Résumé de cours

Modélisation mathématique

Licence Mathématiques et Physique

Université THOMAS SANKARA — Année 2024-2025

Contenu du document

— Équations différentielles scalaires et modèles de population

— Systèmes dynamiques 2D : linéarisation, stabilité, portraits de phase
— Systèmes dynamiques discrets
— Modèles économiques (monopole, duopole de Cournot)
— Méthodes de calcul et astuces de résolution

Document rédigé pour accompagner les 17 exercices du TD de modélisation.

Version corrigée et enrichie — Mai 2025
Résumé de cours — Modélisation mathématique Licence MP

Table des matières

1 Équations différentielles scalaires et modèles de population 2

1.1 Modèle exponentiel (Malthus) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Modèle logistique (Verhulst) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Modèle de Gompertz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Modèle SIS (épidémiologie) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5 Modèle avec pêche (prélèvement proportionnel) . . . . . . . . . . . . . . . . . . . 4
1.6 Analyse qualitative d’une EDO scalaire y ′ = f (y) . . . . . . . . . . . . . . . . . . 4

2 Systèmes de deux équations différentielles 5

2.1 Linéarisation et classification des équilibres . . . . . . . . . . . . . . . . . . . . . 5
2.2 Nullclines et portrait de phase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3 Modèle proie-prédateur (Lotka-Volterra) . . . . . . . . . . . . . . . . . . . . . . . 6
2.4 Modèle de compétition interspécifique . . . . . . . . . . . . . . . . . . . . . . . . 7
2.5 Système avec rotation (type Exercice 2) . . . . . . . . . . . . . . . . . . . . . . . 7
2.6 Compléments théoriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

3 Systèmes dynamiques discrets 8

4 Modèles économiques 8
4.1 Monopole simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4.2 Monopole multi-usines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4.3 Discrimination par les prix (3e degré) . . . . . . . . . . . . . . . . . . . . . . . . . 9
4.4 Duopole de Cournot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

5 Méthodes de calcul et astuces 10

5.1 Résolution de l’équation logistique par changement de variable . . . . . . . . . . 10
5.2 Estimation de la capacité limite à partir de données . . . . . . . . . . . . . . . . 10
5.3 Coordonnées polaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
5.4 Tableau récapitulatif des modèles de population . . . . . . . . . . . . . . . . . . . 11

1
Résumé de cours — Modélisation mathématique Licence MP

1 Équations différentielles scalaires et modèles de population

1.1 Modèle exponentiel (Malthus)

Définition 1.1: Équation de Malthus

La croissance d’une population N (t) sans contrainte de ressources est modélisée par :

dN
= rN (t), r ∈ R.
dt

Proposition 1.1: Solution et propriétés

Avec la condition initiale N (0) = N0 :
— Solution explicite : N (t) = N0 ert .
— Si r > 0 : croissance exponentielle illimitée, limt→+∞ N (t) = +∞.
— Si r < 0 : décroissance exponentielle vers l’extinction, limt→+∞ N (t) = 0.
ln 2
— Temps de doublement (si r > 0) : t2 = .
r

Exemple 1.1: Exercice 12 — Projections démographiques

Application directe : taux de natalité n, taux de mortalité m, alors r = n − m (en pour mille).
La population à l’instant t est N (t) = N0 ert .

1.2 Modèle logistique (Verhulst)

Définition 1.2: Équation logistique

La croissance logistique introduit une capacité biotique K :
 
dN N
= rN 1 − , r > 0, K > 0.
dt K

Proposition 1.2: Points d’équilibre et stabilité

— N ∗ = 0 : équilibre instable (répulsif) si r > 0.
— N ∗ = K : équilibre stable (attractif).
— Solution explicite avec N (0) = N0 :

KN0
N (t) = .
N0 + (K − N0 )e−rt

Méthode 1.1: Temps de passage

Le temps nécessaire pour passer de N1 à N2 (avec 0 < N1 < N2 < K) est :
 
1 N2 (K − N1 )
t = ln
r N1 (K − N2 )

Application : Exercice 1, question 4.

2
Résumé de cours — Modélisation mathématique Licence MP

Proposition 1.3: Propriétés qualitatives

N′
 
N
— Taux de croissance per capita : =r 1− −−−→ 0.
N K t→∞
— Point d’inflexion de la courbe N (t) en N = K/2 (croissance maximale).
— limt→+∞ N (t) = K : la population se stabilise autour de la capacité biotique.

Attention 1.1: Comportement selon la condition initiale

— Si 0 < N0 < K : croissance sigmoïde vers K.
— Si N0 > K : décroissance vers K.
— Si N0 = K : équilibre stationnaire.
— Si N0 = 0 : extinction (équilibre instable).
Application : Exercice 1, questions 7 et 8.

1.3 Modèle de Gompertz

Définition 1.3: Équation de Gompertz

dy y
= −αy ln , α > 0, K > 0.
dt K

Proposition 1.4: Solution et propriétés

— Points d’équilibre : y = 0 (instable) et y = K (stable).
 
y(0) −αt
— Solution explicite : y(t) = K exp ln e .
K
— Point d’inflexion en y = K/e (plus précoce que la logistique où il est en K/2).
— La croissance est asymétrique : rapide au début, ralentissement progressif.

Exemple 1.2: Exercice 7 — Comparaison avec la logistique

Le modèle de Gompertz est pertinent pour des populations où le freinage de croissance s’opère
très tôt (tumeurs, certaines populations animales).

1.4 Modèle SIS (épidémiologie)

Définition 1.4: Équation SIS

Soit N constant la population totale et y(t) le nombre d’infectés. Le modèle SIS s’écrit :

dy
= (αN − β)y − αy 2 ,
dt
où α > 0 est le taux de transmission et β > 0 le taux de guérison.

Proposition 1.5: Forme logistique et nombre de reproduction

dy  y
C’est une équation logistique = ry 1 − avec :
dt K
αN − β β
r = αN − β, K= =N− .
α α

3
Résumé de cours — Modélisation mathématique Licence MP

Le nombre de reproduction de base est :

αN
R0 =
β

— Si R0 < 1 (αN < β) : y = 0 est stable, l’infection s’éteint.

— Si R0 > 1 (αN > β) : l’équilibre endémique y ∗ = K est stable.

Exemple 1.3: Exercice 15 — Estimation de la population

À partir des données et de la valeur asymptotique K, on identifie N = K + β/α.

1.5 Modèle avec pêche (prélèvement proportionnel)

Définition 1.5: Logistique avec effort de pêche

 
dN N
= rN 1 − − EN, E > 0.
dt K

Proposition 1.6: Équilibres et stabilité

— N ∗ = 0 : toujours stable si E > r (extinction), instable si E < r.
 
E
— N∗ = K 1 − : existe et est stable ssi E < r.
r

Proposition 1.7: Rendement équilibré

 
E
Le rendement à l’équilibre est Y = EN ∗ = EK 1 − . Il est maximal pour :
r

r rK
Eopt = , Ymax =
2 4

Application : Exercice 11, question 5.

Attention 1.2: Seuil critique

Si E ≥ r, la population s’effondre vers 0 (extinction). C’est une bifurcation de transcritique
en E = r.

1.6 Analyse qualitative d’une EDO scalaire y ′ = f (y)

Méthode 1.2: Méthode systématique
1. Équilibres : résoudre f (y ∗ ) = 0.
2. Stabilité linéaire : calculer f ′ (y ∗ ).
— f ′ (y ∗ ) < 0 : stable (attractif)
— f ′ (y ∗ ) > 0 : instable (répulsif)
— f ′ (y ∗ ) = 0 : cas inconclusif
3. Si f ′ (y ∗ ) = 0 : étudier le signe de f (y) au voisinage de y ∗ .
— f (y) > 0 à gauche et f (y) < 0 à droite : stable
— f (y) < 0 à gauche et f (y) > 0 à droite : instable

4
Résumé de cours — Modélisation mathématique Licence MP

— même signe des deux côtés : semi-stable

4. Portrait de phase : droite réelle avec flèches indiquant le sens de variation.

Exemple 1.4: Exercice 6 — x′ = x2 (1 − Kx)

Équilibres : 0 et 1/K. On a f (x) = x2 (1 − Kx), donc f ′ (0) = 0 (cas limite). Étude du signe :
— Pour x < 0 : f (x) > 0 (croissance vers 0)
— Pour 0 < x < 1/K : f (x) > 0 (croissance vers 1/K)
Donc 0 est semi-stable (attractif à gauche, répulsif à droite). L’équilibre 1/K est stable car
f ′ (1/K) = −1/K < 0.

Définition 1.6: Bassin d’attraction

Le bassin d’attraction d’un équilibre stable y ∗ est l’ensemble des conditions initiales y0 telles
que limt→+∞ y(t) = y ∗ .

2 Systèmes de deux équations différentielles

2.1 Linéarisation et classification des équilibres

Définition 2.1: Matrice jacobienne

Pour le système x′ = F(x) avec x = (x, y) et F = (F, G), la matrice jacobienne en un point
(x, y) est :
 ∂F ∂F 
 ∂x ∂y 
J(x, y) =  ∂G ∂G 
∂x ∂y

Méthode 2.1: Classification par les valeurs propres

En un équilibre x∗ , on calcule les valeurs propres λ1 , λ2 de J(x∗ ) :

Nature des λ Type d’équilibre

Réelles, λ1 < λ2 < 0 Nœud stable (attractif)

Réelles, 0 < λ1 < λ2 Nœud instable (répulsif)
Réelles, λ1 < 0 < λ2 Point selle (instable)
Complexes, ℜ(λ) < 0 Foyer stable (spirale attractif)
Complexes, ℜ(λ) > 0 Foyer instable (spirale répulsif)
Complexes, ℜ(λ) = 0 Centre (stabilité indéterminée par
linéarisation)

Attention 2.1: Cas des centres

Lorsque ℜ(λ) = 0 (valeurs propres imaginaires pures), la linéarisation ne permet pas de
conclure sur la stabilité. Il faut alors :
— Chercher une intégrale première H(x, y) = cste (conservation d’énergie).
— Utiliser une fonction de Lyapunov.

5
Résumé de cours — Modélisation mathématique Licence MP

2.2 Nullclines et portrait de phase

Définition 2.2: Nullclines

— x-nullcline : courbe où x′ = 0 (tangentes verticales aux trajectoires).
— y-nullcline : courbe où y ′ = 0 (tangentes horizontales aux trajectoires).
Les équilibres sont les intersections des nullclines.

Méthode 2.2: Esquisse d’un portrait de phase

1. Tracer les nullclines et repérer les équilibres.
2. Déterminer le signe de x′ et y ′ dans chaque région.
3. Placer les flèches directrices (sens du champ de vecteurs).
4. Classifier chaque équilibre (jacobienne).
5. Esquisser quelques trajectoires typiques en respectant les équilibres et les nullclines.

Proposition 2.1: Théorème de Poincaré–Bendixson

Dans un système 2D autonome, si une trajectoire reste dans une région compacte, bornée,
sans équilibre, alors elle s’approche d’un cycle limite (trajectoire fermée isolée).
Application : Exercice 2 — existence du cycle limite ρ = 1.

2.3 Modèle proie-prédateur (Lotka-Volterra)

Définition 2.3: Système de Lotka-Volterra


x′ = (a − by)x
a, b, c, d > 0.
y ′ = (cx − d)y

Proposition 2.2: Équilibres et propriétés

— (0, 0) : point selle (instable).
 
d a
— , : centre (non asymptotiquement stable).
c b
— Axes invariants : si x(0) = 0 alors x(t) = 0 pour tout t ; idem pour y.
— Intégrale première : H(x, y) = cx − d ln x + by − a ln y = cste.
— Les trajectoires sont des courbes fermées autour de dc , ab : oscillations périodiques.

Exemple 2.1: Exercice 5

L’invariance des axes se montre en vérifiant que x′ = 0 lorsque x = 0 (et idem pour y).
dH
L’intégrale première se vérifie en calculant = 0 le long des solutions.
dt

6
Résumé de cours — Modélisation mathématique Licence MP

2.4 Modèle de compétition interspécifique

Définition 2.4: Système de compétition


x′ = x(r1 − a11 x − a12 y)
y ′ = y(r2 − a21 x − a22 y)

Proposition 2.3: Issues possibles

Selon les paramètres et la position relative des nullclines (droites) :
— Coexistence stable : les deux espèces survivent.
— Exclusion compétitive : une espèce domine et l’autre s’éteint (selon la condition ini-
tiale).
— Exclusion inconditionnelle : une espèce s’éteint quelle que soit la C.I.
Application : Exercice 4 — lapins et moutons avec x′ = x(3 − x − 2y), y ′ = y(2 − x − y).

2.5 Système avec rotation (type Exercice 2)

Méthode 2.3: Passage en coordonnées polaires

Pour les systèmes où x2 + y 2 apparaît naturellement, poser :

x = ρ cos θ, y = ρ sin θ, ρ2 = x2 + y 2 .

On dérive ρ2 = x2 + y 2 pour obtenir ρ′ , et tan θ = y/x pour θ′ .

Exemple 2.2: Exercice 2 — Système avec rotation

Pour 
x′ = x[1 − (x2 + y 2 )] + y
y ′ = −x + y[1 − (x2 + y 2 )]

en polaires on obtient :
ρ′ = ρ(1 − ρ2 ), θ′ = −1.
— Pour 0 < ρ < 1 : ρ′ > 0 (spirale sortante).
— Pour ρ > 1 : ρ′ < 0 (spirale rentrante).
— ρ = 1 : cycle limite stable (attractif).
— ρ = 0 (origine) : foyer instable (répulsif).

2.6 Compléments théoriques

Définition 2.5: Variétés stable et instable

En un point selle, il existe :
— Une variété stable W s : courbe le long de laquelle les trajectoires convergent vers le
point selle.
— Une variété instable W u : courbe le long de laquelle les trajectoires s’éloignent du point
selle.
Ces courbes sont tangentes aux vecteurs propres de la jacobienne.

7
Résumé de cours — Modélisation mathématique Licence MP

Définition 2.6: Fonction de Lyapunov

Une fonction V : R2 → R de classe C 1 est une fonction de Lyapunov pour un équilibre x∗ si :
1. V (x∗ ) = 0 et V (x) > 0 pour x ̸= x∗ (définie positive).
dV
2. = ∇V · F ≤ 0 le long des trajectoires (décroissante).
dt
dV
Si < 0 (définie négative), l’équilibre est asymptotiquement stable.
dt

3 Systèmes dynamiques discrets

Définition 3.1: Suite récurrente
On étudie un+1 = f (un ) où f est continue sur un intervalle I.

Définition 3.2: Point fixe

u∗ est un point fixe si f (u∗ ) = u∗ .

Proposition 3.1: Stabilité locale

Soit u∗ un point fixe et f dérivable en u∗ :
— |f ′ (u∗ )| < 1 : point fixe attractif (localement stable).
— |f ′ (u∗ )| > 1 : point fixe répulsif (instable).
— |f ′ (u∗ )| = 1 : cas limite (analyse plus poussée nécessaire).

Méthode 3.1: Méthode d’étude d’une suite récurrente

1. Étudier f : variations, bornes, points fixes sur I.
2. Stabilité globale : si f (I) ⊂ I et u0 ∈ I, la suite reste dans I.
3. Monotonie : si f croissante et u1 > u0 (ou <), la suite est monotone.
4. Convergence : si monotone et bornée, convergence vers un point fixe.
5. Limite : résoudre f (ℓ) = ℓ.

Exemple 3.1: Exercice 13 — Suite logistique discrète

f (x) = x − 0,1x2 sur [0, 1], avec T0 = 0,9.
— f croissante sur [0, 1] (dérivée f ′ (x) = 1 − 0,2x > 0).
— f ([0, 1]) = [0, 0,9] ⊂ [0, 1].
— Par récurrence : 0 ≤ Tn+1 ≤ Tn ≤ 1 (suite décroissante minorée).
— Convergence vers ℓ = 0 (unique point fixe dans [0, 1]).

4 Modèles économiques

8
Résumé de cours — Modélisation mathématique Licence MP

4.1 Monopole simple

Définition 4.1: Profit et optimum

— Coût total : CT (q)
— Demande inverse : p(q) (prix en fonction de la quantité)
— Recette totale : RT (q) = p(q) · q
— Profit : π(q) = RT (q) − CT (q)

Proposition 4.1: Condition d’optimalité

Le monopole maximise son profit en produisant la quantité q ∗ telle que :

Rm(q ∗ ) = Cm(q ∗ )

dRT dCT
où Rm = est la recette marginale et Cm = le coût marginal.
dq dq

4.2 Monopole multi-usines

Proposition 4.2: Allocation optimale

Pour un monopole avec deux usines (coûts CT1 (q1 ), CT2 (q2 )), la production totale q = q1 +q2
est optimale si :
Rm(q) = Cm1 (q1 ) = Cm2 (q2 )
Application : Exercice 9.

4.3 Discrimination par les prix (3e degré)

Proposition 4.3: Conditions d’optimalité

Avec deux sous-marchés de demandes inverses p1 (q1 ) et p2 (q2 ) :

Rm1 (q1 ) = Rm2 (q2 ) = Cm(q1 + q2 )

Attention 4.1: Inversion des demandes

Si la demande est donnée sous la forme q = D(p), il faut d’abord inverser pour obtenir p(q)
avant de calculer la recette marginale.
5
Exercice 8 : q1 = 12 − p = 12 − 0,25p ⇒ p1 = 48 − 4q1 .
20

4.4 Duopole de Cournot

Définition 4.2: Jeu de Cournot

Deux firmes choisissent simultanément leurs quantités q1 , q2 . La demande inverse est p =
a − b(q1 + q2 ).

Proposition 4.4: Fonction de réaction

La firme 1 maximise π1 = [a − b(q1 + q2 )]q1 − CT1 (q1 ) en prenant q2 comme donnée. La CPO
donne :
q1 = f1 (q2 )

9
Résumé de cours — Modélisation mathématique Licence MP

appelée courbe de réaction (meilleure réponse) de la firme 1.

Proposition 4.5: Équilibre de Cournot

L’équilibre (q1∗ , q2∗ ) est l’intersection des courbes de réaction :

q ∗ = f1 (q ∗ )
1 2
q ∗ = f2 (q ∗ )
2 1

Application : Exercices 10, 14, 17.

Proposition 4.6: Concurrence pure et parfaite (référence)

En concurrence parfaite, chaque firme est price-taker et produit où p = Cmi (qi ). L’offre totale
égale la demande au prix d’équilibre. Application : Exercice 10, question 1.

5 Méthodes de calcul et astuces

5.1 Résolution de l’équation logistique par changement de variable

Méthode 5.1: Changement g = 1/p

Pour p′ = ap(m − p) (équivalent à la logistique avec r = am et K = m) :
1
1. Poser g(t) = .
p(t)
p′ ap(m − p)
2. Alors g ′ = − 2 = − = −amg + a.
p p2
3. On obtient l’équation linéaire : g ′ + am g = a.
1
4. Solution : g(t) = + λe−amt .
m
m m − p(0)
5. Retour à p : p(t) = −amt
avec λ = .
1 + λe p(0)
Application : Exercice 16.

5.2 Estimation de la capacité limite à partir de données

Proposition 5.1: Point d’inflexion

Pour une courbe logistique, le point d’inflexion (croissance maximale) se situe à :

K
N=
2

Si les données montrent un ralentissement symétrique de la croissance autour d’une valeur

Ninf , on estime K ≈ 2Ninf .

Exemple 5.1: Exercice 16 — Estimation de m

Le tableau de valeurs autour de t = 3 montre une accélération puis un ralentissement. Le
maximum de p′ (inflexion) donne une estimation de m/2.

10
Résumé de cours — Modélisation mathématique Licence MP

5.3 Coordonnées polaires

Méthode 5.2: Passage systématique

Pour x′ = xf (x2 + y 2 ) + yg(x2 + y 2 ) et y ′ = −xg(x2 + y 2 ) + yf (x2 + y 2 ) :
— ρ′ = ρf (ρ2 )
— θ′ = −g(ρ2 )
Cela découle de ρρ′ = xx′ + yy ′ et ρ2 θ′ = xy ′ − yx′ .

5.4 Tableau récapitulatif des modèles de population

Modèle Équation Comportement

Malthus
N ′ = rN Croissance illimitée N ′ = rN (1 − N/K)
Verhulst
Saturation à K y ′ = −αy ln(y/K) Saturation asymétrique
Gompertz Avec pêche
N ′ = rN (1 − Extinction si E ≥ r y ′ = (αN − β)y − αy 2
N/K) − EN SIS
Seuil R0 = αN/β

Ce résumé couvre l’ensemble des notions nécessaires aux 17 exercices du TD de modélisation.

11