Modélisation de phénomènes dépendant du temps - Exemples ...
Modélisation de phénomènes dépendant du temps - Exemples ...
Modélisation de phénomènes dépendant du temps - Exemples ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
<strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong><br />
<strong>Exemples</strong> choisis en dynamique <strong>de</strong>s populations<br />
François Ducrot<br />
http://math.univ-angers.fr/∼<strong>du</strong>crot/CSG/<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Intro<strong>du</strong>ction<br />
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
En 1859, 24 lapins furent intro<strong>du</strong>its en Australie, par un<br />
agriculteur nostalgique <strong>de</strong> son pays d’origine. Quelques années plus<br />
tard ces petites bêtes pullulaient, et <strong>de</strong>venaient un fléau national.<br />
Pour tenter <strong>de</strong> le juguler, on a intro<strong>du</strong>ire <strong>de</strong>s prédateurs (<strong>de</strong>s<br />
renards), une maladie (la myxomatose), et on a construit <strong>de</strong>s<br />
milliers <strong>de</strong> kilomètres <strong>de</strong> clotures. Tout ceci sans succès.<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Intro<strong>du</strong>ction<br />
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
En 1859, 24 lapins furent intro<strong>du</strong>its en Australie, par un<br />
agriculteur nostalgique <strong>de</strong> son pays d’origine. Quelques années plus<br />
tard ces petites bêtes pullulaient, et <strong>de</strong>venaient un fléau national.<br />
Pour tenter <strong>de</strong> le juguler, on a intro<strong>du</strong>ire <strong>de</strong>s prédateurs (<strong>de</strong>s<br />
renards), une maladie (la myxomatose), et on a construit <strong>de</strong>s<br />
milliers <strong>de</strong> kilomètres <strong>de</strong> clotures. Tout ceci sans succès.<br />
Dans cet exposé, on cherche à modéliser mathématiquement<br />
l’évolution <strong>de</strong> populations animales.<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Contenu<br />
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
1 Modéliser le problème<br />
2 Discuter et modifier le modèle<br />
3 Un modèle proie-prédateur<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
La formule fondamentale<br />
On étudie l’évolution d’une population entre <strong>de</strong>ux instants t1 et<br />
t2 > t1. On a alors<br />
effectif(t2) − effectif(t1) = nb <strong>de</strong> naissances − nb <strong>de</strong> décès<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
La formule fondamentale<br />
On étudie l’évolution d’une population entre <strong>de</strong>ux instants t1 et<br />
t2 > t1. On a alors<br />
effectif(t2) − effectif(t1) = nb <strong>de</strong> naissances − nb <strong>de</strong> décès<br />
Le biologiste fait alors une hypothèse, en proposant une loi<br />
mathématique qui donne les nombres <strong>de</strong> naissances et <strong>de</strong><br />
morts en fonctions <strong>de</strong>s différents paramètres.<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
La formule fondamentale<br />
On étudie l’évolution d’une population entre <strong>de</strong>ux instants t1 et<br />
t2 > t1. On a alors<br />
effectif(t2) − effectif(t1) = nb <strong>de</strong> naissances − nb <strong>de</strong> décès<br />
Le biologiste fait alors une hypothèse, en proposant une loi<br />
mathématique qui donne les nombres <strong>de</strong> naissances et <strong>de</strong><br />
morts en fonctions <strong>de</strong>s différents paramètres.<br />
Le mathématicien peut alors étudier le modèle, et faire <strong>de</strong>s<br />
prévisions sur l’évolution <strong>de</strong> la population.<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
La formule fondamentale<br />
On étudie l’évolution d’une population entre <strong>de</strong>ux instants t1 et<br />
t2 > t1. On a alors<br />
effectif(t2) − effectif(t1) = nb <strong>de</strong> naissances − nb <strong>de</strong> décès<br />
Le biologiste fait alors une hypothèse, en proposant une loi<br />
mathématique qui donne les nombres <strong>de</strong> naissances et <strong>de</strong><br />
morts en fonctions <strong>de</strong>s différents paramètres.<br />
Le mathématicien peut alors étudier le modèle, et faire <strong>de</strong>s<br />
prévisions sur l’évolution <strong>de</strong> la population.<br />
Il faut enfin confronter les prévisions et les observations, et<br />
éventuellement modifier le modèle.<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
L’hypothèse malthusienne<br />
Hypothèse<br />
Les nombres <strong>de</strong> naissances et <strong>de</strong> morts dans une population,<br />
pendant une pério<strong>de</strong> <strong>de</strong> courte <strong>du</strong>rée, sont proportionnels<br />
à la l’effectif <strong>de</strong> cette population<br />
à la <strong>du</strong>rée <strong>de</strong> cette pério<strong>de</strong><br />
On peut alors mettre en oeuvre cette hypothèse en raisonnant<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
L’hypothèse malthusienne<br />
Hypothèse<br />
Les nombres <strong>de</strong> naissances et <strong>de</strong> morts dans une population,<br />
pendant une pério<strong>de</strong> <strong>de</strong> courte <strong>du</strong>rée, sont proportionnels<br />
à la l’effectif <strong>de</strong> cette population<br />
à la <strong>du</strong>rée <strong>de</strong> cette pério<strong>de</strong><br />
On peut alors mettre en oeuvre cette hypothèse en raisonnant<br />
en <strong>temps</strong> discret : on étudie une suite<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
L’hypothèse malthusienne<br />
Hypothèse<br />
Les nombres <strong>de</strong> naissances et <strong>de</strong> morts dans une population,<br />
pendant une pério<strong>de</strong> <strong>de</strong> courte <strong>du</strong>rée, sont proportionnels<br />
à la l’effectif <strong>de</strong> cette population<br />
à la <strong>du</strong>rée <strong>de</strong> cette pério<strong>de</strong><br />
On peut alors mettre en oeuvre cette hypothèse en raisonnant<br />
en <strong>temps</strong> discret : on étudie une suite<br />
en <strong>temps</strong> continu : on étudie une équation différentielle<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
<strong>Modélisation</strong> en <strong>temps</strong> discret<br />
Notons<br />
u0 = nombre initial <strong>de</strong> lapins lâchés<br />
un = nombre <strong>de</strong> lapins vivants au bout <strong>de</strong> n années<br />
Soient a le taux annuel <strong>de</strong> natalité, et b le taux annuel <strong>de</strong><br />
mortalité. L’hypothèse <strong>de</strong> Mathus s’écrit<br />
nombre <strong>de</strong> naissances pendant la n + 1-ième année = aun<br />
nombre <strong>de</strong> morts pendant la n + 1-ième année = bun<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
<strong>Modélisation</strong> en <strong>temps</strong> discret<br />
Loi d’évolution (Malthus en <strong>temps</strong> discret)<br />
un+1 − un = aun − bun = Kun,<br />
où K est la différence entre le taux annuel <strong>de</strong> natalité et le taux<br />
annuel <strong>de</strong> mortalité.<br />
Ou encore :<br />
Soit :<br />
un+1 = kun avec k = 1 + K<br />
u1 = ku0 , u2 = ku1 = k 2 u0 , . . . , un = k n u0<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Expérimentation numérique <strong>du</strong> modèle <strong>de</strong> Malthus discret<br />
On regar<strong>de</strong> l’évolution <strong>de</strong> un quand n varie <strong>de</strong> 1 à 50 , pour<br />
k = 1, 2 et k = 1, 3.<br />
n un pour k = 1.2 un pour k = 1.3<br />
1. 1. 1.<br />
5. 2.0736 2.8561<br />
10. 5.1597804 10.604499<br />
15. 12.839185 39.373764<br />
20. 31.948 146.19203<br />
25. 79.496847 542.80077<br />
30. 197.81359 2015.3813<br />
35. 492.22352 7482.9696<br />
40. 1224.8096 27783.742<br />
45. 3047.7183 103159.09<br />
50. 7583.6985 383022.48<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Expérimentation numérique <strong>du</strong> modèle <strong>de</strong> Malthus discret<br />
On regar<strong>de</strong> l’évolution <strong>de</strong> un quand n varie <strong>de</strong> 1 à 50 , pour<br />
k = 1, 2 et k = 1, 3.<br />
400000<br />
350000<br />
300000<br />
250000<br />
200000<br />
150000<br />
100000<br />
50000<br />
coordonnées linéaires<br />
6<br />
10<br />
5<br />
10<br />
4<br />
10<br />
3<br />
10<br />
2<br />
10<br />
1<br />
10<br />
coordonnées logarithmiques<br />
0<br />
0<br />
0 5 10<br />
k=1.2<br />
15 20 25 30 35 40 45 50<br />
François Ducrot<br />
10 0 5 10 15 20 25 30 35 40 45 50<br />
<strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
<strong>Modélisation</strong> en <strong>temps</strong> continu<br />
Le <strong>temps</strong> t varie maintenant continûment, et on note u(t) l’effectif<br />
au <strong>temps</strong> t. On connait la valeur u(0) <strong>de</strong> la population au <strong>temps</strong><br />
initial.<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
<strong>Modélisation</strong> en <strong>temps</strong> continu<br />
Le <strong>temps</strong> t varie maintenant continûment, et on note u(t) l’effectif<br />
au <strong>temps</strong> t. On connait la valeur u(0) <strong>de</strong> la population au <strong>temps</strong><br />
initial.<br />
Pendant une pério<strong>de</strong> <strong>de</strong> <strong>temps</strong> [t, t + ∆t], la variation <strong>de</strong> la<br />
population est proportionnelle à ∆t et à u(t). On écrit donc<br />
u(t + ∆t) − u(t) = αu(t)∆t<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
<strong>Modélisation</strong> en <strong>temps</strong> continu<br />
Le <strong>temps</strong> t varie maintenant continûment, et on note u(t) l’effectif<br />
au <strong>temps</strong> t. On connait la valeur u(0) <strong>de</strong> la population au <strong>temps</strong><br />
initial.<br />
Pendant une pério<strong>de</strong> <strong>de</strong> <strong>temps</strong> [t, t + ∆t], la variation <strong>de</strong> la<br />
population est proportionnelle à ∆t et à u(t). On écrit donc<br />
u(t + ∆t) − u(t) = αu(t)∆t<br />
Quand ∆t est assez petit, u(t+∆t)−u(t)<br />
∆t<br />
Loi d’évolution (Malthus en <strong>temps</strong> continu)<br />
u ′ (t) = αu(t)<br />
u ′ (t), et on peut écrire la<br />
où α est la différence entre le taux instantané <strong>de</strong> natalité et le taux<br />
instantané <strong>de</strong> mortalité.<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
<strong>Modélisation</strong> en <strong>temps</strong> continu - 2<br />
On obtient une équation différentielle <strong>du</strong> premier ordre, c’est à dire<br />
une équation qui exprime la dérivée <strong>de</strong> u, en fonction <strong>de</strong> u.<br />
Si on connait la valeur initiale u(0) = u0, on sait alors calculer les<br />
valeurs u(t) pour tout t > 0 :<br />
u(t) = u0e αt<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Représentation graphique <strong>du</strong> modèle <strong>de</strong> Malthus continu<br />
300000<br />
250000<br />
200000<br />
150000<br />
100000<br />
50000<br />
tracé <strong>de</strong> x−>exp(kx)<br />
0<br />
0 1 2 3 4 5 6 7 8 9 10<br />
k=1.2<br />
k=1.25<br />
1.4e+27<br />
1.2e+27<br />
1.0e+27<br />
8.0e+26<br />
6.0e+26<br />
4.0e+26<br />
2.0e+26<br />
0.0e+00<br />
0 5 10 15 20 25 30 35 40 45 50<br />
k=1.2<br />
k=1.25<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Modification <strong>du</strong> modèle <strong>de</strong> Malthus<br />
Une croissance exponentielle, comme elle est prévue par le modèle<br />
<strong>de</strong> Malthus est irréaliste. Quand la population u(t) dépasse un<br />
certain seuil S, l’environnement ne pourra plus procurer à l’espèce<br />
les moyens <strong>de</strong> sa subsistance. Une façon <strong>de</strong> rendre compte <strong>de</strong> ceci<br />
est <strong>de</strong> remplacer dans l’équation<br />
u ′ (t) = αu(t)<br />
le coefficient <strong>de</strong> repro<strong>du</strong>ction α par une expression qui vaut α<br />
quand u(t) est proche <strong>de</strong> zéro, et vaut 0, quand u(t) est proche <strong>de</strong><br />
S. On arrive au<br />
Modèle logistique en <strong>temps</strong> continu<br />
u ′ (t) = α<br />
S − u(t)<br />
u(t)<br />
S<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Simplification <strong>de</strong> l’équation<br />
Quitte à changer d’unités, on peut toujours ramener l’équation<br />
précé<strong>de</strong>nte à<br />
Modèle logistique en <strong>temps</strong> continu (équation ré<strong>du</strong>ite)<br />
u ′ (t) = (1 − u(t))u(t)<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
2.0<br />
1.8<br />
1.6<br />
1.4<br />
1.2<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
0.2<br />
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0<br />
Quelque soit l’effectif initial, la population se rapproche très vite<br />
<strong>du</strong> seuil limite.<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Formulation en <strong>temps</strong> discret<br />
On peut aussi formuler le modèle logistique quand le <strong>temps</strong> varie<br />
<strong>de</strong> façon discrète.<br />
Modèle logistique en <strong>temps</strong> discret<br />
un+1 = aun(b − un)<br />
En changeant d’unité (dizaine, douzaine, millier, million,... <strong>de</strong><br />
lapins), on peut se ramener à<br />
Modèle logistique en <strong>temps</strong> discret(forme ré<strong>du</strong>ite)<br />
un+1 = αun(1 − un)<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Construction pas à pas<br />
On trace le graphe <strong>de</strong> y ↦→ f (x) = αx(1 − x), ainsi que la<br />
diagonale, et la première valeur u0 (ici : α = 1 et u0 = 0.15)<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0.0<br />
0.0 0.1<br />
y=x<br />
y=f(x)<br />
0.2 0.3 0.4 0.5 0.6<br />
u(n)<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
u(n) en fonction <strong>de</strong> n<br />
0.0<br />
0 1 2 3 4 5 6 7 8 9 10<br />
n<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Construction pas à pas<br />
On construit maintenant u1<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0.0<br />
0.0 0.1<br />
y=x<br />
y=f(x)<br />
0.2 0.3 0.4 0.5 0.6<br />
u(n)<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
u(n) en fonction <strong>de</strong> n<br />
0.0<br />
0 1 2 3 4 5 6 7 8 9 10<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong><br />
n
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Construction pas à pas<br />
ensuite u2<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0.0<br />
0.0 0.1<br />
y=x<br />
y=f(x)<br />
0.2 0.3 0.4 0.5 0.6<br />
u(n)<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
u(n) en fonction <strong>de</strong> n<br />
0.0<br />
0 1 2 3 4 5 6 7 8 9 10<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong><br />
n
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Construction pas à pas<br />
et on continue. . .<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0.0<br />
0.0 0.1<br />
y=x<br />
y=f(x)<br />
0.2 0.3 0.4 0.5 0.6<br />
u(n)<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
u(n) en fonction <strong>de</strong> n<br />
0.0<br />
0 1 2 3 4 5 6 7 8 9 10<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong><br />
n
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Etu<strong>de</strong> qualitative<br />
Suivant les valeurs <strong>de</strong> α et u0, la suite peut se comporter <strong>de</strong><br />
différentes façons.<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Etu<strong>de</strong> qualitative<br />
α = 1.5 et u0 = 0.1 : converge en croissant<br />
0.40<br />
0.35<br />
0.30<br />
0.25<br />
0.20<br />
0.15<br />
0.10<br />
0.05<br />
u(n)<br />
0.40<br />
0.35<br />
0.30<br />
0.25<br />
0.20<br />
0.15<br />
0.10<br />
0.05<br />
u(n) en fonction <strong>de</strong> n<br />
0.00<br />
0.00<br />
0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40<br />
0 5 10 15 20 25 30 35 40 45 50<br />
y=x<br />
y=f(x)<br />
n<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Etu<strong>de</strong> qualitative<br />
α = 2 et u0 = 0.1 : converge rapi<strong>de</strong>ment en croissant<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0.0<br />
0.0 0.1<br />
y=x<br />
y=f(x)<br />
0.2 0.3 0.4 0.5<br />
u(n)<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
u(n) en fonction <strong>de</strong> n<br />
0.0<br />
0 5 10 15 20 25 30 35 40 45 50<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong><br />
n
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Etu<strong>de</strong> qualitative<br />
α = 2.8 et u0 = 0.6 : convergence en oscillant<br />
0.74<br />
0.72<br />
0.70<br />
0.68<br />
0.66<br />
0.64<br />
0.62<br />
0.60<br />
0.58<br />
0.56<br />
u(n)<br />
0.74<br />
0.72<br />
0.70<br />
0.68<br />
0.66<br />
0.64<br />
0.62<br />
0.60<br />
0.58<br />
0.56<br />
u(n) en fonction <strong>de</strong> n<br />
0.56 0.58 0.60 0.62 0.64 0.66 0.68 0.70 0.72 0.74<br />
0 5 10 15 20 25 30 35 40 45 50<br />
y=x<br />
y=f(x)<br />
n<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Etu<strong>de</strong> qualitative<br />
α = 2.8 et u0 = 0.05 : croît puis oscille<br />
0.7<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0.0<br />
0.0 0.1<br />
y=x<br />
y=f(x)<br />
0.2 0.3 0.4 0.5 0.6 0.7<br />
u(n)<br />
0.7<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
u(n) en fonction <strong>de</strong> n<br />
0.0<br />
0 5 10 15 20 25 30 35 40 45 50<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong><br />
n
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Etu<strong>de</strong> qualitative<br />
α = 3.1 et u0 = 0.6 : <strong>de</strong>ux valeurs limites<br />
0.75<br />
0.70<br />
0.65<br />
0.60<br />
0.55<br />
0.50<br />
0.50 0.55<br />
y=x<br />
y=f(x)<br />
0.60 0.65 0.70 0.75<br />
u(n)<br />
0.75<br />
0.70<br />
0.65<br />
0.60<br />
0.55<br />
u(n) en fonction <strong>de</strong> n<br />
0.50<br />
0 5 10 15 20 25 30 35 40 45 50<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong><br />
n
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Etu<strong>de</strong> qualitative<br />
α = 3.5 et u0 = 0.6 : on n’y comprend plus rien<br />
0.9<br />
0.8<br />
0.7<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.3 0.4<br />
y=x<br />
y=f(x)<br />
0.5 0.6 0.7 0.8 0.9<br />
u(n)<br />
0.9<br />
0.8<br />
0.7<br />
0.6<br />
0.5<br />
0.4<br />
u(n) en fonction <strong>de</strong> n<br />
0.3<br />
0 5 10 15 20 25 30 35 40 45 50<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong><br />
n
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Etu<strong>de</strong> qualitative<br />
α = 4 et u0 = 0.6 : comportement totalement chaotique<br />
1.0<br />
0.9<br />
0.8<br />
0.7<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0.0<br />
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0<br />
y=x<br />
y=f(x)<br />
u(n)<br />
1.0<br />
0.9<br />
0.8<br />
0.7<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
u(n) en fonction <strong>de</strong> n<br />
0.0<br />
0 5 10 15 20 25 30 35 40 45 50<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong><br />
n
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Discussion a posteriori <strong>du</strong> modèle logistique<br />
le modèle logistique en <strong>temps</strong> continu donne toujours une<br />
convergence vers le seuil limite<br />
le modèle logistique en <strong>temps</strong> discret peut se comporter <strong>de</strong><br />
différentes façons<br />
convergence monotone vers une limite<br />
convergence oscillante vers une limite<br />
plusieurs valeurs limites<br />
comportement chaotique<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Discussion a posteriori <strong>du</strong> modèle logistique<br />
le modèle logistique en <strong>temps</strong> continu donne toujours une<br />
convergence vers le seuil limite<br />
le modèle logistique en <strong>temps</strong> discret peut se comporter <strong>de</strong><br />
différentes façons<br />
convergence monotone vers une limite<br />
convergence oscillante vers une limite<br />
plusieurs valeurs limites<br />
comportement chaotique<br />
Quel modèle doit-on utiliser ?<br />
Espèce avec cycle saisonnier : <strong>temps</strong> discret<br />
Espèce sans cycle saisonnier : <strong>temps</strong> continu<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Sardines et requins<br />
Les pêcheurs <strong>de</strong> la mer Adriatique pêchent <strong>de</strong>s sardines et <strong>de</strong>s<br />
requins. Les requins se nourrissent <strong>de</strong> sardines, et les sardines<br />
mangent <strong>de</strong>s petits organismes, qui sont en quantité suffisante.<br />
Les pêcheurs ont constaté que les stocks <strong>de</strong> sardines et <strong>de</strong> requins<br />
varient <strong>de</strong> façon périodique en fonction <strong>du</strong> <strong>temps</strong>, avec la même<br />
périodicité, mais que leurs cycles sont décalés.<br />
Le mathématicien Volterra a proposé en 1926 un modèle décrivant<br />
ce phénomène. Les mêmes équations ont été également trouvées<br />
par A.J. Lotka pour décrire l’évolution d’un modèle chimique.<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Sardines et requins<br />
(Modèle <strong>de</strong> Lotka-Volterra)<br />
où<br />
x ′ (t) = ax(t) − bx(t)y(t)<br />
y ′ (t) = cx(t)y(t) − dy(t)<br />
x(t) = population <strong>de</strong> sardines à l’instant t<br />
y(t) = population <strong>de</strong> requins à l’instant t<br />
Les <strong>de</strong>ux termes en rouge correspon<strong>de</strong>nt à <strong>de</strong>s termes d’interaction<br />
entre les <strong>de</strong>ux espèces. Si ces termes n’étaient pas là, les sardines<br />
prolifèreraient suivant le modèle <strong>de</strong> Malthus, alors que les requins<br />
s’éteidraient <strong>de</strong> façon exponentielle.<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Expérimentation numérique, a = 2, b = c = d = 1<br />
t = 2.75, y est minimal<br />
5.0<br />
4.5<br />
4.0<br />
3.5<br />
3.0<br />
2.5<br />
2.0<br />
1.5<br />
1.0<br />
0.5<br />
effectifs en fonction <strong>de</strong> t<br />
0.0<br />
0 1 2 3 4 5 6 7 8 9 10<br />
sardine<br />
requin<br />
requin<br />
5.0<br />
4.5<br />
4.0<br />
3.5<br />
3.0<br />
2.5<br />
2.0<br />
1.5<br />
1.0<br />
0.5<br />
espace <strong>de</strong>s phases<br />
0.0<br />
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5<br />
sardine<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Expérimentation numérique, a = 2, b = c = d = 1<br />
t = 3.85, x est maximal<br />
5.0<br />
4.5<br />
4.0<br />
3.5<br />
3.0<br />
2.5<br />
2.0<br />
1.5<br />
1.0<br />
0.5<br />
effectifs en fonction <strong>de</strong> t<br />
0.0<br />
0 1 2 3 4 5 6 7 8 9 10<br />
sardine<br />
requin<br />
requin<br />
5.0<br />
4.5<br />
4.0<br />
3.5<br />
3.0<br />
2.5<br />
2.0<br />
1.5<br />
1.0<br />
0.5<br />
espace <strong>de</strong>s phases<br />
0.0<br />
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5<br />
sardine<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Expérimentation numérique, a = 2, b = c = d = 1<br />
t = 4.58, y est maximal<br />
5.0<br />
4.5<br />
4.0<br />
3.5<br />
3.0<br />
2.5<br />
2.0<br />
1.5<br />
1.0<br />
0.5<br />
effectifs en fonction <strong>de</strong> t<br />
0.0<br />
0 1 2 3 4 5 6 7 8 9 10<br />
sardine<br />
requin<br />
requin<br />
5.0<br />
4.5<br />
4.0<br />
3.5<br />
3.0<br />
2.5<br />
2.0<br />
1.5<br />
1.0<br />
0.5<br />
espace <strong>de</strong>s phases<br />
0.0<br />
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5<br />
sardine<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Expérimentation numérique, a = 2, b = c = d = 1<br />
t = 5.80, x est minimal<br />
5.0<br />
4.5<br />
4.0<br />
3.5<br />
3.0<br />
2.5<br />
2.0<br />
1.5<br />
1.0<br />
0.5<br />
effectifs en fonction <strong>de</strong> t<br />
0.0<br />
0 1 2 3 4 5 6 7 8 9 10<br />
sardine<br />
requin<br />
requin<br />
5.0<br />
4.5<br />
4.0<br />
3.5<br />
3.0<br />
2.5<br />
2.0<br />
1.5<br />
1.0<br />
0.5<br />
espace <strong>de</strong>s phases<br />
0.0<br />
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5<br />
sardine<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Portrait <strong>de</strong> phase<br />
On trace différentes trajectoires, correspondant à différentes<br />
conditions initiales, sur un même diagramme.<br />
7<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Influence <strong>de</strong> la pêche<br />
Si on exerce une activité <strong>de</strong> pêche, les taux <strong>de</strong> mortalité <strong>de</strong>s<br />
sardines et <strong>de</strong>s requins augmentent d’une même valeur. Le système<br />
initial<br />
( Lotka-Volterra sans pêche)<br />
<strong>de</strong>vient<br />
( Lotka-Volterra avec pêche)<br />
x ′ (t) = ax(t) − bx(t)y(t)<br />
y ′ (t) = cx(t)y(t) − dy(t)<br />
x ′ (t) = ax(t) − αx(t) − bx(t)y(t)<br />
y ′ (t) = cx(t)y(t) − dy(t) − αy(t)<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>
Modéliser le problème<br />
Discuter et modifier le modèle<br />
Un modèle proie-prédateur<br />
Influence <strong>de</strong> la pêche<br />
5.5<br />
5.0<br />
4.5<br />
4.0<br />
3.5<br />
3.0<br />
2.5<br />
2.0<br />
1.5<br />
1.0<br />
0.5<br />
sans pêche, a=2,d=1<br />
avec pêche, a=1,d=2<br />
0.0<br />
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0<br />
La proportion sardines/requins a augmenté !<br />
François Ducrot <strong>Modélisation</strong> <strong>de</strong> <strong>phénomènes</strong> <strong>dépendant</strong> <strong>du</strong> <strong>temps</strong>