Biologie & Modélisation

TP6 – Modèles continus.

Nicolas Rochette
10 novembre 2010

Table des matières

1 Implémenter les modèles de dynamique des populations dans
2
1.1 Rappels sur la définition des fonctions (cf. TP1) . . . . . . . . . 2
1.2 Modèle de Malthus (exponentiel) . . . . . . . . . . . . . . . . . . 2
1.3 Modèle de Verhulst (logistique) . . . . . . . . . . . . . . . . . . . 3
1.4 Modèle de Gompertz . . . . . . . . . . . . . . . . . . . . . . . . . 3

2 Chroniques 3
2.1 Cas du modèle exponentiel . . . . . . . . . . . . . . . . . . . . . 3
2.2 Cas des modèles logistique et de Gompertz . . . . . . . . . . . . 4

3 Analyse qualitative d’un modèle 4

3.1 Points d’équilibre . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2 Stabilité des équilibres . . . . . . . . . . . . . . . . . . . . . . . . 5
3.3 Portraits de phase . . . . . . . . . . . . . . . . . . . . . . . . . . 5

Biologie & Modélisation 1

Nicolas Rochette
TP06 – Modèles continus.
1 Implémenter les modèles de dynamique des
populations dans
1.1 Rappels sur la définition des fonctions (cf. TP1)
Pour créer une fonction on utilise donc, comme pour les autres objets,
l’opérateur d’assignation <-.

La syntaxe est la suivante (Notez qu’en anglais, fonction s’écrit avec un ’u’ !) :
nom <- function(arguments) {
... code de la fonction ...
return(valeur )
}

Exemple :
mafonction <- function(x) {
y <- x^2
return(y)
}
mafonction(x=3)
[1] 9
mafonction(x=5)
[1] 25

Remarque : ici, x est le nom d’un paramètre, et non un objet.

1.2 Modèle de Malthus (exponentiel)

Dans le modèle de Malthus, le taux de croissance nominal est constant dans
le temps, c’est à dire qu’on a :
dN
= rN
dt
Qui se résoud en :
N (t) = N0 ert
C’est cette dernière équation qu’il faut implémenter : il faut écrire une fonc-
tion qui donne N (t) en fonction de t, N0 et r. On aura donc quelque chose du
type :
malthus <- function(t, N0, r) {
...
return(Nt)
}
À l’intérieur de la fonction, on calcule N (t) :
Nt <- N0 * exp(r*t)
D’où la définition complète du modèle :
malthus <- function(t, N0, r) {
Nt <- N0 * exp(r*t)
return(Nt)
}

Vérifiez que vous avez correctement défini la fonction :

malthus(t=4, N0=100, r=0.3)
[1] 332.0117

Biologie & Modélisation 2

Nicolas Rochette
TP06 – Modèles continus.
1.3 Modèle de Verhulst (logistique)
Le taux de croissance nominal dépend de la taille de la population avec la
relation :
dN N
= rN (1 − )
dt K
La résolution (cf. cours) donne
N0 K
N (t) =
N0 + (K − N0 )e−rt

Exercice. Implémentez le modèle logistique.

Vérification :
logistique(t=4, N0=20, r=0.3, K=100)
[1] 45.35606

1.4 Modèle de Gompertz

La croissance de la population est définie, pour N > 0, par :
dN K
= rN ln
dt N
où ln désigne le logarithme néperien (fonction log() en ).
En résolvant cette équation différentielle on obtient :
N0
·e−rt
N (t) = K · eln K pour N0 > 0

Exercice. Implémentez le modèle de Gompertz.

Vérification :
gompertz(t=4, N0=20, r=0.3, K=100)
[1] 61.5849

2 Chroniques
Les chroniques décrivent l’évolution de la population sous un modèle donné,
pour différentes tailles initiales. Leur tracé permet de représenter graphiquement
un modèle.
offre tous les outils pour réaliser ce graphe facilement, notamment la
fonction curve() qui permet de tracer la courbe d’une fonction.

2.1 Cas du modèle exponentiel

La fonction curve() s’utilise comme ceci :
Pour tracer la courbe d’une fonction selon son paramètre t et pour t ∈ [0, 10],
on écrit :
curve( f(t=x, ...), from=0, to=10)

Biologie & Modélisation 3

Nicolas Rochette
TP06 – Modèles continus.
 Le tracé de la chronique N0 = 20 se fait donc comme ceci :
(On utilise, arbitrairement, un taux ce croissance r = 0.1, pour lequel la
population augmente de 10% par unité de temps.)
curve( malthus(t=x, N0=20, r=0.1), from=0, to=10)

Avec un titre et des légendes, cela donne :

mon_titre <- "Chroniques du modèle de Malthus"
mon_xlab <- "temps"
mon_ylab <- "Taille de la population"
curve( malthus(t=x, N0=20, r=0.1), from=0, to=10,
main=mon_titre, xlab=mon_xlab, ylab=mon_ylab
)

Si l’on veut tracer les chroniques pour N0 = {0, 10, 20, ...100}, il peut être
plus clair de procéder en deux étapes, d’abord créer le cadre du graphique
(plot(NULL, ...)), puis ajouter, avec un boucle for, les chroniques en util-
isant l’option add=TRUE de curve().
N0_possibles = seq(0, 100, by=10)
# On crée le cadre du graphique
plot(NULL, xlim=c(0,10), ylim=c(0,100), main=mon_titre, xlab=mon_xlab, ylab=mon_ylab)
# On trace toutes les chroniques
for(N0 in N0_possibles){
curve( malthus(t=x, N0=N0, r=0.1), from=0, to=10, add=TRUE)
}

Chroniques du modèle de Malthus

100
80
Taille de la population

60
40
20
0

0 2 4 6 8 10

temps

2.2 Cas des modèles logistique et de Gompertz

Exercice. Tracez les chroniques du modèle logistique.

Exercice. Tracez les chroniques du modèle de Gompertz.

3 Analyse qualitative d’un modèle

Cette partie ne nécessite pas d’ordinateur.

Un modèle de dynamique des populations –qui est une description des rôles
des taux de natalité, de mortalité, de la migration des individus, de la pêche,
etc.– est généralement formalisé (“mathématisé”) par une équation différentielle,

Biologie & Modélisation 4

Nicolas Rochette
TP06 – Modèles continus.
laquelle peut se révéler impossible à résoudre analytiquement si le modèle se
complique. Il est alors impossible d’obtenir l’expression de N (t).
L’analyse qualitative permet de connaı̂tre les propriété générales d’un modèle
pour lequel on n’a pas la solution exacte. La manière de procéder a été vue en
cours et l’on va ici la mettre en pratique.

3.1 Points d’équilibre

Question. De quelle propriété des points d’équilibre se sert-on pour les trouver ?
Quel est le sens de cette propriété ?

Modèle logistique
Exercice. Retrouvez, par l’analyse qualitative, le(s) point(s) d’équilibre du
modèle logistique.

Modèle logistique généralisé, avec pêche à effort constant

Le modèle logistique généralisé est formalisé par l’équation :
 θ !
dN N
=r·N · 1− où θ est un réel positif.
dt K

Comparez cette équation avec celle du modèle logistique.

Lorsqu’on ajoute la pêche à effort constant, on obtient :

 θ !
dN N
=r·N · 1− − E · N où E est l’effort de pêche.
dt K

Exercice. Trouvez, par l’analyse qualitative, le(s) point(s) d’équilibre de ce

modèle. Quelle est la condition sur E pour qu’il existe deux points d’équilibre ?

3.2 Stabilité des équilibres

Question. Que doit-on calculer pour savoir si un point d’équilibre est stable ou
non ?

Exercice. Donnez la stabilité de chaque point d’équilibre du modèle logistique.

(L’étude de la stabilité des points d’équilibre du modèle logistique généralisé

avec pêche n’est pas demandée.)

3.3 Portraits de phase

Rappel : le portrait de phase d’un système dynamique indique les points
singuliers du système et le sens de variation de la variable étudiée de part et
d’autre des points d’équilibre. (voir cours)

Biologie & Modélisation 5

Nicolas Rochette
TP06 – Modèles continus.
Modèle logistique
Exercice. Dessinez le portrait de phase du modèle logistique.

Modèle logistique, avec pêche par quota

(pour ce paragraphe, aucun calcul n’est nécessaire.)
On considère l’exemple du modèle logistique avec pêche par quota, vu en
cours, et l’on se place dans le cas (∆ > 0) ou il y a trois points d’équilibre 0,
N0? et N1? avec 0 < N0? < N1? .

En outre, on peut montrer les relations suivantes :

dṄ dṄ
>0 et <0
dN dN
N0? N1?

Exercice. En utilisant ces résultats et sans calcul, donnez les stabilités des
points d’équilibre N0? et N1? .

Exercice. On admet que le point d’équilibre 0 est stable. Dessinez alors le

portrait de phase du modèle.

Biologie & Modélisation 6

Nicolas Rochette
TP06 – Modèles continus.