Fiche 3

Exemples d’application des matrices

Objectif : A la fin de ce cours, l’apprenant devra être capable de construire des

matrices.

Sommaire
3.1 Matrice de Leslie et dynamique des populations . . . . . 16
3.2 Les chaînes de Markov Homogènes (CMH) . . . . . . . . 19
3.3 Exercices de travaux dirigés (TD) . . . . . . . . . . . . . 22

3.1 Matrice de Leslie et dynamique des

populations
La matrice de Leslie permet de modéliser l’évolution d’une population struc-
turée en classes d’âge dont les coefficients (positifs) de fertilité et les probabilités
(ou taux) de survie de chaque classe d’âge à la classe suivante sont connues. Par
souci de simplicité, certaines caractéristiques telles que la migration par exemple,
ne sont pas prises en compte et on suppose que la population dispose de ressources
illimitées. Comme seules les femelles donnent la vie, on ne considère que les classes
d’âge des femelles de la population.

Exemple 3.1 1 Considérons une population de rongeurs, en limitant les obser-

vations aux femelles dont la durée de vie maximale est 3 ans. Cette population est
subdivisée en trois classes d’âges : bébés (1ère année), jeunes (2ème année) et adultes
(3ème année) d’effectifs respectifs bn , jn et an l’année n. On sait que :
• le taux de survie est de 60% la première année et 25% la deuxième année
• chaque femelle donne naissance à 4 femelles au cours de sa deuxième année
et à 5 femelles au cours de sa troisième année.
1. Müller (2018). Algèbre linéaire, http://www.nymphomath.ch/MADIMU2/ALGEB/INDEX.HTM

16
On note respectivement
   
bn bn+1
   
Xn =  jn  et Xn+1 =  jn+1 
an an+1
les vecteurs des effectifs lors de l’année n et l’année suivante n + 1 et on cherche une
relation entre Xn+1 et Xn .
• La phrase « le taux de survie est de 60% la première année et 25% la deuxième
année » signifie que :
jn+1 = 0.6bn et an+1 = 0.25jn .

• La phrase « chaque femelle donne naissance à 4 femelles au cours de sa

deuxième année et à 5 femelles au cours de sa troisième année » signifie que
bn+1 = 4jn + 5an .

L’évolution cette population est donc décrite par les équations suivantes :


 bn+1 = 4jn + 5an
jn+1 = 0.6bn


an+1 = 0.25jn
soit     
bn+1 0 4 5 bn
    
 jn+1  = 0.6 0 0  jn 
an+1 0 0.25 0 an
ou encore  
0 4 5
 
Xn+1 = LXn avec L = 0.6 0 0 .
0 0.25 0
La matrice L est appelée matrice de Leslie ou matrice de projection de la
population).

Remarque 3.1 La matrice de Leslie porte le nom du statisticien anglais Sir Pa-
trick Holt Leslie (1900-1972) qui a développé, en 1945, un modèle mathématique
pour décrire l’évolution temporelle du nombre de femelles dans des populations de
souris et de rats. Cette étude tire sa motivation du fait que pendant la seconde
guerre mondiale, la prolifération de ces rongeurs était un véritable souci en raison
des dégâts qu’ils pouvaient occasionner au niveau des réserves alimentaires de la
population anglaise. Le modèle mathématique mis au point par Leslie tient compte
de la structuration de la population selon plusieurs classes d’âges. C’est un modèle
discret car le temps y est considéré à intervalles réguliers et ne prend que des valeurs
entières. Leslie a montré la pertinence de son modèle en l’appliquant à des données
observées sur des rats, mais aussi sur d’autres populations animales. De nos jours,
ce modèle est adopté par de nombreux biologistes.

17
 Soit L une matrice de Leslie modélisant l’évolution d’une population structurée
en classes d’âge telle que Xn représente le vecteur des effectifs au temps n et X0
représente le vecteur des effectifs au temps initial (temps n = 0). De la relation
Xn+1 = LXn , on déduit :

X1 = LX0
X2 = LX1 = L2 X0
X3 = LX2 = L3 X0
..
.
X n = Ln X 0 .

Ce qui conduit à la proposition suivante :

Proposition 3.1 Soit L une matrice de Leslie modélisant l’évolution d’une popu-
lation structurée en classes d’âge telle que Xn représente le vecteur des effectifs au
temps n et X0 représente le vecteur des effectifs au temps initial (temps n = 0).
Pour tout n ∈ N, on a :
Xn = Ln X0 .

Exercice d’application 3.1 Reprenons l’exemple 3.1. Si l’on suppose que la popu-
lation initiale en 2018 (n = 0) compte 10 femelles dans chaque classe d’âge, combien
y en aura-t-il en 2019 ? en 2020 ?

III Indications :  
10
 
— L’année 2018 correspond à n = 0 et donc à X0 = 10.
10
— L’année 2019 correspond à n = 1 et donc à
    
0 4 5 10 90
    
X1 = LX0 = 0.6 0 0 10 =  6  .
0 0.25 0 10 2.5

— L’année 2020 correspond à n = 2 et donc à

    
2.4 1.25 0 10 36.5
2     
X2 = L X0 =  0 2.4 3 10 =  54  .
0.15 0 0 10 1.5

18
 3.2 Les chaînes de Markov Homogènes (CMH)
Les chaînes de Markov (CM) permettent de décrire l’évolution en temps discret
n ∈ N d’une population dont les individus peuvent être répartis en plusieurs ca-
tégories (appelées états) et sont susceptibles de changer aléatoirement d’état du
temps n au temps n + 1. On parle de Chaîne de Markov Homogène (CMH) lorsque
les probabilités de passage d’un état à un autre sont fixes et ne dépendent pas du
temps n.
Remarque 3.2 Une présentation rigoureuse des CMH nécessite des notions de
théorie de probabilités dépassant largement le cadre de ce cours et qui seront sim-
plement admises. Nous nous concentrerons donc plutôt sur l’aspect appliqué. Afin
de faciliter la compréhension au lecteur, nous adopterons des notations légèrement
différentes de celles habituellement utilisées pour les chaînes de Markov.
Illustrons les CMH à l’aide d’un exemple.
Exemple 3.2 Une épidémie se propage dans un troupeau de boeufs. Malgré l’ad-
ministration d’un remède expérimental, on constate que chaque semaine, 25% des
animaux malades guérissent tandis que 25% des malades meurent et 25% des ani-
maux en bonne santé deviennent malades. On peut représenter la situation à l’aide
d’une CMH à trois états : bien portant (1), malade (2) et mort (3).
On peut représenter le passage entre les trois états par le diagramme suivant :
0.75 0.5 1
0.25

1 0.25 2 0.25 3

Notons la répartition initiale des animaux sous la forme du vecteur

 (0) 
π
 1(0) 
π (0) = π 
 2 
(0)
π3
(0)
(appelée vecteur d’états initial) où πi représente la proportion initiale des ani-
P (0)
maux se trouvant dans l’état i et 3i=1 πi = 1. Soit
 (n) 
π
 1(n) 
π (n) = π 
 2 
(n)
π3
(0)
la répartition au temps n où πi représente la proportion des animaux se trouvant
P (n)
dans l’état i au temps n et 3i=1 πi = 1.
L’évolution de la population peut être décrite en cherchant une relation entre les
vecteurs π (n) et π (n+1) . On peut faire les déductions suivantes :

19
 • les animaux bien portants au temps n + 1 ont deux origines possibles : soit ils
étaient bien portants au temps n et ils le sont restés soit ils étaient malades et
ils ont été guéris ; ce qui signifie que la proportion de bien portants au temps
n + 1 est la somme de la proportion de bien portants parmi ceux qui étaient
(n)
bien portants au temps n (75% des bien portants au temps n soit 0.75π1 )
et de la proportion de malades au temps n devenus bien portants (25% des
(n)
malades au temps n soit 0.25π2 ) :
(n+1) (n) (n)
π1 = 0.75π1 + 0.25π2 .

• les animaux malades au temps n + 1 ont aussi deux origines possibles : soit
ils étaient bien portants au temps n et ils sont devenus malades soit ils étaient
malades et ils sont restés malades ; ce qui signifie que la proportion d’animaux
malades au temps n + 1 est la proportion de nouveaux malades parmi les bien
portants au temps n + la proportion de malades au temps n qui sont restés
malades :
(n+1) (n) (n)
π2 = 0.25π1 + 0.5π2 .
• les animaux morts au temps n + 1 ont aussi deux origines possibles : soit
ils étaient malades au temps n et ils sont morts soit ils étaient déjà morts au
temps n ; ce qui signifie que la proportion d’animaux morts au temps n + 1
est la proportion de morts parmi les malades au temps n + la proportion de
morts au temps n :
(n+1) (n) (n)
π3 = 0.25π2 + π3 .
On a donc 
(n+1) (n) (n)


 π1 = 0.75π1 + 0.25π2
(n+1) (n) (n)

π2 = 0.25π1 + 0.5π2

 (n+1) (n) (n)
π3 = 0.25π2 + π3
soit  (n+1)     (n) 
π
 1(n+1) 
0.75 0.25 0 π1 
  (n) 
π
 2

 = 0.25 0.5 0 π2  .
π3
(n+1) 0 0.25 1 (n)
π3
soit encore  
0.75 0.25 0
π (n+1) = P π (n)
 
avec P = 0.25 0.5 0 .
0 0.25 1

Définition 3.1 La matrice P est appelée matrice de transition. Elle est telle que
• pour tous i, j ∈ {1, 2, 3},
pij = probabilité de passage de l’état j à l’état i
• la somme de chaque colonne de P vaut 1.

20
 En partant d’une répartition initiale π (0) , la relation π (n+1) = P π (n) se traduit
successivement par

π (1) = P π (0)
π (2) = P π (1) = P 2 π (0)
π (3) = P π (2) = P 3 π (0)

et au bout de n semaines, la répartition des animaux suivant les états est alors
définie par
π (n) = P n π (0) .

Exemple 3.2 (suite) Supposons qu’au départ tous les animaux sont bien portants
c’est-à-dire  
1
(0)  
π = 0 .
0
Les répartitions au bout d’une semaine puis deux semaines sont respectivement
données par     
0.75 0.25 0 1 0.75
(1) (0) 
π = P π = 0.25 0.5 0 0 = 0.25
  

0 0.25 1 0 0
et     
0.625 0.3125 0 1 0.625
π (2) = P 2 π (0)
    
= 0.3125 0.3125 0 0 = 0.3125 .
0.0625 0.375 1 0 0.0625
Ainsi, après deux semaines, on devrait observer 62.5% d’animaux bien portants,
31.25% d’animaux malades et 6.25% d’animaux morts.

21