabilit gale 21n et il y a r !(nr )!
faons de raliser toutes les promenades
possibles avec ces contraintes.
P+
- EXERCICE 6.2.1. Vrifier que pour chaque n on a m= p(mx, nt ) = 1.
6.2. DES PROMENADES ALATOIRES AUX QUATIONS DE RACTION-DIFFUSION97
(x)2
(6.1) D lim
x0,t 0 2t
p 2 p
(6.2) =D 2
t x
p
1. n! 2n n n e n
98 CHAPITRE 6. MODLISER LA DISPERSION DANS LESPACE
u(x, t ) u(x, t t )
=
t
u(x + x, t t ) 2u(x, t t ) + u(x x, t t )
D
(x)2
p(x + x, t t ) p(x x, t t )
v
2x
2x
o 12 et v t .
Obtenir lquation limite en explicitant les hypothses faire. Commenter les cas
= 0 et = 1.
Lexercice ci-dessus qui fait apparatre une forme gaussienne pour p(m, n)
quand m, n tendent vers linfini suggre lanalyse suivante de la promenade
alatoire. On peut toujours supposer que la promenade dmarre en x 0 = 0 au
temps t 0 = 0 et qu chaque pas de temps. La position de lindividu au temps
nt peut tre dcrite par la somme X 1 + + X n de n variables alatoires ind-
pendantes, de mme loi :
1
P(X k = x) = .
2
Lesprance des X k est nulle (E[X k ] = 0) et leur variance commune 2 vaut
1
2
(x)2 + 12 (x)2 = (x)2 . On peut donc appliquer le thorme limite central
aux variables alatoires
p p
Yn (X 1 + + X n )/( n) = (X 1 + + X n )/(x n)
ce qui donne
1 w w2
z
(6.3) lim P(Yn z) = p e 2 dw, z R.
n 2
6.2. DES PROMENADES ALATOIRES AUX QUATIONS DE RACTION-DIFFUSION99
px
1 w w2
2D t
1 wx y2
4D t
lim P(X 1 + + X n x) = p e dy.
n 4D t
p y2
Lexpression (1/( 4D t ) e 4D t qui apparat dans le membre de droite est en
fait la solution fondamentale de lquation (6.2). Si nous prenons cette expres-
sion comme modle pour la probabilit u(y, t ) de la position de lindividu
linstant t , alors u(y, 0) = (y), c.--d. que u(y, 0) est la masse de Dirac en 0.
On peut vrifier que u(y, t ) satisfait lquation u/t = D2 u/y 2 . Si mainte-
nant lindividu dmarre sa promenade au point z, on sattend ce u(y, t ) =
p (yz)2
(1/( 4D t ) e 4D t . Enfin, supposons quon ne connaisse pas exactement la
position initiale de lindividu linstant t = 0 mais quon se donne une den-
sit de probabilit u 0 (x) cet instant. On peut sattendre ce que la densit
linstant t soit
1 w (yx)2
u(x, t ) = p e 4D t u 0 (y) dy.
4D t
On peut vrifier que cest quivalent au problme de rsoudre lquation
u 2 u
=D 2
t x
tant donn la densit initiale u(x, 0) = u 0 (x). Nous nous sommes restreints
un mouvement en dimension un car les points cls y apparaissent. Gnra-
liser la promenade alatoire prcdente en dimension deux ou trois ne pose
100 CHAPITRE 6. MODLISER LA DISPERSION DANS LESPACE
o 2 u est le laplacien de u.
La conclusion de ce que nous avons fait est la suivante : si nous modlisons
le mouvement dun individu par une promenade alatoire qui fait des pas de
taille x (qui ne sont pas corrls 3 ) aux temps nt , alors, si nous nous plaons
une chelle de temps beaucoup plus grande que t et une chelle des-
pace beaucoup plus grande que x, la probabilit de trouver lindividu dans un
rayon donn linstant t est bien approche par la solution dune quation aux
drives partielles dterministe, savoir (6.4). Cette probabilit est une gaus-
sienne dont la variance est 2D t , c.--d. quelle crot linairement avec le temps
t . Le coefficient de diffusion 2D est la limite quand t et x tendent vers 0 de
(x)2 /t .
Une question naturelle consiste se demander quelle quation on obtiendrait
sil y avait une corrlation entre les pas successifs de la promenade alatoire,
contrairement ce que nous avons suppos.
Une autre question fondamentale est la prise en compte de la reproduction des
individus. En effet, nous navons pour linstant considr que le dplacement
pur dun individu modlis par une promenade alatoire. On veut galement
prendre en compte le fait quil se reproduit.
u 2 u
=D , u(0, x) = u 0 (x).
t x 2
On suppose que les rats musqus se sont propags partir dun point,
quon peut prendre lorigine. Donc on prend u 0 (x) = N0 0 (x).
Si on ne prend en compte que la croissance de la population en ignorant
lespace, on fait lhypothse la plus simple possible : il ny a pas de com-
ptition entre les rats musqus. On prend donc un modle malthusien :
u
= u
t
o > 0.
La dynamique complte sobtient en additionnant le terme de diffusion
et le terme de croissance :
u 2 u
(6.5) =D + u, u(0, x) = u 0 (x).
t x 2
+ PROPOSITION 6.1.
Soit A(t ) lintervalle {x : u(x, t ) u} o u > 0 est fix. Alors
p p
A(t ) [2 D t , 2 D t ] quand t +.
p
Autrement dit, la longueur de lintervalle A(t ) est 4 D t quand t 1.
Dmonstration. On sintresse lensemble des points x tels que u u(x, t )
pour t > 0 fix qui est un intervalle 4 . On a
N0 x2
u u(x, t ) u p e 4D t +t
2 D t
p
2 D t u x2
e 4D t +t
N0
p
1 2u D t
2 2
x 4D t 1 ln
(t ) N
| {z 0 }
0
t +
p p
Donc, quand t tend vers +, lintervalle A(t ) [2 D t , 2 D t ]. C.Q.F.D.
Intermde En fait, il y a une recette gnrale pour passer dun modle pu-
rement temporel un modle spatio-temporel si on suppose que le mouve-
ment est diffusif. Pour simplifier, prenons un modle dterministe gnrique
en dimension un, u = f (u), qui va fournir la dynamique locale en un point x
donn. Pour un choix de f donn, on obtient le modle spatio-temporel
u 2 u
=D + f (u).
t x 2
Nous venons de voir le cas malthusien ( f (u) = u). Nous pourrions prendre
pour f le modle logistique :
u 2 u u
=D + r u 1 .
t x 2 K
Cette quation est connue sous le nom dquation de Fisher qui la introduite
en 1937 pour modliser la propagation dun gne avantageux. Nous la retrouve-
rons plus tard. Mentionnons un dernier exemple, communment appel qua-
tion de Nagumo :
u 2 u u u
=D + r u 1 1
t x 2 K0 K
o 0 < K 0 < K .
6.3 Notes
Le livre [CC03] traite de lcologie spatiale et des quations de raction-diffusion.
Deuxime partie
B OTE OUTILS
105
107
OBJET de cette partie est ltude de deux types dobjets mathmatiques : les
L systmes diffrentiels et les chanes de Markov.
Dynamique dterministe
temps continu :
Introduction lanalyse qualitative
des systmes diffrentiels
Sommaire
7.1 Fondements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.1.1 Systmes diffrentiels dans le plan . . . . . . . . . . . . . 111
7.1.2 Gnralisation . . . . . . . . . . . . . . . . . . . . . . . . . 113
7.1.3 Existence & unicit des solutions, dterminisme . . . . 113
7.1.4 Combien de temps les solutions vivent-elles ? . . . . . . 115
7.1.5 Orbites future et passe dun point . . . . . . . . . . . . 116
7.1.6 Solutions stationnaires et quilibres . . . . . . . . . . . . 116
7.1.7 Portrait dtats . . . . . . . . . . . . . . . . . . . . . . . . . 116
7.1.8 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
7.2 Stabilit des quilibres : exemples & dfinitions . . . . . . . . 119
7.2.1 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
7.2.2 Notions de stabilit pour un quilibre . . . . . . . . . . . 120
7.3 Linarisation au voisinage dun quilibre . . . . . . . . . . . . 122
7.3.1 Linarisation en dimension deux : principe de base . . . 122
7.3.2 Systmes linaires en dimension deux : nuds, foyers,
centres, cols . . . . . . . . . . . . . . . . . . . . . . . . . . 124
7.3.3 L Retour aux systmes non linaires . . . . . . . . . . . 131
7.3.4 Linarisation en dimension quelconque . . . . . . . . . 134
7.4 Fonctions de Liapounov . . . . . . . . . . . . . . . . . . . . . . 139
7.5 Solutions priodiques, cycles et cycles limites . . . . . . . . . 143
109
110 CHAPITRE 7. DYNAMIQUE DTERMINISTE TEMPS CONTINU
7.1 Fondements
7.1.1 Systmes diffrentiels dans le plan
Supposons quune soufflerie tablisse sur une portion de plan un systme de
courants dair constant dans le temps et que lon puisse connatre en chaque
point la direction et la force du vent (cest--dire en fait son vecteur vitesse).
Si une plume est lache en un point du plan , elle sera entrane par le vent et
suivra une trajectoire bien dtermine ; chaque instant, cette trajectoire sera
tangente au vecteur vitesse du vent au point considr.
Connaissant le systme de courants dair, que peut-on prvoir au sujet de ces
trajectoires ?
En termes mathmatiques abstraits, nous nous donnons un champ de vecteurs
sur une portion du plan par deux fonctions dune partie de R2 dans R (ses com-
posantes) : f et g .
Une trajectoire (ou orbite) sera dfinie par deux fonctions drivables :
(
t 7 x(t )
t 7 y(t )
chaque instant t , ltat du systme form par ces deux populations est com-
pltement caractris par le point (x(t ), y(t )) dans le plan. Puisque les densits
de populations sont des nombres positifs ou nuls, lespace dtat qui nous in-
tresse est le quadrant positif R2+ .
Le type de problme qui nous intresse nous conduit ltude de systmes
diffrentiels de la forme
(
x = f (x, y)
y = g (x, y).
((t ), (t ) : t I
Les fonctions f et g sont en gnral non linaires et il est rare quon puisse
rsoudre explicitement le systme dquations. Cela signifie quon est en gn-
ral incapable de donner une expression explicite des fonctions et comme
combinaison finie de fonctions lmentaires et de leurs primitives. Mais, mme
lorsque les systmes sont rsolubles, une tude qualitative permet souvent de
comprendre le comportement des solutions alors que la complxit des for-
mules explicites les rendent difficilement utilisables.
7.1. FONDEMENTS 113
7.1.2 Gnralisation
Comme le lecteur sen doute, les considrations prcdentes se gnralisent
immdiatement un nombre quelconque mais fini de dimensions. Un modle
ncessitant n variables dtats et suppos tre descriptible par un systme dif-
frentiel sera de la forme
x i = f i (x 1 , . . . , x n ), i = 1, . . . , n
X = F (X )
QUELQUES REMARQUES.
Le thorme a pour consquence immdiate que deux orbites maximales sont
soit disjointes, soit confondues ; elles ne peuvent pas se couper ! Cest la dfini-
tion mathmatique du dterminisme : tant donn ltat du systme un ins-
tant donn, son volution passe et future est compltement dtermine.
Par abus de langage, on parle de la solution de X = F (X ) tant donn X 0 (t 0 )
en sous-entendant donc quon considre la solution maximale.
114 CHAPITRE 7. DYNAMIQUE DTERMINISTE TEMPS CONTINU
a : t 7 (t + a)
est galement une solution dfinie sur le translat de I , pour tout rel a. Toutes
ces solutions diffrentes auront la mme orbite. Reprenons notre exemple phy-
sique de la soufflerie mentionn au dbut. Si on introduit deux grains de pous-
sire au mme endroit mais deux instants diffrents, ils suivront la mme or-
bite. On exprime cette proprit des systmes autonomes en disant que les or-
bites ny dpendent pas de lorigine des temps.
Du point prcdent il dcoule quon peut toujours considrer que la donne
initiale X 0 est pour t = 0.
On notera souvent (t ; X ) la solution passant par X au temps t = 0. Cette
notation met en lumire le fait quon peut considrer la solution comme une
fonction de la condition initiale, pas seulement comme une fonction du temps.
Le minimum quon puisse exiger dun modle de populations est que les
densits ne deviennent jamais ngatives ! Plus prcisment, considrons la classe
des quations diffrentielles cologiques que nous avons introduite dans la
Partie I : n populations suivent lvolution donne par le systme
(7.1) x i = x i f i (x 1 , . . . , x n ), i = 1, . . . , n,
+ PROPOSITION 7.1.
Plaons-nous sous les hypothses du Thorme 7.1. Si t + < + alors lim supt t+ k(t )k =
+. Si t > alors lim supt t k(t )k = +.
7.1.8 Exemple
Reprenons le modle proie-prdateur de Lotka-Volterra (adimensionn) afin
dillustrer les notions et les rsultats qui prcdent, cest--dire le systme dif-
frentiel (
x = x(1 y)
y = y(x 1)
7.1. FONDEMENTS 117
F = (1, 1).
Le signe de x est dtermin par le fait que y soit plus grand ou plus petit que
y , celui de y par le fait que x soit plus grand ou plus petit que x . Donc R2+ est
divis en quatre rgions I,II,III, IV (cf. fig. suivante)
Notre but est de dmontrer que toutes les solutions du systme qui corres-
pondent des populations initiales (x 0 , y 0 ) int(R2+ ) sont priodiques, except
la solution constante ((t ), (t )) = (x , y ). Cela va rsulter des deux proposi-
tions suivantes.
+ PROPOSITION 7.2. Soit H : int(R2+ ) R la fonction dfinie par
H (x, y) = x ln x + y ln y.
118 CHAPITRE 7. DYNAMIQUE DTERMINISTE TEMPS CONTINU
Alors H est constante le long des trajectoires : H ((t ), (t )) = Const. pour toute
solution t 7 ((t ), (t )), t ]t , t + [, o t , t + sont les temps donns par le Tho-
rme 7.1.
dx
dx dt x(1 y)
= = ,
dy dy y(x 1)
dt
donc w 1 y w x 1
dy = dx,
y x
ce qui donne
ln y y = ln x + x + h
o h est la constante dintgration dtermine par la donne initiale (x 0 , y 0 ).
On a donc identifi la fonction H . (On vrifie bien que H est bien constante le
d
long des solutions, c.--d. que dt H ((t ), (t )) = 0.) C.Q.F.D.
sont donc des courbes fermes. Les orbites du systme sont incluses dans ces
courbes fermes. Reste vrifier quelles sont confondues avec elles pour conclure
que les toutes les solutions sont priodiques. Cest lobjet du thorme suivant.
(x ln x) et y ln y .
Le portrait dtats est donc form dun continuum dorbites fermes autour
de lquilibre (x , y ) (plus les trois orbites qui forment le bord du quadrant po-
sitif).
Si on prend un point (x 0 , y 0 ) dune des orbites fermes comme condition ini-
tiale, il est vident que la solution correspondante va tre priodique puisque
les solutions sont dfinies pour tout t . Cela signifie quil existe un rel T > 0 (la
priode) tel que ((t + T ), (t + T )) = ((t ), (t )) pour tout t .
Nous verrons que cette situation nest pas gnrique dans le sens quune
perturbation, si petite soit-elle, du champ de vecteurs dtruit compltement
ce portrait.
La situation gnrique dans un systme diffrentiel non linaire est quun cycle
est isol et quil attire (ou repousse) les solutions correspondant des condi-
tions initiales qui se trouvent dans son voisinage (cycle limite).
Ltude des cycles et des cycles limites sera lobjet de la Section 7.5.
- EXERCICE 7.1.1. Trouver une fonction H (x, y) constante le long des orbites du
systme (
x = y 3
y = x y 2 .
Les courbes de niveau H = Const. sont-elles entirement parcourues par les solu-
tions ? Conclure.
par ce point. Mais rien nempche a priori que X soit un point dadhrence
dune, plusieurs, voire mme une infinit, dorbites. Ce qui va nous intresser
est de connatre lallure des orbites au voisinage dun quilibre. Commenons
par quelques exemples.
7.2.1 Exemples
Voici quelques exemples dallures des solutions autour dun quilibre quon
peut imaginer :
que
+ REMARQUE 7.4. Pour des raisons historiques, de nombreux livres appellent sta-
bilit la Liapounov la notion que nous venons de dfinir.
Les quilibres attractants sont les attracteurs les plus simples ; nous en ver-
rons dautres types. Nous laissons au soin du lecteur de dfinir un quilibre
rpulsif. On vient de voir un exemple dquilibre qui nest pas un attracteur. Il
se peut quun quilibre attractant ne soit pas stable. Les exemples ne sont pas
simples mais en voici deux donns en exercice.
Avant de formuler le thorme qui satisfait notre ambition, observons que, quitte
faire un changement de coordonnes, nous pouvons toujours supposer que
lquilibre est lorigine.
+ THORME 7.7.
Soit un systme diffrentiel de classe C 1 dfini dans un ouvert U deR2 contenant
a b
lorigine et admettant lorigine comme quilibre. Soit A la matrice du sys-
c d
tme linaris lorigine.
Si les valeurs propres de A sont distinctes, non nulles et de partie relle non nulle,
les orbites du systme se comportent au voisinage de lorigine comme celles du
systme linaris.
X = AX
a b x1
o A = est une matrice coefficients rels et X = . Lorigine est un
c d x2
quilibre.
On peut en fait classifier tous les types dorbites en se ramenant aux formes
canoniques que peuvent prendre les matrices 2 2 : on peut montrer que
par une transformation linaire approprie T , Z = T 1 X (changement de base)
satisfait lquation
Z = A 0 Z
0 1 z1
o A = T AT et Z = . Les valeurs propres de la matrice A 0 sont celles de la
z2
matrice A et elle possde lune des trois formes suivantes :
7.3. LINARISATION AU VOISINAGE DUN QUILIBRE 125
(a)
1 0
0
A = .
0 2
Cette forme diagonale correspond au cas dune matrice A possdant deux
valeurs propres relles distinctes ou une valeur propre relle double de
multiplicit gomtrique gale deux (ce qui signifie quil existe deux
vecteurs propres indpendants associs la valeur propre).
(b)
1
0
A = .
0
Cette forme, dite forme de Jordan, correspond au cas dune matrice A
possdant une valeur propre relle double de multiplicit gomtrique
gale un, cest--dire que lensemble des vecteurs propres associs
cette valeur propre forme une droite.
(c)
0
A = , 6= 0.
Cette forme correspond au cas dune matrice A possdant deux valeurs
propres complexes conjugues i .
Dans ces nouvelles coordonnes, les trajectoires se calculent facilement et sont
dcrites par les quations suivantes :
(a)
z 1 (t ) = z 1 (0)e 1 t
(
z 2 (t ) = z 2 (0)e 2 t .
(b)
z 1 (t ) = z 1 (0)e t + t z 2 (0)e t
(
z 2 (t ) = z 2 (0)e t .
(c)
z 1 (t ) = e t z 1 (0) cos(t ) + z 2 (0) sin(t )
(
Les tableaux 7.2 7.4 illustrent les portraits dtats en fonction de lune de
ces trois formes et en fonction du signe des valeurs propres.
Dans ces tableaux on dfinit en particulier les nuds, les foyers, les centres et
les cols pour les systmes linaires.
Ces orbites sont reprsentes dans le plan (z 1 , z 2 ) et dans le plan (x 1 , x 2 ). Dans
126 CHAPITRE 7. DYNAMIQUE DTERMINISTE TEMPS CONTINU
Donc
1 0
1
T AT = .
0 2
Prenons lexemple
1 0
A= .
1 2
128 CHAPITRE 7. DYNAMIQUE DTERMINISTE TEMPS CONTINU
x 0 0 x 0
(A + Id) = =
y 1 1 y 0
ce qui donne le vecteur propre (1, 1). Un vecteur propre associ = 2 est
(0, 1). Nous avons donc une paire de solutions qui se trouvent chacune sur une
droite et qui tendent vers lorigine quand t +. Celle qui correspond la
valeur propre la plus faible (la moins ngative) se trouve sur la droite y = x ;
lautre se trouve sur laxe des ordonnes. Toutes les autres solutions tendent
vers lorigine tangentiellement la droite y = x.
Pour passer la forme canonique, on prend T dont les colonnes sont les
7.3. LINARISATION AU VOISINAGE DUN QUILIBRE 129
vecteurs propres :
1 0
T=
1 1
c.--d.
1 1 0
T =
1 1
On calcule
0 1 1 0
A =T AT =
0 2
La solution gnrale de Z = A 0 Z est de la forme
1 1 2t 0
Z (t ) = c 1 e + c2 e ,
0 1
2 (a + d ) + (ad bc) = 0
c.--d.
2 tr(A) + det(A) = 0
o tr(A) est la trace de la matrice A et det(A) son dterminant. Les solutions
sont donnes par
1 p
1,2 = tr(A)
2
o tr(A)2 4det(A). Observons que 1 + 2 = tr(A) et 1 2 = det(A). La go-
mtrie des orbites de X = AX est donc compltement dtermine par le dia-
gramme trace-dterminant suivant :
o p est paramtre rel. tudier les orbites du systmes pour p = 0.5, 0.1, 0, 0.5, 2.
Col : On dira que (x , y ) est un col pour le systme S sil existe un disque D
centr en (x , y ) et deux directions D 1 et D 2 tels que la restriction des orbites
du systme D vrifie les conditions suivantes :
D ne contient quun seul quilibre de S : (x , y ).
Il existe exactement deux orbites O1 et O2 de S arrivant en (x , y ) tan-
gentiellement D 1 , de part et dautre de (x , y ).
Il existe exactement deux orbites O3 et O4 de S arrivant en (x , y ) tan-
gentiellement D 2 , de part et dautre de (x , y ).
Toutes les autres orbites passant par une point de D distinct de (x , y )
viennent dun point de la frontire de D et ressortent de D.
Nud : On dira que (x , y ) est un nud attractif (resp. rpulsif) sil existe un
disque D centr en (x , y ) et deux directions D 1 et D 2 satisfaisant les condi-
tions suivantes :
(x , y ) est le seul quilibre contenu dans D.
132 CHAPITRE 7. DYNAMIQUE DTERMINISTE TEMPS CONTINU
Foyer : On dira que (x , y ) est un foyer attractif (resp. rpulsif) sil existe un
disque D centr en (x , y ) tel que
(x , y ) est le seul quilibre contenu dans D.
Toutes les orbites passant par un point M de D diffrent de (x , y ) abou-
tissent (x , y ) (resp. partent de (x , y )) en coupant une infinit de
fois toute demi-droite issue de (x , y ). Il en rsulte que ces orbites sen-
roulent en spirale autour de (x , y ).
Thormes Quitte faire une translation daxes, nous pouvons supposer que
x = y = 0 : lorigine est donc lquilibre de S que nous voulons tudier.
Au voisinage de lorigine on a :
(
f (x, y) = ax + b y + (x, y)r (x, y)
(L)
f (x, y) = c x + d y + (x, y)r (x, y)
x = y + x x 2 + y 2
(
y = x + y x 2 + y 2
Lorigine est un centre et toutes les solutions non-nulles parcourent des cercles
centrs lorigine dans le sens contraire des aiguilles dune montre, vitesse
angulaire constante. (Vrifiez-le !) Mais le systme de dpart est trs diffrent.
En passant en coordonnes polaires il se rcrit
(
r = r 3
= 1.
En effet, lorsque > 0, toutes les solutions non-nulles fuient vers linfini en spi-
ralant autour de lorigine, tandis que lorsque < 0 elles spiralent toutes vers
lorigine. Nous voyons donc que si petit que soit le terme non-linaire, le por-
trait dtats du systme linaire est boulevers et na plus rien voir avec le
portrait dtats du systme de dpart.
134 CHAPITRE 7. DYNAMIQUE DTERMINISTE TEMPS CONTINU
(7.2) X = AX .
t t2 X t k Ak
+
e t A = Id + A + A2 + = .
1! 2! k=0 k!
7.3. LINARISATION AU VOISINAGE DUN QUILIBRE 135
A n
tA
e = lim Id + .
n+ n
Puits, sources, cols Il est vident que lorigine est un quilibre pour (7.2). 3 Il
y a a priori tout un zoo de comportements des orbites autour de lorigine, ce
zoo tant dautant plus grand que la dimension n est grande. Nanmoins trois
situations du cas n = 2 se gnralisent naturellement. Lorigine est
un puits, si les valeurs propres ont toutes une partie relle ngative, c.-
-d. les et les a sont ngatifs. Dans ce cas, e t 0 et e at 0 quand
t +. Donc lorigine est un attracteur.
une source, si les valeurs propres ont toutes une partie relle positive.
Dans ce cas lorigine est un rpulseur.
un col, si certaines valeurs propres se situent gauche et dautres droite
de laxe imaginaire dans le plan complexe C, mais quaucune ne se situe
sur laxe imaginaire. Les orbites dont les solutions aboutissent lorigine,
quand t tend vers + (resp. quand t tend vers ), forment un sous-
espace vectoriel appel le sous-espace stable (resp. sous-espace instable).
La somme directe de ces deux sous-espaces est Rn .
En dimension deux (n = 2), nous avons raffin la description des puits et des
sources en distinguant les noeuds et les foyers, attractifs et rpulsifs.
X = AX
x
avec X = y .
z
Si
2 0 0
A = 0 1 0
0 0 1
on a le portrait suivant :
Lorigine est un col dont le sous-espace instable est le plan (x, y) et le sous-
espace stable laxe des z.
Un puits a lallure suivante :
Lexemple suivant est un col-spirale. Il est donn par le systme
0.1 1 0
X = 1 0.1 0 X
0 0 1
7.3. LINARISATION AU VOISINAGE DUN QUILIBRE 137
f f1
1
(0) (0)
x1. x n
..
A= .
. .
fn fn
x 1 (0) x n (0)
k(t ; X ) X k e at kX X k
Soit
P () n + 1 n1 + 2 n2 + + a n1 + n = 0
H1 = (1 ),
1 1
H2 = ,
3 2
1 1
0
H3 = 3 2 1 , . . . ,
5 4 3
7.4. FONCTIONS DE LIAPOUNOV 139
1 1 0 0 ... 0
3 2 1 1 ... 0
Hk =
5 4 4 2 ... 0 ,...,
.. .. .. .. .. ..
. . . . . .
2k1 2k2 2k3 2k4 . . . k
1 1
0 0 ... 0
3 2 1 1 ... 0
Hn = . .. ,
.. .. .. ..
.. . . . . .
0 0 ... ... 0 n
o le coefficient (`, m) de la matrice Hk est donn par
- EXERCICE 7.3.4. Vrifier que pour n = 3, on trouve les conditions 1 > 0, 3 > 0
et 1 2 > 3 .
Pour n = 4, vrifier quon a les conditions 1 > 0, 3 > 0, 4 > 0 et 1 2 3 >
23 + 21 4 .
connatre ses solutions. Comme il est trs rare de les connatre en pratique, cest
un point crucial. Le prix payer est quil ny a pas de recette gnrale pour fabri-
quer ces fonctions. Lexprience et lingniosit accumules par les praticiens
des systmes diffrentiels nous permettront den obtenir dans de nombreuses
situations.
Les fonctions de Liapounov permettent dtudier la stabilit dquilibres dans
des situations o lanalyse linaire ne fonctionne pas. Mme si le systme lina-
ris nous donne des informations, elles ne sont que locales, cest--dire quon
apprend le comportement qualitatif des orbites dans un voisinage dun qui-
libre. Ce voisinage est la plupart du temps implicite. Les fonctions de Liapounov
permettent dans certains cas destimer le bassin dattraction dun quilibre X
asymptotiquement stable, cest--dire lensemble des points X tels que (t ; X )
tend vers X lorsque t tend vers +.
(7.3) X = F (X )
L(X ) L(X ), F (X )
o , est le produit scalaire dans Rn . Observons que L peut tre calcul direc-
tement partir de F , sans intgrer les quations.
Si (t ; X ) est la solution de (7.3) passant par X au temps t = 0, alors par la rgle
de drivation des fonctions composes :
dL((t ; X )) X n L d
= ((t ; X )) i (t ; X )
dt i =1 x i dt
= L(X ), F (X )
= L((t ; X )).
6. Afin de ne pas alourdir le texte, on suppose que F est dfini dans tout Rn . Si F nest dfini
que sur un ouvert U de Rn , les notions et rsultats de cette section stendent sans difficult.
7.4. FONCTIONS DE LIAPOUNOV 141
+ THORME 7.18.
Supposons que (7.3) admette une fonction de Liapounov L : V R avec X V
(cest--dire que L(X ) 0 X V).
Si L(X ) > L(X ) pour tout X V\{X }, alors X est stable.
Si, de plus, L sannule seulement en X , alors X est asymptotiquement stable.
En lhonneur de A. Liapounov, qui a introduit ces ides, la coutume est dappe-
ler ce thorme le thorme de stabilit de Liapounov.
Une question naturelle se pose : peut-on donner une condition suffisante
sur la fonction de Liapounov pour que X soit globalement asymptotiquement
stable ? Autrement dit, nous voulons montrer que dans certains cas la solution
de toute condition initiale tend vers X quand t tend vers +.
L(x, y) = 2(x y + x 2 y 2 x y) = 2x 2 y 2 .
142 CHAPITRE 7. DYNAMIQUE DTERMINISTE TEMPS CONTINU
Il est vident que L satisfait les hypothses du Thorme 7.18 si < 0 et comme
L(x, y) + quand x 2 + y 2 , lorigine est globalement, asymptotique-
ment, stable.
Reprenons le modle proie-prdateur de Lotka-Volterra adimensionn
(
x = x(1 y)
y = y(x 1)
o est un paramtre positif. Seul le quadrant positif (qui est invariant, rappelons-
le) nous intresse. Nous avons montr plus haut que la fonction H : int(R2+ )
R telle que H (x, y) = (x ln x) + y ln y) est constante le long des solutions,
cest--dire H (x, y) = 0.
On sintresse lquilibre (x , y ) = (1, 1) qui est lunique quilibre lintrieur
du quadrant positif. On a H (x, y) > 1 + pour tout (x, y) int(R2+ )\{(1, 1)}. Le
thorme sapplique avec L = H . Bien sr, nous navons pas besoin de ce tho-
rme pour conclure que (1, 1) est stable car on a montr que toutes les orbites
lintrieur du quadrant positif ( part (1, 1)) sont des courbes fermes entourant
(1, 1).
Nous allons constater que la fonction H lgrement modifie est une fonc-
tion de Liapounov pour le modle proie-prdateur de Lotka-Volterra avec com-
ptition entre les proies et entre prdateurs :
(
x = x(1 x) x y
(7.4)
y = y( + x y).
Nous supposons que les droites dquation 1 x y = 0 et + x y = 0
sintersectent en un point unique (x , y ) lintrieur du quadrant positif ; cest
le seul quilibre part lquilibre (0, 0). Soit
L(x, y) = (x x ln x) + y y ln y (x, y) int(R2+ ) .
On trouve
x y
L(x, y) = 1 x(1 x y) + 1 y( + x y).
x y
Or x et y sont des solutions, resp. de la premire et la deuxime quation,
donc on remplace 1 par x + y et par x y . On obtient alors
L(x, y) = (x x )(x + y x y) + (y y )(x + y + x y)
= (x x )2 (y y )2 0.
La fonction L a toutes les proprits requises pour conclure par le Thorme
7.18 que X = (x , y ) est asymptotiquement stable. De plus, on peut appliquer
la Proposition 7.4 car L est une fonction convexe. Donc, pour tout X int(R2+ ),
la solution ((t ; X ), (t ; X )) tend ver X quand t tend vers +.
7.5. SOLUTIONS PRIODIQUES, CYCLES ET CYCLES LIMITES 143
- EXERCICE 7.4.1. Montrer que les solutions de (7.4) sont bornes donc dfinies
pour tout t R.
Le modle (7.4) est souvent dfini sans comptition entre prdateurs, cest-
-dire avec = 0. En effet, la prsence du terme y 2 ne change qualitative-
ment rien la dynamique des prdateurs en labsence des proies : il ne fait
quaccentuer leur dclin. Prendre = 0 pose par contre un problme pour
obtenir la stabilit asymptotique de X . Eneffet, on constate que L(x,
y) =
2 2
(x x ) donc L sannule sur lensemble (x, y) R : x = x , y > 0 . Il est
difficile de croire que X ne vas pas tre asymptotiquement stable et dailleurs
une exprience numrique le confirme. En fait le Thorme 7.18 nest pas assez
gnral pour traiter cette situation pourtant simple ! Le lecteur curieux pourra
dcouvrir un thorme beaucoup plus gnral dans la sous-section 7.8.2 qui
permet de conclure. Le prix payer est un cadre plus abstrait.
(t 1 ) = (t 2 ).
- EXERCICE 7.5.1. Dmontrer que lorbite dune solution priodique est une courbe
ferme.
144 CHAPITRE 7. DYNAMIQUE DTERMINISTE TEMPS CONTINU
o est un paramtre rel. Voici une esquisse de son portrait dtats pour >
0:
7.5. SOLUTIONS PRIODIQUES, CYCLES ET CYCLES LIMITES 145
Dans le plan (x, y), toutes les solutions (excepte lorigine) approchent donc
le cercle dquation x 2 + y 2 = 1 en tournant vitesse constante, dans le sens
contraitre des aiguilles dune montre puisque (t ) = 0 + t (mod 2). Le cercle
de rayon 1 centr en (0, 0) est bien ce quon a envie dappeler un cycle limite
stable. Nous laisson le lecteur vrifier ce qui se passe quand < 0 (le cercle en
question devient un cycle limite instable).
X DFINITION 7.19.
Un cycle limite est un cycle (lorbite dune solution priodique) ayant la pro-
prit quil existe au moins un point X , un point Y et une suite de temps
(t n ), tendant soit +soit vers , tels que k(t n ; X ) Y k 0.
146 CHAPITRE 7. DYNAMIQUE DTERMINISTE TEMPS CONTINU
7. Prononcez omga-limite.
8. Dans la Section 7.8 nous tudierons en dtail les proprits des ensembles -limites.
Nous verrons aussi un pendant naturel des -limites : les -limites.
9. Considrer x = 1 sur R
7.5. SOLUTIONS PRIODIQUES, CYCLES ET CYCLES LIMITES 147
celle de la figure, cest--dire une rgion annulaire (sans quilibre) telle que le
champ de vecteurs soit entrant dans cette rgion. Gomtriquement, cela si-
gnifie quen chanque point du bord, le champ de vecteurs pointe vers lint-
rieur. Dynamiquement, cela quivaut au fait que toute solution associe une
condition initiale sur le bord a son orbite future dans lintrieur de la rgion
annulaire. On dit que cette rgion est attractante.
qui est bien une quantit positive sur le cercle de rayon 12 et ngative sur le
cercle de rayon 2.
Une autre situation courante o sapplique le thorme 7.23 est celle o on
trouve une rgion attractante qui contient un seul quilibre rpulsif.
Si divF nest pas identiquement nul et ne change pas de signe dans S, lint-
grale double est soit positive soit ngative (par continuit de divF ). Mais dans
les deux cas, il sagit dune contradiction. Donc, il ne peut exister de cycle en-
tirement inclus dans E . C.Q.F.D.
10. Cela signifie intuitivement que E na pas de trou. Mathmatiquement, cela signifie que
tout lacet contenu dans E est homotope un point.
150 CHAPITRE 7. DYNAMIQUE DTERMINISTE TEMPS CONTINU
fonctions affines. Nous navons constat aucun exemple avec des cycles isols,
c.--d. des cycles limites. En utilisant les rsultats prcdents, nous allons d-
montrer quun modle de type (7.6) ne peut pas admettre de cycle limite :
+ THORME 7.26.
Un systme de la forme (7.6) nadmet aucun cycle isol, donc pas de cycle limite.
(7.7) b f ce 6= 0.
B (x, y) = x 1 y 1
(B P ) + (BQ) =
x y
1 1
= x y (a + bx + c y) + x y (d + ex + f y)
x y
= x 1 y 1 (a + bx + c y) + x y 1 b + x 1 y 1 (d + ex + f y) + x 1 y f
= B (a + bx + c y) + bx + (d + ex + f y) + f y
b + e = b
c + f = f .
avec
a + d .
(B P ) = (BQ).
x y
H H
(7.8) = BQ, = B P.
x y
+ PROPOSITION 7.5.
Soit F : Rn Rn un champ de vecteurs suffisamment de fois diffrentiable. Si
tous les quilibres sont des puits, des sources ou des cols, si tous les cycles sont
stables ou instables et sil ny a pas connexions entre des cols, alors le champ de
vecteurs est structurellement stable.
X = F (X , )
x = f (x, ) = x 2 +
f
qui na quun point quilibre, x = 0, quand = 0. Observons que x
(0, 0) =0
2 f
mais que x 2
(0, 0) 6= 0. Lorsque > 0, il ny a aucun point dquilibre puisque
154 CHAPITRE 7. DYNAMIQUE DTERMINISTE TEMPS CONTINU
f (x, ) > 0 pour tout x. Mais pour < 0, il y a une paire de points dquilibre
x 1 (), x 2 (). Autrement dit, = 0 est une valeur de bifurcation pour ce systme.
Quand passe par la valeur 0 aprs avoir pris des valeurs ngatives, les deux
points dquilibres entrent en collision et disparaissent. Le terme collision
est appropri car la vitesse laquelle se rapprochent les points dquilibre, c.--
d
d. d x 1,2 (), tend vers linfini quand tend vers 0. La figure suivante reprsente
le diagramme de bifurcation.
Il est vident que la bifurcation peut avoir lieu dans lautre sens (considrer
x = x 2 ). Lexemple prcdent a dj t rencontr sous une forme lgre-
ment diffrente. En fait, ce type de bifurcation est gnrique en dimension un
lorsquil ny a quun seul paramtre, lexemple x = f (x, ) = x 2 + en tant la
forme dite normale.
x = x x 3 , x R
x = x x 2 , x R
- EXERCICE 7.7.4. Esquisser quelques solutions dans chacun des cas (h < 1/4, h =
1/4, h > 1/4).
x 1 = x 1 x 2 x 1 (x 12 + x 22 )
(7.10)
x 2 = x 1 + x 2 x 2 (x 12 + x 22 ).
7.7. BIFURCATIONS : RUDIMENTS 157
z = x 1 + i x 2 = (x 1 + i x 2 ) + i (x 1 + i x 2 ) (x 1 + i x 2 )(x 12 + x 22 ).
z = ( + i )z z|z|2 .
z = re i + r i e i .
(7.11) X = F (X , ), X R2 , R
7.8. L COMPLMENTS 159
1 y 1
y 1 2 2 y1
= (y 1 + y 2 )
y 2 1 y2 y2
Il y a deux conditions de gnricit. Lune est trop technique pour tre pr-
sente ici. Lautre est une condition de transversalit. Cest la condition que la
drive par rapport de la partie relle commune des valeurs propres soit
diffrente de 0 en (0, 0).
7.8 L Complments
Cette section peut tre ignore par le lecteur car elle nest pas ncessaire,
quelques exceptions prs, pour les applications de la Partie III. Son contenu
est de deux sortes : il y a, dune part, des noncs prcis de thormes aux-
quels nous avons fait allusion plus haut et, dautre part, des notions et des r-
sultats dont le but est de satisfaire la curiosit. Dans la premire catgorie, on
trouve par exemple lnonc du thorme de linarisation (communment ap-
pel le thorme de Grobman-Hartman). Dans la seconde catgorie, on trouve
par exemple la classification des types de comportements possibles pour des
systmes de dimension deux, qui est une extension naturelle du thorme de
Poincar-Bendixson (Thorme 7.21. Ou bien une gnralisation puissante du
thorme de Liapounov (Thorme 7.18).
+ THORME 7.32.
Supposons que M soit une partie invariante et compacte pour le systme X =
F (X ). Alors pour tout X M, lensemble (X ) est :
non vide ;
ferm. On peut lcrire (X ) = t 0 {(s; X ) : s t } ;
T
d ((t ; X ), (X )) 0 quand t +. ( 12 )
Lensemble (X ) a les mmes proprits (il faut renverser le temps (t t )).
K X U : L(X ) = 0 .
Enfin, soit I est le plus grand sous-ensemble invariant dans le futur contenu
dans K
+ THORME 7.33.
Si L est une fonction de Liapounov sur un ouvert U et que lorbite future de X est
borne et contenue dans U, alors (X ) I.
+ REMARQUE 7.34. Nous laissons le lecteur crire le thorme dans le cas des en-
sembles -limites.
+ COROLLAIRE 7.35.
Si L est une fonction de Liapounov sur louvert U = X Rn : L(X ) < ( R
+ COROLLAIRE 7.36.
Si L + lorsque kX k tend vers + et que L 0 sur Rn alors toute solution est
borne et sapproche arbitrairement prs de I avec le temps.
On dit dune orbite dont lensemble -limite est un quilibre Y et dont len-
semble -limite est un quilibre Z quelle connecte Y et Z . On parle de connexion
htrocline. Nous autorisons que Y = Z . Dans ce cas, on parle de connexion
homocline. Si X 1 , . . . , X q sont des quilibres et quil existe des orbites 1 , . . . , q
qui les connectent de telle sorte que X i = (i ) et X i +1 = (i ), avec la conven-
tion que X q+1 X 1 , lensemble form de ces quilibres et de ces connexions
htroclines sappelle un cycle htrocline.
Nous pouvons maintenant noncer le thorme suivant :
Le point (/2, /2) et les points (0, 0), (0, ), (, ) et (, 0) font partie des qui-
libres. Les quatre derniers font partie dun cycle htrocline qui est le carr dont
ils sont les sommets. Si X 6= (/2, /2) est pris lintrieur de ce carr, son en-
semble -limite est ce carr.
matrice nait pas de valeur propre de partie relle nulle. Quitte translater les
axes de coordonnes, on suppose que lquilibre est lorigine.
F IGURE 7.14
Nous avons un systme quil est facile de rsoudre car les variables sont dcou-
ples : lorigine est un col. Laxe des ordonnes est le sous-espace stable, celui
des abscisses, le sous-espace instable.
Nous avons de la chance : le systme de dpart est galement soluble. La
seconde quation y = y donne (t ) = y 0 e t , quon substitue dans la premire
quation pour obtenir
x = x + y 02 e 2t .
1
(t ) = ce t e 2t ,
3
(t ) = y 0 e t .
On a utilis
la notation suivante : si R est un sous-ensemble de Rn , on note
(t ; R) (t ; X ) : X R . On fait donc voluer tous les points de lensemble
en mme temps.
s i
Les varits Wloc et Wloc sappelent respectivement la varit stable locale et la
varit instable locale associes X .
7.9 Notes
Il y a de trs nombreux livres sur les quations diffrentielles. Ils contiennent
tous une dmonstration du thorme 7.1. Citons par ex. [Arn88, Chi06, HSD04,
HW95, Per01]. Concernant le thorme 7.18, nous conseillons [Hal80].
Chapitre 8
Dynamique markovienne
temps et espace discrets
Sommaire
8.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
8.2 Chanes de Markov et matrices de transition . . . . . . . . . . 169
8.2.1 Rcurrence alatoire . . . . . . . . . . . . . . . . . . . . . 169
8.2.2 Matrice de transition et proprit de Markov . . . . . . . 170
8.2.3 Exemples de chanes de Markov . . . . . . . . . . . . . . 174
8.3 Loi de probabilit initiale & son volution . . . . . . . . . . . 178
8.3.1 Loi de probabilit initiale . . . . . . . . . . . . . . . . . . 178
8.3.2 volution dune loi de probabilit . . . . . . . . . . . . . 179
8.4 Temps darrt et proprit de Markov forte . . . . . . . . . . . 182
8.5 Espace dtat fini . . . . . . . . . . . . . . . . . . . . . . . . . . 183
8.5.1 Loi de probabilit invariante . . . . . . . . . . . . . . . . 183
8.5.2 Chane deux tats . . . . . . . . . . . . . . . . . . . . . . 184
8.5.3 Existence des lois de probabilit invariantes . . . . . . . 186
8.5.4 Indcomposabilit dune matrice de transition . . . . . 187
8.5.5 Unicit des lois de probabilit invariantes et temps de
retour . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
8.6 Espace dtat infini . . . . . . . . . . . . . . . . . . . . . . . . . 192
8.6.1 tats rcurrents, tats transitoires . . . . . . . . . . . . . 192
8.6.2 L tats rcurrents, tats transitoires (bis) . . . . . . . . . 195
8.6.3 Chanes de Markov rcurrentes et transitoires . . . . . . 196
8.6.4 Mesures et lois de probabilit invariantes : prliminaires 197
8.6.5 Existence & unicit des lois de probabilit invariantes . 199
8.7 Comportements en temps longs . . . . . . . . . . . . . . . . . 200
167
168 CHAPITRE 8. DYNAMIQUE MARKOVIENNE DISCRTE
8.1 Introduction
Un processus stochastique est une famille de variables alatoires (X t : t T) o
t sinterprte comme le temps. Les processus stochastiques servent dcrire
lvolution de quantits biologiques, physiques, conomiques, etc, quon mo-
dlise par des variables alatoires.
On choisit T = N0 quand le temps est discret et T = R+ quand il est continu.
Les variables alatoires X t prennent leurs valeurs dans un ensemble E quon
appelle lespace dtat.
Lexemple le plus simple de famille de variables alatoires auquel on puisse
penser est une suite de variables alatoires indpendantes de Bernoulli (X t :
t N0 ) qui modlise une suite infinie de lancers dune pice : on choisit E =
{Pile, Face} et la probabilit que Pile apparaisse lors dun lancer est gale
celle de Face et vaut 1/2. Lindpendance fait quil ny a aucune dynamique,
aucune volution, aucun processus luvre.
Pour modliser un systme qui volue dans le temps, qui a une histoire, il est
vident quil faut que son tat un instant donn dpende de son pass. La dy-
namique la plus simple est une dynamique dite markovienne dont lexemple le
plus simple est les chanes de Markov temps discret et espace dtat discret.
Dans cette classe de processus, ltat un instant t ne dpend que de ltat
linstant t 1. De manire quivalente, ltat au prochain instant ne dpend que
de ltat prsent.
Lobjet de ce chapitre est dtudier ces procesus en dtail. Les exemples illus-
trant ce chapitre sont volontairement limits des modles lis la dynamique
des populations. Nous aurions pu montrer des dizaines dexemples emprun-
ts des domaines trs varis (thoriques ou appliqus) qui tmoignent de la
fcondit de la notion de dynamique markovienne.
1 NOTATION 8.2. Afin dallger les notations, on notera Xx une chane de Markov
(X nx ; n N0 ) dtat initial x E ou simplement X si ltat initial ne joue pas de
rle dans le contexte donn ou bien sil nest pas donn.
Nous aurions trs bien pu faire dpendre xla fonction F de n, c.--d. intro-
x
duire une suite (F n ; n N) et poser X n = F n X n1 ;Un . Quand F ne dpend pas
de n, on dit que la chane de Markov est homogne. Nous ntudierons que
les chanes de Markov homognes.
+ REMARQUE 8.3. Les chanes de Markov homognes jouent un rle analogue aux
champ de vecteurs autonomes que nous avons tudi au Chapitre 7 : on a consi-
dr des systmes diffrentiels de la forme X (t ) = F (X (t )) alors quune situation
plus gnrale est un systme de la forme X (t ) = F (X (t ); t ).
Lorsque E est fini, P est naturellement reprsentable comme une matrice. Lorsque
E est dnombrable, ce nest pas une reprsentation commode mais cela naura
pas dincidence en pratique.
Nous avons la proposition suivante :
+ PROPOSITION 8.1.
Toute matrice de transition P sur E et tout tat x E dfinissent une chane de
Markov Xx , c.--d. quil
existe une fonction F comme dans la Dfinition 8.1. Elle
satisfait la proprit P F (x;U ) = y = P (x, y).
Dmonstration. On construit F de la faon suivante. Pour chaque x E , on
construit une partition de lintervalle [0, 1] quon note {I (x, y); y E } : les en-
sembles I (x, y) sont des borliens satisfaisant
[
I (x, y) I (x, z) = si y 6= z et I (x, y) = [0, 1].
yE
On veut que
|I (x, y)| = P (x, y)
o |I (x, y)| est la mesure de Lebesgue (longueur) de lensemble I (x, y). Il y a
a priori de nombreuses manires de dfinir une partition mais une manire
canonique est la suivante : on ordonne les tats de E (on peut identifier E avec
{1, 2, . . .}) et on concatne les intervalles de longueur P (x, y).
Dfinissons maintenant la fonction
X
F (x; u) y 1I (x,y) (u).
yE
P (x, y)
probabilit que X n = y un instant n sachant que X n1 = x linstant n 1.
P X 0 = x 0 , X 1 = x 1 , . . . , X k = x k = xx0 P (x, x 1 )P (x 1 , x 2 ) P (x k1 , x k )
(8.1)
(8.3)
P X n+1 = y 1 , X n+2 = y 2 , . . . , X n+q = y q X 0 = x, X 1 = x 1 , X 2 = x 2 , . . . , X n = x n
(8.4)
= P X 1 = y 1 , X 2 = y 2 , . . . , X q = y q X 0 = xn .
soit encore
n+q X n1 = x n1 P A n+q X n1 = x n1 .
P A n2 X n1 = x n1 = P A n2
0 An 0 n
- EXERCICE 8.2.4. Soit P une matrice de transition. Vrifier que P k est une matrice
de transition quel que soit k 2.
o p, q [0, 1]. On a ainsi paramtr toutes les chanes de Markov deux tats.
On peut reprsenter cette matrice sous forme dun graphe de transition :
1p 1 2 1q
F IGURE 8.1
8.2. CONSTRUCTION DES CHANES DE MARKOV 175
0 1/2 1/2
1/4 1/2 1/4
1/4 1/4 1/2
Cette matrice nous dit par exemple quaprs un jour ensoleill survient un jour
pluvieux avec probabilit 1/2, ou bien quun jour de neige est suivi avec proba-
bilit 1/4 dun jour ensoleill. Le graphe de transition associ est donn dans la
fig. 8.2.
Des questions naturelles se posent pour cette chane de Markov. Par exemple,
supposons quil pleuve aujourdhui. Quelle est la probabilit quil
fassesoleil
dans deux semaines ? Autrement dit, combien vaut P X 14 = X 0 = ? Ou
- EXERCICE 8.2.5. Quel est lespace dtat dune promenade alatoire sur Zd ?
8.2. CONSTRUCTION DES CHANES DE MARKOV 177
Chanes de naissance & mort Cet exemple est une gnralisation de la pro-
menade alatoire simple. Il sagit dune chane valeurs dans E = {0, 1, 2, . . . , N }
ou dans E = N0 . Si la chane est dans ltat x un certain instant, elle ne peut,
linstant suivant qutre dans les tats x 1, x ou x + 1 ( condition que celui-ci
appartienne E ). Sa matrice de transition scrit
q x si y = x 1
r si y = x
x
P (x, y) =
p x si y = x + 1
0 sinon.
F IGURE 8.6
1. Si on sait que le processus est dans ltat x, cela revient considrer la loi de
probabilit dgnre x telle que x (y) = x y . Si on ne sait pas dans quel tat
il est, on va attribuer un poids relatif chaque tat en se donnant {(x); x E }.
Une faon image de voir une loi de probabilit sur E est la suivante : on a une
masse unit quon rpartit entre les diffrents tats, (x) sera le pourcentage
quon aura attribu ltat x.
Cela soulve plusieurs questions :
y-a-til une loi de probabilit initiale naturelle pour le processus ? et que
signifie naturelle ?
si on prend nimporte quelle loi de probabilit initiale, comment volue-
t-elle ? Tend-elle vers une loi de probabilit naturelle ?
1
Si on ne sait rien, la loi uniforme sur E , c.--d. (y) = card E
, est une loi de pro-
babilit initiale raisonnable. Mais ce nest pas possible si E est dnombrable car
ce nest pas une loi de probabilit. Nous rpondrons toutes ces questions par
la suite.
Terminons cette sous-section en tendant ce que nous avons fait pour une
loi de probabilit initiale concentre sur un tat particulier. On suppose quon
a une chane de Markov dont ltat initial nest pas connu avec certitude, on se
donne donc une loi de probabilit initiale qui donne un poids relatif (x)
chaque tat x E . On note X le processus ainsi dfini.
La Dfinition 8.1 se gnralise facilement. La modification apporter consiste
se donner une variable alatoire X 0 indpendante de (Un ; n 1) et telle que
P(X 0 = x) = (x), x E .
Lidentit (8.1) se gnralise immdiatement :
P X 0 = x 0 , X 1 = x 1 , . . . , X k = x k = (x 0 )P (x 0 , x 1 )P (x 1 , x 2 ) P (x k1 , x k ).
(8.5)
P n (x, y) =
X
P (x, x 1 ) P (x 1 , x 2 ) . . . P (x n1 , y).
{x 1 ,...,x n1 }E n1
+ PROPOSITION 8.2.
Soit X0 une chane de Markov sur E , de matrice de transition P . La loi de pro-
babilit n de X n est donne par
On a aussi
c.--d. que la probabilit dtre dans ltat y au bout de n pas de temps sachant
quon est parti de ltat x est llment P (x, y) de la puissance n-ime de la ma-
trice de transition.
8.3. LOI DE PROBABILIT INITIALE & SON VOLUTION 181
n (y) = P X n = y =
X X
P X n1 = x, X n = y = P X n1 = x P X n = y X n1 = x
xE xE
n1 (x)P (x, y) = n1 P (y) = 0 P n (y) ,
X
=
xE
n (y) = 0 (x 0 ) P (x 0 , x 1 ) P (x 1 , x 2 ) . . . P (x n1 , y), y E .
X
{x 0 ,x 1 ,...,x n1 }E n
volution dune fonction Nous avons vu comment volue une loi de proba-
bilit au cours du temps sous laction dune matrice de transition. Considrons
maintenant une fonction borne g : E R et dfinissons
X
P g (x) = P (x, y)g (y).
yE
182 CHAPITRE 8. DYNAMIQUE MARKOVIENNE DISCRTE
= P0 {X ` = x 0 , X `+1 = x 1 , . . . , X `+k = x k } B {T = `} {X ` = x}
= Px {X 0 = x 0 , X 1 = x 1 , . . . , X k = x k } P0 B {T = `} {X ` = x}
Si la chane de Markov est telle que X 0 suit une loi de probabilit invariante ,
alors la loi de X n reste pour tout n 1. On dit que le processus est stationnaire
car
P (X 0 = x 0 , X 1 = x 1 , . . . , X k = x k ) = P (X m = x 0 , X m+1 = x 1 , . . . , X m+k = x k )
pour tout m 1 et pour tout {x 0 , x 1 , . . . , x k } E k+1 . Autrement dit, si le processus
passe successivement par les tats x 0 , x 1 , . . . , x k donns, la probabilit de cet
vnement ne dpend pas du temps partir duquel on voit cette succession
dtats.
- EXERCICE 8.5.1. Dmontrer lidentit prcdente.
1. une chane de Markov admet-t-elle toujours une loi de probabilit inva-
riante ?
2. si oui, combien y en a-til ?
Nous allons voir que la rponse la premire question est positive (mais ce ne
sera plus le cas quand on prendra E dnombrable). La rponse la seconde
question va dpendre du squelette de la matrice de transition ou du graphe
orient quon va lui associer. Avant dnoncer un thorme dexistence abstrait
des lois de probabilit invariantes, tudions un exemple simple o tout se cal-
cule explicitement.
Si 0 < p+q < 2 (c.--d. ]0, 1[), on constate que n (1) (resp.n (1)) converge
une vitesse gomtrique vers (1) (resp. (2)) : en partant dune loi de proba-
bilit quelconque, la loi de probabilit de la chane au temps temps n converge
trs rapidement vers lunique loi de probabilit invariante. On a donc une sorte
186 CHAPITRE 8. DYNAMIQUE MARKOVIENNE DISCRTE
On a pu inverser la limite et la sommation sur les tats car cest une somme
finie.
Vrifions maintenant que est invariante. Par construction
1 Xn 1 n+1
n P = P k+1 = n + P .
n k=1 n
C.Q.F.D.
Une autre dmonstration est donne par une application directe du thorme
de Perron-Frobenius.
X DFINITION 8.12.
Soient x, y deux tats. On dit que
x conduit y, et on note x y, sil existe un entier n 0 tel que
tion P n (x, y) > 0 quivaut au fait quil existe des tats y 1 , . . . , y n1 tels que
P (x, y 1 ) P (y n1 , y) > 0.
F IGURE 8.7
Par abus de langage, on dit quune chane de Markov est irrductible si sa ma-
trice de transition lest. Nous avons rencontr plusieurs exemples, comme le
modle-jouet de mto dont le graphe est la Fig. 8.2.
Du fait que lespace dtat est fini, il ny a bien sr quun nombre fini de classes
de communication. Une fois les classes de communication non absorbantes
limines, il reste une collection de classes absorbantes disjointes.
Exemple : Fisher-Wright
+ REMARQUES 8.16. Le lecteur attentif aura remarqu que les dfinitions qui pr-
cdent ne dpendent que de la matrice de transition P , pas de la loi de probabilit
initiale. Nanmoins il est dusage de dire que la chane de Markov X est irrduc-
tible si sa matrice de transition lest. Il sagit donc de proprits qui ne dpendent
que de la structure de transition entre tats.
Qui plus est, ces dfinitions ne prennent pas en compte la valeur prcise de la
probabilit daller dun tat x un tat y en n pas de temps, seulement le fait que
cest possible, c.--d. que cela a lieu avec une probabilit strictement positive. Au-
trement dit, des chanes de Markov avec des probabilit de transition diffrentes
peuvent avoir le mme squelette.
Dfinissons galement
T x+ inf k 1 : X k = x
Il sagit de deux temps darrt. Ils concident sauf si x est ltat initial auquel cas
T x = 0 tandis que T x+ est le premier temps de retour en x.
On peut reformuler le fait que x conduit y en termes des temps T y+ :
y Px T y+ < > 0.
x
Donc
Px T y+ < > 0
n 1, Px X n = y > 0.
Si une chane de Markov est irrductible, cela quivaut au fait que pour tous
x, y E , Px T y+ < > 0.
+ PROPOSITION 8.3.
Pour une chane de Markov X irrductible (sur un espace dtat E fini), il existe
n 0 1et 0 < 1 tels que
Px T y+ kn 0 k , k 1.
En particulier
Ex T y+ = Px T y+ ` < , x, y E ,
X
`=1
c.--d. quavec probabilit un, il faudra un nombre fini de pas pour aller dun
tat x un tat y.
+ PROPOSITION 8.4.
Si une matrice de transition est rversible par rapport une loi de probabilit
alors est invariante.
Observons que par dfinition un tat est soit rcurrent soit transitoire.
4. Par contre, il peut y avoir une infinit de classes de communication.
194 CHAPITRE 8. DYNAMIQUE MARKOVIENNE DISCRTE
1
Ex N x =
<
Px T x+
= )
Souvenons-nous que
Px X n = y = P n (x, y).
C.Q.F.D.
+ PROPOSITION 8.6.
Prenons deux tats quelconques. Pour tout m 1
Px N y m = u x y u m1
yy ;
m1
Px N y = m = u x y u y y (1 u y y ).
+ THORME 8.22.
n u
Si y est transitoire, Px N y < = 1 et Ex N y = xy
P
n=1 P (x, y) = 1u y y .
Si y est rcurrent, P y N y = = 1 et Px N y = = u x y .
presque srement. Par consquent, quel que soit ltat initial, N y < , donc
la chane ne passera quun nombre fini de fois par y. Si, au contraire, y est r-
current et si la chane part de y, elle y revient une infinit de fois ; tandis que si
elle part dun point x 6= y, elle peut ou non revenir en y, mais si elle y revient au
moins une fois, elle y revient alors une infinit de fois.
196 CHAPITRE 8. DYNAMIQUE MARKOVIENNE DISCRTE
aurait une probabilit 1 P y T x+ < > 0 de ne jamais passer par x. Par cons-
quent (daprs la proprit de Markov !) la chane partant de x aurait une pro-
babilit strictement positive de ne jamais revenir en x, ce qui contredit le fait
que x est rcurrent.
5
Dmonstration. Soit x un tat rcurrent conduisant un tat y. ( ) Soit n 0 le
plus petit entier n 1 tel que Px X n = y > 0. Il existe donc des tats x 1 , . . . , x n0 1
diffrents de x et y tels que
P (x, x 1 )P (x 1 , x 2 ) P (x n0 1 , y) > 0.
Par consquent
Px T x+ =
Px X 1 = x 1 , X 2 = x 2 , . . . , X n0 1 = x n0 1 , X n0 = y, k 1 X n0 +k 6= x
= Px X 1 = x 1 , X 2 = x 2 , . . . , X n0 1 = x n0 1 , X n0 = y P y k 1 X n0 +k 6= x
= P (x, x 1 )P (x 1 , x 2 ) P (x n0 1 , y) 1 P y T x+ < .
(On a utilis
+la proprit
de Markov pour la premire galit.) Or x est rcurrent, +
donc P x T x = = 0 et P (x, x 1 )P (x 1 , x 2 ) P (x n 0 1 , y) > 0, donc 1 P y Tx <
= 0, c.--d. P y T x+ < = 1.
+
Montrons maintenant que y est rcurrent. Puisque P y T x < = 1 > 0, il existe
n 1 1 tel que P y X n1 = x > 0. Dautre part on a que
P y X n1 +n+n0 P y X n1 = x, X n1 +n = x, X n1 +n+n0 = y
= P y X n1 = x)Px X n = x Px X n0 = y
Par consquent
Ey N y =
X
Py X p = y
p=1
X
Py X p = y
p:pn 1 +1+n 0
X
= P y X n1 +n+n0 = y
n=1
X
= P y X n1 = x)Px X n0 = y Px X n = x
n=1
= P y X n1 = x)Px X n0 = y Ex N x .
Or Ex N
x = puisque x est rcurrent et P y X n 1 = x)P x X n 0 = y > 0, donc
E y N y = , c.--d. y est rcurrent.
- EXERCICE 8.6.1. Soit X une chane de Markov irrductible despace dtat fini.
Montrer quelle est rcurrente.
SOLUTION 8.6.1. Puisque lespace dtat est fini, il y a forcment un tat qui est
visit une infininit de fois. Donc il est rcurrent. Par solidarit, tous les autres
tats le sont.
Dans le cas dun espace dtat dnombrable, on a vu quil peut exister deux
sortes dtats : les rcurrents et les transitoires. Intuitivement on peut se dire
que les tats transitoires ne vont pas porter une loi de probabilit invariante
car cela contredit lide que le processus soit stationnaire.
On est donc conduit se concentrer sur les tats rcurrents pour tenter de g-
nraliser (8.14). Mais une nouvelle question surgit : rien ne nous dit que Ex T x+
soit toujours fini, contrairement au cas o E est fini (cf. Thorme 8.3).
Si x est tel que Ex T x+ = , la formule (8.14) donnerait (x) = 0. Donc, si une
si une telle chane de Markov existe, elle repasse une infinit de fois par x avec
probabilit 1 (Thorme 8.20) mais il lui faut en moyenne un nombre infini
de pas entre deux visites successives de x. Malheureusement, de tels exemples
existent. Cest par exemple le cas de la promenade alatoire simple symtrique
sur Z, celle qui saute dun pas gauche ou droite avec la mme probabi-
lit, 1/2. Cest une chane de Markov irrductible. Tout tat x est rcurrent nul.
(Nous le dmontrerons plus tard.)
Si on compare avec le cas des espaces dtat finis, on peut esprer que luni-
cit de la loi de probabilit invariante soit garantie quand on a une chane de
Markov irrductible. On sait qualors tous les tats sont soit rcurrents soit tran-
sitoires (cf. Thorme 8.23). Donc, pour esprer avoir (8.14), on doit se res-
teindre aux chane de Markov irrductibles rcurrentes et aux tats rcurrents
positifs. Une question naturelle se pose : est-ce que les tats dune chane de
Markov irrductible rcurrente sont soit tous rcurrents positifs soit tous r-
currents nuls ? Si la rponse est oui, on peut parier que le bon thorme est le
suivant : pour une chane de Markov irrductible rcurrente positive, il y a une
unique loi de probabilit invariante qui satisfait (8.14).
Reste un dernier point que nous avons nglig : est-ce quune chane de
Markov despace dtat dnombrable admet toujours une loi de probabilit in-
variante ?
Lexemple de la promenade alatoire simple symtrique sur Z montre ce qui
peut clocher : si on suppose quil existe une loi de probabilit invariante ,
8.6. ESPACE DTAT INFINI 199
(x1)+(x+1)
elle doit vrifier le systme dquations : (x) = 2
, x Z. Il se r-
sout par rcurrence : (x) = (0) + ((1) (0))x. Les nombres (x) doivent tre
dans [0, 1]. Si |x| devient devient suffisamment grand, ce nest possible que si
(1) = (0), mais alors (x) = (0) pour tout x. Pour que xZ (x) = 1 on doit
P
avoir (0) = 0, c.--d. (x) = 0 pour tout x, ce qui est impossible puisquon a
suppos que est une loi de probabilit. Donc il nexiste pas de loi de probabi-
lit invariante.
(x1)+(x+1)
Observons que les quations (x) = 2
ont une solution vidente :
(x) = 1 pour tout x. Le problme est quon ne pas normaliser cette famille de
nombres pour en faire une loi de probabilit.
La morale de cet exemple est quil y a des exemples o lquation P = (P est
la matrice de transition) a une solution mais ce nest pas une loi de probabilit.
( 6)
Terminons cette sous-section en montrant rigoureusement ce que nous avons
intuit prcdemment, savoir quune loi de probabilit invariante ne peut pas
tre porte par des tats transitoires.
En effet, supposons que soit une loi de probabilit invariante : pour tout n 1,
= P n , c.--d.
(y) = (x)P n (x, y).
X
xE
n
Or, daprs la Proposition 8.22, Ex N y =
P
n=1 P (x, y) < , ce qui entrane
que limn P n (x, y) = 0. Comme xE (x) = 1, on peut appliquer le thorme
P
Cest une contradiction avec le fait que est une loi de probabilit sur E . On
conclut donc quun tat transitoire ne peut pas tre dans le support dune loi
de probabilit invariante.
+ THORME 8.25.
Pour toute chane de Markov irrductible sur un espace dtat dnombrable E ,
les deux assertions suivantes sont quivalentes :
6. Le lecteur attentif aura remarqu que dans cet exemple tous les tats sont rcurrents nuls.
Nous verrons que ce nest pas une concidence.
200 CHAPITRE 8. DYNAMIQUE MARKOVIENNE DISCRTE
1. La chane est rcurrente positive, c.--d. que tous ses tats sont rcurrents
positifs ;
2. Il existe une unique loi de probabilit invariante .
De plus, sil existe une loi de probabilit invariante, elle est unique et elle est don-
ne par
1
(8.15) (x) = + , x E .
Ex T x
+ THORME 8.27.
Soit (Yn ; n 0) des variables alatoires indpendantes et identiquement distri-
bues valeurs dans R et qui sont intgrables, c.--d. E[|Y0 |] < . Alors
Y0 + + Yn
P lim = E[Y0 ] = 1.
n n +1
Y0 ++Yn
On dit que n+1 tend presque srement vers E[Y0 ].
1 Xn
1{X k =y} .
n k=1
1 Xn
Px lim 1{X k =y} = 0 = 1.
n n
k=1
1 Xn
(8.16) (y) lim 1{X k =y} , y E
n n
k=1
.
Dautre part, par la proprit de Markov (forte), la chane redmarre de y en
ayant
+oubli
le pass ; le temps moyen entre deux visites conscutives de y est
E y T y , donc on sattend ce que la proportion de visites soit de lordre de
1/E y T y+ lorsque n devient trs grand. Pour que cette proportion asympto-
tique soit non nulle, on voit quil faut que E y T y+ soit fini, c.--d. y rcurrent
positif.
On se souvient alors du Thorme 8.25 : une chane de Markov irrductible
rcurrente positive possde une unique loi de probabilit invariante avec
(y) = 1/E y T y+ .
+ THORME 8.28.
Soit X une chane de Markov irrductible, rcurrente positive, sur un espace
dtat dnombrable E . Notons son unique loi de probabilit invariante. Soit
g : E R une fonction dont lesprance par rapport est finie, c.--d. E [|g |]
P
xE |g (x)|(x) < .
On suppose que ltat initial X 0 suit une loi de probabilit . Alors
1 Xn
P lim g (X k ) = E [g ] = 1.
n n
k=1
Une fonction g borne est intgrable. Lexemple le plus important est lindica-
trice dun tat y, c.--d. 1x=y .
Remarquons que la limite, E [g ], ne dpend que de g et de , pas de la loi de
probabilit initiale : cest la perte de mmoire que nous avons voque plus
haut. Pour abrger, on dit donc simplement que n1 nk=1 g (X k ) converge presque
P
1 Xn 1
n
1{X k =y} (y) = + presque srement.
n k=1 Ey T y
+ PROPOSITION 8.7.
Si X est une chane de Markov rcurrente nulle ou transitoire alors
1 Xn
n
1{X k =y} 0 presque srement.
n k=1
On a presque srement :
1 Xn
(x)P (x, y)g (x, y).
X
lim g (X k , X k+1 ) =
n n
k=1 x,yE
1 Xn
P X ` = y = (y), y E
(8.17) lim
n n
`=1
1 Xn
1{X ` =y} 1
n `=1
Puisque
n
h1 X i 1 Xn 1 X n
E 1{X ` =y} = E 1{X ` =y} = P X ` = y
n `=1 n `=1 n `=1
204 CHAPITRE 8. DYNAMIQUE MARKOVIENNE DISCRTE
1 Xn
lim P ` (x, y) = (y)
n n
`=1
F IGURE 8.9
Pour fixer les ides, disons que P (x, x +1) = p et P (x, x 1) = 1p, avec p [0, 1]
et les idenfications 5 1, 0 4 (promenade alatoire sur le domaine prio-
dique {1, . . . , 4}. On observe la chose suivante : si la chane est dans lensemble
C 0 = {1, 3} un instant donn, elle ira dans lensemble C 1 = {2, 4} linstant
daprs et vice versa. La chane alterne entre ces deux ensembles : si X 0 C 0
alors X 1 C 1 , X 2 C 0 , X 3 C 1 , X 4 C 0 , . . .. On dit que la dynamique est prio-
dique, de priode 2.
2
En particulier P 2n (x, x) P n (x, x) et plus gnralement
`
P `n (x, x) P n (x, x) , ` 1.
Donc, si P n (x, x) > 0 on a P `n (x, x) > 0 pour tout ` 1. Dit autrement, si n divise
m (ce quon note n|m) et si P n (x, x) > 0 alors P m (x, x) > 0 : tester sil est possible
de retourner en x en m pas peut se faire en prenant lun des diviseurs de m.
Nous sommes conduits poser la dfinition suivante :
Cette dfinition signifie que si P n (x, x) > 0 alors n est un multiple de d (x) et que
d (x) est le plus grand entier ayant cette proprit. Les retours dans ltat x sont
seulement possibles via des chemins dont les longueurs sont des multiples de
d (x).
. EXEMPLES 8.7.1.
Reprenons la promenade alatoire simple symtrique sur Z. Nous avons dj
observ que P 2k+1 (0, 0) = 0 car pour revenir en 0 il faut ncessairement faire un
nombre pair de pas. Donc d (0) = 2. Il est clair que tout tat est de priode 2.
On autorise la promenade prcdente faire du sur place : P( = +1) = p,
P( = 1) = q, P( = 0) = r , p, q, r > 0 & p +q + r = 1 et X n = nk=1 k . On a
P
8. Pour tre prcis, la priode est dfinie pour un tat essentiel. On peut aussi dcrter que
si n 1 : P n (x, x) > 0 = on a d (x) = 1.
206 CHAPITRE 8. DYNAMIQUE MARKOVIENNE DISCRTE
+ PROPOSITION 8.8.
Si x ! y alors d (x) = d (y).
En particulier, tous les tats dune chane de Markov irrductible sont de mme
nature puisquils communiquent tous entre eux : tous priodiques de mme p-
riode ou bien tous apriodiques.
+ PROPOSITION 8.9.
Si x est apriodique alors il existe n 0 1 tel que P n (x, x) > 0 pour tout n n 0 .
Si une chane de Markov est irrductible et apriodique alors pour tous x, y il
existe n = n (x, y) tel que Px (X n = y) = P n (x, y) > 0 pour tout n n .
Cette proposition nous montre que lapriodicit est sans doute la bonne no-
tion pour liminer le comportement dsagrable des exemples vus plus haut :
pour une chane irrductible et apriodique, il y a une probabilit strictement
positive de connecter deux tats quelconques au-del dun certain temps. Donc
une telle chane ne pourra pas osciller indfiniment entre plusieurs tats. Nous
allons dmontrer que tel est le cas :
lim P (X n = x) = (x), x E .
n
8.8 Dmonstrations
8.8.1 Thorme 8.17
Avant de dmontrer ce thorme, tablissons une proposition :
+ PROPOSITION 8.10.
Soit P une matrice de transition irrductible dfinie sur un espace dtat E et
h : E R une fonction telle que
X
h(x) = P (x, y)h(y).
yE
Dmonstration de la proposition.
Puisque E est fini, il existe forcment un tat x 0 o la fonction h atteint son
minimum h(x 0 ) = min{h(y); y E }. Supposons quil existe z tel que P (x 0 , z) > 0
et h(z) > h(x 0 ). Si cest le cas on a
X X
h(x 0 ) = P (x 0 , y)h(y) > P (x 0 , z)h(x 0 ) + P (x 0 , y)h(y).
yE y6=z
Dmonstration du thorme.
Nous savons quil existe une loi de probabilit invariante daprs le Thorme
8.11. Notons-la . Montrons que (x) > 0 pour tout x E . Puisque xE (x) = 1
P
Pour montrer que est la seule loi de probabilit invariante, on suppose quil
en existe une autre, quon note . On introduit la matrice de transition
(y)
Q(x, y) P (y, x) , x, y E
(x)
(x)
et la fonction f (x) (x) . On vrifie aisment que f = Q f et par la proposition
ci-dessus, on en dduit que f est un fonction constante, donc = . C.Q.F.D.
- EXERCICE 8.8.1. Vrifier que Q est bien une matrice de transition et que la fonc-
tion f satisfait lquation f = Q f .
P j (x, y) .
(En effet, on sait quil existe j = j (x, y) 1 et = (x, y) > 0 tels que P j (x, y) = .
Puisque il y a un nombre fini de couples possible du fait que lespace dtat est
fini, on peut prendre n = maxx,y j (x, y) et = minx,y (x, y).)
La probabilit datteindre pour la premire fois tout tat y en partant de nim-
porte quel tat en au plus n pas de temps est au moins . Lingalit suivante
est donc vraie uniformment en x, y :
max Px T y+ > n 1 .
x,yE
En itrant on obtient
Px T y+ > kn (1 )k .
8.9. NOTES 209
P(Z `).
X
(8.18) E[Z ] =
`1
On obtient donc
Ex T y+ = Px T y+ ` n Px T y+ > kn n (1 )k < .
X X X
`1 k1 k1
8.9 Notes
Il y a dinnombrables livres sur les chanes de Markov en langue anglaise, de ni-
veaux et dobjectifs trs divers. Citons par ex. [Dur12], [Nor98], [KS76], [KSK76],
etc. En langue franaise citons par exemple [Br09] et bien sr le polycopi du
cours de MAP 432 de T. Bodineau. On y trouvera la dmonstration des tho-
rmes 8.18, 8.28 et 8.32.
210 CHAPITRE 8. DYNAMIQUE MARKOVIENNE DISCRTE
Troisime partie
211
213
o x reprsente la densit des proies et y celle des prdateurs. Tous les pa-
ramtres sont supposs strictement positifs. En labsence de prdateurs, les
proies ont une croissance logistique (comptition intra-spcifique). En lab-
cx
sence des proies, les prdateurs dclinent exponentiellement vite. Le terme a+x
est le nombre de proies consommes par prdateur et par unit de temps. Il
temps vers la limite c lorsque x devient trs grand.
Les points (0, 0) et P = (0, K ) sont des quilibres, quelles que soient les va-
leurs des paramtres. Ils se trouvent sur le bord de R2+ . Le lecteur vrifiera fa-
cilement que le point (0, 0) est un col pour tout jeu des paramtres. Sa varit
stable est lensemble des y 0 et sa varit instable est ]0, K [.
Les isoclines nulles sont une parabole (dont les branches sont diriges vers le
bas) et une droite verticale qui peuvent se couper dans int(R2+ ) pour certaines
valeurs des paramtres. Observons que labscisse du sommet de la parabole est
x = K a
2 .
- EXERCICE 9.1.1. Montrer que si b d ou bien K ad /(b d ) alors toutes les tra-
jectoires du systme qui sont dans int(R2+ ) convergent vers lquilibre P = (K , 0).
215
216 CHAPITRE 9. SUR LES MODLES PROIE-PRDATEUR
c y
!
cx
x (a+x )2
K1 a+x
ab
y (a+x )2 0
Son dterminant est toujours positif mais sa trace peut changer de signe : il est
facile de vrifier que si K < a +2x alors F est un puits (un foyer attractif en fait)
et si K > a + 2x , cest une source (un foyer rpulsif en fait). 1 Remarquons que
ces conditions sinterprtent gomtriquement car x = K a 2
est labscisse du
sommet de lisocline parabolique : si F se trouve droite du sommet de cette
parabole, ltude des signes montre clairement que F est bien un foyer attractif,
tandis que si F se trouve gauche de ce sommet, F est bien un foyer rpulsif.
Nous laissons le lecteur vrifier que, sous les conditions (9.2), lquilibre P
est un col, dont la varit stable est laxe des x > 0 et dont la varit instable
est compose de deux trajectoires dont une seule de trouve dans R2+ . Prenons
un point X sur cette trajectoire. Son ensemble -limite nest pas vide et il est
compact. Nous pouvons appliquer le thorme de Poincar-Bendixson pour
conclure que (X ) est une trajectoire priodique . (En effet, (X ) ne peut
contenir dquilibre car les trois quilibres sont rpulsifs.) Cette trajectoire doit
entourer un quilibre, c.--d. ncessairement le point F . Il est donc clair que
cette trajectoire est un cycle limite stable.
Il est possible de dmontrer lexistence dun cycle limite grce au thorme
de bifurcation de Hopf. Si le scnario de cette bifurcation est intuitivement
clair, les dtails sont assez techniques. Le lecteur intress est pri de consulter
[Kuz04, pp. 99102].
1. Dans le cas o K = a +2x , F est un centre pour le systme linaris. Rappelons que dans
ce cas, nous ne pouvons rien dduire de cette information sur le systme original.
9.2. THORME DE KOLMOGOROV-BRAUER 217
Comme on le sait, cette forme garantit que le bord de R2+ est invariant, donc
R2+ lui-mme.
Pour une modlisation de type proie-prdateur, on fait les hypothses sui-
vantes :
(i) on a
f g g
(x, y) < 0, (x, y) > 0, (x, y) 0.
y x y
(ii) Il existe K > 0 (la capacit de charge pour la population de proies) tel
que f (K , 0) = 0 et f (x, y) < 0 si x > K . Il existe J > 0 (densit minimum de
proies supportant la prdation) tel que g (J , 0) = 0.
Le modle de Rosenzweig-McArthur est un cas particulier de modle de
Kolmogorov. Le thorme suivant montre que les solutions ne dmarrant pas
sur le bord de R2+ sont bornes. Cest ce que nous avons affirm pour le modle
de Rosenzweig-McArthur quand nous avons appliqu le thorme de Poincar-
Bendixson.
+ THORME 9.1. Sous les hypothses (i) et (ii) ci-dessus, toute solution du modle
(9.3) telle que x(0) > 0 et y(0) > 0 reste borne pour tout 0 t < +.
Dune part, nous allons dmontrer que cette solution traverse la courbe dqua-
tion g (x, y) = 0 et entre dans la rgion o x < 0 et y < 0, ce qui impliquera que
la solution ne peut pas tendre vers linfini. Dautre part, toute solution telle
que x(0) < x 0 et y(0) < y 0 est force de rester borne car elle ne peut croiser
la trajectoire de (x(t ), y(t )). Tant que cette trajectoire demeure dans la rgion
o x < 0 et y > 0, (x(t ), y(t )) reste au dessus de la courbe f (x, y) = , et donc
on a f (x(t ), y(t )) . On a galement
dg (x(t ), y(t )) g g
= (x(t ), y(t ))x + (x(t ), y(t )) y 0
dt x y
g g
puisque x
(x, y) > 0, x < 0, y
(x, y) 0 et y > 0. Donc g (x(t ), y(t )) g (x 0 , y 0 )
pour tout t 0. Soit maintenant = g (x 0 , y 0 )/ > 0 et soit L(x, y) = x y. On a
d
L(x(t ), y(t )) = x 1 y x + x y
dt
= x 1 y f (x, y) + x g (x, y)
= x y( f (x, y) + g (x, y))
x y( + g (x 0 , y 0 )) 0.
Donc, t 7 L(x(t ), y(t )) est une fonction dcroissante et L(x(t ), y(t )) L(x 0 , y 0 )
pour tout t 0. Dans la rgion o x J , qui contient la rgion o x < 0 et y > 0,
nous avons
x0 y 0 x0
y(t )
y0.
x(t ) J
Autrement dit, la solution (x(t ), y(t )) ne peut pas tre telle que y(t ) tende vers
+ mais doit aller dans la rgion o x < 0 et y < 0, et donc doit rester borne.
C.Q.F.D.
9.3 Exercices
9.3.1 Modle de Leslie-Gower
Soit (
x = r 1 a 1 y b 1 x x
y
y = r 2 a 2 x y,
o les paramtres r 1 , r 2 , a 1 , a 2 sont strictement positifs et b 1 0.
9.3. EXERCICES 219
1. Dcrire ce modle.
2. Dcrire qualitativement ce quil se passe quand x tend vers 0.
Dans la suite, on tudie le modle pour (x, y) int(R2+ ).
3. Dterminer lquilibre intrieur du systme quon notera E = (x, y).
4. Vrifier les identits suivantes (cruciales pour la suite) :
r 2 x = a 2 y, r 1 = a 1 y + b 1 x.
5. Soit
x a 1 x
x y
y
L(x, y) = ln + + ln + .
x x a2 y y
Montrer que
b1 a1
L(x, y) = (x x)2 (y y)2 .
x y
x
dx
=x 1 (1 x) y = x[g (x) y]
dt
dy
= (x )y.
dt
On donnera les expressions de , , en fonction des paramtres de d-
part.
2. Dessiner les isoclines correspondant dx/dt = 0 et dy/dt = 0 et dtermi-
ner les points dquilibre en fonction des paramtres.
3. tudier en fonction des paramtres la stabilit des trois points dquilibre
qui se trouvent sur laxe des abscisses.
4. Lorsque < < 1, tudier la stabilit du point dquilibre qui se trouve
lintrieur du quadrant positif en fonction de . Argumenter pourquoi
il est possible quun cycle limite apparaisse (cest en fait un exemple de
bifurcation de Hopf).
5. Dans le mme rgime que la question prcdente, quoi peut-on sat-
tendre lorsque tend vers si le cycle limite a un diamtre de plus en
plus grand ?
Chapitre 10
avec
r2 K 2 K 1
r= ,a= ,b=
r1 K1 K2
Les quilibres sont au plus au nombre de quatre :
221
222 CHAPITRE 10. SUR LA COMPTITION ET LA COOPRATION
avec
1+a 1+b
u = , v = .
1 ab 1 ab
Lquilibre (0, 0) est lquilibre trivial, (1, 0) correspond lquilibre logistisque
de la premire population et labsence de la seconde, et vice versa pour lqui-
libre (0, 1).
Nous retenons lquilibre (u, v) uniquement sil se trouve dans le quadrant po-
sitif, cest--dire uniquement si ab < 1.
u > 1, v > 1.
x > K 1 , y > K 2 .
1
u = 0 ou v = (u 1).
a
v = 0 ou v = 1 + bu.
1,5
0,5
0
0,5
1,5
2,5
3
F IGURE 10.1: a = 1, b = 2 (ab > 1)
2
1,5
0,5
0
0,5
1,5
2,5
En (0, 0) on a
1 0
A(0, 0) =
0 r
c--d que (1, 0) est localement un col car le dterminant est toujours positif,
quelles que soient les valeurs des paramtres.
+ REMARQUE 10.2. On peut vrifier que la varit stable de ce col est compose de
]0, 1[ et de ]1, +[. Dans ce cas, elle concide avec le sous-espace stable associ
la valeur propre 1.
r (1 ab)u v.
1 v
1 u + av = 1 + av u1 (1 = + a )
u v u u u
= 1 + a v .
u v u
10.2. TROIS COMPTITEURS : LEXEMPLE DE MAY-LEONARD 225
On dveloppe maintenant le produit 1 uu (1u+av) qui apparat dans L(u, v) :
u
1 (1 u + av) =
u
u u uv v u
(10.1) 2 + a v 1 + .
u u u v v u
On procde de la mme manire avec le produit r 1 vv (1v +bu) en utilisant
cette fois-ci la relation 1 = + b uv :
1
v
v
r 1 (1 v + bu) =
v
v v u v u v
(10.2) r 2 + r b u 1 + .
v v | {z } uv u v
=a v
En rassemblant (10.1) et (10.2) on obtient donc
u u v v uv v u u v u v
L(u, v) = 2 + r 2 + a v 1 + +1 + .
u u v v u v v u uv u v
On a donc L(u, v) < 0 pour tout u, v > 0, sauf en (u, v). (En effet, chacune des
parenthses est de la forme (X 1)2 /X , avec X > 0.) Il est facile de vrifier que
L atteint son minimum uniquement en (u, v). On peut donc appliquer le tho-
rme de Liapounov : cet quilibre est asymptotiquement stable.
Enfin, on constate que L(u, v) + lorsquon tend vers lun des axes de co-
ordonnes et quand k(u, v)k . On conclut grce un rsultat du cours que
lquilibre est globalement asymptotiquement stable.
o 0 < < 1 et + > 2. Il est clair que ce modle est artificiel, mais il est
explicitement analysable et met nu un mcanisme prsent dans des modles
plus gnraux.
Le modle (10.3) prsente une symtrie de permutation cyclique vidente :
si on remplace la population 1 par la 2, la 2 par la 3, et la 3 par la 1, les qua-
tions sont inchanges. Grce cette symtrie, les calculs sont rendus possibles.
En particulier, le calcul des valeurs propres de la matrice jacobienne est trs
simple. Rappelons quune matrice n n est dite circulante si elle est de la forme
c0 c 1 c 2 . . . c n1
c n1 c 0 c 1 . . . c n2
(10.4)
.. .. ..
. . . ...
c1 c2 c3 . . . c0
= exp(2i /n).
1
(10.7) x 1 = x 2 = x 3 =
1++
10.2. TROIS COMPTITEURS : LEXEMPLE DE MAY-LEONARD 227
Cest une matrice circulante. Par (10.5) ses valeurs propres sont 0 = 1 (avec
comme vecteur propre associ (1, 1, 1)) et
1
1 = 2 = (1 e 2i /3 e 4i /3 ).
1++
+
1
1 +
1++ 2
qui est lquation logistique. Lquilibre X (cf. (10.7)), qui se trouve sur , attire
donc tous les points de .
Nous allons montrer que toutes les trajectoires se trouvant lintrieur de
R+ , priv de la diagonale , ont pour -limite le cycle htrocline H .
3
+ PROPOSITION 10.1. Le cycle htrocline H est l-limite de tout point de int(R3+ )\.
S = x1 + x2 + x3 et P = x 1 x 2 x 3 .
On a
S = x 1 + x 2 + x 3 x 12 + x 22 + x 32 + ( + )(x 1 x 2 + x 2 x 3 + x 3 x 1 )
(10.8)
et
P = x 1 x 2 x 3 + x 1 x 2 x 3 + x 1 x 2 x 3 = P (3 (1 + + )S).
Lquation (10.8) implique que S S(1 S), donc aucune des populations ne
peut avoir son effectif qui explose. Un calcul simple donne
d P +
4 2 2 2
= S P 1 (x 1 x 2 ) + (x 2 x 3 ) + (x 3 x 1 ) 0.
dt S 3 2
1w
T
Z (T ) = X (t )dt
T
0
10.3. NOTES 229
(10.9) z 1 + z 2 + z 3 = 1.
1 z 1 z 2 z 3 0
(10.11) 1 z 1 z 2 z 3 = 0
1 z 1 z 2 z 3 = 0.
10.3 Notes
Dautres modles de comptition, notamment dans un chmostat, sont traits
dans [Wal83].
Chapitre 11
Rn+ = X = (x 1 , . . . , x n ) Rn : x i 0 pour i = 1, . . . , n
Les plans dquation x i = 0 sont les faces du bord de Rn+ . Chaque (hyper)plan
x i = 0 correspond aux tats du systme pour lesquels la population i est ab-
sente. Ces faces sont invariantes : x k (t ) = 0 (t > 0) est lunique solution de
la kme quation dans (11.1) qui satisfait x k (0) = 0. Par consquent, le bord
bd(Rn+ ), et donc Rn+ lui-mme, sont invariants sous laction de la dynamique.
Lintrieur int(Rn+ ) est donc lui aussi invariant, ce qui signifie que, si x k (0) > 0,
alors x k (t ) > 0 pour tout t . La densit de la population i peut tout de mme
tendre vers 0, ce qui veut dire quelle steint.
Nous avons mentionn plus haut que toutes les quations de Lotka-Volterra
pour n = 2 peuvent tre classifies. Pour n 3, de nombreuses questions de-
meurent largement ouvertes. Nous verrons notamment (cf. dernire section du
chapitre) un exemple avec trois populations qui prsente un attracteur qui nest
231
232 CHAPITRE 11. QUAND PLUS DE DEUX POPULATIONS INTERAGISSENT
dont les composantes sont positives. (Les quilibres sur le bord de Rn+ peuvent
tre dtermins de la mme manire puisque la restriction de (11.1) une face
du bord est encore une quation de Lotka-Volterra.)
Cette fonction est dfinie sur int(Rn+ ). Si (t ; X ) est une solution de (11.1) dans
int(Rn+ ), alors la drive L(X ) (de la fonction t 7 L((t ; X )) satisfait
n
X x i Xn
(11.4) L(X ) = vi = v i y i = V, Y > 0.
i =1 x i i =1
11.1. QUILIBRES INTRIEURS 233
En gnral, (11.2) admet au plus une solution dans int(Rn+ ). Cest seulement
dans le cas dgnr detA = 0 que (11.2) peut avoir plus dune solution : elles
forment alors un continuum dquilibres.
Dans le cas o il existe un unique quilibre intrieur X , et si la solution
(t ; X ) ne converge ni vers le bord ni vers linfini, alors sa moyenne temporelle
converge vers X :
+ THORME 11.2. Sil existe des constantes positives a et A telles que a < it (X ) <
A pour tout i et pour tout t > 0, et si X est lunique quilibre intrieur, alors
1w t
T
(11.5) lim i (X )dt = x i (i = 1, . . . , n).
T + T
0
ln x i (T ) ln x i (0) X n
(11.7) = ri + a i j z j (T )
T j =1
1w
T
(11.8) z j (T ) x j (t )dt .
T
0
Or, a < z j (T ) < A pour tout j et tout T > 0. Considrons maintenant nimporte
quelle suite Tk qui concerge vers +. La suite borne z j (Tk ) admet une sous-
suite convergente. Par diagonalisation nous obtenons une sous-suite (que nous
appelons encore Tk pour simplifier les notations) telle que z j (Tk ) converge
pour tout j vers une limite, que nous notons z j . Les suites ln x i (Tk ) ln x i (0)
sont galement bornes. Par passage la limite dans (11.7), on trouve donc
lquation
n
a i j z j .
X
0 = ri +
j =1
234 CHAPITRE 11. QUAND PLUS DE DEUX POPULATIONS INTERAGISSENT
o tous les paramtres r j , a i j sont positifs. Le cas n = 2 est le modle (??). Nous
allons voir que le cas gnral ne conduit rien de nouveau :
+ THORME 11.3.
Si (11.9) admet un quilibre intrieur X , alors il est globalement stable dans le
sens que toutes les trajectoires dans int(Rn+ ) convergent vers X .
o les c i sont des paramtres ajustables. Cette fonction est bien dfinie sur
int(Rn+ ). On a
n
x i
X
L(X ) = c i x i x i
i =1 xi
n n
c i (x i w i x i w i ) = c i (x i x i )w i .
X X
(11.11) =
i =1 i =1
Or, X tant un quilibre, nous avons lquation
r j = a j , j 1 x j 1 a j j x j a j , j +1 x j +1 , j = 2, . . . , n 1,
n n1
c j a j j y 2j +
X X
(11.12) L(X ) = y j y j +1 (c j a j , j +1 + c j +1 a j +1, j ).
j =1 j =1
Nous pouvons encore choisir les constantes c j > 0 de telle manire que
c j +1 a j , j +1
=
cj a j +1, j
Par le thorme ??, l-limite de toute trajectoire dans int(Rn+ ) est {X }. C.Q.F.D.
o les R k et les a ki sont des constantes positives, alors (11.13) est bien un cas
particulier dquation de Lotka-Volterra. Lhypothse (11.14) nest pas nces-
saire : il suffit de postuler que les ressources peuvent tre puises, c.--d. que
les densits x i ne peuvent pas crotre indfiniment.
Puisque n > m, le systme dquations
n
X
c i b i j = 0 ( j = 1, . . . , m)
i =1
En intgrant de 0 T , on obtient
n
x i (T )ci = C e T
Y
i =1
11.5 Notes
Le livre [Tak96] est entirement consacr aux quations de Lotka-Volterra.
Chapitre 12
Reproduction en environnement
alatoire
e (s) = p e ( j )s j
X
(s [0, 1]).
j 0
j p e ( j ) = 0e (1) < .
X
m e :=
j 1
239
240 CHAPITRE 12. REPRODUCTION EN ENVIRONNEMENT ALATOIRE
n (s) := E s Zn E 0 , . . . , E n1
+ PROPOSITION 12.1.
On a
n (s) = E 0 E 1 E n1 (s) p.s.
E s Zn+1 Zn = k, E n = e = e (s)k .
Pk
= E s i =1 Ni ,n Zn = k, E n = e
k
= E(s Ni ,n Zn = k, E n = e)
k
= E(s Ni ,n E n = e)
= e (s)k .
+ THORME 12.1.
Soit
n1
X i := ln m(E i ) = ln 0E i (1)
X
S n := Xi et
i =0
avec la convention S 0 := 0. Si
E Zn E 0 , . . . , E n1 = exp(S n )
Zn = 0 Zn+1 = 0.
Donc les probabilits de survie (P(Zn > 0))n forment une suite dcroissante.
On en dduit que
min E(Zk |E 0 , . . . , E n1 ) : k = 0, . . . , n
= min exp(S k ) : k = 0, . . . , n 1
= exp(L n )
o on a introduit
L n := min(S i : i = 0, . . . , n 1) (n 1).
E Zk E 0 , . . . , E n1 = E Zk 1Zk 1 E 0 , . . . , E n1
E 1 Zk 1 E 0 , . . . , E n1
= P Zk 1E 0 , . . . , E n1
= P Zk > 0E 0 , . . . , E n1 .
242 CHAPITRE 12. REPRODUCTION EN ENVIRONNEMENT ALATOIRE
(On sait que limn P(Zn > 0) existe car (P(Zn > 0))n est une suite dcrois-
sante.)
Pour conclure, il faut se rappeler que la convergence p.s. de (Zn ) (qui est une
suite de v.a. valeurs dans N) vers 0 quivaut montrer que
\
lim P {Zi = 0} = 1.
n
i =n
Daprs (12.2), nous avons bien cette convergence et donc la population steint
presque srement au bout dun temps fini. C.Q.F.D.
1 n
(12.3) # 0 i n 1 : E i = e j (e j ) (p.s.).
n
Cest une application de la loi des grands nombres pour les chanes de Markov.
Ce thorme nous donne aussi que
S n n X J
(12.4) (e j ) ln 0e j (1) (p.s.).
n j =1
Sn X J 1
# 0 i n 1 : E i = e j ln m(e j )
=
n j =1 n
o N est une v.a. de loi et o les Ui sont des v.a.i.i.d. uniformes sur [0, 1] ind-
pendantes de N .
avec
n1
X i = ln(m)#{0 i n 1 : E i = 0) + ln(m(1 p))#{0 i n 1 : E i = 1}.
X
Sn =
i =0
Les v.a. X i sont indpendantes et toutes distribues comme une v.a. X qui prend
la valeur ln m(0) = ln m avec probabilit ou la valeur ln m(1) = ln(mp) avec
probabilit 1 . On obtient donc
n n
E(Zn ) = E(exp X ) = e ln m(0) P(E = 0)+e ln m(1) P(E = 1) = [m(1)+mp]n .
C.Q.F.D.
Condition suffisante dextinction Pour avoir extinction, il suffit que lim infn S n =
, daprs le thorme 12.1. Or, par la loi forte des grands nombres, S n /n tend
p.s. vers E(X ). Donc si
E(X ) = (1 ) ln(m) + ln(mp) < 0
alors S n tend vers p.s., ce qui implique lextinction.
Daprs la proposition prcdente, la population moyenne explose si ln(m(1
) + mp) < 0. Or, par convexit du logarithme
ln(m(1 ) + mp) > (1 ) ln(m) + ln(mp)
Donc on peut donc avoir extinction avec probabilit un mais explosion en moyenne.
Chapitre 13
Mtapopulations puits-sources
13.1 Le modle
Dynamique locale On modlise la dynamique dans chacune des parcelles
par un processus de Bienaym-Galton-Watson. On a deux types de parcelles :
les sources, qui correspondent des habitats de bonne qualit : sans
les effets de migration, la population augmenterait de faon exponen-
tielle. On les modlisera par un processus de Bienaym-Galton-Watson
de nombre moyen de descendants M strictement plus grand que 1.
les puits, qui correspondent des habitats de mauvaise qualit : sans
les effets de migration, la population steindrait presque srement. On
les modlisera par un processus de Bienaym-Galton-Watson de nombre
moyen de descendants m strictement infrieur 1.
On suppose quil y a N puits et une source.
245
246 CHAPITRE 13. MTAPOPULATIONS PUITS-SOURCES
{0, 1, . . . , N } :
pour i = 1, 2, . . . , N , P (i , i + 1) = qd , P (i , i 1) = q g et P (i , i ) = 1 qd q g
(par convention on pose P (N , N + 1) P (N , 0)) ;
pour i = 0, P (0, 1) = p d , P (0, N ) = p g et P (0, 0) = 1 p d p g ;
les autres coefficients sont nuls.
Notons que la somme des coefficients de chaque ligne vaut 1. On dit que la
matrice est stochastique.
mq d u 2 + (mq 1)u + mq g = 0
et
p 1 pd pg et q 1 q d q g .
ak = E m T X 0 = k
(13.1)
avec la convention a N +1 = a 0 .
Nous allons chercher une relation de rcurrence entre a k1 , a k et a k+1 pour
k = 1, . . . , N . Pour k = 1, , N , on fait faire un pas la chane de Markov et on
utilise la proprit de Markov au temps 1 :
E[m T X 0 = k] =
a k = mq d a k+1 + mq a k + mq g a k1
N +1 1 N +1 1
= , = .
N +1 N +1 N +1 N +1
Donc
+ (N N ) N N + ()N ( )
(13.2) a1 = et a N =
N +1 N +1 N +1 N +1
pour tout n 0 et i = 0, . . . , N .
Yn(0) .
X
Y =
n1
E Y = M p + M pd E mT X 0 = 1 + M p g E mT X 0 = N
(13.5) = M p + M p d a1 + M p g a N
daprs (13.1).
13.3 Remarque
On note Zn := Zn(k) la population totale linstant n. Montrons que
PN
k=0
et donc E[Zn ] = E n1
Q
i =0 m X i
.
Puisque la chane de Markov (X n ; n 0) est irrductible, elle possde une
unique loi de probabilit invariante. Si on note
F n (i ) = n 1 Card{0 k n 1 : X k = i }, i = 0, . . . , N ,
on sait que F n (i ) admet presque srement une limite quon note f i . En parti-
culier, on a convergence en probabilit : pour tout > 0, il existe n 0 N tel que
n n 0 , P(|F n (0) f 0 | > ) . Puisque Card{0 k n 1 : X k = 0} = nF n (0) et
Card{0 k n 1 : X k 1} = n(1 F n (0)), on en dduit que
Donc
1
lim inf ln E[Zn ] ( f 0 ) ln M + (1 f 0 + ) ln m
n n
c.--d.
1
ln E[Zn ] f 0 ln M + (1 f 0 ) ln m
lim inf
n n
251
252 CHAPITRE 13. MTAPOPULATIONS PUITS-SOURCES
dp
= kp hp 2
dt
3. V ERHULST Pierre-Franois, Note sur la loi que suit la population dans son accroisse-
ment, Correspondance mathmatique et physique, Bruxelles, troisime srie, Socit Belge de
librairie, 1838, t. II, p. 113212. Recherches mathmatiques sur la loi daccroissement de la
population, Nouveaux Mmoires de lAcadmie royale des sciences et belles-lettres de Bruxelles,
18,1845, p. 338. Deuxime mmoire sur la loi daccroissement de la population, Mmoires
de lAcadmie des science, des lettres et des beaux-arts de Belgique, srie 2, 20, 1847, p. 332.
4. P EARL Raymond, The Biology of Population Growth, New York, Alfred A. Knopf, 1925
13.5. LOTKA ET LA BIOLOGIE PHYSIQUE 253
6. Ibid., p. 121.
7. Proc Natl Acad Sci USA (1920) July ; 6(7) : 410415.
8. Il fallut attendre la clbre raction de Belousov-Zhabotinsky dcouverte dans les annes
1950.
13.6. VOLTERRA ET LA THORIE MATHMATIQUE DE LA LUTTE POUR LA VIE255
toujours mentionns par la suite 9 . Car alors que Lotka retourne vers ltude
de la dmographie du point de vue mathmatique, Volterra continuera pen-
dant environ une dcennie ses recherches sur lcologie mathmatique. Vol-
terra donne ainsi une srie de confrences Paris au tout rcent Institut Henri
Poincar en 1928-29. Ce sont les notes de ces cours qui sont publies en 1931 en
franais sous le titre Leons sur la thorie mathmatique de la lutte pour la vie. 10
En 1935, il publiera en collaboration avec dAncona un autre livre, galement en
franais, intitul Les associations biologiques au point de vue mathmatique. Il
faut noter que les travaux de Volterra vont bien au-del de lexemple initial du
systme proie-prdateur (13.6). Ce systme est maintenant connu sous le nom
de systme de Lotka-Volterra ou, plus prcisment, systme proie-prdateur
de Lotka-Volterra. En lhonneur de Lotka, on parle dquations de type Lotka-
Volterra pour une classe de modle beaucoup plus gnrale que Volterra a in-
troduite et tudie dans ses Leons.
9. Pour plus de dtails sur la relation entre Lotka et Volterra, on consultera le livre de G. I S -
RAEL , La mathmatisation du rel : essai sur la modlisation mathmatique, d. du Seuil, Paris,
1996.
10. Le titre fait videmment cho au livre de C. D ARWIN, LOrigine des espces au moyen de la
slection naturelle, ou la prservation des races favorises dans la lutte pour la vie, (titre anglais
original : On the Origin of Species by Means of Natural Selection, or the Preservation of Favoured
Races in the Struggle for Life (1859))
11. G AUSE G.F., Vrifications exprimentales de la thorie mathmatique de la lutte pour la
vie, Paris, Hermannm ASI, 1935, p. 3.
13.7. LES EXPRIENCES DE GAUSE 257
espce et, de cette faon, ces deux espces se gnent moins lune lautre que si
elles appartenaient une niche identique 14 . Manifestement, ces paramcies
sinstallent dans une sorte de coexistence pacifique en se partageant lespace.
Gause gnralise lensemble de ces rsultats : Dans tous les cas, nous pou-
vons affirmer que la structure dune biocnose est fonde sur la structure consti-
tue par lensemble de ses niches 15 , deux espces ne pouvant vivre indfini-
ment dans la mme niche. Ce qui est lnonc du principe dexclusionquil a
mis en vidence exprimentalement.
Gause tudie enfin le cas de deux espces dont lune se nourrit de lautre.
Dans ce systme proie-prdateur, les fluctuations priodiques prvues par la
thorie ne se trouvent tre vrifies que pour des systmes biologiques trs pri-
mitifs. Une longue srie dexpriences varies et ingnieuses met en vidence
lextrme sensibilit de lvolution de lensemble proies-prdateurs aux condi-
tions initiales. En particulier, les fluctuations de Lotka-Volterra peuvent tre
observes dans des associations biologiques trs primitives o lintensit de
lattaque de lagresseur [...] est soumise aux lois du hasard 16 . Gause reprend
implicitement lchelle de valeur de Lotka, avec, tout en bas de la hirarchie,
les tres primitifs incapables de tromper la chance. Au cours de lvolution
du systme, les fluctuations classiques prvues par la thorie de perdurent que
pour de faibles niveaux de population, jusqu ce quapparaissent ventuel-
lement des oscillations de relaxation, c.--d. des cycles limites, familires aux
physiciens.
Notons que Gause, a crit son livre, The struggle for existence, qui a t un
tournant dans la biologie mathmatique, lge de 24 ans ( !). 17
Mentionnons enfin que Gause et ses collaborateurs 18 ont modifi le mo-
dle proie-prdateur de Lotka-Volterra en tenant compte notamment des res-
sources limites.
14. Ibid., p. 25
15. G AUSE , F.G., The Principles of Biocenology, Quaterly Review of Biology, 11, 1936, p. 326.
16. G AUSE G.F., Vrifications exprimentales..., art. cit., p. 42 sq.
17. La traduction anglaise est parue chez Williams and Wilkins, Baltimore, en 1935.
18. G.F. G AUSE , N.P. S MARAGDOVA , A.A. W ITT, Further studies of interaction between preda-
tor and prey, J. Anim. Ecol., vol. 5 (1936).
13.8. KOLMOGOROV ET LA BIOLOGIE 259
contributions originales.
En ce qui concerne ses travaux sur la dynamique des populations, le point
de dpart de Kolmogorov est larticle sus-cit de Volterra. 19 Dans sa note, crite
en italien, 20 Kolmogorov considre le modle de Volterra comme une premire
approximation et il considre le modle le plus gnral possible compatible
avec une interaction de type proie-prdateur (cf. section 9.2).
En utilisant le thorme de Poincar-Bendixson, il a
argument quil pouvait y avoir un cycle limite, donc
des oscillations robustes des populations des proies
et des prdateurs. Il y a avait en ralit quelques
dtails techniques ngligs par Kolmogorov, mais le
raisonnement tait essentiellement correct. Ce nest
que dans les annes 1960 que ce travail a t re-
connu, notamment grce aux articles de Rosenzweig-
MacArthur et Rescigno-Richardson, Holling, etc.
Il est intressant de noter que Kolmogorov ex-
plique dans sa note que la modlisation dun co- Andrei Kolmogorov (19031987)
systme par un modle dterministe ne peut pas tre
valable pour des effectifs de population trs petits.
Kolmogorov a jou un rle important dans la thorie des chanes de Markov
et dans celle des processus de ramification. Il a par exemple t le premier
tudier les chanes de Markov espace dtat dnombrable 21 .
19. Variazioni e fluttuazioni del numero di individui in specie animali conviventi, Mem. R.
Accad. Lincei, vol. II.
20. A.N. KOLMOGOROV, Sulla teoria di Volterra della lotta per lesistenza, Instituto Ital. At-
tuari, vol. 7 (1936).
21. KOLMOGOROV A., Anfangsgrnde des Markoffschen Ketten mit unendlich vielen mgli-
chen Zustnden. Rec. Math. Moscow (Mat. Sb.) 1 (43) (1936), 607-10.
Bibliographie
261
262 BIBLIOGRAPHIE