Universit

e Montpellier II

ULMA 304 Bio-Maths 2 (2006-2007)

Cours : Diagonalisation des matrices carr

ees et applications
Philippe Castillon, Marc Herzlich

N.B. Dans ce chapitre, toutes les matrices sont des matrices carrees.
1. Changements de rep`
eres et matrices inversibles
En suivant lexperience acquise lors du chapitre precedent, nous savons que si on remplace le vecteur
des inconnues X dans un syst`eme lineaire par un nouveau vecteur Z tel que

z
= u11 x1 + + u1n xn ,

1
..
.

z
= u x ++u x ,
n

n1 1

nn n

a
` laide de coefficients uij , alors on peut ecrire

Z = U X.
De plus, une fois Z determine, on ne pourra retrouver X en fonction de Z que si U est inversible. Dans
ce cas, on aura alors X = U 1 Z. Cette procedure peut etre reinterpretee dune mani`ere geometrique de
la facon suivante.
Les valeurs de x1 , ... xn peuvent etre vues comme les coordonnees dun point de Rn , lespace a
`n
dimensions. Ainsi, R2 est le plan, a
` 2 dimensions, et R3 est lespace, a
` 3 dimensions... (nous travaillerons
souvent avec n = 2 ou n = 3, ne serait-ce que pour visualiser aisement ce dont nous parlons). Ces
coordonnees sont exprimees en reference a
` un rep`ere (appele aussi rep`ere cartesien ou encore base) forme
des n vecteurs


0
1
0
0

e1 = . , , en = . .
..
..
1
0
Par exemple, en dimension n = 2, il sagit du rep`ere orthonorme usuel du plan. De meme, dans
lespace, il sagit encore une fois du rep`ere usuel...
On peut neanmoins imaginer changer de rep`ere de reference, et prendre, par exemple, un nouveau
rep`ere forme des vecteurs

u1n
u11
u2n
u21

u1 = . , , un = . .
..
..

unn
un1
Par exemple, en dimension 2 (dans le plan), on peut choisir le nouveau rep`ere
 
 

1
2
u1 =
, u2 =
,
1
1
qui est represente sur la page suivante.

1
Departement de Mathematiques, CC 051, Universite Montpellier II, Pl. Eug`ene Bataillon, 34095 Montpellier cedex 5.
M`el : cast@math.univ-montp2.fr, herzlich@math.univ-montp2.fr

Un nouveau rep`
ere dans le plan.

Il est clair que tout point du plan a des coordonnees par rapport a
` ce nouveau rep`ere, et qui peuvent etre
calculees. Systematisons maintenant un peu : un point p de Rn qui a pour coordonnees

z1
z2

Z=.
..
zn

dans un nouveau rep`ere forme des vecteurs (u1 , . . . , un ) definis precedemment est donc obtenu comme

op = z1 u1 + + zn un .

Comme les coordonnees de (u1 , . . . , un ) sont elles-memes connues, on en deduit que les coordonnees
(notons les x1 , . . . , xn ) de p dans le rep`ere usuel ne sont autres que

x1
z1 u11 + z2 u12 + + zn u1n
x2
z1 u21 + z2 u22 + + zn u2n

X = . =
= UZ
..
.
.

.
xn

o`
u U est la matrice

z1 un1 + z2 un2 + + zn unn

u11
u21

U = .
..

u12
u22

u1n
u2n

.. .
.

un1 un2 unn

On enonce alors les resultats fondamentaux suivants, qui ne seront pas demontres :

Th
eor`
eme 1. Soit (u1 , . . . , un ) une famille de n vecteurs de Rn . Cette famille forme un (nouveau) rep`ere

de coordonnees, ou base de Rn , si et seulement si la matrice U formee des coordonnees des vecteurs ui

dans le rep`ere usuel est une matrice inversible. Inversement, toute matrice inversible U est la matrice
des coordonnees dune (nouvelle) base de Rn ; les coordonnees usuelles des nouveaux vecteurs de base
sont exactement donnees par les colonnes de U .

Th
eor`
eme 2. Soit (u1 , . . . , un ) une (nouvelle) base de Rn , et soit p un point de Rn . Si les coordonnees
de p dans la base usuelle sont donnees par le vecteur X, alors les coordonnees de p dans la nouvelle base
sont donnees par Z = U 1 X.
Inversement, si les coordonnees de p dans la nouvelle base sont donnees par un vecteur Z alors les
coordonnees de p dans la base usuelle sont donnees par X = U Z.
Remarque 1. La matrice U et son inverse U 1 sont appelees matrices de changment de bases, ou encore
matrices de passage. Il est tr`
es important de bien veiller a
` utiliser la bonne matrice au bon moment,
afin de ne pas confondre le passage des coordonnees usuelles aux nouvelles coordonnees, et vice-versa.

2. Digression : applications lin

eaires
Nous venons de voir que toute matrice inversible peut etre vue comme un changement de base. Mais
il existe encore une autre facon de voir toutes les matrices (pas seulement les inversibles).
D
efinition 1. Une application lineaire est une application de Rn dans Rn de la forme suivante dans les
coordonnees usuelles :

x1
t1
a11 x1 + + a1n xn
..
.

..
. 7 .. =
.
.
xn

tn

an1 x1 + + ann xn

Autrement dit, se donner une application lineaire est la meme chose que se donner un syst`eme de
coordonnees (ici le syst`eme usuel) et une matrice A ; on note alors fA lapplication lineaire associee.
Etant donnee cette derni`ere, limage par lapplication dun point p de Rn de coordonnees usuelles X est
le point dont les coordonnees usuelles sont le resultat de la multiplication AX.
Changeons maintenant de base et prenons une nouvelle base dont la matrice de passsage est U
(cest-`
a-dire que la nouvelle base est donnee par les colonnes de U dans le syst`eme usuel de coordonnees).
Si notre point P a pour vecteur de coordonnees Z dans la nouvelle base, il a le vecteur X = U Z comme
coordonnees dans la base usuelle. Si nous avons maintenant une application lineaire dont la matrice
associee est A dans la base usuelle, limage de p a pour coordonnees AX (qui nest autre que AU Z),
toujours dans la base usuelle. Mais si nous voulons connaitre les coordonnees de limage de p dans la
nouvelle base, il nous faut multiplier par U 1 , et on obtient U 1 AU Z. Nous retenons donc :
Proposition 1. Si une application lineaire est donnee par une matrice A dans la base usuelle, alors elle
est donnee par la matrice U 1 AU dans la base donnee par les colonnes de la matrice inversible U .

3. Diagonalisation et trigonalisation
Nous avons vu dans les premiers exercices sur chapitre sur les syst`emes dequations lineaires que les
syst`emes dont la matrice des coeffficients etait diagonale ou triangulaire pouvaient etre tr`es facilement
resolus. Nous avions alors exploite cette idee en modifiant les equations du syst`eme gr
ace a
` la methode
du pivot de Gauss, afin de se ramener a
` un syst`eme triangulaire.
Mais si nous changions dinconnues plut
ot que dequations ? Comme nous venons de le voir, cela
revient a
` faire un changement de base ; si lon voit la matrice A associee a
` un syst`eme dequations lineaires
comme une application lineaire fA , resoudre un syst`eme lineaire AX = Y revient a
` trouver un point p
de coordonnees (usuelles) X tel que limage de p par fA soit le point q de coordonnees usuelles Y .
Autrement dit, etant donne un point q de Rn , on cherche un point p de Rn tel que fA (p) = q. Si
nous voyons cette equation dans une nouvelle base donnee par une matrice de passage U , cela revient
donc a
` resoudre
(U 1 AU )Z = U 1 Y
(attention, la nouvelle inconnue est Z...) Un cas o`
u il est facile de conclure est celui o`
u on a choisi
une matrice inversible U telle que U 1 AU soit une matrice diagonale, ou tout du moins triangulaire
superieure.
D
efinition 2. Soit A une matrice carrree de taille (n, n) ;
(1) trouver une matrice inversible U telle que U 1 AU soit diagonale sappelle diagonaliser la matrice
A, qui est dite diagonalisable ;
(2) trouver une matrice inversible U telle que U 1 AU soit triangulaire superieure sappelle trigonaliser la matrice A, qui est dite trigonalisable.
Remarque 2. Malheureusement, toutes les matrices ne sont pas diagonalisables (ce serait trop
simple) ! En ce qui concerne la trigonalisation, la situation est un peu meilleure car toute matrice est
trigonalisable... a
` condition dadmettre des matrices U dont les coefficients sont des nombres complexes.

Si une matrice A est diagonalisable, il existe donc une matrice U inversible telle que

1 0 . . . 0
0 2
0

D = U 1 AU = .
.. .
..
.
0

. . . n

Les nombres 1 , 2 , ..., n sappellent les valeurs propres de la matrice A (attention, ils peuvent etre nuls,
et nont aucune raison detre tous distincts). On peut montrer que quelque soit le choix de U inversible
(telle que U AU 1 soit diagonale), on obtiendra toujours les memes coefficients, eventuellement ranges
dans un autre ordre (on dit que ce sont des invariants de la matrice).
Si la matrice A est seulement trigonalisable, il existe une matrice U inversible telle que

1 . . .
0 2

T = U 1 AU = .
.. .
..
.
0

. . . n

Les i sont toujours appeles valeurs propres et sont toujours des invariants de la matrice.
4. Valeurs propres, vecteurs propres

Nous allons ici tenter dapprofondir notre comprehension de la situation. Lobjectif est de savoir
determiner si une matrice est ou non diagonalisable et, le cas echeant, de savoir calculer la matrice diagonale D et la matrice inversible U associees. Pour cela, nous commencons par decrire deux interpretations
utiles de la diagonalisation, qui motivent les concepts introduits par la suite.
4.1. Interpr
etation g
eom
etrique de la diagonalisation. Comme nous lavons vu, une matrice
A peut etre vue comme une application de Rn dans lui-meme. Si nous disposons dune nouvelle base
donnee par une matrice de passage U , et si la matrice U 1 AU est diagonale (en particulier A est donc
diagonalisable), les images des points de R par fA sont tr`es simples a
` calculer a
` condition daccepter de
se placer dans le nouveau
syst`
e
me
de
coordonn
e
es.
En
effet,
prenons
un
point
p de R n de (nouvelles)

z1
1 . . . 0

.. et f (p) a pour (nouvelles !)

coordonnees Z = ... . La matrice U 1 AU est alors ...
A
.
zn

. . . n

1 z 1

coordonnees (U 1 AU )Z, cest-`

a-dire ... .

n z n
Lapplication fA est donc simple dans la nouvelle base (2). Cest l`
a tout linteret de la diagonalisation : changer de rep`ere (base) afin que la matrice que lon manipule devienne beaucoup plus simple,
et que les operations algebriques que lon doit effectuer sur celle-ci ne soient pas un obstacle au calcul
explicite (par exemple les multiplications, les puissances, etc... Voir la fin de ce chapitre pour plus de
details).
4.2. Interpr
etation alg
ebrique de la diagonalisation. Pour simplifier, nous allons supposer dans ce
paragraphe que la matrice A est de taille (2, 2), mais cette interpretation reste evidemment valable pour
n quelconque. Disposer dune matrice U inversible telle que U 1 AU soit diagonale, cest ecrire



u11 u12
1 0
AU = U D =
,
u21 u22
0 2
quon peut aussi interpreter de la mani`ere suivante :
(1) la premi`ere colonne de AU est egale a
` la premi`ere colonne de U D ;
(2) la seconde colonne de AU est egale a
` la seconde colonne de U D.

2Noter que limage dun vecteur de base u

i est donc i ui .

Or, la premi`ere colonne dun produit M N est simplement le produit de M par la premi`ere colonne de N
(et de meme pour la seconde colonne). Donc nous pouvons reinterpreter en notant C 1 et C2 les (vecteurs)
colonnes de U :
(1) AC1 = 1 C1 ;
(2) AC2 = 2 C2 .
Ainsi, diagonaliser une matrice revient a
` trouver deux nombres reels 1 et 2 et deux vecteurs non nuls
C1 et C2 verifiant (1) et (2) et qui mis ensemble forment une matrice inversible (i.e. une nouvelle base).
4.3. Valeurs propres, vecteurs propres et diagonalisation. Les remarques que nous venons de
faire justifient lintroduction de la definition suivante :
D
efinition 3. Soit une matrice A. Un vecteur non nul X tel queAX = X (pour un certain reel )
sappelle un vecteur propre de A. Le nombre reel est la valeur propre associee.
Si lon reprend les interpretations de la diagonalisation donnees plus haut, diagonaliser une matrice
est exactement equivalent a
` trouver une nouvelle base formee de vecteurs propres, ou encore a
` trouver
une matrice inversible (3) U dont chaque colonne est un vecteur propre. On a alors automatiquement

1 0 0
0 2
0

AU = U .
.
..
.
.
.
.
.
0

o`
u les i sont les valeurs propres associees aux colonnes Ci de U .

Proposition 2. Si X est un vecteur propre de A, alors X est egalement un vecteur propre de A pour
tout non-nul.
Proposition 3. Si est une valeur propre de A (cest-`
a-dire quil existe un vecteur propre X associe),
alors necessairement un syst`eme lineaire de la forme (A I) X = Y doit avoir zero ou une infinite de
solutions.
Demonstrations. La premi`ere proposition se verifie a
` la main. Elle montre alors que si X est une solution
de (A I) X = Y et si X est un vecteur propre asscoie a
` , alors X + X est une solution de
(A I) X = Y pour tout !

Ceci donne un moyen effectif de determiner les valeurs propres dune matrice. Dans le cas particulier
dune matrice de taille (2, 2), on a alors (cf. theor`eme du cours sur le calcul matriciel) :


a b
le determinant de la matrice
Proposition 4. Si est une valeur propre dune matrice A =
c d


a
b
A I =
c
d
est nul. Autrement dit, det(A I) = (a )(d ) bc = 0.
Ce crit`ere se generalise a
` n quelconque, mais les determinants quil faut calculer sont beaucoup
plus compliques. Calculer les valeurs propres dune matrice ne suffit pas en general a
` montrer quelle
est diagonalisable (4). On dispose neanmoins du resultat utile suivant (dont on ne donnera pas de
demonstration) :
Proposition 5. Une matrice de taille (n, n) qui a exactement n valeurs propres distinctes est diagonalisable. Dans ce cas, une collection de n vecteurs comprenant exactement un vecteur propre par valeur
propre forme toujours une base.
3ne jamais oublier cette condition !
4On rappelle que, malheureusement, toutes les matrices ne sont pas diagonalisables !

Diagonalisation, mode demploi : diagonaliser une matrice A signifie trouver une matrice U (un
nouveau rep`ere) et une matrice diagonale D (donc les valeurs propres) telles que U 1 AU soit egale a
`
D. Il faut donc trouver U , U 1 et D. La procedure ci-dessous marche toujours lorsque la matrice A est
diagonalisable (et, evidemment, echoue lorsque A ne lest pas !)
(1) Calcul des valeurs propres : trouver les solutions de det(A I) = 0 (equation polyn
omiale
de degre n). En cas de racines multiples, la racine corresponsdante doit etre repetee autant de
fois que sa multiplicite ; ceci fournit donc une liste de n valeurs propres (1 , . . . , n ) ;
(2) Calcul dune base de vecteurs propres : pour chaque i = 1, . . . , n, trouver un vecteur U i
non-nul tel que (A i I)Xi = 0 (vecteur propre pour la valeur propre i ), de telle sorte que
la matrice U obtenue en juxtaposant les vecteurs X1 , . . . , Xn soit inversible. Les n vecteurs
X1 , . . . , Xn forment alors un nouveau rep`ere et U est la matrice de passage.
Remarque 3. Dans le cas o`
u une valeur propre est racine de det(A I) = 0 de multiplicite
k 2, il faut donc trouver exactement k solutions non-nulles, distinctes, ..., de (A I)X = 0,
et telles quau final la matrice U obtenue soit inversible. Ce nest pas toujours possible, et cest
precisement a
` ce stade que la methode echoue pour les matrices A qui ne sont pas diagonalisables.
Cest ici que le travail sav`ere le plus delicat : si la valeur propre est de multiplicite k 2, il y
aura ` k coefficients libres dans les solutions du syst`eme lineaire (A I)X = 0. Si ` < k,
la matrice nest pas diagonalisable ; si ` = k, il faut trouver exactement k solutions suffisamment
independantes pour conduire a
` la formation dun nouveau rep`ere (cest-`
a-dire U inversible...) En
revanche, si k = 1 pour chacune des valeurs propres (racines simples), alors la methode ne peut
pas echouer en vertu de la Proposition 5.
(3) Conclusion : un succ`es aux deux etapes precedentes assure que la matrice A est diagonalisable.
Le rep`ere adapte a
` letude de A est celui forme par les colonnes de U , et la matrice diagonale
associee a pour coefficients diagonaux (1 , . . . , n ), ranges dans le meme ordre que les Xi formant
les colonnes de U .
Application : m
ethode de calcul des puissances dune matrice
Il sagit de la premi`ere application fondamentale de la diagonalisation (nous en rencontrerons une
seconde lors du chapitre sur les syst`emes dequations differentielles lineaires) : nous cherchons a
` calculer
An pour tout n (et non pas seulement pour quelques valeurs de n, ce qui se pourrait se faire a
` la
main ou avec un ordinateur). Si A est diagonalisable, ce calcul est particuli`erement facile. En effet,
diagonalisons A : il existe donc une matrice inversible U et une matrice diagonale D telle que A = U DU 1 .
D`es lors,






An = U D U 1 U D U 1 U D U 1
(o`
u le produit du terme entre parenth`eses est fait n fois). Les matrices U et U 1 situes au milieu du
membre de droite seliminent entre elles, de sorte quil ne reste que An = U Dn U 1 .
Appendice : m
ethode de calcul de linverse dune matrice
Nous voulons calculer linverse dune matrice A que lon sait dej`
a inversible.
Trouver linverse de A consiste a
` savoir resoudre explicitement tous les syst`emes lineaires de la forme
AX = Y et a
` ecrire les solutions sous la forme X = A1 Y . On peut alors appliquer le pivot de Gauss, qui
fournit une matrice Q telle que QA soit triangulaire superieure. Le syst`eme AX = Y est alors equivalent
a
` QAX = QY , que lon sait resoudre facilement (en principe). On pose alors


x1
y1
..
..
X = . , Y = .
xn

yn

et on resoud explicitement QAX = QY , ce qui fournit les coefficients xi comme des combinaisons lineaires
des yj . Il ne reste plus qu`
a transcrire ces derni`eres equations sous forme matricielle, cest-`
a-dire a
` les
voir comme X = A1 Y .

5. Exercices
   
1
0
Exercice 1. Quelles sont les coordonnees des points
et
dans le nouveau syst`eme de coordonnees
0
1
 

x
dans le
defini par (u1 , u2 ) de la page 2 ? De mani`ere plus generale, si un point a pour coordonnees
y
rep`ere usuel, 
quelles
 sont ses coordonnees dans le nouveau rep`ere ? Reciproquement, si un point a pour
s
dans le nouveau rep`ere, quelles sont ses coordonnees dans le rep`ere usuel ? Memes
coordonnees
t
 
 

1
1
.
, u2 =
questions avec la nouvelle base u1 =
1
1
Exercice 2. La condition matricielle pour quune famille de n vecteurs soit une base nest pas tr`es con

ceptuelle. Montrer quelle est equivalente a

` la condition suivante : une famille (u1 , . . . , un ) est une base

si et seulement si, pour tout point p, il existe une unique facon decrire op sous la forme

op= a1 u1 + + an un .

Exercice 3. On etudie le cristal bidimensionnel donne par le dessin ci-dessous. Proposez un rep`ere
efficace pour donner les coordonnees des sommets du reseau cristallin, donnez la loi de transformation des
anciennes en nouvelles coordonnees, et vice-versa. Quel(s) est(sont) le(s) sommet(s) le(s) plus proche(s)
de lorigine ?

 
 1 0 2
1 2 0
1 0 0
1 1
1 1
Exercice 4. Diagonaliser les matrices
,
, 0 1 1, 2 4 1, 0 1 0
0 1
1 1
1 1 1
1 2 0
1 1 1
et calculer An dans chacun des cas.


Exercice 5. On consid`ere la population dun pays, divisee en une population rurale et en une population
urbaine. On note R(n) et U (n) les populations rurales et urbaines a
` lannee n, a le taux dexode
rural annuel et b le taux dexode urbain (supposes constants). Montrer que cette situation conduit aux
equations R(n + 1) = (1 a)R(n) + bU (n) et U (n + 1) = aR(n) + (1 b)U (n). Ecrire ces equations sous
1
1
forme matricielle. Diagonaliser la matrice obtenue

en prenant a = 0, 2 an , b = 0, 1 an . En faisant un
R(n)
changement de rep`ere adequat sur S(n) =
, se ramener a
` une equation du meme type mais o`
u la
U (n)
matrice est diagonale, et en deduire le comportement de R(n) et U (n) au cours du temps.
Exercice 6. Une reaction chimique produit au cours du temps, deux composes A et B, au rythme suivant :
entre linstant n et linstant n + 1, la quantite de A fabriquee est egale a
` celle presente au temps n, tandis
que la quantite de produit B apparue est egale a
` la moitie de la somme des quantites de A et de B
presentes au temps n. Mettre en equations cette situation, et calculer levolution des quantites de A et
B au cours du temps.

Exercice 7. Lorsquon place dans une meme cage les mouches Drosophila melanogaster et Drosophila
simulans, D. simulans est systematiquement eliminee par D. melanogaster, a
` une vitesse ne dependant
que du nombre de D. melanogaster presentes (5). Proposer une loi regissant levolution des deux populations (on supposera que la demographie naturelle des deux esp`eces isolees est la meme). Montrer que
necessairement D. simulans disparait au bout dun certain temps.
On introduit ensuite un parasite du genre Leptopilina qui sattaque a
` D. melanogaster. Montrer
quil est alors possible que les deux esp`eces coexistent.
Exercice 8. Inverser les matrices suivantes (on verifiera quelles sont inversibles) :

1 0 1
1 0 1
2 0 2
B1 = 0 1 1 , B2 = 1 1 6 et B3 = 0 1 1 .
1 1 1
2 1 3
1 1 1
*
*

TRAVAUX DIRIGES
Ces exercices un peu plus longs sont destines a
` presenter de mani`ere plus compl`ete une application
des techniques mathematiques developpees ici a
` une situation concr`ete de modelisation en biologie ou
en chimie. Ils ont donc naturellement vocation a
` occuper lessentiel dune seance d1h30 ou 2h. Le
premier th`eme est tr`es detaille et permet une etude compl`ete dune dynamique des populations simple.
Le deuxi`eme enonce est quant a
` lui formule de facon volontairement concise afin de laisser une large part
a
` lautonomie des etudiants.
Etude asymptotique dune d
emographie
On se place dans le meme cadre que dans lexercice 9 du cours sur le calcul matriciel dont on reprend
lenonce.
On consid`ere une population danimaux sauvages divisee en N classes d
ages (les jeunes, les adultes,
les vieux...) et on appelle ni (t) le nombre dindividus dans la i-`eme classe d
age au temps t. On appelle
alors fi la fecondite des individus de la classe i, pi la proportion dindividus passant de la classe i a
` la
classe i + 1 par unite de temps et mi le taux de mortalite de chaque classe d
age par unite de temps.
Partie A
On suppose tout dabord que N = 2 (les jeunes, les adultes).
1. Rappeler pourquoi
P (t + 1) = AP (t)

o`
u

P (t) =

n1 (t)
n2 (t)

et

A=

f1 + 1 m 1 p 1
p1


f2
,
1 m2

En deduire que P (T ) = AT P (0) si T est un multiple entier dunites de temps.

2. En quoi diagonaliser la matrice A permet de calculer facilement P (T ) pour tout temps T entier ?
3. On prend ici f1 = 0, p1 = 1/2, m1 = 1/4, f2 = 2, m2 = 3/4 (commenter ces choix). Ecrire la
matrice A correspondante puis la diagonaliser(6).
N.B. On
montrer
 pourra

 que
 la matrice A se diagonalise dans le rep`ere forme des deux vecteurs propres
2
2
X =
et X+ =
.
1
1
5il sagit l`
a dune approximation tr`es grossi`ere, concue pour les besoins de lexercice... En-dehors de ce point, le reste
du texte est issu dobservations reelles et nest pas une invention de lauteur de ces lignes.
6On rappelle que diagonaliser une matrice signifie trouver les valeurs propres de celle-ci mais aussi donner explicitement
un nouveau rep`ere forme de vecteurs propres, si cela est possible.

4. En deduire P (T ), en general puis dans les 3 cas suivants :





 
0
240
150
P (0) =
, P (0) =
, P (0) =
.
250
10
100
On pourra dabord calculer Q(0) = U 1 P (0) et relier a
` la question 2.
5. Dans les 3 cas precedents, etudier la limite quand T tend vers linfini du ratio
nombre dindividus jeunes au temps T
.
nombre total dindividus au temps T
Observer une relation entre cette limite et les coordonnees du vecteur X+ . Si lon calcule cette fois la
limite du ratio
nombre dindividus adultes au temps T
,
nombre total dindividus au temps T
observe t-on de meme une relation avec X+ ?
6. Essayer de montrer que cette relation est en fait generale, cest-`
a-dire que lon a le resultat suivant :
si P (t + 1) = AP (t), alors pour toute donnee initiale


n1 (0)
P (0) =
avec n1 (0) 0, n2 (0) 0,
n2 (0)
on a


a
nombre dindividus jeunes au temps T
lim
=
T
nombre total dindividus au temps T
a+b
 
a
est un vecteur propre correspondant a
` la valeur propre la plus elevee de A ( 7).
si X+ =
b
Partie B
Lobservation montre que ce mod`ele ne rend pas bien compte de levolution de la population, car
il neglige la forte baisse de la fecodite et la forte augmentation de la mortalite des individus a
ges. On
suppose donc dans cette question que N = 3.
1. Montrer que lon a desormais

n1 (t)
P (t) = n2 (t) et
n3 (t)

f1 + 1 m 1 p 1
p1
A=
0

f2
1 m2 p2
p2

f3
0 .
1 m3

On prend ici f1 = 0, p1 = 1/2, m1 = 1/4, f2 = 2, p2 = 1/4, m2 = 1/2, f3 = 0, m3 = 3/4. Diagonaliser la

matrice A.
2. En deduire P (T ) dans les 3 cas suivants et comparer avec les resultats de la question 4 :

150
0
0
P (0) = 250 ,
P (0) = 0 ,
P (0) = 50 .
0
250
50

Dans chacun des trois cas, pouvez-vous faire un commentaire sur le pourcentage de la population occupe
par chaque classe d
age asymptotiquement (cest-`
a-dire quand T tend vers linfini) ? Dans le deuxi`eme
cas, que remarquez-vous ?(8)
7La particularit
e des matrices A etudiees ici est detre a
` coefficients tous positifs ou nuls (et meme strictement positifs
dans la partie A). Ces matrices se rencontrent frequemment dans les syst`emes dynamiques etudies en biologie des populations
et leurs proprietes sont lobjet de la theorie dite de Perron-Frobenius. Un resultat important de cette theorie est lexistence
dune valeur propre strictement positive , dont la valeur est strictment superieure a
` la valeur absolue de toute autre valeur
propre (reelle ou complexe) de A, et qui est de multiplicite 1. Ces faits assurent alors que, en general, la population de
chaque classe d
age se comporte comme eT quand T tend vers linfini et que le pourcentage occupe par chacune tend
vers une valeur qui est donnee, comme dans la question 5, par les seuls coefficients dun vecteur propre associe a
` la valeur
propre (ici, en general signifie que ce comportement se produit pour presque toutes les conditions initiales ; nous ne
detaillerons pas le sens de ce presque toutes). Une excellente reference est .... A compl
eter
8Et voila pourquoi il faut dire en g
eneral et non toujours dans la note de bas de page precedente !

10

Crit`
ere de d
ecroissance exponentielle dune population
On consid`ere une population de plantes hermaphrodites annuelles qui produisent des granes a
` la
fin de lete, puis meurent. Une partie des graines survit a
` lhiver et germe au printemps pour donner
naissance a
` une nouvelle generation de plantes adultes, tandis quune autre fraction des graines reste
dormante dans le sol (elles germeront peut-etre lannee suivante, mais ne peuvent germer deux ans ou
plus apr`es leur production). Enfin, la derni`ere partie des graines ne survit pas.
Modeliser la situation (preciser quels sont les effectifs de plantes ou graines dont on souhaite suivre
levolution et a
` quel(s) moment(s) ils sont mesures, et les param`etres essentiels), et en deduire un syst`eme
dequations regissant les effectifs de lannee n + 1 en fonction des effectifs de lannee n.
Ecrire une equation satisfaite par les valeurs propres du syst`eme sous la forme F () = 0, etudier la
fonction F . En deduire une condition qui assure que la population de plantes va necessairement diminuer
au cours du temps (on pourra calculer F (1)).