0% ont trouvé ce document utile (0 vote)

65 vues63 pages

Chaos et Modèles Logistiques

Transféré par

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

0% ont trouvé ce document utile (0 vote)

65 vues63 pages

Chaos et Modèles Logistiques

Transféré par

Chouaib Faik

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

La suite logistique et le chaos

Daniel PERRIN

À cause du clou, le fer fut perdu.

À cause du fer, le cheval fut perdu.
À cause du cheval, le cavalier fut perdu.
À cause du cavalier, la bataille fut perdue.
À cause de la bataille, la guerre fut perdue.
À cause de la guerre, la liberté fut perdue.
Tout cela pour un simple clou
Benjamin Franklin
(Almanach du pauvre Richard, 1758)

Je remercie René Cori de m’avoir donné l’occasion de m’intéresser de plus

près à la suite logistique, qui me fascine depuis longtemps. Je rappelle toute-
fois que je ne suis nullement un spécialiste du sujet et que j’ai été très im-
pressionné par la vertigineuse production mathématique autour de ce thème.
Heureusement, j’ai bénéficié, pour préparer mon exposé, des compétences de
Sylvie Ruette que je remercie vivement1 .
L’un des aspects qui m’intéresse dans cette question est son côté expérimen-
tal. À cet égard, je remercie les concepteurs de Cabri et ceux de la calculatrice
TI Voyage 200 pour la qualité du matériel qu’ils mettent à la disposition des
mathématiciens. J’ai aussi utilisé, pour certains calculs plus compliqués, les
logiciels Maple et MuPAD.

1 Modélisation
1.1 Historique et sources
1
Je remercie aussi François Sauvageot (resp. Étienne Ghys) pour m’avoir indiqué la
référence à Coppel (resp. à Lyubich). Par ailleurs, le livre [Buzzi] fournit un panorama
élémentaire de ces questions.

1
1.1.1 Introduction
Le type même de problèmes qui est à l’origine de la théorie des systèmes
dynamiques est celui de l’évolution d’une population en fonction du temps.
Le mot population est à prendre ici en un sens très large. Il peut aussi bien
s’agir d’une population humaine, qu’animale, des victimes d’une épidémie,
d’un ensemble de molécules, de particules, etc. Les modèles dont je vais parler
sont des modèles2 déterministes. Cela signifie qu’ils sont régis par une loi
bien déterminée, qui doit permettre, en théorie, de décrire leur évolution à
partir d’un état initial connu. On sait depuis Poincaré que, malgré cette hy-
pothèse restrictive, le comportement de ces modèles peut être excessivement
compliqué, en particulier à cause de la sensibilité du système aux conditions
initiales. C’est la fameuse phrase prêtée au météorologiste Edward Lorenz
en 1972 : Le battement d’ailes d’un papillon au Brésil peut-il provoquer une
tornade au Texas ? qui a donné naissance à beaucoup de spéculations ha-
sardeuses sur le fameux effet papillon3 . Dans ce qui suit nous essayerons de
manière très modeste, sur l’équation très particulière un+1 = µun (1 − un ), de
montrer comment se manifeste le chaos et de discuter un point qui semble
essentiel d’un point de vue philosophique : le chaos est-il générique ?

1.1.2 Euler, Malthus

Les premiers travaux connus sur ces questions sont ceux d’Euler (1707-
1783) (Recherches générales sur la mortalité et la multiplication du genre
humain). Dans ce travail, qui date de 1760, Euler calcule notamment la po-
pulation d’une ville ou d’une province pour une certaine année. Voici ce
qu’Euler dit loc. cit. p. 157 : Car si nous posons le nombre de tous les vivans
l’année prochaine = nM , celui des vivans à présent étant = M , il faut tirer
la valeur de n de l’équation trouvée
M (1) (2) (3) (4)
=1+ + 2 + 3 + 4 + &c.
N n n n n
.
Avec des notations plus modernes4 , on a la formule suivante :
π1 π2 π100
p n = qn 1 + + 2 + · · · + 100 + · · ·
λ λ λ
où pn est la population de la ville à l’année n, qn le nombre de naissances
de cette même année, πk la probabilité (calculée à partir de tables, voir
2
Je ne parlerai pas du tout ici de modèles aléatoires.
3
Voir l’excellent article de Nicolas Witkowski, Alliage numéro 22, 1995.
4
Euler note (k) ce que je note πk et n ce que je note λ.

2
[Euler] p. 152 ou ci-dessous Annexe 7.1) de vivre k années dans la région
donnée et λ = qn+1 /qn le rapport entre le nombre de naissances de l’année
n + 1 et de l’année n, supposé indépendant de n. Le nombre de naissances
qn
à l’année n − k est donc k , ce qui donne la formule ci-dessus. Euler arrête
λ
généralement la sommation à 100, considérant qu’au-delà la probabilité de
survie est négligeable5 . Avec cette formule, il est clair que le rapport entre la
population à l’année n+1 et celle à l’année n est égal au rapport des nombres
de naissances donc à λ. Ainsi, on a la formule pn+1 = λpn , qui conduit à une
suite géométrique6 .
L’idée d’un accroissement exponentiel de la population est reprise et
développée en 1798 par Thomas Robert Malthus (1766-1834). Son analyse
conduit à modéliser la population humaine comme une suite géométrique,
tandis que la capacité de production se comporterait, elle, comme une suite
arithmétique. La distorsion entre les deux, à terme, le conduit à une propo-
sition de limitation des naissances qui est depuis attachée à son nom.

1.1.3 Verhulst
Le modèle malthusien est remis en cause vers 1840 par Pierre François
Verhulst (1804-1849) qui propose un modèle dit logistique7 qui prend en
compte la limitation de la population. Le principe est simple : l’accroissement
de la population n’est proportionnel à la population que pour les petites va-
leurs de celle-ci. Lorsqu’elle croı̂t, des facteurs limitants apparaissent8 (place
5
Les chiffres de mortalité sont assez frappants. Par exemple la probabilité d’atteindre
l’âge canonique de 61 ans – le mien – n’est que de 26%.
6
On a donc un accroissement (ou une diminution) exponentiel selon la position de λ
par rapport à 1.
7
Il semble bien que c’est Verhulst qui, le premier, applique le mot logistique à l’équation
en question (voir le travail de Bernard Delmas sur Verhulst). Le sens courant de ce mot
fait référence au transport et au ravitaillement des armées, mais il me semble qu’il faut le
prendre ici en un sens plus ancien signalé dans le Littré, qui concerne la pratique des quatre
opérations usuelles de l’arithmétique, voir François Hetman Le langage de la prévision.
8
Le point de départ de mon intérêt pour la question est un exercice proposé par une
étudiante de CAPES, dans lequel une population de canards en Scandinavie suivait une
loi en 6n . Il est clair que ce type de modèle est absurde. Le seul contre-exemple que je
connaisse est celui de la population des lapins en Australie. En effet, 27 lapins furent
introduits en 1859 dans le pays. N’ayant pas de prédateurs et une place quasiment infinie,
ils se sont développés de manière exponentielle (ils étaient 22 millions 6 ans plus tard),
dévorant une bonne partie de la végétation. L’introduction de renards comme prédateurs
n’ayant pas été concluante, la seule façon d’enrayer cette invasion a été de répandre la
myxomatose, avec un résultat foudroyant. Cette méthode est évidemment à employer avec
précaution, un médecin français d’Eure-et-Loir l’ayant utilisée en 1952 pour se débarrasser
des lapins qui ravageaient son jardin a répandu l’épidémie dans toute la France. Ceux qui,

3
ou quantité de nourriture disponible, etc.) qui font qu’il y a une population
maximale M . Verhulst postule alors que l’accroissement de la population x
est proportionnel à la quantité x(M − x). Ce modèle lui permet de donner
en 1837 une prévision de la population de la France en 1930 de 40 millions,
prévision somme toute raisonnable puisque la population de la France9 , en
réalité, est de 41,5 millions en 1931.

1.1.4 Aujourd’hui
Le modèle logistique de Verhulst est encore utilisé aujourd’hui dans nombre
de questions (en démographie, biologie10 , médecine, etc.) et il est assez pro-
bant11 . On utilise d’ailleurs en statistique une régression logistique, ana-
logue à la régression linéaire pour modéliser les évolutions de populations
qui suivent des courbes “en S”. Ce modèle est important car il permet, avec
une fiabilité relativement bonne, de prévoir l’évolution future de la popula-
tion.
Nous allons voir qu’il y a deux modèles logistiques, selon qu’on fait varier
le temps de manière continue ou discrète. Le modèle à temps continu conduit
à une équation différentielle très simple, on en connaı̂t parfaitement les so-
lutions et on sait les interpréter. En revanche, le modèle discret peut mener,
pour certaines valeurs des paramètres, à des comportements beaucoup plus
compliqués, voire chaotiques. Cette étude est relativement récente et elle est
partie des applications12 . On peut citer un biologiste, Robert May (1974), un
physicien, Mitchell Feigenbaum13 (1975), etc. Les problèmes mathématiques
qu’elle pose sont absolument passionnants14 et constituent le sujet de cet
exposé.

1.2 Équations différentielles, équations aux différences

finies
comme moi, n’ont plus 20 ans depuis longtemps, s’en souviennent sans doute.
9
Cela étant, il y a eu la saignée de la guerre de 14, que Verhulst ne pouvait prévoir.
Sans cela, son chiffre serait sans doute moins bon.
10
Voir le problème de Bac 2003 !
11
Pour des alternatives au modèle logistique en géographie, voir [Langlois-Daude].
12
Un excellent panorama de la question se trouve dans le livre de Cvitanovic, Universa-
lity in chaos. On y verra que le chaos apparaı̂t dans de multiples situations : dynamique
des fluides, chimie, météorologie, etc.
13
Feigenbaum a découvert bon nombre de phénomènes sur la suite logistique en utilisant
uniquement une calculatrice de poche (programmable tout de même).
14
Je cite [Lyubich2] : Still, it turns out that this family exhibits extremely rich properties
and sends important messages to the bigger world.

4
1.2.1 Les principes
Notre objectif est de modéliser une population p qui dépend du temps de
manière déterministe, c’est-à-dire avec une loi parfaitement définie. Les deux
cas essentiels sont les suivants :
• Le temps est continu, t ∈ R, et on a une fonction p(t), à valeurs
réelles15 . Dans ce cas, on suppose que si on connaı̂t la population au temps
t, on la connaı̂t au temps t + dt, avec dt “infinitésimal”. Cela revient à se
p(t + dt) − p(t)
donner la dérivée16 p0 (t) = en fonction de p(t).
dt
• Le temps est discret, n ∈ N (n désigne un nombre de minutes, d’heures,
voire d’années) et on a une suite pn là encore à valeurs réelles. Dans ce cas,
on se donne l’accroissement pn+1 − pn en fonction de pn (ce qui revient à se
donner pn+1 ).
On ne s’intéresse ici qu’aux cas où la population suit un modèle dit au-
tonome au sens où elle ne dépend que d’elle-même et non du temps. On
aura donc une équation de la forme p0 = f (p) ou pn+1 = f (pn ), la fonction f
étant indépendante du temps.
Le modèle discret s’applique17 notamment aux populations dont les généra-
tions ne se chevauchent pas. C’est le cas de nombreuses populations d’in-
sectes18 des zones tempérées où les parents sont morts lorsque les chrysalides
nouvelles éclosent.

1.1 Remarque. J’ai choisi de parler essentiellement ici d’évolution de po-

pulations, mais il y a bien d’autres domaines dans lesquels on trouve des
systèmes dynamiques du type pn+1 = f (pn ) et qui mènent aussi à des situa-
tions chaotiques. J’en cite quelques-uns pour mémoire :
• En génétique : pn est la fréquence d’un gène au temps n.
• En épidémiologie : pn est la proportion de la population infectée au
temps n.
• En économie : n est la quantité de marchandises et pn le prix.
• En sciences sociales, par exemple dans l’étude de la propagation des
rumeurs : pn est la proportion de gens connaissant la rumeur.

15
Ce point est discuté au paragraphe suivant.
16
Je note les choses comme les physiciens.
17
Par ailleurs, il y a deux façons naturelles de passer d’un modèle continu à un modèle
discret. L’une est la méthode de discrétisation d’Euler, bien connue, l’autre consiste à
utiliser ce qu’on appelle l’application de “premier retour” inaugurée par Poincaré, voir
[Collet-Eckmann].
18
Il y a plusieurs exemples d’espèces de cigales qui présentent des cycles de vie de 13,
voire 17 ans.

5
1.2.2 Un paradoxe ?
Attention, nous considérerons toujours que la population pn envisagée
est un nombre réel et non pas un entier. Cela peut sembler paradoxal19 , mais
ce n’est pas essentiel. Je vois plusieurs arguments en ce sens.
• Quand on parle de l’effectif d’une population nombreuse, par exemple
des bactéries, même s’il s’agit d’un nombre entier, le plus souvent cette
donnée ne résulte pas d’un comptage de toute la population, mais d’une
moyenne entre données statistiques, qui fournit, au moins, un nombre ra-
tionnel.
• Une façon un peu spécieuse de se débarrasser des fonctions à valeurs
entières est de remplacer le nombre par la masse. Je dis que c’est spécieux car
un physicien nous dira que tout est discret si on se ramène aux particules.
• Les phénomènes sont-ils aussi discrets qu’ils en ont l’air ? Exemple :
l’accroissement d’une unité de la population humaine, ça s’appelle une gros-
sesse et, si mes lointains souvenirs sont bons, ça dure 9 mois pendant lesquels
on passe, plus ou moins continûment, de 0 à 1.
• Le point principal, en fin de compte, c’est que cette extrapolation aux
réels donne des résultats plausibles : c’est l’ordre de grandeur de la population
qui compte et on peut retrouver des entiers en prenant la partie entière des
valeurs obtenues. Je signale cependant un problème mathématique sérieux
à cet égard. Il y a deux façons de retrouver des entiers si on a une suite
pn+1 = f (pn ), avec un point de départ p0 entier, mais des pn réels ensuite.
La plus triviale consiste à regarder la suite des parties entières [pn ]. Mais, il
peut sembler plus plausible de considérer la suite d’entiers qn avec q0 = p0
mais qn+1 = [f (qn )] dans laquelle on actualise la valeur à chaque pas. Il n’est
cependant pas du tout évident que cette suite soit proche de pn . Si f est
lipschitzienne de rapport k < 1, ce qui correspond au cas d’un point fixe
attractif, on montre facilement que la différence entre pn et qn reste bornée
par 1/(1− k), mais, sinon, elle peut croı̂tre indéfiniment. Le lecteur regardera
le cas d’une suite arithmético-géométrique pn+1 = apn + b, avec a > 1, pour
s’en convaincre.

1.3 Les modèles exponentiels

Dans ces modèles, on postule que l’accroissement de p est proportionnel
à p (plus il y a de lapins, plus ils font des petits ...). Les deux variantes sont
p0 (t) = kp(t) dans le cas continu, ou pn+1 − pn = kpn dans le cas discret.
Cette dernière équation s’écrit encore pn+1 = (k + 1)pn . Dans les deux cas
19
Surtout si l’on dit, comme dans l’énoncé du problème de Bac 2003 que le nombre
(entier) de bactéries est une fonction dérivable du temps !

6
la résolution est facile. Si on appelle p0 la population au temps 0, on trouve
p(t) = p0 ekt dans le cas continu et pn = p0 (1 + k)n dans le cas discret. Le
comportement asymptotique de p est du même ordre :
• Si k est positif, la fonction et la suite tendent vers l’infini.
• Si k est négatif, la fonction et la suite tendent vers 0.

1.4 Le modèle logistique continu

Cette fois, on suppose que la population ne peut croı̂tre indéfiniment et on
suppose qu’elle admet une borne M . L’idée de Verhulst c’est que l’accroisse-
ment de p, donné par la dérivée p0 , est “proportionnel” à la fois à la population
p, mais aussi à la place disponible M − p, d’où l’équation p0 = µp(M − p). Il
est facile d’intégrer cette équation par deux méthodes au moins : le change-
ment de fonction z = 1/p qui conduit à l’équation linéaire z 0 = µ(1 − zM )
p0 p0
et la décomposition en éléments simples qui mène à + = µM où il
p M −p
ne reste plus qu’à prendre des primitives. Avec l’une ou l’autre méthode, on
M
trouve la solution : p(t) = et l’étude de cette fonction est très
1 + λe−µM t
simple. On obtient un graphe comme ci-dessous :

0
Figure 1: La courbe logistique

1.5 Le modèle logistique discret

On peut utiliser un modèle comme ci-dessus, donnant l’accroissement de
population pn+1 − pn = kpn (M − pn ) ou une analyse en terme de population
idéale (voir Annexe 7.2). Dans tous les cas, on obtient une équation20 de
µ λ
degré 2 : pn+1 = µpn − λp2n = λpn − pn = µpn (1 − pn ). Comme pn
λ µ
doit rester ≥ 0, on a nécessairement pn ≤ µ/λ. Si on appelle un le rapport
20
On suppose µ, λ > 0 en partant de l’idée que la population a tendance à augmenter si
elle est petite et au contraire tendance à diminuer si elle est grande.

7
entre la population pn et la population maximum µ/λ, on trouve l’équation
logistique standard : un+1 = µun (1 − un ). On note que cette équation ne
dépend plus que de µ.
Comme un doit rester compris entre 0 et 1, puisque c’est le rapport entre
la population et la population maximale, on vérifie qu’il faut que µ soit
compris entre 0 et 4, voir plus loin Figure 3.

1.6 Le continu, c’est plus simple que le discret

Cette affirmation, que Devaney attribue à Birkhoff, est clairement vérifiée
par les modèles logistiques. La question que je pose ici est de tenter de com-
prendre comment et pourquoi.

1.6.1 Côté résolution

Une différence évidente entre les deux types d’équations est l’aspect cal-
culatoire. En effet, on a vu que l’équation logistique continue se résout sans
peine. Il n’y a rien de tel avec les suites récurrentes logistiques. La raison est
sans doute qu’il est plus facile de calculer une primitive que la somme des
termes d’une suite.

1.6.2 Côté dynamique

On s’intéresse à des équations p0 = f (p) ou un+1 − un = f (un ). Suppo-
sons pour simplifier que f est polynomiale (si on est en temps petit, c’est
approximativement vrai en vertu de la formule de Taylor).
Dans le cas continu, p0 = f (p), les positions d’équilibre du système corres-
pondent aux zéros de f . En effet, si on a f (a) = 0, la fonction p(t) = a est
solution de l’équation (puisqu’on a p0 = f (a) = 0). Au voisinage de a, on a
le développement f (p) = f (a) + (p − a)f 0 (a) + o(p − a). Si on travaille en
temps petit, p est voisin de a et l’équation est voisine de p0 = f 0 (a)(p − a).
0
Si on pose z = p − a on a donc z(t) = λef (a)t . Si f 0 (a) est négatif on a une
solution stable, sinon une solution instable.
Si f est une fonction polynomiale avec des racines simples, comme la
fonction logistique, elle est alternativement croissante puis décroissante, et
on a une succession de points d’équilibres qui sont alternativement stables
et instables, donc un comportement très simple de p : pour les valeurs du
temps situées entre deux racines consécutives a et b de f , p se rapproche de
celle des deux positions qui correspond à un équilibre stable. Par exemple,
si on a f (p) = λ(p − a1 ) · · · (p − an ), avec λ > 0 et a1 < · · · < an , on a

8
Y
f 0 (aj ) = λ (ai − aj ) et la position d’équilibre aj est stable si et seulement
i6=j
si n − j est impair.
Dans le cas discret, avec la même fonction f , et la relation un+1 − un =
f (un ), ce qui compte ce sont encore les zéros de f , c’est-à-dire les points fixes
a de g(x) = x + f (x). Mais ce qui gouverne la stabilité, c’est la position par
rapport à 1 de la dérivée en a de g : si on a |g 0 (a)| < 1 le point fixe est stable
(on dit attractif) si on a |g 0 (a)| > 1 il est instable (ou répulsif). Comme on
a g 0 (a) = 1 + f 0 (a) on retrouve les conditions f 0 (a) > 0 ou < 0, mais il
apparaı̂t aussi la condition g 0 (a) > −1, donc f 0 (a) > −2.
Cette fois, avec une fonction polynomiale f et des racines a1 , . . . , an , on
a alternance de valeurs positives et négatives de f 0 (ai ), mais ces dernières
ne sont pas nécessairement attractives (pour cela il faut avoir f 0 (ai ) > −2).
Autrement dit, dans ce cas, on peut tout à fait avoir deux points fixes répulsifs
de suite. C’est cela qui provoque les phénomènes que nous allons étudier, et
notamment la périodicité21 et le chaos. y

x
1
a1 a2 a3 a4

Figure 2: Alternance de points d’équilibre stable et instable

2 La suite logistique : première exploration

Dans tout ce qui suit on pose I = [0, 1].

21
Il y a un domaine où la périodicité est la norme et où l’apparition du chaos est por-
teuse de difficultés, c’est la physiologie. On consultera le livre [Glass-Mackey] pour voir
apparaı̂tre des phénomènes chaotiques, peut-être modélisables par des équations logis-
tiques, dans le fonctionnement des stimulateurs cardiaques (pacemakers), domaine dans
lequel la périodicité est éminemment souhaitable.

9
À partir de maintenant, on étudie la suite logistique introduite ci-dessus. Il
s’agit de la suite (un ), définie par récurrence par une valeur initiale u0 ∈ I et
par la formule un+1 = µun (1 − un ) avec 0 < µ ≤ 4. De manière plus savante,
on parle aussi de l’étude du système dynamique défini par la fonction f (x) =
µx(1−x), c’est-à-dire de l’étude de la suite des itérés x, f (x), f (f (x)), f n (x)
pour x ∈ I (on a noté f n = f ◦ f ◦ · · · ◦ f , n fois). L’ensemble de tous ces
transformés est l’orbite de x. Ce qu’il faut garder en tête, lorsqu’on pense
système dynamique, c’est qu’on va faire varier le x, ou le u0 , ainsi que le
paramètre µ, l’objectif étant d’étudier le comportement asymptotique d’un
x générique22 , pour un µ générique. Il y a d’ailleurs deux sens possibles à
ce mot : celui des topologues, pour lequel générique signifie “sur un ouvert
dense” et celui des ergodiciens, pour lequel il veut dire “hors d’un ensemble
de mesure nulle”. Nous reviendrons sur ce point plus loin.
Il faut comprendre aussi que les calculs explicites des itérés de f de-
viennent très vite compliqués. De plus, le fait que la dynamique soit parfois
chaotique fait que les calculs approchés sont rapidement suspects. C’est ce qui
conduit à préférer un traitement qualitatif et géométrique.

2.1 La fonction f et ses points fixes

2.1.1 La fonction f
Soit µ un nombre réel appartenant à ]0, 4]. On pose fµ (x) = µx(1 − x).
Lorsqu’il n’y a pas de risque de confusion, on note même f = fµ . On a
f 0 (x) = µ(1 − 2x). La dérivée est nulle au point 1/2, positive auparavant,
négative après. Le graphe de f est une parabole dont le sommet est le point
(1/2, µ/4). On note qu’on a f (0) = f (1) = 0. L’image de I est le segment
[0, µ/4]. En particulier, comme on a µ ≤ 4, l’intervalle I est stable.

2.1.2 Points fixes et convergence : quelques rappels

2.1 Proposition. Soit f : [a, b] → R une fonction de classe C 1 .
1) Si une suite récurrente un+1 = f (un ) converge vers un point l c’est un
point fixe de f (i.e., on a f (l) = l).
Dans la suite de cette proposition, l désigne un point fixe de f .
2) Si on a |f 0 (l)| > 1 (point fixe répulsif ), une suite récurrente un+1 =
f (un ) ne peut converger vers l que si elle est constante et égale à l à partir
d’un certain rang.
3) Si on a |f 0 (l)| < 1 (point fixe attractif ), il existe un intervalle
J contenant l, stable par f tel que pour tout u0 ∈ J, la suite récurrente
22
Les ergodiciens disent plutôt typique.

10
1

µ/4

0 1/2 τ 1

Figure 3: Le graphe de fµ

un+1 = f (un ) associée converge vers l et on a une inégalité |un −l| ≤ k n |u0 −l|
avec 0 < k < 1. Le point l sera dit super-attractif si f 0 (l) est nul. Dans ce
cas, la convergence de la suite (un ) est rapide23 .
4) Si on a |f 0 (l)| = 1 (point fixe parabolique), la convergence de la
suite est possible, mais non assurée, et si elle a lieu, elle est lente (en n−α ).
5) Si f 0 (l) est > 0, la suite est monotone à partir d’un certain rang
(convergence en escalier). Au contraire, si f 0 (l) est < 0 les suites des
termes pairs et impairs sont monotones de monotonies opposées. On parle
d’une convergence en escargot.
Démonstration. C’est essentiellement l’inégalité des accroissements finis.

2.1.3 Les points fixes de f

µ−1 1
Les points fixes de f sont 0 et τ = = 1 − . Ce dernier point est
µ µ
dans I et non nul si et seulement si on a µ > 1.
Notons qu’on a f 0 (0) = µ > 0 et f 0 (τ ) = 2 − µ. Il en résulte que 0 est un
point fixe attractif si et seulement si µ est < 1. Il est répulsif pour µ > 1
n
23
Précisément quadratique : |un − l| ≤ k 2 avec 0 < k < 1

11
et douteux pour µ = 1. Du côté de τ , on note déjà que f 0 (τ ) est positif
pour µ < 2, nul pour µ = 2 et négatif au-delà. Le point τ est attractif pour
1 < µ < 3, douteux pour µ = 1 ou 3, répulsif pour µ > 3. En particulier,
au-delà de 3, les deux points fixes de f sont répulsifs.

2.1.4 Tomber sur les points fixes ?

Lorsque les points fixes sont répulsifs, la suite (un ) ne peut converger que
si elle tombe sur un point fixe. Le point fixe 0 a pour antécédents 0 et 1 et 1
n’est dans l’image de f que pour µ ≥ 4. En ce qui concerne τ , en revanche, ses
antécédents sont τ et 1/µ et on peut continuer en cherchant les antécédents
de 1/µ grâce aux deux fonctions réciproques partielles de f :
p p
µ − µ2 − 4µy µ + µ2 − 4µy
g1 (y) = et g2 (y) = ,
2µ 2µ
définies sur [0, µ/4] et respectivement à valeurs dans [0, 1/2] et [1/2, 1]. On
voit que les points g1 (1/µ) et g2 (1/µ) existent dès que µ est ≥ 2. De plus, on
peut chercher des antécédents des points ainsi obtenus en itérant les fonctions
gi . Le lecteur montrera la proposition suivante :

2.2 Proposition.
1) On suppose µ ≥ 2. On définit par récurrence
p une suite (vn ) de points de
2
µ − µ − 4µvn
[0, 1/2] en posant v0 = 1/µ et vn+1 = . On a f (vn+1 ) = vn ,
2µ
de sorte que si on prend u0 = vn , on a up = τ pour p > n. La suite (vn )
décroı̂t et converge vers 0.
2) Soit α ∼ 3.67857351043 la racine différente de 2 du polynôme µ4 −4µ3 +16.
On suppose µ > α. On pose w0 = 1/µ et on définit par récurrence une suite
(wn )pde points qui sont dans [1/2, µ/4] (pour n ≥ 1) en posant wn+1 =
µ + µ2 − 4µwn
. On a f (wn+1 ) = wn , de sorte que si on prend u0 = wn ,
2µ
on a up = τ pour p > n. La suite (wn ) converge en escargot vers τ .

2.3 Remarque. Il y a beaucoup d’autres valeurs qui tombent sur τ , obtenues

à partir de 1/µ en appliquant alternativement g1 et g2 , mais il faut prendre
garde au domaine de définition de ces fonctions.

2.2 Les cas de convergence : 0 < µ ≤ 3

Dans ce qui suit, on montre le théorème suivant :

12
2.4 Théorème. On suppose 0 < µ ≤ 3. Alors, pour toute valeur initiale
u0 ∈ I, la suite (un ) est convergente.

En réalité, ce résultat est une conséquence évidente du théorème de Cop-

pel 3.4. En effet, on vérifie que, pour µ ≤ 3, la fonction fµ n’admet pas de
point de période 2 (voir 3.8) et 3.4 montre alors que toute suite récurrente
de premier terme u0 ∈ I converge. Cela étant, nous en donnons une preuve
directe, inspirée de [Devaney], en distinguant les cas.

2.2.1 Le cas 0 < µ < 1

Figure 4: La convergence pour µ < 1

Il y a un unique point fixe dans I, le point 0, qui est attractif. Le lecteur

prouvera sans peine le théorème suivant :

2.5 Théorème. On suppose 0 < µ < 1. Soit u0 ∈ I.

1) Pour u0 = 0 la suite est constante. Pour u0 = 1 elle est constante et égale
à 0 à partir du rang 1.
2) On suppose u0 ∈]0, 1/2]. La suite (un ) décroı̂t et converge géométriquement
vers 0.
3) On suppose u0 ∈]1/2, 1[. On a u1 ∈]0, 1/2] et on est ramené au cas 2).

2.2.2 Le cas µ = 1
Pour u0 ∈ I, on montre encore que la suite converge vers 0, mais la
convergence est en 1/n.

13
2.2.3 Le cas 1 < µ < 2
Le cas 1 < µ < 2 se ramène au cas 0 < µ < 1 en vertu du lemme suivant :

2.6 Lemme. On pose ν = 2 − µ. La fonction f (x) = µx(1 − x) est conjuguée

µ − 1 − µx
de g(x) = νx(1 − x) par la fonction h définie par h(x) = .
µ−2
Démonstration. On peut vérifier la formule hf = gh ou noter simplement
que h fixe le point 1/2 et qu’elle envoie 0 sur 1 − ν1 et 1 − µ1 sur 0. Pour un
résultat plus général voir annexe 7.1.
La formule de conjugaison ne concerne des paramètres µ > 0 que dans
l’intervalle ]0, 2[. Dans ce cas la dynamique associée à f est la même que celle
associée à g, précisément :

2.7 Théorème. On suppose 1 < µ < 2 (donc 0 < τ < 1/2). Soit u0 ∈ I.
1) Pour u0 = 0 ou u0 = τ , la suite est constante. Pour u0 = 1 (resp.
u0 = 1/µ), elle est constante et égale à 0 (resp. τ ) à partir du rang 1.
2) On suppose u0 ∈]0, τ [ (resp. u0 ∈]τ, 1/2]). La suite (un ) est croissante
(resp. décroissante) et converge vers τ .
3) On suppose u0 ∈]1/µ, 1[ (resp. u0 ∈]1/2, 1/µ[). Alors on a u1 ∈]0, τ [ (resp.
]τ, 1/2]) et on est ramené au cas 2).

Figure 5: La convergence pour 1 < µ < 2

2.2.4 Le cas µ = 2
Cette fois, on a τ = 1/2 et f 0 (τ ) = 0 de sorte que τ est un point super-
attractif.

14
2.2.5 Le cas 2 < µ < 3
Le point τ est encore attractif, mais avec une dérivée négative. On a donc,
au moins au voisinage de τ , un comportement “en escargot”.

2.8 Proposition. Soit u0 ∈]0, 1[. La suite (un ) converge vers τ .

Démonstration. C’est le point le plus délicat. La preuve que nous en donnons

est essentiellement celle du livre de Devaney.
On pose τb = 1/µ et on a f (1/µ) = τ . Avec l’hypothèse sur µ, on a
0 < τb < 1/2 < τ < 1. Posons J = [b τ , τ ] et montrons que f 2 (J) est contenu
dans [1/2, τ ]. Comme f atteint son maximum en 1/2, il est clair qu’on a
f (J) = [τ, µ/4] avec τ < µ/4. On a donc f 2 (J) = f ([τ, µ/4]) = [f (µ/4), τ ]
et on a f (µ/4) < τ car f est décroissante sur [1/2, 1]. Il reste à montrer que
f (µ/4) est bien ≥ 1/2. Cela équivaut à − µ3 + 4µ2 − 8 ≥ 0 et une rapide
étude de cette fonction l’atteste.
On en déduit d’abord que, si u0 est dans J, la suite u2n converge vers τ .
En effet, on a alors u2 ∈ [1/2, τ ] et cet intervalle est stable par f 2 . Comme
f 2 est croissante sur cet intervalle, la suite u2n est croissante et majorée par
τ . Elle converge vers un point fixe de f 2 et on vérifie que ce ne peut être que
τ , voir 3.8.
On en déduit ensuite que (un ) converge vers τ . En effet, on sait que la suite
u2n converge vers τ et la suite u2n+1 aussi, comme on le voit en appliquant
f.
Supposons maintenant u0 < τb et montrons qu’il existe k tel que uk soit
dans J. Cela montrera que la suite converge vers τ en vertu du premier cas.
Comme on a f (x) > x pour x < τ , on a u0 < u1 et la suite un croı̂t tant
qu’elle reste < τ . Si elle est majorée par τb, elle converge, mais cela ne peut
être que vers τ et c’est absurde. Sinon, soit k − 1 le dernier indice tel que
uk−1 < τb. On a alors τb ≤ uk = f (uk−1 ) < f (b τ ) = τ car uk−1 et τb sont dans
[0, 1/2] sur lequel la fonction f est croissante.
Supposons enfin u0 ∈]τ, 1[. Comme f est décroissante, on a u1 ∈ f (]τ, 1[) =
]0, τ [ et on est ramené à l’un des cas précédents.

2.9 Remarque. Pour µ = 3, la suite converge vers τ (sauf si u0 est nul) en

vertu de Coppel.

3 Le doublement de période
Pour µ > 3, les points fixes de f = fµ sont tous deux répulsifs. Dans
ce cas, cf. 2.1, une suite récurrente associée à f ne peut converger vers l’un

15
Figure 6: La convergence pour 2 < µ < 3

de ces points fixes que si elle est stationnaire. Comme f est polynomiale,
cela ne peut concerner qu’un nombre dénombrable de points de départ u0 ,
de sorte que la plupart des suites (un ) associées à f vont maintenant être
divergentes. Cependant, la manière dont s’opère cette divergence va se révéler
très diverse. Le premier phénomène qui apparaı̂t est l’existence de points
périodiques attractifs (ou de cycles attractifs) à commencer par des points
de période 2. En effet, ceux-ci sont un point de passage obligé en vertu du
théorème de Coppel que nous prouvons maintenant et qui éclaire beaucoup la
situation.

3.1 Apparition des 2-cycles : le théorème de Coppel

3.1.1 Cycles
3.1 Définition. Soit I = [a, b] un intervalle et soit f : I → I une fonction
continue. Un point x ∈ I est dit n-périodique pour f s’il vérifie f n (x) = x
et pas f k (x) = x pour 0 < k < n. Dans ce cas, on dit encore que l’ensemble
x0 = x, x1 = f (x), . . . , xk = f k (x), . . . , xn−1 = f n−1 (x) est un n-cycle pour
f.
On note Df n (x) ou (f n )0 (x) la dérivée de f n au point x.
3.2 Proposition-Définition. Soit f : I → I une fonction de classe C 1
et soit x0 , x1 , . . . , xn−1 un n-cycle pour f . On a, pour tout i, Df n (xi ) =
f 0 (x0 )f 0 (x1 ) · · · f 0 (xn−1 ). On dit que le n-cycle est attractif si cette quantité
est < 1 en valeur absolue. Si tel est le cas, et si u0 est suffisamment voisin
de l’un des points du cycle, il existe un entier k ∈ [0, n − 1] tel que les suites
unp , unp+1 ..., unp+n−1 convergent respectivement, quand p tend vers l’infini,
vers xk , xk+1 , ...,xk+n−1 (les indices étant pris modulo n). Autrement dit, les
termes de la suite se rapprochent alternativement des n valeurs des points du
cycle.

16
Le cycle sera dit super-attractif si l’on a Df n (xi ) = 0. La convergence
de la suite (un ) vers le cycle est alors une convergence rapide.
Démonstration. C’est encore l’inégalité des accroissements finis, appliquée
cette fois à f n .
Le lemme suivant donne une méthode pour construire des valeurs de µ
qui donnent des cycles super-attractifs :
3.3 Lemme. On suppose qu’on a f = fµ . Un n-cycle a1 , . . . , an relatif
à f (i.e. vérifiant ai+1 = f (ai ) avec les indices pris modulo n) est super-
attractif si et seulement s’il contient 1/2. Les valeurs de µ qui donnent des
n-cycles super-attractifs sont obtenues en résolvant l’équation polynomiale en
µ, fµn (1/2) = 1/2.
Démonstration. En effet, on a Df n (ai ) = 0 = f 0 (a1 ) · · · f 0 (an ) et le seul point
où f 0 s’annule est 1/2.

3.1.2 Le théorème de Coppel

3.4 Théorème. Soit I = [a, b] un intervalle compact et soit f : I → I une
fonction continue. On suppose que f n’admet pas de 2-cycle. Alors, pour tout
x0 ∈ I, la suite récurrente xn+1 = f (xn ) converge.

3.5 Remarque. La réciproque de ce résultat est évidemment vraie car, si f

admet un 2-cycle : f (x) = y et f (y) = x avec x 6= y, la suite récurrente
définie par x0 = x est divergente.
Démonstration. Voir [Coppel] pour des précisions.
La preuve repose sur le lemme suivant :
3.6 Lemme. Avec les notations du théorème, on suppose que f n’admet
pas24 de 2-cycle. Soit c ∈ I et supposons f (c) > c (resp. f (c) = c, resp.
f (c) < c). Alors on a f n (c) > c (resp. f n (c) = c, resp. f n (c) < c) pour tout
n ∈ N∗ .
Démonstration. (du lemme) Le cas f (c) = c est évident. Supposons qu’on ait
f (c) > c. Je me contente de montrer qu’on a aussi f 2 (c) > c, voir [Coppel]
pour le reste. Sinon, on a f 2 (c) < c (en effet, f 2 (c) = c implique f (c) = c et
c’est absurde). Comme on a f 2 (a) ≥ a, il existe un point fixe de f 2 dans [a, c[.
Prenons le plus grand et appelons le d. C’est aussi un point fixe de f . Dans
]d, c[ il n’y a plus de point fixe de f 2 , ni de f . Par conséquent f et f 2 , dans cet
24
Cela signifie que, si on a f 2 (x) = x on a déjà f (x) = x.

17
intervalle, sont “comme en c”, autrement dit, pour d < x < c, on a f (x) > x
et f 2 (x) < x. On choisit alors e avec d < e < c vérifiant d < e < f (e) < c.
C’est possible car on a f (d) = d < c donc encore f (e) < c pour e voisin de
d. Comme f (e) est aussi entre d et c on a f (f (e)) = f 2 (e) > f (e) > e, mais
c’est une contradiction.
On peut alors finir la preuve du théorème de Coppel. Soit x0 ∈ I quel-
conque. S’il existe n tel que xn+1 = xn , la suite est stationnaire donc conver-
gente. On peut donc supposer qu’on a xn 6= xn+1 pour tout n. Si on a, disons,
xn < xn+1 à partir d’un certain rang, la suite est croissante et majorée, donc
convergente. On peut donc supposer qu’il existe une infinité d’entiers n tels
que xn < xn+1 et une infinité tels que xn > xn+1 . Appelons (yn ) (resp. (zn ))
la sous-suite des premiers (resp. des seconds). Ces deux sous-suites ont pour
réunion la suite (xn ). Si on a yp = xn , on a xn+1 > xn et, en vertu du
lemme, xn+k > xn pour tout k > 0. En particulier, on a yp+1 > yp , de sorte
que la suite (yp ) est croissante. On montre de même que la suite (zq ) est
décroissante. Comme ces suites sont confinées dans [a, b], elles convergent
respectivement vers y et z. Comme la suite des zq est infinie, il existe une
infinité d’indices n tels que xn soit un yp mais xn+1 un zq . Appelons (wp ) la
sous-suite des yp en question. Elle converge aussi vers y et, comme f (wp ) est
une sous-suite des zq , elle converge vers z. On en déduit f (y) = z. Le même
raisonnement (avec d’autres sous-suites, bien entendu) donne f (z) = y, donc
f 2 (y) = y. Mais, comme f n’a pas de 2-cycle, on en déduit f (y) = y = z et
les deux sous-suites (yp ) et (zq ) ont même limite. Comme elles épuisent (xn ),
cette dernière suite converge vers y.

3.7 Corollaire. Soit f : I → I une fonction de classe C 1 . On suppose que

les points fixes de f sont en nombre fini et répulsifs et que les fibres25 de f
sont finies. Alors, f admet un 2-cycle.

Démonstration. En effet, sinon, toutes les suites récurrentes convergent vers

des points fixes. Comme ceux-ci sont répulsifs, les suites sont constantes à
partir d’un certain rang. Mais les points qui tombent sur un point fixe sont
en nombre dénombrable et c’est absurde.

3.2 Les points fixes de f 2

3.2.1 Détermination des cycles d’ordre 2
Vu le théorème de Coppel, les points fixes de f 2 vont jouer un rôle essen-
tiel :
25
C’est-à-dire les ensembles f −1 ({x}).

18
Itérée double

1
µ/4
3/4

1/2

f(f(x))
0 x f(x) 1

Figure 7: Les points fixes de f 2

3.8 Proposition. On a f 2 (x) − x = −x(µx − µ + 1)(µ2 x2 − µ(µ + 1)x +

µ + 1). Les points fixes de f 2 autres que 0 et τ sont les racines de l’équation
µ2 x2 − µ(µ + 1)x + µ + 1 = 0. Il n’y en a que pour µ > 3. Ces points fixes
sont alors :
p p
1 1 (µ + 1)(µ − 3) 1 1 (µ + 1)(µ − 3)
x1 = + − et x2 = + + .
2 2µ 2µ 2 2µ 2µ
Ces points sont dans I, précisément, le point x2 est toujours √> 1/2, tandis
√
que x1 est √< 1/2, = 1/2 ou > 1/2, selon que µ est > 1 + 5, = 1 + 5
ou < 1 + 5.
Démonstration. Le calcul est facile. Le discriminant du trinôme du second
degré est µ2 (µ + 1)(µ − 3), d’où le résultat (on note que pour µ = 3 la racine
double n’est autre que τ et que c’est le seul cas où τ est racine du trinôme).
3.9 Remarque. On voit, sur cet exemple, la première manifestation du phéno-
mène de bifurcation. Pour µ < 3 il n’y a pas de 2-cycle, tandis qu’il y en
a pour µ > 3. Lorsque µ tend vers 3 par valeurs supérieures, on voit, sur
l’expression des racines ci-dessus, que x1 et x2 tendent vers toutes deux vers
le point fixe 2/3 de f3 .

3.2.2 Attractivité des cycles d’ordre 2

On cherche maintenant à savoir si le 2-cycle (x1 , x2 ) est attractif, c’est-à-
dire si les termes d’une suite récurrente vont se rapprocher alternativement

19
de x1 et x2 . Cela signifie que la suite des termes pairs u2p (resp. des termes
impairs u2p+1 ) converge par exemple vers x1 (resp. x2 ). Comme ces deux
suites sont des suites récurrentes associées à f 2 , il s’agit de voir si les points
fixes x1 , x2 de f 2 sont attractifs26 pour f 2 , donc si la dérivée de f 2 en xi est
plus petite que 1 en valeur absolue, voir 3.2 :

3.10 Proposition. On suppose µ ≥ 3. Soit σ l’un quelconque des points fixes

de f 2 ( 6= 0, τ ). On a (f 2 )0 (σ) 2
√ = −µ + 2µ + 4. Cette quantité est positive
ou nulle pour 3 ≤ µ ≤ 1 + 5 ' 3, 236 et elle est alors ≤ 1 (et même
< 1 pour√µ > 3). On a donc un cycle d’ordre 2 attractif. Elle √ est nulle pour
µ = 1 + 5 : le cycle d’ordre 2 (formé de 1/2 √ et de (1 + 5)/4) est alors
superattractif. Elle est négative pour µ > 1 + 5√et elle est alors > −1 (donc
avec un cycle d’ordre 2 attractif ) pour µ < 1 + 6 ' 3, 449.

Démonstration. Si σ est l’autre point du cycle, on a (f 2 )0 (σ) = f 0 (σ)f 0 (σ) et

un petit calcul de fonctions symétriques des racines conclut.

Figure 8: Cas d’un 2-cycle attractif

√
3.11 Corollaire. On suppose 3 < µ < 1 + 6 et u0 6= 0, 1, τ, 1/µ. Soit (un )
la suite récurrente associée à u0 . Alors, les suites (u2p ) et (u2p+1 ) convergent
vers les points fixes de f 2 .

Démonstration. Pour être sûr qu’il n’y a pas d’exceptions, voir le paragraphe
suivant.
26
En vertu de 3.7, ils le sont tant qu’il n’y a pas de cycles d’ordre 4.

20
3.3 Les points fixes de f 4
Lorsque le cycle d’ordre 2 cesse d’être attractif, le théorème de Coppel,
appliqué à f 2 , montre qu’il y a un cycle d’ordreOn2a tracé
pour
seconde
les courbes
et itérée doncitérée
f 2 ,quatrième d’ordre 4
pour f . À partir de maintenant, on a à résoudre des équations algébriques
de plus en plus compliquées et on va utiliser la calculatrice.
Résultat : 3,578274714203157

1 Attendu : 3,449

µ/4

3/4

4
0 x 3 f(x)f(f(x)) 1

Figure 9: Les graphes de f , f 2 et f 4

√
3.12 Proposition. Pour µ ≤ 1 + √ 6, f 4 n’a pas de point fixe (autre que
ceux de f et f 2 ). Pour µ > 1 + 6 = µ2 , f admet un cycle d’ordre 4
unique et ce cycle est attractif tant que l’on a µ < µ3 ∼ 3, 544090. Pour
µ = ν2 ∼ 3, 49856169933, le cycle d’ordre 4 est super-attractif.

Démonstration. On commence par calculer (avec la calculatrice ou un logiciel

de calcul formel, sauf si l’on a des insomnies) le polynôme qui donne les 4-
cycles. Il s’agit de f 4 (x) − x, divisé par f 2 (x) − x. On obtient un polynôme
Qµ (x) de degré 12 en x :

µ12 x12 − 6µ12 x11 + 3µ11 (5µ + 1)x10 − µ9 (20µ3 + 15µ2 + 1)x9

+3µ9 (5µ3 + 10µ2 + µ + 2)x8 − 2µ8 (3µ4 + 15µ3 + 6µ2 + 7µ + 1)x7

+µ6 (µ6 +15µ5 +18µ4 +17µ3 +10µ2 +1)x6 −µ6 (3µ5 +12µ4 +12µ3 +18µ2 +µ+4)x5
+µ5 (3µ5 +5µ4 +14µ3 +4µ2 +6µ+2)x4 −µ3 (µ6 +4µ5 +5µ4 +4µ3 +5µ2 +1)x3
+µ3 (2µ4 + µ3 + 4µ2 + µ + 2)x2 − µ2 (µ3 + µ2 + µ + 1)x + µ2 + 1.

21
Il n’est pas évident de montrer les assertions de la proposition. Avec une
calculatrice ou un ordinateur, on peut calculer les racines de Qµ de manière
approchée lorsque µ est fixé. Par exemple, pour µ = 3, 45, on trouve quatre ra-
cines : 0, 852428087575, 0, 433991655785, 0, 847467675925, et 0, 445967663053
qui forment un cycle d’ordre 4 attractif27 .
On peut alors trouver, expérimentalement, les valeurs√ µ2 et µ3 . Pour
montrer que la valeur limite µ2 est exactement 1 + 6, il faut comprendre
le phénomène de bifurcation (ou de ramification) illustré par la figure 10.
Décrivons le phénomène. Pour µ < µ2 il n’y a pas de 4-cycle, en revanche, il
y en a pour µ > µ2 . Dans ce cas, appelons x1 (µ) < x2 (µ) < x3 (µ) < x4 (µ) un
tel cycle. Lorsque µ tend vers µ2 , x1 et x2 tendent vers un même point y1 et
x3 et x4 vers un même point y2 , (y1 , y2 ) étant un 2-cycle de fµ2 . Autrement
dit, pour µ = µ2 , le polynôme Qµ admet en facteur le polynôme Fµ (x) =
µ2 x2 − µ(µ + 1)x + µ + 1 qui donne les 2-cycles.
Si
√ l’on admet que les choses se passent bien ainsi, on trouve la valeur
2
1 + 6 : on divise Qµ par F√µ , le reste est égal à − µ + 2µ + 5 dont l’unique
racine positive est µ = 1 + 6. En fait, plus précisément, le polynôme Fµ est
au carré dans Qµ , avec comme quotient :

µ8 x8 + (−4µ8 + 2µ7 )x7 + (6µ8 − 5µ7 + µ6 )x6 +

(−4µ8 + 3µ7 − 3µ5 )x5 + (µ8 + µ7 − 3µ6 + 9µ5 − 6µ4 )x4 +

+(−µ7 + 2µ6 − 8µ5 + 10µ4 − 3µ3 )x3 + (2µ5 − 4µ4 + 2µ3 + 6µ2 )x2
+(−6µ2 + 12µ)x + µ2 − 5µ + 6.

√
Pour voir qu’il n’y a pas de 4-cycle dans le cas µ = 1 +√ 6, il reste à
trouver les racines de ce polynôme28 lorsque µ est égal à 1 + 6. On vérifie
qu’il n’y en a pas.
Pour trouver un cycle super-attractif, on applique 3.3 en résolvant en
µ l’équation Qµ (1/2) = 0. On trouve la valeur de l’énoncé et une autre,
3, 960270272187 que l’on reverra.
Enfin, il reste à calculer la valeur µ3 ∼ 3, 544090. C’est le plus difficile.
Une technique est d’étudier le comportement de la suite et de repérer selon
les valeurs de µ si elle admet un 4-cycle limite (pour µ < µ3 ) ou un 8-cycle
limite (pour µ > µ3 ), mais c’est assez imprécis à cet endroit de bifurcation.
27
Il est commode (et facile) d’écrire un petit programme qui permet d’afficher les r
termes qui suivent le millième (par exemple).
28
En fait, le mieux pour faire ces calculs est de conjuguer fµ à x2 − 5/4 (voir 7.1). Le
calcul des racines du polynôme qui correspond à Qµ est plus facile dans ce cas sur la
calculatrice et on trouve qu’il n’a que deux racines qui sont les points du 2-cycle.

22
En effet, lorsque µ se rapproche de µ3 par valeurs supérieures, le 8-cycle tend
vers un 4-cycle et il faut aller très loin pour savoir si les 8 valeurs que l’on
examine sont celles d’un cycle d’ordre 8 ou si elles vont se rapprocher pour
donner un 4-cycle.
Une autre méthode consiste à repérer la dérivée en le cycle d’ordre 4 et à
voir quand elle atteint la valeur − 1.
Par exemple, avec µ = 3, 544089, en partant de la valeur x = 0, 8841
donnée par l’étude de (un ), on trouve, par approximations successives une
valeur de l’un des points du 4-cycle à 10−12 près : a = 0, 88404930742571 et,
pour cette valeur on a Df 4 (a) = −0, 999969.

3.4 La zone des cycles attractifs d’ordre 2n : 3 < µ < µ∞

Le phénomène que nous venons de voir apparaı̂tre pour les 2-cycles et
les 4-cycles continue de plus belle lorsque µ croı̂t. On parle de cascade de
doublement de périodes. Ce phénomène a été mis en évidence vers 1978
par Feigenbaum, qui a formulé à son sujet un certain nombre de conjectures,
prouvées ensuite par plusieurs auteurs (notamment par Lanford, Collet, Eck-
mann, Campanino, Epstein, etc.). Il n’est pas évident de trouver un énoncé
clair et complet, pour la suite logistique, dans la littérature29 . Voilà ce que
j’ai pu rassembler :
3.13 Théorème (Feigenbaum et al.). On considère fµ (x) = µx(1 − x)
pour 0 ≤ µ ≤ 4.
n
Soit µn la borne inférieure des µ tel
√ que fµ admette un cycle d’ordre 2 .
0) On a µ0 = 0, µ1 = 3, µ2 = 1 + 6, µ3 ∼ 3, 544090, µ4 ∼ 3, 564407.
1) La suite (µn ) est strictement croissante, majorée par 4, elle converge
vers un réel µ∞ ∼ 3, 5699456 et la différence µ∞ − µn est équivalente, quand
n tend vers l’infini, à K/δ n où K est une constante et où δ est la constante
de Feigenbaum :
δ ∼ 4, 66921166091029906.
2) Pour µ∞ > µ > µn , fµ admet30 un unique 2n -cycle, qui est attractif
tant que µ est < µn+1 et répulsif pour µ > µn+1 .
3) Plus précisément, la dérivée Df n (xi ) en l’un des points du cycle d’ordre
n
2 décroı̂t de 1 à − 1 quand µ croı̂t de µn à µn+1 . En particulier, il existe
un unique nombre réel νn ∈]µn , µn+1 [ tel que le 2n -cycle correspondant soit
super-attractif. La suite νn tend vers µ∞ et on a µ∞ − νn ∼ K 0 /δ n . Soit
29
Pour la suite logistique, le plus clair est sans doute le livre [Robinson]. Pour la méthode
de “renormalisation” proposée par Feigenbaum, l’article [Collet-Eckmann-Lanford] est le
plus abordable.
30
Mais elle n’en admet pas pour µ = µn .

23
αn le point de ce cycle, différent de 1/2, et le plus proche de 1/2, et posons
dn
dn = 21 − αn . Alors, on a lim = −α avec α ∼ 2, 502907875.
n→+∞ dn+1
4) Pour µ < µ∞ , fµ n’a pas de cycle d’ordre p si p n’est pas une puissance
de 2.

Figure 10: La cascade de doublement de périodes

Démonstration. Il n’est pas question de prouver ici le résultat de Feigenbaum.

Je me contenterai de montrer les choses faciles, et d’abord un lemme :

3.14 Lemme. Soit g une fonction continue définie sur un intervalle de R.

Si g admet un 2-cycle, elle admet un point fixe. Si elle admet un 2n -cycle
avec n ≥ 1, elle admet des 2k -cycles pour tout k avec 0 ≤ k ≤ n − 1.

Démonstration. Si g échange a et b avec a 6= b, la fonction g(x)−x change de

signe sur [a, b], donc s’annule. La deuxième assertion en résulte par récurrence.

Maintenant, il est clair que la suite µn est croissante31 . En effet, soit > 0
et soit µ vérifiant µn+1 < µ < µn+1 + tel que fµ admette un 2n+1 -cycle.
Alors, par le lemme, fµ admet aussi un 2n -cycle donc on a µ ≥ µn . Comme
cela vaut pour tout on a bien µn+1 ≥ µn .
Nous verrons dans la section suivante que f4 admet des cycles de tous
ordres, ce qui montre que la suite des µn est majorée par 4, donc converge.
31
Mais un peu moins clair qu’elle l’est strictement.

24
3.15 Remarques.
1) Ce qui est extraordinaire dans le théorème de Feigenbaum, c’est qu’il
vaut pour beaucoup d’autres familles de fonctions f que la famille logistique,
voir [Collet-Eckmann-Lanford]. En ce sens, les constantes δ et α sont des
constantes universelles.
2) Si µ est dans ]µn , µn+1 [, la fonction admet des cycles d’ordre 2k pour tout
k ≤ n, mais d’aucun autre ordre en vertu du théorème de Sarkovsky 5.4.
3) En chaque µn on a une bifurcation : on passe d’un régime à un autre.
n
Précisément, pour f 2 on passe d’un point fixe attractif à un point fixe
répulsif en passant par un point “parabolique” (avec une dérivée égale à
− 1 ici). On parle d’une bifurcation du genre selle-nœud.
µn − µn−1
4) Une conséquence du résultat c’est qu’on a lim = δ et la
n→+∞ µn+1 − µn
même formule avec νn . La convergence est assez rapide. Si on calcule ν3 à
partir de ν1 et ν2 avec cette formule, on trouve 3, 5547, ce qui ne semble pas
loin de la vérité.

3.16 Corollaire. Pour µ < µ∞ , toute suite récurrente associée à f converge

vers un point fixe ou un cycle. Le bassin d’attraction du cycle attractif d’ordre
2n (i.e. l’ensemble des points dont les itérés convergent vers ce cycle) est
partout dense.

Démonstration. Si on a µn ≤ µ < µn+1 , il n’y a pas de cycle d’ordre 2n+1

n
pour f , donc pas de cycle d’ordre 2 pour f 2 . En vertu du théorème de
n
Coppel, cela montre que toute suite récurrente associée à f 2 converge, donc
que la suite associée à f converge vers un cycle d’ordre 2i avec i ≤ n. De
plus, comme le cycle d’ordre 2n est le seul à être attractif, les autres donnent
des suites périodiques stationnaires, en nombre dénombrable, de sorte que
les points dont l’orbite tend vers le 2n -cycle sont partout denses.
Plutôt que de poursuivre l’exploration dans la zone µ∞ ≤ µ < 4, qui est
la zone vraiment difficile, nous allons sauter directement au cas µ = 4 qui
présente le double avantage d’être facile et spectaculaire.

4 Le cas µ = 4 et le chaos
4.1 Définir le chaos ?
Dans ce paragraphe, on pose I = [a, b] avec a < b.

25
4.1.1 Les orbites denses
Il y a de nombreuses notions de chaos, différentes selon les auteurs (chaos
au sens de Devaney, de Li-Yorke, etc.). Une excellente référence sur le sujet
est le (projet de) livre de Sylvie Ruette [Ruette]. J’adopte dans ce qui suit
la définition suivante :
4.1 Définition. Soit f : I → I une fonction continue. La dynamique as-
sociée à f sera dite chaotique s’il existe u0 ∈ I tel que la suite récurrente
(un ) associée à f et u0 soit partout dense dans I.

4.2 Remarque. Si cette propriété est vraie, les u0 dont l’orbite est dense sont
eux-mêmes denses dans I. En effet, si u0 convient, tous les un de la suite
associée à u0 conviennent aussi (l’orbite de un est dense, car si l’on retire un
nombre fini de points à une partie dense dans un intervalle, elle reste dense).
Une propriété équivalente est la suivante :
4.3 Définition. Soit f : I → I une fonction continue. On dit que f est
topologiquement transitive ou simplement transitive si étant donnés
deux ouverts non vides U, V de I il existe un entier p tel que f p (U ) ∩ V 6= ∅.

4.4 Proposition. Avec les notations précédentes, la dynamique est chao-

tique si et seulement si f est transitive.
Démonstration. S’il existe un point dont l’orbite est dense, il est clair que f
est transitive. En effet, il y a alors une infinité de termes un dans tout ouvert
non vide, de sorte que si on en prend un dans U il y a une de ses images qui
est dans V .
Réciproquement, si f est transitive, soit (ωn )n∈N une base dénombrable
d’ouverts de I (par exemple les intervalles ouverts32 contenus dans I à extrémi-
tés rationnelles). Pour un ωn on considère l’ouvert Ωn = ∪p∈N f −p (ωn ). Cet
ouvert est partout dense dans I. En effet, si U est un ouvert de I, la transiti-
vité montre qu’il existe p tel que f p (U ) ∩ ωn 6= ∅, ou encore U ∩ f −p (ωn ) 6= ∅,
de sorte que U rencontre Ωn . En vertu du théorème de Baire, l’intersection
des Ωn est encore partout dense. Mais, cette intersection est formée de points
dont les orbites sont partout denses. En effet, si u est dans cette intersection
on a :
∀n ∈ N, ∃pn ∈ N, f pn (u) = upn ∈ ωn .
Cela signifie que la suite (un ) associée à u a des points dans tous les ωn : elle
est dense.
32
Ou semi-ouverts s’ils sont au bord.

26
4.1.2 Chaos, sensitivité et densité des points périodiques
Le chaos au sens précédent implique deux autres propriétés fondamen-
tales. Donnons d’abord une autre définition :

4.5 Définition. Soit f : I → I une fonction continue. On dit que f est

sensible aux conditions initiales ou simplement sensitive, s’il existe
> 0 tel que, pour tout x ∈ I et pour tout η > 0, il existe y ∈ I et n ∈ N
avec |x − y| < η et |f n (x) − f n (y)| > .

Le est une sorte d’erreur incompressible, à terme, quelle que soit la

précision du point de départ.
On a alors le théorème suivant :

4.6 Théorème. Soit f : I → I une fonction continue. On suppose que la

dynamique associée est chaotique. Alors :
1) l’ensemble des points périodiques de f est partout dense dans I,
2) f est sensitive.

Démonstration. Voici l’idée de la preuve de 1), voir [Ruette] 2.1.16 pour des
précisions. On suppose qu’il y a un intervalle [c, d] ⊂ I, avec c < d qui ne
contient aucun point périodique. Comme la dynamique est chaotique, il existe
un x ∈]c, d[ dont l’orbite est dense, donc un entier p tel que x < f p (x) < d. De
même il existe un y avec c < f q (y) < y < x. On montre alors que, pour tout
m > 0, on a f mp (x) > x. Sinon, il y a un intervalle [x, f mp (x)] qui augmente33
quand on applique f p et, par le lemme de l’intervalle gourmand 5.2, il y a
un point périodique. Le même raisonnement montre qu’on a f nq (y) < y pour
tout n > 0. Mais alors, on a f pq (y) < y < x < f pq (x) et le lemme de
l’intervalle gourmand conclut.
Pour 2), voir par exemple [Ruette] 2.2.3.

4.7 Remarque. La conjonction des trois propriétés (transitivité, sensibilité,

densité des points périodiques) est ce qu’on appelle le chaos au sens de De-
vaney. Devaney justifie sa définition en caractérisant un système dynamique
chaotique par trois éléments :
• Il est imprévisible. C’est la sensibilité aux conditions initiales : même si
on bouge à peine les données initiales, au bout d’un certain nombre d’itérations,
le système sera très différent. C’est le fameux effet papillon dont on a tant
parlé. Bien entendu, un tel comportement rend extrêmement difficile (même
pour un ordinateur) le calcul de f n (x) pour un x donné, puisque la moindre
erreur d’arrondi a des conséquences catastrophiques, voir 4.16 ci-dessous.
33
C’est un joli exercice pour le lecteur.

27
• Il est indécomposable. Cela signifie qu’on ne peut pas le partager en
deux intervalles indépendants et stables. C’est, bien entendu, la transitivité
qui interdit cela.
• Il n’est pas aléatoire. En effet, il a des éléments de régularité, à savoir
les points périodiques, qui sont partout denses.

4.8 Remarque. Attention, le chaos, s’il impose la densité des points périodiques,
n’implique pas qu’il en existe de toutes les périodes. En particulier l’exemple
de Ruelle, voir 6.5.1, est chaotique sur un intervalle mais n’a pas de points
de période 3.

4.1.3 Le chaos et les cycles

Le résultat suivant donne une condition nécessaire de chaos :

4.9 Proposition. Soit I = [a, b] un intervalle compact et soit f : I → I une

fonction de classe C 1 . Si la dynamique de f est chaotique, il n’y a pas de
cycles attractifs pour f .

Démonstration. Supposons qu’il existe un point α ∈ I, périodique d’ordre

n ≥ 1 et attractif. Soient α = α0 , α1 , . . . , αn−1 les images de α. Comme α
est un point fixe attractif de f n , il existe un intervalle J = [α − η, α + η],
avec η > 0, tel que, pour tout x ∈ J, f pn (x) tende vers α quand p tend
vers + ∞ (voir 2.1). Il en résulte que la suite f pn+k (x) converge vers αk
pour tout k = 0, 1, . . . , n − 1. Les valeurs d’adhérence de la suite f i (x), pour
x ∈ J, sont donc exactement les points du cycle. Mais, on sait qu’il existe
dans J un point dont l’orbite est partout dense, donc admet tous les points
de l’intervalle I comme valeurs d’adhérence, et c’est une contradiction.

4.2 Chaos et transitivité pour µ = 4

On pose à nouveau I = [0, 1].

4.2.1 La remarque fondamentale

Elle consiste à noter qu’on a, pour θ ∈ R, sin2 2θ = 4 sin2 θ cos2 θ =
4 sin2 θ(1 − sin2 θ). On a donc, avec f (x) = 4x(1 − x), la formule :

(∗) sin2 2θ = f (sin2 θ).

On utilisera cette remarque sous la forme suivante :

28
4.10 Proposition. Tout nombre x ∈ [0, 1] s’écrit de manière unique sous
la forme x = sin2 θ, avec θ ∈ [0, π/2]. On a les formules f (x) = f (sin2 θ) =
sin2 (2θ) et, plus généralement, f n (x) = f n (sin2 θ) = sin2 (2n θ).

4.11 Remarque. Si l’on pose g(θ) = 2θ et h(θ) = sin2 θ, on a h ◦ g = f ◦

h, de sorte que la formule (∗) ressemble à la formule de conjugaison f =
hgh−1 . Mais, attention, h n’est pas un homéomorphisme (c’est une fonction
de période π). On parle à ce propos de semi-conjugaison.

En revanche, f est vraiment conjuguée de l’application “tente”, très proche

de l’application de doublement de l’angle, voir aussi 6.10 :

4.12 Proposition. On considère l’application t : [0, 1] → [0, 1] définie par

t(x) = 2x pour 0 ≤ x ≤ 1/2 et t(x) = 2 − 2x pour 1/2 ≤ x ≤ 1. Soit
πx
ϕ l’application de [0, 1] dans lui-même définie par ϕ(x) = sin2 . Alors
√ 2
ϕ est un homéomorphisme, de réciproque ϕ−1 (x) = π2 Arcsin x, et on a la
formule : f = ϕtϕ−1 .
πt(x)
Démonstration. Il suffit de vérifier la formule : sin2 = sin2 πx pour
2
tout x ∈ [0, 1].

4.2.2 La transitivité
4.13 Théorème. Il existe a ∈ I tel que l’orbite de a par f4 soit partout
dense dans I. Autrement dit, la dynamique de f4 est chaotique sur I.

Démonstration. Tout repose sur la fabrication d’un nombre magique m de

]0, 1[, dit nombre de Champernowne34 , dont le développement en base 2 est
le suivant :

m = 0, 01 00 01 11 000 001 010 100 011 101 110 111 0000 . . . ,

autrement dit, le nombre obtenu en mettant bout à bout, après la virgule,

toutes les suites possibles formées d’un chiffre, puis deux, puis trois, etc.
choisis parmi 0 et 1. La propriété de ce nombre c’est que pour tout n ∈ N∗ ,
toute suite a1 . . . an ∈ {0, 1}n apparaı̂t dans m. On pose a = sin2 mπ. Alors,
quel que soit x ∈ [0, 1], et quel que soit > 0, il existe N tel que |x−f N (a)| <
. En effet, on écrit x = sin2 α avec α ∈ [0, π/2] et on calcule le développement
34
David Champernowne, étudiant à Cambridge, établit en 1933 les propriétés de l’ana-
logue de m en base 10.

29
en base 2 de α/π = 0, a1 . . . an . . ., en choisissant n tel que 2−n < /π. La
suite a1 . . . an apparaı̂t entre N + 1 et N + n dans le développement de m :

m = 0, b1 . . . bN a1 . . . an bN +n+1 . . .

On a alors 2N m = b1 . . . bN , a1 . . . an bN +n+1 . . . = p + (0, a1 . . . an bN +n+1 . . .),

où p est un entier. On en déduit la formule :

2N mπ = pπ + π × (0, a1 . . . an bN +n+1 . . .),

Figure 11: La suite logistique est chaotique pour µ = 4

4.14 Remarque. Il est facile de programmer sur la calculatrice une fonction

champer(x, n, p) qui fournisse, avec une part d’aléatoire, un point u0 dont le
p-ième itéré par f4 approche x à 2−n près. On commence par calculer a =
√ alea(2p ) b
Arcsin ( x)/π, puis la partie entière de 2n a, soit b, puis c = p
+ n+p
2 2
(où alea(2p ) est un nombre entier aléatoire compris entre 1 et 2p ) et enfin u0 =
sin2 (cπ). Le p-ième itéré est proche de sin2 2bπn donc de sin2 aπ c’est-à-dire de
√
x. Par exemple, avec x = 1/ 2 et p = 12, le nombre u0 = 0, 75618379413453
donne x au 12-ième coup à 2−20 ∼ 10−6 près.

4.3 Les autres oripeaux du chaos pour µ = 4 : la sensi-

bilité

30
4.3.1 La sensibilité
On a vu que la transitivité implique la sensibilité. Dans le cas de f4 , il est
facile de prouver celle-ci directement :

4.15 Proposition. Soit J =]x − , x + [ un intervalle ouvert contenu dans

I. Il existe un entier n tel que f n (J) = I. En particulier, il existe y dans
J tel que |f n (x) − f n (y)] ≥ 1/2, ce qui montre la sensibilité aux conditions
initiales35 .

Démonstration. On utilise la formule (∗). On écrit x − = sin2 α et x + =

sin2 β, avec 0 ≤ α < β ≤ π/2. Pour n assez grand, on a 2n (β − α) > 2π, de
sorte que l’intervalle ]2n α, 2n β[ contient un intervalle de la forme [kπ, (k+1)π].
Pour cet n on a f n (J) ⊃ I. En effet, si z est dans I on peut l’écrire z = sin2 θ
avec θ ∈ [kπ, (k + 1)π]. On a alors θ = 2n ϕ avec α < ϕ < β, donc z = f n (y)
avec y = sin2 ϕ ∈ J.
Si on choisit36 z tel que |z − f n (x)| ≥ 1/2, on a bien réalisé la condition
de sensitivité.

4.16 Remarque. La sensibilité aux conditions initiales rend très problématique

le calcul des valeurs de un pour u0 donné, même pour une calculatrice ou un
ordinateur. Le lecteur pourra s’en convaincre en pratiquant quelques petites
expériences :
• Pour la fonction f4 , le point x = sin2 384 π
vérifie f 7 (x) = 3/4 = τ et il
reste en ce point puisque τ est fixe par f . C’est bien ce qu’on vérifie avec la
calculatrice, à ceci près qu’à partir de n = 16, on voit la suite dérailler et
devenir chaotique (regarder soit le graphe, soit la tabulation). La raison est
que la calculatrice prend pour u0 une valeur approchée et que la petite erreur
commise au départ donne une grande erreur au bout de quelques itérations.
Le même type de phénomène se produit avec tous les points périodiques, cf.
4.18.
• Tous ? Non, car un point périodique37 résiste vaillamment. Pour u0 =
2 π
sin 17 on a un cycle d’ordre 4 et c’est ce que dit la Voyage 200, même si
on l’oblige à calculer jusqu’à n = 2000. J’ai cru d’abord que la calculatrice
était très intelligente. En effet, dans ce cas, le nombre donné est constructible
(puisque le polygone à 17 côtés l’est), c’est-à-dire qu’il s’écrit avec des racines
carrées, ce qui m’a conduit à penser que la calculatrice faisait le calcul de
35
Par exemple, si l’on part d’un intervalle de largeur 1/10 il suffit de cinq itérations pour
remplir tout [0, 1].
36
C’est toujours possible, même si f n (x) = 1/2.
37
L’orbite de ce point est la seule stable sur la TI Voyage parmi les points de période
≤ 6.

31
manière formelle38 . Cette belle théorie s’effondre car la calculatrice trouve
encore un cycle d’ordre 4 si on lui donne u0 de manière approchée :
u0 = 0, 033763885297822.
En regardant les arrondis des itérés de cette valeur, on tombe sur un cycle
d’ordre 4 (pour la calculatrice), formé des valeurs :
v0 = 0, 033763885297826, v1 = 0, 13049554138968,
v2 = 0, 45386582026838 et v3 = 0, 99148654984195.
En étudiant de près le calcul de ces itérés avec M uP AD (qui calcule exac-
tement avec ce nombre de décimales), on s’aperçoit que la calculatrice ne
trouve un cycle que parce qu’elle commet une erreur dans le calcul de f (v2 )
qui devrait donner v3 = 0, 99148654984196(232)... (le dernier chiffre de la cal-
culatrice est donc faux), valeur qui conduirait à une orbite partout dense39 .
Si l’on regarde de plus près le calcul de f (v2 ) on voit que l’erreur provient
d’une erreur d’arrondi. Il semble que la machine calcule d’abord 4v2 . Comme
elle ne garde que 14 chiffres significatifs et que 4v2 commence par 1, 81...,
elle néglige le chiffre des 10−14 , commettant une erreur de 2 × 10−14 qui, en
multipliant par 1 − v2 ∼ 0, 54 donne une erreur de plus de 10−14 . D’ailleurs,
si l’on oblige la calculatrice à faire le calcul dans l’ordre 4 × (v × (1 − v)), elle
donne un résultat correct !
• Une expérience très proche de cette dernière remarque consiste à rentrer,
sur la TI Voyage 200, les deux suites un+1 = 4un (1 − un ) et vn+1 = 4vn −
4vn2 , avec le même point de départ 0, 23 par exemple. Ce sont évidemment
les mêmes, pourtant, les arrondis sont différents et on voit ces deux suites
diverger dès le 11-ième coup et, au 48-ième coup, différer de plus de 0, 5.
Question : l’une des valeurs de f 48 (0, 23) est-elle exacte ? laquelle ? Réponse :
elles sont toutes deux fausses. Si on effectue ces deux calculs avec MuPAD
et 100 décimales, on obtient les mêmes décimales jusqu’à la 93-ième, ce qui
semble indiquer que ce résultat est fiable. Or, si on compare ce que donne la
Voyage et ce que donne MuPAD, on a, pour n = 48, sur TI :
u48 = 0, 99455195753 et v48 = 0, 3879228736
et sur MuPAD u48 = v48 = 0, 8436149560.
Avec la suite (vn ), le point de départ u0 = sin2 π
17
conduit à une suite
chaotique.
38
Ce qui pouvait être corroboré par le fait que lorsqu’on lui rentre une valeur trigo-
nométrique, elle peut lui faire subir une transformation. Par exemple si l’on rentre sin2 5π
17 ,
elle écrit cos2 7π .
34
39
D’ailleurs, si l’on part de sin2 (4π/17) ou sin2 (8π/17) on obtient des orbites denses !

32
4.4 Les points périodiques pour µ = 4
Comme pour la sensibilité, la densité des points périodiques est une
conséquence du chaos, mais il est facile de la prouver directement.

4.4.1 Détermination des points périodiques

Le lemme de base est purement trigonométrique :

4.17 Lemme. Soient θ, ϕ ∈ R. On a sin2 θ = sin2 ϕ si et seulement si ϕ est

égal, modulo π, à θ ou − θ.

On en déduit le calcul des points périodiques :

4.18 Proposition. Les points u0 ∈ [0, 1] qui sont tels que la suite (un ) soit
kπ
périodique de période ≥ 1 sont les points u0 = sin2 n , avec n ∈ N∗ et
2 ±1
0 ≤ k ≤ 2n−1 (resp. 0 ≤ k < 2n−1 ) si le signe est + (resp. si le signe est −).
La période de la suite associée à un tel point est égale à n sauf s’il existe un
k l
entier p < n et un entier l ≤ 2p−1 tel que l’on ait n = p . Si la
2 ±1 2 ±1
k
fraction n est irréductible, ce cas ne peut se produire.
2 ±1
Démonstration. Posons u0 = sin2 θ avec θ ∈ [0, π/2]. Dire que la suite admet
la période n signifie qu’on a f n (u0 ) = u0 , c’est-à-dire sin2 (2n θ) = sin2 θ.
On a ainsi, en vertu du lemme 4.17, 2n θ = ±θ + kπ. On a donc bien u0 =
kπ
sin2 n .
2 ±1
4.19 Remarque. Le cas de diminution de la période peut effectivement se
produire. Par exemple avec u0 = sin2 215π 8 −1 on a la période 4 à cause de

la formule 28 −1 = 24 +1 De même avec sin2 213π

15 1 .
6 +1 qui est de période 2. En
2 3π 2 π
revanche, dans le cas de sin 27 +1 = sin 43 on a la période 7 bien que la
fraction soit réductible car 43 n’est pas égal à une puissance de 2 à ± 1 près.
La décomposition des nombres de la forme 2n ± 1 n’est pas chose évidente
puisqu’on y trouve les nombres de Fermat et ceux de Mersenne, voir annexe
7.5.

4.20 Proposition. Les points périodiques sont partout denses dans [0, 1]. Si
(pn ) est une suite d’entiers tendant vers + ∞, on peut même préciser que
les points admettant les pn comme périodes sont denses dans [0, 1]. C’est le
cas de la suite pn = 2n .

33
Démonstration. Soit x ∈ [0, 1] que l’on écrit x = sin2 θ0 et soit > 0. Il s’agit
de montrer que l’intervalle J =]x − , x + [ contient un point périodique.
Comme la fonction θ 7→ sin2 θ est lipschitzienne de rapport 1 sur [0, π/2], il
suffit de trouver un θ correspondant à un point périodique tel que |θ−θ0 | < .
Si on choisit n assez grand pour que 2nπ+1 soit < 2, il y a un k tel que 2nkπ+1
soit dans l’intervalle ]θ0 − , θ0 + [ et le point périodique sin2 2nkπ+1 est alors
dans J.

4.4.2 Même si l’on ne naı̂t pas périodique, on peut le devenir à

force de persévérance !
La proposition suivante détermine les points “ultimement” périodiques,
c’est-à-dire ceux qui tombent, à terme, sur des points périodiques :
4.21 Proposition. Les points u0 ∈ [0, 1] qui sont tels que la suite (u n ) soit
kπ
périodique à partir du rang q sont les points u0 = sin2 , avec
2q (2n ± 1)
0 ≤ k ≤ 2q+n−1 si le signe est + (resp. 0 ≤ k < 2q+n−1 si le signe est −).
On notera que, pour n = 1, on obtient les points qui deviennent fixes
17π
à partir d’un certain rang. Par exemple, la suite de départ u0 = sin2
384
stationne à 3/4 à partir du 7-ième coup.

4.4.3 La répulsivité des cycles périodiques

On montre d’abord une relation trigonométrique :
4.22 Lemme. Soit θ ∈ R. Pour n ∈ N∗ , on a la formule :
sin 2n+1 θ = 2n+1 sin θ cos θ cos 2θ · · · cos 2n θ = 2n sin 2θ cos 2θ cos 4θ · · · cos 2n θ.
Démonstration. Récurrence sur n.
4.23 Proposition. Soit x un point de période n pour f = f4 . On a l’égalité
|(f n )0 (x)| = 2n , de sorte que le n-cycle défini par x est répulsif40 .
Démonstration. La dérivée de f est f 0 (x) = 4(1 − 2x). En x = sin2 ϕ on a
donc f 0 (x) = 4 cos 2ϕ. Le cycle est formé de x = x0 = sin2 θ, x1 = sin2 2θ, ...,
xn−1 = sin2 2n−1 θ et on a sin2 2n θ = sin2 θ = x et aussi | sin 2n+1 θ| = | sin 2θ|.
Les dérivées en chaque point sont les quadruples des cosinus de 2θ, ..., 2n θ.
En vertu de 3.2, la dérivée de f n est le produit de ces dérivées. La formule
trigonométrique ci-dessus, après multiplication par 2n et simplification par
les sinus, donne le résultat.
40
Bien entendu, on sait que les cycles sont répulsifs en vertu de 4.9, mais la proposition
précise la dérivée.

34
4.24 Remarque. On notera, comme conséquence du résultat précédent, la
superbe identité, avec = ±1 :

2kπ 4kπ 2j kπ 2n kπ
cos n × cos n × · · · × cos n × · · · × cos n = − n.
2 + 2 + 2 + 2 + 2

5 La zone des tempêtes : µ∞ ≤ µ ≤ 4

Cette fois, fini de rire, nous abordons la zone vraiment difficile, celle où
les théorèmes deviennent hors de prix. Le premier résultat essentiel (et très
joli) est dû à Sarkovsky41 et il explique dans quel ordre doivent apparaı̂tre
les cycles. En particulier il confirme que les cycles d’ordre une puissance de
2 doivent venir en premier. Il montre aussi le rôle éminent42 des cycles de
période 3. On discutera ensuite vraiment de ce qui se passe dans la zone en
question. On verra qu’on y trouve entremêlées des valeurs de µ pour lesquelles
on a un cycle attractif et d’autres qui mènent au chaos et on essaiera de
se faire une opinion sur la brûlante question : le chaos est-il accidentel ou
structurel ?

5.1 Le théorème de Sarkovsky

Il s’agit d’un remarquable résultat qui explique l’ordre d’apparition des
points fixes. Nous avons déjà rencontré une partie de ce résultat à propos du
doublement de période.
Dans tout ce qui suit, I désigne un intervalle compact non réduit à un
point.

5.1.1 Variante faible : le rôle des 3-cycles

5.1 Théorème. Soit f : I → I une fonction continue. On suppose que f
admet un point de période 3. Alors, f admet des points périodiques de toutes
les périodes n ∈ N∗ .

La démonstration utilise deux lemmes.

41
En vérité, même si je ne parle pas l’ukrainien couramment, je crois qu’il faudrait écrire
ce nom Sharkovsky, voire Šarkov’skiı̆, mais, je ne sais pourquoi, une intuition subliminale
m’a conduit à l’orthographier ainsi.
42
Qui a conduit Li et Yorke, qui redécouvraient le théorème de Sarkovsky, à ce titre
racoleur et largement inexact : Period three implies chaos.

35
5.1.2 Les lemmes du gourmand et de l’ajusté
5.2 Lemme. (Lemme de l’intervalle gourmand43 ) Soit g : I → I une
fonction continue. On suppose qu’il existe un intervalle [a, b] ⊂ I vérifiant
g([a, b]) ⊃ [a, b]. Alors, g admet un point fixe dans [a, b].
Démonstration. Il existe c, d ∈ [a, b] tels que g(c) = a et g(d) = b. On a alors
g(c) − c ≤ 0 et g(d) − d ≥ 0, de sorte que g(x) − x s’annule entre c et d en
vertu du du théorème des valeurs intermédiaires, donc aussi entre a et b.

1 1

b
d

a c

0 a c db 1 0 ! a' b' " 1

Figure 12: Les lemmes de l’intervalle gourmand et de l’intervalle ajusté

5.3 Lemme. (Lemme de l’intervalle ajusté) Soit f : [a, b] → R une

fonction continue et soit [c, d] un intervalle contenu dans f ([a, b]). Il existe
[a0 , b0 ] ⊂ [a, b] tel que l’on ait f ([a0 , b0 ]) = [c, d].
Démonstration. Soient α, β ∈ [a, b] tels que f (α) = c et f (β) = d et suppo-
sons par exemple c < d et α < β. Soit a0 = sup{x ∈ [α, β] | f (x) = c}. Ce
sup existe car on a f (α) = c et, comme f est continue, donc f −1 ({c}) fermé,
on a f (a0 ) = c. On en déduit a0 < β. On considère alors b0 = inf{x ∈ [a0 , β] |
f (x) = d}. Il existe car on a f (β) = d. On a f (b0 ) = d et a0 < b0 .
Je dis alors que [a0 , b0 ] convient. Il est clair que son image par f contient
[c, d] par le théorème des valeurs intermédiaires. Si on avait, disons, x ∈ [a0 , b0 ]
avec f (x) < c, on aurait a0 < x < b0 et, comme on a f (b0 ) = d > c, il existerait
y entre x et b0 avec f (y) = c. Mais alors, a0 ne serait pas le sup des z tel que
f (z) = c dans [α, β]. De même, si on a x tel que f (x) > d, on trouve un y
entre a0 et x tel que f (y) = d et cela contredit la définition de b0 .
43
Ou encore, de l’intervalle qui a les yeux plus gros que le ventre.

36
5.1.3 Sarkovsky : l’existence d’un cycle d’ordre 2
On suppose qu’on a un 3-cycle a, b, c et, par exemple44 , qu’on a a < b < c
avec f (a) = b, f (b) = c, f (c) = a. Si on pose I0 = [a, b] et I1 = [b, c], on a
f (I0 ) ⊃ I1 et f (I1 ) ⊃ I0 ∪ I1 .

a x d f2(x) b f(x) c

Figure 13: L’intervalle [a, d] s’envoie sur [b, c]. Comme on a f ([b, c]) = [a, c] et
que [a, c] contient [a, d], cet intervalle est gourmand pour f 2 , donc contient
un point fixe pour f 2 .

Montrons déjà l’existence d’un 2-cycle. Le lemme de l’intervalle ajusté

montre qu’il existe un intervalle J ⊂ I0 qui s’envoie exactement sur I1 .
Comme on a f (I1 ) ⊃ I0 ⊃ J, donc f 2 (J) ⊃ J, le lemme de l’intervalle
gourmand montre que J contient un point fixe x pour f 2 . Comme on a x ≤ b
et f (x) ≥ b, ce point n’est pas fixe par f (la seule possibilité serait x = b,
mais b n’est pas fixe).

5.1.4 Le cas général

Soit n un entier > 3 (on pourra penser à n = 5). Il s’agit de montrer que f
admet un n-cycle. On définit par récurrence une suite d’intervalles Ai comme
suit. On pose A0 = I1 = [b, c]. Comme on a f (I1 ) ⊃ I1 , le lemme de l’intervalle
ajusté montre qu’il existe un intervalle A1 ⊂ A0 avec f (A1 ) = A0 = I1 . On
construit ainsi les Ai pour i ≤ n − 2, de telle sorte qu’on ait Ai+1 ⊂ Ai et
f (Ai+1 ) = Ai . On en déduit qu’on a f i (Ai ) = A0 = I1 pour i ≤ n − 2.
Le pas suivant consiste à noter que, comme on a f (I1 ) ⊃ I0 , donc
f (An−2 ) ⊃ I0 , il existe un intervalle An−1 ⊂ An−2 tel que l’on ait f n−1 (An−1 ) =
n−1

44
Il y a un autre cas de figure que le lecteur traitera lui-même.

37
c

a x b f5(x) c

Figure 14: On a des intervalles emboı̂tés : vert ⊂ rose ⊂ orange ⊂ gris ⊂

[b, c] avec f (gris) = [b, c], f (orange) = gris, f (rose) = orange. Comme
f ([b, c] ⊃ [a, b], on a sélectionné vert pour que f 4 (vert) = [a, b]. Alors, on
a : f 5 (vert) = f ([a, b]) ⊃ [b, c] ⊃ vert, donc vert est gourmand pour f 5 et
contient un point fixe.

I0 et donc f n (An−1 ) ⊃ I1 . Comme on a An−1 ⊂ An−2 ⊂ . . . ⊂ A0 = I1 , l’in-

tervalle An−1 est gourmand pour f n , de sorte qu’il existe un point p ∈ An−1
fixe par f n .
Il reste à montrer que p est bien de période n. Sinon, il existe m < n avec
f (p) = p. Considérons le point f n−1 (p). Il est dans I0 . Supposons d’abord
m

qu’il est différent de b. Alors, on a f n−m−1 (p) = f n−m−1 (f m (p)) = f n−1 (p).
Mais, comme on a n − m − 1 ≤ n − 2, l’image de p par f n−m−1 est dans I1
et c’est absurde.
Si on a f n−1 (p) = b, on a f n (p) = f (b) = c = p. Mais, comme n est > 3,
on a n − 2 > 1 et p est dans A1 . On devrait donc avoir a = f (p) ∈ A0 = I1
et c’est absurde.

5.1.5 Le théorème général de Sarkovsky

Il s’agit du résultat suivant :
5.4 Théorème. On considère l’ordre suivant sur les entiers positifs :

3 5 7 9 . . . 2.3 2.5 . . . 22 .3 22 .5 . . . 2n . . . 23 22 2 1.

38
Alors, si une fonction f : I → I admet un point de période n, elle admet des
points de période p pour tous les p ≺ n dans l’ordre de Sarkovsky.

Démonstration. Voir par exemple [Ruette] ou [Devaney].

5.5 Remarque. Voici une description analytique de l’ordre de Sarkovsky.

0
Soient p, p0 , q, q 0 ∈ N, on a 2p (2q + 1) ≺ 2p (2q 0 + 1) dans les cas suivants :
• Si on a q = 0 et q 0 > 0.
• Si on a q = q 0 = 0 et p < p0 .
• Si on a q et q 0 > 0 et p > p0 .
• Si on a p = p0 et 0 < q 0 < q.

Si le théorème de Sarkovsky est un résultat remarquable, il n’épuise pas

les questions combinatoires sur le sujet : par exemple, pour chaque partie co-
finale45 de l’ordre de Sarkovsky, existe-t-il une valeur µ qui admet exactement
cette partie comme ensemble de périodes ?
Voici une conjecture sur ce thème :

5.6 Conjecture. Soit n un entier de la forme 2p (2q + 1) avec q > 0 et soit

αn la borne inférieure des µ ∈ [0, 4] tel qu’il existe un n-cycle pour fµ . Alors,
les αn sont strictement dans l’ordre de Sarkovsky, c’est à dire αn < αn0 si
et seulement si p0 < p ou si p = p0 et 2q 0 + 1 < 2q + 1. Pour p fixé, quand q
tend vers l’infini, la suite décroissante des α2p (2q+1) tend vers une valeur βp
et la suite décroissante des βp tend vers µ∞ .

Le théorème de Sarkovsky donne l’inégalité large αn ≤ αn0 , la décroissance

de α2p (2q+1) par rapport à q (donc sa convergence puisque ce sont des nombres
≥ 0) et la décroissance des βp (donc sa convergence vers β ≥ µ∞ ). La
question non évidente (sur laquelle je ne sais rien) est l’existence d’une zone
non vide entre µ∞ et β où n’existeraient que des 2n -cycles (répulsifs).

5.2 Les points fixes de f 3

Pour les calculs qui suivent, je donne deux versions, l’une avec le polynôme
fµ (x) = µx(1 − x), l’autre, un peu plus simple, avec son conjugué ga (x) =
µ(µ − 2)
x2 − a, avec a = , la conjugaison se faisant par h(x) = −µx + µ/2,
4
voir Annexe 7.3.
45
C’est-à-dire l’ensemble des n ≺ n0 pour un n0 fixé.

39
5.2.1 Le polynôme qui donne les points fixes
5.7 Proposition. Les points fixes de fµ3 non points fixes de fµ sont les ra-
cines du polynôme :

P3,µ (x) = µ6 x6 − µ5 (3µ + 1)x5 + µ4 (µ + 1)(3µ + 1)x4 − µ3 (µ3 + 5µ2 + 3µ + 1)x3

+µ2 (2µ3 + 3µ2 + 3µ + 1)x2 − µ(µ3 + 2µ2 + 2µ + 1)x + µ2 + µ + 1.

Les points fixes de ga3 non points fixes de ga sont les racines de :

Q3,a (x) = x6 +x5 −(3a−1)x4 −(2a−1)x3 +(3a2 −3a+1)x2 +(a2 −2a+1)x−a3 +2a2 −a+1.

Démonstration. Il s’agit de calculer (fµ3 (x) − x)/(fµ (x) − x) afin d’éliminer

les points fixes de f . La Voyage fait très bien ce genre de choses.

5.2.2 Le premier cycle d’ordre 3

5.8 Proposition. La fonction ga admet des points de période 3√pour 7/4 ≤
a ≤ 2. La fonction fµ admet des points de période 3 pour 1 + 8 ≤ µ ≤ 4
46
(et donc aussi des points
√ périodiques de toutes les périodes en vertu de
Sarkovsky). On a 1 + 8 ∼ 3, 82842712475.

Démonstration. Il suffit d’établir le résultat pour ga , l’autre s’obtient par

conjugaison. On commence par noter que, pour a = 0, Q3,0 (x) = x6 + x5 +
x4 + x3 + x2 + x + 1 est le polynôme cyclotomique Φ7 qui n’a pas de racines
réelles. Au contraire, on a vu que f4 admet des points de période 3, donc
aussi g2 . Le polynôme Q, vu comme polynôme en x et a définit une courbe
algébrique C du plan des (x, a) et il s’agit de déterminer sa projection P
sur la partie ≥ 0 de l’axe des a. Cette projection est fermée. En effet, si
on considère la courbe projective C définie par le polynôme homogénéisé
Q(x, a, t), elle est compacte, donc sa projection sur l’axe est fermée. Si un
point a est dans l’adhérence de la projection affine sans être dans la projection
c’est donc qu’il est image d’un point à l’infini. Mais, on voit que C n’a pas
d’autre point à l’infini que x = t = 0, donc pas de tel point correspondant à
une valeur finie de a.
Soit a0 un point frontière de P . Alors, en tout point (x, a0 ) de C, la
tangente est horizontale. Sinon, le théorème des fonctions implicites montre
que l’on peut exprimer a en fonction de x sur C sur un voisinage ouvert de
a0 et a0 est intérieur à P .
46
On voit apparaı̂tre, dans le cas particulier de l’ordre 3, un théorème dû à Douady et
Hubbard (Annales de l’ENS 1985) : lorsque µ augmente, il peut seulement apparaı̂tre de
nouvelles périodes, mais elles ne disparaissent pas.

40
On cherche donc les points de C à tangente horizontale. Pour cela, il faut
éliminer x entre Q et sa dérivée partielle par rapport à a. Je l’ai fait avec
Maple, on obtient un polynôme en a :

−16384a7 + 94208a6 − 208896a4 + 247296a3 + 131712a2 − 48020a + 1680

qui admet une seule racine réelle : 7/4, de multiplicité 3.

Comme P contient 2, le lemme ci-dessous montre alors que la projection
P est l’intervalle [7/4, +∞[.

5.9 Lemme. Un fermé F de R dont la frontière est réduite à un point a est

égal soit à {a}, soit à [a, +∞[ soit à ] − ∞, a].

Démonstration. Si F n’est pas réduit à a, supposons qu’il contienne b > a. Le

point b est alors intérieur à F . Soit G l’ensemble des x > b tels que [b, x] ⊂ F .
Posons d = sup G. Si d est fini, il est dans F (puisque F est fermé), donc
intérieur à F (puisque > a). Mais alors, il y a un intervalle [b, d + ] inclus
dans F et c’est absurde. On raisonne de même à gauche de b pour montrer
que c = inf G est égal à a.

5.10 Exemple. Pour µ = 3, 82843, le polynôme admet 6 racines dans [0, 1]. On
repère facilement que trois d’entre elles forment un 3-cycle attractif (il suffit
de calculer les termes de la suite de point de départ u0 = 0, 5 jusqu’à 1000
et on voit apparaı̂tre ce cycle à 10−7 près). Je les note a1 = 0, 159769931604,
a2 = 0, 513941845577, a3 = 0, 9563633394772.
Les autres sont b1 = 0, 160087452099, b2 = 0, 514768628867 et b3 =
0, 956272485874. Ils forment un cycle répulsif47 .

5.11 Remarques. √ √
1) On peut trouver la valeur µ3 = 1 + 8 = 1 + 2 2 d’une autre manière, si
on a l’intuition de la genèse des 3-cycles. Comme on l’a vu ci-dessus, quand
on est au-delà de la valeur limite µ3 , on a deux cycles d’ordre 3, l’un attractif,
l’autre répulsif. Ce qu’on imagine, c’est que, lorsque µ tend vers µ3 , ces deux
cycles vont se coller en un seul 3-cycle, et comme l’un est répulsif et l’autre
attractif, le 3-cycle limite sera parabolique, i.e. avec une dérivée 1.
Or, si on a un cycle x1 , x2 , x3 , et si on pose P (x) = a(x−x1 )(x−x2 )(x−x3 ),
la dérivée en un quelconque des points du cycle Df 3 (xi ) est :

(2µ)3
µ3 (1 − 2x1 )(1 − 2x2 )(1 − 2x3 ) = P (1/2).
a
47
Il y a au plus un 3-cycle attractif, cf. 5.14.

41
Si les points du 3-cycle sont tous racines doubles de P3,µ , on aura, de même
(Df 3 (xi ))2 = 26 P3,µ (1/2). Si la situation est bien telle qu’on l’envisage, µ3
sera donc racine de l’équation 26 P3,µ (1/2) = 1. Or on a :
µ6 3µ5 µ4 3µ3 µ2 µ
P3,µ (1/2) = − + − − + + +1
64 32 16 8 4 2
√
et on retrouve µ = 1 + 8.
On vérifie effectivement que, pour cette valeur de µ, le polynôme P3,µ (x)
est un carré parfait, précisément, c’est le carré de :
√ √ √ √
(25 + 22 2)x3 − (42 + 35 2)x2 + (21 + 14 2)x − (3 + 2)
comme on le voit en calculant les coefficients de ax3 + bx2 + cx + d de proche
2 3 2
en proche : a = µ3 , b = − µ (3µ+1 , c = µ(3µ+1)(µ+3) , d = µ −7µ16−5µ−5 et pour
2 8 √
que le carré de d soit µ2 + µ + 1 il faut avoir µ = 1 + 2 2.
2) Là encore, les calculs sont beaucoup plus faciles avec la version ga (x) =
x − a. On a ga0 (x) = 2x. Pour un cycle d’ordre 3, x1 , x2 , x3 , formé des racines
2

du polynôme Q(x) = α(x − x1 )(x − x2 )(x − x3 ), la dérivée Df 3 (xi ) vaut

− 8x1 x2 x3 , c’est-à-dire48 − 8Q(0)/α. Si on calcule avec le polynôme Q3,a
(en pensant que c’est un carré pour la valeur limite de a), on a (Df 3 (xi ))2 =
64Q3,a (0) = 64(−a3 + 2a2 − a + 1) et il s’agit de voir quand cette quantité
vaut 1. On a donc l’équation :
−64a3 + 128a2 − 64a + 63 = 0
et on vérifie que 7/4 en est racine (et que c’est la seule).
Dans le cas général, la quantité 64(−a3 + 2a2 − a + 1) est le produit des
deux dérivées correspondant aux deux cycles d’ordre 3. Elle est décroissante,
vaut 1 en a = 7/4, elle passe ensuite par 0, puis − 1 et finit par tendre vers
− ∞.
3) Revenons au paramétrage en µ pour cette discussion. On rappelle que
le produit des deux dérivées en les deux 3-cycles est égal à :
26 P3,µ (1/2) = −µ6 + 6µ5 − 4µ4 − 24µ3 + 16µ2 + 32µ + 64.
On trouve ainsi la valeur µ = 3, 83187405528 qui donne une dérivée nulle et
correspond à un 3-cycle super-attractif et la valeur µ = 3, 83528309011 qui
donne une dérivée − 1 (qui correspond à la limite d’existence49 d’un cycle
attractif).
48
On n’oubliera pas que par la conjugaison, 1/2 s’envoie sur 0.
49
Attention, comme on regarde le produit des deux dérivées, ce qui est clair c’est que si
ce produit est < 1 en valeur absolue il y a un cycle attractif, mais s’il est > 1, on ne peut
pas conclure. D’ailleurs, pour µ = 3, 835228309012, il semble bien qu’il y ait un 3-cycle
attractif.

42
5.3 Les résultats fondamentaux : Jakobson, Graczyk-
Swiatek, Lyubich
Il y a beaucoup de résultats, tous très difficiles50 , qui décrivent le compor-
tement des fµ pour µ voisin de 4. J’en ai choisi trois que j’espère emblématiques.
Les deux premiers, d’une certaine façon, vont en sens inverse, l’un de l’autre :

5.12 Théorème (Jakobson, 1981). L’ensemble C (comme chaotique) des

µ ∈ [3, 4] tels que f admette une dynamique chaotique51 sur l’ intervalle
stable minimum (voir 7.4 et 7.5) est de mesure de Lebesgue positive. Plus
précisément, si λ désigne la mesure de Lebesgue, on a :
λ(C ∩ [4 − , 4])
lim = 1.
→0
Voir [Jakobson].
5.13 Théorème (Hyperbolicité, Grackzyk-Swiatek, Lyubich, 1997).
L’ensemble H (comme hyperbolique) des µ ∈ [3, 4] tels que f admette un
cycle attractif est un ouvert dense.
Voir [Lyubich1] ou [Graczyk-Swiatek1,2] si l’on souhaite se frotter à une
démonstration vraiment difficile.
5.14 Remarques.
1) Que l’ensemble H soit ouvert est clair, mais c’est bien la seule chose.
2) Si f admet un cycle attractif, on montre deux faits complémentaires :
• Il y en a un seul. Cela résulte d’une propriété un peu bizarre (la dérivée
schwarzienne négative), voir [Devaney].
• Pour u0 en dehors d’un ensemble de mesure nulle52 , la suite un+1 =
f (un ) converge vers le cycle attractif.
Enfin, le théorème suivant, qui clôt, pour l’essentiel, la question, affirme
qu’on est – presque – obligatoirement dans l’un ou l’autre de ces cas (voir
[Lyubich3]) :
5.15 Théorème (Lyubich, 2002). Presque tous les µ ∈ [0, 4] correspondent
à une dynamique hyperbolique ou chaotique, autrement dit l’ensemble [0, 4] −
(H ∪ C) est de mesure de Lebesgue nulle.
50
Il y a des controverses de paternité sur les résultats cités et leurs preuves. J’espère ne
pas avoir commis d’impair.
51
Précisément, pour ces valeurs de µ, f admet mesure de probabilité absolument conti-
nue invariante et ergodique, ce qui implique le comportement chaotique.
52
Mais peut-être non dénombrable, voir Li-Yorke ou Devaney.

43
5.16 Remarques.
1) Il est clair qu’on a C ∩ H = ∅ en vertu de 4.9 et Lyubich montre que leur
réunion est “presque” tout. Les résultats ci-dessus ne sont – heureusement –
pas incompatibles. Le théorème d’hyperbolicité dit que H est dense, ce qui
montre que C est d’intérieur vide. Mais on sait bien qu’il y a des ensembles de
Cantor d’intérieur vide et de mesure > 0. Le C doit donc être nécessairement
un ensemble totalement discontinu.
2) Le lecteur se demande peut-être ce qu’il y a hors de C et de H. Pas grand-
chose répond Lyubich. En fait, il se passe des choses plus compliquées avec
notamment des Cantor attractifs, voir [De Melo-Van Strien].
3) C’est ici que la réflexion philosophique sur le chaos devient intéressante
et qu’elle oppose topologues et ergodiciens : un ensemble de mesure > 0,
mais d’intérieur vide peut-il être considéré comme générique ? Je laisse le
lecteur méditer sur cette grave question. Pour ma part, j’aurais tendance
à penser comme les topologues qu’un ensemble générique doit être ouvert
et dense (pour qu’une petite modification du paramètre ne change pas la
dynamique). En ce sens, le chaos serait non générique. Mais d’autres, depuis
Kolmogorov, et notamment des physiciens, mesurent la généricité en termes
de mesures. Je me garderai de prendre une position trop catégorique sur ce
sujet.

5.4 Une approche expérimentale du théorème d’hy-

perbolicité
Dans ce paragraphe, fidèle à certaines de mes prises de position en faveur
d’une approche expérimentale des mathématiques, voir [Perrin], je donne des
indices permettant de comprendre pourquoi le théorème d’hyperbolicité peut
être vrai53 .

5.4.1 L’idée de base

On a déjà rencontré à plusieurs reprises l’idée d’utiliser les itérés du point
critique 1/2 de f pour montrer l’existence de cycles super-attractifs. On part
de la constatation suivante :
53
Le prouver est une autre paire de manches. Les démonstrations publiées, qu’elles soient
de Graczyk-Swiatek ou de Lyubich ont entre cinquante et cent pages dans des revues de
tout premier plan et sont incroyablement difficiles. Je cite l’un des protagonistes reviewant
un papier de l’autre : A simple attempt of going through the statements of the paper named
”theorems”, and presumably representing the main steps of the proof, reveals that most of
them cannot be understood by an expert without extensive reading through earlier parts of
the paper.

44
5.17 Proposition-Définition. On pose Pn (µ) = fµn (1/2) − 1/2. C’est un
polynôme de degré 2n en µ et si µ est une racine de ce polynôme, 1/2 fait
partie d’un n-cycle super-attractif pour fµ .
Démonstration. Le fait que Pn soit un polynôme de degré 2n est immédiat
par récurrence. Si µ annule ce polynôme, on a fµn (1/2) = 1/2, de sorte que
1/2 fait partie d’un cycle d’ordre divisant n. Comme la dérivée de f est nulle
en 1/2, ce cycle est super-attractif (voir 3.2).

5.4.2 Trouver des cycles super-attractifs : les équations

En vertu de 5.17, il suffit, pour trouver des n-cycles super-attractifs de
résoudre l’équation en µ : Pn (µ) = 0. Le problème est que ce polynôme
devient très vite compliqué.
√ Pour n = 2, le calcul est immédiat et il n’y a
que la racine 1 + 5. Le cas n = 3 a été traité en 5.11.3 et on a trouvé une
unique valeur de µ donnant un 3-cycle super-attractif : µ = 3, 83187405528.
La cas n = 4 a été vu en 3.12, le polynôme P4,µ (x) étant alors appelé Qµ .
La résolution de l’équation algébrique Qµ (1/2) = 0 a donné deux valeurs,
la valeur ν4 ∼ 3, 49856169933 de la cascade de Feigenbaum et une autre :
µ = 3, 960270272187. Cela signifie qu’il y a deux √ plages de µ où les 4-cycles
sont attractifs : celle attendue, juste après 1 + 6, avec l’apogée en ν4 , mais
aussi une deuxième zone de super-attractivité54 vers µ = 3, 96.
La méthode directe permet aussi de traiter le cas n = 5. Cependant,
le polynôme P5,µ (x) est assez compliqué (de degré 31 en x et en µ) et la
calculatrice met plusieurs minutes pour résoudre l’équation P5,µ (1/2) = 0.
On trouve trois valeurs :

3, 99029126214, 3, 90577240955; 3, 73874882305.

Pour ces valeurs on a bien des 5-cycles attractifs, qui ne passent pas exacte-
ment par 0, 5 à cause des erreurs d’arrondi et dont la dérivée n’est pas nulle
(mais voisine de 0). Par exemple, pour la deuxième valeur, le cycle passe par
0, 500617 avec une dérivée − 0, 22.
Pour trouver des 7-cycles attractifs, il suffit de modifier un peu la méthode
en rentrant la fonction fµ7 dans la calculatrice et en cherchant un µ tel que
f 7 (1/2) = 1/2 par une méthode de calcul approché (par exemple simplement
un balayage). Par ce procédé, j’ai obtenu ainsi 3, 9221934 < µ < 3, 9221935.
Avec la valeur de gauche, on a un 7-cycle passant presque par 1/2 (il passe
par 0, 499999853047), avec une dérivée 0, 00000048748. Il faut de la patience
54
Dans un premier temps, j’avais cru que les cycles d’ordre 2n n’étaient plus jamais
attractifs après µ∞ . La source – bien imprudente
√ – de cette idée fausse est le cas du
2-cycle, qui cesse d’être attractif pour µ > 1 + 6 et ne le redevient jamais.

45
pour déterminer le bassin d’attraction du cycle. Avec 0, 51 comme u0 , le cycle
est stabilisé au 1000-ième coup, avec u0 = 0, 52 il est stabilisé au 2000-ième.
On trouve aussi, pour µ = 3, 8008, un 8-cycle attractif dont l’un des points
est 0, 936217614607. On vérifie que l’intervalle :

J = [0, 9362176146; 0, 93621761461]

est stable par f 8 et que la dérivée de f 8 sur J est à peu près égale à − 0, 392.

5.4.3 Suites de mixage

Le calcul direct devenant rapidement inextricable, on va utiliser un outil
combinatoire, facile à mettre en évidence sur une calculatrice, qui va per-
mettre de montrer l’existence de valeurs du paramètres admettant des cycles
super-attractifs (mais qui ne donne pas explicitement le paramètre µ). On
pose f = fµ .

5.18 Définition. Soit x ∈ [0, 1]. On appelle itinéraire de x, et on note

S(x), la suite formée des symboles 0, 1 ou C dont le n-ième terme est 0 si
l’on a f n (x) < 1/2, 1 si l’on a f n (x) > 1/2 et C si l’on a f n (x) = 1/2.
Autrement dit, le n-ième terme de la suite est55 [2f n (x)] (sauf si ce nombre
vaut 1 auquel cas c’est C).
On appelle suite de mixage56 l’itinéraire S(f (1/2)) du maximum f (1/2) =
µ/4. On la note K(f ).

5.19 Exemple. Pour µ = 4, on a f (1/2) = 1, f (1) = 0 et f (0) = 0. La

suite de mixage est donc 1, 0, 0, . . . , 0, . . .. Pour µ entre 0 et 2 la suite est
constamment nulle, pour µ entre 2 et 3 elle est constamment égale à 1.

5.4.4 Montrer l’existence de cycles super-attractifs

Le résultat fondamental est le suivant :

5.20 Proposition. Soient α, β vérifiant 3 < α < β < 4. On suppose que les
suites de mixages K(α) et K(β) ne sont pas égales. Alors, il existe µ ∈]α, β[
tel que fµ admette un cycle super-attractif.
55
On note [x] la partie entière de x.
56
On dit kneading sequence en anglais, mixage est ma proposition de traduction, mais
j’ai vu aussi la version “suite de pétrissage” dans une note CRAS de Gillot.

46
Démonstration. Dire que les suites ne sont pas égales c’est dire qu’on a, par
exemple, sn = 0 et tn = 1, ou encore fαn (1/2) < 1/2 et fβn (1/2) > 1/2, soit
Pn (α) < 0 et Pn (β) > 0. On conclut par les valeurs intermédiaires.
5.21 Corollaire. Pour tout nombre premier n ≥ 2 il existe un µ ∈]3, 4[ tel
que fµ admette un n-cycle57 super-attractif.
Démonstration. En effet, on a K(3)n = 1 et K(4)n = 0.
Ce qui précède montre que le théorème cherché est une conséquence du
résultat suivant :
5.22 Théorème. Soient µ∞ < α, β < 4 deux réels58 distincts. Alors on
a K(α) 6= K(β), ou, à défaut, il existe α0 , β 0 ∈ [α, β] qui vérifient cette
condition.
Que cette assertion soit vraie résulte de [Graczyk-Swiatek] (mais c’est
tout à fait non trivial). On peut s’en convaincre expérimentalement59 . Ainsi,
on voit que les suites de mixage K(3, 91) et K(3, 92) diffèrent pour n = 8, de
sorte qu’on doit avoir un point attractif de période 8 pour un paramètre µ
compris entre ces valeurs. Entre 3, 9157863 et 3, 9157864 les suites diffèrent au
26-ème coup. On a donc quelque part un point de période 26 super-attractif
entre les deux60 . Plus près de µ∞ , j’ai fait l’expérience entre 3, 57 et 3, 571 et
ça marche au 49-ième coup.

5.4.5 Un résultat du côté de 4

La méthode élémentaire utilisant la suite de mixage que j’ai indiquée
ci-dessus ne donne certes pas le théorème d’hyperbolicité, mais elle permet
toutefois de montrer le résultat facile suivant. Ce résultat n’est pas évident
a priori, puisqu’on sait par Jakobson que pour µ tendant 4, les valeurs de µ
qui mènent au chaos tendent à être de mesure 1 :
5.23 Proposition. Soit a un réel avec 3 < a < 4. Il existe µ dans l’intervalle
]a, 4[ tel que fµ admette un cycle super-attractif. Autrement dit, il y a des
valeurs de µ arbitrairement proches de 4 pour lesquelles fµ est hyperbolique.
57
Si n n’est pas premier ce cycle est a priori d’ordre diviseur de n seulement.
58
Le résultat est évidemment faux pour α, β < µ∞ .
59
Mais certaines expériences ne sont pas convaincantes. Par exemple, les suites de
mixages de 3, 835 et 3, 836 (resp. 3, 835 et 3, 8355) sont égales jusqu’au terme d’indice
8000 (resp. 40000). On voit que les choses ne sont pas simples.
60
Un calcul par approximation successives montre que µ est voisin de 3, 91578630770274.
Avec cette valeur MuPad donne des valeurs de u500 et u526 qui coı̈ncident jusqu’à la 40-
ième décimale. Cette valeur ne correspond pas tout à fait à un cycle super-attractif, mais
elle en est suffisamment proche pour qu’il y ait un cycle d’ordre 26 attractif.

47
Démonstration. On considère Pn (µ). On a Pn (4) = −1/2 pour n ≥ 2. En
effet, on a f (1/2) = 1, donc f 2 (1/2) = 0 et on reste indéfiniment en 0 :
f n (1/2) = 0 pour n ≥ 2, ou encore Pn (4) = −1/2. S’il existe un n ≥ 2
tel que Pn (a) > 0, il y a une racine µ entre a et 4 et on a gagné. Sinon,
cela signifie que, pour tout n ≥ 2, un = f n (1/2) reste < 1/2. Mais alors la
suite un est croissante et majorée par 1/2, donc converge, ce qui est absurde
puisque les points fixes de f sont 0 et τ > 1/2.

6 Mesures invariantes
Ce paragraphe a pour objectif d’éclairer le lecteur, voire l’auteur lui-même,
sur la formulation des théorèmes affirmant l’existence du chaos, tels qu’on
les trouve dans la littérature. En effet, ces résultats, comme par exemple le
théorème de Jakobson 5.12, sont énoncés le plus souvent en prouvant l’exis-
tence d’une mesure invariante ergodique pour l’application f . Nous allons
voir que cette situation est bien synonyme de chaos. Les résultats de cette
partie seront parfois donnés sous une forme un peu elliptique. On renvoie le
lecteur à [Walters] ou [Halmos] 61 pour toutes précisions.
Dans toute cette section on considère un intervalle compact I et une
application continue f : I → I.

6.1 Introduction
6.1.1 Définitions
Pour le confort du lecteur, donnons quelques définitions dont l’intérêt
n’apparaı̂tra que dans un instant :

6.1 Définition. Soit ν une mesure positive sur l’intervalle I.

1) On dit que ν est une mesure de probabilité si sa masse totale ν(I)
est égale à 1.
2) On dit que ν est absolument continue par rapport (resp. équivalente)
à la mesure de Lebesgue dx si elle est de la forme ν = h(x)dx où h est une
fonction intégrable ≥ 0 (resp. presque partout > 0).
3) On dit que ν est invariante par f si on a, pour tout A mesurable,
ν(A) = ν(f −1 (A)).
4) On dit que ν est ergodique par rapport à f si tout ensemble A qui
vérifie f −1 (A) = A est de mesure 0 ou 1.

61
Le petit livre de Halmos est particulièrement agréable.

48
6.1.2 La problématique : systèmes dynamiques ergodiques
Lorsqu’on étudie les suites récurrentes un+1 = f (un ), en faisant varier
u0 ∈ I, et que leur comportement n’est pas simple, on peut chercher si ces
suites présentent au moins une régularité statistique. L’idée est de regarder si
la suite passe plus fréquemment dans telle ou telle partie de I. Cela conduit
à la définition suivante :

6.2 Définition. (Fréquence de visite) Soit x ∈ I, A ⊂ I et n ∈ N. On

note N (x, A, n) le cardinal de l’ensemble :

{k ∈ N | k < n et f k (x) ∈ A}.

La fréquence F (x, A) de visite de l’orbite de x dans A est la limite du rapport

N (x, A, n)/n quand n tend vers l’infini (si cette limite existe).

Avec cette notion, on peut définir un système dynamique statistique-

ment régulier ou ergodique62 :

6.3 Définition. Soit f : I → I une application continue. On dit que la dy-

namique associée à f est ergodique (ou que f est ergodique) si la fréquence
de visite F (x, A) existe et ne dépend (presque) pas du point de départ x,
c’est-à-dire si, pour A fixé, la fonction x 7→ F (x, A) est presque constante au
sens de la mesure de Lebesgue. On note alors ν(A) cette constante.

6.4 Remarques.
1) La définition précédente signifie bien que le système considéré se comporte
statistiquement de manière régulière : quel que soit le point de départ, ou
presque, le système va visiter aussi souvent chaque partie A de I.
2) Le mot “presque” est essentiel pour se prémunir contre les points qui ont
un comportement particulier. Le lecteur pensera au cas des points périodiques
ou stationnaires du cas µ = 4.
3) Si f n’est pas ergodique c’est qu’il y a plusieurs zones dans I avec des
comportements √ radicalement différents. C’est le cas par exemple de la fonc-
tion f (x) = x sur [−1, 1] pour laquelle f n (x) tend vers 1 si x est > 0 et
3

vers − 1 si x est < 0. On voit aisément que la valeur de F (x, [1/2, 1]) est 1
si x est > 0 et 0 sinon, et inversement pour F (x, [−1, −1/2]). Dans ce cas,
on pourra en général décomposer le système en plusieurs systèmes stables et
ergodiques (comme ici avec x ≥ 0 et x ≤ 0).

62
Cette appellation n’est pas homologuée !

49
6.2 Le lien entre systèmes ergodiques et mesures inva-
riantes : le théorème de Birkhoff
La proposition suivante fait le lien entre la notion de fonction ergodique
et celle de mesure invariante :
6.5 Proposition. On suppose que f est ergodique. Alors, l’application ν
définie en 6.3 est une mesure de probabilité sur I, invariante par f et ergo-
dique.
Démonstration. Montrons déjà que ν est une mesure sur I, de masse totale 1.
En effet, si A et B sont disjoints on a N (x, A∪B, n) = N (x, A, n)+N (x, B, n)
pour tous x et n et on en déduit ν(A ∪ B) = ν(A) + ν(B). De plus, on a
N (x, I, n) = n, donc ν(I) = 1.
Cette mesure est invariante par f . En effet, N (x, f −1 (A), n) est égal à
N (x, A, n + 1) à une unité près et il en résulte ν(f −1 (A)) = ν(A).
Enfin, la mesure est ergodique. En effet, supposons A = f −1 (A) et ν(A) >
0. On a aussi f (A) = A et on voit aussitôt que pour une partie stable A et
un x de A, on a F (x, A) = 1. Comme on a, pour presque tout x de A,
F (x, A) = ν(A), on voit que ν(A) est bien égal à 1.

6.6 Remarques.
1) Si on suppose que presque toutes les suites récurrentes associées à f
convergent vers un même point τ , on obtient pour ν la mesure de Dirac
associée à τ .
2) Si on suppose que presque toutes les suites récurrentes associées à f
convergent vers un cycle attractif d’ordre n on obtient une mesure équirépartie
sur les n points du cycle.
3) Pour le cas chaotique, on a le résultat suivant, qui explique le lien entre
les mesures invariantes et le chaos (voir aussi 6.14).

6.7 Corollaire. Dans la situation de 6.5, si l’on suppose de plus que la

mesure ν est équivalente à la mesure de Lebesgue, la dynamique de f est
chaotique.
Démonstration. Soit J un intervalle non vide contenu dans I. Comme ν est
absolument continue par rapport à la mesure de Lebesgue, on a ν(J) > 0,
donc, pour presque tout x, F (x, J) > 0. Cela implique en particulier que
l’orbite d’un tel x rencontre J. On en déduit l’existence d’orbites denses en
utilisant une base dénombrable d’ intervalles ouverts.
La réciproque de 6.5 est vraie, mais plus difficile. C’est une partie d’un
célèbre théorème de Birkhoff (1932) :

50
6.8 Théorème. (Birkhoff ) On suppose que f admet une mesure de pro-
babilité ν invariante et ergodique. Alors, pour presque tout x ∈ I, F (x, A)
existe et on a F (x, A) = ν(A), autrement dit f est ergodique.

Démonstration. Voir [Halmos] ou [Walters].

6.3 Exemples de mesures invariantes

6.3.1 Un critère
Il est en général très difficile de montrer qu’il existe des mesures inva-
riantes ergodiques. Voici déjà un critère pour l’invariance :

6.9 Proposition.
1) Pour montrer que ν est invariante par f il suffit de montrer la formule
ν(A) = ν(f −1 (A)) lorsque A est un intervalle.
2) On suppose que f est la fonction logistique fµ et que la fonction h vérifie
pour tout x, 2h(x) = h(f (x))|f 0 (x)|. Alors, la mesure ν = h(x)dx est inva-
riante par f .

Démonstration. 1) En effet, on obtient ensuite les boréliens, puis les mesu-

rables.
2) Si J = [a, b] est un intervalle, f −1 (J) est formé de deux intervalles
symétriques par rapport à 1/2, J1 = [c, d] (avec d ≤ 1/2) et J2 . On a donc
ν(f −1 (J)) = ν(J1 ) + ν(J2 ). Sur l’intervalle Jk , f est un C 1 -difféomorphisme
et
R on peut faireR le changement deR variables x = f (t). On obtient ν(J) =
0
J
h(x)dx = J1
h(f (t))|f (t)|dt = h(f (t))|f 0 (t)|dt. Avec la formule 2h(x) =
J2 R
h(f (x))|f 0 (x)|, on en déduit ν(J) = 2 J1 h(t)dt = 2 J2 h(t)dt = J1 h(t)dt +
R R

h(t)dt = ν(f −1 (J)).

R
J2

6.3.2 Un exemple : l’application tente

Rappelons, cf. 4.12, que l’application “tente” est l’application t : [0, 1] →
[0, 1] définie par t(x) = 2x pour 0 ≤ x ≤ 1/2 et t(x) = 2 − 2x pour 1/2 ≤
x ≤ 1. Son intérêt vient du résultat suivant :

6.10 Théorème. La mesure de Lebesgue sur [0, 1] est invariante par l’ap-
plication t et ergodique.

Démonstration. L’invariance est évidente (on prend h(x) = 1 et la formule

2h(x) = h(t(x))|t0 (x)| est vérifiée car on a t0 (x) = ±2 pour tout x). Il reste
à voir l’ergodicité. On considère un ensemble A ⊂ I, mesurable, vérifiant
A = t−1 (A) et il s’agit de montrer qu’il est de mesure 0 ou 1. Soit χ la

51
1

2/3

0 1/2 1

Figure 15: L’application tente

fonction caractéristique de A. Elle vérifie χ(t(x)) = χ(x) pour tout x ∈ I.

On en déduit, avec x = 1, qu’on a χ(1) = χ(0). On peut prolonger χ en une
fonction périodique de période 1 sur R, appartenant à L2 (I). Si l’on montre
que χ est constante presque partout, on a gagné car A ou I − A sera de
mesure nulle.
Montrons que χ vérifie χ(x) = χ(1 − x) pour x ∈ I. En effet, on a
χ(x) = χ(t(x)), χ(1 − x) = χ(t(1 − x)) et le résultat découle de t(x) =
t(1 − x). Notons qu’on en déduit que χ est paire. On a alors, pour tout
x ∈ I, χ(2x) = χ(x). C’est clair pour x ∈ [0, 1/2]. Pour x ∈ [1/2, 1] on a
χ(x) = χ(2 − 2x) = χ(1 − (2 − 2x)) = χ(2x − 1). Comme χ est de période 1,
on a donc χ(x) = χ(2x). Il reste à montrer le lemme suivant :
6.11 Lemme. Soit χ une fonction périodique de période 1, paire, apparte-
nant à L2 (I). On suppose qu’on a, pour tout x, χ(x) = χ(2x). Alors χ est
constante presque partout.
Démonstration. Il suffit de montrer que les coefficients de Fourier χ
b(n) sont
nuls pour n 6= 0. Or, on a :
Z 1 Z 1
2
−2iπnx
χ
b(n) = χ(x)e dx = 2 χ(x)e−2iπnx dx.
0 0
On calcule la première intégrale avec le changement de variable x = 2u. On
R1
b(n) = 2 02 χ(2u)e−4iπnu du et, en tenant compte de l’invariance, on
trouve χ
obtient χb(n) = χb(2n) pour tout n. On en déduit par récurrence χ b(n) =
p p
b(2 n). Lorsque p tend vers + ∞, 2 n tend vers l’infini si n est non nul.
χ
Comme les coefficients de Fourier tendent vers 0 à l’infini en vertu de Parseval,
on en déduit χ
b(n) = 0 pour tout n non nul.

52
6.3.3 Le cas de la fonction logistique pour µ = 4
On a vu en 4.12 que la fonction logistique f4 (x) = 4x(1−x) est conjuguée
de l’application tente. On en déduit le théorème :
6.12 Théorème. On suppose qu’on a I = [0, 1] et f (x) = 4x(1 − x). On
1
pose : h(x) = p .
π x(1 − x)
La fonction h est intégrable, la mesure ν = h(x)dx est absolument continue
par rapport à la mesure de Lebesgue, invariante par f et ergodique.
√
Démonstration. Avec les notations de 4.12, posons ψ(x) = ϕ−1 (x) = π2 Arcsin x.
On vérifie qu’on a ψ 0 (x) = h(x). Si on dérive la formule t ◦ ψ(x) = ψ ◦ f (x) on
obtient : t0 (ψ(x))h(x) = h(f (x))f 0 (x), soit 2h(x) = h(f (x))|f 0 (x)| en prenant
les valeurs absolues. On conclut que la mesure ν est invariante en vertu de
6.9.
Montrons l’ergodicité de ν. Soit A ⊂ I tel que f −1 (A) = A. On en
déduit t−1 (ϕ−1 (A)) = ϕ−1 (A) par conjugaison. Il en résulte que ϕ−1 (A) est
de mesure de Lebesgue nulle en vertu de 6.10, donc aussi A et c’est encore
vrai pour ν qui est absolument continue par rapport à la mesure de Lebesgue.

Notons au passage qu’on retrouve l’identité de 4.23 :

6.13 Proposition. Pour tout x ∈]0, 1[ on a la formule

2n h(x) = h(f n (x))|f 0 (x)||f 0 (f (x))| · · · |f 0 (f n−1 (x)| = h(f n (x))|(f n )0 (x)|.

En particulier, si x est un point de période n on a |(f n )0 (x)| = 2n .

Démonstration. On procède par récurrence à partir de la formule d’inva-
riance. Si x est de période n on a f n (x) = x donc h(x) = h(f n (x)) et on
simplifie par cette quantité (non nulle). (On notera que h n’est pas définie
en 0 et 1.)

6.4 Une mesure invariante et ergodique impose le chaos

Le point essentiel qui fait l’importance de la notion de mesure invariante
ergodique dans la théorie des systèmes dynamiques est le théorème suivant,
qui résulte de 6.7 et du théorème de Birkhoff 6.8, mais que nous montrons
directement ici.
6.14 Proposition. On suppose qu’il existe une mesure de probabilité, µ,
équivalente à la mesure de Lebesgue, invariante par f et ergodique. Alors,

53
l’ensemble R des x ∈ I dont l’orbite O(x) = {f k (x), k ∈ N} est dense dans
I est de mesure 1 (et donc non vide). En particulier, la dynamique de f est
chaotique.
Démonstration. On
\ considère
[ une base dénombrable (Un )n∈N d’ouverts de
−k
I. On pose A = f (Un ). Dire que x est dans R, donc que l’orbite
n∈N k∈N
O(x) est partout dense, c’est dire que tout Un contient un point de O(x)
ou encore qu’il existe k ∈ N tel que f k (x) ∈ Un . C’est exactement la même
chose de dire que x est dans A. On a donc [ R = A et il s’agit de calculer
la mesure de A. Mais, si on pose Vn = f −k (Un ), on a f −1 (Vn ) ⊂ Vn .
k∈N
L’ergodicité de la mesure montre que Vn est de mesure 0 ou 1, voir le lemme
ci-dessous. Comme il contient Un qui est un ouvert non vide, donc de mesure
(de Lebesgue ou invariante, c’est pareil) non nulle, on voit que Vn est de
mesure 1. L’intersection A des Vn est alors aussi de mesure 1 (en effet, si
on appelle Zn le complémentaire de Vn , il est de mesure nulle et il en est de
même de la réunion des Zn ).
6.15 Lemme. On suppose qu’on a une mesure µ invariante et ergodique et
un A tel que f −1 (A) ⊂ A. Alors, on a µ(A) = 0 ou 1.
Démonstration. Posons B = A − f −1 (A). L’ensemble B est l’ensemble des
x ∈ A tels que f (x) /∈ A. Comme la mesure est invariante, on a µ(A) =
µ(f −1 (A)) et donc µ(B) = 0. On considère alors B b = B ∪ f −1 (B) · · · ∪
−k −k
f (B) · · · . Comme la mesure est invariante, les f (B) sont de mesure nulle,
donc aussi B.b On a B b ⊂ A. Je dis que A − B b vérifie f −1 (A − B)
b = A − B. b
Si x est dans A et pas dans B, b il s’agit de voir qu’il en est de même de f (x).
Comme x n’est pas dans B, on a f (x) ∈ A. Si f (x) était dans B b on aurait
k
un k tel que f (f (x)) ∈ B, mais alors x serait dans B. Inversement, si f (x)
b
est dans A − B, b x est dans f −1 (A), donc dans A. S’il était dans B, b de deux
choses l’une. Ou bien x est dans B, mais alors f (x) n’est pas dans A et c’est
absurde. Ou bien il existe k > 0 avec x ∈ f −k (B) donc f k (x) ∈ B. Mais alors
on a f k−1 (f (x)) ∈ B et f (x) ∈ B
b : contradiction.
On en déduit µ(A− B) b = 0 ou 1. Comme on a µ(A) = µ(A− B)+µ( b B)
b =
µ(A − B),
b on a le résultat.

6.5 Un autre exemple de mesure invariante : l’exemple

de Ruelle
6.5.1 L’exemple

54
L’exemple suivant, dû à Ruelle (voir [Ruelle]) est l’un des premiers exemples
de dynamique chaotique pour la fonction logistique fµ avec µ < 4. Le prin-
cipe est le suivant. On cherche pour quel µ le troisième itéré de 1/2 tombe sur
1 µ2 (µ − 4)
le point fixe 1 − . On a f 2 (1/2) = f (µ/4) = et il y a deux façons
µ 16
de tomber sur le point fixe au coup suivant : soit on y tombe tout de suite,
ce qui mène à l’équation µ4 − 4µ3 + 16µ − 16 = 0 = (µ − 2)3 (µ + 2), soit on
tombe sur 1/µ qui s’envoie sur le point fixe au coup suivant. On obtient alors
l’équation µ4 − 4µ3 + 16 = 0 qui admet encore la racine 2 et une autre, racine
de l’équation (µ − 2)2 (µ + 2) = 16. On trouve µ = 3, 67857351043. Ruelle a
montré alors que fµ envoie l’intervalle [1/µ, 1 − 1/µ] sur [1 − 1/µ, µ/4] et que
fµ admet une mesure invariante sur l’intervalle stable minimum (voir Annexe
7.4) [1/µ = f (µ/4), µ/4]. Avec u0 = 0.4, le résultat est spectaculaire.

Figure 16: Le chaos de Ruelle

6.5.2 Un exemple analogue

Il n’est pas évident de prouver que la dynamique de l’exemple de Ruelle
est chaotique, voir [Ruelle]. En revanche on y parvient63 pour une fonction
affine par morceaux telle que f 3 (1/2) est le point fixe :
6.16 Proposition. On considère la fonction f affine par morceaux définie
par f (x) = 2/3 + 2x/3 pour x ≤ 1/2 et f (x) = 2 − 2x pour x ≥ 1/2. Alors,
pour Stout intervalle J ⊂ I non réduit à un point, il existe un entier m tel
que m k
k=0 f (J) = I. L’application f est transitive, donc chaotique (cf. 4.4).

Démonstration. On note ν la mesure de Lebesgue sur I.

63
La preuve de ce résultat m’a été soufflée par Sylvie Ruette.

55
1

2/3

0 1/2 1

Figure 17: La tente de Ruelle

1) Supposons que J =]a, b[ contienne le point fixe 2/3. Tous les intervalles
f n (J) contiennent aussi 2/3. Il suffit de montrer qu’il existe un entier n tel
que f n (J) contient 1 (car le suivant contiendra 0 et leur union sera égale à
I). Comme on a f (3/4) = 1/2 et f (1/2) = 1, il suffit même de montrer qu’un
itéré de J contient 1/2 ou 3/4. Sinon, c’est que tous les f n (J) sont contenus
dans ]1/2, 3/4[. Mais, sur cet intervalle, on a f (x) = 2 − 2x et f multiplie
par 2 les distances. On a donc ν(f n (J)) ≥ 2n ν(J) et cet intervalle ne peut
être inclus dans ]1/2, 3/4[ pour n assez grand.
2) Si l’intervalle J contient 0, ou 1, ou 1/2, la conclusion de la proposition
est encore vraie (car on a f (1/2) = 1, f (1) = 0 et f (0) = 2/3)).
3) On raisonne par l’absurde en supposant qu’il existe un intervalle J de
longueur > 0 qui ne vérifie pas la conclusion de la proposition. Soit l la borne
supérieure des longueurs des contre-exemples. Il existe un contre-exemple J
de longueur λ > 3l/4. Cet intervalle est contenu, soit dans ]0, 1/2[, soit dans
]1/2, 1[. Dans ce deuxième cas, f (J) est de longueur 2λ (car f est affine
de multiplicateur 2 sur l’intervalle). C’est encore un contre-exemple et on a
2λ > 3l/2 > l, ce qui est absurde. Si au contraire J est contenu dans ]0, 1/2[,
f (J) est de longueur 2λ/3, contenu dans ]2/3, 1[ et f 2 (J) est de longueur
4λ/3 et c’est encore un contre-exemple. Mais on a 4λ/3 > l et c’est absurde.

6.17 Remarque. On peut montrer que la fonction logistique de l’exemple de

Ruelle et la fonction f de la proposition précédente sont conjuguées, ce qui
montre que la dynamique de l’exemple de Ruelle est bien chaotique.

56
7 Annexes
7.1 La table de mortalité utilisée par Euler

57
7.2 Mise en équation logistique
Voici la justification adoptée en général pour valider le modèle logistique.
On postule qu’il y a, pour la population pn , une valeur idéale, une valeur
d’équilibre e et que si la population s’écarte de la valeur d’équilibre, elle tend
à y revenir : si pn est > e (resp. < e), on a pn+1 − pn < 0 (resp. > 0) et
le retour de balancier est d’autant plus fort qu’on s’est plus écarté de e. En
pn+1 − pn
termes mathématiques, on postule que le taux d’accroissement est
pn
proportionnel à l’écart pn − e, avec un coefficient < 0 :
pn+1 − pn
= −k(pn − e)
pn
avec k > 064 . Avec le choix opéré ci-dessus on a donc :

pn+1 = (ek + 1)pn − kp2n

et on retrouve une relation de la forme pn+1 = µpn − λp2n comme en 1.5

ci-dessus.

7.3 Conjugaison des fonctions du second degré

Le problème est le suivant : on considère l’ensemble E des fonctions
f (x) = ax2 + bx + c, de degré 2, c’est-à-dire vérifiant a 6= 0. On note f0
le polynôme x2 . Sur cet ensemble, on fait opérer le groupe affine de la droite,
G, formé des applications h(x) = αx+β avec α 6= 0. Il opère sur E par conju-
gaison, donc en posant h.f = hf h−1 . Un argument de dimension montre que
le quotient est de dimension 1. On peut le représenter en utilisant trois types
particuliers de polynômes de degré 2 dépendant d’un paramètre : les po-
lynômes x2 + γ, les polynômes 1 − λx2 avec λ 6= 0 et enfin les polynômes
µx − µx2 avec µ 6= 0. On note respectivement C, L, M les ensembles de ces
polynômes. On a alors le théorème suivant :
7.1 Théorème. L’ensemble quotient E/G est en bijection avec C. Précisé-
ment, si f (x) = ax2 + bx + c est dans E, il existe α, β, γ uniques tels que
2
hf h−1 = g avec g(x) = x2 + γ. On a α = a, β = b/2 et γ = ac + 2b − b4 .
Le polynôme f (x) = −λx2 + 1 est conjugué de x2 − λ par h(x) = − λ1 x,
de sorte que l’ensemble E/G − {f0 } est en bijection avec L.
2
Le polynôme µx − µx2 est conjugué de x2 + µ2 − µ4 par h(x) = −µx + µ2
et les polynômes µx − µx2 et νx − νx2 sont conjugués si et seulement si on
64
On notera que ce n’est pas le seul modèle possible. On aurait pu aussi imposer la
formule pn+1 − pn = −k(pn − e) qui conduit à une suite arithmético-géométrique.

58
a ν = 2 − µ. L’ensemble E/G est en bijection avec le quotient de M par
l’involution µ 7→ 2 − µ, ou encore avec M + = {f ∈ M | µ ≥ 1 }.
Démonstration. C’est facile : on se donne f et on résout en α, β, γ l’équation
hf = gh avec g(x) = x2 + γ. Pour le dernier point on résout µ/2 − µ2 /4 =
ν/2 − ν 2 /4.
7.2 Remarque. En vérité, le paramétrage par x2 + γ doit être plutôt plus
commode. Je n’en veux pour preuve que les valeurs de γ qui correspondent
aux valeurs remarquables de µ : µ = 4 donne γ = −2, µ = 2 donne γ = 0,
µ = 3, correspond à γ = −3/4,
√ et les
√ valeurs de γ : −1, −5/4, −7/4
√ suivantes√
correspondent à µ = 1 + 5, 1 + 6, 1 + 8 = 1 + 2 2.

7.3 Remarque. Le fait que les fonctions fµ , pour µ ≥ 1 ne soient pas deux à
deux conjuguées est l’une des raisons qui fait que la famille logistique est un
exemple particulièrement riche, voir [Lyubich2].

7.4 Intervalles stables

On a vu que l’intervalle I = [0, 1] est stable par fµ . La question est ici
l’existence d’autres intervalles [a, b] stables avec 0 ≤ a < b ≤ 1.
7.4 Proposition.
1) On suppose µ ≤ 1. Les intervalles stables sont les intervalles [0, b] avec
0 < b ≤ 1.
2) On suppose 1 < µ ≤ 2. Les intervalles stables sont les intervalles [a, b]
avec 0 ≤ a ≤ τ ≤ b ≤ 1/2 et les intervalles [a, b] avec b ≥ 1/2, a ≤ τ et
a ≤ µb(1 − b).
3) On suppose 2 < µ ≤ 3. Les intervalles stables sont :
• Les intervalles [a, b] avec 1/2 ≤ a ≤ τ et
r
1 1 µ − 4a
(∗) µa(1 − a) ≤ b ≤ + .
2 2 µ
• Les intervalles [a, b] avec a ≤ 1/2 ≤ τ et
r
µ 1 1 µ − 4a
(∗∗) τ ≤ ≤b≤ + .
4 2 2 µ
√
4) On suppose 3 < µ ≤ 1 + 5. Les intervalles stables sont de deux types :
• Les intervalles [a, b] avec 1/2 ≤ a ≤ x1 ≤ τ où x1 est le plus petit des
points du 2-cycle de f (voir 3.8) et la condition (∗) ci-dessus.

59
• Les intervalles√[a, b] avec a ≤ 1/2 ≤ τ et la condition (∗∗) ci-dessus.
5) On suppose 1 + 5 < µ < 4. Les intervalles stables sont les intervalles
µ µ2 (4 − µ) 1
[a, b] avec a ≤ f = < et la condition (∗∗) ci-dessus. Parmi
4 16 2
µ µ
ces intervalles, le plus petit est f , .
4 4
6) On suppose µ = 4. Le seul intervalle stable est I.

Démonstration. On n’oubliera pas que le maximum de f est atteint en 1/2

et qu’il vaut µ/4. L’image de [a, b] est donc :
• [f (a), f (b)], avec f (a) ≤ f (b), si b est ≤ 1/2,
• [Min (f (a), f (b)), µ/4] si on a a < 1/2 < b,
• [f (b), f (a)] avec f (b) ≤ f (a), si a est ≥ 1/2.
La condition de stabilité est donc, respectivement, la suivante :
• a ≤ f (a) et f (b) ≤ b,
• a ≤ f (a), a ≤ f (b) et µ/4 ≤ b,
• a ≤ f (b) et f (a) ≤ b.
On notera que les conditions a ≤ f (a) et f (b) ≤ b sont nécessaires, dans
tous les cas.
1) Un intervalle stable contient un point fixe, donc ici 0. On a donc a = 0.
Si b est ≤ 1/2 on a f (b) ≤ b, si b est > 1/2, on a b ≥ µ/4 (car on a
µ/4 ≤ 1/4).
Pour µ > 1 on a le point fixe τ = 1 − 1/µ. Si a est non nul, la condition
a ≤ f (a) s’écrit a ≤ τ . La condition f (b) ≤ b s’écrit b ≥ τ .
2) Le cas a ≤ τ ≤ b ≤ 1/2 est évident. Pour l’autre, on a la condition
a ≤ τ et f (b) ≥ a qui donne l’expression annoncée. La condition µ/4 ≤ b est
automatique car on a µ/4 ≤ 1/2.
3) On traduit les conditions ci-dessus.rLe point essentiel est de noter que,
1 1 µ − 4a
pour b ≥ 1/2, la condition b ≤ + équivaut à f (b) ≥ a. On
2 2 µ
notera que pour a ≤ 1/2 donné, il y a toujours des valeurs de b convenables.
Traitons à la fois les points 4) et 5). On vérifie aussitôt qu’il n’y a pas
d’intervalle stable contenu dans [0, 1/2] (sur cet intervalle on a f (x) > x pour
x > 0, ce qui empêche f (b) ≤ b).
Pour les intervalles stables par f contenus dans [1/2, 1] le calcul est le
même qu’en 3) et mène à la même inégalité double. La condition pour que
l’intervalle définissant b soit non vide est f 2 (a) − a ≥ 0 et, pour a ≤ τ , cela
signifie a ≤ x√ 1 , cf. 3.8. Il existe de tels points si et seulement si x1 est ≥ 1/2,
soit µ ≤ 1 + 5.
Enfin, pour le cas a ≤ 1/2 < τ ≤ b, il suffit de traduire les conditions
ci-dessus. La condition pour que l’intervalle de définition de b soit non vide

60
est µ3 − 4µ2 + 16a < 0. C’est la condition imposée en 5). Elle est inutile dans
2 √
4) car on a µ (4−µ)
16
≥ 1/2 pour µ ≤ 1 + 5.
6) Si J est un intervalle stable non réduit à un point, il contient un point
dont l’orbite est dense dans I en vertu de 4.2. On a donc I = J.

7.5 Remarque. La conclusion du point 5) de cette proposition est très impor-

tante. En effet, on voit que pour µ < 4 on a toujours des intervalles stables
J ⊂ I non triviaux. Cela prouve que, sur I tout entier, la dynamique n’est
pas chaotique au sens strict du terme puisque si x est dans J, la suite des
f n (x) reste dans J, donc n’est pas partout dense.
En réalité, toute la dynamique de f se passe dans l’intervalle stable mini-
mum J = [f (µ/4), µ/4]. En effet, pour tout x ∈ I, on vérifie65 que f 2 (x) est
dans J (car on a f (x) ≤ µ/4 et, comme f est décroissante au-delà de µ/4,
f 2 (x) ≥ f (µ/4)).
On voit aussi, pour confirmer ce qui précède, qu’il n’existe pas de mesure
invariante absolument continue sur I tout entier. En effet, on aurait alors
µ(J) = µ(f −2 (J)) = µ(I), d’où µ(I − J) = 0 ce qui est interdit pour une
mesure absolument continue. Bref, s’il y a une mesure invariante c’est sur
J, ce qui confirme que la dynamique est tout entière dans l’intervalle stable
minimum. C’est donc sur cet intervalle stable minimum qu’il faut comprendre
les assertions d’existence de mesure invariante ou de chaos du théorème de
Jakobson par exemple.

7.5 Période des points dans le cas µ = 4

Rappelons (cf. 4.18) que les points u0 ∈ [0, 1] qui sont tels que la suite
kπ
(un ) soit périodique de période ≥ 1 sont les points u0 = sin2 n , avec
2 ±1
n ∈ N∗ et 0 ≤ k ≤ 2n−1 (resp. 0 ≤ k < 2n−1 ) si le signe est + (resp. si le
signe est −).
La question est de savoir si n est la plus petite période du point corres-
pondant. On peut donc supposer n ≥ 2. On note déjà que si k est nul on
a affaire à un point fixe (période 1) et on écarte ce cas. Avec un peu de
patience, le lecteur pourra prouver le résultat suivant :
kπ
7.6 Théorème. Soit n un entier ≥ 2. On pose u+
0 (n, k) = sin
2
avec
2n +1
kπ
0 < k ≤ 2n−1 et u−
0 (n, k) = sin
2
avec 0 < k < 2n−1
2n −1
65
En revanche, f (x) n’y est pas forcément. Exemple : µ = 3, 9, µ/4 = 0, 975, f (µ/4) =
0, 0950625, x = 0, 99, f (x) = 0, 03861, f 2 (x) ∼ 0, 144765.

61
1) Si n est une puissance de 2, u+ 0 (n, k) est un point de période exactement
n pour tout k.
2) Si n est premier, u− 0 (n, k) est un point de période exactement n pour
tout k.
3) Si k et 2n + 1 (resp. 2n − 1) sont premiers entre eux, u+ 0 (n, k) (resp.
−
u0 (n, k)) est un point de période exactement n, sauf dans le cas n = 2, k = 1
où il est de période 1.
4) Si n admet un facteur impair > 1, il existe k tel que u+ 0 (n, k) soit de
0
période < n. Précisément, pour tout facteur impair n de n, distinct de 1,
on pose p = n/n0 , on a alors 2n + 1 = k(2p + 1) et u+ 0 (n, lk) est de période p
p−1
pour l compris entre 1 et 2 .
5) Si n n’est pas premier, il existe k tel que u− 0 (n, k) soit de période < n.
Précisément, si p est un diviseur de n, avec p < n, on a 2n − 1 = k(2p − 1) et
u−
0 (n, lk) est de période p pour 0 < l < 2
p−1
. Si 2p est un diviseur pair de n,
−
n 0 p
on a 2 − 1 = k (2 + 1) et u0 (n, l k ) est de période66 p pour 0 < l0 ≤ 2p−1 .
0 0

8 Références
La bibliographie sur le sujet est monstrueuse : il y a des centaines d’ar-
ticles qui tournent autour des systèmes dynamiques associés à un polynôme
quadratique. J’ai donc dû faire un choix drastique.
[Buzzi] Jérôme Buzzi Chaos et stabilité Le pommier (2005).
[Collet-Eckmann] Pierre Collet et Jean-Pierre Eckmann Iterated maps
on the interval as dynamical systems Progress in Physics, Birkhäuser (1980).

[Collet-Eckmann-Lanford] P. Collet ; J.-P. Eckmann ; O.E. Lanford

III Universal properties of maps on an interval Commun. Math. Phys. 76,
211-254 (1980).
[Coppel] William-A. Coppel Solutions of equations by iteration Pro-
ceedings of the Cambridge Philosophical Society, Vol. 51, 41–43 (1955).
[Cvitanovic] Predrag Cvitanović Universality in Chaos Adam Hilger
Ltd (1984).
[De Melo-Van Strien] Welington de Melo et Sebastian van Strien
One-Dimensional Dynamics Springer Verlag (1993).
[Devaney] Robert L. Devaney An introduction to chaotic dynamical
systems Addison-Wesley (1989).
66
Attention, dans tous les cas on affirme que p est une période, pas qu’elle est la plus
petite. Mais la procédure permet de se ramener au cas des fractions de dénominateurs
2p + 1 ou 2p − 1 plus petits que celui de la fraction initiale.

62
[Euler] Leonhard Euler Recherches generales sur la mortalite et la mul-
tiplication du genre humain Mémoires de l’académie des sciences de Berlin
16, 144-164 (1767) ou Opera Omnia : Series 1, Volume 7, 79 - 100.
[Glass-Mackey] Leon Glass et Michael C. Mackey From clocks to
chaos : The Rhythms of Life Princeton University Press (1988).
[Graczyk-Swiatek1] Jacek Graczyk et Grzegorz Swiatek, Generic hy-
perbolicity in the logistic family Ann. Math. (2) 146, No.1, 1-52 (1997).
[Graczyk-Swiatek2] Jacek Graczyk et Grzegorz Swiatek, The real
Fatou conjecture Annals of Mathematics Studies 144, Princeton University
Press (1998).
[Halmos] Halmos Paul R. Lectures on ergodic theory The mathematical
society of Japan (1956).
[Jakobson] M.V. Jakobson Absolutely continuous invariant measures
for one-parameter families of one-dimensional maps Commun. Math. Phys.
81, 39-88 (1981).
[Langlois-Daude] Patrice Langlois et Éric Daude, Concepts et modélisations
de la diffusion géographique, Revue européenne de géographie, N◦ 364 (2007).

[Lyubich1] Mikhail Lyubich, Dynamics of quadratic polynomials. I, II.

Acta Math. 178, No 2, 185-297 (1997).
[Lyubich2] Mikhail Lyubich The quadratic family as a qualitatively
solvable model of chaos Notices Am. Math. Soc. 47, No 9, 1042-1052 (2000).
[Lyubich3] Mikhail Lyubich, Almost every real quadratic map is either
regular or stochastic Ann. Math. (2) 156, No 1, 1-78 (2002).
[Perrin] Daniel Perrin L’expérimentation en Mathématiques Petit x,
numéro 73 (2007).
[Robinson] Clark Robinson An introduction to dynamical systems CRC
Press, 1995.
[Ruelle] David Ruelle Applications conservant une mesure absolument
continue par rapport à dx sur [0, 1] Commun. math. Phys. 55, 47-51 (1977).
[Ruette] Sylvie Ruette Chaos for continuous interval maps (livre en
projet)
http ://www.math.u-psud.fr/ ruette/
˜
[Walters] Peter Walters An Introduction to Ergodic Theory Springer
Verlag, 1982.

Vous aimerez peut-être aussi

Équation logistique et évolution des populations
Pas encore d'évaluation
Équation logistique et évolution des populations
26 pages
Modèles de Croissance Démographique
100% (1)
Modèles de Croissance Démographique
3 pages
Modelisation
Pas encore d'évaluation
Modelisation
35 pages
Modèle de Malthus et Équations Différentielles
Pas encore d'évaluation
Modèle de Malthus et Équations Différentielles
13 pages
Modèles de dynamique des populations
Pas encore d'évaluation
Modèles de dynamique des populations
27 pages
Modèles de dynamique des populations
100% (1)
Modèles de dynamique des populations
27 pages
Cours1 2 TR
Pas encore d'évaluation
Cours1 2 TR
4 pages
Quels Modeles Discrets Peut Considerer Pour L Etude de L Evolution D Une Population
100% (1)
Quels Modeles Discrets Peut Considerer Pour L Etude de L Evolution D Une Population
5 pages
Taxte Garnd Oral Aths
Pas encore d'évaluation
Taxte Garnd Oral Aths
3 pages
Théorie du chaos et populations animales
Pas encore d'évaluation
Théorie du chaos et populations animales
25 pages
Hakima Houamdi
Pas encore d'évaluation
Hakima Houamdi
2 pages
Introduction aux Équations Différentielles
Pas encore d'évaluation
Introduction aux Équations Différentielles
4 pages
Modèles de dynamique des populations
Pas encore d'évaluation
Modèles de dynamique des populations
37 pages
A Nous La Science #1
Pas encore d'évaluation
A Nous La Science #1
70 pages
Modèles de Croissance en Biologie
Pas encore d'évaluation
Modèles de Croissance en Biologie
9 pages
Math Oral Malthus Et Verhulst
Pas encore d'évaluation
Math Oral Malthus Et Verhulst
2 pages
Modélisation Mathématique des Rythmes
100% (1)
Modélisation Mathématique des Rythmes
20 pages
Entraînement Bac Maths : Suites et Algorithmes
Pas encore d'évaluation
Entraînement Bac Maths : Suites et Algorithmes
22 pages
Sujet Grand Oral Maths
Pas encore d'évaluation
Sujet Grand Oral Maths
4 pages
Grand Oral Maths
50% (2)
Grand Oral Maths
4 pages
Modélisation des Populations Biologiques
Pas encore d'évaluation
Modélisation des Populations Biologiques
16 pages
I. INTRO (50s) : Essai Sur Le Principe de La Population
Pas encore d'évaluation
I. INTRO (50s) : Essai Sur Le Principe de La Population
3 pages
Cours de biomathématiques UGB
Pas encore d'évaluation
Cours de biomathématiques UGB
67 pages
Modèles Dynamiques en Biologie
Pas encore d'évaluation
Modèles Dynamiques en Biologie
8 pages
Modèles Mathématiques de Populations
Pas encore d'évaluation
Modèles Mathématiques de Populations
16 pages
Cours Equa Diff 3
Pas encore d'évaluation
Cours Equa Diff 3
7 pages
Modèles de Croissance et Décroissance
Pas encore d'évaluation
Modèles de Croissance et Décroissance
2 pages
Biomath 2
Pas encore d'évaluation
Biomath 2
20 pages
Équations Lotka-Volterra et Simulations
Pas encore d'évaluation
Équations Lotka-Volterra et Simulations
20 pages
Mathématiques : Réel et Infini en Science
Pas encore d'évaluation
Mathématiques : Réel et Infini en Science
6 pages
Une Introduction Aux Modeles de Dynamiques de Poplulations Structurées en Age Et Aux Probleme de Bifurcations
Pas encore d'évaluation
Une Introduction Aux Modeles de Dynamiques de Poplulations Structurées en Age Et Aux Probleme de Bifurcations
49 pages
Modèles Continus de Dynamique des Populations
Pas encore d'évaluation
Modèles Continus de Dynamique des Populations
6 pages
Modèles démographiques et leur évolution
Pas encore d'évaluation
Modèles démographiques et leur évolution
11 pages
Équations différentielles du premier ordre
Pas encore d'évaluation
Équations différentielles du premier ordre
30 pages
Équations différentielles du premier ordre
Pas encore d'évaluation
Équations différentielles du premier ordre
31 pages
EDO Nice Equations Differentielles
Pas encore d'évaluation
EDO Nice Equations Differentielles
3 pages
Mathématiques pour Modélisation Biologique
Pas encore d'évaluation
Mathématiques pour Modélisation Biologique
51 pages
Modèle démographique en cuniculiculture
Pas encore d'évaluation
Modèle démographique en cuniculiculture
2 pages
Perspectives démographiques et calculs clés
Pas encore d'évaluation
Perspectives démographiques et calculs clés
121 pages
Etude Du Modele de Leslie en Dynamique Des Populations
Pas encore d'évaluation
Etude Du Modele de Leslie en Dynamique Des Populations
43 pages
Quelques Modèles Aléatoires Célèbres Pour Les
Pas encore d'évaluation
Quelques Modèles Aléatoires Célèbres Pour Les
23 pages
DM TS 2024 2025
Pas encore d'évaluation
DM TS 2024 2025
2 pages
Activités Élèves 1 2 3 Et Bilans
Pas encore d'évaluation
Activités Élèves 1 2 3 Et Bilans
5 pages
Grand Oral de Math
Pas encore d'évaluation
Grand Oral de Math
4 pages
Introduction aux Équations Différentielles
Pas encore d'évaluation
Introduction aux Équations Différentielles
45 pages
Introduction aux Équations Différentielles
Pas encore d'évaluation
Introduction aux Équations Différentielles
45 pages
Évaluation des populations et dynamiques
Pas encore d'évaluation
Évaluation des populations et dynamiques
33 pages
Modèles de Leslie en dynamique des populations
Pas encore d'évaluation
Modèles de Leslie en dynamique des populations
12 pages
Activite 3 de Malthus
Pas encore d'évaluation
Activite 3 de Malthus
5 pages
Modéliser L'évolution D'une Population - Les Modèles de Malthus Et Verhulst
Pas encore d'évaluation
Modéliser L'évolution D'une Population - Les Modèles de Malthus Et Verhulst
7 pages
TES - Chap 12 - Correction (P 232 N° 14-18)
Pas encore d'évaluation
TES - Chap 12 - Correction (P 232 N° 14-18)
2 pages
Cours EDO CP2i 2024-2025
Pas encore d'évaluation
Cours EDO CP2i 2024-2025
34 pages
Quelques Modèles Continus
Pas encore d'évaluation
Quelques Modèles Continus
74 pages
Modèle Logistique de Verhulst en Python
Pas encore d'évaluation
Modèle Logistique de Verhulst en Python
3 pages
Processus de Markov à deux types
Pas encore d'évaluation
Processus de Markov à deux types
3 pages
Modèle Kermack-McKendrick et Stabilité Globale
Pas encore d'évaluation
Modèle Kermack-McKendrick et Stabilité Globale
62 pages
Croissance des populations : modèles et lois
Pas encore d'évaluation
Croissance des populations : modèles et lois
6 pages
TDcor MNB
Pas encore d'évaluation
TDcor MNB
169 pages
Systèmes Asservis Linéaires
Pas encore d'évaluation
Systèmes Asservis Linéaires
23 pages
Programme Mathématiques 3e Chine : Thèmes Clés
Pas encore d'évaluation
Programme Mathématiques 3e Chine : Thèmes Clés
2 pages
Epreuve de Mathematiques Partie A: Évaluation Des Ressources (15points)
Pas encore d'évaluation
Epreuve de Mathematiques Partie A: Évaluation Des Ressources (15points)
2 pages
Syllabus MPhO - 17 - 18
Pas encore d'évaluation
Syllabus MPhO - 17 - 18
12 pages
S8 Numeri Racines
Pas encore d'évaluation
S8 Numeri Racines
8 pages
Introduction à la Programmation Linéaire
100% (1)
Introduction à la Programmation Linéaire
16 pages
Équations Différentielles du Second Ordre
Pas encore d'évaluation
Équations Différentielles du Second Ordre
23 pages
Maths Appliquées
Pas encore d'évaluation
Maths Appliquées
12 pages
Résolution numérique d'équations avec Python
Pas encore d'évaluation
Résolution numérique d'équations avec Python
2 pages
KAPENGA
Pas encore d'évaluation
KAPENGA
8 pages
Introduction aux systèmes asservis en automatique
Pas encore d'évaluation
Introduction aux systèmes asservis en automatique
100 pages
SERIE D'EXERCICES-Equations Différentielles
Pas encore d'évaluation
SERIE D'EXERCICES-Equations Différentielles
4 pages
2 - Enonce 1995 SP
Pas encore d'évaluation
2 - Enonce 1995 SP
2 pages
Introduction aux Équations Différentielles
Pas encore d'évaluation
Introduction aux Équations Différentielles
11 pages
Cours Intro Automatique
Pas encore d'évaluation
Cours Intro Automatique
20 pages
Anamaths PDF
80% (5)
Anamaths PDF
34 pages
Correction TD Regulation
100% (1)
Correction TD Regulation
16 pages
Méthode de JacobiI
Pas encore d'évaluation
Méthode de JacobiI
24 pages
Équations Différentielles : Méthodes et Solutions
100% (3)
Équations Différentielles : Méthodes et Solutions
2 pages
Prise en main rapide d'ANSYS Fluent
Pas encore d'évaluation
Prise en main rapide d'ANSYS Fluent
21 pages
Approximation Éléments Finis Inéquations
Pas encore d'évaluation
Approximation Éléments Finis Inéquations
48 pages
Corrigé Mines Physique 1 MP 2007
Pas encore d'évaluation
Corrigé Mines Physique 1 MP 2007
4 pages
Oscillations Forcées et Nombres Complexes
Pas encore d'évaluation
Oscillations Forcées et Nombres Complexes
5 pages
2018 5C Math
Pas encore d'évaluation
2018 5C Math
2 pages
Résolution de problèmes au Cours Moyen
Pas encore d'évaluation
Résolution de problèmes au Cours Moyen
48 pages
Plans D'expériences - Cours 1
100% (1)
Plans D'expériences - Cours 1
32 pages
Concepts de géométrie dans l'espace
Pas encore d'évaluation
Concepts de géométrie dans l'espace
9 pages

Chaos et Modèles Logistiques

Transféré par

Chaos et Modèles Logistiques

Transféré par

La suite logistique et le chaos

À cause du clou, le fer fut perdu.

Je remercie René Cori de m’avoir donné l’occasion de m’intéresser de plus

1.1.2 Euler, Malthus

1.2 Équations différentielles, équations aux différences

1.1 Remarque. J’ai choisi de parler essentiellement ici d’évolution de po-

1.3 Les modèles exponentiels

1.4 Le modèle logistique continu

1.5 Le modèle logistique discret

1.6 Le continu, c’est plus simple que le discret

1.6.1 Côté résolution

1.6.2 Côté dynamique

Figure 2: Alternance de points d’équilibre stable et instable

2 La suite logistique : première exploration

2.1 La fonction f et ses points fixes

2.1.2 Points fixes et convergence : quelques rappels

2.1.3 Les points fixes de f

2.1.4 Tomber sur les points fixes ?

2.3 Remarque. Il y a beaucoup d’autres valeurs qui tombent sur τ , obtenues

2.2 Les cas de convergence : 0 < µ ≤ 3

En réalité, ce résultat est une conséquence évidente du théorème de Cop-

2.2.1 Le cas 0 < µ < 1

Figure 4: La convergence pour µ < 1

Il y a un unique point fixe dans I, le point 0, qui est attractif. Le lecteur

2.5 Théorème. On suppose 0 < µ < 1. Soit u0 ∈ I.

2.6 Lemme. On pose ν = 2 − µ. La fonction f (x) = µx(1 − x) est conjuguée

Figure 5: La convergence pour 1 < µ < 2

2.8 Proposition. Soit u0 ∈]0, 1[. La suite (un ) converge vers τ .

Démonstration. C’est le point le plus délicat. La preuve que nous en donnons

2.9 Remarque. Pour µ = 3, la suite converge vers τ (sauf si u0 est nul) en

3.1 Apparition des 2-cycles : le théorème de Coppel

3.1.2 Le théorème de Coppel

3.5 Remarque. La réciproque de ce résultat est évidemment vraie car, si f

3.7 Corollaire. Soit f : I → I une fonction de classe C 1 . On suppose que

Démonstration. En effet, sinon, toutes les suites récurrentes convergent vers

3.2 Les points fixes de f 2

Figure 7: Les points fixes de f 2

3.8 Proposition. On a f 2 (x) − x = −x(µx − µ + 1)(µ2 x2 − µ(µ + 1)x +

3.2.2 Attractivité des cycles d’ordre 2

3.10 Proposition. On suppose µ ≥ 3. Soit σ l’un quelconque des points fixes

Démonstration. Si σ est l’autre point du cycle, on a (f 2 )0 (σ) = f 0 (σ)f 0 (σ) et

Figure 8: Cas d’un 2-cycle attractif

Figure 9: Les graphes de f , f 2 et f 4

Démonstration. On commence par calculer (avec la calculatrice ou un logiciel

+3µ9 (5µ3 + 10µ2 + µ + 2)x8 − 2µ8 (3µ4 + 15µ3 + 6µ2 + 7µ + 1)x7

µ8 x8 + (−4µ8 + 2µ7 )x7 + (6µ8 − 5µ7 + µ6 )x6 +

(−4µ8 + 3µ7 − 3µ5 )x5 + (µ8 + µ7 − 3µ6 + 9µ5 − 6µ4 )x4 +

3.4 La zone des cycles attractifs d’ordre 2n : 3 < µ < µ∞

Figure 10: La cascade de doublement de périodes

Démonstration. Il n’est pas question de prouver ici le résultat de Feigenbaum.

3.14 Lemme. Soit g une fonction continue définie sur un intervalle de R.

Démonstration. Si g échange a et b avec a 6= b, la fonction g(x)−x change de

3.16 Corollaire. Pour µ < µ∞ , toute suite récurrente associée à f converge

Démonstration. Si on a µn ≤ µ < µn+1 , il n’y a pas de cycle d’ordre 2n+1

4.4 Proposition. Avec les notations précédentes, la dynamique est chao-

4.5 Définition. Soit f : I → I une fonction continue. On dit que f est

Le  est une sorte d’erreur incompressible, à terme, quelle que soit la

4.6 Théorème. Soit f : I → I une fonction continue. On suppose que la

4.7 Remarque. La conjonction des trois propriétés (transitivité, sensibilité,

4.1.3 Le chaos et les cycles

4.9 Proposition. Soit I = [a, b] un intervalle compact et soit f : I → I une

Démonstration. Supposons qu’il existe un point α ∈ I, périodique d’ordre

4.2 Chaos et transitivité pour µ = 4

4.2.1 La remarque fondamentale

(∗) sin2 2θ = f (sin2 θ).

On utilisera cette remarque sous la forme suivante :

4.11 Remarque. Si l’on pose g(θ) = 2θ et h(θ) = sin2 θ, on a h ◦ g = f ◦

En revanche, f est vraiment conjuguée de l’application “tente”, très proche

4.12 Proposition. On considère l’application t : [0, 1] → [0, 1] définie par

Démonstration. Tout repose sur la fabrication d’un nombre magique m de

m = 0, 01 00 01 11 000 001 010 100 011 101 110 111 0000 . . . ,

autrement dit, le nombre obtenu en mettant bout à bout, après la virgule,

On a alors 2N m = b1 . . . bN , a1 . . . an bN +n+1 . . . = p + (0, a1 . . . an bN +n+1 . . .),

2N mπ = pπ + π × (0, a1 . . . an bN +n+1 . . .),

Figure 11: La suite logistique est chaotique pour µ = 4

4.14 Remarque. Il est facile de programmer sur la calculatrice une fonction

Le est une sorte d’erreur incompressible, à terme, quelle que soit la

4.15 Proposition. Soit J =]x − , x + [ un intervalle ouvert contenu dans

Démonstration. On utilise la formule (∗). On écrit x − = sin2 α et x + =