Sommaire

Marche aléatoire sur un graphe et Algorithme de Page rank 1–9

Urnes et particules 10–14

Gestion de stock avec demande aléatoire 15–19

Propagation d’un virus 20–23

Comportement asymptotique d’une famille de solutions d’équations différentielles 24–29

File d’attente d’un guichet 30–34

Les textes de modélisation et calcul scientifique. Session 2024 Écoulement en milieux poreux 35–40

Résonance paramétrique d’un pendule 41–46

Évolution d’une population 47–52

Pouls Sanguin 53–58

Configuration géométrique des atomes 59–64

Position optimale d’une charge suspendue 65–70

Interpolation et krigeage 71–76

Modèle économique de Leontieff 77–82

Modélisation probabiliste de l’évolution temporelle du capital d’un casino 83–88

Algorithmes aléatoires pour recherche et classement dans une liste de nombres 89–94

Étude qualitative d’un modèle de battement du cœur 95–101

Propagation de l’influx nerveux dans un neurone 102–107

Modèle de transport diffusion réaction d’anticorps dans une tumeur 108–113

Évolution du front consumé d’une flamme 114–119

Modélisation mathématique de dépollution de lac 120–125

Optimisation de réseaux d’antennes 126–131

Résolution numérique de systèmes linéaires par chaînes de Markov 132–136

Problème de contrôle et transfert de chaleur dans un tube 137–142

Analyse mathématique du phénomène de conduction thermique dans une barre métallique 143–148

Modélisation d’une chaîne d’AND 149–154

Stratégies de gestion de portefeuille d’investisseur à travers l’optimisation de ses placements 155–161

Modélisation et simulation de l’évolution d’un réacteur biologique 162–167

Modélisation de l’impact de la publicité sur une population de consommateurs 168–173

5
Modélisation de l’action d’un médicament sous forme d’un problème à retard 174–179
 Agrégation Marocaine Session Juin 2024

AgrégationùmarocaineùdeùMathématiques,ùsessionù2024 4
Épreuve de modélisation et Calcul Scientifique

2 3

Le jury n’exige pas une compréhension exhaustive du texte. Vous êtes libres d’organiser votre discussion F IGURE 1 – graphe 1 : Marche aléatoire sur un tétraèdre
comme vous l’entendez. Des suggestions de développement, largement indépendantes les unes des autres, vous
sont proposées en fin de texte. Ce ne sont que des suggestions et vous n’êtes pas tenu(e) de les suivre. Il vous
est conseillé de mettre en lumière vos connaissances à partir du fil conducteur constitué par le texte. Le jury probabilité de passer du sommet i au sommet j ne dépend pas du rang de l’étape. Pour 1 ≤ i, j ≤ n, on note
appréciera que la discussion soit accompagnée d’exemples traités sur ordinateur ti,j , la probabilité que le point passe du sommet i au sommet j ; en particulier, s’il n’y a pas d’arête reliant i à
j, ti,j = 0. La matrice dont le coefficient de la ligne i et de la colonne j est égal à ti,j est notée T . Cette matrice
Marche aléatoire sur un graphe et Algorithme de Page rank (k) (k) (k) (k)
s’appelle la matrice de transition du graphe. Pour k ∈ N, on note P (k) le vecteur ligne (p1 , p2 , . . . , pn−1 , pn ),
(k)
où, pour 1 ≤ i ≤ n, pi est la probabilité que le point soit sur le sommet i à l’étape de rang k.

I. Marche aléatoire sur un graphe Theorem 5 Le vecteur P (k) est une distribution de probabilité pour tout k ∈ N.
P (k+1) = P (k) T .
1.1 Définitions et Notations
La matrice de transition d’un graphe est une matrice stochastique.
Definition 1 Un graphe orienté G est un ensemble G = (S, A) où S est un ensemble fini dont les éléments
s’appellent les sommets du graphe G et où A ⊂ S 2 . Les éléments de A s’appellent les arêtes orientées du graphe
G. Si a = (s, s′ ) ∈ A, a est l’arête orientée reliant le sommet s au sommet s′ . Si (s, s′ ) ∈ S 2 , on dit que s′ est un 1.3 Exemple : Marche aléatoire sur un tétraèdre
sommet voisin de s s’il existe une arête orientée reliant s à s′ , c’est-à-dire si (s, s′ ) ∈ A. On note que s peut être
un sommet voisin de lui-même (si (s, s) ∈ A) et que s′ peut être un voisin de s alors que s n’est pas un voisin de Dans cet exemple, on considère le graphe orienté G = (S, A) où S = {1, 2, 3, 4} et
s′ (si (s, s′ ) ∈ A alors que (s′ , s) ∈
/ A) A = {(1, 2), (2, 1), (1, 3), (3, 1), (1, 4), (4, 1), (2, 3), (3, 2), (2, 4), (4, 2), (3, 4), (4, 3)}.

La figure 1 représente ce graphe. Les sommets sont représentés par des cercles et l’arête orientée reliant le
Definition 2 Soit P = (p1 , . . . , pn )un vecteur de Rn . On dit que P est une distribution de probabilité si pour sommet s au sommet s′ , par une flèche de s vers s′ . Par la suite, nous utiliserons la représentation simplifiée
tout 1 ≤ i ≤ n, pi ≥ 0 et p1 + . . . + pn = 1. dans laquelle si le graphe comporte les deux arêtes orientées (s, s′ ) et (s′ , s) elles sont représentées par un
seul trait avec une flèche à chaque extrémité.
Definition 3 On  dit qu’une matrice M ∈ Mn (R) dont tous les coefficients sont positifs ou nuls est stochastique
1
1 Theorem 6 la suite de matrices (T k )k≥1 est convergente. La suite de vecteur (P (k) ) est convergente vers un vec-
si M e = e où e =  .  le vecteur colonne n’ayant que des 1 ( on garde cette définition de e dans toute la suite).
 
 ..  teur P stochastique et vérifiant P T = P et ceci quelque soit le vecteur initial stochastique P (0) .
1

Definition 4 Une distribution de probabilité X est dit invariant par une matrice M si XM = X.

1.4 Matrice stochastique et distributions de probabilités

1.2 Préliminaire Soit M ∈ Mn (R) une matrice stochastique. Soit λ est une valeur propre de M et V un vecteur propre
On considère un graphe orienté fini dont les sommets sont numérotés de 1 à n. Un point se déplace associé de coordonnées (ui )1≤i≤n . Soit h ∈ {1, . . . , n} tel que |uh | = max1≤i≤n |ui |. Soit δ = min1≤i≤n mi,i .
(k)
aléatoirement d’un sommet à un autre de ce graphe en suivant les arêtes orientées du graphe. Le nombre On note mi,j le coefficient de la matrice M k situé à la ligne i et la colonne j. On pose ǫ = min1≤i,j≤n mi,j .
(k) (k) (k) (k)
d’étapes de cette marche aléatoire peut tendre vers l’infini. À chaque étape, le point se déplace du sommet Pou tout j ∈ k1, nk, on pose αj = min1≤i≤n mi,j et βj = max1≤i≤n mi,j avec ses notations on a les deux
où il se trouve vers l’un de ses sommets voisins de façon équiprobable. Ceci entraine notamment que la propositions suivantes :

1 1 2 Page 2 sur 9
 Agrégation Marocaine Session Juin 2024 Agrégation Marocaine Session Juin 2024

Proposition 7 1. 2.3 Analyse de convergence

|λ − mh,h | ≤ 1 − mh,h et |λ| ≤ 1
Theorem 9
u1  
2. |λ − δ| ≤ 1 − δ Si de plus mi,i > 0, ∀i , alors 1 est la seule valeur propre de M de module 1 . lim u(k) = et λ(k) = u(k)T Au(k) → λ1
k→+∞ ku1 k
3. Ker(M − In ) = V ect(U ). Il existe au plus une distribution de probabilité invariante par M . avec u1 un vecteur propre associé à la valeur propre λ1 .
(k+1) (k) (k) (k) (k)
4. Il existe (i0 , j0 ) ∈ k1, nk2 tel que : αj − αj ≥ mi0 ,j0 (βj − αj )
Remark 10 on peut montrer que pour la méthode de la puissance appliquée à une matrice symétrique, on a
(k+1) (k) (k) (k) (k)
5. Il existe (i1 , j1 ) ∈ k1, nk2 tel que : βj − βj ≥ mi1 ,j1 (βj − αj ) l’estimateur d’erreur à l’itération k suivant :
(k+1) (k+1) (k) (k)
6. βj − αj ≤ (1 − 2ε)(βj − αj ) λ2 2k
|λk − λ1 | ≤ C(A)| |
  λ1
b 1 b1 · · · b1 où C(A) est une constante qui dépend de A.
 b 2 b2 · · · b2 
Proposition 8 1. la suite matricielle (M k ) tend vers la matrice B =  .
 
..
 .  2.4 La matrice de Google :
b n bn · · · bn
A un moment donné, on peut considérer que le web est une collection de N ∈ N , avec N très grand
2. B est stochastique vérifiant ∀1 ≤ j ≤ n, bj > 0. ( de l’ordre 1010 en octobre 2005 ). La plupart de ces pages incluent des liens hypertextes vers d’autres pages.
3. Soit P (0) une distribution de probabilité quelconque. On dit qu’elles " pointent " vers ces autres pages. L’idée de base utilisée par les moteurs de recherche pour
La suite (P (k) = P (0) M k )k converge donc vers UN VECTEUR P ∞ unique distribution de probabilité classer les pages par ordre de pertinence décroissant consiste à considérer que plus une page est la cible
invariante par M . de liens venant d’autres pages, c’est-à-dire plus il y a de pages qui pointent vers elle, plus elle a de chances
d’être fiable et intéressante pour l’utilisateur final, et réciproquement . Il s’agit donc de quantifier cette idée
, c’est-à-dire d’attribuer un rang numérique ou score de pertinence à chaque page.
On se donne donc un ordre arbitraire sur l’ensemble des pages que l’on numérote ainsi i = 1 à i = N . La
II. Méthode de la puissance. Algorithme de Page rank structure de connectivité du web peut alors être représentée par une matrice de taille N × N telle que cij = 1
si la page j pointe sur la page i, cij = 0 sinon . Les liens d’une pages sur elle-même ne sont pas significatifs,
2.1 Méthode de la puissance on pose donc cii = 0. On observe que la ligne contient tout les liens significatifs qui pointent sur la page i ,
alors que la colonne j contient les liens significatifs sur la page j.
Cette méthode approxime la valeur propre dominante d’une matrice carré (sous certaines conditions). On souhaite attribuer à chaque page i un score ri ∈ R∗+ de façon à pouvoir classer l’ensemnle des pages
Par exemple dans le cas où A soit une matrice carrée d’ordre n diagonalisable et dont les p valeurs propres par score décroissant et présenter à l’utilisateur une liste ainsi classée des pages correspondants à sa requête.
vérifient :
|λ1 | > |λ2 | > . . . > |λp |.
La valeur propre dominante de A c’est λ1 et un vecteur popre associé sont calculé par la méthode itérative
suivante : 2.5 Algorithme PageRank :
(0)
Étant donné un vecteur initial arbitraire x(0) ∈ Rn . On pose y (0) = ||xx(0) || on calcule pour k = 1, 2 . . .
L’algorithme PageRank part du principe qu’un lien de la page j pointant sur la page i contribue positive-

(k) (k−1) ment au score de cette dernière, avec une pondération par le score rj de la page dont est isuu le lien - une
 x = Ayk

page ayant un score élevé a ainsi plus de poids qu’une n’ayant qu’un score médiocre - et par le nombre total
y (k) = ||xxk || N
 (k) X
λ = (y (k) )T Ay (k)

de liens présents sur la dite page Nj = ckj . On introduit donc la matrice Q définie par
k=1

2.2 Algorithme qij = cij /Nj si Nj 6= 0qij = 0sinon

1. Input : A ∈ Rn×n un u(0) ∈ Rn , . La somme des coefficients des colonnes non nulles de Q vaut toujours 1. L’application des principes ci-
2. Output : La plus grande valeur propre λ1 et un vecteur propre associé dessus conduit à une équation pour le vecteur r ∈ RN des scores des pages de la forme
3. Pour k = 1, 2, · · · (jusqu’à convergence) N
w(k)
w(k) = Au(k−1) , u(k) = kw
X
(k) k ri = qij rj c’est-à-dire r = Qr
(k) (k)T (k)


λ =u Au j=1

Le problème de classement des pages du Web se trouve ainsi ramené à la recherche d’un vecteur propre
d’une énorme matrice, associé à la valeur propre 1 !

3 Page 3 sur 9 4 Page 4 sur 9

 Agrégation Marocaine Session Juin 2024 Agrégation Marocaine Session Juin 2024

Il peut arriver que la matrice Q n’admette pas la valeur propre 1 ce qui invalide quelque peu la philoso- 2.6.3 Algorithme PageRank amélioré :
phie originale de l’algorithme. Pour remédier à ce défaut, on considère alors e =t (11 . . . 1) ∈ RN et d ∈ RN
L’algorithme PageRank exploite le faite que la matrice de départ Q est une matrice très creuse pour la-
tel que dj = 1 si Nj = 0, dj ] = 0 sinon. La matrice
quelle des produits matrice-vecteur sont envisageables en pratique et le calcul suivant :
1 t
P =Q+ ed 1 T 1 1
N r = Ar = αP r + (1 − α) ee r = αQr + α edT r + (1 − α) eeT r (1)
N N N
est maintenant la transposée d’une matrice stochastique : ses coefficients sont tous positifs et la somme des
La normalisation dans l’algorithme de la méthode de la puissance est inutile :
coefficients de chaque colonne vaut 1 ( remarquons qu’il s’agit d’une " petite " correction de Q car N est très
puisque kr1 k1 = eT r1 = 1, alors kq 2 k1 = eT q 2 = 1
grand ). Du fait que t eP =t e , on voit que P admet bien la valeur propre 1.
En utilisant la méthode de la puissance pour calculer le PageRank on peut montrer également r peut être
Comme cette valeur propre est en général multiple, on efectue une dernière modification en choisissant
calculé par
un nombre 0 < α < 1 et on posant 1
1 r = αQr + e − kαQrk1 e
A = αP + (1 − α) et e. N
N
Remarque : Nous n’avons pas besoin de construire d On aboutit de la sorte à un algorithme simple :
Theorem 11 la matrice A = αP + (1 − α) N1 et e est stochastique dont tous les coefficients sont strictement
positive. Algorithm 12 - Choisir r, avec k r k1 = 1.
Le but est donc de calculer un vecteur propre r ∈ RN tel que rT
est une distribution de probabilité vérifiant :
r = Ar ce qui revient à trouver un vecteur dont les N composantes fournissent le classement recherché des - Tant que s > tol Faire
page du Web. Le problème est équivalent à trouver un vecteur P ∞ stochastique et vérifiant P ∞ A = P ∞ - r̂ = αP T r
- β = 1− k r̂ k1
β
- r = r̂ + e
N
- s =k r − r̂ k1
2.6 Aspects algorithmiques : - r = r̂
2.6.1 Calcul de Ak :
- Retourner r
On pourra donner une approximation du vecteur r en approchant P ∞ par Qk = QAk pour k assez grand.
On pourra utiliser l’algorithme d’exponentiation rapide :
2.7 Simulation numérique à petite échelle

0
 A = IN k

Ak = (A2 ) 2 si k est pair On considère le graphe du web suivant :
 Ak = A(A2 ) k−1

2 si k est imppair

2.6.2 Méthode de la puissance :

1. Input : u(0) = e,
2. Output : La plus grande valeur propre λ1 et un vecteur propre associé
3. Pour k = 1, 2, · · · (jusqu’à convergence)
w(k)
w(k) = Au(k−1) , u(k) = kw (k) k
(k) (k)T (k)


λ =u Au
La difficulté de la méthode de la puissance dans le cas de la matrice A vient de sa taille gigantesque.
La matrice de départ Q est une matrice très creuse pour laquelle des produits matrice-vecteur sont envisa-
geables en pratique. Par contre, la matrice A est pleine, elle contient de l’ordre de 1020 éléments et il est hors
de question de l’assembler explicitement et encore moins de l’utiliser pour calculer des produits matrice-
vecteur !

Après programmation de l’algorithme de la puissance pour ce graphe de web dernier qui contient 10
pages on trouve l’ordre d’importance de ces pages comme suite :

5 Page 5 sur 9 6 Page 6 sur 9

 Agrégation Marocaine Session Juin 2024 Agrégation Marocaine Session Juin 2024

Ce qui nous ramène au classement suivant : La figure ci-dessus montre que si les valeurs de α proche de 0 le nombre d’itération devient plus petit ; par
exemple il faut seulement 15 itérations pour obtenir le vecteur PageRank avec une précision de 10−14 lorsque
α = 0.15. Dans les mêmes conditions il faut 91 itérations pour α = 0.95. par conséquent si α proche de 0 la
méthode de la puissance devient très rapide en exécution.

Dans cet exemple on prend le même graphe et on calcule le nombre d’itération nécessaire pour obtenir
le vecteur PageRank à une précision près, en changeant les valeurs de α. La figure ci-dessus compare le temps de calcul en fonction de la taille de la matrice des algorithms de la
puissance et du PageRank.

III. Suggestion pour le développement

Ce paragraphe ne contient qu’un petit nombre de suggestions. Vous pouvez choisir d’étudier certains points
seulement, de fa ?çon plus ou moins approfondie, et pas nécessairement dans l’ordre. Vous pouvez aussi vous
poser d’autres questions que celles indiquées ci dessous. Il est indispensable que vos investigations comportent
une simulation numérique, et si possible, retrouver les représentations graphiques tracés dans le texte.

7 Page 7 sur 9 8 Page 8 sur 9

 Agrégation Marocaine Session Juin 2024

3.1 Aspect mathématique

Montrer le Théorème 9
AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Montrer le Théorème 11
Démontrer la Proposition. 7 Épreuve de modélisation et Calcul Scientifique
Démontrer le Théorème. 8
Démontrer le Théorème.6

3.2 Aspect modélisation, calcul numérique et algorithmique

URNES ET PARTICULES
MOTS CLÉS : chaînes de Markov, matrice positive irréductible,
Implémenter la méthode de la puissance et le PagRank et retrouver les simulations données dans le text
dans le cas du web paragraphe 2.7
§ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. La présentation,
Implémenter la méthode de calcul du vecteur stable par l’exponentiation rapide
bien que totalement libre, doit être organisée et le jury apprécie qu’un plan soit annoncé en
préliminaire. L’exposé doit être construit en évitant la paraphrase et en mettant en lumière les
connaissances, à partir des éléments du texte. Il doit contenir des illustrations informatiques
réalisées sur ordinateur, ou, à défaut, des propositions de telles illustrations. Des pistes de
réflexion, indicatives et largement indépendantes les unes des autres, vous sont proposées
en fin de texte.

À la fin du 19ième siècle et au début du suivant, la tempête fait rage autour de la théorie cinétique
des gaz proposée par Boltzmann. La thermodynamique de l’époque postule (second principe de
la thermodynamique) qu’un système évolue de manière irréversible vers un état d’état d’équilibre.
Boltzmann, convaincu de l’existence des atomes, souhaite expliquer l’évolution des grandeurs
macrospiques d’un gaz (température, pression,... ) par la dynamique des particules qui le compose.
Le problème vient du fait que cette dynamique est par nature réversible : les équations de la phy-
sique sont inchangées si l’on renverse le temps. Boltzmann est face à un paradoxe : comment une
évolution microscopique réversible peut-elle produire une évolution macroscopique irréversible ?
Considérons deux pieces 𝐴 et 𝐵 hermétiquement closes et de même volume. On fait le vide
dans la pièce 𝐵 puis on pratique un minuscule trou dans la cloison séparant ces deux pièces et l’on
mesure l’évolution de la pression dans chacune des pièces. Il parait raisonnable de penser que la
pression va s’équilibrer.
Les physiciens P. et T. Ehrenfest (mari et femme qui ont travaillé ensemble) ont introduit un
modèle simple (qui porte leur nom) qui permet de décrire l’évolution de la pression que l’on
observe à partir d’une évolution microscopique réversible.

1. LE MODÈLE MICROSCOPIQUE
Considérons deux urnes 𝐴 et 𝐵 dans lesquelles sont réparties 𝑎 boules numérotées de 1 à 𝑎. On
associe à une configuration, c’est-à-dire à une répartition des 𝑎 boules un 𝑎 -uplet 𝑥 = (𝑥1 , . . . , 𝑥𝑎 )
où 𝑥𝑖 = 1 si la particule 𝑖 est dans l’urne 𝐴 et 𝑥𝑖 = 0 sinon. Notons 𝐹 l’ensemble

𝐹 = {𝑥 = (𝑥 1 , . . . , 𝑥𝑎 ) , pour tout 𝑖 = 1, . . . , 𝑎, 𝑥𝑖 ∈ {0, 1}}

On dit que deux configurations 𝑥 et 𝑦 de 𝐹 sont voisines, et on note 𝑥 ∼ 𝑦 , si elles ne diffèrent

que d’une coordonnée. On considère (𝑌𝑛 ) 𝑛>0 la chaine de Markov sur 𝐹 définie par la dynamique
suivante : lorsque la chaine est en un point 𝑥 de 𝐹 , elle choisit au temps suivant en un des voisins

1/5
9 Page 9 sur 9 10
 URNES ET PARTICULES URNES ET PARTICULES

de 𝑥 avec la probabilité uniforme. Par exemple, si 𝑎 est égal à 3 et que l’on range les éléments de 𝐹 2.1. DÉFINITION DE LA MATRICE DE TRANSITION
dans l’ordre suivant : :
À la chaine de Markov 𝑌 on associe le processus (𝑋 𝑛 ) 𝑛 à valeurs dans 𝐸 = {0, 1, . . . , 𝑎 } où 𝑋 𝑛
( 0, 0, 0) ( 0, 0, 1) ( 0, 1, 0) ( 1, 0, 0) ( 0, 1, 1) ( 1, 0, 1) ( 1, 1, 0) ( 1, 1, 1) est la somme des coordonnées de 𝑌𝑛

la matrice de transition 𝑄 est donnée par PROPOSITION 2.1 : Le processus (𝑋 𝑛 ) 𝑛 est une chaine de Markov sur 𝐸 de matrice de transition
0 1 0 0 0 0 0
© ª
0 1/3 1/3 1/3 0 0 0 0 ª ...
© 0 ®® ­ 1/𝑎 0 (𝑎 − 1)/𝑎 0 0 0 0®
­ ­ ®
1/3 0 0 0 1/3 1/3 0 ...
­ 0 1/3 0 1/3 0 ®® ­ ®
­
0 2/𝑎 0 (𝑎 − 2)/𝑎 . . . 0 0 0
­
1/3 0 0 𝑃 = ­­ ®
®
­ 0 1/3 1/3 0 ®®
.. .. .. .. .. .. ..
­ ®
..
1/3 0 0 0
𝑄 =­ ­
.
®
. . . . . . .
­ 0 1/3 1/3 0 0 0 0 1/3 ®® ­ 0 1/𝑎 ®
­
0 0 0 0 . . . (𝑎 − 1)/𝑎
­ 0 1/3 ®® « 1 0 ¬
­
0 1/3 0 1/3 0 0 0 0 0 0 ... 0
­ 0 0 1/3 1/3 0 0 0 1/3 ®®
« 0 0 0 0 1/3 1/3 1/3 0 ¬ La chaine est irréductible, récurrente et périodique de période 2. Sa mesure invariante est la loi
binomiale B(𝑎, 1/2)
LEMME 1.1 : La chaine 𝑌 est irréductible , récurrente et périodique de période 2. La matrice 𝑄 est
bistochastique. La mesure invariante de la chaine est la mesure uniforme sur 𝐹 . Le temps moyen de 2.2. ESPÉRANCE ET VARIANCE
retour en 𝑥 ∈ 𝐹 est 2𝑎 . La pression au temps 𝑛 dans l’urne 𝐴 est de l’ordre de 𝑃𝑛 = 𝑋 𝑛 /𝑎. On s’interesse ici aux deux
Cette chaine s’interprète géométriquement comme la marche aléatoire aux plus proches voisins premiers moments de cette variable aléatoire. On a donc démontré le résultat suivant.
sur le cube unité de dimension 𝑎 . PROPOSITION 2.2 : Posons 𝛼 = 1 − 2/𝑎 et 𝛽 = 1 − 4/𝑎. Pour 𝑛 ∈ ℕ, on 𝑎
Définissons la distance 𝑑 entre deux points 𝑥 et 𝑦 de 𝐹 par le nombre de coordonnées dont ils  
diffèrent : 1 1 𝑛
Õ
𝑎 𝔼 (𝑃𝑛 ) = + 𝔼 (𝑃0 ) −
2 2
𝛼 (1)
   
1 2 𝑛 
𝑑 (𝑥, 𝑦 ) = |𝑥𝑖 − 𝑦𝑖 |
1 1
𝑖 =1 𝕍 (𝑃𝑛 ) = + 𝕍 (𝑋 0 ) − 𝛽 𝑛 + 𝔼 (𝑃0 ) − 𝛽 − 𝛼 2𝑛 (2)
Le temps moyen pour la chaine d’aller de 𝑥 en 𝑦 ne dépend que de la distance 𝑑 (𝑥, 𝑦 ) . . Fixons 4𝑎 4𝑎 2
𝑎 et notons 𝑚𝑑 = 𝑚𝑑𝑎 le temps d’atteinte moyen de 𝑦 partant de 𝑥 lorsque 𝑑 (𝑥, 𝑦 ) = d. La suite Démonstration. On raisonne par conditionnement :
(𝑚𝑑 ) 06𝑑 6𝑎+1 vérifie les équations suivantes :
𝔼 (𝑋 𝑛+1 | 𝑋 𝑛 ) = (𝑋 𝑛 + 1) ( 1 − 𝑋 𝑛 /𝑎) + (𝑋 𝑛 − 1) 𝑋 𝑛 /𝑎 = 𝛼𝑋 𝑛 + 1
𝑑 𝑎 −𝑑
𝑚𝑑 = 1 + 𝑚𝑑−1 + 𝑚𝑑+1 pour 0 < 𝑑 6 𝑎
𝑎 𝑎 On en déduit, en prenant l’espérance, une relation de récurrence pour la suite (𝔼𝑃𝑛 ) 𝑛 qui donne
et 𝑚 0 = 𝑚 𝑎+1 = 0. Ces équations admettent une unique solution, qui s’écrit sous la forme suivante. immédiatement (1).
De même,
PROPOSITION 1.2 : Soit  
Õ 𝑎

2 2 2 2
𝑖 𝔼 𝑋 𝑛+ 1 | 𝑋 𝑛 = (𝑋 𝑛 + 1) ( 1 − 𝑋 𝑛 /𝑎) + (𝑋 𝑛 − 1) 𝑋 𝑛 /𝑎 = ( 1 − 4/𝑎)𝑋 𝑛 + 2𝑋 𝑛 + 1
𝑎−1

𝑘
𝑄𝑖𝑎 = pour 𝑖 = 0, 1, . . . , 𝑎 − 1
𝑘 =0 𝑖 Ceci implique  
alors 𝕍 (𝑃𝑛+1 ) = 𝛽𝕍 (𝑋 𝑛 ) + 4/𝑎 2 𝔼 (𝑃𝑛 ) ( 1 − 𝔼 (𝑃𝑛 ))
Õ
𝑑
𝑚𝑑 = 𝑎
𝑄 𝑎−𝑖 pour 0 < 𝑑 6 𝑎 Reste à remplacer 𝔼 (𝑃𝑛 ) par sa valeur pour obtenir le résultat annoncé. 
𝑖 =1
REMARQUE 2.3 — Le résultat (1) peut s’obtenir également en vérifiant que le vecteur transposé de
2. L’URNE D’EHRENFEST (−𝑏 − 𝑏 + 1 · · · 𝑏 − 1𝑏) ( avec 𝑏 = 𝑎/2) est vecteur propre de 𝑃 associé à la valeur propre 1 − 2/𝑎

Observer l’évolution de la chaine 𝑌 demanderait de pouvoir déterminer la position de chaque REMARQUE 2.4 — Notons 𝜏 la fréquence de transitions par secondes. Il y a donc eu 𝜏𝑡 transitions
particule ce qui est bien sur impossible. Il est par contre possible de mesurer la pression qui au temps 𝑡 . En notant 𝜈 = −𝜏 log ( 1 − 1/𝑏), la relation (1) établit la loi de refroidissement de Newton
est proportionnelle au nombre de particules présentes dans l’urne 𝐴. Pour simplifier certaines (Newton’s law of cooling) :
expressions dans la suite, on sera amené à se placer parfois dans le cas où 𝑎 est pair. La lettre 𝑏 𝔼 (𝑋 𝑛 ) − 𝑏 = (𝔼 (𝑋 0 ) − 𝑏) 𝑒 −𝜈𝑡
désignera alors toujours dans la suite l’entier 𝑎/2 La relation (2) montre que la suite 𝑋 𝑛 a un comportement quasiment déterministe du même type.

PAGE 2/5 PAGE 3/5

11 12
 URNES ET PARTICULES URNES ET PARTICULES

3. RÉCONCILIATION DES THÉORIES ENNEMIES COROLLAIRE 3.2 : On a  




𝑎

 2𝑎 / si 𝑖 = 𝑗
Il est temps de confronter, ou plutôt d’unifier, les points de vue thermodynamique et cinétique. 


𝑖

 𝑗Õ


Pour cela, plusieurs estimations peuvent être proposées, des plus naives aux plus fines. −1
𝑄𝑘𝑎 si 𝑖 < 𝑗

𝑚𝑖 𝑗 =
3.1. FLUCTUATIONS AUTOUR DE LA MOYENNE SOUS LA MESURE INVARIANTE  𝑘 =1


 Õ−1


𝑎−𝑗
Supposons que le temps auquel on observe la chaine soit assez grand. Au problème de pé- 

 𝑄𝑘𝑎 si 𝑖 > 𝑗
riodicité près, la loi de 𝑋 « ressemble »à la loi binomiale B(𝑎, 1/2) . On peut donc en déduire, via 𝑘 =𝑎−𝑖
le théorème limite central ou des inégalités de concentration de la mesure pour la loi B(𝑎, 1/2) On suppose à présent que 𝑎 est pair et on note 𝑏 = 𝑎/2.
autour de sa moyenne, des contrôles de la quantité
PROPOSITION 3.3 : Pour tout 𝑎
ℙ (|𝑋 𝑛 − 𝑏 | > 𝑟 )
𝑎 ( 2 log 2 − 1/2) − 2 6 𝑚 0,𝑏 6 𝑎 ( 1/4 + ( 1/2) log 𝑎) (4)
Pour fixer les idées, on pourra choisir 𝑎 = 106 . Le théorème limite central montre que l’on est et    
pratiquement sùr de trouver environ la moitié des particules dans l’urne 𝐴. Même si pour les 1 2
2𝑎 1 + 6 𝑚 0,𝑎 6 2𝑎 1 + (5)
physiciens, 𝑎 = 106 est un petit nombre, la probabilité de trouver plus de 505000 particules dans 𝑎 −1 𝑎 −1
une urne (c’est-à-dire une fluctuation d’au moins 1% ) est inférieure à 10−23 . Pour 𝑚 = 108 , une
2𝑎
fluctuation d’un pour mille est aussi négligeable. Démonstration. Montrons l’estimation (5). Pour tout 𝑖 , 𝑚𝑖 ,𝑖 +1 + 𝑚𝑖 +1,𝑖 = . Donc
( 𝑎−𝑖 1)
3.2. TEMPS DE RETOUR Õ
𝑏−1
1
𝑎−1

𝑚 0,𝑏 + 𝑚𝑏,0 = 2𝑎
On souhaite raffiner ce résultat en obtenant des estimations en fonction du point de départ de 𝑖 =0 𝑖
la chaine, par exemple 0 et 𝑏 . On définit le temps 𝑇𝑖𝑖 de premier retour en 𝑖 de la manière suivante : Í𝑏−1 1
De plus, puisque 𝑚𝑏,0 = 𝑚𝑏,𝑎 , on a 𝑚 0,𝑎 = 𝑚 0,𝑏 + 𝑚𝑏,𝑎 = 2𝑎 𝑖 =0 . Remarquons à pré- sent, en
( 𝑎−𝑖 1)
𝑇𝑖𝑖 = inf {𝑛 > 1, 𝑋 𝑛 = 𝑖 | 𝑋 0 = 𝑖 } séparant les deux premiers termes de la somme des autres, que
PROPOSITION 3.1 : Si 𝑏 = 10000 alors 1 Õ
𝑏−1
1 1 𝑏 −1
𝑎−1

√ 1+ 6 6 1+ + 𝑎−1

𝔼 (𝑇00 ) = 2 20000
et 𝔼 (𝑇𝑏𝑏 ) ∼ 100 𝜋 𝑎 − 1 𝑖 =0 𝑎 −1
𝑖 2

Cette proposition assure qu’il faudra attendre un temps immense avant qu’une pièce, initiale-
ment vide, ne le redevienne ! ! ! La proposition 3.3 assure que le temps mis par le système pour passer d’un état de total dés-
équilibre à celui d’équilibre parfait est totalement négligeable devant le temps mis pour l’évolution
3.3. ESTIMATION DU TEMPS DE REGONFLAGE DE LA ROUE inverse. Pour un nombre de particules égal à 100, 𝑚 0,50 est majoré par 256 tandis que 𝑚 50,0 est de
On souhaite enfin être plus précis et obtenir des estimations des temps d’atteinte de 0 et 𝑏 l’ordre de 1030 soit quelques mille milliards de milliards de milliards...
partant de 0 ou 𝑏 . Soit 𝑚𝑖 𝑗 le temps moyen d’atteinte de 𝑗 par 𝑋 partant de 𝑖 Partant de 𝑖 + 1, la
chaine doit passer par 𝑖 pour aller en 0, donc 4. SUGGESTIONS
𝑚𝑖 +1,0 = 𝑚𝑖 +1,𝑖 + 𝑚𝑖 ,0 pour 0 6 𝑖 < 𝑎 (3) 1. Justifier le lien entre l’évolution de la pression abordé dans l’introduction et le modèle de
l’urne d’Ehrenfest.
Par symétrie, 2. Commenter et illustrer la proposition 1.2. On pourra mettre en évidence par la simulation
𝑚𝑖 ,𝑖 +1 = 𝑚 𝑎−𝑖 ,𝑎−𝑖 −1 = 𝑚 𝑎−𝑖 ,0 − 𝑚 𝑎−𝑖 −1,0 pour 0 6 0 6 𝑖 < 𝑎 la vitesse de croissance de 𝑎 ↦→ 𝑚 𝑎𝑎 et le fait qu’à 𝑎 fixé, 𝑑 ↦→ 𝑚𝑑𝑎 croit mais lentement.


Il suffit donc de connaitre les réels (𝑚𝑖 0 ) 𝑖 pour déterminer les réels 𝑚𝑖 𝑗 𝑖 𝑗 . Remarquons à présent 3. Démontrer la proposition 2.1 .
que 𝑋 𝑛 = 0 si et seulement si 𝑌𝑛 = ( 0, . . . , 0). Donc le temps moyen que met 𝑋 à se rendre de 𝑖 à 4. Démontrer la proposition 2.2 et expliquer le sens de la remarque 2.3 .
0 est le temps moyen que met 𝑌 d’aller de n’importe quel élément de 𝐹 situé à une distance 𝑖 de
5. Expliquer le sens de la section 3.1.
( 0, . . . , 0) à ( 0, . . . , 0), autrement dit 𝑚𝑖𝑎 . La proposition 1.2 assure alors que
6. Démontrer la proposition 3.1 et réconcilier les théories cinétique et thermodynamique.
Õ
𝑎−𝑖 Õ−1
𝑎−𝑖 7. Illustrer par la simulation les différents comportements du modèle qui ont été mis en
𝑎 𝑎
𝑚𝑖 ,𝑖 +1 = 𝑚 𝑎−𝑖 ,0 − 𝑚 𝑎−𝑖 −1,0 = 𝑄 𝑎−𝑘 − 𝑄 𝑎−𝑘 = 𝑄𝑖𝑎 pour 0 6 0 6 𝑖 < 𝑎 − 1 évidence dans le texte.
𝑘 =1 𝑘 =1

PAGE 4/5 PAGE 5/5

13 14
 GESTION DE STOCK AVEC DEMANDE ALÉATOIRE

Il peut aussi décider de commander 𝑥 unités supplémentaires, auquel cas son bénéfice espéré est :
AgrégationùmarocaineùdeùMathématiques,ùsessionù2024 𝑥0Õ
+𝑥−1
𝑏 𝑥0 (𝑥) = 𝑣 (𝑥 0 + 𝑥) 𝑟 (𝑥0 + 𝑥) + 𝑣 𝑖𝑝 (𝑖 ) − 𝑘 (𝑥 0 + 𝑥) − 𝐶 − 𝑐𝑥
Épreuve de modélisation et Calcul Scientifique 𝑖 =0

Pour 𝑥 > 0, calculons 𝑏 𝑥0 (𝑥 + 1) − 𝑏 𝑥0 (𝑥). On trouve :

GESTION DE STOCK AVEC DEMANDE ALÉATOIRE 𝑏 𝑥0 (𝑥 + 1) − 𝑏 𝑥0 (𝑥) = 𝑣𝑟 (𝑥 0 + 𝑥 + 1) − (𝑘 + 𝑐 )

RÉSUMÉ : Chaque mois, le gérant d’un magasin doit contrôler le niveau du stock d’un produit Notons :
donné, vendu à l’unité. Au vu du niveau restant du mois précédent, il doit décider de commander ou  
𝑘 +𝑐
non un certain nombre d’unités. L’objectif est d’optimiser la stratégie de commande, connaissant (1) 𝑆 = max 𝑖 ∈ ℕ : 𝑟 (𝑖 ) >
la loi de probabilité de la demande mensuelle, les prix d’achat et de vente, ainsi que le cout de 𝑣
stockage des objets. L’entier 𝑆 représente le stock optimal théorique, celui qui maximiserait le bénéfice espéré si l’on ne
MOTS CLÉS : économie, chaîne de Markov, chaîne irréductible, chaîne apériodique, matrice de tenait pas compte du cout forfaitaire de commande 𝐶 . La stratégie du gérant consisterait alors à
transition, régime stationnaire compléter son stock à hauteur de 𝑆 , en commandant la quantité 𝑥ˆ = 𝑆 − 𝑥0 , si 𝑥0 6 𝑆 . Mais compte
tenu du cout 𝐶 , si la quantité 𝑥0 est suffisamment élevée (tout en restant inférieur à 𝑆 ), il peut
se faire que 𝑏 𝑥0 ( 0) soit supérieur à 𝑏 𝑥0 (𝑥)
ˆ , et donc qu’il n’y ait pas intérêt à commander. En effet
§ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. La présentation,
l’application
bien que totalement libre, doit être organisée et le jury apprécie qu’un plan soit annoncé en
𝑖 ∈ [0, 𝑆] ∩ ℕ ↦→ 𝑏 𝑖 (𝑆 − 𝑖 ) − 𝑏 𝑖 ( 0)
préliminaire. L’exposé doit être construit en évitant la paraphrase et en mettant en lumière les
connaissances, à partir des éléments du texte. Il doit contenir des illustrations informatiques est décroissante, ce qui nous incite à poser
réalisées sur ordinateur, ou, à défaut, des propositions de telles illustrations. Des pistes de (2) 𝑠 = min {0 6 𝑖 6 𝑆 : 𝑏 𝑖 ( 0) > 𝑏 𝑖 (𝑆 − 𝑖 )}
réflexion, indicatives et largement indépendantes les unes des autres, vous sont proposées
en fin de texte. L’entier 𝑠 est le stock plancher, à partir duquel il n’y a pas intérêt à commander. En résumé, la
stratégie que suivra le gérant est la suivante : si en début de mois le stock est supérieur ou égal au
stock plancher 𝑠 , il ne commande rien. S’il est inférieur à 𝑠 , il commande la quantité nécessaire
pour compléter jusqu’au stock optimal théorique 𝑆 .
1. OPTIMISATION D’UNE COMMANDE
On considère un magasin proposant à la vente un article particulier. Les commandes au four- 2. MODÉLISATION MARKOVIENNE
nisseur s’effectuent au mois. Les nombres d’articles demandés par les clients chaque mois sont
vus comme des réalisations de variables aléatoires indépendantes et de même loi. Cette loi peut On suppose maintenant que les demandes mensuelles constituent une suite (𝐷𝑡 ) , 𝑡 ∈ ℕ de
être estimée statistiquement et elle est supposée connue. Pour un mois donné, on note 𝑝 (𝑖 ) la variables aléatoires indépendantes et de même loi. On note 𝑋 (𝑡 ) le nombre d’articles présents en
probabilité que 𝑖 articles soient demandés, et : stock à la fin du mois 𝑡 , après la vente du mois, et avant la commande éventuelle du mois suivant.
La stratégie de gestion est celle de la section précédente : si le nombre d’articles restants au début
𝑟 (𝑖 ) = 1 − 𝑝 ( 0) − · · · − 𝑝 (𝑖 − 1) du mois est supérieur ou égal à 𝑠 , rien n’est commandé. S’il reste strictement moins de 𝑠 articles,
une commande est effectuée de manière à compléter à hauteur de 𝑆 .
la probabilité que 𝑖 articles au moins soient demandés. Le cout d’une commande se compose d’un La suite de variables aléatoires (𝑋 (𝑡 ))𝑡 ∈ℕ est une chaîne de Markov, à valeurs dans l’ensemble
cout fixe 𝐶 et d’un cout unitaire 𝑐 . Une commande de 𝑥 unités coute donc 𝐶 + 𝑐𝑥. Le prix de vente fini {0, . . . , 𝑆 }. Voici sa matrice de transition pour le cas particulier 𝑠 = 3, 𝑆 = 7
unitaire est 𝑣 . Le cout unitaire de stockage est 𝑘 . On suppose que ce cout est imputable à toute
0 1 2 3 4 5 6 7
unité, qu’elle soit présente en stock au début du mois ou qu’elle ait été commandée. On suppose
évidemment 𝑣 > 𝑐 + 𝑘 (le prix de vente est supérieur au cout unitaire de commande et de stockage). 0 𝑟 ( 7) 𝑝 ( 6) 𝑝 ( 5) 𝑝 ( 4) 𝑝 ( 3) 𝑝 ( 2) 𝑝 ( 1) 𝑝 ( 0)
Supposons que 𝑥0 unités soient présentes en stock au début du mois, et que la demande du 1 𝑟 ( 7) 𝑝 ( 6) 𝑝 ( 5) 𝑝 ( 4) 𝑝 ( 3) 𝑝 ( 2) 𝑝 ( 1) 𝑝 ( 0)
mois soit la variable aléatoire 𝐷 de loi 𝑝 = (𝑝 (𝑖 ))𝑖 ∈ℕ . Le gérant peut décider de ne rien commander, 2 𝑟 ( 7) 𝑝 ( 6) 𝑝 ( 5) 𝑝 ( 4) 𝑝 ( 3) 𝑝 ( 2) 𝑝 ( 1) 𝑝 ( 0)
auquel cas son cout de stockage sera 𝑘 𝑥0 , son revenu sera 𝑣 min {𝐷, 𝑥0 } , et son bénéfice espéré 3 𝑟 ( 3) 𝑝 ( 2) 𝑝 ( 1) 𝑝 ( 0) 0 0 0 0
est : 4 𝑟 ( 4) 𝑝 ( 3) 𝑝 ( 2) 𝑝 ( 1) 𝑝 ( 0) 0 0 0
𝑥Õ
0 −1
5 𝑟 ( 5) 𝑝 ( 4) 𝑝 ( 3) 𝑝 ( 2) 𝑝 ( 1) 𝑝 ( 0) 0 0
𝑏 𝑥0 ( 0) = 𝑣𝑥 0𝑟 (𝑥0 ) + 𝑣 𝑖𝑝 (𝑖 ) − 𝑘 𝑥0
6 𝑟 ( 6) 𝑝 ( 5) 𝑝 ( 4) 𝑝 ( 3) 𝑝 ( 2) 𝑝 ( 1) 𝑝 ( 0) 0
𝑖 =0
7 𝑟 ( 7) 𝑝 ( 6) 𝑝 ( 5) 𝑝 ( 4) 𝑝 ( 3) 𝑝 ( 2) 𝑝 ( 1) 𝑝 ( 0)

1/5 PAGE 2/5

15 16
 GESTION DE STOCK AVEC DEMANDE ALÉATOIRE GESTION DE STOCK AVEC DEMANDE ALÉATOIRE

On suppose que pour tout 𝑖 ∈ {0, . . . , 𝑆 }, 𝑝 (𝑖 ) est strictement positif. La channe de Markov (𝑋 (𝑡 )) A l’inverse, le gérant peut décider de ne commander que si son stock est épuisé (ce qui revient
est irréductible et apériodique sur l’ensemble fini {0, . . . , 𝑆 }. Elle admet donc une mesure station- à prendre 𝑠 = 1 ). Soient respectivement (𝑋 ∗ (𝑡 ))𝑡 ∈ℕ et 𝜋∗ la chaîne de Markov et sa loi invariante
naire unique, que l’on notera 𝜋 = (𝜋 (𝑖 )), 𝑖 = 0, . . . , 𝑆. associées à cette situation. Le bénéfice moyen s’écrit maintenant
Une fois connue la mesure stationnaire 𝜋 , on peut évaluer les quantités d’intérêt économique
sur le long terme. Par exemple, en régime stationnaire, l’espérance du bénéfice mensuel est : Õ
𝑠 −1 Õ
𝑆
𝑏¯∗ = 𝜋∗ (𝑖 )𝑏 𝑖 (𝑆 − 𝑖 ) + 𝜋∗ (𝑖 )𝑏 𝑖 ( 0)
Õ
𝑠 −1 Õ
𝑆 𝑖 =0 𝑖 =𝑠
(3) 𝑏¯ = 𝜋 (𝑖 )𝑏 𝑖 (𝑆 − 𝑖 ) + 𝜋 (𝑖 )𝑏 𝑖 ( 0) Du fait que ces deux dernières stratégies ne sont pas optimales, on aura


𝑖 =0 𝑖 =𝑠

Il s’agit aussi de la limite (presque sure) max 𝑏¯ ∗ , 𝑏¯∗ 6 𝑏¯

D’autres comparaisons naturelles sont possibles entre 𝜋, 𝜋 ∗ et 𝜋∗ . Pour cela introduisons une
1 Õ relation d’ordre  sur les probabilités définies sur ℕ en convenant que 𝜋1  𝜋2 si pour toute
(4) 𝑏¯ = lim 𝐵 (𝑡 )
𝑛→∞ 𝑛 + 1 fonction croissante et bornée 𝑓 : ℕ → ℝ, on est assuré de
Õ Õ
06𝑡 6𝑛

où 𝑓 (𝑛)𝜋1 (𝑛) 6 𝑓 (𝑛)𝜋2 (𝑛)

𝑛 ∈ℕ 𝑛 ∈ℕ
(5) ∀𝑡 ∈ ℕ, 𝐵 (𝑡 ) = 𝑏 𝑋 (𝑡 ) (𝑆 − 𝑋 (𝑡 ))𝟙 {𝑋 (𝑡 )<𝑠 } + 𝑏 𝑋 (𝑡 ) ( 0)𝟙 {𝑋 (𝑡 ) ≥𝑠 }
Notamment, si 𝑌 , 𝑍 sont deux variables aléatoires (définies sur un même espace de probabilité)
est le bénéfice espéré du (𝑡 + 1) -ième mois. On dispose ainsi de deux accès possibles au bénéfice à valeurs dans ℕ de lois respectives 𝜋1 et 𝜋2 et vérifiant 𝑌 6 𝑍 , on peut conclure que 𝜋1  𝜋2 En
moyen 𝑏¯ , d’une part en calculant d’abord 𝜋 comme solution du système d’équations correspondant ayant recours aux chaines de Markov (𝑋 (𝑡 ))𝑡 ∈ℕ , (𝑋 ∗ (𝑡 ))𝑡 ∈ℕ et (𝑋 ∗ (𝑡 ))𝑡 ∈ℕ , il alors est possible de
et en appliquant la formule ( 3 ) et d’autre part en ayant plutôt recours à (4) à partir de la simulation vérifier que
d’une trajectoire de (𝑋 (𝑡 ))𝑡 ∈ℕ (cette dernière méthode sera plus approximative, mais beaucoup 𝜋∗  𝜋  𝜋 ∗
plus facile à implémenter si 𝑆 est grand).
D’autres quantités sont pertinentes pour le gérant, par exemple le nombre moyen de ventes 3. SUGGESTIONS POUR LE DÉVELOPPEMENT
effectuées mensuellement : en régime stationnaire il est donné par
1. Modélisation et justifications mathématiques
© Õ ª Õ © Õ ª
𝑤¯ = 𝜋 ( [ 0, 𝑠 − 1]) ­𝑟 (𝑆)𝑆 + 𝑝 (𝑗 )𝑗 ® + 𝜋 (𝑖 ) ­𝑟 (𝑖 )𝑖 + 𝑝 (𝑗 )𝑗 ®
(6) Dans le texte de nombreuses affirmations ne sont pas ou peu justifiées et vous pourriez en
compléter l’argumentation, c’est par exemple le cas pour les formules ( 1 ), ( 2 ), (4), (6) ou (7). Vous
« 1 6𝑗 6𝑆− 1 ¬ 𝑠 6𝑖 6𝑆 « 1 6𝑗 6𝑖 − 1 ¬ pourriez aussi montrer que le nombre moyen de ventes perdues est bien donné par 𝑑 − 𝑤¯ . Le
Sil’on fait l’hypothèse naturelle que la demande admet une espérance finie 𝑑 = 𝔼 [𝐷0 ] < +∞, on véritable nombre de ventes perdues jusqu’à un certain mois donné 𝑇 ∈ ℕ (tel qu’il aura été observé
en déduit que le nombre moyen de ventes perdues est 𝑑 − 𝑤¯ (toujours en régime stationnaire). par le vendeur dans le magasin) peut-il se lire sur la chaîne (𝑋 (𝑡 ))06𝑡 6𝑇 ? La formule (5) donne
Souvent dans la vie réelle, les clients qui n’ont pas pu être servis du fait de l’absence du produit l’expression d’un bénéfice espéré, comment s’exprime le bénéfice effectivement reçu ? Calculez
en stock induisent un "cout de refus" unitaire égal à 𝛾 > 0 : si la demande 𝐷 d’un mois donné 𝜋 ∗ et prouvez que les variables 𝑋 ∗ (𝑡 ), pour 𝑡 ∈ ℕ, sont indépendantes. Par ailleurs, vous pourriez
est supérieure au stock 𝑥0 + 𝑥 après commande, 𝐷 − (𝑥0 + 𝑥) clients ne seront pas satisfaits, et il également développer les comparaisons entre probabilités évoqués à la fin du texte.
faudra retrancher (𝐷 − (𝑥0 + 𝑥)) 𝛾 du bénéfice de ce mois. En reprenant l’analyse précédente de
2. Calculs explicites et numériques
la stratégie optimale, on peut vérifier que dans ce type de situation (du moins si la demande est
d’espérance finie), le nouveau stock optimal théorique est Dans le cas où la loi de 𝐷 est l’équiprobabilité sur {0, . . . , 𝑎 } (avec 𝑎 ∈ ℕ∗ ), pouvezvous calculer
  explicitement les valeurs de 𝑠 et 𝑆 , en fonction de 𝑎, 𝑣 , 𝑘 , 𝑐 , 𝐶 (on pourra prendre éventuellement
𝑆e = max 𝑖 ∈ ℕ : 𝑟 (𝑖 ) >
𝑘 +𝑐 des valeurs particulières pour certaines de ces quantités) ? On peut aussi considérer la loi de
(7)
𝛾 +𝑣 probabilité définie sur ℕ par :
𝑝 (𝑖 ) = 𝜌 ( 1 − 𝜌) 𝑖
Revenons au cas où 𝛾 = 0, le gérant peut décider d’adopter d’autres stratégies, par exemple décider
de commander systématiquement, dès que son stock est en-dessous de la valeur optimale 𝑆. La où 𝜌 est un paramètre strictement compris entre 0 et 1. Quelles sont alors les équations satisfaites
suite correspondante (𝑋 ∗ (𝑡 ))𝑡 ∈ℕ des articles présents en stock en fin de mois est alors une suite de par 𝑆 et 𝑠 ? Comment feriez-vous pour les résoudre ?
variables aléatoires indépendantes et de même loi 𝜋 ∗ et le bénéfice moyen vaut donc Vous pouvez représenter graphiquement les variations de 𝑠 et 𝑆 en fonction de 𝑘 , et commenter
Õ Õ
𝑠 −1 𝑆
les graphiques obtenus.
𝑏¯ ∗ = 𝜋 ∗ (𝑖 )𝑏 𝑖 (𝑆 − 𝑖 ) + 𝜋 ∗ (𝑖 )𝑏 𝑖 ( 0) Pour une loi de probabilité 𝑝 à choisir, vous pouvez fixer des valeurs (pas forcément optimales
𝑖 =0 𝑖 =𝑠
pour 𝑆 et 𝑠 ) des paramètres et calculer numériquement la mesure stationnaire ainsi que le bénéfice

PAGE 3/5 PAGE 4/5

17 18
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
GESTION DE STOCK AVEC DEMANDE ALÉATOIRE
Épreuve de modélisation et Calcul Scientifique
moyen espéré 𝑏¯ . Vous pouvez aussi simuler le modèle et comparer une estimation du bénéfice es-
péré (ou du nombre de vente effectuées) à sa valeur numérique. Vous pourriez aussi vous intéresser Propagation d’un virus
aux ventes perdues.
Sur l’un des exemples précédents, quantifiez numériquement l’effet sur le bénéfice moyen la Le jury n’exige pas une compréhension exhaustive du texte. Vous êtes libres d’organiser
prise en compte d’un cout de refus 𝛾 ≥ 0? Vous pourriez aussi comparer par calcul numérique votre discussion comme vous l’entendez. Des suggestions de développement, largement
¯ 𝑏¯ ∗ et 𝑏¯∗ (voire les probabilités 𝜋, 𝜋 ∗ et 𝜋∗ ) et justifier ainsi l’intérêt
ou simulation les quantités 𝑏, indépendantes les unes des autres, vous sont proposées en fin de texte. Ce ne sont que
économique qu’il y a à adopter la stratégie optimale ?
des suggestions et vous n’êtes pas tenu(e) de les suivre. Il vous est conseillé de mettre
3. Stratégie optimale pour un modèle continu et chaine de Markov sur [0, 𝑆] en lumière vos connaissances à partir du fil conducteur constitué par le texte. Le jury
Supposons que les quantités de produit soient modélisées par des réels. La demande 𝐷 est une appréciera que la discussion soit accompagnée d’exemples traités sur ordinateur.
variable aléatoire de densité 𝑓 sur ℝ+ , supposée connue. Les notations pour le prix de vente et les
couts de commande et de stockage restent identiques. Le bénéfice espéré en cas de commande 1 Propagation d’un virus dans une population
d’une quantité 𝑥 > 0 pour compléter un stock initial de 𝑥0 devient :
∫ +∞ ∫ 𝑥0 +𝑥 Il s’agit de l’étude d’un modèle de propagation d’un virus. On considère une po-
𝑏 𝑥0 (𝑥) = 𝑣 (𝑥0 + 𝑥) 𝑓 (𝑡 )𝑑𝑡 + 𝑣 𝑡 𝑓 (𝑡 )𝑑𝑡 − 𝑘 (𝑥0 + 𝑥) − 𝐶 − 𝑐𝑥 pulation P d’individus, chacun pouvant être porteur d’un virus V . L’unité de temps
𝑥0 +𝑥 0
étant fixée (minute, heure, jour, selon la situation), on note X0 la variable aléatoire
Peut-on encore montrer que la stratégie optimale consiste à décider de commander endessous désignant le nombre d’individus de P porteurs de V à l’instant initial de l’étude, et
d’un stock plancher 𝑠 , pour compléter jusqu’à un stock optimal 𝑆 ? plus généralement Xn la variable aléatoire égale au nombre d’individus porteurs de V
Si 𝐷 suit la loi uniforme sur [0, 𝑎], avec 𝑎 > 0, pouvez-vous calculer explicitement les valeurs au bout de n unités de temps, n étant un entier naturel.
de 𝑠 et 𝑆 en fonction de 𝑎, 𝑣 , 𝑘 , 𝑐 , 𝐶 ? Vous pouvez réaliser une simulation du modèle.
Dans tout ce problème, IE(X) désigne, lorsqu’elle existe, l’espérance de la variable
On suppose désormais que 𝐷 suit la loi uniforme sur [0, 𝑎]. La stratégie adoptée chaque mois
est toujours la même : commande en-dessous d’un plancher 𝑠 pour compléter le stock jusqu’à 𝑆. aléatoire X .
On note encore 𝑋 (𝑡 ) la quantité restant en stock à la fin du mois 𝑡 , avant la commande du mois
suivant. La suite de variables aléatoires (𝑋 (𝑡 )) est une chaîne de Markov, à valeurs dans l’intervalle 1.1 Modèle proportionnel
[ 0, 𝑆]. On démontre que (𝑋 (𝑡 )) converge en loi vers une certaine loi de probabilité 𝜋 sur [0, 𝑆]
(mesure stationnaire). Vous pouvez donner une approximation de 𝜋 par simulation, en fixant des On propose d’étudier une situation où, à un instant donné n, l’agent contaminant
valeurs pour les paramètres. responsable de la transmission de V peut être actif ou inactif (en raison de facteurs
extérieurs qu’on ne cherche pas à étudier ici) : à tout instant n, on a la probabilité p
qu’il soit actif, et la probabilité 1−p qu’il soit inactif, p ∈]0, 1[ étant fixé. On considère de
ce fait une suite (Un )n∈IN de variables aléatoires de même loi de Bernoulli de paramètre
p, Un valant 1 si l’agent est actif à l’instant n, et 0 s’il est inactif. On supposera de plus
que les (Un )n∈IN sont mutuellement indépendantes, et que Un est indépendante de Xn
pour tout n ∈ IN .
On convient que lorsque l’agent contaminant est actif à l’instant n ∈ IN , le nombre
d’individus de P contaminés augmente d’un facteur α ∈]0, 1[ entre les instants n et
n + 1, si bien qu’on a 
Un = 1 =⇒ Xn+1 = (1 + α)Xn
Un = 0 =⇒ Xn+1 = (1 − α)Xn
Le modèle est dit raisonnable si la suite (Xn )n∈IN reste bornée au sens suivant :

IP (∃B ∈ IR : ∀ n ∈ IN, Xn ≤ B) = 1 (1)

Agrégation de Mathématiques Modélisation

On admet que notre modèle est raisonnable.

PAGE 5/5
19 1

20
 (Q1 ) Soit n ∈ IN ∗
a) Etablir que Xn = (1 + α)Un−1 (1 − α)1−Un−1 Xn−1
∗
b) Justifier la formule suivante : IE(Xn ) = (1 + (2p − 1)α)IE(Xn−1 ). Montrer que φ atteint sur IR+ un minimum λ < 0.
c) Donner l’espérance de Xn en fonction de X0 . f ) Que peut-on dire de IP (Xn > X0 ) ? Quelle est la nature de la série
d) En supposant IE(X0 ) > 0, pour quelles valeurs de p a-t-on lim IE(Xn ) = +∞ ?
n−→+∞
X
e) Quelle contrainte en découle pour que le modèle étudié soit jugé raisonnable ? IP (Xn > X0 )
n−1 n≥0
X
(Q2 ) On pose Sn = Uk
Remarque : on peut démontrer l’équation (1) ; le modèle peut ainsi être considéré
k=0
a) Quelle est la loi de Sn ? comme raisonnable pour les valeurs de p et de α choisies précédemment.
n−Sn
b) Montrer que Xn = (1 + α)Sn (1−α) X0 .
c) Quelle est, en fonction de X0 , la valeur maximale Mn que peut prendre Xn ? (Q4 ) Une partie pratique.
d) Si X0 > 0, montrer que lim Mn = +∞. Rédiger un algorithme que vous tester sur machine, qui permet de vérifier ce résultat. Il
n−→+∞
s’agit donc de générer une trajectoire de longueur (par exemple m = 1000) du processus
Remarque : le résultat précédent semble empêcher la possibilité que le modèle pro- X = (Xn ) et d’estimer la probabilité IP (Xn > X0 ) après avoir fixé une valeur pour X0 .
posé soit raisonnable. Néanmoins, ce maximum Mn n’est atteint au rang n que si l’agent Essayer différents scénarios en jouant sur les paramètres pour montrer le comportement
contaminant s’est montré actif lors des n premiers instants. Si p est faible et n est grand, du modèle proposé. Dresser des tableaux de résultats et des graphes pour la lisibilité
la probabilité d’avoir une telle séquence est infime. des résultats obtenus en y incluant les commentaires nécessaires.

Forts de la remarque ci-dessus, nous cherchons dans la suite à quantifier de façon plus 1.2 Modèle utilisant les matrices de transition
rigoureuse le risque que Xn devienne très grand, en évaluant la probabilité IP (Xn > X0 ) (n)
en fonction de n ∈ IN ∗ fixé. Soit N ∈ IN ∗ . Pour une matrice A = (ai,j )0≤i,j≤N et n ∈ IN ∗ , on note ai,j le coefficient
(Q3 ) de l’entrée (i, j) de la matrice An .
− ln(1 − α) on dit que la suite de matrices (An )n∈IN ∗ est convergente si et seulement si
a) Montrer que IP (Xn > X0 ) = IP (Sn > nθ(α)), où θ(α) = . (n)
bi,j = lim ai,j existe pour tout (i, j). Dans ce cas, on note
ln(1 + α) − ln(1 − α) n−→+∞
b) En déduire, en utilisant par exemple l’inégalité de Markov, que pour tout t > 0,
on a B = (bi,j )0≤i,j≤N = lim An .
n−→+∞
IP (Xn > X0 ) ≤ IE etSn e−ntθ(α)

Rappel de l’Inégalité de Markov : si Z est une variable aléatoire réelle sur un espace On admettra les résultats suivants :
de probabilité (Ω, B, IP ) telle que IP (Z ≥ 0) = 1, alors • si A et A′ sont deux matrices carrées et P est une matrice carrée inversible de
IE(Z) même taille telle que A = P A′ P −1 , alors (An )n∈IN ∗ converge si et seulement si
∀ a > 0, IP (Z ≥ a) ≤ (A′n )n∈IN ∗ converge, et dans ce cas, lim An = P ( lim A′n )P −1
a n−→+∞ n−→+∞
• si A est une matrice de taille N + 1 telle que (An )n∈IN ∗ converge vers B, U0 un
c) Montrer que pour tout t > 0 vecteur colonne à N + 1 composantes, et si Un = An U0 pour tout n ∈ IN ∗ , alors
les composantes de Un convergent vers celles de BU0 lorsque n tend vers +∞.
IP (Xn > X0 ) ≤ enφ(t)
On suppose dans cette partie que la population P est de taille N . Le modèle suivant
où φ(t) = ln(pet + (1 − p)) − tθ(α) est fondé sur l’hypothèse d’un virus V peu dangereux (guérison rapide) mais fortement
d) calculer l := lim θ(α). contagieux. On suppose que la propagation de V suit le schéma suivant : si l’on admet
α−→0 qu’à l’instant n ∈ IN ∗ , on a Xn = i ∈ {0, 1, . . . , N } individus porteurs de V , et donc
e) On admettra dans la suite que α est suffisamment proche de 0 pour qu’on puisse
N − i individus sains (non porteurs de V ), alors
prendre θ = l pour valeur approchée. On suppose que p = 51
Xchacun des i porteurs devient sain à l’instant n + 1,
Xchacun des N − i individus sains a une probabilité p ∈]0, 1[ (indépendante de
n et de i) de devenir porteur de V , de façon indépendante les uns des autres.

2 3

21 22
 Pour (i, j) ∈ {0, 1, . . . , N }2 , on note qi,j la probabilité conditionnelle
IP (Xn+1 = i | Xn = j) que Xn+1 = i sachant que Xn = j.

1.2.1 Traitement du cas N = 2

On pose pour tout n ∈ IN : Un = (IP (Xn = i))i∈{0,1,2} et M = (qi,j )0≤i,j≤2 .
(Q5 )
a) Pour j ∈ {0, 1, . . . , N }, reconnaı̂tre la loi conditionnelle de Xn+1 sachant Xn = j.
AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
En déduire que Épreuve de modélisation et Calcul Scientifique
(1 − p)2 1 − p 1
 

M =  2p(1 − p) p 0 
p2 0 0
Résumé : On s’intéresse au comportement asymptotique d’une famille de solutions
b) Montrer, via la formule des probabilités totales, que Un+1 = M Un , ∀ n ∈ IN . d’équations différentielles dont les coefficients oscillent rapidement.
En déduire l’expression de Un en fonction de U0 et d’une puissance de M .
Mots clefs : Equations aux dérivées partielles. Problème aux limites. Analyse asymptotique.
c) Montrer que 1, −p et p2 sont les valeurs propres de M et déterminer des
vecteurs propres associés.
d) Montrer que M est diagonalisable et donner une matrice inversible P et une ◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. Vous êtes
matrice diagonale D telles que M = P DP −1 . laissé(e) libre d’organiser votre discussion comme vous l’entendez. Des suggestions de
e) Montrer que pour tout k ∈ {0, 1, 2}, lim IP (Xn = k) existe (donner sa valeur). développement, largement indépendantes les unes des autres, vous sont proposées en fin
n−→+∞
Comment interpréter ce résultat en terme de propagation du virus ? de texte. Vous n’êtes pas tenu(e) de les suivre. Il vous est conseillé de mettre en lumière
vos connaissances à partir du fil conducteur constitué par le texte. Le jury appréciera
1.2.2 Vision endomorphisme que la discussion soit accompagnée d’exemples traités sur ordinateur.

Dans le but de généraliser les résultats ci-dessus à une valeur quelconque de N ∈ IN ∗ ,

on interprètre M comme une matrice d’un endomorphisme d’un espace de polynômes. On s’intéresse aux solutions d’équations différentielles du type
On note E l’espace vectoriel IRN [X] des polynômes à coefficients réels de degré inférieur d d 
(1) − a(x) u(x) = f (x), x ∈]0, 1[
ou égal à N et φ l’endomorphisme de E dont la matrice, dans la base (1, X, . . . , X N ) de dx dx
E, est M . On note, pour tout n ∈ IN , Un = (IP (Xn = i))0≤i≤N . avec les conditions aux limites
(Q6 ) (2) u(0) = 0 = u(1),
a) Montrer qu’en se restreignant au cas N = 2, on a φ(X k ) = (pX + 1 − p)2−k pour
tout k ∈ {0, 1, . . . , 2}. le coefficient a et le second membre f étant des fonctions données définies sur ]0, 1[ à valeurs
b) Donner sous forme factorisée trois polynômes (P0 , P1 , P2 ) tels que φ(Pk ) = (−1)k Pk dans R. Précisément, on étudie le comportement de la solution u lorsque le coefficient a présente
pour k ∈ {0, 1, . . . , 2}. des variations rapides.
c) Donner une expression des coefficients de la matrice M (à l’aide des coefficients
binomiaux), ainsi qu’une relation entre Un et U0 pour tout n ∈ IN ∗ . 1. Préliminaires
d) Montrer que φ(X k ) = (pX + 1 − p)N −k pour tout k ∈ {0, 1, . . . , N }
e) En s’inspirant de ce qui précède, quelle hypothèse peut-on faire sur les valeurs Le problème (1)-(2) peut être vu comme un modèle simple de transfert de chaleur décrivant
propres et les vecteurs propres correspondants de φ. Vérifier cette hypothèse par l’évolution de la température u dans un matériau conducteur soumis à une source de chaleur
un calcul direct. f . Les propriétés thermiques du matériau sont contenues dans le coefficient a(x). En effet,
f ) En déduire que M est diagonalisable, et donner la matrice diagonale D corres- considérons un fil de section S et de longueur 1 soumis à une source de chaleur f . En supposant
pondante (A = P DP −1 , on ne demande pas d’expliciter la matrice P ) que la température reste constante dans les sections, on réduit le problème à une situation mono-
g) Donner un vecteur propre de M associé à la valeur propre 1. dimensionnelle, décrite par la variable x ∈]0, 1[. En régime stationnaire, les variations spatiales
h) Montrer que (M n )n∈IN est convergente. du flux de chaleur q équilibrent la source et on a donc pour 0 < dx ≪ 1
Z x+dx

f (y) S dy = S q(x + dx) − q(x) .
Remarque. Un calcul explicite de P et de P −1 , par exemple, permettrait de mon- x
trer que les composantes de Un convergent (vous pouvez le vérifier dans le cas N = 2). Or, la loi de Fourier, de nature phénoménologique, relie le flux de chaleur aux variations de
d
température en postulant que q(x) = −a(x) dx u(x), a(x) > 0 étant le coefficient de conductivité
(Q7 ) Une partie pratique. thermique. On obtient ainsi l’équation (1) alors que (2) signifie que les extrémités du fil sont
Vous pouvez rédiger et exécuter un programme informatique permettant de suivre maintenues à une température nulle.
l’évolution des termes de la suite (M n )n∈IN . Interpréter les résultats obtenus.
Page 1/5
4

23 24



Lorsque le phénomène a lieu dans un matériau composite ce coefficient peut présenter de ne s’applique pas directement puisque a priori aucune des deux suites an n∈N ou u′n n∈N
fortes variations avec une échelle très petite. On décrit ceci en supposant que les coefficients de ne converge uniformément. On sait seulement que
(1) sont donnés par les éléments d’une suite

Théorème 4. Soit wn n∈N une suite de fonctions de classe C1 qui converge uniformément vers
(3) an (x) = α (nx),

une fonction w de classe C1 . Alors la suite w′n n∈N converge faiblement vers w′ .
où la fonction α est 1-périodique. On va analyser le comportement des solutions lorsque n → ∞,
c’est-à-dire lorsque la période d’oscillations des coefficients diminue. L’idée consiste à introduire la suite wn (x) = an (x)u′n (x) : l’équation (1) assure qu’elle satisfait
au critère du

théorème d’Arzela-Ascoli et on peut donc supposer qu’il existe une sous-suite
On suppose que notée wnk k∈N qui converge uniformément vers w sur [0, 1]. On en déduit que
a, f ∈ C0 ([0, 1]), 0 < a⋆ ≤ a(x) ≤ a⋆ < ∞. 1
Z 1
dy
On peut obtenir la formule suivante qui exprime la solution de (1)-(2) en fonction des données u′nk (x) = wn (x) converge faiblement vers w(x).
ank (x) k 0 α (y)
f et a :
Z x  Z y  Z 1 Z y  Z 1 On pose alors
1 1 1 Z x Z 1 
(4) u(x) = C− f (z) dz dy, C= f (z) dz dy/ dy. dy
0 a(y) 0 0 a(y) 0 0 a(y) u(x) = w(z) dz
0 0 α (y)
Pour des fonctions a, f quelconques une telle formule ne précise pas beaucoup plus la solution
et en passant (faiblement) à la limite k → ∞ dans (1) on obtient donc
que l’équation (1)-(2) ce qui motive donc de chercher des approximations numériques. Néan-
Z 1 
moins, (4) contient un certain nombre d’informations utiles. d d  dy −1
−w′ (x) = f (x) = − aeff u(x) , aeff =
dx dx 0 α (y)
2. Homogénéisation
3. Approximation numérique
On déduit de (4) le


Théorème 1. La suite un n∈N de solutions de (1)-(2) associée aux coefficients (3) avec l’hypo- 3.1. Eléments finis
d
thèse 0 < a⋆ ≤ α (x) ≤ a⋆ < ∞ est telle que un (x) et u′n (x) = dx un (x) sont bornées uniformément
La méthode numérique qu’on propose exploite la relation
en x ∈ [0, 1] et n ∈ N par des constantes ne dépendant que de a⋆ , a⋆ et supx∈[0,1] | f (x)|.
Z 1 Z 1

d d
Grâce au théorème d’Arzela-Ascoli on peut donc extraire une sous-suite unk k∈N qui con- (5) a(x) u(x) ϕ (x) dx = f (x)ϕ (x) dx
0 dx dx 0
verge uniformément vers u sur [0, 1]. On se demande quelle est l’équation satisfaite par la li-
mite u(x). Naïvement on pourrait croire que u vérifie (1)-(2) avec pour coefficient (constant) la obtenue pour tout ϕ ∈ C1 ([0, 1]) telle que ϕ (0) = 0 = ϕ (1) en multipliant (1)-(2) par ϕ puis en
R intégrant par parties. On introduit une subdivision de [0, 1]
moyenne 01 α (y) dy, raisonnement qui pourrait être conforté par le

x0 = 0 < x1 = 1/N < · · · < xi = i/N < · · · < xN = 1.
Théorème 2. Soit une suite bn n∈N définie par bn (x) = β (nx) où β est une fonction 1-périodique.
R1
On note β̄ = 0 β (y) dy sa moyenne. Alors pour tout ϕ ∈ Cc0 (]0, 1[) on a Le paramètre N ∈ N (ou h = 1/N > 0) est destiné à évaluer la qualité de l’approximation nu-
Z 1 Z 1 mérique qu’on met en oeuvre. On définit l’espace d’approximation
lim bn (x)ϕ (x) dx = β̄ ϕ (x) dx.
n→∞ 0 0 V (N) = {ϕ ∈ C0 ([0, 1]), ϕ (0) = 0 = ϕ (1), ϕ|I j ∈ P1 }
On dit que la suite bn converge faiblement vers β̄ . où I j = [ j/N, ( j + 1)/N] et P1 désigne l’ensemble des polynômes de degré ≤ 1. On vérifie que
Toute la difficulté consiste à passer à la limite dans le produit an (x)u′n (x) ; en effet l’énoncé V (N) est un espace vectoriel de dimension N − 1 engendré par les fonctions



Théorème 3. Soit vn n∈N et wn n∈N deux suites de fonctions continues, uniformément bor-  −Nx + (1 + j) si x ∈ I j ,
nées. Si vn converge faiblement vers v et wn converge uniformément vers w alors vn wn converge ϕj = Nx + (1 − j) si x ∈ I j−1

faiblement vers vw. 0 ailleurs

Page 2/5 Page 3/5

25 26
 thermique est donnée par (3) avec N = n. La matrice A(N) est alors
 
2 −1 0 ...
 −1 2 −1 0 ... 
Z 1  
(N)  0 −1 2 −1 0 ... 
A = α (y) dy  .
0  ... 
 ... 0 −1 2 −1 
... 0 −1 2
avec j ∈ {1, . . . , N − 1}. On note que (5) est encore satisfaite par les ϕ j et l’idée est de chercher R1
une approximation de la solution de (1) de la forme ∑N−1 (N) . Cette matrice correspond à l’approximation de (1)-(2) avec a(x) = α (y) dy dont on a juste-
j=1 u j ϕ j (x) ∈ V
0
ment vu qu’il n’était pas le problème décrivant la limite n → ∞.
On définit u(N) en imposant que
Comparaison de la solution exacte et de la solution obtenue par EF
Z 1 Z 1
d d
a(x) u(N) (x) ϕ j (x) dx =
0.14
(6) f (x)ϕ j (x) dx solution EF pour N=6

0 dx dx 0 0.12
solution exacte

soit satisfait pour tout j ∈ {1, . . ., N − 1}, ce qui revient à dire d’une part que le vecteur U (N) = 0.10

(u1 , . . ., uN−1 ) est solution du système linéaire

0.08
Z 1 Z 1

u
(N) (N) (N) (N) (N)
A U =F , Ai j = a(x)ϕi′ (x)ϕ ′j (x) dx, Fi = f (x)ϕi (x) dx. 0.06

0 0
0.04

et d’autre part que u(N) n’est autre que la projection de u sur V (N) pour le produit scalaire
R
hu, vi = 01 a(x) dx
d d
u(x) dx v(x) dx. La validité de cette approche repose alors sur le 0.02

0.00

Théorème 5. Soit g ∈ C2 ([0, 1]) vérifiant g(0) = 0 = g(1). On pose ge(N) (x) = ∑N−1
i=1 g(ih)ϕi(x).
0.0 0.1 0.2 0.3 0.4 0.5
x
0.6 0.7 0.8 0.9 1.0

Alors, il existe C > 0 telle que

d (N) d F IGURE 1
g(N) (x) − g(x)| ≤ C/N 2 ,
sup |e sup ge (x) − g(x) ≤ C/N.
x∈[0,1] x∈[0,1] dx dx

On peut donc espérer une convergence d’ordre 1/N c’est-à-dire montrer qu’il existe une Suggestions pour le développement
constante C > 0 telle que l’erreur entre la solution approchée u(N) et la solution u de (1)-(2)
vérifie ◮ Soulignons qu’il s’agit d’un menu à la carte et que vous pouvez choisir d’étudier cer-
′
ku(N) − ukL∞ ≤ ku(N) − u′ kL2 ≤ C/N. tains points, pas tous, pas nécessairement dans l’ordre, et de façon plus ou moins
fouillée. Vous pouvez aussi vous poser d’autres questions que celles indiquées plus bas.
Il est très vivement souhaité que vos investigations comportent une partie traitée sur
3.2. Résonnance ordinateur et, si possible, des représentations graphiques de vos résultats.

La mise en oeuvre de la méthode requiert donc le calcul des coefficients de la matrice A(N) . – Détailler l’analyse mathématique du problème asymptotique et donner les arguments prou-
On remarque que les fonctions ϕ j et ϕk ont des supports disjoints dès que | j − k| > 1 donc la vant les théorèmes utilisés dans le texte.
– Montrer qu’on peut aussi considérer comme second membre les éléments d’une suite fn (x)
matrice A(N) est creuse. Par ailleurs, on a
qui converge faiblement (par exemple fn (x) = g(nx) avec g une fonction 1-périodique).
ϕ ′j (x)ϕ ′j (x) = N 2 11[( j−1)/N,( j+1)/N] (x), ϕ ′j (x)ϕ ′j+1 (x) = −N 2 11[ j/N,( j+1)/N] (x) – Généraliser le cadre fonctionnel en considérant des données f ∈ L2 (]0, 1[) et des coeffi-
cients non forcément continus.
(où 11B désigne la fonction caractéristique de l’ensemble B). Il vient donc – Préciser les bases de la méthode numérique proposée et justifier les estimations d’erreur.
Z (i+1)/N Z (i+1)/N
(N)
Ai j = 0 si |i − j| > 1,
(N)
Aii = N 2 a(x) dx,
(N)
Aii+1 = −N 2 a(x) dx. – Valider le schéma numérique ; on pourra notamment tester le schéma pour des coefficients
(i−1)/N i/N constants par morceaux, par exemple a(x) = 11[0,1/2] + 211]1/2,1] .
– Illustrer le phénomène de résonnance.
La figure 1 illustre cette approche pour le cas a(x) = 1, f (x) = 1. Dans le cas de coefficients
– Proposer d’autres méthodes numériques.
rapidement variables, il peut se produire des phénomènes de résonnance entre l’échelle des
oscillations et l’échelle de discrétisation qui conduisent à de mauvais résultats numériques. Ce
phénomène est frappant lorsque les deux échelles coïncident c’est-à-dire lorsque la conductivité

Page 4/5
Page 5/5

27 28
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Épreuve de modélisation et Calcul Scientifique

File d’attente

Le jury n’exige pas une compréhension exhaustive du texte. Vous êtes libres d’orga-
niser votre discussion comme vous l’entendez. Des suggestions de développement, lar-
gement indépendantes les unes des autres, vous sont proposées en fin de texte. Ce ne
sont que des suggestions et vous n’êtes pas tenu(e) de les suivre. Il vous est conseillé de
mettre en lumière vos connaissances à partir du fil conducteur constitué par le texte.
Le jury appréciera que la discussion soit accompagnée d’exemples traités sur ordinateur.

I. Modélisation d’une file d’attente d’un guichet

On considère une file d’attente en temps discret qui se forme à un guichet, selon le
phénomène suivant : à chaque instant n ∈ IN , il arrive un client avec la probabilité
p ∈]0, 1[ et pas de client avec une probabilité 1 − p. Lorsqu’il y a au moins un client en
attente, à chaque instant un client est servi et quitte le système (la file d’attente) avec
probabilité q ∈]0, 1[, et personne ne quitte le système avec la probabilité 1 − q (un client
qui arrive à l’instant n repart au plus tôt à l’instant n + 1). Les événements liés aux
arrivées et aux départs des clients sont indépendants entre eux. On suppose qu’à chaque
instant n, il est question d’un seul client qui peut arriver et d’un seul client qui peut
quitter le système. On exclut l’arrivée de deux clients au même instant et on exclut le
départ de deux clients au même instant mais on tolère l’arrivée d’un client et le départ
d’un autre au même instant. On suppose que les clients sont servis dans l’ordre de leurs
arrivées.
On modélise le nombre de clients présents dans la file à l’instant n par la variable Xn .
Si on note An (resp. Dn ) l’événement ”Arrivée d’un client à l’instant n” (resp. ”Départ
d’un client à l’instant n”) et si Ān et D̄n sont respectivement les événements complémentaires
de An et Bn , alors Xn+1 peut s’écrire sous la forme :

• si Xn = 0 alors Xn+1 = 11(An+1 )

• si Xn ≥ 1 alors

Xn+1 = Xn 11((An+1 ∩ Dn+1 ) ∪ (Ān+1 ∩ D̄n+1 )) + (Xn + 1)11(An+1 ∩ D̄n+1 )+

+(Xn − 1)11(Ān+1 ∩ Dn+1 ),

avec, pour un événement E, 11(E) = 1 si E est réalisé et 11(E) = 0 si E n’est pas réalisé.
Quand un événement n’est pas réalisé, c’est donc son complémentaire qui est réalisé.

On montre que X = {Xn , n ∈ IN } est une chaı̂ne de Markov homogène, irréductible,

d’espace d’état IN , et de matrice de transition P = (P (i, j))i,j∈IN donnée par.
 
p̄ p 0 0 0 0 ...
 q p̄ pq + p̄q̄ pq̄ 0 0 0 ... 
 
P =  0 q p̄ pq + p̄q̄ pq̄ 0 0 ...  
 0 0 q p̄ pq + p̄q̄ pq̄ 0 . . . 
... ... ... ... ... ... ...

Page 6/6
1

29 30
 avec p̄ = 1 − p et q̄ = 1 − q. valeur de l’arc qui se dirige de l’état i vers l’état j est K(i, j)). Les arcs de valeurs nulles
On montre, sous des conditions sur p et q, que la chaı̂ne X possède une probabilité ne sont pas dessinés.
invariante unique π = (πi )i∈IN .
Une des mesures de performance du système est le temps moyen de séjour dans un sous II.7 Définition 3. On dit qu’une chaı̂ne de Markov X ∼ (E, µ, K) est irréductible
espace d’états du système. si et seulement si
∀ i, j ∈ E, ∃m ∈ IN ∗ K (m) (i, j) > 0
II- Un rappel sur les chaı̂ne de Markov à temps discret
où K (m) (i, j) est l’entrée (i, j) de la matrice K m . Cela représente la probabilité de passer
Soit (Ω, F, IP ) un espace probabilisé dans lequel sont définies toutes les variables aléatoires
de l’état i à l’état j en m transitions.
considérées dans la modélisation proposée.
Nous avons donc pour tout i, j ∈ E,
Soit le processus X = (Xn )n≥0 défini par une suite de variables aléatoires à valeurs dans
un ensemble fini E appelé espace d’état, et soit µ = (µ(i))i∈E une loi de probabilités
X
K (m) (i, j) = K(i, i1 )K(i1 , i2 ) · · · K(im−1 , j) (1)
sur E. Pour i ∈ E, la notation Xn = i signifie que le processus X est dans l’état i à i1 ,...,im−1 ∈E
l’instant n.
II.8 Proposition 1. Soit une chaı̂ne de Markov homogène X ∼ (E, µ, K).
II.1 Définition 1. On dit que le processus X = (Xn )n≥0 est une chaı̂ne de Markov
Alors ∀ n ≥ 0, ∀ i0 , i1 , . . . , in ∈ E
à temps discret (n ∈ IN ), à espace d’état E et de loi initiale µ si et seulement si
∀ n ≥ 0, ∀ i, i0 , . . . , in−1 , j ∈ E, IP (X0 = i0 , X1 = i1 , . . . , Xn = in ) = µ(i0 )K(i0 , i1 )K(i1 , i2 ) · · · K(in−1 , in )

IP (Xn+1 = j/X0 = i0 , . . . , Xn−1 = in−1 , Xn = i) = IP (Xn+1 = j/Xn = i)

II.9 Proposition 2. Soit une chaı̂ne de Markov homogène X ∼ (E, µ, K). Alors
IP (X0 = i) = µ(i) X
∀ m > 0, IP (Xm = j) = µ(i)K (m) (i, j), ∀j ∈ E
La probabilité IP (Xn+1 = j/Xn = i) est appelée probabilité de transition, de la chaı̂ne i∈E
X, de l’état i à l’état j entre les instants n et n + 1.
II.10 Proposition 3. Soit une chaı̂ne de Markov homogène X ∼ (E, µ, K). Alors
II.2 Définition 2. La chaı̂ne de Markov X est dite homogène dans le temps si et seule-
ment si la probabilité IP (Xn+1 = j/Xn = j) est indépendante du temps n. Dans ce cas on ∀ n ≥ 0, ∀ m > 0, ∀ i, j ∈ E, IP (Xn+m = j/Xn = i) = IP (Xm = j/X0 = i) = K (m) (i, j)
la note K(i, j) := IP (Xn+1 = j/Xn = j), et la matrice ainsi obtenue K = (K(i, j))i,j∈E
est appelée matrice de transition de la chaı̂ne de Markov homogène X.
II.11 Proposition 4. Soit une chaı̂ne de Markov homogène X ∼ (E, µ, K). Nous avons
II.3 Remarque 1. Une chaı̂ne de Markov à temps discret et homogène X est ca- alors les équations de Chapman-Kolmogorov suivantes :
ractérisée par le triplet (E, µ, K), où E est son espace d’état, µ = (µ(i))i∈E est sa loi X
initiale, µ(i) = IP (X0 = i), et K = (K(i, j))i,j∈E est sa matrice de transition. ∀m ≥ 2 , ∀ 0 < r < m , ∀ i, j ∈ E, K (m) (i, j) = K (m−r) (i, k)K (r) (k, j)
k∈E

II.4 Remarque 2. Pour tout état i fixé dans E, {K(i, j), j ∈ E} est une loi de
probabilité sur E. Les lignes de la matrice de transitions sont donc des lois de probabi- II.12 Définition 4 (loi stationnaire ou invariante). Soit une chaı̂ne de Markov
lité sur E. homogène X ∼ (E, µ, K). On dit qu’une loi de probabilité, π = (π(i))i∈E sur E, est une
loi stationnaire de X (ou loi invariante par K) si et seulement si
II.5 Notations. On note X ∼ (E, µ, K) pour désigner une chaı̂ne de Markov X = X
π(i)K(i, j) = π(j), ∀ j ∈ E (2)
(Xn )n≥0 à temps discret, à espace d’état E, de loi initiale µ = (µ(i))i∈E , et de matrice
i∈E
de transition K = (K(i, j))i,j∈E .
Les équations (2) sont appelées équations de balance ou d’équilibre. Elles peuvent
II.6 Graphe de transition. Le graphe de transition d’une chaı̂ne de Markov X ∼ être réécrites matriciellement sous la forme
(E, µ, K) est un graphe orienté et évalué, dont les sommets sont les états (éléments de
E) et les arcs sont des flèches dont les valeurs sont les coéfficients de la matrice K (la πtK = πt (π t désigne la transposée du vecteur colonne π)

2 3

31 32
 II.13 Théorème 1. Si X ∼ (E, µ, K) est une chaı̂ne de Markov homogène et irréductible
avec E fini, alors il existe une loi stationnaire π = (π(i))i∈E unique de X. III.3 Aspect modélisation, calcul numérique et algorithmique
1.) Simuler et tracer une trajectoire de la chaı̂ne X de l’instant n = 0 à l’instant
II.14 Génération d’une trajectoire d’une chaı̂ne de Markov n = 100 en supposant que X démarre dans l’état 0, pour p = 1/2 et q = 3/4.
Soit X ∼ (E, µ, K) une chaı̂ne de Markov homogène. Une procédure de génération d’une 2.) En générant 100000 trajectoires de X démarrant dans l’état 0, calculer une
trajectoire x = (x0 , x1 , . . . , xp ), de longueur p, de la chaı̂ne X est la suivante : approximation de π2 . On traitera le cas (p, q) = (1/2, 3/5).
3.) On suppose maintenant que le système est de capacité finie K. Dans ce cas
on commence par générer la réalisation x0 selon la loi de probabilité initiale µ définie l’espace d’état de X devient {0, 1, . . . , K}. Pour simplifier on garde les mêmes
sur E, puis à partir de x0 , on génère de manière récurssive pour k = 1, . . . , p, chaque notations que pour le cas d’une capacité illimité.
réalisation xk par la loi de probabilité K(xk−1 , .) définie sur E. 3.1) Tronquer la matrice de transition P en supprimant les lignes i > K et les
colones j > K, puis renormaliser la dernière ligne de la matrice tronquée pour
II.14.1 Génération selon une loi de probabilité discrète. obtenir une matrice de transition.
Pour une variable aléatoire réelle discrète Y à valeurs dans E = {yk ; k = 1, 2, . . .} de 3.2) En prenant K = 3 (dans toute la suite), expliciter la loi invariante π.
loi de probabilités discrète pk = IP (Y = yk ), k = 1, 2, . . ., on génère une réalisation y 3.3) Générer une trajectoire de longueur n = 1000 et calculer les quantités p̂j (n),
de Y , en utilisant un nombre uniforme u ∈]0, 1[, donnée par un générateur de nombres pour j = 0, 1, . . . , K, définies par :
aléatoires (random), de la façon suivante : n
1X
 p̂j (n) = 11(Xk = j)
 Si u ≤ p1
 on décide y = y1 ! n k=1
k−1
X X k
Sinon on décide y = y k telle que p i < u ≤ p i
3.4) Comparer graphiquement les πj avec les p̂j (n) pour les valeurs de n :


i=1 i=1
100, 1000 et 10000. On traitera les cas (p, q) = (1/2, 3/5)
III- Suggestions de développement 3.5) Proposer une approximation du temps moyen de séjour dans un état du
Ce paragraphe ne contient qu’un petit nombre de suggestions. Vous pouvez choisir système.
d’étudier certains points seulement, de façon plus ou moins approfondie, et pas nécessairement
dans l’ordre. Vous pouvez aussi vous poser d’autres questions que celles indiquées ci des-
sous. Il est vivement souhaité que vos investigations comportent une partie traitée sur
ordinateur et, si possible, des représentations graphiques.

III.1 Aspect mathématique

1.) Proposer des preuves pour les propositions 1, 2, 3 et 4
2.) Etudier la classification des états de la chaı̂ne X du modèle proposé.
3.) Etudier l’existence et l’unicité d’une loi probabilité invariante π pour la chaı̂ne
du modèle proposé.
4.) Expliciter π, quand elle existe, en fonction des paramètres du modèle proposé.
5.) Définir le temps moyen de séjour de la chaı̂ne X dans un état donné

III.2 Aspect enseignement

1.) Expliquer la formulation de Xn+1 en fonction de Xn (donnée dans le text)
2.) Tracer le graphe de transition de la chaı̂ne X
3.) Expliquer ce que signifie l’homogénéité de la chaı̂ne X.
4.) Expliquer ce que signifie la classification des états de la chaı̂ne X.
5.) Proposer d’autres mesures de performance du système modélisé
6.) Repérer les changements dans le modèle si on rajoute la contrainte suivante :
la capacité du système est limitée (à tout instant n, on ne peut avoir plus de K
clients dans le système ).
5

4
33 34
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Épreuve de modélisation et Calcul Scientifique
de temps δt , la quantité de fluide qui traverse la section d’abscisse x est donnée par Q(x)δt .
Ecoulementùenùmilieuxùporeux On note f (x) le débit (entrant) de l’injection au point x. La fonction f est donc non nulle (et
par exemple constante) uniquement pour les abscisses correspondant aux zones d’injection.
Si on écrit le bilan des débits entre deux abscisses a < b quelconques, on obtient
Résumé : On s’intéresse à un modèle d’écoulement en milieux poreux. Zb
Mots clefs : Équations aux dérivées partielles. Différences finies. Systèmes non linéaires. (1) Q(b) −Q(a) = f (x)d x,
a

ce qui fournit une première équation aux dérivées partielles

◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. Vous êtes
laissé(e) libre d’organiser votre discussion comme vous l’entendez. Des suggestions de dQ
(2) (x) = f (x), ∀x ∈]0, 1[.
développement, largement indépendantes les unes des autres, vous sont proposées en fin dx
de texte. Vous n’êtes pas tenu(e) de les suivre. Il vous est conseillé de mettre en lumière
Il reste maintenant à exprimer le débit Q en fonction de la pression p. Celle-ci est sup-
vos connaissances à partir du fil conducteur constitué par le texte. Le jury appréciera
posée constante dans chaque section verticale de la zone poreuse, elle ne dépend donc que
que la discussion soit accompagnée d’exemples traités sur ordinateur.
de la variable x. À ce stade, plusieurs modèles peuvent être donnés en fonction des proprié-
tés des divers fluides en présence et du milieu poreux considéré (sable, argile, etc. . . ). Il est
Dans tout le texte on dira qu’une fonction F de RN dans RN est coercive si elle tend vers raisonnable de penser que le débit est une fonction monotone du gradient de pression
l’infini à l’infini, c’est-à-dire limkxk→+∞ kF (x)k = +∞. µ ¶
dp
(3) Q(x) = −ϕ (x) , ∀x ∈ [0, 1],
dx
1. Introduction
où ϕ est une fonction de R dans R, de classe C 1 , strictement croissante, sans point critique,
On s’intéresse dans ce texte à un modèle d’écoulement en milieu poreux. Un cadre typique coercive et avec ϕ(0) = 0.
d’application de tels modèles est celui de l’industrie pétrolière. La situation géométrique bi- Donnons deux exemples de telles lois :
dimensionnelle (très simplifiée bien sûr) est celle décrite par la figure 1. Le pétrole est sup- — Si on se place dans l’hypothèse de faibles débits, on peut envisager une loi linéaire
posé piégé dans la zone poreuse et les zones hachurées sont totalement imperméables. Le
(4) ϕ(ξ) = K ξ,
but est de faire sortir le pétrole par les deux extrémités de la zone poreuse (à gauche et à
droite sur le dessin) en injectant de l’eau avec un certain débit à travers des puits représen- où K > 0 est un paramètre du problème.
tés sur la figure. — Dans le cas général, les lois sont plus complexes et on peut, par exemple, prendre
La zone poreuse est supposée rectiligne et de longueur 1 pour fixer les idées, de sorte que
la position horizontale dans celle-ci est repérée par une abscisse x ∈ [0, 1]. On se place dans 2K ξ
(5) ϕ(ξ) = .
une situation stationnaire et on note Q(x) le débit de fluide (i.e. du mélange eau+pétrole) à
p
1+ 1 + |ξ|
travers la section d’abscisse x orientée de gauche à droite. Autrement dit, pour tout intervalle
Enfin, les deux extrémités de la zone poreuse étant supposées à l’air libre, la pression à ces
injection injection deux extrémités est donc égale à la pression atmosphérique (qu’on prendra nulle quitte à
retrancher une constante à la pression).
11111
00000
00000
11111 11111
00000
00000
11111 11
00
00
11 En résumé, on est ramené à l’étude du problème aux limites suivant
00000
11111
00000
11111 00000
11111
00000
11111 00
11
00
11
00000
11111 00000
11111 00
11
µ µ ¶¶
 − d ϕ d p (x) = f (x), pour 0 < x < 1,

Zone poreuse (6) dx dx
11111111111111111111
00000000000000000000
00000000000000000000
11111111111111111111

p(0) = p(1) = 0.
00000000000000000000
11111111111111111111
00000000000000000000
11111111111111111111
00000000000000000000
11111111111111111111 D’un point de vue pratique, pour les industriels du pétrole, une question pertinente est :
étant donnés la position et le débit des puits d’injection (i.e. la fonction f dans le modèle),
F IGURE 1. Configuration géométrique du gisement. quel est le débit de pétrole en sortie que l’on va obtenir ?

Page 1/6 Page 2/6

35 36
 2. Analyse théorique du modèle On cherche ensuite l’unique α tel que p N +1 = 0, par exemple par une méthode de dicho-
tomie.
On souhaite ici démontrer le résultat suivant :
Cette approche fonctionne assez bien mais présente des inconvénients relativement rédhi-
Théorème 1. Soit ϕ une fonction de classe C 1 de R dans R, strictement croissante, sans point bitoires. Tout d’abord, elle nécessite de pouvoir calculer explicitement l’inverse de la fonc-
critique et coercive. Pour toute fonction f continue sur [0, 1], il existe une unique solution p tion ϕ, ce qui n’est pas nécessairement accessible dans des situations complexes. Dans ce
au problème (6). cas, il faut envisager un calcul approché de ϕ−1 à chaque étape du calcul. Par ailleurs, la
méthode n’est pas généralisable aux dimensions supérieures à 1.
Pour justifier cela, on note, pour tout α ∈ R, p α l’unique solution sur [0, 1] du problème de
Cauchy
 µ µ ¶¶ 3.2. Approche directe
d d pα
− ϕ = f (x), pour 0 < x < 1,

On propose d’étudier directement le schéma aux différences finies suivant pour résoudre


 dx dx


(7) p α (0) = 0, le problème :
 p 0 = p N +1 = 0
 
d p

α

(0) = α.

(11) 1 ³ ³ p i +1 − p i ´

 ³ p − p ´´
dx i i −1
− ϕ −ϕ = f (x i ), ∀i ∈ {1, . . . , N }.
h h h
On vérifie que cette solution s’exprime de la façon suivante
Zx µ Zt ¶ On vérifie que toute solution du schéma par dichotomie (10) (pour la bonne valeur de α
(8) p α (x) = ϕ−1 ϕ(α) − f (u) d u d t , bien entendu) est aussi solution du schéma (11). Les deux méthodes proposées sont donc
0 0 équivalentes dans le cas présent mais la formulation (11) est adaptable à des cas beaucoup
et que la fonction α ∈ R 7→ p α (1) ∈ R est continue, strictement croissante et coercive. Il existe plus généraux (notamment en dimension supérieure), c’est pourquoi nous en proposons ici
donc une unique valeur α0 de α pour laquelle on a une étude directe.

(9) p α0 (1) = 0. Théorème 2. Pour toute fonction continue f , le schéma (11) admet une unique solution (p i )0≤i ≤N +1 .

La fonction p α0 ainsi obtenue est bien l’unique solution de (6). Pour prouver cela, on définit une fonction non-linéaire Φ : RN 7→ RN par
Remarquons que tout ce qui précède fonctionne encore si la fonction f est seulement 1 ³ ³ p i +1 − p i ´ ³ p − p ´´
i i −1
(12) Φi (p) = − ϕ −ϕ , ∀i ∈ {1, . . . , N },
continue par morceaux, on obtient alors une solution p de classe C 2 par morceaux. h h h
avec, par convention, p 0 = p N +1 = 0, et on va montrer que Φ est bijective.
Commençons par remarquer que pour tous p, q ∈ RN , on a
3. Approximation numérique des solutions N ³ ³p
i +1 − p i
´ ³q −q ´ p −p q i +1 − q i ´
X i +1 i i +1 i
(13) (Φ(p) − Φ(q), p − q) = ϕ −ϕ , − .
3.1. Approche par dichotomie i =0 h h h h
Ceci montre que Φ est monotone, c’est-à-dire que (Φ(p) − Φ(q), p − q) > 0 pour tous p 6= q.
Les formules établies ci-dessus ne permettent manifestement pas le calcul explicite de Le résultat général que l’on peut alors appliquer est le suivant :
la solution de (6). On peut néanmoins s’en servir pour bâtir une méthode numérique en
s’inspirant de la technique de démonstration du théorème 1. Pour cela, pour tout paramètre Théorème 3. Toute fonction Φ de classe C 1 , monotone et coercive de RN dans RN est bijective.
α ∈ R, on utilise une formule de quadrature pour calculer une approximation des p α . Plus Soit b ∈ RN , on veut trouver p ∈ RN tel que Φ(p) = b. L’unicité d’un tel p découle immédia-
précisément, pour un entier N fixé et h = 1/(N +1), on pose x i = i h, 0 ≤ i ≤ N +1, on cherche tement de l’hypothèse de monotonie. Pour démontrer l’existence d’une solution p, on peut
alors une approximation p i de p α au point x i par la récurrence procéder de la façon suivante :
p 0 = 0,


 (1) Pour tout ε > 0, on introduit la fonction Φε (p) = Φ(p) + εp. Celle-ci vérifie
 S 0 = 0,

(Φε (p) − Φε (q), p − q) ≥ εkp − qk2 , ∀p, q ∈ RN .

(14)
(10)
S = S i + h f (x i +1 ), ∀i ∈ {0, . . . , N − 1},
 i +1 En particulier, pour tout p ∈ RN , la matrice jacobienne DΦε (p) est inversible et donc


p i +1 = p i + hϕ−1 (ϕ(α) − S i ), ∀i ∈ {0, . . . , N }.

l’image de Φε est un ouvert.


Page 3/6 Page 4/6

37 38
 (2) De (14), on déduit également que
(15) (Φε (p), p) ≥ εkpk2 + (Φ(0), p), ∀p ∈ RN ,
et donc, par l’inégalité de Cauchy-Schwarz, on obtient
(16) kΦε (p)k ≥ εkpk − kΦ(0)k, ∀p ∈ RN .
En particulier, on a obtenu que Φε est coercive.
(3) Montrons qu’il existe p ε ∈ RN tel que Φε (p ε ) = b. Pour cela, on définit p ε ∈ RN par le
problème de minimisation suivant :
(17) kb − Φε (p ε )k = infn kb − Φε (q)k.
q∈R

Un tel p ε existe grâce à la continuité de Φε et à (16). Si kb − Φε (p ε )k = 0, le résultat F IGURE 2. Calcul de p α pour différentes valeurs de α.
est démontré. Supposons par l’absurde que kb − Φε (p ε )k > 0. On a vu plus haut que
l’image de Φε est un ouvert. Il existe donc r > 0 tel que la boule B (Φε (p ε ), r ) est incluse
dans l’image de Φε . Or il existe nécessairement un élément z de cette boule tel que
kb − zk < kb − Φε (p ε )k, ce qui contredit (17).
(4) On a donc trouvé un p ε ∈ RN tel que Φε (p ε ) = b. D’après (16), on a
(18) εkp ε k ≤ kbk + kΦ(0)k,
et donc, par définition de Φε , on trouve
(19) kΦ(p ε )k ≤ kΦε (p ε )k + εkp ε k ≤ 2kbk + kΦ(0)k.
Comme Φ est coercive, l’inégalité précédente prouve que la famille (p ε )ε est bornée. On
peut donc en extraire une suite (p εn )n qui converge vers un certain p ∈ RN et en passant F IGURE 3. Solution p calculée par le schéma aux différences finies.
à la limite dans l’équation Φεn (p εn ) = b, on obtient que la limite p vérifie Φ(p) = b et le
théorème est démontré. Suggestions pour le développement
En pratique, on peut résoudre le système (11) en utilisant, par exemple, la méthode de ◮ Soulignons qu’il s’agit d’un menu à la carte et que vous pouvez choisir d’étudier certains
Newton qu’on pourra initialiser par n’importe quelle fonction non constante. points, pas tous, pas nécessairement dans l’ordre, et de façon plus ou moins fouillée.
Vous pouvez aussi vous poser d’autres questions que celles indiquées plus bas. Il est très
vivement souhaité que vos investigations comportent une partie traitée sur ordinateur
3.3. Résultats numériques
et, si possible, des représentations graphiques de vos résultats.
On applique les méthodes présentées ci-dessus pour la non-linéarité ϕ(ξ) = |ξ|ξ (même — Pourquoi la stricte monotonie de la fonction ϕ dans le modèle est une hypothèse na-
si cette fonction ne satisfait pas toutes les hypothèses requises précédemment), le terme turelle ?
source f constant par morceaux qui vaut 10 sur [0.5, 0.8] et qui vaut 0 partout ailleurs. On — Détailler l’analyse théorique du modèle présentée dans la section 2.
prend N = 100 points de discrétisation. — Discuter et mettre en œuvre la méthode numérique présentée dans la section 3.1 Peut-
La figure 2 donne les courbes de p α pour différentes valeurs de α entre 0 et 2. On obtient on estimer, pour une valeur de α fixée, l’erreur que l’on commet sur la valeur de p α (1) ?
approximativement la valeur α0 = 0.91 du paramètre α pour laquelle p α0 (1) = 0. En calculant la valeur du paramètre α0 pour différentes valeurs du nombre de points
La figure 3 montre la solution de (6) obtenue en appliquant la méthode de Newton pour N , que peut-on dire sur l’erreur commise sur la fonction p ?
les équations (11), une bonne précision étant obtenue au bout d’une vingtaine d’itérations. — Détailler la démonstration des théorèmes 2 et 3. Mettre en œuvre l’approche par diffé-
rences finies de la section 3.2. On pourra en particulier calculer la matrice Jacobienne
du système et discuter de méthodes numériques adaptées pour calculer son inverse.

Page 5/6 Page 6/6

39 40
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Épreuve de modélisation et Calcul Scientifique En appliquant le principe fondamental de la dynamique, on obtient l’équation différen-
tielle suivante

ésonanceùparamétriqueùd%ù’ unùpendule
RR ℓ̇(t )θ̇(t ) g
(2) θ̈(t ) + 2 sin θ(t ) = 0.
¡ ¢
+
ℓ(t ) ℓ(t )
Résumé : On s’intéresse à la possibilité de rendre instable un équilibre stable d’un pendule On va supposer que ℓ oscille autour d’une valeur moyenne ℓ0 et que l’on peut écrire ℓ sous
oscillant en variant la longueur de ce dernier. la forme ℓ(t ) = ℓ0 /(1 + ε cos(ω1 t )), où 0 < ε ≪ 1 et ω1 > 0. Si l’on cherche θ sous la forme
θ(t ) = θ(ω1 t ) et l’on pose ω20 = g /ℓ0 , on obtient
Mots clefs : Équations différentielles ordinaires. Propriétés qualitatives des solutions.
Dépendance par rapport aux paramètres. ε sin(t ) ω2
(3) θ̈(t ) + 2 θ̇(t ) + 02 (1 + ε cos(t )) sin θ(t ) = 0.
¡ ¢
1 + ε cos(t ) ω1
ω2
Si l’on suppose de plus ε ω20 = O (1), alors, en négligeant le terme d’ordre O (ε), on aboutit à
◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. Vous êtes 1
l’équation
laissé(e) libre d’organiser votre discussion comme vous l’entendez. Des suggestions de
développement, largement indépendantes les unes des autres, vous sont proposées en fin ω20
(4) θ̈(t ) + ω2 (1 + ε cos(t )) sin θ(t ) = 0, ω2 = ≫ 1.
¡ ¢
de texte. Vous n’êtes pas tenu(e) de les suivre. Il vous est conseillé de mettre en lumière ω21
vos connaissances à partir du fil conducteur constitué par le texte. Le jury appréciera
que la discussion soit accompagnée d’exemples traités sur ordinateur. On va, pour simplifier, étudier les oscillations en θ de petite amplitude autour de 0 de sorte
que sin(θ) ≈ θ. On peut alors réécrire l’équation (4) sous la forme
(5) θ̈ + ω2 (1 + ε cos(t ))θ = 0.
Le but de ce texte est de montrer que, pour des valeurs particulières de ω > 0 (pas nécessaire-
1. Introduction ment très grandes), et pour ε > 0, on transforme le point d’équilibre stable (θ, θ̇) = (0, 0) en un
point instable. On rappelle ici les notions de stabilité et d’instabilité pour un point d’équili-
On s’intéresse dans ce texte au phénomène de résonance paramétrique : contrairement au bre x 0 d’un système différentiel de la forme ẋ = f (t , x) (i.e. le point x 0 vérifie f (t , x 0 ) = 0 pour
phénomène de résonance classique créée par une force extérieure et qui peut être modélisé tout t ).
par l’équation suivante
Définition 1. Le point d’équilibre x 0 du système différentiel ẋ = f (t , x) est stable si pour tout
(1) ẍ + ω20 x = F cos(ω t ), δ > 0, il existe η > 0 tel que pour tout x 1 tel que kx 1 − x 0 k < η, la solution t 7→ x(t ) de ẋ = f (t , x)
telle que x(0) = x 1 vérifie pour tout t > 0, kx(t ) − x 0 k < δ. Si le point x 0 n’est pas stable, il est dit
pour ω ≈ ω0 , la résonance est ici créée par le système lui-même. Pour étudier ce phénomène,
instable.
considérons un pendule oscillant de masse m dont la longueur ℓ peut varier au cours du
temps. Notons que cette définition suppose que les solutions de ẋ = f (t , x) sont définies sur R+
tout entier. Remarquons que l’équation (5) se met sous la forme d’un système différentiel
linéaire à coefficients périodiques pour lequel on peut montrer l’existence globale de so-
lutions. Avant d’aborder la question de la résonance paramétrique, introduisons quelques
ℓ(t)
éléments de la théorie des systèmes différentiels à coefficients périodiques.

θ
11
00
2. Systèmes différentiels linéaires à coefficients périodiques
00
11
00
11
m
On considère désormais le système différentiel
dX
F IGURE 1. Pendule oscillant à longueur variable. (6) = A(t )X ,
dt

Page 1/6 Page 2/6

41 42
 où A est une fonction donnée, continue, T -périodique et à valeurs dans M n (R), et X est une Preuve. La preuve est fondée sur un calcul explicite de exp(t B ) en écrivant B sous la forme
fonction inconnue, dérivable sur R et à valeurs dans Rn . Introduisons la matrice résolvante B = D + N où D est diagonalisable et N nilpotente avec D N = N D (décomposition de Dun-
R(t ) ∈ M n (R) définie comme l’unique solution du problème de Cauchy ford). 
dR
(7) = A(t ) R, R(0) = I d . Par conséquent, l’origine de Rn est stable pour le système différentiel Ẋ = A(t )X si et seule-
dt ment si les valeurs propres de R(T ) sont de module inférieur ou égal à un et les valeurs pro-
On peut alors montrer que la solution X de (6) telle que X (0) = X 0 s’écrit X (t ) = R(t )X 0 . Du pres λ = exp(i ρT ) de module 1 correspondent à des valeurs propres semi simples i ρ de B .
fait de la périodicité des coefficients et de l’unicité des solutions pour le problème de Cauchy,
on montre également l’égalité suivante Examinons le cas de l’équation (5) : en posant X = t (θ, θ̇), cette équation s’écrit sous la forme
d’un système différentiel
(8) ∀t ∈ R, ∀k ∈ N, R(t + kT ) = R(t )R(kT ) = R(t )R(T )k .
0 1
µ ¶
dX
(10) = A(t )X , A(t ) = 2 .
Considérons maintenant les valeurs propres de la matrice R(T ) : on va voir par la suite dt −ω (1 + ε cos(t )) 0
qu’elles jouent un rôle particulier dans l’étude de stabilité du système différentiel (6). Soit Comme on l’a vu précédemment, la stabilité du point X = t (0, 0) est liée au module des
λ une valeur propre réelle de R(T ) et X 0 un vecteur propre correspondant. La solution de (6) valeurs propres λ1 , λ2 de R(2π). Ces valeurs propres sont les racines du trinôme X 2 −Tr(R(2π)) X +
issue de X 0 vérifie dans ce cas det(R(2π)). On a en fait une formule explicite pour det(R(2π)) : la fonction t 7→ det(R(t )) est
solution du problème de Cauchy
(9) ∀t ∈ R, ∀k ∈ N, X (t + kT ) = λk X (t ).
d (det(R(t )))
On remarque alors qu’une solution de ce type est bornée sur R+ si |λ| ≤ 1 et non bornée si (11) = Tr(A(t ))det(R(t )), det(R(0)) = 1.
dt
|λ| > 1. Le cas limite λ = 1 (resp. λ = −1) correspond à une solution T -périodique (resp. 2T - Ici, Tr(A(t )) = 0 donc det(R(2π)) = 1. On en déduit donc la proposition suivante, conséquence
périodique) du système (6). Une conséquence importante de cette remarque est que si, l’on immédiate des théorèmes précédents :
peut écrire toute solution X du système (6) sous la forme d’une combinaison linéaire de ce
type de solutions, on obtient directement le comportement asymptotique des solutions de Proposition 1. – Si |Tr(R(2π))| < 2, les deux valeurs propres λ1 , λ2 sont complexes con-
(6) en étudiant le spectre de R(T ). On généralise cette idée dans les deux théorèmes suivants. juguées et de module 1 : le système différentiel est stable et toutes les solutions sont bornées.
– Si |Tr(R(2π))| > 2, les deux valeurs propres sont réelles, distinctes de ±1 et inverses l’une de
Théorème 1. Soit B ∈ M n (C) telle que R(T ) = exp(T B ). Posons pour tout t ∈ R, P (t ) = R(t ) exp(−B t ). l’autre : le système différentiel est donc instable.
Alors P (t ) est inversible pour tout t , et les applications t 7→ P (t ) et t 7→ P (t )−1 sont continues – Si |Tr(R(2π))| = 2, le système possède une solution 2π-périodique ou 4π-périodique.
et T -périodiques. De plus, X est solution du système (6) si et seulement si Y = P (t )−1 X est
solution du système différentiel à coefficients constants Ẏ = B Y . L’étude de la stabilité des solutions de l’équation (5) est donc ramenée au calcul de Tr(R(2π)).
À défaut d’une formule explicite pour cette quantité, nous allons en calculer un développe-
La structure des solutions des systèmes différentiels à coefficients constants étant bien con- ment limité en ε au voisinage de 0.
nue, on obtient ainsi par le changement d’inconnue Y = P (t )−1 X la structure des solutions
pour le système (6). De plus, P et P −1 étant continues et périodiques, les solutions X de
Ẋ = A(t )X et les solutions Y de Ẏ = B Y sont de même nature du point de vue de la stabilité : 3. Calcul de la première résonance paramétrique : courbes de bifurcation
c’est donc la partie réelle des valeurs propres de B qui joue ici un rôle. En effet, on rappelle
La dépendance du système différentiel par rapport au paramètre ε étant de classe C ∞ , il en
le théorème suivant :
est de même pour les solutions de ce système et on peut en écrire un développement limité
Théorème 2. Soit B ∈ M n (C) alors la matrice exp(t B ) est bornée pour tout t ≥ 0 si et seule- par rapport à ε au voisinage de 0. Ce développement est uniforme sur tout intervalle borné
ment si d’une part les valeurs propres de B sont de parties réelles négatives et d’autre part les de R. C’est la situation qu’on étudie ici puisqu’on ne s’intéresse à R que sur l’intervalle de
éventuelles valeurs propres de B purement imaginaires sont semi simples. temps [0, 2π]. On écrit donc la résolvante sous la forme
(12) R(t ) = R 0 (t ) + εR 1 (t ) + ε2 R 2 (t ) + O (ε3 ).
Rappel. Une valeur propre λ de B est semi simple si c’est une racine de multiplicité 1 du
polynôme minimal de B . On pourrait pousser le développement de R à n’importe quel ordre mais on n’en a pas besoin
pour le cas que nous étudierons ici. On écrit la matrice A = A 0 + εA 1 . Alors R 0 , R 1 , R 2 sont

Page 3/6 Page 4/6

43 44
 3 0.8

0.6
2
0.4

1 0.2

theta

theta
0
0

−0.2

−1
−0.4

−0.6
−2

−0.8
−3
0 20 40 60 80 100 120 140 160 180 200 0 20 40 60 80 100 120 140 160 180 200
t t

solutions des problèmes de Cauchy

d R0 F IGURE 2. ω = 21 et ε = 0.1. F IGURE 3. ω = 1 et ε = 0.2.
= A 0 R0 , R 0 (0) = I d ,
dt
d R1 On souhaite également faire un prolongement numérique des courbes d’instabilités obtenues
(13) = A 0 R1 + A 1 R0 , R 1 (0) = 0,
dt précédemment pour des valeurs de ε pas nécessairement proches de 0. Dans le cas en ques-
d R2 tion, on va chercher les zéros de la fonction f : (ω, ε) 7→ Tr(R(2π))+2. Détaillons le calcul pour
= A 0 R2 + A 1 R1 , R 2 (0) = 0.
dt ω+ (ε) : on choisit de représenter cette courbe avec un pas de δε = 0.1. On commence par ré-
On résout successivement ces systèmes différentiels. La solution du premier s’écrit soudre le problème pour ε = 0.1 à l’aide d’une méthode à pente constante (qu’on évalue
sin(ωt ) ¶
numériquement) et on choisit pour donnée initiale ω0 = 12 + 0.01 (d’après les développe-
cos(ωt )
µ
(14) R 0 (t ) = exp(t A 0 ) = ω . ments limités faits précédemment, on s’attend à avoir ω+ (0.1) > 0.5). Une fois calculée la
−ω sin(ωt ) cos(ωt ) valeur approchée de ω+ (0.1), on passe au calcul de ω+ (0.2) en utilisant une méthode à pente
On obtient ensuite les expressions pour R 1 , R 2 en utilisant la formule de Duhamel (encore constante et avec la donnée initiale ω0 = ω+ (0.1) calculée à l’étape précédente et ainsi de
appelée méthode de variation de la constante) : suite. Pour le tracé de ω− (ε), on procède de la même manière mais cette fois on démarre le
Zt calcul de ω− (0.1) avec la donnée initiale ω0 = 21 − 0.1. On obtient ainsi le graphe de la figure 4
(15) R i (t ) = exp (t − s)A 0 A 1 (s)R i −1 (s)d s, i = 1, 2.
¡ ¢ pour ω− et ω+ lorsque ε ∈ [0, 10].
0

On peut alors montrer (le calcul est un peu long mais peut être mené par exemple à l’aide
0.8

0.7

d’un logiciel de calcul formel) que Tr(R(2π)) est donnée par la formule 0.6

πω3 ε2
0.5

omega
(16) Tr(R(2π)) = 2 cos(2πω) + sin(2πω) + O (ε3 ). 0.4

4ω2 − 1 0.3

0.2
k
Pour ε = 0, Tr(R(2π)) = 2 cos(2πω). Par suite, on a stabilité si ω 6= k ∈ N lorsque ε suffisam-
2, 0.1
0 1 2 3 4 5 6 7 8 9 10

ment proche de 0 (pour avoir |Tr(R(2π))| < 2). Examinons la première résonance paramétrique
epsilon

pour le cas limite ω ≈ 12 . Dans ce cas, Tr(R(2π)) ≈ −2. On va examiner les points du plan
F IGURE 4. Tracé de ω− et ω+ .
(ω, ε) ≈ ( 21 , 0) pour lesquels Tr(R(2π)) = −2. Ces points séparent les zones de stabilité des
zones d’instabilité. À l’aide d’un développement limité, on montre que Tr(R(2π)) = −2 si et
seulement si
1 ε Suggestions pour le développement
(17) ω(ε) = ± + O (ε2 ).
2 8
◮ Soulignons qu’il s’agit d’un menu à la carte et que vous pouvez choisir d’étudier certains
On déduit de cette étude qu’au voisinage de ( 12 , 0), si (ω, ε) est tel que ω ∈ [ω− (ε), ω+ (ε)], alors points, pas tous, pas nécessairement dans l’ordre, et de façon plus ou moins fouillée.
|Tr(R(2π))| > 2 et le système différentiel associé à ces valeurs de paramètres est instable. Vous pouvez aussi vous poser d’autres questions que celles indiquées plus bas. Il est très
vivement souhaité que vos investigations comportent une partie traitée sur ordinateur
et, si possible, des représentations graphiques de vos résultats.
4. Applications numériques
– Expliquer le phénomène de résonance standard en calculant explicitement les solutions
On illustre ici numériquement le phénomène d’instabilité paramétrique sur le modèle de de l’équation (1).
pendule linéaire pour des valeurs de paramètres ω = 21 , ε = 0.1 et ω = 1, ε = 0.2. On part avec – Détailler la démonstration du théorème 2.
la condition initiale θ(0) = π8 et θ̇(0) = 0, on a choisi ici le schéma de Runge Kutta 4 (d’ordre – Faire le calcul numérique des courbes de stabilité partant du point (ω, ε) = (1, 0).
élevé) pour éviter les problèmes d’instabilités numériques rencontrés fréquemment avec les – Redémontrer la formule (16) : prouver que Tr(R 1 (2π)) = 0 et qu’il est nécessaire de cal-
schémas d’Euler quand on fait la simulation numérique pour un pendule simple. culer Tr(R 2 (2π)) pour déterminer les courbes de stabilité au voisinage de (ω, ε) = ( 21 , 0).
– Détailler le calcul du développement limité de ω± (ε) au voisinage de (ω± , ε) = ( 21 , 0).
– Étudier, en calculant numériquement les solutions de ẍ + ω2 (1 + ε cos(t )) sin(x) = 0, le
Page 5/6 phénomène de résonance paramétrique pour l’équation (4).

45 46 Page 6/6
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Épreuve de modélisation et Calcul Scientifique
1.5
g(u)=u
Évolutionùdùuneùpopulation
’ g(u)=u(1−u)
2
g(u)=u(1−u )

1
Résumé : L’évolution d’une population est décrite par une équation de réaction-diffusion.
On étudie l’existence de solutions en ondes progressives puis on propose un schéma de type

u(t)
différences finies semi-implicite en temps pour le calcul d’une solution approchée.
0.5
Mots clefs : Equations aux dérivées partielles. Equations différentielles ordinaires. Différences
finies.

0
◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. La présen- 0 2 4 6 8 10
t
tation, bien que totalement libre, doit être organisée et le jury apprécie qu’un plan soit
annoncé en préliminaire. L’exposé doit être construit en évitant la paraphrase et met- F IGURE 1. Solutions de d du(t )
t = g (u(t )) avec u(0) = 0.1 pour les fonctions
tant en lumière les connaissances, à partir des éléments du texte. Il doit contenir des
g (u) = u, g (u) = u(1 − u), g (u) = u(1 − u 2 ).
illustrations informatiques réalisées sur ordinateur, ou, à défaut, des propositions de
telles illustrations. Des pistes de réflexion, indicatives et largement indépendantes les
unes des autres, vous sont proposées en fin de texte. définie pour tout t , est strictement positive et tend vers κ quand t tend vers +∞. La taille de
la population reste donc bien finie. On notera que le modèle :

d u(t ) ³ u(t )2 ´
(3) = αu(t ) 1 − 2
1. Description de l’évolution d’une population dt κ
garantit le même type de comportement. On représente sur la figure 1 les solutions obtenues
On souhaite décrire l’évolution d’une population que l’on suppose, pour simplifier, répar- pour les modèles (1), (2) et (3) avec une même condition initiale. Les paramètres α et κ ont
tie sur une droite ou un segment. Cette population se renouvelle grâce à des naissances et été pris égaux à 1 et on garde cette hypothèse simplificatrice dans la suite du texte.
des décès et est soumise à un phénomène de migration. La taille de la population au point On souhaite maintenant prendre en compte la variation spatiale de la population u(x, t ).
x ∈ R et à l’instant t ≥ 0 est donnée par u(x, t ). Cette variation est due à des phénomènes migratoires. On modélise ce mouvement de popu-
On omet provisoirement les variations en espace et l’on note encore u(t ) la taille de la lation dans l’espace par une loi de diffusion et on superpose cet effet à l’évolution en temps
population en fonction du temps. Si l’on suppose que le nombre de naissances, comme le due aux naissances et aux décès. Cela conduit à considérer l’équation suivante pour u :
nombre de décès, est proportionnel à la taille de la population avec un taux fixe, on obtient
que u(t ) doit vérifier ∂u(x, t ) ∂2 u(x, t )
(4) =ν + g (u(x, t )),
d u(t ) ∂t ∂x 2
(1) = αu(t ),
dt où ν est le coefficient de diffusion et où la fonction g peut être égale à g (u) = u(1 − u) ou
avec α ∈ R. Si α > 0, cela implique que la taille de la population croît exponentiellement vite. g (u) = u(1 − u 2 ). La taille de la population à l’instant initial est donnée par
Il semble plus réaliste d’envisager que les taux de natalité et de mortalité dépendent de la
(5) u(x, 0) = u 0 (x).
taille de la population. En effet, plus la taille de la population augmente, plus son taux de
natalité diminue et son taux de mortalité augmente. On peut alors proposer de remplacer le On pourra considérer dans la suite que la population vit sur l’espace non borné R, ce qui
modèle (1) par le modèle suivant : est peu réaliste, ou sur un espace borné de la forme [−L, L]. Dans ce cas, on supposera que
d u(t ) ³ u(t ) ´ la population est isolée, ce qui signifie qu’il n’y a pas de flux migratoires aux bornes de l’in-
(2) = αu(t ) 1 − ,
dt κ tervalle :
avec α et κ deux réels strictement positifs. Dans ce cas, on peut trouver explicitement la ∂u ∂u
solution du problème avec condition initiale u(t = 0) = u 0 . Si u 0 ∈]0, κ[, cette solution est (6) (−L, t ) = (L, t ) = 0.
∂x ∂x

Page 1/6 2019AD1X 22 2019AD1X 22 Page 2/6

47 48
 2. Existence de solutions en ondes progressives 3. Approximation par un schéma numérique

Dans cette partie, on suppose que l’espace n’est pas borné et l’on considère le modèle Soit L 6= 0 et T > 0. On s’intéresse maintenant à l’approximation numérique du problème
(4) avec ν = 1 et g (u) = u(1 − u 2 ). On notera le modèle correspondant (F). L’objectif est de (4)–(5)–(6) posé sur [−L, L] × [0, T ]. Pour cela, on se donne une subdivision (x j )1≤ j ≤J de l’in-
déterminer des solutions explicites du problème. tervalle [−L, L] : x j = −L + ( j − 1)h pour 1 ≤ j ≤ J , avec h = J2L
−1
. Notons également τ le pas de
Pour cela, on cherche des solutions dites en ondes progressives : u(x, t ) = U (ξ) avec ξ = temps et t n = nτ pour 1 ≤ n ≤ N , avec N τ = T .
c(x − λt ), avec c et λ deux constantes réelles non nulles pour que la solution soit effective- Le schéma que l’on propose d’étudier est un schéma semi-implicite : le terme de diffusion
ment propagative. Une procédure pour la recherche de telles solutions peut formellement est approché de manière implicite tandis que le terme non linéaire d’évolution est approché
s’établir comme suit : de manière explicite. Le schéma est le suivant :
i) On exprime les opérateurs de dérivation en t et x en fonction de la dérivée par rapport u n+1 − u nj u n+1 − 2u n+1 + u n+1
j j +1 j j −1
∂
à ξ (c’est-à-dire ∂t = −cλ ddξ ). Dans le cas de (F), on obtient (13) =ν + g (u nj ), ∀1 ≤ j ≤ J , ∀0 ≤ n ≤ N − 1,
τ h2
dU (ξ) d 2U (ξ) (14) u 0n+1 = u 1n+1 , u n+1 n+1
J +1 = u J , ∀0 ≤ n ≤ N − 1,
(7) cλ + c2 +U (ξ) −U 3 (ξ) = 0.
dξ d ξ2
(15) u 0j = u 0 (x j ), ∀1 ≤ j ≤ J .
ii) En introduisant la nouvelle variable Y = tanh(ξ), on effectue le changement de variable
À chaque pas de temps n, le schéma (13)–(14) s’écrit comme un système linéaire de vec-
U (ξ) = S(Y ) dans (7). On peut exprimer formellement les dérivées premières et secondes par
teur inconnu U n+1 = (u n+1
j
)1≤ j ≤J :
rapport à ξ en fonction des dérivées premières et secondes par rapport à Y .
iii) On cherche ensuite U (ξ) = S(Y ) sous la forme d’un polynôme en Y = tanh(ξ), selon
PM (16) MU n+1 = U n + τG n ,
S(Y ) = k=0 a k Y k . En substituant, on obtient l’équation suivante pour S(Y ) : n
avec G = (g (u nj ))1≤ j ≤J (on notera qu’on a multiplié (13) par τ pour l’écrire le système linéaire
sous la forme (16)).
dS dS d 2S
µ ¶
(8) cλ(1 − Y 2 ) + c 2 (1 − Y 2 ) −2Y + (1 − Y 2 ) + S − S 3 = 0.
dY dY dY 2 Proposition 1. La matrice M du schéma numérique est symétrique définie positive.

En examinant les termes de plus haut degré dans (8), on obtient la contrainte pour M : 3M = Le point essentiel de la démonstration consiste à établir que
2 + 2 + M − 2, soit M = 1. Et donc S(Y ) = a 0 + a 1 Y . J τν JX −1
t
v 2j + (v j +1 − v j )2 , ∀V = (v j )1≤ j ≤J ∈ R J .
X
iv) En substituant S(Y ) = a 0 + a 1 Y , S ′ (Y ) = a 1 et S ′′ (Y ) = 0 dans (8), on obtient un système (17) V MV =
j =1 h 2 j =1
d’équations algébriques pour a 0 , a 1 c et λ. En annulant chacun des coefficients en facteur
respectivement de Y 3 , Y 2 , Y 1 et Y 0 , on trouve La proposition 1 garantit l’existence et l’unicité d’une solution au schéma numérique à chaque
pas de temps.
(9) 2a 1 c 2 − a 13 = 0, −a 1 cλ − 3a 0 a 12 = 0,
Proposition 2. Soit B = (b j )1≤ j ≤J ∈ R J . Si b j ≥ 0 pour tout 1 ≤ j ≤ J , alors la solution V =
2
(10) −2a 1 c + a 1 − 3a 02 a 1 = 0, a 1 cλ + a 0 − a 03 = 0. (v j )1≤ j ≤J du système linéaire MV = B vérifie v j ≥ 0 pour tout 1 ≤ j ≤ J .

Par substitution, on peut obtenir des solutions de (9)–(10). On cherche des solutions telles Pour montrer la proposition 2, on peut par exemple utiliser la fonction s 7→ s − = min(s, 0)
que a 1 6= 0 et c 6= 0. Un exemple de telles solutions est donné par (fonction croissante sur R) et associer à V ∈ R le vecteur V − = ((v j )− )1≤ j ≤J . On a :
J τν JX
−1
t
1 1 1 (V − )MV = (v −j )2 + (v − − v −j )(v j +1 − v j ) ≥ 0, ∀V ∈ R J .
X
−3 (18)
(11) a0 = , a1 = , λ= p , c= p , j =1 h j =1 j +1
2
2 2 2 2 2
Or, si V est solution de MV = B avec B à composantes positives, t (V − )MV = t(V − )B est
valeurs qui conduisent à également négatif ou nul. On en déduit que t (V − )MV = 0 et que V − = 0.
1 1 1 ³ 3 ´ Proposition 3. Soit u 0 une fonction continue sur [−L, L] à valeurs dans [0, 1]. Soit g une fonc-
µ ¶
(12) u(x, t ) = + tanh p x + p t .
2 2 2 2 2 tion de classe C 1 sur [0, 1], qui s’annule en 0 et en 1 et qui est positive sur [0, 1]. On note

Page 3/6 2019AD1X 22 2019AD1X 22 Page 4/6

49 50
 G = max[0,1] |g ′ |. Si le pas de temps vérifie τG ≤ 1, la solution du schéma numérique (13)– T=1 T=15
1 1
(14)–(15) vérifie 2
g(u)=u(1−u )
2
g(u)=u(1−u )
g(u)=u(1−u) g(u)=u(1−u)
(19) 0 ≤ u nj ≤ 1, ∀1 ≤ j ≤ J , ∀0 ≤ n ≤ N . 0.8 0.8

Cette proposition se démontre par récurrence sur n. Si U n est un vecteur à coefficients

0.6 0.6
positifs et majorés par 1, on vérifie que MU n+1 et M(1 −U n+1 ) (où 1 est le vecteur de R J dont

u
tous les coefficients sont égaux à 1) sont des vecteurs à coefficients positifs.
0.4 0.4

4. Simulations numériques 0.2 0.2

Dans les simulations, on prend L = 40 et on fixe le coefficient de diffusion ν = 1. Les para- 0 0

−40 −20 0 20 40 −40 −20 0 20 40
mètres numériques sont J = 50 et τ = 0.01. x x
On considère tout d’abord le cas où g (u) = u(1−u 2 ) et on prend comme condition initiale
u 0 (x) = u(x, 0) où u est l’onde progressive donnée par (12). Le domaine étant assez grand, F IGURE 3. Comparaison des solutions données par le schéma numérique
on peut comparer la solution donnée par le schéma numérique avec l’onde progressive à pour deux valeurs de g , aux instants T = 1 et T = 15.
différents instants. Les résultats sont présentés sur la figure 2.
Suggestions et pistes de réflexion
T=5 T=15
1 1
schema schema ◮ Les pistes de réflexion suivantes ne sont qu’indicatives et il n’est pas obligatoire de les
onde prog onde prog suivre. Vous pouvez choisir d’étudier, ou non, certains des points proposés, de façon plus
0.8 0.8 ou moins approfondie, mais aussi toute autre question à votre initiative. Vos investiga-
tions comporteront une partie traitée sur ordinateur et, si possible, des représentations
0.6 0.6 graphiques de vos résultats. À défaut, si vos illustrations informatiques n’ont pas abouti,
il est conseillé d’expliquer ce que vous auriez souhaité mettre en œuvre.
u

0.4 0.4
— Préciser la modélisation (en particulier, l’obtention de (4)).
— Justifier l’existence et unicité de la solution de (2) ou (3) avec condition initiale u 0 . On
0.2 0.2 pourra également justifier le comportement qualitatif mis en évidence par la figure 1.
— Préciser les étapes et hypothèses du calcul permettant d’obtenir l’expression (12). On
0
−40 −20 0 20 40
0
−40 −20 0 20 40
pourra également donner d’autres solutions du système (9)–(10).
x x — Justifier le schéma numérique proposé (13)–(14)–(15).
— Détailler la démonstration des propositions 1 et 2.
F IGURE 2. Comparaison de la solution en onde progressive et de la solution
— Démontrer la proposition 3.
donnée par le schéma numérique à T = 5 et T = 15.

On choisit ensuite une condition initiale localisée près de 0 :

(
0.8 cos πx si |x| ≤ 10,
¡ ¢
(20) u 0 (x) = 20
0 sinon.
On présente sur la figure 3 les solutions données par le schéma numérique à différents ins-
tants pour g (u) = u(1−u) et g (u) = u(1−u 2 ). On constate un comportement similaire avec les
deux modèles. Par ailleurs, ces simulations numériques montrent que la population gagne
tout l’espace et tend vers la valeur maximale accessible : 1.

Page 5/6 2019AD1X 22 2019AD1X 22 Page 6/6

51 52
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Épreuve de modélisation et Calcul Scientifique est incompressible. Ceci signifie que le volume en question est indépendant du temps. Calculons
donc la dérivée de ce volume par rapport au temps. Il vient,
PoulsùSanguin Z xx +∆x (t)
0 ∂A(t, ξ)
(1) V ′ (t) = A(t, xx0 +∆x (t))xx′ 0 +∆x (t) − A(t, xx0 (t))xx′ 0 (t) + dξ
xx0 (t) ∂t
Résumé : On s’intéresse à la modélisation et au calcul numérique du pouls sanguin.
Écrivant que V ′ = 0, puis faisant tendre ∆x vers 0, on en déduit une première équation dite de
Thème applicatif, mots clefs : Équations aux dérivées partielles, méthode des différences conservation :
finies ∂A ∂(Aw)
(2) + = 0.
∂t ∂x
Écrivons maintenant la loi de Newton sur cette tranche de fluide à l’instant t0 . On néglige l’ac-
◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. Vous êtes célération de la pesanteur. Si ρ0 désigne la masse volumique du sang, la quantité de mouvement
laissé(e) libre d’organiser votre discussion comme vous l’entendez. Des suggestions de de la tranche à l’instant t est donnée par
développement, largement indépendantes les unes des autres, vous sont proposées en fin Z xx +∆x (t)
de texte. Vous n’êtes pas tenu(e) de les suivre. Il vous est conseillé de mettre en lumière (3) P(t) =
0
ρ0 w(t, ξ)A(t, ξ) dξ
vos connaissances à partir du fil conducteur constitué par le texte. Le jury appréciera xx0 (t)
que la discussion soit accompagnée d’exemples traités sur ordinateur. et la loi de Newton nous dit que
dP
(4) (t0 ) = Fam + Fav
dt
On s’intéresse à la modélisation, l’étude mathématique et la simulation numérique d’un as-
où Fam est la résultante des forces de pression que le reste du fluide exerce sur la section amont
pect particulier de la circulation sanguine : le pouls.
ξ = x, Fav la résultante des forces de pression qui s’exercent sur la section aval ξ = x + ∆x (on
néglige les forces de pression qui s’exercent sur la surface latérale de la tranche en contact avec
1. Modélisation la paroi de l’artère). On obtient
Fam = p(t0 , x)A(t0 , x) et Fav = −p(t0 , x + ∆x)A(t0 , x + ∆x).
Pour aborder rapidement un phénomène d’une telle complexité, on va devoir procéder à plu-
sieurs simplifications. Pour commencer, on va ne considérer qu’une seule artère rectiligne de La loi de Newton nous conduit donc à une seconde équation de conservation
longueur L, modélisée par un tuyau élastique à section circulaire. L’aire A(t, x) d’une section de ∂(Aw) ∂(Aw2 + ρ−1 0 Ap)
l’artère dépend du temps t et de sa position x sur l’axe [0, L]. (5) + = 0.
∂t ∂x
On suppose qu’en première approximation le sang est un fluide non visqueux, c’est-à-dire Pour compléter le système, il faudrait maintenant décrire le comportement de l’artère. On
que les seules forces qui s’exercent en son sein sont des forces de pression. Ceci signifie que n’entrera pas ici dans le détail de cette modélisation et l’on admettra qu’elle conduit à une loi
les forces qui s’exercent sur une surface tracée dans le fluide sont colinéaires à la normale d’état A 7→ p̂(A) telle que p(t, ξ) = p̂(A(t, ξ)). Cette loi d’état fait intervenir les caractéristiques
intérieure à cette surface, le facteur de proportionalité étant la pression p qui est une fonction de l’artère, mais on ne l’explicitera pas ici.
scalaire positive de la position dans le fluide et du temps. On suppose aussi que la vitesse du Introduisant les variables A(t, ξ) et q(t, ξ) = A(t, ξ)w(t, ξ), qui n’est autre que le flux sanguin
sang selon l’axe de l’artère w(t, x) ne dépend que du temps et de l’abscisse sur cet axe. En à travers chaque section, on obtient finalement à partir de (2) et (5) le système
d’autres termes, on fait l’hypothèse que le fluide s’écoule « par tranches » avec un profil de
∂A ∂q

vitesse uniforme sur chaque section de l’artère. De façon cohérente avec cette hypothèse, on 
 + = 0,
 2 ∂t ∂x

suppose enfin que p ne dépend que de t et de x. (6) q A p̂(A)

Considérons une tranche de fluide située entre x0 et x0 + ∆x à l’instant t0 . Nous allons suivre  ∂q ∂ A + ρ0
+ = 0,

l’évolution de cette tranche de fluide avec le temps. On note xξ (t) l’abscisse au temps t ≥

∂t ∂x
t0 de la section de fluide qui se trouvait à l’abscisse ξ à l’instant t0 . Cette abscisse est donc soit encore
solution du problème de Cauchy xξ′ (t) = w(t, xξ (t)), xξ (t0 ) = ξ. Le volume de la tranche de q
!
A ∂U ∂( f (U))
 
R xx0 +∆x (t) (7) U= , f (U) = q2 A p̂(A) et + = 0.
fluide est donc devenu V (t) = xx0 (t) A(t, ξ) dξ. Faisons maintenant l’hypothèse que le sang q A + ρ0 ∂t ∂x

Page 1/6 Page 2/6

53 54
 Un système de cette forme est ce que l’on appelle un système hyperbolique non linéaire (sous 3. Étude numérique
certaines hypothèses sur la loi d’état p̂), et son étude théorique se situe bien au delà du niveau
de ces quelques lignes. On se propose d’approcher les solutions de (7), complété par des conditions initiales et des
conditions aux limites, à l’aide d’un schéma aux différences finies. Pour simplifier, on choisit
des unités telles que A0 = 1, ρ0 = 1 et on suppose que la loi d’état est de la forme p̂(A) = A − 1.
2. Linéarisation On choisit donc un pas de temps ∆t et un pas d’espace ∆x et l’on pose tn = n∆t et x j = j∆x,
Ān, j
 
Il est hors de question de s’attaquer directement au système (7). On remarque dans un premier pour n et j entiers. Soit λ = ∆t/∆x. On note Ūn, j = une approximation de U(tn , x j ), et
temps que tout couple (Ā, q̄) de constantes en est solution. On va s’intéresser à des solutions ap- q̄n, j
l’on pose
prochées de la forme (A0 + α, q), où A0 = πr02 est l’aire de la section de l’artère à l’équilibre
q̄n, j
!
à vide, ce qui signifie que p̂(A0 ) = 0, et α et q sont supposées petites, ainsi que leurs déri-
f¯n, j = q̄2n, j Ān, j p̂(Ān, j ) .
vées successives. Ceci nous conduit à linéariser les équations en (A0 , 0), en ne retenant que les + ρ0
Ā n, j
termes linéaires par rapport à (α, q). Cette procédure entièrement formelle et qui restera ici sans
justification mathématique conduit au système suivant, Avec ces notations, le schéma proposé, appelé schéma de Lax-Friedrichs, s’écrit sous la forme
1 λ

∂α ∂q (12) Ū0, j = U0 (x j ), Ūn+1, j = (Ūn, j+1 + Ūn, j−1 ) − ( f¯n, j+1 − f¯n, j−1 ).
+ = 0,

2 2

∂t ∂x

(8)
∂q A 0 p̂ ′ (A ) ∂α
0 Comme on travaille ici sur un intervalle d’espace fini, [0, L], on est amené à poser ∆x = M+1 L
+ = 0,


∂t ρ0 ∂x avec M entier. Les relations (12) ne sont correctement définies que pour j = 1, . . . , M. Or, dans


Sous l’hypothèse, vérifiée dans la pratique, que p̂′ (A0 ) > 0, on voit donc que α et q (et donc les systèmes hyperboliques, que ce soit au niveau théorique ou au niveau numérique, la question
aussi p et w) satisfont l’équation des ondes des conditions aux limites à imposer ou pas aux extrémités, c’est-à-dire pour j = 0 et j = M + 1,
est fort délicate.
1 ∂2 u ∂2 u Dans notre cas, on va considérer que x = 0 ou j = 0 est l’entrée de l’artère, et que l’aire de la
(9) − = 0,
c2 ∂t 2 ∂x2 section et le flux de sang y sont imposés par les mouvements du cœur, c’est-à-dire U(t, 0) = G(t)
avec la vitesse de propagation où G est donnée. On posera donc
s
A0 p̂′ (A0 ) (13) Ūn,0 = G(tn ).
(10) c= .
ρ0 On laissera par contre la sortie de l’artère x = L ou j = M + 1 libre en n’imposant aucune condi-
Cette brève analyse met en évidence la présence d’un phénomène de propagation ondulatoire tion supplémentaire en ce point. Au niveau du schéma, une correction est nécessaire puisque la
des diverses variables (flux, pression, aire de la section), qui correspond au pouls. La vitesse c formule de Lax-Friedrichs n’y est pas définie. On propose la discrétisation suivante du système
est donc la vitesse de propagation du pouls le long de l’artère. hyperbolique :
Eh
En écrivant plus en détail la loi d’état p̂, on obtient la formule p̂′ (A0 ) = 2πr 3 que nous ad- (14) Ūn+1,M+1 = Ūn,M+1 − λ( f¯n,M+1 − f¯n,M ).
0
mettrons ici, où E est un coefficient décrivant la rigidité de l’artère, h est l’épaisseur de la paroi
artérielle et r0 son rayon à vide. En remplaçant dans la formule (10), on obtient la formule dite On trouvera plus bas des résultats de calculs avec le schéma de Lax-Friedrichs (12) corrigé
de Young par (13)–(14), pour le système non linéaire (7) et pour le système linéaire (8), avec les données
s initiales et en entrée
Eh 
1
 
1 + 0,2 sin(10t)

(11) c= . U0 (x) = , G(t) = .
2ρ0 r0 0,22 0,2(1,1 + sin(10t))
Dans le cas de l’aorte, des valeurs moyennes expérimentales de E = 106 N/m2 , h = 0,1cm, Remarque importante. Les courbes qui sont données ci-dessous, le sont uniquement à titre
r0 = 1cm et ρ0 = 103 kg/m3 donnent une vitesse de propagation de l’ordre de 7m/s, ce qui indicatif, afin de donner un idée du type d’évolution numérique auquel on doit s’attendre dans
correspond assez bien aux observations. Pour une fréquence de battements de cœur de 1Hz, la chaque cas. On ne demande pas de les reproduire exactement.
longueur d’onde correspondante est de 7m, ce qui est largement supérieur à la longueur de toute Calculs effectués avec Scilab. Données : L = 2, M = 100. Les graphes montrent le résultat du
artère. En d’autres termes, à l’échelle d’une artère, on ne « voit » pas le pouls se propager. schéma de Lax-Friedrichs pour A (courbe du haut) et q (courbe du bas) à t = 4,2s.

Page 3/6 Page 4/6

55 56
 – Donner une solution explicite du système linéaire (8) avec la loi d’état et les données
1.20
initiales et en entrée de la partie « Étude numérique ».
1.08
– Dans ce même système linéaire, poser z1 = α + q et z2 = α − q. Développer les consé-
quences que l’on peut tirer de ce changement d’inconnues par exemple sur la forme des
0.96
solutions, les données initiales et en entrée.
0.84
– Tester la linéarisation du §2 à l’aide du schéma numérique en prenant, pour le système non
0.72
linéaire, des données proches de l’équilibre, par exemple
1 1 + ε sin(10t)
0.60
   
U0 (x) = , G(t) =
0.48
0 ε sin(10t)
0.36
avec ε petit. Que peut-on voir sur la vitesse de propagation des ondes et l’évolution de la
0.24
forme des graphes ?
0.12 – Observer ce qui se passe pour le système non linéaire quand, en gardant le même pas
0.00 d’espace, on augmente le pas de temps à 0,014. Même chose pour le système linéaire pour
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
un pas de temps supérieur à 0,02. Que vaut λ dans ce dernier cas ? Interpréter.
Cas non linéaire : approximation du système (7), ∆t = 0,013. – Effectuer des expériences numériques avec d’autres données initiales ou en entrée (avec
1.20 prudence). On pourra éventuellement présenter l’évolution en direct sous la forme d’une
1.08 animation et discuter les phénomènes que l’on voit apparaître en relation avec le modèle et
0.96
avec le schéma numérique.
0.84

0.72

0.60

0.48

0.36

0.24

0.12

0.00
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0

Cas linéaire : approximation du système (8), ∆t = 0,02.

Suggestions pour le développement

◮ Soulignons qu’il s’agit d’un menu à la carte et que vous pouvez choisir d’étudier cer-
tains points, pas tous, pas nécessairement dans l’ordre, et de façon plus ou moins
fouillée. Vous pouvez aussi vous poser d’autres questions que celles indiquées plus bas.
Il est très vivement souhaité que vos investigations comportent une partie traitée sur
ordinateur et, si possible, des représentations graphiques de vos résultats.

– Identifier les points faibles de cette modélisation.

– Écrire le modèle que l’on obtient si l’on ne néglige plus l’action des forces Fl sur les parois
de l’artère.

Page 5/6 Page 6/6

57 58
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Épreuve de modélisation et Calcul Scientifique
Proposition 1. Pour tout entier N supérieur ou égal à 2, la fonction LJN admet au moins un
minimum global X ∗ = (X1∗ , ...XN∗ ) sur R3N , c’est à dire tel que :
ConfigurationùgéométriqueùdesùNatomes
∀X = (X1 , ..., XN ) ∈ R3N , LJN (X ∗ ) ≤ LJN (X )

Résumé : Dans ce texte, on cherche à déterminer la configuration géométrique de N atomes Pour une paire d’atomes, la fonction LJ2 a une forme simple (voir Figure 1) possédant
formant une molécule d’énergie minimale. Le problème se ramène à rechercher le minimum une valeur minimale égale à −1 obtenue pour deux atomes distants d’une longueur unité :
global d’une fonction à 3N paramètres réels. Les méthodes de descente sont en particulier ||X2 − X1 || = 1. De même, les fonctions LJ3 et LJ4 possèdent une valeur minimale facilement
introduites et testées pour différentes valeurs de N. déterminable. Lorsque N > 4, le problème de la recherche du minimum global de LJN devient
beaucoup plus complexe. En effet, il est conjecturé que le nombre de minima locaux de LJN
Mots clefs : optimisation, algorithme de gradient croit exponentiellement avec N. On peut par exemple montrer que LJ7 en possède quatre et
LJ55 plus de 1010 , à permutations, translations et rotations près.

◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. Vous êtes 7

laissé(e) libre d’organiser votre discussion comme vous l’entendez. Des suggestions de 6
développement, largement indépendantes les unes des autres, vous sont proposées en fin
de texte. Vous n’êtes pas tenu(e) de les suivre. Il vous est conseillé de mettre en lumière 5

vos connaissances à partir du fil conducteur constitué par le texte. Le jury appréciera 4

que la discussion soit accompagnée d’exemples traités sur ordinateur. 3

0
1. Le problème de Lennard Jones de taille N
−1
0.8 1 1.2 1.4 1.6 1.8 2

Les problèmes de conformation consistent à trouver les coordonnées spatiales de N atomes

formant une molécule d’énergie minimale. Ils possèdent de nombreuses applications en bio-
chimie, par exemple, pour le développement de nouveaux agents anti-cancéreux ou encore la F IG . 1. Potentiel de Van der Waals r 7→ V (r)
construction d’enzymes destinées à détruire les déchets toxiques.
Dans le cas du problème de Lennard Jones de taille N (en abrégé, problème LJN ), la force Les deux paragraphes suivants présentent deux familles de méthodes possibles pour la re-
d’interaction entre deux atomes identiques distants d’une longueur r est supposée issue d’un cherche des minimas d’une fonction réelle, de nature très différente. La première famille, appe-
potentiel radial dit de Van der Waals s’écrivant sous forme adimensionnée : lée méthodes de descente, est bien adaptée à la détermination rapide et précise de minimas lo-
caux tandis que la seconde famille, appelée méthodes de recuit simulé, est basée sur des tirages
1 2
V (r) = − (1) aléatoires et correspond à une recherche plus coûteuse et moins précise de minimas globaux.
r12 r6
La forme de ce potentiel joue un rôle important pour représenter de nombreuses molécules
complexes comme les protéines ou des métaux comme l’or à basse température. 2. Méthodes de descente
N
Lorsqu’une molécule est constituée de N atomes situés aux positions (X1, ..., XN ) ∈ R3 , son
Afin de minimiser une fonction f ∈ C1 (Rm , R), le principe des méthodes de descente consiste
énergie potentielle totale est par définition égale à
à construire une suite (xn )n∈N à partir d’une donnée initiale x0 par la relation de récurrence
LJN (X1 , ...XN ) = ∑ V (||Xi − X j ||) (2) suivante :
i< j xn+1 = xn + αn dn . (3)
On peut alors montrer que la configuration la plus stable de la molécule correpond à un mi- Dans cette expression, dn ∈ Rn est appelée direction de descente au point xn et αn ∈ R est
nimum global d’énergie potentielle. L’existence de ce dernier est assurée par la proposition un scalaire strictement positif permettant de réaliser une descente effective, à savoir tel que
suivante : f (xn+1 ) < f (xn ). De manière générale, on peut montrer que si ∇x f (xn ) 6= 0, toute direction d

Page 1/6 Page 2/6

59 60
 telle que (d, ∇x f (xn )) < 0 est une direction de descente au point xn , au sens où il existe un réel – lim ∇x f (xn ) = 0
n→+∞
α > 0 tel que f (xn + α d) < f (xn ).
La méthode de la plus forte pente consiste à choisir la direction de descente dite du gradient : Même si la méthode de plus forte pente permet d’obtenir un résultat de convergence intéres-
sant, il est parfois préférable d’avoir recours à d’autres stratégies pour le choix des directions
dn = −∇x f (xn ). (4) de descente que celle du gradient pour approcher plus efficacement les minima locaux d’une
Une fois choisie la direction de descente, le choix de αn est ensuite effectué suivant un prin- fonction f ∈ C1 (Rm , R).
cipe dit de recherche linéaire par rebroussement (backtracking en anglais). Celui-ci consiste à
se donner une valeur initiale de α , notée αinit puis à faire décroitre α géométriquement avec
une raison ρ ∈]0, 1[ jusqu’à ce que le point créé xn+1 = xn + α dn satisfasse une condition de
3. Méthode du recuit simulé
descente satisfaisante. Il s’avère que la condition f (xn+1 ) < f (xn ) n’est pas suffisante pour as- Le recuit simulé est une méthode stochastique, c’est à dire incluant des tirages aléatoires, qui
surer de bonnes propriétés de convergence de la suite. On lui préfère la condition suivante dite consiste à construire une suite (xn )n∈N permettant d’approcher le minimum global de la fonction
d’Armijo : f : Rm → R. Son principe est inspiré du procédé physique de recuit où la température d’un cristal
f (xn+1 ) < f (xn ) + β (α d, ∇x f (xn )), est progressivement réduite par palliers afin d’amener celui-ci à sa structure d’énergie minimale.
où β est un réel fixé dans ]0, 1[. A température fixée, la probabilité que le système soit dans un état donné augmente lorsque
L’existence de la suite (xn )n∈N se déduit du résultat général suivant : l’énergie associée à cet état décroît. Ainsi, à faible température, les états de faible énergie sont
de plus en plus probables. La traduction mathématique de ce procédé est la suivante :
Proposition 2. Soit x0 ∈ Rn , β dans ]0, 1[ et f ∈ C1 (Rm , R) telle que f possède un gradient non
nulle et soit localement Lipschitzienne en x0 (de constante de Lipshitz γ > 0). Alors, pour tout – Initialisation : choix des paramètres initiaux R > 0 et T > 0 et tirage aléatoire de x0 ∈ Rm .
d ∈ Rn tel que (d, ∇x f (x0 )) < 0 on a – Itération n : tirage aléatoire de y ∈ B(xn , R). Deux possibilités se présentent :
f (x0 + α d) < f (x0 ) + β (α d, ∇x f (x0 )), (5) si f (y) ≤ f (xn ), alors xn+1 = y

f (y)− f (xn )
dès que si f (y) > f (xn ), alors xn+1 = y avec une probabilite exp(− T ) et xn sinon.
2(β − 1)(d, ∇x f (x0 )) – Actualisation des paramètres : toutes les N itérations, T → α T et R → α R avec α ∈]0, 1[.
0<α < . (6)
γ ||d||22
Bien que ne possédant pas de justification mathématique réelle, la méthode du recuit simulé
On dispose alors du théorème suivant concernant le comportement de la suite (xn )n∈N : permet de résoudre de nombreux problèmes d’optimisation globale pour des fonctions non for-
Théorème 1. Soit f ∈ C1 (Rm , R) telle que f possède une fonction gradient globalement Lip- cément régulières au prix cependant d’un nombre très élevé d’évaluations de celles ci.
schitzienne sur Rn . Alors, la suite (xn )n∈N associée à une méthode de descente quelconque
vérifie l’une des trois propriétés suivantes : 4. Résolution du problème de Lennard Jones de taille N
– ∇x f (xn ) = 0 pour n assez grand,
– lim f (xn ) = −∞, 4.1. cas N = 3 et N = 4
n→+∞
|(dn, ∇x f (xn ))|
 
– lim min(|(dn, ∇x f (xn ))|, ) = 0. Les cas N = 3 et N = 4 peuvent être facilement résolus analytiquement. Il est néanmoins
n→∞ ||dn||2 intéressant d’observer comment se comporte une méthode de descente en partant d’une confi-
En d’autres termes, soit un point critique de f est obtenu en un nombre fini d’étapes, soit la guration totalement aléatoire, en particulier afin de déterminer si la fonction LJN possède des
suite des itérés prend des valeurs suivant f tendant vers −∞, soit la pente (ou la pente normali- minimas locaux.
sée) le long de la direction de descente tend vers 0. En particulier, il n’est pas certain à ce stade La méthode de descente de la plus forte pente est donc initialisée par une configuration alé-
que si la suite des itérés converge, ce soit vers un point critique. Cela est néanmoins le cas pour toire x0 constituée de N atomes (N = 3 ou 4) placés dans l’hypercube [0, 1]3N et est appliquée
la méthode de la plus forte pente : 1
avec les valeurs de paramètres τ = 0.3, β = 10−4 et αinit = .
||∇x f (xn )||
Corollaire 1. Les hypothèses du théorème précédent sont conservées. La suite (xn )n∈N corres- Dans tous les cas, on observe une convergence de la suite (xn ) vers une configuration as-
pondant à la méthode de plus forte pente vérifie l’une des deux propriétés suivantes : sociée à la valeur théorique minimale de LJN , en l’occurence −3 et −6 pour N = 3 et N = 4
– lim f (xn ) = −∞ respectivement. Suivant la valeur initiale de x0 , la convergence est plus ou moins rapide : entre
n→+∞

Page 3/6 Page 4/6

61 62
 20 et 100 itérations sont nécessaires environ pour avoir une bonne approximation du minimum
convergence history
global. fmin
−29

4.2. cas 5 ≤ N ≤ 20 −31

Lorsque N > 4, la méthode de descente ne permet pas d’obtenir dans tous les cas le minimum −33

global de la fonction LJN en raison de la présence, de plus en plus nombreuse lorsque N croît, −35
de minimas locaux de LJN . Un recours successif aux méthodes présentées aux paragraphes
2 et 3, à savoir dans l’ordre, la méthode du recuit simulé puis la méthode de descente de la −37

plus forte pente, est nécessaire pour pouvoir approcher le minimum global de la fonction LJN
en un temps raisonnable pour des valeurs de N allant jusqu’à 20 environ. On constate que −39

ce procédé, initialisé par une configuration de départ choisie aléatoirement, permet d’obtenir −41
une excellente approximation du minimum global de LJN au bout d’un nombre très limité de
relances de l’algorithme (moins de 10). En effet, au vu de la nature stochastique de la méthode −43
Neval
du recuit simulé, même avec un point initial inchangé, l’optimisation ne conduit pas forcément
−45
à la meilleure solution dans tous les cas. 1e3 5e3 9e3 13e3 17e3 21e3 25e3 29e3

La méthode exposée permet en particulier de retrouver la configuration géométrique clas-

sique de l’isocaèdre comme solution d’énergie minimale pour le problème LJ13 (voir Figure
2).
F IG . 3. Historique de convergence pour le problème LJ13

1.4
Un exemple d’historique de convergence vers le minimum global est représenté sur la Figure
1.2
3 où les abscisses représentent le nombre d’évaluations de la fonction LJN et les ordonnées la
valeur minimale couramment obtenue pour la fonction LJ13 .
1

0.8

0.6

0.4 Suggestions pour le développement

0.2

0 ◮ Soulignons qu’il s’agit d’un menu à la carte et que vous pouvez choisir d’étudier cer-
−0.2 tains points, pas tous, pas nécessairement dans l’ordre, et de façon plus ou moins
−0.4 fouillée. Vous pouvez aussi vous poser d’autres questions que celles indiquées plus bas.
−0.6
−0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4
1.5 1 0.5 0 −0.5 −1
Il est très vivement souhaité que vos investigations comportent une partie traitée sur
ordinateur et, si possible, des représentations graphiques de vos résultats.
– Démontrer la Proposition 1 et déterminer analytiquement tous les minimas globaux des
F IG . 2. La configuration d’énergie minimale pour N = 13 : l’isocaèdre fonctions LJ3 et LJ4 .
– Démontrer les résultats théoriques relatifs aux méthodes de descente énoncés au para-
Dans ce cas l’algorithme est initialisé avec 13 atomes placés aléatoirement dans l’hypercube graphe 2.
[0, 1]39 et comporte les deux phases suivantes : – Programmer la méthode de descente de la plus forte pente et l’appliquer à la résolution du
problème LJ3 et LJ4 de la manière présentée au paragraphe 4.1.
– Phase 1 (méthode du recuit simulé) On calcule Nmax = 20000 itérations avec les paramètres
– Programmer la méthode du recuit simulé et la coupler à la méthode de descente de la plus
initiaux R = 0.2, T = 1 et un facteur de décroissance géométrique α = 0.9 de ceux-ci toutes
forte pente pour la résolution du problème LJN pour N ≤ 20 de la manière présentée au
les N = 1000 itérations.
paragraphe 4.2. Retrouver en particulier la configuration de l’isocaèdre comme solution
– Phase 2 (méthode de descente de la plus forte pente) : on calcule 50 itérations avec les
globale du problème LJ13 . (valeur minimale de LJ13 de l’ordre de −44.3268).
mêmes valeurs de paramètres qu’au paragraphe 4.1

Page 5/6 Page 6/6

63 64
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Épreuve de modélisation et Calcul Scientifique rapport au repos lorsque la charge y est suspendue. Le champ de forces exercé sur la corde
par le poids de la charge est représenté par une densité linéique f : [0, 1] → R, comme sur la
figure 1. On supposera de plus que la corde est fixée à ses extrémités, ce que l’on traduit par
les conditions u(0) = u(1) = 0.
Résumé : L’objectif de ce texte est de calculer la position optimale d’une charge suspendue Pour décrire le modèle, on va faire un bilan d’énergie sur un élément de longueur d x, en
à une corde afin de minimiser les risques de rupture de ses points d’attache. Le modèle de faisant l’hypothèse de petits déplacements. Pour cela on procède en deux étapes :
base est constitué d’une équation aux dérivées partielles linéaire en dimension 1 dont le
a) L’énergie infinitésimale due à l’étirement de l’élément de corde est proportionnelle à
terme source dépend d’un paramètre. On cherche alors à trouver la valeur optimale de ce
l’augmentation de la longueur entre la situation au repos et la corde en tension :
paramètre à travers une méthode de gradient.
s 
¶2
Mots clefs : Équations aux dérivées partielles. Problème aux limites. Optimisation.
µq ¶ µ
2 2
∂u
Méthodes de gradient. Différences finies. (1) ξ1 = k(x) (u(x + d x) − u(x)) + d x − d x ≈ k(x)  (x) + 1 − 1 d x.
∂x

Le coefficient de proportionnalité k(x) > 0 s’appelle la raideur de la corde au point x.

◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. Vous êtes
laissé(e) libre d’organiser votre discussion comme vous l’entendez. Des suggestions de b) L’énergie potentielle due au poids de l’objet et qui est l’opposée du travail de ce poids
développement, largement indépendantes les unes des autres, vous sont proposées en fin au cours du déplacement décrit par u vaut :
de texte. Vous n’êtes pas tenu(e) de les suivre. Il vous est conseillé de mettre en lumière
(2) ξ2 = − f (x)u(x) d x.
vos connaissances à partir du fil conducteur constitué par le texte. Le jury appréciera
que la discussion soit accompagnée d’exemples traités sur ordinateur. L’énergie globale E (u) est donnée par :
s 
Z1 µ ¶2 Z1
∂u
(3) k(x)  1 + (x) − 1 d x − f (x)u(x) d x,
0 ∂x 0
1. Le problème de la corde à l’équilibre
ce qui, en supposant que le déplacement u et sa dérivée sont petits, donne en première
On considère une corde tendue attachée à ses deux extrémités et initialement en position approximation :
horizontale à laquelle on suspend une charge. L’objectif est que sa présence n’entraîne pas la ¶2
1 1
µ Z1
rupture des points d’attache. Pour cela, on cherche donc à déterminer sa position le long de ∂u
Z
(4) E (u) = k(x) (x) d x − f (x)u(x) d x.
la corde pour minimiser la force de tension que l’on va retrouver aux extrémités de celle-ci. 2 0 ∂x 0
Il va de soi qu’il s’agit là d’un problème extrêmement simplifié (bien que de même nature)
La configuration u de la corde à l’équilibre est l’unique fonction vérifiant les conditions
par rapport aux problèmes concrets des ingénieurs qui étudient par exemple les risques de
aux limites u(0) = u(1) = 0 et qui minimise l’énergie E . En effet, on admettra le résultat suiv-
rupture des ponts, des ailes d’avion, etc.
ant (il n’est pas demandé au candidat de le démontrer).
x
Théorème 1. Soient f ∈ C 0 ([0, 1], R), k ∈ C 1 ([0, 1], R) telle que inf k > 0 alors :
[0,1]
u(x) (5) ∃!u ∈ V, ∀v ∈ V, E (u) ≤ E (v),

f (x) avec V = {v ∈ C 2 ([0, 1])/v(0) = v(1) = 0}.

Corollaire 1. Sous les mêmes hypothèses que le théorème 1, l’unique solution du problème (5)
est aussi solution du problème aux limites :
F IGURE 1. Géométrie d’une corde à l’équilibre soumise à un champ de forces f .
 − ∂ k(x) ∂u (x) = f (x), ∀x ∈]0, 1[,
 ³ ´

(6) ∂x ∂x
On se place dans le cas monodimensionnel et avec une corde de longueur 1 ; les abscisses
u(0) = u(1) = 0.

sont décrites par x ∈]0, 1[ et x 7→ u(x) représente le déplacement vertical de la corde par

Page 1/6 Page 2/6

65 66
 Pour démontrer ce corollaire, on constate que E (u + t ϕ) ≥ E (u), ∀t ∈ R et ∀ϕ ∈ V . En 2.1. Calcul approché de la position de la corde
développant l’expression par rapport à t , puis en faisant tendre t vers 0+ d’une part, puis t
Pour tout paramètre a ∈]ℓ, 1−ℓ[, on utilise une méthode de différences finies pour l’équa-
vers 0− d’autre part, on obtient l’égalité :
Z1 Z1 tion (6) avec second membre f a . Plus précisément, pour un entier N fixé et h = N1+1 , on pose
∂u ∂ϕ x i = i h, 0 ≤ i ≤ N +1, on cherche une approximation u ia de la valeur de u a au point x i , définie
(7) ∀ϕ ∈ V, k(x) (x) (x) d x = f (x)ϕ(x) d x.
0 ∂x ∂x 0 par le schéma :
Ainsi par une intégration par parties, il vient 
a a
Z1 µ ¶ Z1  u 0 = u N +1 = 0,

∂ ∂u (12) u a − u ia u a − u ia−1
µ ¶
(8) ∀ϕ ∈ V, − k(x) (x) ϕ(x) d x = f (x)ϕ(x) d x. 1
0 ∂x ∂x 0  − k i +1/2 i +1
 − k i −1/2 i = f a (x i ), ∀i ∈ {1, . . . , N },
h h h
On conclut alors que u est bien solution du système (6). ³ ´
avec k i +1/2 = k (i + 21 )h , ∀i ∈ {0, . . . , N }. Une telle approximation U a = t (u 1a , . . . , u N
a
) ∈ RN
Une fois que l’on a déterminé la position d’équilibre de la corde, on admet que les forces
exercées par la corde en tension sur ses deux points d’attache sont respectivement données existe de façon unique et s’obtient par la résolution du système linéaire :
par (13) MU a = F a
∂u ∂u t
avec F a = f a (x 1 ), . . . , f a (x N ) et M = (m i , j )1≤i , j ≤N où
¡ ¢
(9) F 0 = k(0) (0) et F 1 = k(1) (1),
∂x ∂x
pour tout (i , j ) ∈ {1, . . . , N }2 tel que |i − j | > 1,

mi , j = 0
et on peut donc mesurer les risques de rupture, c’est-à-dire l’intensité de ces deux forces, par


 m i ,i +1 = − ki +1/2 pour tout i ∈ {1, . . . , N − 1},


exemple en évaluant la quantité suivante, appelée risque de rupture (14)
h2
k
m i ,i −1 = − ih−1/2 pour tout i ∈ {2, . . . , N },
1¯ ∂u ¯2 1 ¯ ∂u ¯2 2
¯ ¯ ¯ ¯ 

(10) R = ¯¯k(0) (0)¯¯ + ¯¯k(1) (1)¯¯ ,
 k i +1/2 +k i −1/2
pour tout i ∈ {1, . . . , N }.

 m
i ,i =
2 ∂x 2 ∂x h 2

où u est la solution du problème (6).

2.2. Calcul de l’énergie de rupture et de sa dérivée
2. Optimisation de la position de la charge Dans un deuxième temps, à N fixé, on propose de minimiser, par rapport à a, la fonction-
nelle approchant R définie par :
On se donne p ∈ C c0 (R) à support dans [−ℓ, ℓ] avec 0 < ℓ < 12 qui représente le poids de la a ¶2
1 u a − u 0a 2 1 u a − uN
µ ¶ µ
charge de longueur 2ℓ avec laquelle on va travailler. On choisira typiquement des fonctions R N (a) = k 1/2 1 + k N +1/2 N +1
p négatives ce qui correspond à l’orientation usuelle de la gravité "vers le bas". On repère (15) 2 h 2 h
a ¶2
1 u 1a 2 1 uN
µ ¶ µ
alors par a ∈ [ℓ, 1 − ℓ] la position du centre de la charge, ce qui revient à dire que la corde est = k 1/2 + k N +1/2 .
soumise au champ de force f a défini par f a (x) = p(x − a). 2 h 2 h
Ainsi, à chaque valeur de a on associe, par le théorème 1, une unique solution notée u a du Pour déterminer une valeur approchée du minimum, on se propose d’utiliser une méth-
problème (6) avec pour second membre, la fonction f a . On peut alors, toujours pour chaque ode de gradient à pas constant ρ, ce qui suppose de pouvoir évaluer la dérivée de R N en tout
valeur de a, calculer l’énergie de rupture associée point. Pour cela, on suppose dorénavant que p est une fonction de classe C 1 et on remarque
que la dérivée de R N s’écrit de la façon suivante :
1¯ ∂u a ¯¯2 1 ¯¯ ∂u a ¯¯2
¯ ¯ ¯ ¯
(11) R(a) = ¯¯k(0) (0)¯ + ¯k(1) (1)¯ . u 1a v 1a a a
uN vN
2 ∂x 2 ∂x (16) ′
RN 2
(a) = k 1/2 2
+ kN ,
L’objectif que l’on se fixe est donc de trouver la valeur de a qui va minimiser la fonctionnelle h2 +1/2
h2
R et ainsi les risques de rupture des attaches de la corde. a t
où V = (v 1a , . . . , v N
a
) est l’unique solution du système linéaire
Dans le cadre général, le calcul explicite de R(a) n’est pas possible et, quand bien même
(17) MV a = G a ,
on pourrait la calculer, R n’est plus nécessairement quadratique. On va présenter main-
tenant une méthode numérique pour déterminer une solution approchée du problème (6) avec
et obtenir ainsi une approximation de la fonction R que l’on cherchera à minimiser par la ∂f a ∂f a
µ ¶
(18) Ga = t (x 1 ), . . . , (x N ) = −t (p ′ (x 1 − a), . . . , p ′ (x N − a)).
suite. ∂a ∂a

Page 3/6 Page 4/6

67 68
 3.0
′
Ainsi, le calcul de R N et R N en tout point a s’effectue de façon exacte via la résolution de deux
systèmes linéaires pour la même matrice M . Pour les essais numériques, on pourra choisir 2.5

une fonction p de type gaussien p(x) = −λ exp(−(λx)2 ), avec λ > 0 bien choisi. Bien entendu 2.0

cette fonction n’est pas à support compact mais elle est quand même suffisamment localisée
en espace pour valider l’approche proposée. 1.5

1.0

2.3. Minimisation par l’algorithme de gradient à pas constant 0.5

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9

La méthode de gradient à pas constant pour minimiser R N est décrite par :

 0 F IGURE 3. L’énergie R N , pour N = 100.

 a donné,

(19) a k+1 = a k − ρR N
′
(a k ), ∀k ∈ N, vivement souhaité que vos investigations comportent une partie traitée sur ordinateur
et, si possible, des représentations graphiques de vos résultats.

′
(a k )| ≤ 10−6 .

s’arrêter quand |R N

– Détailler la preuve du corollaire 1. Justifier les calculs de la section 2.
Pour peu que l’on choisisse correctement le pas de descente ρ (ni trop petit, ni trop grand. . . ), – Vérifier que si k est une fonction constante, alors la fonctionnelle R est quadratique,
on peut vérifier numériquement que la méthode converge. Pour les simulations numériques, pour tout choix de la fonction p à support dans [−ℓ, ℓ].
on pourra prendre k(x) = 1 + 0.8 sin(10x) cos(5x) (qui modélise des variations de tension im- – On pourra retrouver numériquement les figures 2 et 3 du texte.
portantes dans la corde). – On pourra commenter la méthode de gradient utilisée, discuter le choix du pas de de-
Dans le cas présenté ici, pour N = 100, la méthode de gradient à pas constant avec ρ = scente, et éventuellement en proposer des alternatives.
0.04 et a 0 = 0.5 converge en 10 itérations vers la valeur a ≈ 0.6666 et une énergie de rupture
minimale R N (a) ≈ 1.5708. Les résultats sont donnés dans la figure 2.
1.8 −0
−0.00

1.6 −2
−0.05

−4
1.4 −0.10

−6
1.2 −0.15
−8
1.0 −0.20
−10
0.8 −0.25
−12

0.6 −0.30
−14

0.4 −0.35
−16

0.2 −18 −0.40

0.0 −20 −0.45

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

La tension k(x) La charge optimale f a La position de la corde à l’optimum

F IGURE 2. Position optimale de la charge, i.e. pour a ≈ 0.6666.

On donne également dans la figure 3 la courbe de la fonction R N pour des valeurs de a

dans [0.1, 0.9]. On observe qu’elle n’est effectivement plus quadratique et que l’on a bien
trouvé son minimum au point a ≈ 0.6666.

Suggestions pour le développement

◮ Soulignons qu’il s’agit d’un menu à la carte et que vous pouvez choisir d’étudier certains
points, pas tous, pas nécessairement dans l’ordre, et de façon plus ou moins fouillée.
Vous pouvez aussi vous poser d’autres questions que celles indiquées plus bas. Il est très

Page 5/6 Page 6/6

69 70
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
avec
Épreuve de modélisation et Calcul Scientifique k−1 n
d(x) = ∑ ai pi(x) et w(x) = ∑ α j φ (|x − x j |)
i=0 j=1
en imposant la condition
n
Résumé : Issu de considérations statistiques, le krigeage est une technique d’interpolation qui
permet de retrouver d’autres méthodes classiques comme les splines
∀i = 0, . . . , k − 1 ∑ α j pi(x j ) = 0
j=1
Mots clefs : Interpolation, approximation, moindres carrés La partie d(x) est appelée dérive, elle modélise une première approximation du comportement
général de la fonction u à interpoler. La figure 1 présente différentes dérives ; il faut noter que
une fois la forme de la dérive choisie, ses coefficients dépendent de la fonction φ . La figure 2
◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. Vous êtes présente les interpolations réalisées pour une même dérive affine et différentes fonctions φ .
laissé(e) libre d’organiser votre discussion comme vous l’entendez. Des suggestions de La fonction w dite fluctuation aléatoire corrige la dérive en permettant à la courbe de passer
développement, largement indépendantes les unes des autres, vous sont proposées en fin par les points d’approximation.
de texte. Vous n’êtes pas tenu(e) de les suivre. Il vous est conseillé de mettre en lumière Les coefficients (a0 , . . . , ak−1 ) et (α1 , . . . αn ) sont alors solutions du système linéaire suivant
    
vos connaissances à partir du fil conducteur constitué par le texte. Le jury appréciera C P α u
que la discussion soit accompagnée d’exemples traités sur ordinateur. (1) tP 0 =
a 0
où α = t [α1 , . . . αn ], a = t [a0 , . . . , ak−1 ], C est la matrice n × n de terme général ci j = φ (|xi − x j |),
Le krigeage est une technique d’interpolation et de modélisation géométrique qui tire son P est la matrice n × k de terme général p j (xi ).
Un choix approprié de la fonction φ permet d’assurer que le système a une unique solution.
origine de méthodes géostatistiques, développées empiriquement dans les années cinquante par
La résolution du système linéaire peut parfois être simplifiée grâce aux remarques suivantes :
l’ingénieur minier sud-africain [Link], puis formalisées et popularisées par le Français G.
Si la fonction φ est multipliée par une constante, la fonction a reste inchangée tandis que α est
Matheron.
Il peut par exemple s’agir de prévoir la valeur prise par un phénomène naturel en un site divisé par la même constante ; si p0 = 1 et si l’on ajoute une constante à chaque coefficient de
la matrice C, la solution du système est inchangée.
à partir d’observations ponctuelles en des sites voisins (citons : densité de minerai dans des
échantillons de sol, hauteur de précipitations mesurées en des stations météorologiques, con-
centration de gaz carbonique en certains points ....). L’aspect statistique inhérent au krigeage 1.2. Splines
n’est pas abordé : nous nous limitons à présenter le krigeage comme une technique d’interpola-
tion. Définition 1. Soit σ = (x j ) j=1...n une subdivision de [a, b]
La variante exposée ici est dite du krigeage dual. Cette méthode s’étend facilement aux cas x1 = a < x2 < ... < xn = b
bidimensionnels et tridimensionnels. On appelle spline cubique sur [a, b] toute fonction s : [a, b] 7→ R vérifiant
– s est de classe C2 sur [a, b]
1. Interpolation unidimensionnelle – sur chaque intervalle [xi , xi+1 ] s est la restriction d’une fonction polynômiale de degré
inférieur ou égal à 3
1.1. Présentation Il existe une unique spline s de Sσ vérifiant s(x j ) = u j pour tout j = 1, .., n et s”(a) = s”(b) =
0 ; on l’appelle spline cubique naturelle. C’est l’unique fonction qui réalise le minimum de
Soit n ∈ N∗ un entier naturel non nul, [a, b] un intervalle de R et n points distincts x j ( j =
l’énergie de flexion : précisément, si F est l’ensemble des fonctions f C2 sur [a, b] vérifiant
1, . . . , n) de cet intervalle. On se donne U = (u1 , . . . un ) ∈ Rn ( en général des valeurs d’échan-
f (x j ) = u j pour tout j = 1, .., n, s est l’unique fonction telle que
tillonnage d’une fonction u) et on cherche une fonction û vérifiant ∀ j = 1, . . . , n û(x j ) = u j . Z Z
On choisit un espace vectoriel de fonctions de dimension finie k, de base p0 , . . . , pk−1 , par (s′′ (x))2 dx = min ( f ′′ (x))2 dx
exemple l’espace des fonctions polynômiales de degré inférieur ou égal à k − 1 avec p j (x) = x j , [a,b] f ∈F [a,b]
et on cherche û sous la forme On peut montrer que c’est la fonction obtenue par krigeage en choisissant une dérive affine
û(x) = d(x) + w(x) et une fonction φ (h) = h3 .

Page 1/6 Page 2/6

71 72
 2. Extension du modèle 3. Courbes paramétrées

2.1. Distance d’influence On souhaite, par exemple pour reconstituer des courbes de niveau, interpoler un ensemble de
points du plan A j = (x j , y j ), j = 1, . . . , n par une courbe paramétrée γ (t) = (x(t), y(t))t ∈ [a, b].
Dans les exemples vus plus haut, la matrice C est pleine ; le choix de φ (h) = h ou φ (h) = h3 On commence par construire une suite t j des valeurs du paramètre t de telle sorte que γ (t j ) = A j
ne permet d’annuler que les coefficients diagonaux de C. D’autre part, il est intuitivement clair puis on résout les deux systèmes linéaires de même matrice. Pour construire la suite t j , un choix
que l’interpolation souhaitée en un point x (voir les exemples en introduction) dépend plus naturel (paramétrage par longueur de courbe) est le suivant :
fortement des points de collocation situés dans le voisinage immédiat de x que des points plus
t1 = 0
éloignés. q
Si l’on désire augmenter l’influence des points de collocation situés dans le voisinage immé- ∀ j = 1, . . . , n − 1 t j+1 = t j + (x j+1 − x j )2 + (y j+1 − y j )2
diat de x (et diminuer le nombre de termes non nuls de la matrice M), on peut introduire une
distance d’influence au delà de laquelle la fonction φ s’annule, par exemple L’exemple présenté en (5) et (6) , (courbe fermée, dérive affine et φ (h) = h3 ) montre comment
on peut corriger le caractère non lisse au premier noeud en répétant les derniers noeuds avant

3 les premiers et les premiers après les derniers. Ici, on a pris
φ (h) = 1 − dh si 0 ≤ h ≤ d
0 si h > d xn−1 , xn = x1 , ..., xn = x1 , x2 , x3
Cette définition assure la continuité de φ ; on peut la modifier légèrement pour rendre φ dériv- yn−1 , yn = y1 , ..., yn = y1 , y2 , y3
able. La figure 3 montre l’effet de la distance d’influence : si on réduit la valeur de d la courbe
a tendance à osciller.
Suggestions pour le développement
2.2. Effet pépite : ◮ Soulignons qu’il s’agit d’un menu à la carte et que vous pouvez choisir d’étudier cer-
tains points, pas tous, pas nécessairement dans l’ordre, et de façon plus ou moins fouil-
Ce nom rappelle que la méthode tire son origine de problèmes de prospection minière. Pour lée. Vous pouvez aussi vous poser d’autres questions que celles indiquées plus bas. Il est
ne pas conclure trop vite à un gisement d’or dans le voisinage d’une pépite isolée, on peut être très vivement souhaité que vos investigations comportent une partie traitée sur ordina-
amené à diminuer l’influence d’une donnée marginale ou aberrante en en ajoutant à la matrice teur et, si possible, des représentations graphiques de vos résultats.
C une matrice diagonale D avec di,i d’autant plus grand qu’on veut moins tenir compte du point
(xi , ui ) dans l’interpolation. Lorsque l’effet pépite devient important, on obtient un problème de – On pourra démontrer les résultats relatifs aux splines et comparer les méthodes d’obtention
moindres carrés pondérés (cf fig 4). Plus précisément, on ajoute à C une matrice diagonale β D de la spline par la méthode "classique" (recherche des coefficients du polynôme sur chaque
et on fait tendre β vers +∞. Le système (1) s’écrit alors intervalle [x j , x j+1 ] ) et le krigeage.
 – On pourra démontrer le théorème 1
(C + β D)α + Pa = U – On pourra illustrer l’effet de la distance d’influence et l’effet pépite.
(2) t Pα =0 – On pourra présenter des exemples de constructions de courbes paramétrées en dimension
ce qui implique 2 et 3
– On pourra étendre le krigeage dual en plusieurs dimensions en remplaçant φ (h) par φ (||h||2 ).
(3) t
P(C + β D)−1 Pa = t P(C + β D)−1U On obtient l’équivalent des splines cubiques en prenant φ (h) = h ln h en dimension 2 et
Théorème 1. Lorsque β tend vers +∞, la solution de (3) tend vers celle de φ (h) = h en dimension 3.
t
PD−1 Pa = t PD−1U
En particulier, si D est la matrice identité, la dérive n’est autre que la droite des moindres
carrés.
La démonstration utilise le fait que si β est suffisamment grand, le rayon spectral de la ma-
trice M(β ) = β1 D−1C est strictement inférieur à 1, ce qui permet d’affirmer que I + M(β ) est
inversible, d’inverse ∑+∞ k
k=0 (−1) M(β )
k

Page 3/6 Page 4/6

73 74
 2
10 2.5

1.5
9 2

8 1.5

0.5

7 1

-1 0 1 2 3 4 5
6 0.5

-0.5

5 -1 0 1 2 3 4 5

-1

0 2 4 6 8 10 12 14 16
x

F IG . 4. effet pépite

F IG . 1. exemple de dérive constante, affine, quadratique

14

10 10 10 12

9 9
10
8
8 8
8
7 6 7

6 6 6
4
5 5
4
4 2 4
0 2 4 6 8x 10 12 14 16 0 2 4 6 8x 10 12 14 16 0 2 4 6 8x 10 12 14 16
2 4 6 8 10 12 14

F IG . 2. dérive affine ; φ (h) = h ; φ (h) = h3 ; φ (h) = exp(−h2 ) F IG . 5. sans superposition des points

2
2
2.5

14
1.5
1 2

1.5
-1 1 2 3 4 5 12
0
0.5

-1 0 1 2 3 4 5
-1
10
0.5
-0.5

-2
-1 0
-1 1 2 3 4 5
8

F IG . 3. effet de la distance d’influence 4

2 4 6 8 10 12 14

F IG . 6. avec superposition des points

Page 5/6 Page 6/6

75 76
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Si on admet ce modèle simple et qu’on suppose savoir évaluer la matrice de production, la
Épreuve de modélisation et Calcul Scientifique
question est alors bien sûr de caractériser les cas où existe un vecteur x qui assure l’équilibre et
de le calculer. Dans les applications réelles du modèle, le nombre de secteurs est très grand (n
peut valoir plusieurs milliers). Il est donc crucial de disposer de méthodes efficaces pour décider
Résumé : On étudie le modèle de Leontieff, qui permet de caractériser les situations si (1) possède une solution acceptable et l’estimer.
d’équilibre dans des secteurs de l’économie d’un pays.
Mots clefs : Valeurs propres, vecteurs propres. Résolution de systèmes linéaires. Notations : Si M est une matrice (ou un vecteur), on notera M ≥ 0 si tous les coefficients de M
sont positifs. Si de plus M 6= 0, on notera M 0. Si tous les coefficients de M sont strictement
positifs, on écrira M > 0. Enfin, si M est une matrice carrée, on notera ρ(M) son rayon spectral.
◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. Vous êtes
laissé(e) libre d’organiser votre discussion comme vous l’entendez. Des suggestions de
développement, largement indépendantes les unes des autres, vous sont proposées en fin 2. Le modèle fermé
de texte. Vous n’êtes pas tenu(e) de les suivre. Il vous est conseillé de mettre en lumière
vos connaissances à partir du fil conducteur constitué par le texte. Le jury appréciera Considérons d’abord, pour simplifier, le cas du modèle dit fermé, dans lequel il n’y a pas
que la discussion soit accompagnée d’exemples traités sur ordinateur. de demande externe, c’est-à-dire que tous les biens produits sont consommés par les différents
secteurs. Ceci revient à poser c = 0 dans (1), et donne :
(2) Ax = x.
1. Présentation du modèle On se demande donc si A admet 1 comme valeur propre. Mais il faut, de plus, s’assurer qu’une
1 solution x 0 existe. Comme la matrice A est positive, l’étude proposée relève du théorème
Le modèle d’entrée-sorties de Leontieff vise à caractériser l’économie d’un pays en évaluant suivant de Perron-Frobenius.
la quantité de biens qui doit être produite dans chaque secteur et leur prix afin d’assurer une
situation d’équilibre. Théorème 1. Si M est une matrice carrée telle que M ≥ 0, alors ρ(M) est une valeur propre
La première étape consiste à sectoriser l’économie, c’est-à-dire à la partitionner en domaines, de M et il existe un vecteur propre x 0 pour cette valeur propre.
qui seront considérés comme homogènes. Par exemple, une sectorisation grossière consiste à
considérer trois grands domaines : l’agriculture, l’industrie de biens manufacturés et les ser-
vices. Une consolidation plus fine distinguerait à l’intérieur de l’agriculture l’élevage, la culture 3. Analyse du modèle ouvert
de céréales, etc. . . , dans la production de biens manufacturés l’industrie automobile, l’aéronau-
tique, l’industrie chimique, etc. . . , et de même pour les services. Dans le cas où la demande c est non nulle, on s’intéresse à la résolution de (1) que l’on écrit
Supposons donc que nous considérions n secteurs. Chacun des secteurs produit une quantité
(3) Bx = c,
xi , i = 1, . . . , n, d’un bien i. Chaque secteur j a besoin, pour produire une unité de son produit, de
consommer une quantité ai j du bien i (qui est donc produit par le secteur i). Enfin, la demande du où B = I − A.
public pour le bien i est notée ci . Le modèle de Leontieff consiste à faire le bilan des quantités de Plus précisément, on cherche des conditions sur B pour que (3) ait une solution x économique-
biens produits et consommés par les différents secteurs de l’économie. Ce bilan est une relation ment sensée, c’est-à-dire telle que x 0. Notons que, comme A ≥ 0, la matrice B a une structure
linéaire qui s’écrit de la façon suivante : très particulière dite de Z-matrice :
(1) Ax + c = x,
Définition 1. On dit qu’une matrice carrée M est une Z-matrice si tous ses éléments non diag-
où x et c dont les vecteurs de Rn de coordonnées (xi )i et (ci )i respectivement, et A la matrice onaux sont négatifs ou nuls.
carrée de taille n (appelée matrice de production) dont les composantes sont les ai j .
Le modèle présenté ici se base sur différentes hypothèses simplificatrices : on suppose ainsi
que chaque produit est obtenu via une combinaison unique des autres biens disponibles, sans 3.1. Matrices productives
substitution possible, et que, de plus, toute la production est effectivement utilisée, sans surplus.
Définition 2. On dit qu’une Z-matrice M est productive s’il existe un vecteur d ≥ 0 tel que
1. W. Leontieff, prix Nobel d’économie en 1973. Md > 0.

Page 1/6 Page 2/6

77 78
 D’un point de vue du modèle économique étudié ici, dire que la matrice B est productive Pour démontrer ce résultat, on remarque tout d’abord que la condition proposée est néces-
revient à dire qu’on peut faire en sorte que le bilan de production de chacun des biens soit saire. En effet, si M est productive, il en est de même de toutes les sous-matrices Mk , k = 1 . . . n.
strictement positif. Pour voir qu’elle est suffisante, on raisonne par récurrence sur n (le cas n = 1 étant immédiat).
Supposant le résultat vrai au rang n − 1, on cherche à vérifier la propriété (iii) du théorème 2.
Théorème 2. Soit M une Z-matrice. Les propriétés suivantes sont équivalentes : Etant donné c ≥ 0, on effectue des opérations sur les lignes de M pour se ramener à un problème
(i) M est productive. de la forme
 
(ii) Il existe d > 0 tel que Md > 0. m11 m′12 . . . m′1n
 0 
(iii) Pour tout c ≥ 0, il existe x ≥ 0 tel que Mx = c. (6)  .  x = c̃,
 .. e
M 
(iv) M est inversible avec det M > 0 et M −1 ≥ 0. 0
La propriété (i) implique (ii) car on observe que toute matrice productive a nécessairement où c̃ est encore un vecteur positif et M̃ une matrice carrée de taille n − 1 dont on vérifie qu’elle
ses coefficients diagonaux strictement positifs. Le seul point délicat alors est de démontrer que est productive. Ceci permet donc de trouver des valeurs positives ou nulles x2 , . . . , xn solutions
(ii) implique (iv). Pour cela, on constate que si on note D la matrice carrée diagonale dont les d’un sous-système de taille n − 1 puis d’en déduire x1 .
coefficients diagonaux sont les di > 0, alors la matrice MD est à diagonale strictement domi-
nante. On en déduit qu’elle est inversible à inverse positive ou nulle. Par ailleurs, det M > 0 car Pour continuer dans la compréhension de la structure des matrices en jeu dans le modèle
pour tout s ≥ 0, sI + M est productive donc inversible. proposé, on peut constater que toute Z-matrice M peut s’écrire sous la forme M = rI − A, où r
est un réel positif ou nul et A une matrice positive (par exemple r = 1 pour la matrice B = I − A
On déduit par exemple de ce résultat qu’il est possible de formuler la notion de matrice du modèle de Leontieff). On possède alors une nouvelle caractérisation du caractère productif
productive en termes de prix : de telles matrices :
Corollaire 1. Une Z-matrice M est productive si et seulement s’il existe un vecteur de prix Théorème 4. Une Z-matrice M = rI − A, avec A ≥ 0, est productive si et seulement si on a
p ∈ Rn , avec p > 0, tel que ρ(A) < r et alors
(4) t
M p > 0.  k
1 A
(7) M −1 = ∑ .
r k≥0 r
3.2. Critères de productivité
Dans le cadre du modèle de Leontieff, on déduit de ce qui précède une première condition 3.3. Rentabilité
suffisante simple pour décider si la matrice B = I − A est productive : On se propose d’envisager maintenant la rentabilité économique de chacun des secteurs con-
Corollaire 2. Pour tout i = 1, . . . , n, on note ri = ∑nj=1 ai j et pour tout j = 1, . . . , n, on note sidérés. On suppose que la matrice de Leontieff B = I − A est productive, on a alors vu qu’il
c j = ∑ni=1 ai j . Si la condition suivante est vérifiée : existe un vecteur de prix p > 0 tel que t Bp > 0 qui indique que chaque secteur peut gagner
plus d’argent qu’il ne doit en dépenser pour acheter les autres biens nécessaires à sa production.
(5) min(max ri , max c j ) < 1, Néanmoins, ce calcul ne tient pas compte du coût de la production en elle-même (salaires des
i j
employés, entretien du matériel de production, etc. . . ). On suppose donc que le coût de pro-
alors la matrice B = I − A est productive. duction de chaque unité de produit i est noté πi > 0 et que l’on a t Bp − π > 0 (où π désigne le
vecteur (πi )i ) de sorte que, malgré les coûts de production, chaque secteur reste rentable.
On dispose en fait d’un critère un peu plus complexe qui permet de décider si une telle matrice Le vecteur de prix p et le vecteur de coût de production π étant donnés, le prix total de
est ou non productive. revient νi d’une unité de produit i est donné par ν = t Ap + π, où ν est le vecteur (νi )i . En
Théorème 3 (Conditions de Hawkins-Simon). Une Z-matrice M est productive si et seulement résumé, chaque unité de produit i rapporte pi et coûte νi . On appelle le taux de rentabilité du
si ses mineurs principaux successifs (i.e. les déterminants des matrices carrées Mk de taille k secteur i la quantité
obtenues en conservant les k premières lignes et colonnes de M, pour k = 1, . . . , n) sont tous p i − νi
(8) τi = .
strictement positifs. νi

Page 3/6 Page 4/6

79 80
 On dira que l’économie étudiée est équilibrée si tous les secteurs d’activité proposent le même Théorème 5. Soit E la matrice carrée dont tous les coefficients valent 1. Si
taux de rentabilité τ > 0. La question que l’on se pose est donc : existe-t-il un vecteur de prix (12) (Me + δ E)−1 > 0,
p > 0 et un réel τ > 0 tel que l’on ait p − ν = τν, ce qui s’écrit encore
  e + δ E)−1 vérifie s < 10d , alors M est inverse-positive.
et si la somme s des coefficients de (M
t 1
(9) I − A p = π.
1+τ
Un tel vecteur p > 0 existe quelle que soit la valeur des coûts de production (qui peuvent Suggestions pour le développement
évoluer dans le temps) si et seulement si la matrice 1+1 τ I − A est productive. D’après les résultats
précédents, cela n’est possible que sous la condition ◮ Soulignons qu’il s’agit d’un menu à la carte et que vous pouvez choisir d’étudier cer-
1 tains points, pas tous, pas nécessairement dans l’ordre, et de façon plus ou moins fouil-
(10) > ρ(A). lée. Vous pouvez aussi vous poser d’autres questions que celles indiquées plus bas. Il est
1+τ
En conclusion, il existe un taux de rentabilité maximal τmax (que l’on ne peut atteindre) et pour très vivement souhaité que vos investigations comportent une partie traitée sur ordina-
tout taux de rentabilité 0 < τ < τmax et tout vecteur de coût π ≥ 0, il existe un unique vecteur teur et, si possible, des représentations graphiques de vos résultats.
de prix p > 0 qui rende le système économique étudié équilibré. Modélisation
4. Aspects numériques – Donner une interprétation des corollaires 1 et 2 en termes économiques.
• Résolution de (3) : Comme indiqué plus haut, la matrice de production A peut être très – À partir de la formule (7), établir un algorithme itératif, le moins coûteux possible, de
grande dans les applications. Pour résoudre (3), on peut utiliser une méthode directe utilisant une résolution du système (3). Comment interpréter cet algorithme dans le cadre du modèle ?
décomposition matricielle, ou alors un algorithme de gradient. Si on suppose que la matrice B = – Détailler et commenter la discussion de la section 3.3.
I − A est productive, il est plus sûr d’utiliser une méthode directe. Sinon, il peut être nécessaire Aspects Mathématiques
de mettre en place un algorithme de gradient.
• Erreurs d’arrondis : Les éléments ai j de la matrice de production sont estimés empirique- – Compléter la ou les preuves d’un ou plusieurs des résultats proposés dans le texte.
ment via diverses méthodes dont il ne sera pas question ici. Cependant, il est clair que les – Dans le cas ouvert, quelles conditions sur M permettent d’assurer l’unicité (à constante
coefficients ãi j utilisés dans les calculs ne peuvent être que des approximations des coefficients multiplicative près) de la solution x de (2) ?
idéaux ai j . On peut alors se demander si les bonnes propriétés de A assurant une solution posi- – Dans le cas où la matrice B n’est pas productive, proposez une solution pour définir et
tive x sont conservées quand on travaille avec A. e calculer un vecteur x positif qui soit une solution approchée de l’équation (3) ?
Nous allons étudier un sous-problème de cette question, en caractérisant dans un certain cas
Aspects Numériques
les matrices M qui sont inverses-positives (c’est-à-dire telles que M −1 ≥ 0) quand une condition
sur la matrice approximante M e est vérifiée. – Proposer une ou plusieurs méthodes numériques pour résoudre l’équation (3).
Soient deux matrices M et M telles que mi, j ≤ mi, j pour tout i, j. On dit qu’une matrice M – Illustrer numériquement les propriétés de stabilité de la notion de matrice inverse-positive
appartient l’intervalle [M, M] si pour tout i, j, mi, j ≤ mi, j ≤ mi, j . exposées dans la section 4.
−1 −1
Proposition 1. Si M > 0 et ρ(M (M − M)) < 1, alors toutes les matrices de l’intervalle
[M, M] sont inverses-positives.
e est obtenue par
On considère maintenant la situation simple où la matrice approximante M
arrondi décimal de M. Plus précisément, on suppose que pour tout i, j :
 d 
g
m i, j = 10 mi, j + 0.5 10−d si mi, j ≥ 0,
(11)
= −(−m ] i, j ) sinon,
où d est un entier positif et ⌊x⌋ désigne la partie entière d’un réel positif x. Posons δ = 0.5 10−d .
On suppose connue la matrice approchée M e et l’entier d. Le résultat suivant nous donne une
condition pour que la matrice M elle-même soit inverse-positive.

Page 5/6 Page 6/6

81 82
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Épreuve de modélisation et Calcul Scientifique
puis à l’instant T2 , un deuxième joueur gagne X 2 , etc. Remarquons que la variable N t est
égale au nombre de joueurs ayant eu un gain avant l’instant t .
(public-A1) On suppose que X 1 admet un moment d’ordre 2. On note
µ = E(X 1 ) et σ2 = Var(X 1 ).
Résumé : Le gérant d’un casino s’intéresse à l’évolution de son capital en fonction du
temps. Il souhaite en particulier étudier la probabilité qu’il puisse un jour être ruiné. Pour tout t ∈ R+ , notons Y t le capital du casino à l’instant t . On a alors, si Y0 > 0 est le
capital initial du casino, pour tout instant t > 0,
Mots clefs : Loi de Poisson, lois exponentielles, marches aléatoires, conditionnement,
Nt
théorèmes asymptotiques. X
Y t = Y0 + αt − Xi .
i =1
(Lorsque N t = 0 la somme de cette formule est par définition égale à 0.)
◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. Il vous
L’objectif principal du gérant est d’évaluer en fonction de son investissement initial y, la
est conseillé de construire un exposé évitant la paraphrase et mettant en lumière vos
probabilité r (y) qu’il ait un jour tout perdu, soit
connaissances, à partir des éléments du texte. Vous êtes libre d’organiser votre discussion
comme vous l’entendez. Des pistes de réflexion, largement indépendantes les unes des r (y) = P(∃t ∈ R+ t.q. Y t < 0 | Y0 = y).
autres, vous sont proposées en fin de texte; vous n’êtes pas tenu de les suivre. Le propos Bien évidemment, de son point de vue, l’idéal est que cette probabilité soit la plus petite
devra être illustré par des traitements ou des simulations numériques sur ordinateur, possible. Malheureusement pour lui,
ou, à défaut, des propositions de telles illustrations. Le jury souhaiterait que le plan de
la présentation soit annoncé au début de l’exposé. Proposition 1. ∀y > 0, r (y) > 0.
D ÉMONSTRATION – Considérons deux réels t > 0 et y > 0. On peut trouver un entier k > 1 tel
Dans une première partie seront présentés le modèle et la construction d’un processus que
aléatoire (Y t )t >0 représentant le capital du casino en fonction du temps. Dans une deuxième P(X 1 + · · · + X k > y + αt ) > 0.
partie, il sera établi que si le gérant choisit mal le paramètre caractérisant les rentrées d’ar- Comme par ailleurs P(N t = k) > 0, on a P(Y t < 0 | Y0 = y) > 0, ce qui amène au résultat. 
gent (en faisant payer les jetons de jeu trop peu cher ou en n’incitant pas suffisamment les
clients à jouer par exemple), alors il sera presque sûrement ruiné un jour, et ce quel que soit La probabilité r (y) est donc strictement positive quel que soit l’investissement initial y. Le
son investissement initial ! Dans une troisième partie, le texte présentera comment rendre but du gérant est donc de choisir les paramètres de son modèle pour minimiser cette probabi-
la probabilité d’être ruiné exponentiellement petite (dans le cas bien sûr où le précédent lité.
paramètre est bien choisi). Enfin dans une quatrième partie, on verra qu’on peut calculer
explicitement cette probabilité si la distribution des gains des joueurs est exponentielle. 2. Choix du paramètre α
Proposition 2. Si α < µ alors : ∀y > 0, r (y) = 1.
1. Le modèle
D ÉMONSTRATION – Pour tout t > 0, on a N t = (N t − N⌊t ⌋ ) + ⌊t
P ⌋
i =1
(Ni − Ni −1 ) (où ⌊t ⌋ désigne la
Les rentrées d’argent du casino (c’est-à-dire les dépenses des clients) sont déterministes partie entière de t ). Un résultat classique sur les processus de Poisson (on pourra admettre ce
et gouvernées par un paramètre α > 0 de la façon suivante : entre les instants 0 et t , le casino résultat au besoin) dit que les variables (Ni − Ni −1 ) forment une suite de variables aléatoires
gagne αt . i.i.d. de loi de Poisson de paramètre 1. Ainsi d’après la loi forte des grands nombres, on a :
Les gains des joueurs ont lieu aux instants de saut d’un processus de Poisson (N t )t >0 de presque sûrement (p.s.), quand t → +∞,
paramètre 1. Plus précisément, considérons (ξk )k >1 une suite de variables aléatoires indé-
Nt
pendantes identiquement distribuées (ce que l’on notera i.i.d. dans la suite) de loi exponen- −→ 1.
tielle de paramètre 1 et posons : T0 = 0, t
En utilisant à nouveau la loi forte des grands nombres et par un argument de composition
∀i ∈ N∗ , Ti = ξ1 + · · · + ξi ; et ∀t ∈ R+ , N t = max{i ∈ N : Ti 6 t }. de limites, on obtient alors : p.s., quand t → +∞,
Ces gains sont donnés par une suite de variables aléatoires strictement positives (X i )i >1 i.i.d, Yt
et indépendantes du processus (N t )t >0 . Ainsi, à l’instant T1 , un premier joueur gagne X 1 , −→ α − µ,
t

Page 1/6 Page 2/6

83 84
 ce qui nous amène au résultat.  Notons que ceci définit de façon non ambiguë un coefficient A relié au modèle, puisqu’on
a le résultat d’unicité suivant.
Cette démonstration ne permet pas de conclure lorsque α = µ, pourtant le résultat reste
vrai dans ce cas. Proposition 4. L’équation (2) admet au plus une solution strictement positive.

D ÉMONSTRATION – Il suffit de remarquer que la fonction x 7→ E e x(X 1 −αT1 ) est strictement

¡ ¢
Proposition 3. Si α = µ alors : ∀y > 0, r (y) = 1.
convexe sur son domaine de définition. 
Pour montrer ce résultat, on va introduire la marche aléatoire définie pour n > 1 par
n Par exemple, si X 1 suit une loi exponentielle de paramètre γ > 1/α, A = γ − 1/α. De façon
générale, l’intérêt de l’existence de ce coefficient A se voit dans le résultat suivant.
X
(1) S n = (X i − αξi ).
i =1
Proposition 5. Sous l’hypothèse (H A ), la probabilité de ruine vérifie r (y) 6 e −Ay , ∀y > 0.
D ÉMONSTRATION – On a : YTn = y − S n . Pour prouver le résultat, il suffit par exemple de vé-
rifier que lim supn→∞ S n = ∞ presque sûrement lorsque α = µ. Pour cela, remarquons que si D ÉMONSTRATION – On utilise la marche aléatoire (S n )n >1 définie en (1). Notons qu’il suffit
α = µ, de se placer aux instants de saut pour pouvoir observer la ruine, d’où :
à ¾!
Sn Sn [ Sk
µ ¶ µ ½ ¾¶ ½ µ ¶ µ ¶
P lim sup p > 1 > P lim sup p > 1 = lim P p >1 r (y) = P max S n > y = lim P max S k > y .
n n n→+∞ k n >1 n→+∞ 16 k 6 n
k >n
Sn Pour démontrer la proposition, il suffit donc d’avoir r n (y) = P max16k 6n S k > y 6 e −Ay pour
µ ¶ ¡ ¢
> lim P p > 1
n→+∞ n tout entier n et pour tout y > 0.
> 0. On a bien r 1 (y) 6 e −Ay , ∀y > 0, d’après l’inégalité de Markov. Supposons donc, pour un
p entier n, que r n (y) 6 e −Ay , ∀y > 0. Soit alors y > 0 fixé. On a
Or, pour tout N entier, l’événement lim sup{S n / n > 1} ne dépend pas des variables X 1 − µ ¶
αξ1 , . . . , X N − αξN . Ainsi il appartient à la tribu asymptotique de la suite (X i − αξi )i >1 qui est
r n+1 (y) = P(S 1 > y) + P S 1 6 y, max (S k − S 1 ) > y − S 1 .
triviale d’après la loi du 0-1 de Kolmogorov (rappelée ci-dessous). D’où, 26k 6n+1

Sn D’une part, notant PS 1 la loi de S 1 , on a

µ ¶
P lim sup p > 1 = 1.
n Z Z
P(S 1 > y) = PS 1 (du) 6 e −A(y−u) PS 1 (du).
 ]y,∞[ ]y,∞[

Lemme 1. Loi du 0-1 de Kolmogorov. Soit (Zn )n >1 une suite de variables aléatoires indépen- D’autre part,
dantes. On définit la tribu asymptotique A de (Zn )n >1 par µ ¶ Z Z
\ P S 1 6 y, max (S k − S 1 ) > y − S 1 = r n (y − u)PS 1 (du) 6 e −A(y−u) PS 1 (du).
A= σ(Zn , Zn+1 , . . .). 26k 6n+1 [0,y] [0,y]
n >1

Alors la tribu A est triviale i.e., pour tout événement E de A , P(E ) ∈ {0, 1}. On obtient alors r n+1 (y) 6 e −Ay , ∀y > 0, ce qui achève la récurrence et la preuve de cette
proposition. 
Le gérant du casino a donc intérêt à choisir un coefficient α > µ.
4. Calcul exact : cas des gains de loi exponentielle
3. Majoration de la probabilité r (y) dans le cas α > µ La probabilité r (y) est difficile à calculer en général. Il y a cependant un cas où on peut
l’exprimer explicitement : lorsque les gains (X i )i >1 sont distribués suivant une loi exponen-
Afin d’obtenir des renseignements sur la probabilité r (y) lorsque α > µ, on fait l’hypothèse
tielle, disons de paramètre γ = 1/µ > 1/α.
suivante sur le modèle :
(H A ) ∃A > 0 tel que e AX 1 soit intégrable et Théorème 1. Dans ce cas,
e −(γ−1/α) y
r (y) = , ∀y > 0.
(2) E e A(X 1 −αT1 ) = 1.
¡ ¢
αγ

Page 3/6 Page 4/6

85 86
 D ÉMONSTRATION – On travaille à nouveau avec la marche aléatoire (S n )n >1 . Introduisons D ÉMONSTRATION – Posons X i′ = γX i . Alors, sous l’hypothèse de l’énoncé, (X 1′ , ..., X n′ ) est un
g (y) := 1 − r (y) = P(max S n 6 y), échantillon de loi exponentielle de paramètre 1. Notant F n′ sa fonction de répartition empi-
n >1 rique, on voit que Hn peut se réécrire
la probabilité que le capital du casino soit toujours positif. On a alors ¯ ′ ¯
Hn = sup ¯F̂ n′ (x) − (1 − e −x/X n )¯ ,
¯ ¯
µ ¶
x >0
g (y) = P S 1 6 y, max(S n − S 1 ) 6 y − S 1
n >2 d’où la conclusion. 
Z∞ µZ y+αu
Fort de ce résultat, le gérant n’a plus qu’à simuler le quantile adéquat de la loi de Hn sous
¶
= g (y − x + αu)γe −γx dx e −u du
0 0 l’hypothèse exponentielle pour pouvoir mettre en place son test. Si l’hypothèse d’exponen-
e y/α
Z∞ µZz ¶ tialité est acceptée, il pourra ensuite utiliser un estimateur du paramètre pour avoir une idée
= g (v)γe γv dv e −(γ+1/α)z dz. du comportement de la probabilité r (y).
α y 0
En dérivant, on obtient
1
µ Zy ¶ Suggestions et pistes de réflexion
g ′ (y) = g (y) − e −γy g (v)γe γv dv ,
α 0 ◮ Les pistes de réflexion suivantes ne sont qu’indicatives : vous n’êtes pas obligé de les
qui nous amène à Zy suivre. Vous pouvez choisir d’étudier certains des points proposés, de façon plus ou
1
µ ¶
r ′ (y) = r (y) − e −γy − γe −γy r (v)e γv dv . moins approfondie, mais aussi toute autre question à votre initiative. Vos investigations
α 0 comporteront une partie traitée sur ordinateur et, si possible, des représentations gra-
Ry
Enfin, posons h(y) = 0 r (v)e γv dv. Cette fonction est solution de l’équation différentielle du phiques de vos résultats. À défaut, si vos traitements ou simulations numériques n’ont
second ordre pas abouti, il est conseillé d’expliquer ce que vous auriez souhaité mettre en œuvre.
1 ′ 1
µ ¶
γ
h ′′ (y) = γ + h (y) − h(y) − ,
α α α - Aspects mathématiques :
d’où le résultat.  - On pourra compléter certaines preuves des différentes propositions, lemmes et théo-
rème du texte.
Le gérant du casino a donc un intérêt certain à savoir si les gains des joueurs sont distri-
bués exponentiellement ou pas. Pour en avoir le cœur net, il décide de mettre en place un - On pourra montrer les assertions sur la statistique Hn introduite dans le dernier
test pour évaluer l’ajustement de l’échantillon (X 1 , ..., X n ) à la famille des lois exponentielles. paragraphe.
Il procède de la façon suivante : un estimateur du paramètre d’une loi exponentielle étant - Simulations :
1 n - On pourra représenter graphiquement le processus (Y t )t >0 .
γ̂n = := ,
Xn X 1 + .... + Xn
- On pourra illustrer numériquement les résultats des Propositions 1, 2, 3 et du Théo-
il décide d’introduire la statistique rème 1. À cet effet, comment calcule-t-on une approximation de r (y) ?
¯ ¯
Hn = sup ¯F̂ n (x) − (1 − e −x/X n )¯ , - Modélisation :
¯ ¯
x >0
- On pourra discuter la pertinence du modèle, par exemple discuter les gains déter-
où F̂ n désigne la fonction de répartition empirique de l’échantillon (X 1 , ..., X n ). ministes αt , la distribution des lois des temps d’inter-arrivées, etc. Pourquoi n’observe-
On remarque dans un premier temps que si les (X i )i >1 ont une distribution exponentielle, t-on jamais de ruine en pratique ? Il y a pourtant beaucoup de casinos !
Hn → 0 presque sûrement quand n → ∞, tandis que Hn aura une limite presque sûre stricte-
ment positive si la distribution n’est pas exponentielle. Dans la mise en place d’un test pour
évaluer l’adéquation à la famille des lois exponentielles, il est donc naturel d’introduire une
zone de rejet de la forme {Hn > C } avec une constante C adéquate. Reste ensuite à détermi-
ner cette constante. Il se trouve qu’on a le résultat suivant.
Lemme 2. Si les (X i )i >1 ont une distribution exponentielle de paramètre γ, la loi de la statis-
tique Hn est indépendante de γ.

Page 5/6 Page 6/6

87 88
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Épreuve de modélisation et Calcul Scientifique
est choisi aléatoirement de manière uniforme sur S, il a de “bonnes chances” de couper S en
S 1 et S 2 de tailles comparables. Cette remarque est à la base de l’algorithme RandQS (pour
(Texte public) Random Quicksort en anglais) de type récursif (c’est-à-dire s’appelant lui-même) :

Résumé : En informatique, il est courant de manipuler des listes de nombres. Leur Entrée : un ensemble S de nombres réels distincts.
classement en ordre croissant, la recherche du k-ième élément (le plus petit, avec k ∈ N∗ ) Sortie : les éléments de S rangés en ordre croissant.
figurent parmi les procédures les plus usuelles. Nous allons présenter dans ce texte des 1. Si S ne contient qu’un élément, renvoyer celui-ci.
algorithmes aléatoires permettant d’effectuer ces opérations, puis nous aborderons l’étude 2. Choisir un élément y 0 de manière uniforme sur S .
de leurs performances. 3. Comparer chaque élément de S \ {y 0 } avec y 0 pour construire S 1 = {x ∈ S : x < y 0 } et S 2 =
{x ∈ S : x > y 0 }.
Mots clefs : Algorithme aléatoire, bornes de Tchebychev, martingale à temps discret.
4. Donner en sortie la version rangée de S 1 , obtenue en rappelant RandQS(S 1 ), suivie de y 0 ,
puis de la version rangée de S 2 , obtenue en rappelant RandQS(S 2 ).
◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. Vous êtes Le nombre de comparaisons effectuées par cet algorithme est une variable aléatoire C et on
laissé(e) libre d’organiser votre discussion comme vous l’entendez. Des suggestions de s’intéresse à son espérance E[C ].
développement, largement indépendantes les unes des autres, vous sont proposées en fin
de texte. Vous n’êtes pas tenu(e) de les suivre. Il vous est conseillé de mettre en lumière Proposition 1. En notant n = card(S), on a E[C ] ≤ 2n 1≤k≤n 1/k, cette dernière quantité étant
P
vos connaissances à partir du fil conducteur constitué par le texte. Le jury appréciera équivalente à 2n ln(n) pour n grand. Ainsi en moyenne, la complexité de RandQS est de l’ordre
que la discussion soit accompagnée d’exemples traités sur ordinateur. de celle des procédures hypothétiques envisagées précédemment.

Preuve : ◭ Pour 1 ≤ i ≤ n, notons S (i ) l’élément de rang i de S (S (1) étant le plus petit). Pour
1 ≤ i < j ≤ n, soit C i , j la variable de Bernoulli qui vaut 1 si S (i ) et S ( j ) sont comparés au cours
1. L’algorithme RandQS de l’algorithme et 0 sinon. En notant p i , j la probabilité P[C i , j = 1], on a

Supposons donné un ensemble S de n réels distincts, avec n ∈ N∗ relativement grand, X X

que l’on cherche à classer en ordre croissant. Si l’on savait trouver y 0 ∈ S tel qu’en posant E[C ] = E[C i , j ] = pi , j
1≤i < j ≤n 1≤i < j ≤n
S 1 = {x ∈ S : x < y 0 } et S 2 = {x ∈ S : x > y 0 }, card(S 1 ) soit presque égal à card(S 2 ) (au plus à une
unité près), on procèderait de la manière suivante : par comparaison de tous les éléments de
S \{y 0 } avec y 0 , on construit S 1 et S 2 comme ci-dessus. Puis on itère ceci, en utilisant des élé- Pour évaluer p i , j , avec 1 ≤ i < j ≤ n donnés, associons à une réalisation de l’algorithme
ments y 1 et y 2 respectivement presque “médian” de S 1 et de S 2 etc. Ainsi à chaque étape on un arbre binaire (où chaque sommet admet au plus deux fils) : en reprenant les notations
dispose d’une partition “ordonnée” de S (après la première étape il s’agit de S 1 , {y 0 }, S 2 , puis, du début du texte, on place y 0 à la racine de l’arbre, puis son fils gauche (respectivement
avec des notations naturelles, de S 1,1 , {y 1 }, S 1,2 , {y 0 }, S 2,1 , {y 2 }, S 2,2 ...) et à l’étape suivante les droit) est y 1 (resp. y 2 ), le fils gauche de y 1 est ensuite l’élément y 1,1 tiré dans S 1,1 etc. Li-
sous-ensembles non réduits à un singleton voient leur taille divisée par 2 environ. Au bout sons successivement en partant de la racine les lignes horizontales ainsi créées, de gauche
d’un nombre d’étapes majoré par ln(n)/ ln(2), la partition ordonnée ne contient que des sin- à droite. On obtient une “permutation” π = (y 0 , y 1 , y 2 , y 1,1 , y 1,2 , y 2,1 , y 2,2 , ...) de S. On vérifie
gletons, ce qui forme le classement de S voulu. À chaque étape le nombre de comparaisons ensuite que C i , j = 1 si et seulement si parmi les élements S (i ) , S (i +1) , ..., S ( j −1) , S ( j ) , le premier
effectuées est au plus n, de sorte que leur nombre total est en O(n ln(n)). Dans ce texte, on qui apparaît dans π est S (i ) ou S ( j ) . En effet, par exemple si S (i ) est le premier élément de
mesurera le temps de calcul (auquel on se référera aussi sous le terme de complexité) d’un {S (i ) , S (i +1) , ..., S ( j −1) , S ( j ) } apparaissant dans π, il va être comparé à S (i +1) , ..., S ( j −1) , S ( j ) , car
algorithme par le nombre de comparaisons qu’il effectue, car pour les algorithmes de classe- tous ces éléments se trouvaient avant le tirage de S (i ) dans le même sous-ensemble que S (i )
ment raisonnables, l’ensemble des opérations de comparaisons représente généralement la de la partition ordonnée construite jusque là. Ainsi on a dans ce cas C i , j = 1. Par contre
partie plus coûteuse en termes de temps de calcul. Le problème de la procédure précédente si le premier élément de {S (i ) , S (i +1) , ..., S ( j −1) , S ( j ) } que l’on rencontre dans π est S (k) , avec
est que l’on ne sait pas a priori choisir un élément presque médian d’un ensemble. Notons i < k < j , alors par comparaison avec cet élément, S (i ) et S ( j ) vont se retrouver dans des
que l’on garderait une complexité en O(n ln(n)) si l’on savait choisir un élément y 0 ∈ S tel sous-ensembles distincts de la partition ordonnée construite à ce moment là et ne pourront
qu’avec les notations précédentes, card(S 1 )/card(S) ∈ [ρ, 1 − ρ] avec 0 < ρ ≤ 1/2 fixé (c’est- jamais être comparés, d’où C i , j = 0.
à-dire ne dépendant pas de card(S)). Ceci n’est pas plus évident à effectuer, cependant si y 0 Il en découle que p i , j = 2/( j − i + 1). D’où en fin de compte

Page 1/6 Page 2/6

89 90
 X 2 X X 2
On en déduit que (n + 1)e n+1 − ne n = 2n + 2e n , d’où
E[C ] = ≤ 2
1≤i < j ≤n j −i +1 1≤i ≤n 1≤ j ≤n j e n+1 en 2n
= +
◮ n +2 n + 1 (n + 1)(n + 2)
puis
n−1 2k
2. Bornes de Chebyshev (1) e n = (n + 1)
X
k=0 (k + 1)(k + 2)
Pour l’utilisateur, l’information fournie par l’espérance E[C ] sur le temps de fonctionne- = 2n ln(n) + O(n)
ment de l’algorithme RandQS n’est souvent pas suffisante : il voudrait savoir de plus avec
quelle probabilité C est susceptible de beaucoup s’écarter de sa moyenne. ◮
Un des moyens les plus simple pour évaluer ces déviations est d’avoir recours aux bornes de Intéressons-nous ensuite au moment d’ordre 2 de C n .
Chebyshev, que nous rappelons ci-dessous. Soit X un variablep aléatoire réelle admettant un Lemme 4. On a pour n ∈ N∗ grand
moment d’ordre 2. On note µ X = E[X ] sa moyenne et σ X = E[(X − µ X )2 ] son écart type. On
dispose alors de la E[C n2 ] ∼ (2n ln(n))2
Proposition 2. Pour tout a > 0, on a Esquisse de preuve : ◭ On procède de la même manière que dans la preuve précédente, dont
¯ ¯ 1 on reprend les notations. En particulier on a C n2 = (n −1)2 +2(n −1)(T1 +T2 )+T12 +2T1 T2 +T22 .
P[¯ X − µ X ¯ ≥ aσ X ] ≤ Posons f n = E[C n2 ], en conditionnant à nouveau par rapport à K , on obtient
a2
Nous allons maintenant chercher à appliquer ces bornes à C . Commençons par préciser 2 n−1
X
la proposition 1 en prouvant le ∀ n ≥ 1, fn = + fk + rn
n k=0
Lemme 3. Pour n ∈ N∗ , notons C n le nombre de comparaisons effectuées par l’algorithme
avec r n = (n −1)2 + 4(n−1) e + 2 n−1 e e
Pn−1
. Cette récurrence se traite comme précé-
P
n k=0 k n k=0 k n−1−k
RandQS sur une entrée formée d’un ensemble S de cardinal n. On a pour n grand,
demment, mais il faut montrer que pour n grand,
E[C n ] ∼ 2n ln(n) n kr − (k − 1)r
∼ 4n(ln(n))2
X k k−1
Preuve : ◭ On va procéder par récurrence sur n pour évaluer E[C n ]. Introduisons les nota- k=2 k(k − 1)
tions suivantes : K est le rang de l’élément y 0 choisi (ainsi par exemple si y 0 est le plus petit
ce qui s’obtient notamment en tenant compte de (1). ◮
élément de S, K = 1), T1 (respectivement T2 ) est le nombre de comparaisons effectuées dans
S 1 (resp. dans S 2 ). On a donc Il en découle que
C n = n − 1 + T1 + T2 Proposition 5. Pour tout ǫ > 0, on a
Cependant, conditionnellement à K = k, pour k ∈ {1, 2, ..., n}, T1 est indépendant de T2 et lim P[C n > (1 + ǫ)2n ln(n)] = 0
n→∞
T1 (resp. T2 ) a même loi que C k−1 (resp. C n−k ). De plus par hypothèse, K est uniformément
distribué sur {1, 2, ..., n}. On en déduit que Ainsi pour n grand, C n est relativement proche de sa moyenne avec une grande probabi-
lité. Signalons qu’en utilisant des bornes de Chernoff pour les sommes de variables de Ber-
E[T1 ] = E[E[T1 |K ]]
noulli indépendantes, il est possible d’obtenir des renseignements quantitatifs plus précis
1 X
= E[T1 |K = k] sur le comportement des algorithmes considérés.
n 1≤k≤n
1 X
= E[C k−1 ] 3. L’algorithme Find
n 1≤k≤n
et cette quantité est aussi égale à E[T2 ]. En posant e n = E[C n ], on a abouti de la sorte à la Considérons plutôt le problème consistant à trouver le k-ième élément de S avec 1 ≤ k ≤
récurrence n = card(S). Pour le résoudre, on introduit l’algorithme Find qui s’inspire de RandQS :
2 X Entrée : un couple (S, k) formé d’un ensemble S de réels et d’un entier 1 ≤ k ≤ card(S).
en = n − 1 + ek
n 1≤k≤n−1 Sortie : le k -ième élément de S .

Page 3/6 Page 4/6

91 92
 1. Choisir un élément y 0 de manière uniforme sur S . avec ces notations, on calcule que pour tous m ≥ 2 et 1 ≤ l ≤ m,
2. Comparer chaque élément de S avec y 0 pour construire S 1 = {x ∈ S : x < y 0 } (et ce faisant 1
µ
(m − 1)(m − 2)
¶
calculer n 1 = card(S 1 )) et S 2 = {x ∈ S : x > y 0 }. E[Y p+1 |Y p = m, K p = l ] = −l 2 + (m + 1)l +
m 2
3. Si n 1 = k − 1, le k -ième élément de S est y 0 . Si n 1 < k − 1 (respectivement n 1 > k − 1), itérer
3m 2 m 3
la procédure avec (S 2 , k − n 1 − 1) (resp. (S 1 , k)). ≤ − +
4 2 4
Intéressons-nous au nombre aléatoire T d’itérations effectuées par cet algorithme à l’étape En conséquence, E[Y p+1 |Fp ] ≤ Y p − g (Y p ) avec g (m) = max(1, m − 1)/4 pour tout m ≥ 1. et
4. la proposition 2 s’en déduit. Plus généralement, s’il existe 0 < ρ < 1 tel que ∀ p ≥ 0, ∀ m ≥
1, E[Y p+1 −1|Y p = m] ≤ ρ(m −1), on peut montrer que E[ 0≤p≤τ Y p −1] ≤ (n −1)/(1−ρ). Ainsi
P
Proposition 6. On a E[T ] ≤ 4(1 + ln(card(S)).
la complexité de Find est majorée par 4n.
Pour démontrer cette borne, on va faire appel à un résultat général sur les chaînes de Mar-
kov (Y p )p∈N à valeurs dans N∗ , homogènes en temps et qui sont strictement décroissantes
tant qu’elles n’ont pas atteint 1. Supposons que l’on connaisse une fonction g : [1, +∞[→ R∗+
Suggestions pour le développement
croissante telle que pour tout temps p ≥ 0 et tout entier m ≥ 2,
◮ Soulignons qu’il s’agit d’un menu à la carte et que vous pouvez choisir d’étudier certains
(2) E[Y p+1 |Y p = m] ≤ m − g (m) points, pas tous, pas nécessairement dans l’ordre, et de façon plus ou moins fouillée.
Vous pouvez aussi vous poser d’autres questions que celles indiquées plus bas. Il est très
Soit τ = min{p ≥ 0 : Y p = 1} le temps d’atteinte de 1. vivement souhaité que vos investigations comportent une partie traitée sur ordinateur
et, si possible, des représentations graphiques de vos résultats.
Lemme 7. Si Y0 = n ∈ N∗ , on dispose de l’estimation
Zn — Modélisation. L’affirmation sur la part prépondérante des comparaisons dans le temps
1 de calcul des algorithmes considérés vous paraît-elle justifiée ? Quelles sont les valeurs
E[τ] ≤ dt
1 g (t ) minimales et maximales que peut prendre la variable C ? Pourquoi les problèmes de
Esquisse de preuve : ◭ Pour p ∈ N, soit F p la tribu engendrée par Y0 , ..., Y p et posons classement et de recherche d’un élément médian sont-ils en fait très liés ?
ZY p — Développements mathématiques.
1 On pourra compléter les démonstrations des divers résultats énoncés dans le texte. En
Mp = p + dt
1 g (t ) particulier a-t-on que T1 est indépendant de T2 dans la preuve du lemme 3 ? Quelles
Le processus (M p )p∈N est une surmartingale positive par rapport à la filtration (Fp )p∈N , au sont les hypothèses de validité du théorème d’arrêt de Doob invoqué dans le texte ?
sens où Notamment le lemme 7 est-il encore valable si (Y p )p∈N est seulement décroissante (pas
nécessairement strictement).
∀ p ∈ N, E[M p+1 |Fp ] ≤ M p
— Etude numérique. Certains des algorithmes présentés pourront être implémentés en
En appliquant le théorème d’arrêt de Doob au temps d’arrêt borné τ, il ressort que E[M τ ] ≤ ayant recours à des procédures récursives. On pourra alors essayer de vérifier expé-
E[M 0 ], ce qui donne le résultat voulu. ◮ rimentalement les résultats énoncés sur leurs performances, à l’aide de variables ex-
ternes convenablement définies (pour compter les comparaisons utilisées par l’algo-
On voudrait appliquer ce lemme avec la suite de variables aléatoires (Y p )p∈N donnant la taille rithme RandQS, il est commode de définir une procédure effectuant cette opération
des ensembles résiduels à traiter obtenus à l’étape 3 de l’algorithme Find. Plus précisément, tout en augmentant un compteur global). Comment feriez-vous pour illustrer numéri-
Y0 = n = card(S), puis selon les trois alternatives de l’étape 3 de l’algorithme Find, on a Y1 = 1 quement la proposition 2 ou les lemmes 3 ou 7 ?
(pour l’ensemble résiduel {y 0 }), Y1 = n −n 1 −1 (pour l’ensemble résiduel S 2 ) ou Y1 = n 1 (pour
l’ensemble résiduel S 1 ) etc. Malheureusement, la chaîne (Y p )p∈N n’est pas markovienne, car
à tout instant p ∈ N, pour obtenir Y p+1 , outre Y p , on a besoin de connaître le rang de l’élé-
ment que l’on cherche, disons K p (ainsi K 0 = k, puis K 1 = 1 ou K 1 = k − n 1 − 1 ou K 1 = k,
suivant les trois alternatives possibles à l’étape 3 de l’algorithme Find). En introduisant les
tribus Fp = σ(Y q , K q : 0 ≤ q ≤ p), on peut voir que le lemme précédent s’étend à cette si-
tuation, si l’on remplace (2) par l’hypothèse que E[Y p+1 |Fp ] ≤ Y p − g (Y p ) pour tout p ≥ 0. Or

Page 5/6 Page 6/6

93 94
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
UN MODÈLE DE BATTEMENT DU CŒUR
Épreuve de modélisation et Calcul Scientifique
– Leur période est constante (temps de relaxation).
– La forme de l’onde est sensiblement différente d’une onde sinusoïdale.
UN MODÈLE DE BATTEMENT DU CŒUR – L’amplitude de l’onde est indépendante de la force extérieure appliquée pourvu que cette
force soit assez petite.
Résumé : On étudie les phénomènes électriques accompagnant le battement cardiaque, ou – La période, en revanche, dépend de la force extérieure appliquée. Si celle-ci est périodique,
plus précisément, le comportement électrique d’une cellule cardiaque, en essayant de mettre en le système de relaxation tend à se synchroniser pour devenir périodique avec la même période
évidence des propriétés mathématiques significatives. On donne une définition générale des que celle de la force extérieure.
phénomènes oscillatoires avec relaxation. On propose un modèle analogique de la contraction Pour donner un exemple de système auto-excités, on considère un circuit électrique RLC , décrit
d’une cellule du cœur comme exemple d’un phénomène oscillatoire avec relaxation. Ce par la loi de Kirchoff, la loi de Faraday et la loi d’Ohm généralisée (non-linéaire). En notant par
modèle conduit à l’équation de Van der Pol, dont on rappelle des propriétés qualitatives. On x l’intensité du courant dans l’inductance L et y la tension aux bornes du condensateur C, et en
insiste sur le problème de la validation du modèle en soulignant les relations avec les résultats normalisant les constantes physiques, on obtient le système d’équations différentielles :
de Van der Pol et Van der Mark au début du vingtième siècle.  ′
x (t) = ε (y(t) − f (x(t)))
Thème applicatif, mots clefs : Comportement qualitatif des équations différentielles, (1)
y′ (t) = −x(t).
méthodes numériques pour la solution des équations différentielles.
Si dans la loi d’Ohm généralisée, on choisit f (x) = (1/3)x3 − x, le système (1) est appelé sys-
tème de Van der Pol. Il peut se récrire :
Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. Vous êtes
x′′ (t)/ε + (x(t)2 − 1)x′ (t) + x(t) = 0.
◮
(2)
laissé(e) libre d’organiser votre discussion comme vous l’entendez. Des suggestions de
développement, largement indépendantes les unes des autres, vous sont proposées en fin On va essayer dans la Section 2 de montrer qu’en choisissant opportunément les paramètres,
de texte. Vous n’êtes pas tenu(e) de les suivre. Il vous est conseillé de mettre en lumière l’équation (2) peut décrire un système naturel auto-excité avec des oscillations avec relaxation.
vos connaissances à partir du fil conducteur constitué par le texte. Le jury appréciera
que la discussion soit accompagnée d’exemples traités sur ordinateur. 2. Étude qualitative de l’équation de Van der Pol.
Dans cette section, on décrit brievement quelques propriétés du système de Van der Pol, à
ε = 1 fixé :
1. Modèle du battement du cœur et oscillations avec relaxation.  ′
x (t) = y(t) − (1/3)x(t)3 + x(t)
(3)
y′ (t) = −x(t).
Déjà à la fin du dix-neuvième siècle, on savait que l’activité cardiaque est associée à la pro-
duction d’une quantité de courant électrique. On a commencé à quantifier ce courant au début – le seul équilibre de (3) est (0, 0) et c’est une source,
du vingtième siècle (électrocardiogramme). La cellule cardiaque est une cellule polarisée qui a, – le problème de Cauchy pour (3) a une unique solution pour toute donnée initiale,
le long de sa paroi, une série de dipôles, chargés positivement sur la surface externe et négative- – les trajectoires tournent dans le sens des aiguilles d’une montre autour de l’origine,
ment sur la surface interne, quand le cœur est au repos (diastole). Quand la cellule est excitée, – il y a une unique solution périodique non triviale que l’on appelle γ ,
il y a une chute de la constante diélectrique de la membrane et on a donc des charges négatives – les autres trajectoires (non triviales) s’approchent de γ en tournant.
qui passent à l’extérieur. Ce phénomène se poursuit jusqu’à la dépolarisation de la cellule, qui La démonstration des trois premières propriétés est assez simple et utilise des méthodes bien
atteint alors l’état d’excitation (systole). Après un court délai, des processus physiques et chi- connues (par exemple l’étude du comportement des trajectoires autour d’un point d’équilibre
miques réparent la cellule et la repolarisent. Le procédé de repolarisation est plus lent que celui par linéarisation, le théorème de Cauchy Lipschitz et enfin une partition opportune de l’espace
de dépolarisation. des phases).
Le battement du cœur fait partie des systèmes naturels auto-excités (à partir de n’importe quelle La démonstration des deux derniers résultats est plus délicate et utilise, entre autre, l’étude
condition initiale, le système approche rapidement un cycle limite stable) pour lesquels on peut de l’application δ : {0} × R+ → R, δ (p) = (|α (p)|2 − |p|2 ) où l’application α : {0} × R+ →
remarquer des oscillations avec relaxation. En citant Van der Pol et Van der Mark, plusieurs {0} × R− est définie de la façon suivante : on considère la trajectoire de (3) : φt (p) qui à
phénomènes présentent ce type d’oscillations : harpe éolienne, marteau pneumatique, grince- l’instant initial se trouve au point p ; il existe un premier instant t ∗ > 0 où la trajectoire rencontre
ment d’un couteau sur une assiette, mouvement d’un drapeau dans le vent,... tube à néon,...et, l’ensemble {0} × R− , et on définit α (p) = φt ∗ (p).
finalement, le battement du cœur. Ces phénomènes se caractérisent par les propriétés suivantes : On montre qu’il existe un r > 0 tel que δ (p) > 0 si 0 < |p| < r et δ (p) décroît pour |p| > r et

Page 1/6 Page 2/6

95 96
 UN MODÈLE DE BATTEMENT DU CŒUR UN MODÈLE DE BATTEMENT DU CŒUR

lim|p|→+∞ δ (p) = −∞. Cela implique qu’il existe un unique q0 > 0 tel que δ (q0 ) = 0. On peut
donc démontrer que la trajectoire φt (q0 ) est périodique. On montre aussi la dernière propriété
avec la même méthode.
On utilise le schéma de Runge Kutta classique pour déterminer le diagramme des phases (cf 3 4

Fig. 1, à gauche) et le graphe de la fonction x(t) avec des données initiales différentes (cf Fig. 2 3
1, à droite). Les résultats numériques reflètent bien les prévisions théoriques. y(t)
x(t) 2
1

0 1
–4 –2 2 x(t) 4
–1 0 2 4t 6 8
–2 –1

–3 –2
3 4

2 3
y(t)
1 x(t) 2
F IG . 2. diagramme des phases (à gauche) et graphes des solutions de (2) (à
1 droite) pour ε = 20.
–4 –2 0 2 x(t) 4
–1 0 2 4 6 8 10 12 14 16 18 20
–2 –1
t
4. Période et amplitude asymptotiques.
–3 –2
On va déterminer la valeur asymptotique pour ε → +∞ de la période de la solution périodique
(période fondamentale) de

x (t)/ε = y(t) − (1/3)x(t)3 + x(t)

 ′
F IG . 1. diagramme des phases (à gauche) et graphes des solutions de (3) (à droite). (4)
y′ (t) = −x(t).

On remarque que la composante x varie très rapidement (sa dérivée est de l’ordre de ε ), sauf si
y ∼ f (x). Sur la partie de la trajectoire où y et f (x) ne sont pas proches, on peut changer l’échelle
du temps : τ = ε t. Avec ce changement d’échelle, la deuxième équation dans (4) devient ddyτ =
−x
ε , ce qui implique que y ∼ constante. Ceci est cohérent avec les résultats numériques donnés
dans la figure 2.
3. Choix du paramètre ε .
En revanche, si y ∼ f (x), la deuxième équation dans (4) devient f ′ (x) dx dt ∼ −x et peut être
intégrée pour donner implicitement x en fonction de t.
On essaye de choisir ε pour obtenir un comportement oscillatoire avec relaxation, avec pour On peut maintenant estimer la période fondamentale T , puisque la solution passe beaucoup plus
but principal d’obtenir des oscillations sensiblement non sinusoïdales. Pour cela, on remarque de temps dans les branches de la trajectoire où y ∼ f (x).
que si 0 < ε < 1, on obtient numériquement des courbes presque sinusoïdales. Si ε ≤ 0, on peut La trajectoire périodique est symétrique par rapport à l’origine. On peut se contenter d’étudier
montrer que le comportement qualitatif des solutions n’est pas celui recherché. la partie de la trajectoire contenue dans le demi plan x > 0. Des calculs algébriques simples
On est donc amené à considérer des valeurs positives et élevées du paramètre ε . Par exemple, permettent de remarquer que les deux extrémités de la partie de la trajectoire où y ∼ f (x) sont
pour ε = 20, on a le comportement décrit par la figure 2. A = (2, 2/3) et B = (1, −2/3). La période est alors approchée en intégrant (4) sur cette partie
Dans le diagramme des phases de la figure 2, on peut aussi remarquer que quand ε est grand, de la trajectoire :
certaines parties de la trajectoires et de la courbe y = f (x) sont très proches l’une de l’autre.
Z 1 Z T /2
Cela est cohérent avec l’équation (1). On va étudier ce phénomène dans la Section 4. On va
choisir donc ε positif et ”grand”, (dans les exemples, on prendra ε = 100). (5) (x − 1/x)dx = − dt → T = 3 − 2 log 2.
2 0

Page 3/6 Page 4/6

97 98
 UN MODÈLE DE BATTEMENT DU CŒUR UN MODÈLE DE BATTEMENT DU CŒUR

′
On remarque qu’en général, même si on ne sait pas calculer analytiquement la primitive de f x(x) , – On pourra proposer comme modèle un autre choix de f , obtient-on des résultats satisfai-
on peut de toute façon calculer les points de maximum et minimum du cycle limite en étudiant sants si f est linéaire ?
la courbe y = f (x). – On pourra proposer des différents schémas numériques pour les différents systèmes (2) et
Les résultats numériques donnés dans la figure 3 confirment cette estimation asymptotique. Des (4) et l’on pourra en étudier l’ordre et la stabilité (asymptotique).
– On fixe le paramètre de relaxation ε = 100. On impose une force périodique 100 cos((π /5)t)
dans l’équation (2), (qui a donc pour amplitude 100 et pour période P = 10). Le système d’équa-
tions différentielles devient
x (t) = 100 (y(t) − (1/3)x(t)3 + x(t)) + (π /5) sin((π /5)t)
 ′

(6) ′
y (t) = −x(t).
En intégrant sur trois périodes, établir le résultat numérique de la figure 4 (le pas de temps doit
être choisi assez petit) :

F IG . 3. Graphe d’une solution de (2) pour ε = 100, T ≈ 1.61

tests numériques indiquent que cette estimation asymptotique n’est plus valable pour ε << 10.

Suggestions pour le développement

◮ Soulignons qu’il s’agit d’un menu à la carte et que vous pouvez choisir d’étudier cer- F IG . 4. Graphe d’une solution de (2) avec un forçage de 100 cos((π /5)t), mé-
tains points, pas tous, pas nécessairement dans l’ordre, et de façon plus ou moins thode RK4, pas de temps 0.004.
fouillée. Vous pouvez aussi vous poser d’autres questions que celles indiquées plus bas.
Il est très vivement souhaité que vos investigations comportent une partie traitée sur
ordinateur et, si possible, des représentations graphiques de vos résultats.

– On pourra donner une démonstration des premières propriétés qualitatives du système (3).
– On pourra donner une démonstration de l’existence et unicité d’un cycle limite pour le
système (3).
– On pourra critiquer le modèle dans son comportement qualitatif.
– On pourra rappeler la modélisation d’un circuit RLC.
– On pourra étudier le système (4) en faisant varier ε , quel comportement qualitatif peut-on
s’attendre si ε < 0 ?
– On pourra calculer numériquement le système (4) en faisant varier ε . En particulier on
pourra déterminer numériquement la période à ε fixé et vérifier que, pour ε grand, elle s’ap-
proche de la valeur théorique asymptotique.

Page 5/6 Page 6/6

99 100
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Agrégation externe de mathématiques, session 2009
Épreuve de modélisation et Calcul Scientifique
Épreuve de modélisation, option B : calcul scientifique

UN MODÈLE
(Public 2009) DE BATTEMENT DU CŒUR
Résumé : On présente un modèle simplifié décrivant la propagation de l’influx nerveux dans
Compléments de l’auteur à l’attention du jury un neurone. Des observations expérimentales sont décrites, puis des vérifications numériques
Texte proposé par Nicoletta Tchou, réalisées sur le modèle. On décrit l’apparition éventuelle d’ondes progressives et on propose
une preuve de non existence de telles ondes dans certains cas.
Statut : relu / Texte créé en 2003
Mots clefs : équations différentielles, espace de phases, étude qualitative, équations aux
dérivées partielles, différences finies.

◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. Vous êtes
laissé(e) libre d’organiser votre discussion comme vous l’entendez. Des suggestions de
développement, largement indépendantes les unes des autres, vous sont proposées en fin
de texte. Vous n’êtes pas tenu(e) de les suivre. Il vous est conseillé de mettre en lumière
vos connaissances à partir du fil conducteur constitué par le texte. Le jury appréciera
que la discussion soit accompagnée d’exemples traités sur ordinateur.

1. Observations expérimentales et modélisation

Les cellules nerveuses, ou neurones, transmettent des informations sous forme d’impulsions
électriques. Celles-ci se propagent le long de l’axone, qui est une partie allongée du neurone.
Au repos, la membrane du neurone présente une différence de potentiel entre sa face interne,
chargée négativement, et sa face externe chargée positivement. L’inversion de cette polarité en
un point du neurone, produite par une perturbation physique ou chimique, peut se propager le
long de l’axone et transmettre ainsi une information. En vue de la modélisation, on considère
que l’axone se comporte comme un cable électrique cylindrique. On note x la variable d’espace
le long de l’axe du cylindre, t le temps et u(x,t) le potentiel électrique en (x,t). On s’intéresse
particulièrement à deux types de phénomènes observés en laboratoire : les phénomènes indé-
pendants de x, c’est-à-dire homogènes en espace, et les phénomènes qui ne dépendent que de
x + ct, où c est une constante, c’est-à-dire les ondes progressives.
On peut obtenir des phénomènes homogènes en espace en faisant passer le long de l’axone
un fil conducteur éliminant les gradients de potentiels et les courants longitudinaux.
Les ondes progressives peuvent être obtenues en stimulant une extrémité de l’axone. Du point
de vue de la modélisation mathématique, l’apparition de ce type de solution est intéressante
car on sait bien qu’on ne peut pas l’observer avec des équations paraboliques linéaires telle
l’équation de la chaleur
∂ u ∂ 2u
= 2.
∂t ∂x

CONFIDENTIEL JURY Page 1/1 Version du 26/1/2009(2009AB1X 26) Page 1/6

101 102
 On observe en revanche des ondes progressives dans des équations non linéaires de la forme qu’on complète avec des conditions initiales u(0) = u0 , w(0) = w0 . Examinons dans quelle
mesure les solutions de (3) permettent de retrouver des comportements observés expérimen-
∂ u ∂ 2u talement. Considérons le cas où I0 = 0. L’expérience consistant à stimuler l’axone au repos
= 2 + f (u),
∂t ∂x avec une brève impulsion électrique revient à choisir comme condition initiale u(0) = u0 > 0 et
qu’on rencontre, par exemple, en combustion. w(0) = 0. On a représenté sur la Figure 1 le plan de phase (à gauche) et la solution u en fonction
Un autre aspect important du comportement nerveux est la présence d’un effet de seuil. Dans du temps t pour deux données initiales différentes (à droite). Sur le plan de phase sont tracées
le cas homogène en espace, quand on soumet l’axone à un bref stimulus électrique, le potentiel en traits discontinus les deux courbes w = f (u) et w = β u/γ qui délimitent les zones dans les-
électrique u est porté à une valeur u(0) supérieure à sa valeur au repos, conventionnellement quelles les signes de du/dt et dw/dt sont connus. Ces résultats ont été obtenus avec a = 0.25,
fixée à 0. Si u(0) est faible, u retourne presqu’immédiatement à 0. En revanche, si u(0) dépasse ε = 0.01, β = 1 et γ = 6. L’effet de seuil est clairement mis en évidence : pour u0 = 0.2, le po-
une valeur critique uc , on observe une rapide et significative augmentation du potentiel suivie tentiel revient rapidement à 0, tandis que pour u0 = 0.35, le signal augmente significativement
d’une diminution, légèrement sous sa valeur au repos, puis d’un retour à 0. Un effet de seuil avant de revenir à 0 par valeurs négatives.
similaire est rencontré dans le cas non homogène en espace. Si un stimulus assez important est
imposé à une extrémité de l’axone, le potentiel u(x,t) tend vers une onde progressive quand t u

augmente. Supposons enfin qu’au lieu d’un stimulus brutal, on applique un courant électrique 0.20

w w= u β / γ
1.0

continu I0 . Si I0 est assez grand, on constate plusieurs impulsions successives ayant un caractère 0.15 0.8 u0=0.35

périodique.
Dans les années 1950, Hodgkin et Huxley ont proposé un système permettant de représenter
0.10 0.6

mathématiquement plusieurs aspects remarquables de la transmission de l’impulsion nerveuse : 0.05

w=f(u)
0.4

existence d’un seuil d’excitation, existence d’ondes progressives solitaires, existence de train 0.00 0.2

d’ondes quand on applique une stimulation électrique continue. Une version très simplifiée de
u

u0=0.2
ce modèle s’écrit −0.05 −0.0

2
 ∂ u = ν ∂ u + f (u) − w + I0 ,
 −0.10 −0.2
−0.20 −0.07 0.06 0.19 0.32 0.45 0.58 0.71 0.84 0.97 1.10 0 10 20 30 40 50 60 70 80 90 100
 t

(1) ∂t ∂ x2
 ∂ w = ε (β u − γ w),

∂t F IG . 1. Plan de phase et solution u en fonction de t.
avec

(2) f (u) = u(1 − u)(u − a),

3. Le problème dépendant de l’espace
où I0 , β , γ , ν et ε sont des constantes positives et a ∈]0, 1[. Comme précédemment, u repré-
sente le potentiel à travers la membrane. La variable w n’a pas vraiment de sens physique et sa 3.1. Ondes progressives
variation est généralement beaucoup plus lente que celle de u.
Nous abordons dans cette section la question de l’existence d’ondes progressives pour le
système (1). Afin d’un peu simplifier la présentation théorique on va supposer γ = 0, I0 = 0,
2. Le problème homogène en espace ν = 1 et on pose εβ = b. On cherche u(x,t) = U(x + ct) et w(x,t) = W (x + ct) solution de (1).
On vérifie facilement qu’on a :
Dans le cas des solutions homogènes en espace, le système d’équations aux dérivées par-
 ′
 U ′ = V,

tielles (1) se réduit à un système d’équations différentielles ordinaires : V = cV − f (U) +W,
(4)

du  W ′ = b U.

 = f (u) − w + I0 , c
dt

(3) La question est de choisir c 6= 0 tel que (4) ait une solution non constante satisfaisant lim±∞ U =
dw
= ε (β u − γ w),

0. Cette propriété traduit le fait que le potentiel du nerf est “au repos” avant et après le passage

dt

Page 2/6 Page 3/6

103 104
 de l’onde. Remarquer qu’elle implique que les limites de V et W sont également nulles en ±∞.
I+ I+
Dans toute la suite, on posera X = (U,V,W ), et on supposera c > 0.
Commençons par effectuer une brève étude linéaire. Le seul point d’équilibre de (4) est 0 =
(0, 0, 0) et un calcul élémentaire montre que le système (4) linéarisé en 0 s’écrit :
(5) X̃ ′ = AX̃,
avec
Ũ 0 1 0
   

X̃ = Ṽ
  et A = a c 1  .

W̃ b S
c 0 0 S
La matrice A a une valeur propre positive λ1 et deux valeurs propres λ2 et λ3 ayant des parties I−
réelles négatives. Pour b > 0 assez petit (ce qui est le cas qui nous intéresse ici), λ2 et λ3 sont I−
négatives, et toute solution de (5) est de la forme : F IG . 2. Représentation schématique de S et I . Les flèches indiquent le sens
X̃(s) = α1 eλ1 s p1 + α2 eλ2 s p2 + α3 eλ3 s p3 , des s croissant.
où les pi sont des vecteurs propres de A associés aux λi et les αi sont des constantes arbitraires.
Ainsi, le système linéarisé a une famille de solutions (espace vectoriel de dimension 2) qui On vérifie à partir de (4) que, si U(s0 ), V (s0 ) et W (s0 ) sont tous strictement négatifs pour un
tendent vers 0 quand s → +∞, et une famille de solutions (espace vectoriel de dimension 1), qui certain s0 , alors U(s), V (s) et W (s) restent strictement négatifs et décroissants pour s ≥ s0 . Les
tendent vers 0 quand s → −∞. Il n’y a pas de solution non nulle de (5) qui tende vers 0 en ±∞. seuls candidats possibles vérifient donc nécéssairement U, V et W ≥ 0 dans un voisinage de
L’étude de l’existence d’onde progressive passe donc nécessairement par l’étude du système −∞. Considérons donc, pour un c > 0, une solution X = (U,V,W ) telle que pour s assez proche
non linéaire (4). de −∞, X(s) ∈ I et a trois composantes positives. Montrons que si a ∈ [1/2, 1[ alors U(s) > 0
Un résultat (qu’on admettra) de la théorie des équations différentielles assure qu’il existe une et V (s) > 0 tant que X existe. Pour cela, on introduit la fonction ψ (s) = 12 V 2 (s) + F(U(s)), avec
surface S ⊂ R3 contenant 0 telle que si X = (U,V,W ) est une solution de (4) avec X(s0 ) ∈ S F(u) = 0u f (ξ )d ξ . On vérifie que ψ ′ = cV 2 +VW .Tant que V > 0, W reste positive et donc ψ
R

pour un certain s0 , alors X(s) ∈ S pour s ≥ s0 et X(s) → 0 quand s → +∞. Il existe également est strictement croissante. Or, ψ → 0 en −∞, donc, tant que V est strictement positive, ψ l’est
une courbe I ⊂ R3 passant par 0 telle qu’une solution de (4) partant de I tend vers 0 quand aussi, i.e. V 2 (s) > −2F(U(s)). On vérifie que si a ≥ 1/2, alors F(u) ≤ 0 pour tout u. Donc, V
s → −∞. Il existe un voisinage de 0 sur lequel S et I ne se rencontrent qu’en 0 et cette inter- ne peut s’annuler tant que X existe. Par conséquent U et W ne cessent de croître, ce qui achève
section n’est pas tangentielle. La surface S sépare donc I − {0} en deux branches disjointes, la preuve.
notées I + et I − (Figure 2).
Pour un c donné, si X(0) ∈ I , alors X(s) existe sur un intervalle ] − ∞, s1 [, avec s1 > 0 et
tend vers 0 quand s → −∞. Le problème de trouver des ondes solitaires progressives se ramène 3.2. Simulation numérique
à choisir convenablement c de manière à ce que (i) X(0) soit sur une branche de I , (ii) X(s) On considère le système (1) posé sur [0, L] × [0, T ], et on se donne les conditions aux limites
existe pour tout s ∈ R et (iii) X(s) rencontre S pour s assez grand. Une telle solution tend alors u(0,t) = h(t), u(L,t) = 0, et la condition initiale u(x, 0) = w(x, 0) = 0. On effectue une discré-
bien vers 0 en ±∞ (Figure 2). Sous certaines conditions, on peut effectivement prouver que de tisation en espace afin de se ramener à un système d’équations différentielles ordinaires. On
telles orbites existent. On pourra d’ailleurs le mettre en évidence numériquement. Le résultat peut alors tirer partie des fonctions de résolution d’équations différentielles disponibles dans
qu’on va présenter montre que de telles solutions ne peuvent exister que si a ∈]0, 1/2[. scilab ou matlab (par exemple). On se donne un entier positif non nul N et on pose δ x = L/N
Proposition 1. Si a ∈ [1/2, 1[, toute solution non constante rencontrant la courbe I est non (appelé pas d’espace). On définit x j = jδ x ∈ [0, L], pour j = 0, . . . , N. On note u j (t) (resp.
2
bornée. w j (t)) une approximation de u(x j ,t) (resp. w j (t)) et on propose d’approcher ∂∂ xu2 (x j ,t) par
2
(u j+1 (t) − 2u j (t) + u j−1 (t))/δ x . La version semi-discrète du système (1) s’écrit donc :
Preuve Rappelons que si X(0) ∈ I , alors X → 0 en −∞. On admettra que les solutions qui
ne rencontrent jamais I ne peuvent pas tendre vers 0 en −∞ et que I est une courbe régulière 
dui ν
tangente au vecteur propre p1 en 0. Or, on peut vérifier que les trois composantes de p1 ont
 = (ui+1 − 2ui + ui−1 ) + f (ui ) − wi + I0 , i = 1, . . . , N − 1
dt x2

(6) δ
même signe. Par conséquent, les trois composantes d’une solution X = (U,V,W ) tendant vers dw i
= ε (β ui − γ wi ), i = 0, . . . , N

0 en −∞ doivent avoir même signe dans un voisinage de l’infini.

dt

Page 4/6 Page 5/6

105 106
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Épreuve de modélisation et Calcul Scientifique
avec u0 (t) = h(t), uN (t) = 0 et ui (0) = wi (0) = 0. Pour modéliser la stimulation d’une extrémité
de l’axone, on prend h(t) = h0 si 0 < t < T0 , et h(t) = 0 sinon. On fixe L = 20, δ x = 0.2, ν =
0.01, a = 0.25, ε = 0.01, β = 0.2, γ = 1, I0 = 0 et on réalise une première expérience numérique Résumé : On présente un modèle de transport-diffusion-réaction d’anticorps dans une tumeur.
avec T0 = 4 et h0 = 3 : l’impulsion disparaît rapidement sans se progager. En revanche avec T0 = Les anticorps réagissent avec des antigènes. On propose une méthode numérique pour calculer
4 et h0 = 4, l’impulsion se propage en adoptant rapidement une forme sensiblement constante. la concentration d’anticorps et d’antigènes quand la vitesse de réaction est modérée. On
Ceci met en évidence un effet de seuil pour l’apparition de solution tendant vers une onde envisage ensuite la limite quand la vitesse de réaction tend vers l’infini et on propose un second
progressive, et reproduit bien un phénomène observé expérimentalement. schéma numérique pour traiter ce cas. On examine enfin l’apparition d’ondes progressives.
Mots clefs : Equations aux dérivées partielles, différences finies, stabilité
Suggestions pour le développement
◮ Soulignons qu’il s’agit d’un menu à la carte et que vous pouvez choisir d’étudier cer-
tains points, pas tous, pas nécessairement dans l’ordre, et de façon plus ou moins ◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. Vous êtes
fouillée. Vous pouvez aussi vous poser d’autres questions que celles indiquées plus bas. laissé(e) libre d’organiser votre discussion comme vous l’entendez. Des suggestions de
Il est très vivement souhaité que vos investigations comportent une partie traitée sur développement, largement indépendantes les unes des autres, vous sont proposées en fin
ordinateur et, si possible, des représentations graphiques de vos résultats. de texte. Vous n’êtes pas tenu(e) de les suivre. Il vous est conseillé de mettre en lumière
– Dans l’exemple de la Section 2, étudier la stabilité du point d’équilibre et expliquer quali- vos connaissances à partir du fil conducteur constitué par le texte. Le jury appréciera
que la discussion soit accompagnée d’exemples traités sur ordinateur.
tativement l’effet de seuil à l’aide du plan de phase.
– Faire une étude du comportement de (3) quand on fait varier γ (avec I0 = 0). En particulier,
expliquer pourquoi pour certaines valeurs de γ le potentiel ne revient pas à l’équilibre.
– Effectuer des simulations numériques des cas homogènes en espace. Par exemple dans (3),
considérer des cas où I0 6= 0 (avec, par exemple, ε = 0.01, γ = 3, a = 0.025).
– Faire une présentation plus détaillée de la preuve de la Proposition 1.
– Effectuer des simulations numériques de (1). On pourra, si on le souhaite, se limiter au cas
1. Modélisation
ε = 0. On pourra suivre la démarche de la Section 3.2 ou proposer une méthode alternative.
Pour vérifier la validité des solutions obtenues dans le cas où ε = 0, on peut utiliser le
2 1.1. Objectif
résultat suivant : l’équation ∂∂ut = ν ∂∂ xu2 + u(1 − u)(u − a) admet une solution de type onde
progressive u(x,t) = U(x − ct) telle queq U → 1 en −∞ et U → 0 en +∞. Cette solution est Les cellules cancéreuses synthétisent des antigènes tumoraux qui sont fixés dans le tissu can-
un front se propageant à la vitesse c = ν céreux. La tumeur est vascularisée, c’est-à-dire que des vaisseaux l’irriguent en sang. On injecte
2 (1 − 2a).
On pourra simuler ce cas en prenant
dans le sang des anticorps qui vont pénétrer dans le tissu cancéreux et “bloquer” les antigènes,
L = 20, δ x = 0.05, ν = 0.01, a = 0.1, ε = 0 et h(t) = 1. c’est-à-dire se fixer sur eux. Ceci peut se faire dans un but thérapeutique : en “bloquant” les
antigènes tumoraux, les anticorps peuvent empêcher la prolifération de ceux-ci. Mais, c’est
généralement à des fins de diagnostic que ce procédé est utilisé : en marquant les anticorps
injectés (à l’iode 125 par exemple), on peut ensuite compter, par imagerie médicale, ceux qui
se sont fixés sur des antigènes cancéreux, et évaluer ainsi l’ampleur de la tumeur. Plusieurs
types d’anticorps peuvent être utilisés et tous ne se comportent pas de la même manière : ils
peuvent, par exemple, se fixer plus ou moins rapidement sur les antigènes ou pénètrer plus ou
moins profondément dans le tissu. Selon le but – diagnostique ou thérapeutique – on cherchera
à obtenir des comportements différents. Ces comportements dépendent d’un très grand nombre
de facteurs : concentration initiale d’anticorps injectés dans le sang, taille des anticorps, affi-
nité chimique, perméabilité du tissu, etc. Un modèle mathématique de ces phénomènes peut
permettre de mieux comprendre l’influence des divers paramètres. Il peut ainsi guider la réali-
sation d’expérience et aider à choisir les anticorps les mieux adaptés à une situation donnée.

Page 6/6 Page 1/6

107 108
 1.2. Mise en équations Un autre mécanisme – la diffusion – intervient également dans le déplacement des anticorps. Il
se modélise ainsi :
L’écoulement a lieu dans un milieu poreux. Autrement dit, le domaine est constitué d’une ∂c
partie solide fixe – le squelette – sur laquelle sont situés les antigènes, et d’interstices dans qd (x,t) = −ν (x,t),
∂x
lesquels circule le plasma transportant les anticorps. On supposera que le liquide occupe tous
les interstices. Dans un volume donné, le rapport ω entre le volume occupé par le liquide et où ν est un coefficient de diffusion, réel positif supposé connu et constant. Le flux total q est la
le volume total définit la porosité. C’est un réel compris entre 0 et 1 qu’on supposera connu et somme de qa et qd .
constant. On suppose que l’écoulement a lieu dans un tube de section A (Figure 1, à gauche). On considére que la rencontre d’antigènes (notés S) et d’anticorps (notés C) peut être vue
On admet que la section à travers laquelle l’écoulement se produit est ω A. On note comme une pseudo réaction chimique :
– c(x,t) : la concentration d’anticorps dans le plasma (nombre d’anticorps par unité de vo- (2) C + p S −→ S pC,
lume de fluide)
– s(x,t) : la concentration d’antigènes (nombre d’antigènes par unité de volume) où S pC désigne l’ensemble antigènes-anticorps produit par la réaction de p antigènes avec un
– q(x,t) : le flux d’anticorps (nombre d’anticorps qui traversent une section située en x par anticorps. Le paramètre p est la valence de l’anticorps.
unité de temps et de surface) Rappelons que les antigènes sont fixes sur le squelette, il n’y a donc pas de terme de flux dans
– f (c(x,t), s(x,t)) : le terme de réaction (quantité d’anticorps retenus par les antigènes par le bilan de masse des antigènes. On a simplement
unité de temps et de volume) ∂s
(3) (x,t) = −p f (c(x,t), s(x,t))
∂t
u puisque p antigènes réagissent avec un anticorps.
A Reste à modéliser le terme de réaction f . Quand il n’y a plus d’anticorps ou d’antigène, la
réaction (2) n’a plus lieu. Il est par conséquent nécessaire d’avoir :
f (0, s) = f (c, 0) = 0.
O x
De plus, on peut s’attendre à ce que les rencontres anticorps/antigènes se produisent d’autant
plus que leurs concentrations sont élevées. On propose de prendre la relation suivante :
F IG . 1. Milieu poreux (à gauche) et milieu “équivalent” (à droite)
(4) f (c, s) = k c s,
Un bilan de masse dans une section arbitraire a ≤ x ≤ b s’écrit alors : où k est une constante de réaction, positive et supposée connue.
d
Z b Z b
Précisons enfin les conditions aux limites. On suppose qu’à l’entrée du tube, la concentration
c(x,t)ω A dx = q(a,t)A − q(b,t)A − f (c(x,t), s(x,t))A dx en anticorps est connue et égale à cd (t) (c’est la concentration d’anticorps injectée dans le sang).
dt a a
ou encore A la sortie du tube, on va supposer que la concentration est nulle. Ceci n’est pas très réaliste
Z b
∂c ∂q
 (il vaudrait mieux des conditions sur le flux), mais permet de simplifier un peu la simulation
ω (x,t) + (x,t) + f (c(x,t), s(x,t)) A dx = 0. numérique. Initialement, il n’y a pas d’anticorps dans le milieu, et on suppose la concentration
a ∂t ∂x
d’antigènes s0 constante.
La section [a, b] étant arbitraire, ce bilan de masse s’écrit aussi On peut donc résumer le problème de la manière suivante. On se donne des constantes ω ∈
∂c ∂q ]0, 1[, u > 0, ν ≥ 0, k > 0, s0 > 0, une fonction cd régulière et positive, et p un entier naturel non
(1) ω(x,t) + (x,t) = − f (c(x,t), s(x,t)). nul. On cherche c et s, fonctions définies sur [0, L] × [0, T ] satisfaisant le système d’équations
∂t ∂x
aux dérivées partielles :
Explicitons le flux q. On admet qu’on peut remplacer le milieu poreux par un milieu “équi-
valent” dépourvu de squelette et dans lequel le plasma s’écoule suivant Ox avec une vitesse ∂c ∂c ∂ 2c
moyenne u supposée constante en espace et en temps (Figure 1, à droite). Les anticorps étant (5) ω + u − ν 2 = −k c s,
∂t ∂x ∂x
transportés par cet écoulement, une partie du flux s’écrit donc :
∂s
qa (x,t) = uc(x,t). (6) = −p k c s,
∂t

Page 2/6 Page 3/6

109 110
 complété par les conditions aux limites et initiales : 3. Comportement pour k grand


 c(0,t) = cd (t), pour t ∈ [0, T ], Dans cette Section, nous nous intéressons au comportement du système (5)-(7) quand k tend
c(L,t) = 0, pour t ∈ [0, T ], vers l’infini. La démarche que nous allons décrire est purement heuristique, elle peut néanmoins

(7)
 c(x, 0) = 0, pour x ∈ [0, L], être rendue rigoureuse dans des espaces fonctionnels convenables.
 s(x, 0) = s ,

pour x ∈ [0, L].
0 Notons (c(k) , s(k) ) la solution de (5)-(7) à k fixé. L’équation (5) peut s’écrire :
∂ (ω c(k) − s(k) /p) ∂ c(k) ∂ 2 c(k)
+u −ν = 0.
2. Discrétisation ∂t ∂x ∂ x2
Admettons que (c(k) , s(k) ) ait une limite, notée (c∞ , s∞ ), quand k tend vers l’infini. En passant
On propose dans cette Section une première méthode pour discrétiser le système (5)-(6). On formellement à la limite dans l’équation ci-dessus on a :
se donne deux entiers positifs non nuls M et N et on pose δ x = L/M (appelé pas d’espace)
et δ t = T /N (appelé pas de temps). On définit alors x j = jδ x ∈ [0, L], pour j = 0, . . . , M et ∂ (ω c∞ − s∞ /p) ∂ c∞ ∂ 2 c∞
(13) +u −ν = 0,
tn = nδ t ∈ [0, T ], pour n = 0, . . . , N. On note cnj une approximation de c(x j ,tn ) et snj une ap- ∂t ∂x ∂ x2
proximation de s(x j ,tn ). On propose alors les approximations suivantes : et l’équation (6) donne : c∞ s∞ = 0. Ainsi, quand c∞ > 0, on a s∞ = 0, et quand s∞ > 0, on a
c∞ = 0. Or, dans les zones où c∞ est localement constante, la valeur de s∞ est constante en temps
∂c cn+1
j − cnj ∂c cnj − cnj−1 ∂ 2c cnj+1 − 2cnj + cnj−1 (d’après (13)), donc s∞ = s0 . On peut donc penser que la limite sera telle que :
(x j ,tn+1 ) ≈ , (x j ,tn+1 ) ≈ , (x j ,tn+1 ) ≈ .
∂t δt ∂x δx ∂ x2 δ x2 
 c∞ > 0 et s∞ = 0,
Le système (5)-(7) est alors approché par : (14) ou
 c∞ = 0 et s∞ = s0 .
cn+1
j − cnj cnj − cnj−1 cnj+1 − 2cnj + cnj−1
(8) ω +u −ν = −k cnj snj , (1 ≤ j ≤ M − 1) Notons qu’il est aussi possible d’étudier numériquement (5)-(6) pour de grandes valeurs de k,
δt δx δ x2 mais l’algorithme (8)-(9) n’est plus adapté. On propose de le remplacer par :
cn+1
j − cnj cnj − cnj−1 cnj+1 − 2cnj + cnj−1
sn+1
j − snj (15) ω +u −ν + k cn+1
j sj
n+1
= 0, (1 ≤ j ≤ M − 1)
(9) = −p k cnj snj , (0 ≤ j ≤ M) δt δx δ x2
δt
sn+1
j − snj
(16) + p k cn+1
j sj
n+1
= 0, (0 ≤ j ≤ M)
(10) c0j = 0, (0 ≤ j ≤ M), δt
(11) cn0 = cd (t ), n
(1 ≤ n ≤ N), Pour calculer (cn+1 n+1
j , s j ), un système non linéaire doit être résolu. Une manière de procéder
(12) s0j = s0 , (0 ≤ j ≤ M). est d’éliminer l’inconnue sn+1
j puis de résoudre l’équation obtenue en cn+1
j (avec une fonction
de scilab ou matlab par exemple). La Figure 2 montre le résultat d’une simulation numérique
On a réalisé quelques simulations numériques avec les paramètres suivants : ω = 0.9, u = obtenu avec k = 104 et ω = 0.9, u = 0.1, ν = 0.003, s0 = 2, M = 100, δ t = 0.01, T = 20, L = 1,
0.4, ν = 0.01, s0 = 10, M = 200, δ t = 0.01, T = 10, L = 4, et cd (t) = te−t/2 . Pour voir l’effet cd (t) = 1, p = 3. On constate qu’en dehors d’une zone dont la taille est de l’ordre du pas de
de la vitesse de réaction, on considère deux valeurs de k : k1 = 1 et k2 = 0.1 et on fixe la valence discrétisation, s “saute” effectivement de la valeur 0 à la valeur s0 = 2, tandis que c s’annule là
p = 5. On constate numériquement qu’avec un k plus faible la pénétration des anticorps dans où s est non nul.
la tumeur est plus profonde, et leur concentration maximale dans le plasma est moins élevée.
Pour voir l’effet de la valence, on considère deux valeurs de p : p1 = 2 et p2 = 10 et on fixe
k = 0.5. On constate alors qu’avec une valence plus grande, les anticorps pénètrent mieux et 4. Ondes progressives
leur concentration dans le plasma est plus élevée.
Pour des valeurs assez grandes de k, le schéma devient instable (à cause du traitement expli- On cherche des solutions du système (5)-(6) sur R × R+ sous forme d’ondes progressives de
cite du terme de réaction) et une autre méthode doit être envisagée. type “front”, c’est-à-dire s’écrivant : c(x,t) = C(x− σ t) et s(x,t) = S(x− σ t), avec limξ →−∞ C(ξ ) =

Page 4/6 Page 5/6

111 112
 2.5

t=20
s
2.0
AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
1.5
Épreuve de modélisation et Calcul Scientifique
c
1.0

Résumé : On s’intéresse à un modèle de combustion ; on met en place une stratégie de

0.5

0.0
résolution numérique adaptée afin de décrire l’évolution du front consumé.

−0.5
Mots clefs : Équations aux dérivées partielles. Problème d’évolution. Différences finies.
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. Vous êtes
F IG . 2. c et s en fonction de x à t = 20, avec k = 104 . laissé(e) libre d’organiser votre discussion comme vous l’entendez. Des suggestions de
développement, largement indépendantes les unes des autres, vous sont proposées en fin
cd > 0, limξ →+∞ C(ξ ) = 0, limξ →−∞ S(ξ ) = 0 et limξ →+∞ S(ξ ) = s0 > 0. Le réel σ est la vitesse de texte. Vous n’êtes pas tenu(e) de les suivre. Il vous est conseillé de mettre en lumière
de propagation du front. Un calcul élémentaire donne : vos connaissances à partir du fil conducteur constitué par le texte. Le jury appréciera
que la discussion soit accompagnée d’exemples traités sur ordinateur.
σ
(17) ν C′′ + (ωσ − u)C′ − S′ = 0.
p
En intégrant (17) entre ξ1 et ξ2 , en faisant tendre ξ1 (resp. ξ2 ) vers −∞ (resp. +∞), on trouve :
u
(18) σ= s0 .
ω + pc d
1. Évolution d’un front de flamme
On peut se poser la même question pour le système obtenu quand k → +∞. La formule (14)
conduit naturellement à chercher s∞ sous la forme s∞ (x,t) = S∞ (x − σ t) = s0 H(x − σ t), où On considère un matériau combustible (un bloc de propergol solide, une forêt, . . . ) repré-
H(ξ ) = 0 si ξ < 0 et H(ξ ) = 1 si ξ ≥ 0. On peut alors résoudre (17). On trouve : senté par le plan R2 tout entier, afin de négliger dans un premier temps toute difficulté liée
 u−ωσ
 aux conditions de bords. On décrit le phénomène de combustion par l’évolution du front de
(19) C∞ (ξ ) = cd 1 − e ν ξ . flamme qui sépare la partie déjà brûlée de la partie non encore consumée. Ce front est décrit
par une courbe
(1) y = p(t , x),
Suggestions pour le développement
et on va établir une équation d’évolution satisfaite par p. À l’instant t ≥ 0, on note
Soulignons qu’il s’agit d’un menu à la carte et que vous pouvez choisir d’étudier cer- C (t ) = (x, y) ∈ R2 , y = p(t , x) ,
© ª
◮ (2)
tains points, pas tous, pas nécessairement dans l’ordre, et de façon plus ou moins
et le domaine
fouillée. Vous pouvez aussi vous poser d’autres questions que celles indiquées plus bas.
(x, y) ∈ R2 , y < p(t , x)
© ª
Il est très vivement souhaité que vos investigations comportent une partie traitée sur (3)
ordinateur et, si possible, des représentations graphiques de vos résultats. représente la partie du combustible déjà consumée à l’instant t > 0. Le phénomène de com-
– Effectuer des simulations numériques de (8)-(9) bustion est caractérisé par une vitesse de propagation c qu’on supposera constante : sur
– Commenter le choix de l’algorithme (8)-(9) (précision, stabilité, . . .). Proposer des alterna- l’intervalle de temps [t , t + ∆t ], tout point de R2 situé au-dessus de C (t ) et à une distance
tives. inférieure à c∆t d’un point de C (t ) est brûlé. La figure 2 en page 4 montre un exemple d’évo-
lution d’un tel front.
– Effectuer des simulations numériques avec k “grand”. Commenter le choix de l’algorithme D’un point de vue mathématique, ceci se traduit par les propriétés suivantes :
(15)-(16).
(4) ∀(x, x ′ ) ∈ R2 , |x − x ′ |2 + |p(t + ∆t , x) − p(t , x ′ )|2 ≥ c 2 ∆t 2 ,
– Commenter le comportement qualitatif de la solution du système à la limite k → ∞. En
particulier, quelles sont les différences avec une équation parabolique linéaire (comme et, de plus, pour tout x ∈ R,
l’équation de la chaleur) ? (5) inf
©
|x − x ′ |2 + |p(t + ∆t , x) − p(t , x ′ )|2 = c 2 ∆t 2 .
ª
– Détailler les calculs de la Section 4 et comparer (18) et (19) à des simulations numériques. ′ x ∈R
– Reprendre l’étude avec  d’autres cinétiquesde réaction que celle donnée par (4). Un exemple
possible est f (c, s) = k κ1 cs − κp2 (s0 − s) , où κ1 et κ2 sont des constantes positives don- Page 1/6
nées.
Page 6/6
113 114
 Cette relation peut se réécrire et on a maintenant
d h
n p o i
(6) p(t + ∆t , x) = sup ′
p(t , x ) + c 2 ∆t 2 − |x − x ′ |2 . (14) u(t , X (t ; x)) = 0.
|x−x ′ |≤c∆t dt
En supposant que p est une fonction suffisamment régulière et en faisant tendre ∆t vers 0, Autrement dit, u(t , X (t , x)) = u Init (x) pour tout t et (13) devient donc
on est donc conduit à d
X (t ; x) = f ′ u Init (x) ,
¡ ¢
∂ n ∂ q o (15) X (0; x) = x.
(7) p = sup ξ p + c 2 − ξ2 . dt
∂t ∂x
|ξ|≤c
Cette équation s’intégre immédiatement pour donner X (t , x) = x + t f ′ (u Init (x)). Afin d’ex-
primer la solution u en fonction de la donnée initiale u Init , il faut être en mesure d’inver-
p
Les propriétés de la fonction F h (ξ) = ξh + c 2 − ξ2 permettent de déterminer le ξ optimal
comme ser cette relation, c’est-à-dire, étant donné X ∈ R et t ≥ 0, trouver x vérifiant X = ϕt (x)
ch où ϕt est la fonction paramétrée par t définie par ϕt (x) = x + t f ′ (u Init (x)). On note que
(8) p , ¢′
ϕ′t (x) = 1 + t f ′′ (u Init (x)) u Init (x). Ici, la fonction f est concave ; donc lorsque la donnée ini-
¡
1 + h2
tiale u Init est décroissante, la fonction ϕt est croissante pour tout t > 0 et on peut bien dé-
et finalement, p(t , x) satisfait l’équation aux dérivées partielles
µ ¶ terminer x en fonction de X . Ce n’est plus le cas lorsque u Init est croissante et ceci se traduit
∂ ∂ p
par l’apparition de singularités en temps fini, comme illustré par la figure 1. Le cadre fonc-
(9) p+f p = 0, f (s) = −c 1 + s 2 .
∂t ∂x tionnel permettant de donner un sens à l’équation (10) pour de telles solutions discontinues
∂ dépasse cependant le propos de cette étude et nous allons maintenant nous intéresser à la
La fonction u = p vérifie donc la loi de conservation résolution numérique de (9) et (10).
∂x
∂ ∂
(10) u+ f (u) = 0.
∂t ∂x
On peut donc adopter deux points de vue : ou bien s’intéresser directement à (9), ou bien
s’intéresser à (10) et reconstituer p(t , x) par intégration en espace. Nous allons maintenant
discuter quelques propriétés mathématiques de ces équations avant d’en envisager l’ap-
proximation numérique.

2. Remarques sur l’équation (10)

En négligeant toute difficulté liée à la régularité de la solution u, on peut réécrire (10)
comme
∂ ∂
(11) u + f ′ (u) u = 0.
∂t ∂x F IGURE 1. Formation d’une singularité pour l’équation (10).
Considérons dans un premier temps, la situation plus simple où f (s) = −c s. Alors (11) peut
s’interpréter comme
d h
3. Simulation numérique
i
(12) u(t , x − c t ) = 0,
dt
et on en déduit que la solution s’exprime simplement en fonction de la donnée p initiale 3.1. Résolution de (9)
u(t , x) = u Init (x + c t ). Ce raisonnement peut être adapté au cas non linéaire f (s) = −c 1 + s 2
qui nous intéresse ici. On introduit les courbes X (t ; x) solution de l’équation différentielle La première idée consiste à revenir aux calculs qui ont mené au modèle et qui permettent
(en supposant que ceci a bien un sens. . . ) d’écrire
q
d p(t , x) = sup p Init (x + ξt ) + c 2 t 2 − ξ2 t 2 .
© ª
(13) X (t ; x) = f ′ u(t , X (t ; x)) ,
¡ ¢
X (0; x) = x, (16)
dt −c≤ξ≤c

Page 2/6 Page 3/6

115 116
 Ayant discrétisé le domaine d’étude [0, L] avec un pas constant ∆x > 0, on définit les fonc-
tions
© Init q
p (k∆x) + c 2 t 2 − (k − j )2 ∆x 2 ,
ª
(17) p j (t ) = sup
|k− j |≤c t /∆x

pour t > 0 et j ∈ {1, . . . , J }, où J est la partie entière de L/∆x. La fonction p j (t ) a vocation à

approcher la valeur exacte de la solution p(x j , t ) au point d’abscisse x j = j ∆x. On notera
que cette définition fait intervenir, pour un temps t donné dans [0, T ], des points x k qui sont
en dehors du domaine d’étude. On doit donc utiliser une donnée p Init définie sur un inter-
valle suffisamment grand, contenant [0, L]. La figure 2 montre l’évolution du front obtenu
par cette méthode, avec L = 12, c = 2, ∆x = 0.02 et la donnée initiale
(18) p Init (x) = 11[1.8,6.6] (x)(2.4 − |x − 4.2|) + 11[6.6,9] (x)(0.6 − b|x − 7.8|), F IGURE 3. Défaut de stabilité du schéma (19).

avec le paramètre b = 0.5, prolongée de façon constante au-delà du domaine [0, L]. Par conven- On peut comprendre ce phénomène en calculant à la main les premiers itérés du schéma :
tion, 11 A désigne la fonction caractéristique d’un ensemble A. on se rend compte que le schéma ne préserve pas la positivité des solutions (et plus générale-
On va comparer cette approche avec celle qui consiste à résoudre plutôt la loi de conser- ment, les extrema ne sont pas préservés) et crée des oscillations dont l’amplitude va devenir
vation (10) qui se prête bien à une approximation par différences finies. rapidement très grande.
Simulation de p obtenue par la premiere methode pour t jusqu’a 3.4
On introduit alors une variante de ce schéma en posant
n n n
¢ u j +1 − 2u j + u j −1
10
∆t ¡
9
(20) u n+1
j − u nj = − f (u nj+1 ) − f (u nj−1 ) + ,
8
2∆x 2
7 les termes additionnels ayant pour effet de stabiliser le schéma. Pour exploiter cette méthode
6 numérique, on doit préciser les valeurs extrêmes du vecteur inconnu impliquées dans le
schéma ; ici, j décrivant {1, . . . , J = [L/∆x]}, on prendra
p

3
(21) u0 = u1 et u J +1 = u J .
2
La figure 4 montre l’évolution de u = ∂x p obtenue par ce schéma, en partant de la donnée
1
initiale 1
0
0 2 4 6
x
8 10 12
(22) u Init (x) = 11[1.8,4.2] (x) + b11[6.6,7.8] (x) − 11]4.2,6.6] (x) − b11]7.8,9] (x),
avec b = 0.5, alors que la figure 5 donne l’évolution de p vérifiant ∂t p = − f (u) correspon-
F IGURE 2. Évolution du front de flamme. dante.

Suggestions pour le développement

3.2. Résolution de (10)
Une méthode naïve pour résoudre numériquement (10) consiste à envisager une méthode ◮ Soulignons qu’il s’agit d’un menu à la carte et que vous pouvez choisir d’étudier certains
de différences finies points, pas tous, pas nécessairement dans l’ordre, et de façon plus ou moins fouillée.
Vous pouvez aussi vous poser d’autres questions que celles indiquées plus bas. Il est très
∆t ¡
u n+1 − u nj = − f (u nj+1 ) − f (u nj−1 ) .
¢
(19) j
vivement souhaité que vos investigations comportent une partie traitée sur ordinateur
2∆x et, si possible, des représentations graphiques de vos résultats.
Même pour le simple modèle linéaire f (s) = −c s, ce schéma n’est pas satisfaisant : la figure
3, qui représente la résolution de (10) dans le cas particulier f (u) = −cu par le schéma (19), 1. Cette donnée est “bien choisie” ; en considérant d’autres états initiaux, on obtient des résultats qualitati-
avec pour donnée initiale u Init (x) = 11x≤0 , est typique d’un défaut de stabilité numérique. vement de même nature mais avec de possibles anomalies numériques localisées sur certains points.

Page 4/6 Page 5/6

117 118
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Épreuve de modélisation et Calcul Scientifique
Simulation de u obtenue par la deuxieme methode pour t jusqu’a 3.4

1.5
t=0

Résumé : On s’intéresse à un modèle mathématique de dépollution de lac. Le principe

t=0.84
1.0 t=1.69

consiste à pomper de l’eau polluée, à la nettoyer dans un bioréacteur et à la réinjecter dans

t=2.54
t=3.4

le lac, tout cela en circuit fermé. Le modèle sous-jacent repose sur des équations
0.5

différentielles, puis sur une optimisation de paramètre qui permet de rendre le processus
u

0.0

industriel le plus performant possible.

−0.5

Mots clefs : Équations différentielles. Propriétés qualitatives. Schémas numériques.

−1.0

−1.5
0 2 4 6
x
8 10 12 ◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. Vous êtes
laissé(e) libre d’organiser votre discussion comme vous l’entendez. Des suggestions de
F IGURE 4. Évolution de la solution u du problème non linéaire. développement, largement indépendantes les unes des autres, vous sont proposées en fin
de texte. Vous n’êtes pas tenu(e) de les suivre. Il vous est conseillé de mettre en lumière
Simulation de p obtenue par la deuxieme methode pour t jusqu’a 3.4

10
vos connaissances à partir du fil conducteur constitué par le texte. Le jury appréciera
9
t=0
t=0.84
que la discussion soit accompagnée d’exemples traités sur ordinateur.
t=1.69
8
t=2.54

7 t=3.4

6
p

2
1. Le modèle du bioréacteur
1

0
Lors du processus industriel de dépollution d’une grande quantité d’eau (on peut penser à
0 2 4 6
x
8 10 12
un lac ou plus généralement à un grand volume d’eau contenu dans un réservoir), on utilise
de petits bioréacteurs que l’on connecte en circuit fermé au lac à dépolluer, avec un débit Q
F IGURE 5. Évolution du front de flamme. qui est contrôlé par l’utilisateur.
À l’intérieur du bioréacteur de volume VR se trouve un dépolluant (plus ou moins naturel)
— On pourra détailler certains arguments mathématiques qui ne sont que brièvement appelé biomasse : cette biomasse se développe en dégradant simultanément le polluant pré-
esquissés dans le texte : justification du modèle, apparition de discontinuités. . . sent dans l’eau. À la sortie du bioréacteur, on filtre la biomasse à l’aide d’un décanteur (afin
— Le texte propose des stratégies numériques très différentes dans les sections 3.1 et 3.2 ; de ne pas la rejeter dans le lac) et on renvoie l’eau ainsi nettoyée dans le lac, de volume VL .
on pourra expérimenter et comparer les avantages et inconvénients de chacune de ces Ce circuit fermé est représenté sur la figure 1.
approches.
— Discuter et illustrer les comportements des différents schémas proposés. On pourra Q
notamment détailler les questions de stabilité et de consistance.

Bioréacteur
VL Lac
— Vérifier que le schéma (20) proposé à la fin du texte vérifie bien, dans le cas linéaire VR
f (s) = −c s, la propriété : si pour tout j , u 0j ∈ [−M , +M ], alors u nj ∈ [−M , +M ] pour tous
n, j pourvu que |c|∆t /∆x ≤ 1. décanteur
Q
— On pourra présenter d’autres méthodes numériques. Par exemple, tester un schéma
décentré en espace. Q
— On modifiera le modèle par exemple en prenant en compte des variations en espace
et/ou en temps de la vitesse de propagation c.
F IGURE 1. Circuit fermé entre le lac à dépolluer et le bioréacteur.

Page 6/6 Page 1/6

119 120
 On note y(t ) (respectivement z(t )) la concentration au temps t de polluant dans le bio- Théorème 1. Pour tous x 0 > 0 et ζ > 0 donnés, le système (3) admet une unique solution glo-
réacteur (dans le lac), et x(t ) celle de biomasse présente dans le bioréacteur. Ce dernier bale. De plus, il existe¡un débit critique Q c = µζ > 0, tel que, lorsque s → ∞,
est équipé d’un agitateur dont le rôle est de rendre homogène la répartition des différents — si Q > Q c , alors x(s), y(s) converge vers (0, ζ),
¢

constituants. Ainsi, on pourra supposer que les quantités y et x ne dépendent que du temps. Q
— si 0 < Q < Q c , alors x(s), y(s) converge vers (x ∞ , y ∞ ) avec y ∞ = < ζ.
¡ ¢
On suppose également (mais c’est plus discutable) que la concentration z en polluant dans µ
le lac ne dépend que du temps. L’évolution de ces quantités est ainsi modélisée par le sys- En particulier, on note que la fonction
tème différentiel suivant :
(4) ϕ : ]0,Q c [ −→ ]0, ζ[,

Q
Q 7−→ y ∞ ,

 x ′ (t ) = µ x(t )y(t ) − VR x(t ),
où y ∞ est la limite en temps long du système (3), est bijective.


Q ¡
(1) y ′ (t ) = −µ x(t )y(t ) + VR z(t ) − y(t ) ,
¢

Bien entendu, le régime qui nous intéresse est la dépollution. On va donc se placer dans le

Q ¡

 z ′ (t ) =
VL y(t ) − z(t ) ,
 ¢
cas où Q < Q c . On atteint alors « rapidement » l’équilibre dépolluant. La figure 2 illustre cette
où µ > 0 est une constante qui définit la loi de croissance de la biomasse. Le système diffé- convergence.
rentiel traduit la transformation du polluant en biomasse et les pompages en entrée/sortie
du bioréacteur et du lac. Dans tout le texte, on supposera VR = 1, et on posera VL = 1ε si bien 1
Polluant

que le système précédent devient

Biomasse
0.9
 Q/Qc = 0.8

 x ′ (t ) = µx(t )y(t ) −Qx(t ), 0.8

Q/Qc = 0.3
y ′ (t ) = −µx(t )y(t ) +Q z(t ) − y(t ) ,
¡ ¢
(2) 0.7

Concentrations

 ′
z (t ) = εQ y(t ) − z(t ) .
 ¡ ¢ 0.6

Q/Qc = 0.5
0.5

2. Un phénomène lent-rapide 0.4

0.3
Q/Qc = 0.3

En pratique, les volumes respectifs du bioréacteur et du lac sont très différents : ε ≪ 1. Cela 0.2

induit, pour les processus ayant cours dans le bioréacteur d’une part, et dans le lac d’autre Q/Qc = 0.8

0.1
part, des échelles de temps très différentes. On va donc procéder à une simplification du 0 2 4 6 8 10
Temps
12 14 16 18 20

modèle en faisant intervenir ces deux échelles de temps : le temps lent t et le temps rapide s,
ce qui va permettre de « séparer » les équations du sytème (2). Bien que l’interprétation soit F IGURE 2. Quelques exemples de simulation du régime rapide avec un
naturelle, il n’est pas évident de démontrer que la solution donnée par cette approche est schéma d’Euler explicite, ∆t = 0.02, avec µ = 1, x 0 = 0.1, et ζ = 1.
bien une approximation de la solution de (2), nous l’admettrons ici (des éléments de preuve
sont donnés au paragraphe 4). Le comportement de la dynamique rapide étant établi, la concentration dans le lac obéit
On a tout d’abord le système rapide du bioréacteur : alors à l’équation (dite lente) suivante :
 ′
x (s) = µ x(s)y(s) −Qx(s), (5) z ′ (t ) = Qε y ∞ − z(t ) ,
¡ ¢




 ′
y (s) = −µ x(s)y(s) +Q ζ − y(s) ,
¡ ¢
où y ∞ = ϕ(Q) correspond à l’équilibre stationnaire du système (3), que nous venons d’étu-

(3)


 x(0) = x 0 > 0, dier.
On se fixe donc une concentration de polluant initiale dans le lac z(0) et un débit Q tel que

y(0) = ζ > 0.


ϕ(Q) < z(0). On peut alors montrer la proposition suivante :
Ici la concentration du lac z(t ), paramétrée par t , est considérée comme constante vis-à-vis
de la variable s, et est notée ζ. Proposition 1. La concentration en polluant t 7→ z(t ) vérifie les propriétés suivantes :
Le comportement en temps long de ce système fait apparaître deux régimes possibles, que — z est une fonction strictement décroissante du temps, et converge vers ϕ(Q) quand t →
l’on appelle le lessivage et la dépollution. ∞,

Page 2/6 Page 3/6

121 122
 — pour toute concentration cible Yob j ∈]ϕ(Q), z(0)[, le temps de dépollution nécessaire pour 3.2. Débit variable
abaisser la concentration de z(0) à z ob j est donné par la formule
Il semblerait, par exemple en analysant la figure 3, que l’on gagne à faire varier Q. Or, l’in-
1 dustriel a la possibilité de faire varier le débit de ses pompes au cours du temps. On souhaite
µ ¶
z(0) − ϕ(Q)
(6) Tob j (Q) = ln .
εQ z ob j − ϕ(Q) donc savoir quelle est la meilleure fonction t 7→ Q(t ), toujours dans le but d’abaisser au plus
vite la concentration en polluant sous un seuil fixé. On va tout d’abord raisonner en temps
discrets afin de trouver une approximation de la fonction du temps définissant le débit opti-
3. Optimisation du débit mal.
Soient donc z(0) > y ob j deux réels strictement positifs, et N ∈ N. On définit la suite de seuils
Plaçons-nous maintenant dans une problématique industrielle. Connaissant la concen- de pollution y i par
tration initiale de polluant dans un lac, on désire l’amener à une concentration critique, im-
posée par la réglementation en vigueur. L’objectif est de faire cette opération en un temps (8) y 0 = z(0),
minimum. Il s’agit donc d’un problème d’optimisation dont le paramètre est le débit Q. On (9) y i +1 = y i − ∆y, ∀0 ≤ i ≤ N − 1,
commence par considérer un débit indépendant du temps. z(0)−y ob j
avec ∆y = N
. Sur chacun des intervalles ]y i +1 , y i [, on peut effectuer une optimisation
à débit constant, comme nous l’avons vu plus haut, et obtenir un débit Q i∗ qui minimise le
3.1. Débit constant temps de dépollution de y i à y i +1 . On peut en fait montrer que
Soient y 0 et y 1 deux réels fixés, avec y 0 > y 1 > 0. On peut alors démontrer le théorème µ
(10) Q i∗ = y i + O(∆y).
suivant : 2
Cela permet donc à l’industriel de diminuer progressivement le débit de ses pompes afin
Théorème 2. Considérons le problème de dépollution (5) avec z(0) = y 0 et y ob j = y 1 . Alors il d’optimiser la dépollution.
existe un unique débit Q ∗ ∈]0, ϕ−1 (y 1 )[ tel que À vrai dire, on peut retrouver ce résultat en observant simplement que y ∞ = z/2 est le
(7) Tob j (Q ∗ ) = min
©
Tob j (Q) .
ª meilleur choix de la concentration du bioréacteur pour faire baisser au plus vite la concen-
Q∈]0,ϕ−1 (y 1 )[ tration du lac. On obtient alors un débit qui dépend du temps, Q ∗ (t ) = ϕ−1 (z(t )/2), qui doit
toujours être la moitié du débit critique. Le problème de Cauchy issu de (5) avec un tel dé-
La figure 3 illustre l’optimalité d’un tel choix.
bit admet alors une unique solution maximale, que l’on illustre par une dernière simulation
1 dans la figure 4.
Q=0.02
Q=0.04
0.9 Q=Q*
1
Q=Q*
Q=Q*(t)
0.8 0.9
Concentration de polluant dans le lac

0.7 0.8

Concentration de polluant dans le lac

0.7
0.6

Concentration reglementaire 0.6

0.5

0.5
0.4

0.4
0.3
0.3

0.2
0.2

0.1
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 0.1
Temps Concentration reglementaire

0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
F IGURE 3. Quelques exemples d’évolution de la concentration du lac en fonc- Temps

tion du débit, avec un schéma d’Euler explicite, ∆t = 1, avec µ = 1, ε = 0.01,

F IGURE 4. Comparaison des stratégies à débit optimal constant ou variable,
z(0) = 1 et y ob j = 0.5.
avec un schéma d’Euler explicite, ∆t = 1, avec µ = 1, ε = 0.01, z(0) = 1 et y ob j =
0.1.

Page 4/6 Page 5/6

123 124
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Épreuve de modélisation et Calcul Scientifique
Finalement, en supposant que le processus industriel permette de mesurer de façon ins-
tantanée le taux de pollution de l’eau pompée, on en déduit une stratégie industrielle opti-
male. Résumé : Dans ce texte, nous introduisons un modèle simple d’optimisation de réseaux
d’antennes. Ce modèle fait apparaître naturellement des matrices ayant une structure
4. Justification de l’approximation « lent-rapide » particulière pour lesquelles différents algorithmes plus efficaces que les méthodes usuelles
peuvent être utilisés.
On va justifier l’approximation des solutions x, y du système (2) par les équations (3). L’ob-
Mots clefs : Algèbre linéaire. Méthodes itératives. Transformée de Fourier discrète.
tention de l’équation lente (5) est plus délicate et n’est pas discutée ici. Pour faire apparaître
la dépendance en le paramètre ε, on note (x ε , y ε , z ε ) les solutions de (2). Si les conditions
initiales satisfont x ε (0) = x 0 > 0, y ε (0) = y 0 > 0 et z ε (0) = z 0 > 0, on peut montrer que les
fonctions x ε , y ε , z ε restent strictement positives au cours du temps. Les identités ◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. Vous êtes
(εy ε + z ε )′ = −εµx ε y ε < 0, (x ε + y ε )′ = −Qx ε +Qz ε −Q y ε ≤ Qz ε laissé(e) libre d’organiser votre discussion comme vous l’entendez. Des suggestions de
développement, largement indépendantes les unes des autres, vous sont proposées en fin
montrent que x ε , y ε , z ε sont bornées sur tout compact indépendamment de ε. Il en est donc
de texte. Vous n’êtes pas tenu(e) de les suivre. Il vous est conseillé de mettre en lumière
de même de leurs dérivées. À l’aide du théorème d’Ascoli, on peut donc extraire des suites
vos connaissances à partir du fil conducteur constitué par le texte. Le jury appréciera
(x εn ), (y εn ) et (z εn ) qui convergent uniformément sur tout compact vers des fonctions notées
que la discussion soit accompagnée d’exemples traités sur ordinateur.
x, y, z. Pour conclure, il suffit de remarquer que nécessairement z ′ = 0. Le passage à la limite
dans les deux premières équations fournit alors le résultat.

Suggestions pour le développement

◮ Soulignons qu’il s’agit d’un menu à la carte et que vous pouvez choisir d’étudier certains
points, pas tous, pas nécessairement dans l’ordre, et de façon plus ou moins fouillée.
Vous pouvez aussi vous poser d’autres questions que celles indiquées plus bas. Il est très 1. Le modèle d’antennes
vivement souhaité que vos investigations comportent une partie traitée sur ordinateur
et, si possible, des représentations graphiques de vos résultats. Nous nous intéressons ici à un modèle simple de réseau et d’antennes. Une antenne est
— Argumenter la dérivation du modèle présentée succintement dans le texte. un dispositif émetteur d’ondes électromagnétiques. On appelle puissance nominale de l’an-
— Justifier le théorème 1 dans le cas Q > QC (on pourra s’aider d’un portrait de phase). tenne la valeur x de la puissance émise par l’antenne au point où elle se trouve. La puissance
— Illustrer la dénomination « lent-rapide » avec des simulations numériques. reçue par un récepteur situé à une distance r de l’antenne est alors donnée par xV (r ) où
— Établir la preuve de la proposition 1. V (r ) est une fonction normalisée (i.e. V (0) = 1) qui mesure la perte de puissance du signal
— Proposer une méthode numérique qui permette de déterminer, en fonction des concen- en fonction de la distance. On supposera dans la suite qu’en première approximation cette
trations initiale et cible, le débit constant optimal évoqué dans le théorème 2. perte de signal est bien décrite en prenant V (r ) = ³1 ´2 , où r 0 > 0 est une distance caracté-
r
1+
— Justifier et commenter le processus industriel optimal évoqué dans le paragraphe 3. r0
ristique du modèle.
— Détailler les arguments donnés dans le paragraphe 4.
Dans le modèle unidimensionnel de réseau que nous proposons d’étudier, nous suppo-
sons que n antennes comme ci-dessus sont situées sur une droite et que deux antennes suc-
cessives sont distantes d’une longueur d donnée et fixée. Les positions des antennes sont
repérées par les abscisses a i = i d pour i ∈ {1, . . . , n}.
Si on note x i la puissance nominale de l’antenne numéro i , la puissance effective reçue
par un récepteur situé à la position s ∈ R est donnée par
n
X
(1) Π(s) = x i V (|s − a i |).
i =1

Page 6/6 Page 1/6

125 126
 On s’intéresse plus particulièrement à la puissance effective du signal aux pieds des an- Notons que le vecteur t n’est autre que la première colonne de la matrice T .
tennes. Ainsi, pour un vecteur x = (x i )1≤i ≤n des puissances nominales donné, le vecteur
π = (πi )1≤i ≤n des puissances effectives au pied de chaque antenne est donné par
n
2.2. Solveur direct
X xj
(2) πi = Π(a i ) = .
d2
j =1 1 + 2 |i − j |
2 On présente ici une méthode directe en deux étapes pour résoudre un système linéaire
r 0 dont la matrice T est Toeplitz symétrique définie positive. Pour tout k ∈ {1, . . . , n}, on note
Tk la matrice carrée de taille k obtenue en conservant seulement les k premières lignes et k
2. Le problème du réseau complet premières colonnes de T . On note S k l’opérateur d’inversion des indices pour les vecteurs
de Rk défini par
2.1. Position du problème
(6) ∀y ∈ Rk , ∀i ∈ {1, . . . , k}, (S k y)i = y k+1−i .
On souhaite maintenant déterminer les valeurs que l’on doit donner aux puissances no-
minales x = (x i )1≤i ≤n des différentes antennes pour que les puissances effectives (πi )1≤i ≤n • Etape 1 : On construit une famille de vecteurs f k de taille k pour tout k = 1, . . . , n de la
au pied des antennes soient toutes égales à la même valeur, que l’on prendra égale à 1 pour façon suivante : ³ ´
fixer les idées. — On pose f 1 = t10 ∈ R.
On note donc π = t (1, . . . , 1), et on cherche un vecteur de réels positifs x ∈ Rn tel que — Pour k = 2, . . . , n, on détermine αk , βk ∈ R tels que
 
1 V (d ) V (2d ) . . . V ((n − 1)d )      
0
. . 0

 V (d ) 1 V (d ) .. .. 
 S k−1 f k−1   .. 
. 
  
le vecteur f k = αk   f k−1  vérifie Tk f k = 
 + βk  .

...
 
.. .. ..

(3) π = Ax, avec A= .
 
. . . V (2d )
   0 
.. 0
 
 . .. . ..  1
 . 1 V (d ) 
V ((n − 1)d ) · · · ··· V (d ) 1 • Etape 2 : Soit à résoudre T x = b. On construit une famille de vecteurs x k de taille k
Pour tout γ > 0, on pose f (γ) = ∞
P 1
. On note γ et γ les uniques réels positifs tels pour tout k = 1, . . . , n vérifiant Tk x k = t (b 1 , . . . , b k ). Pour cela on effectue la récurrence
m=1 1+γ m 2 2 0 1
suivante :
que f (γ0 ) = 12 et f (γ1 ) = 41 .
³ ´
— On pose x 1 = bt01 .
Théorème 1. Si rd0 > γ0 , alors la matrice A ∈ M n (R) est définie positive pour toute valeur de n — Pour tout k = 2, . . . , n, on cherche x k sous la forme
et dans ce cas, l’unique solution x de (3) vérifie  
1  x k−1 
(4) sup |x i | ≤ . (7) xk =   + θk f k ,
1≤i ≤n 1 − 2 f ( rd0 )  
0
d
Théorème 2. Si r0 ≥ γ1 , alors l’unique solution x de (3) est positive. Plus précisément, on a :
où θk ∈ R est déterminé pour que l’équation Tk x k = t (b 1 , . . . , b k ) soit vérifiée.
1 − 4 f ( rd0 ) Cet algorithme nécessite O(n 2 ) opérations, il est donc plus rapide que la méthode du pivot
(5) inf x i ≥ . de Gauss pour des grandes valeurs de n.
1≤i ≤n 1 − 2 f ( rd0 )
Sous de bonnes hypothèses, le problème (3) admet donc une unique solution positive.
Si on utilise la méthode LU (ou pivot de Gauss) pour résoudre ce problème, cela va coûter 3. Le problème du réseau partiel
O(n 3 ) opérations, ce qui n’est pas très raisonnable pour n grand. On se propose de trouver
des algorithmes efficaces qui utiliseront la structure particulière de la matrice. 3.1. Position du problème
Définition 1. Une matrice T carrée d’ordre n à coefficients réels sera dite de Toeplitz symé- On s’intéresse à la situation dans laquelle un certain nombre d’antennes du réseau sont
trique si et seulement s’il existe un vecteur de Rn noté t = (t k )k∈{0,...,n−1} tel que en panne. On notera I l’ensemble des indices i ∈ {1, . . . , n} correspondant aux antennes qui
pour tout (i , j ) dans {1, . . . , n}2 tel | j − i | = k, on a Ti , j = t k . fonctionnent et P la matrice de projection sur cet ensemble I (i.e. p i j = 1 si i = j ∈ I et p i j = 0

Page 2/6 Page 3/6

127 128
 sinon). On souhaiterait donc résoudre l’équation (3) sous la contrainte P x = x, ce qui n’est 3.3. Produit matrice/vecteur pour une matrice Toeplitz
bien sûr pas possible en général.
Dans le but d’obtenir une méthode moins coûteuse, nous allons voir comment utiliser
Il nous faut donc relaxer le problème. Nous proposons deux façons de le faire.
la structure Toeplitz symétrique des matrices qui nous occupent ici pour effectuer le calcul
• Première approche : On demande que la puissance effective soit exactement égale à 1
d’un produit matrice/vecteur en O(n log n) opérations.
uniquement au pied des antennes qui fonctionnent. On se propose donc de résoudre
( Pour ce faire, on commence par remarquer que toute matrice Toeplitz symétrique T peut
P AP x = P π, être plongée dans une matrice circulante symétrique de taille 2n (notée C (T )) comme dans
(8)
avec P x = x. l’exemple suivant : Soit t = t (t 0 , t 1 , t 2 ) et T la matrice de Toeplitz engendrée par t , alors
t0 t1 t2 0 t2 t1
 
• Seconde approche : On essaie de faire en sorte que les puissances effectives au pied
de toutes les antennes soient en moyenne les plus proches de 1. Par exemple, on peut t 1 t 0 t 1 t 2 0 t 2 
  µ ¶
chercher un vecteur x qui réalise le problème d’optimisation suivant t 2 t 1 t 0 t 1 t 2 0  T D
(11) C (T ) = 
 0 t 2 t 1 t 0 t 1 t 2  = D T , D ∈ Mn (R).

(9) inf kAx − πk22 ,  
x∈Rn , P x=x t 2 0 t 2 t 1 t 0 t 1 
où k · k2 est la norme euclidienne usuelle de Rn . On vérifie que ceci revient à chercher t1 t2 0 t2 t1 t0
l’unique solution du problème linéaire suivant µ ¶
y
( Un produit matrice/vecteur T y peut s’obtenir en calculant le produit C (T ) et en ne conser-
P t A AP x = P t Aπ, 0
(10) vant que les n premières coordonnées. Introduisons la matrice F m de la transformée de
avec P x = x.
Fourier discrète, définie par
p
3.2. Solveur itératif (12) ∀i , j ∈ {1, . . . , m},
2π
Fimj = e m −1(i −1)( j −1)
.
Dans le cadre du réseau partiel, les matrices qui interviennent sont P AP ou P t A AP qui,
Théorème 4. Soit C une matrice symétrique circulante de taille m dont on note c ∈ Rm le
malheureusement, n’ont plus la structure Toeplitz symétrique de la matrice A. On ne peut
premier vecteur colonne. On a
donc pas utiliser de façon immédiate le solveur direct proposé dans le paragraphe 2.2. ¢−1
C = F m diag(F m c) F m
¡
Pour résoudre un problème du type P M P x = P b avec P x = x où M est une matrice symé- (13) ,
trique définie positive et P la projection définie plus haut, on propose d’utiliser une version où, pour v ∈ Rm , diag(v) désigne la matrice diagonale dont la diagonale est donnée par v.
adaptée de l’algorithme du gradient conjugué qui s’écrit
Ainsi, pour calculer le produit matrice/vecteur de C par un vecteur de Rm , on est ramené à
— Initialisation : Choisir x 0 tel que P x 0 = x 0 . Calculer ρ 0 = P b − P M P x 0 . Poser g 0 = ρ 0 . calculer des produits matrice/vecteur pour la matrice F m et son inverse ainsi que le produit
— Pour k = 0, . . . , faire : par une matrice diagonale. Or l’algorithme de Transformation de Fourier Rapide (ou FFT)
permet de calculer de tels produits en O(m log m) opérations.
〈ρ k , ρ k 〉
αk = , x k+1 = x k + αk g k , ρ k+1 = ρ k − αk P M P g k ,
〈P M P g k , g k 〉 n 200 500 1000 2000
〈ρ k+1 , ρ k+1 〉 calcul direct 0.13 2 20.49 164.6
βk = , g k+1 = ρ k+1 + βk g k .
〈ρ k , ρ k 〉 calcul rapide 0.03 0.13 0.5 2.21
On possède alors le théorème de convergence suivant : TABLE 1. Temps de calcul (en secondes) de n produits matrice/vecteur
Théorème 3. L’algorithme proposé converge en au plus n itérations vers l’unique solution de
P M P x = P b, P x = x.
En conclusion, on peut mettre en place une version de l’algorithme du gradient conjugué
Chaque itération de l’algorithme nécessite un certain nombre de calculs de produits sca- pour résoudre les problèmes (8) ou (10) qui coûte, au pire, O(n 2 log n) opérations. De plus, la
laires mais surtout un calcul d’un produit matrice/vecteur de la forme M y. Dans le cadre mise en place de cet algorithme ne nécessite pas la construction explicite (et donc le stockage
qui nous intéresse, la matrice M (égale à A ou t A A) est pleine et le calcul d’un tel produit en mémoire) de la matrice T . Le tableau 1 donne une idée des temps de calculs obtenus (sur
matrice/vecteur coûte donc a priori O(n 2 ) opérations. un ordinateur personnel) en effectuant, pour différentes valeurs de n, le calcul de n produits
Au final, le solveur itératif proposé va coûter, au pire, O(n 3 ) opérations. matrice/vecteur pour une matrice Toeplitz de taille n.

Page 4/6 Page 5/6

129 130
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Épreuve de modélisation et Calcul Scientifique

2023
Résolution de numérique de systèmes linéaires par chaı̂nes de Markov
1.4 1.4

1.2 1.2

1.0 1.0

Le jury n’exige pas une compréhension exhaustive du texte. Vous êtes libres d’orga-
Puissance effective

Puissance effective
0.8 0.8

0.6 0.6
niser votre discussion comme vous l’entendez. Des suggestions de développement, lar-
0.4 0.4
gement indépendantes les unes des autres, vous sont proposées en fin de texte. Ce ne
0.2 0.2 sont que des suggestions et vous n’êtes pas tenu(e) de les suivre. Il vous est conseillé de
0.0 0.0 mettre en lumière vos connaissances à partir du fil conducteur constitué par le texte.
−0.2
0 2 4 6 8 10 12 14 16 18 20
−0.2
0 2 4 6 8 10 12 14 16 18 20 Le jury appréciera que la discussion soit accompagnée d’exemples traités sur ordinateur.
Numéro de l’antenne Numéro de l’antenne

F IGURE 1. Résultats pour la première approche (à gauche) et la seconde (à droite) I. Résolution d’un système d’équations linéaires par chaı̂nes de Markov

4. Exemple numérique Considérons un système d’équations linéaires Ax = b pour lequel on souhaite calculer
une estimation de la solution par une méthode aléatoire utilisant les chaı̂nes de Markov.
On considère ici le cas d’un réseau de 20 antennes avec d = r 0 . On se place dans le cas du On suppose que le système est complexe au point que les méthodes déterministes sont
réseau partiel où les antennes numéros 7, 8, 15, 16, 17, 18 sont en panne. Les résultats obte- très couteuses en espace et en temps. Ici on parle de la complexité dont les sources
nus par les deux approches (8) et (10) sont montrés dans la figure 1. Les point symbolisés peuvent êtres la grande dimension de l’espace de travail et/ou la raideur de la matrice
par  représentent les puissances nominales des antennes calculées en résolvant le système (i.e. des coefficients trop faibles par rapport à d’autres).
linéaire. La courbe en trait continu donne la répartition de la puissance effective au pied de Dans le système Ax = b, A = (Aij )1≤i,j≤r est une matrice réelle et carrée d’ordre r,
chacune des antennes pour ces valeurs des puissances nominales. x = (x1 , . . . , xr ) et b = (b1 , . . . , br ) sont des vecteurs de IRr . Pour simplifier on adopte
la notation horizontale (ligne) aussi bien pour les vecteurs que pour leurs tranposées (le
Suggestions pour le développement contexte fera la différence entre ligne et colonne).
En réecrit le système sous la forme x = Bx + b et on suppose que
◮ Soulignons qu’il s’agit d’un menu à la carte et que vous pouvez choisir d’étudier certains
r
points, pas tous, pas nécessairement dans l’ordre, et de façon plus ou moins fouillée. X
Vous pouvez aussi vous poser d’autres questions que celles indiquées plus bas. Il est très
max |Bij | < 1 avec B = (Bij )1≤i,j≤r .
1≤i≤r
j=1
vivement souhaité que vos investigations comportent une partie traitée sur ordinateur
et, si possible, des représentations graphiques de vos résultats.
Maintenant à partir de cette dernière écriture, on propose l’équation récurssive suivante
— Démontrer tout ou partie des théorèmes énoncés dans le texte.
— Discuter l’algorithme de la section 2.2 (calcul de αk , βk , θk , coût de calcul, stockage, x(k+1) = Bx(k) + b, k = 0, 1, . . . ,
. . . ) et montrer qu’il fournit bien le résultat annoncé.
— Montrer que les problèmes (8) et (10) ont une unique solution. Montrer que le pro- avec x(0) = 0 et B 0 = I (identité de IRr ).
blème (10) est bien équivalent au problème d’optimisation (9). Nous avons
— Comment pourrait-on affecter des poids plus grands à certaines antennes (jugées plus lim x(k) = x (x solution du système Ax = b)
importantes que les autres) dans le problème de minimisation (9) ? k−→+∞

— Discuter la validité de l’algorithme de type gradient conjugué proposé dans le texte. La j composante de x(k+1) est donnée par
ième
— Détailler les calculs de la section 3.3 et tester numériquement la méthode proposée.
(k+1)
X X X
On pourra utiliser les routines de transformée de Fourier rapide disponibles dans les xj = bj + Bji1 bi1 + Bji1 Bi1 i2 bi2 + · · · + Bji1 Bi1 i2 · · · Bik−1 ii bik
logiciels de calcul à votre disposition. 1≤i1 ≤r 1≤i1 ,i2 ≤r 1≤i1 ,i2 ,...,ik ≤r
— Vérifier les résultats de la figure 1 dans le cadre de l’exemple proposé. On pourra utiliser (1)
les algorithmes du texte ou, à défaut, les fonctionnalités des logiciels à votre disposi- Considérons maintenant une chaı̂ne de Markov arbitraire X = {Xn ; n ∈ IN }, d’espace
tion. d’état E = {1, . . . , r} et de matrice de transition K = (Kij )i,j∈E telle que

(H1) Kij > 0 si Bij > 0,

Page 6/6
1

131 132
 et de loi initiale µ = (µi )i∈E . Etape 3. Calcul d’une estimation de IE(Yk (h)) = hh, x(k+1) i :
Considérons le problème d’estimation du produit scalaire hh, x(k+1) i avec h ∈ IRr un vec-
N
teur de paramètres. Suppons maintenant que l’on dispose d’une trajectoire X0 , X1 , . . . , Xk 1 X (s)
y (h)
de la chaı̂ne X et définissons la variable aléatoire Wm par N s=1 k
BX0 X1 BX1 X2 · · · BXm−1 Xm
Wm = , II- Un rappel sur les chaı̂nes de Markov à temps discret
KX0 X1 KX1 X2 · · · KXm−1 Xm
Soit (Ω, F, IP ) un espace probabilisé dans lequel sont définies toutes les variables aléatoires
qui peut s’écrire récurssivement considérées dans la modélisation proposée.
Soit le processus X = (Xn )n≥0 défini par une suite de variables aléatoires à valeurs dans
BXm−1 Xm un ensemble fini E appelé espace d’état, et soit µ = (µ(i))i∈E une loi de probabilités
Wm = Wm−1 , W0 = 1.
KXm−1 Xm sur E. Pour i ∈ E, la notation Xn = i signifie que le processus X est dans l’état i à
l’instant n.
On définit aussi la variable aléatoire
k II.1 Définition 1. On dit que le processus X = (Xn )n≥0 est une chaı̂ne de Markov
hX0 X
Yk (h) = Wm bi m à temps discret (n ∈ IN ), à espace d’état E et de loi initiale µ si et seulement si
µX0 m=0
∀ n ≥ 0, ∀ i, i0 , . . . , in−1 , j ∈ E,
Le résultat principal de cette modélisation est donné par la proposition suivante :
IP (Xn+1 = j/X0 = i0 , . . . , Xn−1 = in−1 , Xn = i) = IP (Xn+1 = j/Xn = i)
Proposition
k
X IP (X0 = i) = µ(i)
IE(Yk (h)) = hh, B m bi = hh, x(k+1) i (2)
m=1
La probabilité IP (Xn+1 = j/Xn = i) est appelée probabilité de transition, de la chaı̂ne
Cela signigie que Yk (h) est un estimateur (appelé estimateur sans biais) de hh, x(k+1) i. X, de l’état i à l’état j entre les instants n et n + 1.
Une réalisation de la variable aléatoire Yk (h) constitue donc une estimation de notre
produit scalaire hh, x(k+1) i et en chosissant h = (h1 , . . . , hr ) tel que hi = δj (i) (symbole II.2 Définition 2. La chaı̂ne de Markov X est dite homogène dans le temps si et seule-
(k+1)
de kroneker), on déduit une estimation de xj . ment si la probabilité IP (Xn+1 = j/Xn = j) est indépendante du temps n. Dans ce cas on
Remarque : Nous aurons besoin d’ajouter une hypothèse sur la loi initiale µ qui est : la note K(i, j) := IP (Xn+1 = j/Xn = j), et la matrice ainsi obtenue K = (K(i, j))i,j∈E
est appelée matrice de transition de la chaı̂ne de Markov homogène X.
(H2) µi > 0 si hi 6= 0.
II.3 Remarque 1. Une chaı̂ne de Markov à temps discret et homogène X est ca-
(k+1)
Algorithme d’estimation de xj ractérisée par le triplet (E, µ, K), où E est son espace d’état, µ = (µ(i))i∈E est sa loi
Etape 0. Choix de la composante j et d’un entier k reltivement grand initiale, µ(i) = IP (X0 = i), et K = (K(i, j))i,j∈E est sa matrice de transition.
Choix de µ1 , . . . , µr et de K = (Kij )1≤i,j≤r satisfaisant (H1) et (H2).
Etape 1. Génération de N trajectoires, de la chaı̂ne X, indépendantes et de même II.4 Remarque 2. Pour tout état i fixé dans E, {K(i, j), j ∈ E} est une loi de
(s) (s) (s)
longueur k + 1 : i0 , i1 , . . . , ik , s = 1, 2, . . . , N probabilité sur E. Les lignes de la matrice de transitions sont donc des lois de probabi-
Etape 2. Calcul des N réalisations de la variable Yk (h) : lité sur E.

(s)
hi(s) X
k
II.5 Notations. On note X ∼ (E, µ, K) pour désigner une chaı̂ne de Markov X =
yk (h) = 0
Wm(s) bim
(s) , s = 1, 2, . . . , N
(s)
µi 0 (Xn )n≥0 à temps discret, à espace d’état E, de loi initiale µ = (µ(i))i∈E , et de matrice
m=0
de transition K = (K(i, j))i,j∈E .
Bi(s) i(s) Bi(s) i(s) · · · Bi(s) (s)
m−1 im
où Wm(s) = 0 1 1 2
II.6 Graphe de transition. Le graphe de transition d’une chaı̂ne de Markov X ∼
Ki(s) i(s) Ki(s) i(s) · · · Ki(s) (s)
0 1 1 2 m−1 im (E, µ, K) est un graphe orienté et évalué, dont les sommets sont les états (éléments de
E) et les arcs sont des flèches dont les valeurs sont les coéfficients de la matrice K (la

2 3

133 134
 II.13 Théorème 1. Si X ∼ (E, µ, K) est une chaı̂ne de Markov homogène et irréductible
avec E fini, alors il existe une loi stationnaire π = (π(i))i∈E unique de X.

valeur de l’arc qui se dirige de l’état i vers l’état j est K(i, j)). Les arcs de valeurs nulles II.14 Génération d’une trajectoire d’une chaı̂ne de Markov
ne sont pas dessinés. Soit X ∼ (E, µ, K) une chaı̂ne de Markov homogène. Une procédure de génération d’une
trajectoire x = (x0 , x1 , . . . , xp ), de longueur p + 1, de la chaı̂ne X est la suivante :
II.7 Définition 3. On dit qu’une chaı̂ne de Markov X ∼ (E, µ, K) est irréductible
si et seulement si on commence par générer la réalisation x0 selon la loi de probabilité initiale µ définie
∀ i, j ∈ E, ∃m ∈ IN ∗ K (m) (i, j) > 0 sur E, puis à partir de x0 , on génère de manière récurssive pour k = 1, . . . , p, chaque
réalisation xk par la loi de probabilité K(xk−1 , .) définie sur E.
où K (m) (i, j) est l’entrée (i, j) de la matrice K m . Cela représente la probabilité de passer
de l’état i à l’état j en m transitions. II.14.1 Génération selon une loi de probabilité discrète.
Nous avons donc pour tout i, j ∈ E, Pour une variable aléatoire réelle discrète Y à valeurs dans E = {yk ; k = 1, 2, . . .} de
X loi de probabilités discrète pk = IP (Y = yk ), k = 1, 2, . . ., on génère une réalisation y
K (m) (i, j) = K(i, i1 )K(i1 , i2 ) · · · K(im−1 , j) (3)
de Y , en utilisant un nombre uniforme u ∈]0, 1[, donnée par un générateur de nombres
i1 ,...,im−1 ∈E
aléatoires (random), de la façon suivante :
II.8 Proposition 1. Soit une chaı̂ne de Markov homogène X ∼ (E, µ, K).

 Si u ≤ p1
 on décide y = y1
Alors ∀ n ≥ 0, ∀ i0 , i1 , . . . , in ∈ E k−1 k
!
X X

 Sinon on décide y = y k telle que p i < u ≤ p i
IP (X0 = i0 , X1 = i1 , . . . , Xn = in ) = µ(i0 )K(i0 , i1 )K(i1 , i2 ) · · · K(in−1 , in ) i=1 i=1

III- Suggestions de développement

II.9 Proposition 2. Soit une chaı̂ne de Markov homogène X ∼ (E, µ, K). Alors Ce paragraphe ne contient qu’un petit nombre de suggestions. Vous pouvez choisir
d’étudier certains points seulement, de façon plus ou moins approfondie, et pas nécessairement
dans l’ordre. Vous pouvez aussi vous poser d’autres questions que celles indiquées ci des-
X
∀ m > 0, IP (Xm = j) = µ(i)K (m) (i, j), ∀j ∈ E
i∈E sous. Il est vivement souhaité que vos investigations comportent une partie traitée sur
ordinateur et, si possible, des représentations graphiques.
II.10 Proposition 3. Soit une chaı̂ne de Markov homogène X ∼ (E, µ, K). Alors
III.1 Aspect mathématique
∀ n ≥ 0, ∀ m > 0, ∀ i, j ∈ E, IP (Xn+m = j/Xn = i) = IP (Xm = j/X0 = i) = K (m) (i, j) 1.) Retrouvez l’expression (1)
2.) Justifiez l’importance de chacune des hypothèses (H1) et (H2).
3.) Proposez une preuve pour la proposition donnant le résultat principal (2).
II.11 Proposition 4. Soit une chaı̂ne de Markov homogène X ∼ (E, µ, K). Nous avons
alors les équations de Chapman-Kolmogorov suivantes : III.2 Aspect enseignement
X 1.) Expliquer des difficultés éventuelles que peut rencontrer cette modélisation.
∀m ≥ 2 , ∀ 0 < r < m , ∀ i, j ∈ E, K (m) (i, j) = K (m−r) (i, k)K (r) (k, j) 2.) Expliquer les problèmes qui peuvent provenir de la raideur de la matrice (présence
k∈E de coefficients très petits par rapport à d’autres qui sont très grands).
3.) Dans le cadre d’approximation de solutions de systèmes linéaires, expliquer quand
II.12 Définition 4 (loi stationnaire ou invariante). Soit une chaı̂ne de Markov est ce qu’une méthode aléatoire peut devenir compétitive par rapport à une
homogène X ∼ (E, µ, K). On dit qu’une loi de probabilité, π = (π(i))i∈E sur E, est une méthode déterministe.
loi stationnaire de X (ou loi invariante par K) si et seulement si
X III.3 Aspect modélisation, calcul numérique et algorithmique
π(i)K(i, j) = π(j), ∀ j ∈ E (4) (k+1)
1.) Implémenter l’algorithme d’estimation de xj
i∈E
2.) Faites tourner l’algorithme sur un ou deux exemples et afficher les graphes
(k+1)
Les équations (4) sont appelées équations de balance ou d’équilibre. Elles peuvent d’évolution de l’estimation de xj en fonction des itérations k (on peut
être réécrites matriciellement sous la forme prendre par exemple k = 5, 10, 15, 20, 25, 30) pour différentes composantes j
(examiner par exemple les trois premières composantes x1 , x2 , x3 ) .
πtK = πt (π t désigne la transposée du vecteur colonne π) 3.) Reprendre cette étude de simulation pour d’autres exemples en faisant varier r.

4
5
135 136
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Épreuve de modélisation et Calcul Scientifique
C’est ce qu’on appelle un « problème de contrôle ». Pour étudier ce problème, nous allons
Résumé : On s’intéresse au problème consistant à amener la solution d’un problème réécrire le système dynamique (1) en fonction de y := x 2 . Nous obtenons :
d’évolution d’un état initial donné à un état final désiré par la construction d’un terme de m 2 ′′ m 1 m 2 (4)
(4) x1 = y + y, x 2 = y, u= y + (m 1 + m 2 )y ′′ .
« contrôle » adéquat. On étudiera cette question dans le cadre d’un système différentiel k k
d’origine mécanique et pour une équation aux dérivées partielles décrivant le transfert de Pour calculer u de façon à satisfaire les conditions (2) et (3), il suffit donc de trouver y :
chaleur. [0, T ] → R tel que
 m
Mots clefs : Interpolation. Équations différentielles. Équation de la chaleur. Développement 
 k
y (s) + y(s) = x 1s ,
2 ′′

en série entière.  m2 y (3) (s) + y ′ (s) = v s ,



k 1
(5) pour s = 0 et s = T,


 y(s) = x 2s ,
y ′ (s) = v s ,


2
◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. Il vous
est conseillé de construire un exposé évitant la paraphrase et mettant en lumière vos ce qui revient à chercher une fonction régulière telle que les conditions (5) soient satisfaites.
connaissances, à partir des éléments du texte. Vous êtes libre d’organiser votre discussion Nous sommes donc ramenés à un problème d’interpolation. En général, il existe de nom-
comme vous l’entendez. Des pistes de réflexion, largement indépendantes les unes des breuses fonctions qui vérifient ces conditions. Un exemple est fourni par l’énoncé suivant.
autres, vous sont proposées en fin de texte; vous n’êtes pas tenu de les suivre. Le propos Proposition 1. Si m 1 = m 2 = T = k = 1, alors pour tout (x 10 , v 10 , x 20 , v 20 , x 1T , v 1T , x 2T , v 2T ) dans R8 , il
devra être illustré par des traitements ou des simulations numériques sur ordinateur, existe une unique fonction polynomiale y de degré inférieur ou égal à 7 telle que les conditions
ou, à défaut, des propositions de telles illustrations. Le jury souhaiterait que le plan de (5) soient satisfaites.
la présentation soit annoncé au début de l’exposé.
Une fois qu’on a déterminé la fonction y, on cherche ensuite à calculer la force u qu’il
convient d’appliquer au système pour que la solution (x 1 , x 2 ) de (1) satisfasse (2) et (3). Pour
cela, il suffit d’utiliser (4) et de calculer, pour t ∈ [0, T ],
m 1 m 2 (4)
(6) u(t ) = y (t ) + (m 1 + m 2 )y ′′ (t ) .
k
1. Deux masses et un ressort On peut interpréter la force u comme un contrôle qu’il faut appliquer au système (1) pour
passer d’un état initial à un état final prescrits. Bien sûr, avec les hypothèses de la proposi-
Étudions le système mécanique à deux degrés de liberté représenté à la figure 1 : deux tion 1, il existe d’autres fonctions que les fonctions polynomiales de degré inférieur ou égal
masses m 1 et m 2 sont en translation sur un axe et sont reliées par un ressort de raideur k et à 7 qui vérifient (5).
de longueur à vide nulle, une force extérieure u agit sur la première masse. Nous obtenons
donc le système dynamique suivant :
u
m1 m2
2. Phénomène de diffusion
m 1 x 1′′
(
= k(x 2 − x 1 ) + u,
(1) x1 k x2 Nous allons essayer de suivre une démarche similaire dans le cadre d’équations aux déri-
m 2 x 2′′ = k(x 1 − x 2 ). vées partielles. Nous considérons un phénomène de diffusion de la chaleur dans un tube de
F IGURE 1. Système masse-ressort.
longueur 1. On néglige tout effet de propagation dans les directions transverses, et on note
Soient un temps T > 0, un quadruplet de positions/vitesses initiales (x 10 , v 10 , x 20 , v 20 ) et un qua- S(t , x) la température au point d’abscisse x au temps t . On a
druplet de positions/vitesses finales (x 1T , v 1T , x 2T , v 2T ). Nous souhaitons calculer une force u à ∂S ∂2 S
appliquer pour que la solution de (1) avec condition initiale (7) (t , x) = 2 (t , x) pour t > 0, x ∈]0, 1[.
∂t ∂x
(2) x 1 (0) = x 10 , x 1′ (0) = v 10 , x 2 (0) = x 20 , x 2′ (0) = v 20 , Les unités de travail sont telles que la diffusion thermique vaut 1 ; les conditions aux bords
sont
satisfasse au temps T la condition finale
∂S ∂S
(3) x 1 (T ) = x 1T , x 1′ (T ) = v 1T , x 2 (T ) = x 2T , x 2′ (T ) = v 2T . (8) (t , x = 0) = 0, (t , x = 1) = u(t ) pour t > 0,
∂x ∂x

Page 1/6 Page 2/6

137 138
 où u désigne le flux de chaleur entrant dans le tube en x = 1. La température initiale vaut alors la solution de (7)–(8) associée à la condition initiale S(0, x) = P 0 (x) et au flux u(t ) =
Pn (i ) T
(9) S(0, x) = S (x) 0
pour x ∈ [0, 1] . i =1 y (t )/((2i − 1)!) satisfait S(T, x) = P (x). Nous verrons plus loin une méthode pratique
pour calculer P 0 et P T . Enfin, on peut montrer qu’avec ce même choix pour la fonction u, la
Pour tout u dans C 2 ([0, T ]) et S 0 dans C 2 ([0, 1]), on peut établir l’existence et l’unicité d’une solution de (7) avec les conditions aux bords (8) et la condition initiale S 0 est, au temps T ,
solution de (7) dans C 2 (]0, T ] × [0, 1]) vérifiant (8) et (9). proche de S T .

Nous souhaitons maintenant amener, en temps T > 0, la solution S de (7)–(8) d’une confi- Nous allons maintenant proposer une méthode pour résoudre le problème d’interpola-
guration initiale donnée S 0 : x ∈ [0, 1] 7→ S 0 (x), à une configuration cible S T : x ∈ [0, 1] 7→ tion (17). Étant donné σ > 0, nous pouvons définir la fonction « cloche »
S T (x), en choisissant convenablement le flux de chaleur u(t ) au bord x = 1. L’objectif de cette µ ¶
section est un calcul formel des solutions de (7)–(8), permettant de reformuler ce problème −1
(18) ϕσ (t ) = 0 si t 6∈]0, 1[, ϕσ (t ) = exp si t ∈]0, 1[,
de contrôle sous forme d’un problème d’interpolation, comme en section 1. La justification ((1 − t )t )σ
rigoureuse sera abordée en section 4, une fois discutée la résolution du problème d’interpo- ainsi que la fonction « plateau »
lation à la section 3.
0 si t ≤ 0,

On cherche, formellement, à exprimer la solution de (7) sous forme d’une série entière par 

rapport à x : 1 si t ≥ 1,

(19) Φσ (t ) = ³ Z1 ´−1 Zt
∞ xi ϕσ (τ)d τ ϕσ (τ)d τ si t ∈]0, 1[.
X 

(10) S(t , x) = a i (t ) .

0 0
i =0 i!
d ai
Les fonctions ϕ2 et Φ2 sont représentées sur la figure 2. Remarquons que la fonction plateau
On a alors la formule de récurrence a i +2 = dt
, ∀i ∈ N. Les conditions aux bords imposent Φσ est strictement croissante de la valeur 0 à la valeur 1, régulière et toutes ses dérivées sont
(11) a 2i +1 = 0 , ∀i ∈ N. nulles en t = 0 et en t = 1. Ainsi la fonction
En notant y(t ) = S(t , 0), nous obtenons un paramétrage de S et de u en fonction de y, n h ti ³ t (t − T )i t
µ ¶´ µ ¶i
p i0 + p iT
X
(20) y(t ) = 1 − Φσ Φσ (2i )!
∞ x 2i ∂S ∞ y (i ) (t ) i =0 i! T i! T
y (i ) (t )
X X
(12) S(t , x) = , u(t ) = (t , x = 1) = ,
i =0 (2i )! ∂x i =1 (2i − 1)! est solution du problème d’interpolation (17).
c’est pourquoi nous dirons que la variable y est la sortie de (7). Si S 0 et S T sont de la forme x 10
−7

1.4 1

∞ ∞ q2
0.9

S 0 (x) = q i0 x 2i , S T (x) = q iT x 2i ,
X X
(13)
1.2
0.8

1 0.7
i =0 i =0 0.6
0.8

alors le problème de contrôle se reformule comme un problème d’interpolation infini : 0.6

0.5

0.4

(i )
(14) y (0) = q i0 (2i )! et y (i )
(T ) = q iT (2i )! ,
0.3

∀i ∈ N. 0.4

0.2
0.2
0.1 \2
Nous allons proposer une approximation du problème qui fournit une solution ne satisfai- 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

sant les conditions initiale et finale qu’approximativement. Plus précisément, soient S 0 et S T

deux fonctions définies sur [0, 1] et de carré intégrable. Pour tout ε > 0, il existe deux poly- F IGURE 2. Fonctions ϕ2 (à gauche) et Φ2 (à droite).
nômes
n n
P 0 (x) = p i0 x 2i P T (x) = p iT x 2i ,
X X
(15) et
i =0 i =0
3. Mise en œuvre
tels que
(16) kS 0 − P 0 kL 2 (0,1) ≤ ε et kS T − P T kL 2 (0,1) ≤ ε. Revenons sur le problème du calcul de P 0 et P T et du contrôle u. En pratique, on peut
par exemple déterminer les polynômes P 0 et P T comme étant les projections orthogonales,
Si la fonction y résout le problème d’interpolation
au sens du produit scalaire L2 , de S 0 et S T respectivement, sur le sous-espace engendré par
(17) y (i ) (0) = p i0 (2i )! et y (i ) (T ) = p iT (2i )! , ∀i ∈ {0, . . . , n}, les fonctions 1, x 2 , . . . , x 2n . Les coefficients p 00 , . . . , p n0 , p 0T , . . . , p nT peuvent alors être obtenus

Page 3/6 Page 4/6

139 140
 1.6 0.018 1.01

1.4 0.016 1.008

comme solutions d’un système linéaire de la forme

1.2 0.014
1.006

1 0.012
1.004
Z1
1 0.8 0.01

x 2i S(x) dx,
1.002

(21) Ap = s, Ai j = , si = 0 ≤ i , j ≤ n. 0.6 0.008

2(i + j ) + 1 0 0.4 0.006

1

0.998
0.2 0.004

La figure 3 donne un exemple de telles approximations. L’approche naïve présentée ici peut 0 0.002 0.996

conduire à des difficultés pratiques sévères, liées au très mauvais conditionnement de la −0.2
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0.994
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

matrice A ainsi construite, et des approches plus sophistiquées doivent être exploitées.
F IGURE 4. Donnée initiale nulle, donnée finale S T (x) = 1, T = 5 : contrôle
2
S
0

n=2
1.4

1.3
ST
n=2
t 7→ u(t ) (à gauche), solution x 7→ S(t , x) à t = 1.66 et t = 3.33.
n=4 n=4
1.5
n=6 1.2 n=6

1.1
1
1 Notons que l’ensemble des fonctions de Gevrey est stable par multiplication par un réel,
0.5 0.9
produit, dérivation et primitive. Étant donné σ > 0, nous admettrons que la fonction « cloche »
0.8
0
0.7 ϕσ est Gevrey d’ordre 1 + 1/σ.
−0.5
0.6
Pour les fonctions de deux variables, on procède ainsi : une fonction infiniment dérivable
0.5

−1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0.4
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f : (t , x) ∈ [0, 1] × [0, T ] 7→ f (t , x) ∈ R × R est dite Gevrey d’ordre a en t et d’ordre b en x si
¯ k+n a b
f ¯ ≤ M (n!) (k!) .
¯
¯∂ ¯
e p −(x−0.5)2 /0.1 (23) ∃M , R, S > 0, ∀k, n ∈ N, sup (t , x)
F IGURE 3. Approximations de S 0 (x) = (à gauche) et S T (x) =
¯
¯ ∂x k ∂t n n
R S k
(t ,x)∈[0,1]×[0,T ]
¯
0.1π
e −(x−0.3) (à droite), avec n = 2 (pointillés), n = 4 (traits-pointillés), n = 6 (traits). On peut alors démontrer le résultat suivant :
Théorème 1. Si y est Gevrey d’ordre α ∈ [1, 2[, alors les séries (12) convergent simplement sur
Pour calculer la fonction de contrôle u en utilisant la méthode présentée à la section 2, on
[0, T ] × [0, 1] ; S est Gevrey d’ordre α en t , Gevrey d’ordre 1 en x et solution de (7)-(8).
est aussi confronté à la question du calcul des dérivées successives de la fonction y. On peut
chercher à obtenir des formules explicites et à exhiber des formules de récurrence, mais un
tel calcul se révèle vite fastidieux. On va donc plutôt essayer d’utiliser de nouvelles approxi-
mations à partir d’évaluations de y sur un ensemble discret de temps {t 0 = 0, t 1 = ∆t , . . . , t N =
Suggestions et pistes de réflexion
N ∆t = T }, qu’on note {y 0 , . . . , y N }. L’idée consiste à approcher y (i ) (t k ) en utilisant i + 1 de
y −y y +y −2y k ◮ Les pistes de réflexion suivantes ne sont qu’indicatives : vous n’êtes pas obligé de les
ces valeurs, choisies sur des instants voisins de t k . Par exemple k+12∆t k−1 et k+1 ∆tk−1 2 suivre. Vous pouvez choisir d’étudier certains des points proposés, de façon plus ou
fournissent des approximations de y ′ (t k ) et y ′′ (t k ) respectivement, qu’on peut déjà utiliser moins approfondie, mais aussi toute autre question à votre initiative. Vos investigations
lorsque le degré 2n des polynômes d’approximation reste inférieur à 4. Notons toutefois que comporteront une partie traitée sur ordinateur et, si possible, des représentations gra-
les points de bord n’ont pas de voisins à leur droite ou à leur gauche et qu’il faut y adapter phiques de vos résultats. À défaut, si vos traitements ou simulations numériques n’ont
ces formules. Finalement, le contrôle u étant ainsi construit, on peut valider la méthode en pas abouti, il est conseillé d’expliquer ce que vous auriez souhaité mettre en œuvre.
simulant numériquement le problème (7)–(9), par exemple à l’aide d’une méthode de diffé-
rences finies (voir figure 4). — Détailler les éléments de démonstration de la proposition 1.
— Calculer un polynôme u tel que la solution de (1) satisfasse les conditions initiale (2) et
finale (3) avec x 10 = 0, x 20 = 1, v 10 = 0, v 20 = 0, x 1T = 2, x 2T = 3, v 1T = 0, v 2T = 0 et T = 1.
4. Fonction de classe Gevrey — Justifier, en supposant qu’il existe une solution C ∞ de (7), l’approximation par les po-
lynômes pairs qui est utilisée dans la section 2.
L’objectif de ce paragraphe est de proposer une justification de l’approche formelle déve- — Commenter et mettre en œuvre la construction de la fonction y décrite aux sections 2
loppée en section 2. Nous allons voir qu’une condition suffisante de convergence pour les et 3.
séries (12) peut être donnée en terme d’ordre de Gevrey de la fonction y. — Simuler numériquement le problème (7)–(9) pour un flux u donné, puis pour le contrôle
Une fonction infiniment dérivable f : [0, T ] → R est dite Gevrey d’ordre a ∈ [1, +∞) si obtenu par la méthode interpolation.
¯ n
¯∂ f
¯
¯ (n!)a — Discuter comment pourraient être calculées les dérivées d’ordre supérieur de y.
(22) ∃M , R > 0, ∀n ∈ N, sup ¯¯ n (t )¯¯ ≤ M n .
t ∈[0,T ] ∂t R — Démontrer le théorème 1 en utilisant la formule de Stirling et l’inégalité (l +k)! ≤ 2l +k l ! k!
pour tout (l , k) ∈ N2 .
Page 5/6
Page 6/6

141 142
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Épreuve de modélisation et Calcul Scientifique
2. Un exemple d’application
Résumé : On s’intéresse dans ce texte à différentes méthodes d’approximation numérique On s’intéresse à la répartition de température dans une barre métallique de longueur L > 0
des solutions d’un problème de minimisation sous contraintes modélisant un phénomène et de section constante Σ, dont on désigne l’aire par σ > 0, soumise à une source de chaleur
de conduction thermique dans une barre métallique . S. On suppose que toutes les grandeurs physiques sont homogènes dans les sections de sorte
Mots clefs : Optimisation. Algèbre linéaire. Méthodes itératives. que le problème se réduit à une description mono-dimensionnelle, où toutes ces grandeurs
sont des fonctions de la seule position 0 ≤ x ≤ L. Les propriétés thermiques de la barre sont
décrites par la conductivité, qu’on note a(x) > 0. On suppose qu’il existe deux constantes
◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. La présen- a ⋆ , a ⋆ > 0 telles que 0 < a ⋆ ≤ a(x) ≤ a ⋆ pour tout x ∈ [0, L]. La loi de Fourier définit alors le
tation, bien que totalement libre, doit être organisée et le jury apprécie qu’un plan soit flux de chaleur 1 à travers la surface d’abscisse x comme J (x) = −a(x) dx d
u(x), x 7→ u(x) dési-
annoncé en préliminaire. L’exposé doit être construit en évitant la paraphrase et met- gnant la température. On s’intéresse uniquement au régime permanent, c’est-à-dire quand
tant en lumière les connaissances, à partir des éléments du texte. Il doit contenir des toutes les grandeurs peuvent être considérées indépendantes du temps. Le bilan d’énergie
illustrations informatiques réalisées sur ordinateur, ou, à défaut, des propositions de dans le volume Σ × [x, x + δx] s’énonce
telles illustrations. Des pistes de réflexion, indicatives et largement indépendantes les Zx+δx
unes des autres, vous sont proposées en fin de texte. (3) σ J (x + δx) − J (x) = S(y) σ dy.
¡ ¢
x
On en déduit que la température x 7→ u(x) obéit à l’équation différentielle
d ³ d ´
(4) − a(x) u(x) = S(x), pour 0 < x < L,
dx dx
alors qu’on suppose les bords maintenus à une température fixe
1. Système linéaire et problème de minimisation
(5) u(0) = 0 = u(L)
De très nombreux problèmes issus des sciences et techniques conduisent en définitive à
(pour un choix d’unités convenables).
résoudre un système linéaire de la forme
On peut chercher la solution de ce problème sous la forme d’une série trigonométrique
(1) Ax = b, u(x) = ∞ j =1 u j sin( j πx/L). Une méthode de résolution approchée de (4)–(5) consiste, pour
P
(N )
où b est un vecteur donné de RN et A une matrice symétrique définie positive (SDP) de taille un entier N ∈ N fixé, à définir u (N ) (x) = N j =1 u j sin( j πx/L) où U
(N )
= (u 1(N ) , . . . , u N
(N )
) ∈ RN
P
N ×N . La question qui va nous intéresser peut se résumer ainsi : les coefficients de la matrice est obtenu comme unique solution du système linéaire
A ou le second membre b proviennent de mesures et sont entachés d’erreurs, mais on peut  (N ) (N )
effectuer des observations de sorte qu’on va en fait chercher une solution x qui réalise un 
 A U = S(N ) ,

compromis entre la réalisation de (1) et l’accord avec les observations.  (N ) 2 π2 ZL ³πj x ´

 ³ πkx ´
(6) A = j k a(x) cos cos dx, j , k ∈ {1, . . . , N },
Le point de vue adopté repose sur une interprétation de (1) comme un problème de mini- jk L L 2 L L
misation.


2
ZL ³ 0π j x ´
 S(N )

sin S(x) dx, j ∈ {1, . . . , N }.


j
=
Théorème 1. Le vecteur x ∈ RN est solution de (1) si et seulement si il réalise le minimum sur L 0 L
RN de En fait, u (N ) apparaît ainsi comme la projection de u sur Vect sin(πnx/L), n ∈ {1, . . . , N }
© ª

1 pour le produit scalaire défini par

(2) J (y) = 〈Ay, y〉 − 〈b, y〉,
2 ZL
d d
où 〈·, ·〉 désigne le produit scalaire usuel sur RN . (7) p(u, v) = a(x) u(x) v(x) dx.
0 dx dx
Le problème (1) peut être résolu numériquement par de nombreuses méthodes, directes On note que (u, v) 7→ p(u, v) est bien défini sur l’ensemble C = {u ∈ C 1 ([0, L]), u(0) = 0 =
ou itératives. Le théorème 1 suggère qu’on peut obtenir la solution x comme limite d’un u(L)} et que la forme quadratique u 7→ p(u, u) est définie positive sur C : on dispose ainsi
algorithme de gradient visant à minimiser la fonctionnelle J . C’est cette démarche que
nous allons suivre et adapter. 1. c’est-à-dire la quantité d’énergie traversant la surface Σ par unité de temps.

Page 1/6 Page 2/6

143 144
 d’un espace préhilbertien et on cherche à projeter sur un ensemble de dimension finie. Ces Proposition 1. On suppose que Ω est de rang maximal. Alors, le problème (10) admet une
remarques sont à la base des arguments qui permettent de justifier le unique solution (U, λ) où U est solution du problème de minimisation de J (N ) sous la contrainte
ΩU = Vobs .
Théorème 2. Pour tout S ∈ L 2 ([0, L]), quand N → ∞, u (N ) converge vers u dans L 2 ([0, L]), où
¤−1 ¡ (N )
u est solution de (4)–(5) . Démonstration. Le point clef consiste à écrire le problème sous la forme : U = A(N )
£
S −
−1 −1
ΩT λ puis, avec la contrainte, Ω A(N ) ΩT λ = Ω A(N ) S(N ) − Vobs .
¢ £ ¤ £ ¤

0.12

0.12

0.1

0.1

0.08

0.08

0.06

0.06

0.04

0.04

0.02

0.02

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

F IGURE 1. Données : a(x) = 1 + 11/4<x<3/4 , S(x) = 1, L = 1. Solution exacte

u(x) = (x/2 − x 2 /2)(10≤x≤1/4 + 13/4≤x≤1 ) + (3/64 + x/4 − x 2 /4)11/4<x<3/4 (trait F IGURE 2. Même problème que pour la figure 1. Points de mesure : (ξ1 , v 1obs ) =
plein). Solution approchée u (4) (symboles ∗) et solution par différences finies (0.4711, 0.0515) et (ξ2 , v 2obs ) = (0.5005, 0.0547), calculs avec N = 40. Solution
(symboles ◦) avec ∆x = 0.01. exacte (trait plein), solution approchée u (40) (symboles ∗) et solution par dif-
férences finies (symboles ◦).
En pratique, la connaissance de la conductivité x 7→ a(x) est affectée d’erreurs. En consé-
quence, la solution u obtenue ne reproduit pas fidèlement l’échauffement de la barre. L’idée
consiste à améliorer la prédiction de la température en tenant compte de mesures. On dé-
signe par m ≪ N le nombre de mesures disponibles. On note par ξ1 , . . . , ξm les points de 3. Diverses méthodes numériques
mesure, éléments de ]0, L[ et Vobs = (v 1obs , . . . , v m
obs
) ∈ Rm désigne les températures observées
On va maintenant exploiter des formulations différentes du problème qui vont guider la
à ces points de mesure. On introduit l’application Ω qui, à un vecteur U = (u 1 , . . . ., u N ) ∈
mise en œuvre de méthodes numériques dont on comparera les performances.
RN , associe le vecteur de Rm dont les coordonnées sont N j =1 u j sin(π j ξµ /L), pour tout µ ∈
P

{1, . . . , m}. On notera encore Ω la matrice canoniquement associée à cette application. Alors,
au lieu de résoudre le système linéaire (6), on minimise la fonctionnelle 3.1. Un schéma itératif de minimisation
1 ¤−1
U ∈ RN −
7 → J (N ) (U) = 〈A(N ) U, U〉 − 〈S(N ) , U〉, On pose A = Ω A(N ) ΩT . En combinant la preuve de la proposition 1 et le théorème 1,
£
(8)
2 λ apparaît comme solution du problème consistant à minimiser
sous la contrainte
1
ζ 7→ 〈A ζ, ζ〉 − 〈Ω A(N ) S(N ) − Vobs , ζ〉,
¤−1
(11)
£
(9) ΩU = Vobs . 2
Ce problème amène à introduire une inconnue supplémentaire λ ∈ Rm et à résoudre le sys- où on conserve la notation 〈·, ·〉 pour désigner le produit scalaire usuel sur Rm . Cette re-
tème marque motive la mise en œuvre d’algorithmes de type « méthode de gradient » où λ est
µ (N )
A ΩT
¶µ
U
¶ µ (N ) ¶
S obtenu comme limite d’une suite vérifiant
(10) = .
λn+1 = λn − ̺ A λn + Vobs − Ω A(N ) S(N ) ,
¤−1
0 Vobs (12)
¡ £ ¢
Ω λ

Page 3/6 Page 4/6

145 146
 avec ̺ > 0 un paramètre à choisir « assez petit » pour assurer la convergence de la méthode. La pertinence de cette approche est validée par l’énoncé suivant.
Ayant déterminé λ, on obtient simplement U en résolvant un système linéaire. La difficulté
Théorème 4. Quand ε → 0, Uε converge vers U dans RN et il existe λ ∈ Rm tel que (U, λ) est
technique pour exploiter cette méthode est qu’elle nécessite d’avoir accès à la matrice in-
¤−1 solution de (10).
verse A(N ) .
£
L’avantage de cette formulation est qu’elle permet de travailler avec un système dont la
taille est réduite par rapport à (10) ; toutefois la matrice A(N ) + 1ε ΩT Ω est mal conditionnée
3.2. Une méthode de recherche de point–selle
quand 0 < ε ≪ 1.
En pratique, on utilise plutôt l’algorithme itératif suivant qui définit à la fois des valeurs
de U et λ approchées. À cette fin, on interprète (10) comme un problème de point–selle.
Suggestions et pistes de réflexion
Proposition 2. Le couple (U, λ) est solution de (10) si et seulement si (U, λ) est point–selle de
◮ Les pistes de réflexion suivantes ne sont qu’indicatives et il n’est pas obligatoire de les
(13) L (W, ζ) = J (W) + 〈ζ, ΩW − Vobs 〉,
suivre. Vous pouvez choisir d’étudier, ou non, certains des points proposés, de façon plus
c’est-à-dire que pour tout (W, ζ), on a L (U, ζ) ≤ L (U, λ) ≤ L (W, λ). ou moins approfondie, mais aussi toute autre question à votre initiative. Vos investiga-
En d’autres termes, on a L (U, λ) = maxλ minW L (W, λ) = minW maxλ L (W, λ). Étant don- tions comporteront une partie traitée sur ordinateur et, si possible, des représentations
nés U0 et λ0 , on construit les suites définies par les relations graphiques de vos résultats. À défaut, si vos illustrations informatiques n’ont pas abouti,
il est conseillé d’expliquer ce que vous auriez souhaité mettre en œuvre.
(14) Un+1 = Un − ̺ A(N ) Un − S(N ) + ΩT λn , λn+1 = λn + ̺(ΩUn+1 − Vobs ).
£ ¤
— Commenter la méthode d’approximation de l’équation (4) proposée dans le texte. Dé-
Théorème 3.¢ On suppose que Ω est de rang maximal. Il existe ̺⋆ > 0 tel que si 0 < ̺ < ̺⋆ , la montrer le théorème 2.
suite Un , λn n∈N converge vers (U, λ) solution de (10).
¡
— Le problème (6) implique le calcul de diverses intégrales. Expliquer comment évaluer
Preuve. On note e n = Un − U et r n = λn − λ qui vérifient donc e n+1 = (I − ̺A(N ) )e n − ̺ΩT r n et numériquement ces quantités et comparer différentes méthodes.
r n+1 = r n + ̺Ωe n+1 . On remarque alors que ke n+1 k2 = 〈(I − ̺A(N ) )e n , e n+1 〉 − ̺〈r n , Ωe n+1 〉. On — Proposer d’autres schémas numériques pour résoudre (4) et comparer les résultats. On
utilise cette relation pour calculer pourra notamment considérer des données S continues ou au contraire présentant des
discontinuités. On pourra mener la même discussion avec le coefficient a et étudier le
(15) kr n+1 k2 = kr n k2 + ̺2 kΩe n+1 k2 − 2ke n+1 k2 + 2〈e n , (I − ̺A(N ) )e n+1 〉. comportement de la méthode quand N varie.
On en déduit que — Justifier le théorème 1 et la proposition 1.
— Démontrer le théorème 3 et mettre en œuvre la méthode numérique correspondante.
(16) kr n+1 k2 + ke n+1 k2 ≤ kr n k2 + ke n k2 − 1 − ̺2 kΩk2 − kI − ̺A(N ) k2 ke n+1 k2 .
¡ ¢
— Démontrer le théorème 4 et mettre en œuvre la méthode numérique correspondante.
2
Pour ̺ ¢ assez petit, le dernier terme contribue négativement de sorte que la suite kr n k +
¡
Étudier numériquement le comportement de la méthode quand ε → 0.
2
ke n k n∈N est décroissante. Comme elle est minorée par 0, elle converge et en revenant à — Étudier numériquement l’influence du nombre m de mesures disponibles, de la répar-
(16) on en déduit que ke n k tend vers 0 quand n → ∞. Alors, la relation e n+1 = (I − ̺A(N ) )e n − tition ξ1 , . . . , ξm et de l’amplitude relative des mesures (quantités que l’on peut fixer de
̺ΩT r n entraîne que ΩT r n converge aussi vers 0, et, finalement, puisque Ω est surjective, que manière aléatoire). À défaut de réaliser ces expérimentations, décrire précisément un
r n converge vers 0.  ensemble de tests permettant d’évaluer les limites éventuelles du modèle.

3.3. Pénalisation
Une autre approche, qui permet de s’affranchir de l’introduction du vecteur λ, traite les
observations par pénalisation : pour 0 < ε ≪ 1 donné, on cherche Uε qui minimise sur RN
1
(17) J (N ) (U) + kΩU − Vobs k2 .
2ε
Autrement dit, Uε est solution du système linéaire
1 1
(18) A(N ) Uε + ΩT ΩUε = S(N ) + ΩT Vobs .
ε ε

Page 5/6 Page 6/6

147 148
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Épreuve de modélisation et Calcul Scientifique
u2 u3
où V (u) = − et k ∈ Z. Le potentiel V traduit le comportement d’une paire de bases
Résumé : On s’intéresse à un système différentiel pouvant modéliser une chaîne d’ADN 2 3
appariées tandis que k est une constante de couplage au plus proche voisins. On s’intéresse
comme un ensemble de pendules oscillants. On discute de la possibilité d’avoir des solutions
dans ce texte à la possibilité d’avoir un phénomène dit de localisation spatiale : ceci se traduit
périodiques et de trouver un schéma numérique adapté pour le système hamiltonien.
par le fait qu’un ou plusieurs oscillateurs ont un mouvement de grande amplitude tandis que
Mots clefs : Équations différentielles ordinaires. Aspects numériques du problème de Cau- les autres ont un mouvement de petite amplitude. En effet, une des phases importantes de
chy. la dynamique de la chaîne d’ADN concerne les phases de réplication au cours desquelles les
deux brins de l’ADN se séparent en un endroit précis. Pour le modèle en question, cela si-
gnifie qu’un petit nombre de paires de bases oscillent avec une grande amplitude (elles sont
◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. La présen- donc quasiment détachées) pendant un temps suffisamment "long" (au regard de la période
tation, bien que totalement libre, doit être organisée et le jury apprécie qu’un plan soit caractéristique de vibration de la chaine d’ADN). Il peut alors y avoir rupture de la liaison
annoncé en préliminaire. L’exposé doit être construit en évitant la paraphrase et met- entre deux bases complémentaires.
tant en lumière les connaissances, à partir des éléments du texte. Il doit contenir des
illustrations informatiques réalisées sur ordinateur, ou, à défaut, des propositions de En changeant le potentiel V , ce type de système permet de modéliser un système de N pen-
telles illustrations. Des pistes de réflexion, indicatives et largement indépendantes les dules oscillants de longueur l , soumis à la force de gravité et couplés par des ressorts de
unes des autres, vous sont proposées en fin de texte. constante de raideur k exerçant un couplage linéaire. En notant θn l’angle que forme le n-
ième pendule avec la verticale, on obtient
θ̈n + ω2 sin(θn ) = k θn+1 − 2θn + θn−1 ,
¡ ¢
(2)
où ω2 = g /l et g désigne la constante de gravité. Ici, on peut choisir V (θ) = ω2 (1 − cos(θ)).

1. Chaînes d’oscillateurs couplés : un modèle pour l’ADN

Dans ce texte, nous modélisons une chaîne d’ADN à l’aide d’un système d’équations dif-
férentielles. L’ADN est une double hélice dont les deux brins sont composés par un squelette
sucre-phosphate auquel les bases (A : Adénine, T : Thymine, G : Guanine, C : Cytosine) sont
attachées comme les barreaux d’une échelle. Les deux brins sont liés par des liaisons hydro-
θn+2
gènes entre bases appariées : (A) avec (T) et (G) avec (C). θn
θn−1 θn+1

A G C T

F IGURE 2. Chaîne de pendules couplés par des ressorts.

T C G A

Nous nous pencherons ici sur le cas plus simple de deux pendules oscillants couplés pour
lequel nous étudierons l’existence de solution periodique.

F IGURE 1. Modèle simplifié d’une chaîne d’ADN.

2. Le système de deux pendules couplés
Si on désigne par u n l’écart entre les deux branches d’ADN à la position n ∈ Z, le modèle On considère un système de deux pendules identiques couplés par un ressort de constante
s’écrit de raideur k ∈ R. Physiquement, k est un nombre positif, mais le cas où k < 0 est aussi ma-
(1) ü n + V ′ (u n ) = k(u n+1 − 2 u n + u n−1 ), ∀n ∈ Z, thématiquement intéressant, bien que modélisant une situation un peu différente.

Page 1/6 Page 2/6

149 150
 2
Si on note θ1 (respectivement θ2 ) l’angle mesuré à partir de la verticale pour l’oscillateur 1 L’énergie E k = θ̇2 +1−cos(θ)+kθ 2 est conservée. Une étude du portrait de phase montre qu’il
(resp. l’oscillateur 2), les équations du mouvement sont données par ne peut plus exister de solutions périodiques autour de l’équilibre lorsque le couplage est en
dessous d’un seuil critique k < k c < 0.
(3) θ̈1 + sin(θ1 ) = k(θ2 − θ1 ), θ̈2 + sin(θ2 ) = k(θ1 − θ2 ).
Dans les exemples que nous venons d’étudier, les oscillateurs ont des oscillations de même
On cherche à construire des solutions périodiques, par exemple en considérant des oscil- amplitude. La question est de savoir s’il peut exister des solutions périodiques dissymétriques,
lations en phase θ1 = θ2 ou des oscillations en opposition de phase θ1 = −θ2 . Dans le cas les pendules ayant des amplitudes très différentes.
d’oscillations en phase, le problème revient à trouver les solutions périodiques de l’équation
(4) θ̈ + sin(θ) = 0.
2 3. Simulations numériques
L’énergie mécanique associée à (4), E = θ̇2 + 1 − cos(θ), est une constante du mouvement.
Cette propriété permet de dresser le portrait de phase de (4) et de paramétrer les solutions Le système d’oscillateurs couplés étant difficile à étudier complètement, on souhaite ana-
périodiques par leur amplitude maximale θm , atteinte lorsque la vitesse θ̇ est nulle. En par- lyser la dynamique de ce système au moyen de simulations numériques. Si on considère le
système (3), on peut remarquer que la quantité – dite hamiltonien du système–

θ̇12 θ˙22 (θ1 − θ2 )2

(9) H= + + (1 − cos(θ1 )) + (1 − cos(θ2 )) + k
2 2 2
est conservée au cours du temps ; on souhaiterait utiliser des schémas numériques préser-
vant autant que possible cette propriété.
Commençons par étudier le cas d’un pendule simple et linéaire décrit par

(10) θ̈ + θ = 0.

Ici, la quantité conservée est donnée par E (θ, θ̇) = 12 θ̇ 2 + 12 θ 2 . En posant X = t (θ, θ̇), on peut
écrire (10) sous la forme Ẋ = AX . On remarque que les schémas d’Euler, explicite ou im-
F IGURE 3. Allure du portrait de phase pour le pendule simple. plicite, ne conservent pas E . Pour le schéma d’Euler explicite, l’énergie croit exponentielle-
ment au cours du temps et le pendule tourne de plus en plus vite autour de son axe ! Pour
ticulier, on a une formule explicite pour la période d’oscillation T (θm ). La conservation de le schéma d’Euler implicite, l’énergie décroit exponentiellement et le pendule retourne à sa
l’énergie implique position d’équilibre. Dans les deux cas, la simulation numérique ne rend pas bien compte
(5) θ̇ 2 = 2 (cos(θ) − cos(θm )) . du comportement qualitatif du système.

Pour le pendule, le temps écoulé pour passer de la position θ = θm à θ = 0 correspond à un

quart de la période. Pendant cet intervalle de temps, θ est strictement décroissante. De plus
θ est de classe C 1 (c’est une conséquence du théorème de Cauchy-Lipschitz). En appliquant
le théorème du changement de variable, on montre que la période T (θm ) est donnée par
ZT (θm )/4 ZT (θm )/4 Zθ m
T (θm ) θ̇d t dθ
(6) = dt = − = .
4
p p
0 0 2(cos(θ) − cos(θm )) 0 2(cos θ − cos θm )
La fonction T : θm 7→ T (θm ) est strictement croissante et vérifie
(7) lim T (θm ) = 2π, lim T (θm ) = +∞.
θm →0 θm →π

Dans le cas des pendules en opposition de phase, on cherche les solutions périodiques de
(8) θ̈ + sin(θ) + 2kθ = 0. F IGURE 4. Comparaison pour (10). F IGURE 5. Énergie pour (4).

Page 3/6 Page 4/6

151 152
 Une stratégie intermédiaire consiste à prendre une “moyenne” de ces deux schémas : c’est le
schéma de Crank-Nicolson défini par
h¡ ¢
(11) X n+1 = X n + AX n + AX n+1 ,
2
où h > 0 est un pas de temps fixé, vérifie E (θn+1 , θ̇n+1 ) = E (θn , θ̇n ). Ces résultats sont illustrés
par la figure 4 où on a choisi un pas de temps h = 0.01 pour les méthodes d’Euler et h = 0.1
pour la méthode de Crank-Nicolson. Les conditions initiales sont θ(0) = π6 et θ̇(0) = 0.
La situation est un peu plus compliquée dans les cas non linéaires (4) : l’énergie croît au
cours du temps avec Euler explicite et décroît avec Euler implicite mais avec Crank-Nicolson,
elle oscille autour d’une valeur moyenne, voir figure 5. Qualitativement, ce comportement
est meilleur et on peut adopter le schéma de Crank-Nicolson pour simuler le système (3). Les
figures 6-7 décrivent le comportement des pendules pour les données θ10 = θm = π/6 et θ20 = 0
et un couplage faible k = −0.001. On voit que les pendules oscillent avec des amplitudes très
différentes : le phénomène de localisation est bien mis en évidence même si les oscillations
obtenues ne sont pas exactement périodiques en temps.

F IGURE 7. Pendule 2.

Suggestions et pistes de réflexion

◮ Les pistes de réflexion suivantes ne sont qu’indicatives et il n’est pas obligatoire de les
suivre. Vous pouvez choisir d’étudier, ou non, certains des points proposés, de façon plus
ou moins approfondie, mais aussi toute autre question à votre initiative. Vos investiga-
tions comporteront une partie traitée sur ordinateur et, si possible, des représentations
graphiques de vos résultats. À défaut, si vos illustrations informatiques n’ont pas abouti,
il est conseillé d’expliquer ce que vous auriez souhaité mettre en œuvre.
— Détailler l’obtention des équations du mouvement de deux pendules couplés.
— Dresser le portrait de phase de l’équation (8) .
— Discuter de l’influence des trois schémas cités sur la simulation numérique de (3).
— Comparer les résultats obtenus pour les trois schémas sur le cas du pendule linéaire
(on doit retrouver les résultats de la figure 4) puis sur le cas du pendule simple non-
linéaire.
F IGURE 6. Pendule 1.

Page 5/6 Page 6/6

153 154
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Épreuve de modélisation et Calcul Scientifique
Dans toute la discussion, on supposera que pour tout U ∈ RK \ {0}, on a
³n K µ Z ¶ o´
X
Résumé : On étudie diverses stratégies permettant à un investisseur d’optimiser ses place- (2) µ z ∈Z , Ui g i (z) − g i (ζ) dµ(ζ) 6= 0 > 0.
ments. Pour cela, on optimise une fonction de risque sous contraintes et on en propose une i =1 Z
résolution numérique. Σi j
e i j := p
En particulier, ceci implique que Σi i 6= 0 pour tout i . Alors, on a −1 ≤ Σ ≤1:
Mots clefs : Optimisation. Algèbre linéaire. Méthodes itératives. Σi i Σ j j
un coefficient Σ e i j = +1 indique que les biens i et j s’apprécient ou se déprécient ensemble,
avec une relation linéaire entre ces évolutions, un coefficient Σ e i j = −1 indique que l’un de
◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. La présen- ces biens s’apprécie quand l’autre se déprécie, avec encore une relation linéaire entre ces
tation, bien que totalement libre, doit être organisée et le jury apprécie qu’un plan soit évolutions et un coefficient Σ e i j = 0 signifie que les biens i et j évoluent de façon indépen-
annoncé en préliminaire. L’exposé doit être construit en évitant la paraphrase et met- dante. La matrice Σ = (Σi , j )1≤i , j ≤K est symétrique définie positive.
tant en lumière les connaissances, à partir des éléments du texte. Il doit contenir des On va voir maintenant comment définir des stratégies de diversification afin de réduire le
illustrations informatiques réalisées sur ordinateur, ou, à défaut, des propositions de risque des placements opérés : le principe consiste à détenir des actifs qui ne sont pas ou
telles illustrations. Des pistes de réflexion, indicatives et largement indépendantes les qui sont peu positivement corrélés. La mesure du risque du portefeuille caractérisé par le
unes des autres, vous sont proposées en fin de texte. p
vecteur Ω = (ω1 , . . . , ωK ) est définie par la quantité ΣΩ · Ω, appelée la volatilité du porte-
feuille. Ici et dans la suite du texte, nous adoptons la convention suivante : on identifie avec
la même notation le vecteur Ω ∈ RK de coordonnées ω1 , . . . , ωK et la matrice colonne qui lui
P
est canoniquement associée et on note a · b = Kk=1 a k b k le produit scalaire des vecteurs a et
Le portefeuille d’un investisseur est composé de K biens ou actifs financiers (actions, obli- K
b de R .
gations, titres de créance, . . . ), qui sont potentiellement autant de sources de revenus, ou de
pertes. On note R k > 0 le rendement de l’actif k ∈ {1, . . . , K }. Selon la nature de l’investisse-
ment, cette quantité R k peut être définie comme le rapport du bénéfice par unité d’actif k 1. Stratégies de diversification
sur le prix d’une telle unité ou bien comme une mesure de l’évolution relative du prix de l’ac-
tif k 1. On désigne par ωk la part de l’actif k dans le portefeuille. Cette dernière quantité peut On introduit le vecteur e = (1, . . . , 1) ∈ RK et on note R = (R 1 , . . . , R K ) le vecteur des rende-
être négative, ce qui correspond à une « vente à découvert » et un pari à la baisse du cours ments. On suppose que R et e ne sont pas colinéaires. Une première approche consiste à
du bien k dont le principe simplifié est le suivant. L’investisseur emprunte des parts d’actif déterminer le vecteur Ω = (ω1 , . . . , ωK ) vérifiant Ω · e = 1 et qui minimise le risque ΣΩ · Ω en
k pour les vendre aussitôt ; si le prix de cet actif diminue, il fait un profit en les rachetant imposant un certain rendement R · Ω = M , valeur positive fixée. La solution de ce problème
sur le marché moins cher que le prix d’emprunt, afin de les rendre au prêteur. Le rendement de minimisation s’écrit sous la forme Ω = Σ−1 (λ1 e + λ2 R) où λ1 , λ2 sont deux réels qu’on
P calcule par les relations
total du portefeuille s’exprime sous la forme Kk=1 ωk R k et les coefficients sont assujettis à la
PK µ −1 ¶µ ¶ µ ¶
contrainte k=1 ωk = 1. Σ e ·e Σ−1 R · e λ1 1
(3) = .
Le risque de la stratégie d’investissement est évalué à l’aide de la matrice de volatilité : les −1
Σ e ·R −1
Σ R ·R λ2 M
coefficients diagonaux Σi i mesurent combien le rendement de l’actif i peut varier brutale-
ment (plus la valeur de Σi i est grande, plus le rendement de l’actif i est sujet à de grandes En notant ∆ = (Σ−1 e · e)(Σ−1 R · R) − (Σ−1 e · R)2 > 0, on obtient
variations) alors que les coefficients extra-diagonaux Σi j mesurent comment l’appréciation Σ−1 R · R − M Σ−1 R · e −1 M Σ−1 e · e − Σ−1 R · e −1
(4) Ω= Σ e+ Σ R.
des actifs i et j peut être liée. Plus précisément, à chaque actif k, on associe une fonction g k ∆ ∆
définie sur un certain domaine Z muni d’une mesure µ normalisée 2. Cette fonction carac- On peut remarquer que, connaissant les portefeuilles optimaux Ω1 , Ω2 pour deux niveaux de
térise la formation du rendement de l’actif k, et on pose rendement M1 , M2 , le portefeuille associé au rendement M est donné par Ω = M M −M2
Ω1 +
Z µ Z ¶µ Z ¶ 1 −M2
M1 −M
(1) Σi j = g i (z) − g i (ζ) dµ(ζ) g j (z) − g j (ζ) dµ(ζ) dµ(z), ∀1 ≤ i , j ≤ K . M1 −M2 Ω2 . Enfin, on peut observer que ΣΩ · Ω s’exprime comme un simple polynôme de de-
Z Z Z gré deux par rapport à M . Cette analyse définit une courbe dans le plan volatilité/rendement
1. du type
P k (t )−P k (t −∆t )
où P k (t ) est le prix de l’unité d’actif k à l’instant t et ∆t est un certain intervalle de sur laquelle on peut facilement trouver le niveau de rendement qui rend le risque minimal.
P k (t −∆t )
temps « représentatif ». Une approche un peu différente consiste à optimiser une quantité mêlant risque et in-
R
2. c’est-à-dire telle que Z dµ = 1 vestissement : on cherche le vecteur Ω = (ω1 , . . . , ωK ) vérifiant Ω · e = 1 et qui minimise la

Page 1/7 Page 2/7

155 156
 fonctionnelle On note
1 1 1
(5) y 7→ J (y) = Σy · y − qR · y. (11) ε(k) = Aη (Y(k) − Y) · (Y(k) − Y) = Aη−1 E(k) · E(k) .
2 2 2
Le paramètre q ≥ 0 mesure l’aversion au risque de l’investisseur : q = 0 correspond à une Grâce au fait que E(k) · Z(k) = E(k) · E(k) , on obtient la relation
stratégie de risque minimal et augmenter q revient à augmenter la prise de risques. Le por-
tefeuille optimal est alors défini par la résolution du système linéaire 1 (E(k) · E(k) )2
(12) ε(k+1) ≤ ε(k) − ,
µ ¶µ ¶ µ ¶ 2 Aη E(k) · E(k)
Σ e Ω qR
(6) = ,
eT 0 λ 1 qui permet de conclure. On notera que la constante ℓ peut s’exprimer en faisant apparaître le
rapport des valeurs propres extrêmes de Aη . Ainsi, l’efficacité de la méthode est très sensible
où λ ∈ R. Ce système admet une unique solution (Ω, λ).
aux propriétés de conditionnement de la matrice Aη . Ce point est pénalisant si on prend η
petit puisque Cond(A η ) ≥ Λη
, où Λ ne dépend que de Σ. On pourra mettre en œuvre cet algo-
2. Algorithme de résolution rithme sur la situation suivante, avec des données issues du marché boursier néerlandais :
Actifs Rendements Volatilités
Une difficulté pratique dans les cas réels est liée à la très grande taille de ces systèmes, un
(×10−3 ) (×10−3 )
portefeuille contenant couramment de 100 à 100 000 positions. Il peut donc être plus inté- Elsevier 0.266 0.345
ressant d’utiliser une méthode itérative qu’une méthode directe. Nous allons étudier l’une Fortis 0.274 0.150 0.399
de ces méthodes. Une autre difficulté tient au fait que la matrice associée au système (6) est (13) Getronics 0.162 0.183 0.204 1.754
symétrique, mais elle n’est pas définie positive. Une stratégie possible consiste à pénaliser les Heineken 0.519 0.088 0.107 0.075 0.243
1
contraintes : pour η > 0 fixé, on cherche à minimiser sur RK la fonctionnelle J (y)+ 2η (e·y−1)2 , Philips 0.394 0.186 0.236 0.325 0.096 0.734
problème qui conduit à résoudre le système linéaire Royal Dutch 0.231 0.090 0.130 0.110 0.064 0.147 0.221
Unilever 0.277 0.095 0.127 0.091 0.086 0.114 0.093 0.219
e ee T
(7) Aη Yη = Φη , Φη = qR + , Aη = Σ + . Avec ces données, le portefeuille minimisant le risque (q = 0, η = 1) est
η η
Pour amorcer l’algorithme, on choisit arbitrairement un vecteur Y et on pose E = Z (0) (0) (0)
= (14) Ω = (0.1313, −0.0029, 0.0137, 0.2883, −0.0113, 0.3162, 0.2647);
Φη − Aη Y(0) (qui est, en général, non nul). Puis, disposant de Y(k) , Z(k) 6= 0, E(k) 6= 0 : on investit principalement sur les biens de plus faibles volatilités.
— on pose
E(k) · Z(k) 3. Politique de sûreté
(8) β(k) = , Y(k+1) = Y(k) + β(k) Z(k) , E(k+1) = Φη − Aη Y(k+1) ;
Aη Z(k) · Z(k)
La description des problèmes d’optimisation de portefeuille que nous avons faite jusque-
— si E(k+1) = 0, on a trouvé la solution de Aη Y = Φη et l’algorithme s’arrête ; sinon on pose
là est statique et ne prend pas en compte les évolutions des actifs au cours du temps. En fait,
Aη Z(k) · E(k) ces variations temporelles jouent de deux façons :
(9) α(k) = − , Z(k+1) = E(k+1) + α(k) Z(k) .
Aη Z(k) · Z(k) - d’une part dans la construction, masquée dans ce texte, de la matrice Σ où on tient
compte de l’historique des cours,
On peut montrer qu’il existe 0 < ℓ < 1 tel que
- d’autre part, on cherche à déterminer le rendement des placements dans le futur. C’est
(10) Aη (Y(k) − Y) · (Y(k) − Y) ≤ ℓk Aη (Y(0) − Y) · (Y(0) − Y), cet aspect que nous allons aborder maintenant, du point de vue de critères de régulation.
Les autorités de régulation des marchés imposent des contraintes aux investisseurs afin de
ce qui prouve la convergence de l’algorithme (en pratique, on arrête le calcul lorsque kE(k) k
limiter les conséquences fâcheuses que pourrait avoir une politique trop risquée. Le critère
passe sous un certain seuil, fixé au départ).
de régulation fixe un seuil aux pertes potentielles du portefeuille, à une échéance τ > 0 et
En effet, on commence par observer que Aη Z(k+1) ·Z(k) = 0 et E(k+1) ·Z(k) = 0. Il s’ensuit que
avec un niveau de confiance 0 < α < 1 donnés. Ces trois paramètres qui régissent les poli-
Z(k+1) 6= 0 et, de plus,
tiques d’investissement —- seuil de pertes, échéance, niveau de confiance —- sont imposés
d’une part : Aη Z(k+1) · Z(k+1) = Aη E(k+1) · E(k+1) − (α(k) )2 Aη Z(k) · Z(k) , par les autorités. On prend en compte l’évolution de la valeur des actifs dans le temps, en
d’autre part : Aη−1 E(k+1) · E(k+1) = Aη−1 E(k) · E(k) − (β(k) )2 Aη Z(k) · Z(k) . désignant par R(t ) le vecteur des rendements des actifs du portefeuille à l’instant t . À cet

Page 3/7 Page 4/7

157 158
 instant, le rendement du portefeuille est donc ̺(t ) = Ω · R(t ), où Ω décrit la stratégie d’inves- — On définit une prédiction des rendements futurs par les relations suivantes, qui consti-
tissement à l’instant t (par exemple telle qu’obtenue au paragraphe précédent). Le critère de tuent donc une hypothèse de modélisation,
régulation s’énonce en termes probabilistes : τ et α étant fixés, on cherche σ > 0 tel que (j) ¡ ( j )p ¢
¡ ¢ (17) R̃ i (t + τ) = R i (t ) exp (r¯i − Σ2i i /2)τ + Σi i Z̃i τ, ̺˜ ( j ) (t + τ) = Ω · R̃ ( j ) (t + τ).
(15) Proba ̺(t + τ) − ̺(t ) ≥ −σ = α,
— On construit un ensemble de prédictions en effectuant ces opérations pour j ∈ {1, . . . , J },
P
où σ est la perte potentielle à l’horizon τ. Le portefeuille satisfait au critère de régulation si avec J ≫ 1. On définit σ en utilisant la mesure empirique 1J Jj =1 δ̺˜ ( j ) (t +τ) : on trie les
σ ≤ σauto , une quantité fixée par les autorités. La difficulté pour déterminer si le portefeuille composantes du vecteur ̺˜ ( j ) (t +τ)−̺(t ) par ordre croissant et la valorisation cherchée
est valide au regard de ce critère réside dans l’évaluation de l’état ρ(t +τ) du portefeuille dans correspond à la partie entière de (1 − α)J .
le futur. On utilise un modèle mathématique, de nature probabiliste, afin de prédire cet état.
2.8

Le modèle le plus simple consiste à supposer que ρ(t + τ) est une variable aléatoire qui 2.7

suit une loi Gaussienne de moyenne τΩ · r¯, où r¯ = (r¯1 , . . . , r¯K ) est le vecteur des rendements
2.6

p 2.5

moyens (déterminé par l’historique des cours) des actifs du portefeuille, et d’écart-type τΣΩ · Ω. 2.4

Il s’ensuit dans ce cas que 2.3

p 2.2

(16) σ = Ψ(α) τΣΩ · Ω + ̺(t ) − τΩ · r¯, 2.1

où Ψ est l’inverse de la fonction de répartition de la loi Gaussienne centrée réduite. Cette 0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000

fonction est tabulée 3 et le résultat s’obtient donc aisément ; ainsi pour α = 100
99
, on a Ψ(α) ≃
2.33. F IGURE 1. Répartition valorisations simulées. Données : J = 10000, τ = 10,
Une modélisation de nature différente consiste à construire une approximation de ̺(t +τ) r¯ = 250R, R et Σ comme dans la section 2.
par des simulations. À cette fin, on peut exploiter les logiciels de calcul qui permettent de
produire des données aléatoires suivant une loi normale centrée réduite 4. On modifie ces
données pour produire un ensemble de J ≫ 1 données aléatoires qui suivent une loi normale Suggestions et pistes de réflexion
de moyenne r¯ et de matrice de covariance Σ. Cette construction repose sur deux résultats
mathématiques, le premier lié à la théorie des probabilités, le second tombant dans le champ ◮ Les pistes de réflexion suivantes ne sont qu’indicatives et il n’est pas obligatoire de les
de l’algèbre linéaire. suivre. Vous pouvez choisir d’étudier, ou non, certains des points proposés, de façon plus
ou moins approfondie, mais aussi toute autre question à votre initiative. Vos investiga-
Lemme 1. Soient c 1 , . . . , c n des réels et X 1 , . . . , X n des variables aléatoires indépendantes qui tions comporteront une partie traitée sur ordinateur et, si possible, des représentations
P
suivent une loi normale centrée réduite. Alors la variable aléatoire ni=1 c i X i suit une loi nor- graphiques de vos résultats. À défaut, si vos illustrations informatiques n’ont pas abouti,
2 2
male centrée de variance c 1 +· · ·+c n . Plus généralement, si A est une matrice n ×n inversible et il est conseillé d’expliquer ce que vous auriez souhaité mettre en œuvre.
X = (X 1 , . . . , X n ), les composantes Y1 , · · · , Yn du vecteur aléatoire Y = AX suivent des lois nor-
— Détailler les arguments mathématiques sur lesquels est basée la discussion de la sec-
males. De plus, la matrice de covariance Σ = (E(Yi Y j ) − E(Yi )E(Y j ))1≤i , j ≤n de Y est Σ = A A T .
tion 1. En particulier, on pourra justifier que la matrice Σ est bien symétrique définie
Lemme 2. Toute matrice symétrique définie positive Σ peut s’écrire sous la forme LL T où L est positive. p
triangulaire inférieure (et la décomposition est unique si les coefficients diagonaux de L sont — Étudier la courbe ( ΩT ΣΩ, M ) dans le cas de l’optimisation à rendement fixé.
positifs). 5 — Expliciter le lien entre la minimisation de la fonctionnelle J et le système linéaire (6).
— Analyser et mettre en œuvre l’algorithme proposé dans la section 2. Éventuellement
L’algorithme suit alors les étapes suivantes : proposer d’autres méthodes pour résoudre le système (6).
— On décompose la matrice Σ sous la forme Σ = LL T où L est triangulaire inférieure, — Expliquer les principes mathématiques qui guident la politique de sûreté décrite dans
— Disposant d’un vecteur Z ( j ) ∈ RN dont les coordonnées sont choisies suivant un tirage la section 3.
Gaussien centré et réduit, on pose Z̃ ( j ) = LZ ( j ) , — Expliquer le principe des algorithmes de décomposition d’une matrice symétrique dé-
3. Voir la table fournie en annexe, ou utiliser par exemple la commande cdfnor de Scilab. finie positive sous la forme LL T exploitée dans la section 3.
4. Utiliser par exemple la commande rand("normal") de Scilab — Mettre en œuvre la méthode décrite dans la section 3 sur l’exemple proposé dans la
5. Utiliser par exemple la commande chol de Scilab. section 2.

Page 5/7 Page 6/7

159 160
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Annexe A. Intégrale de la loi Gaussienne centrée réduite Épreuve de modélisation et Calcul Scientifique

Zt
2
/2 dx Résumé : On s’intéresse à la modélisation et au calcul numérique de l’évolution d’un réacteur
(18) G (t ) = P (X ≤ t ) = e −x p , G (−t ) = 1 − G (t ). biologique.
−∞ 2π
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 Mots clefs : Équations différentielles non linéaires. Aspects numériques du problème de
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359 Cauchy. Étude qualitative des solutions.
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879 ◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. Vous êtes
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
laissé(e) libre d’organiser votre discussion comme vous l’entendez. Des suggestions de
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852 développement, largement indépendantes les unes des autres, vous sont proposées en fin
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133 de texte. Vous n’êtes pas tenu(e) de les suivre. Il vous est conseillé de mettre en lumière
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389 vos connaissances à partir du fil conducteur constitué par le texte. Le jury appréciera
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830 que la discussion soit accompagnée d’exemples traités sur ordinateur.
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0. 9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706 1. Le modèle
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
On s’intéresse à une culture de micro-organismes dans un milieu fermé, comme un fer-
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890 menteur utilisé dans la fabrication de biogaz. On fait l’hypothèse simplificatrice que le fer-
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916 menteur ne contient qu’une seule espèce de micro-organisme. Cette espèce se reproduit avec
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936 un taux de naissance a > 0. Comme le milieu est fermé, elle va se trouver en compétition avec
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
elle-même, avec un coefficient de compétition interne b > 0. Ce paramètre dépend bien sûr de
2.7 0.9965 0.9966 0. 9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974 la quantité de nourriture disponible dans le fermenteur et il est d’autant plus petit que celle-ci
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981 est grande. Dans la suite, on le supposera constant. Par ailleurs, on suppose que la production
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986 de biogaz par les micro-organismes a un effet toxique sur ceux-ci. Cette production est cumu-
lative et proportionnelle à la quantité de micro-organismes présents dans le fermenteur à tout
instant. En d’autres termes, si q(t) représente cette quantité à l’instant t, la production de biogaz
entre t et t + ∆t sera approximativement égale à c1 q(t)∆t, où c1 > 0Rreprésente l’efficacité de la
production. On est donc conduit à une production totale égale à c1 0t q(τ) dτ. Notant c2 > 0 la
toxicité du biogaz produit, c’est-à-dire qu’une quantité A de biogaz détruit une fraction c2 A des
micro-organismes, et effectuant le bilan des naissances et disparitions à l’instant t, on aboutit
donc au modèle

q(0) = q0 ,
(1) dq 2
Rt
dt (t) = aq(t) − bq(t) − cq(t) 0 q(τ) dτ,
où c = c1 c2 et q0 est la quantité initiale. On se propose d’étudier de plusieurs façons l’évolution
du modèle (1) en fonction des paramètres a, b et c et de la donnée initiale q0 et d’obtenir en
particulier des informations sur la production totale de biogaz que l’on peut espérer atteindre.

Page 7/7 Page 1/6

161 162
 Pour ramener au minimum le nombre des paramètres qui sont effectivement significatifs dans où (ũ)n désigne la suite discrète {ũ0 , ũ1 , . . . , ũn } censée approcher u au sens des schémas numériques
le modèle, on introduit les variables habituels aux instants si , i = 0, 1, . . . , n, et Φn désigne une approximation adéquate de la fonc-
tionnelle intégrale du cas continu. Une idée naturelle est de remplacer l’intégrale de cette fonc-
ct bq(t)
(2) s= , u(s) = , tionnelle par une formule d’intégration numérique de type Newton-Cotes, comme la méthode
b a des trapèzes ou la méthode de Simpson. Pour simplifier les calculs, il est avantageux d’utiliser
dont on vérifie par une analyse dimensionnelle qu’elles sont adimensionnelles, ce qui conduit une formule d’intégration numérique qui utilise les nœuds de discrétisation déjà calculés :
au système n
ũn
ũn
 (8) Φn ((ũ)n ) = 1 − ũn − ∑ ωk ũk = (1 − ũn − S̃n (h)),
u(0) = u0 , κ κ
(3) 2
Rs k=0
κ du
ds (s) = u(s) − u(s) − u(s) 0 u(σ ) dσ , où les coefficients ωk sont les poids correspondants à la formule d’intégration numérique com-
où posée choisie. On aboutit ainsi à un schéma numérique Euler-Newton-Cotes explicite composé
c de la forme
(4) κ= ũn
ab (9) ũn+1 = ũn + h (1 − ũn − S̃n (h)).
est un paramètre également adimensionnel et u0 = bq0 /a ≥ 0. κ
Il est facile de voir que si u est une solution de (3) stationnaire à partir d’un certain temps Dans le cas où l’on choisit la méthode des trapèzes, la somme qui représente l’intégrale se
s0 , alors on a u(s) = 0 pour tout s ≥ s0 . Par conséquent, si u0 > 0, une solution n’est pas calcule très simplement par récurrence de la façon suivante
stationnaire, au moins au voisinage de s = 0. De plus, on voit sans difficulté que la solution, S̃0 (h) = 0,

dont on démontrera plus loin qu’elle existe et est unique, satisfait (10)
S̃n (h) = S̃n−1 (h) + h2 (ũn−1 + ũn ), pour n ≥ 1.
 1 Z sh Z σ
Pour la méthode d’Euler rétrograde, on est conduit à la récurrence implicite
i 
(5) u(s) = u0 exp 1 − u(σ ) − u(ζ ) dζ dσ ,
κ 0 0 ũn+1
(11) ũn+1 = ũn + h (1 − ũn+1 − S̃n+1 (h)).
sur tout intervalle [0, s∗ [ où u(s) est non nul. Ceci implique que si u0 > 0, alors u(s) > 0 pour κ
tout s > 0. Une formule analogue permet également de montrer que si u(s0 ) = 0, pour un certain
s0 , alors u(s) = 0 pour tout s ≥ s0 . En particulier, si u0 = 0, alors u(s) = 0 pour tout s ≥ 0. 3. Réduction à un système différentiel ordinaire et étude dans le plan de
phase
2. Approche numérique Rs
On pose y(s) = 0 u(σ ) dσ et l’on obtient immédiatement
On étudie le système adimensionnel (3) sous l’angle de l’approximation numérique. Ce sys-
 ′
y = u, y(0) = 0,
tème peut être écrit sous la forme (12)
u′ = u(1 − u − y)/κ, u(0) = u0 .
(6) u′ = Φ(u), u(0) = u0 , Le théorème de Cauchy-Lipschitz donne l’existence et l’unicité de la solution de ce problème.
Ce système peut également être résolu numériquement, voir Figure 1 pour une illustration.
où Φ est une fonctionnelle intégrale de C0 (R +) dans C0 (R +) de la forme On résout directement ce système dans le plan de phase (y, u) en cherchant la solution u
v(s) 
Z s  sous la forme u(s) = ũ(y(s)). L’équation différentielle résultante s’intègre immédiatement pour
(7) Φ(v)(s) = 1 − v(s) − v(σ ) dσ . donner
κ 0
Le système (6)–(7) n’est bien sûr pas une équation différentielle ordinaire au sens usuel du (13) ũ(y) = (1 + κ − y) − (1 + κ − u0 )e−y/κ .
terme, mais on peut quand même chercher à lui appliquer les schémas numériques courants. Les trajectoires du système (12) dans le plan (y, u), c’est-à-dire les courbes s → (y(s), u(s)) avec
Soit donc h un pas de temps et sn = nh avec n ∈ N des points de discrétisation en temps. la donnée initiale (y(0), u(0)) = (0, u0 ), sont donc contenues dans ces courbes.
L’analogue de la méthode d’Euler progressive dans notre cas consisterait à approcher la so- Étudions leur comportement plus en détail. Les trajectoires de (12) qui ont un intérêt pour
lution à l’aide de la suite cette étude sont celles qui partent des points (0, u0 ) avec u0 > 0. On a vu par (5) que u(s) > 0
ũn+1 = ũn + hΦn ((ũ)n ) pour tout s > 0, donc y est strictement croissante pour tout s > 0. On en déduit que y(s) > 0

Page 2/6 Page 3/6

163 164
 1.0

pour tout s > 0 et donc les trajectoires restent dans le premier quadrant du plan de phase pour u

tout temps.
0.9

κ = 0.05
Par ailleurs, comme u(s) > 0, le système (12) montre que u′ ne s’annule que sur l’isocline 0.8

L : 1 − u − y = 0. Pour des états (y, u) situés sous la droite L , u′ > 0 donc u est strictement 0.7
κ = 0.1

croissante. Pour des états (y, u) situés au-dessus de la droite L , u′ < 0 donc u est strictement 0.6

κ = 0.25
décroissante. On en déduit que si u0 < 1, alors dans un premier temps, u et y vont croître 0.5

strictement jusqu’à rencontrer L à un instant sc . Après cet instant, y va continuer à croître, 0.4
κ = 0.5
mais u va décroître à mesure que s croît. En effet une telle trajectoire ne peut pas recouper 0.3

l’isocline L pour s > sc . Dans ce cas, u atteint une valeur maximale umax sur la droite L . Si
par contre u0 ≥ 1, alors u est toujours décroissante (la trajectoire ne coupe jamais l’isocline L )
0.2

et son maximum est atteint en s = 0, avec umax = u0 . La Figure 2 montre le portrait de phase 0.1

du système (12), c’est-à-dire une représentation graphique du champ de vecteurs du membre 0.0

0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0

de droite de (12) (normalisé) aux points d’une grille. On y a également représenté quelques t

trajectoires du système. Figure 1. Solutions de (3) pour u0 = 0,1 utilisant la formulation (12).
2.0

Dans tous les cas, on a 0 < u ≤ umax . Par conséquent, d’après (13), on en déduit que y est u

bornée supérieurement par ymax , l’unique point où (13) s’annule. Comme y est croissante et 1.8

bornée, elle converge vers une limite quand s → +∞, ce qui montre que 0+∞ u(σ ) dσ = ymax <
R
1.6

+∞, i.e., la production totale de biogaz est finie. 1.4

De même, u est décroissante (pour s assez grand) et positive, donc elle admet une limite quand
s → +∞. On en déduit par (12) que y′ et u′ admettent également des limites quand s → +∞, et 1.2

donc que ces limites sont nulles. Par conséquent, toujours par (12), u(s) → 0 quand s → +∞, 1.0

la population de micro-organismes finit par s’éteindre si on la laisse évoluer sans rien faire, en 0.8

raison de l’effet toxique du biogaz.

Enfin, quand u0 ≤ 1, on obtient la valeur maximale de u à partir de (13) et de l’équation de
0.6

l’isocline L : 0.4
L

0.2

0.0

0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0

Figure 2. Portrait de phase du système (12) pour κ = 0,5 avec quelques trajectoires (13).
L’isocline L est indiquée en pointillés.
 κ 
Calculs effectués avec Scilab.
(14) umax = 1 + κ ln .
1 + κ − u0

Suggestions pour le développement

◮ Soulignons qu’il s’agit d’un menu à la carte et que vous pouvez choisir d’étudier cer-
tains points, pas tous, pas nécessairement dans l’ordre, et de façon plus ou moins fouil-
lée. Vous pouvez aussi vous poser d’autres questions que celles indiquées plus bas. Il est
Notons que la courbe obtenue en faisant u0 = 0 dans (13) n’est pas une trajectoire du prob- très vivement souhaité que vos investigations comportent une partie traitée sur ordina-
lème de Cauchy initial, mais constitue une limite pour toutes les trajectoires tracées dans le teur et, si possible, des représentations graphiques de vos résultats.
plan de phase. Il n’y a pas de trajectoire du problème de départ qui soit située au-dessous cette – Mener à bien une analyse complète du système (3) qui démontre rigoureusement l’exis-
courbe. tence globale en temps et l’unicité de sa solution.

Page 4/6 Page 5/6

165 166
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
– Poser x = (ln u)′ et écrire le système différentiel du premier ordre en x, u obtenu. L’étudier Épreuve de modélisation et Calcul Scientifique
en s’inspirant des diverses pistes proposées dans le texte.
– Effectuer l’analyse numérique du schéma d’Euler-trapèzes composés (9)–(10) (consis- Résumé : Ce texte propose une modélisation simple sous forme de système linéaire de l’im-
tance, stabilité, convergence). pact de la publicité sur une population de consommateurs. On s’intéresse à une méthode
– Mettre en œuvre un des schémas numériques proposés en 2 à l’aide de Matlab ou Scilab. itérative de résolution exploitant la structure particulière de la matrice.
Comparer les résultats avec ceux obtenus en résolvant le système (12) à l’aide d’un solveur
d’équations différentielles ordinaires standard (on se limitera aux données κ = 0,1 et u0 = Mots clefs : Algèbre linéaire. Méthodes itératives.
0,1).
– Proposer et mettre en œuvre une méthode numérique pour calculer I(u0 , κ) = 0∞ u(σ ) dσ .
R
◮ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. La présen-
– Proposer et mettre en œuvre une méthode numérique pour déterminer le temps sc (u0 , κ)
tation, bien que totalement libre, doit être organisée et le jury apprécie qu’un plan soit
où u atteint son maximum umax . Comparer avec le résultat analytique (14).
annoncé en préliminaire. L’exposé doit être construit en évitant la paraphrase et met-
– Proposer un modèle dans lequel on chercherait à contrôler la production de biogaz par
tant en lumière les connaissances, à partir des éléments du texte. Il doit contenir des
l’intermédiaire de la quantité de nourriture fournie aux micro-organismes et en récoltant le
illustrations informatiques réalisées sur ordinateur, ou, à défaut, des propositions de
gaz émis.
telles illustrations. Des pistes de réflexion, indicatives et largement indépendantes les
unes des autres, vous sont proposées en fin de texte.

1. Un modèle discret pour mesurer l’effet de la publicité

Le but de ce texte est de proposer une modélisation élémentaire de la notoriété d’une
entreprise commerciale, en lien avec la publicité qu’elle effectue de manière ciblée auprès
de certains consommateurs. On note C l’ensemble (fini) des consommateurs potentiels et,
pour c ∈ C , le nombre réel positif X c correspond à l’opinion que se fait le consommateur
c de l’entreprise (un nombre X c élevé traduit une image positive). En l’absence d’opération
publicitaire, on admet que l’avis d’un consommateur est égal à la moyenne de ceux de ses
voisins :
1 X
(1) Xc = Xv ,
|Vc | v∈Vc
où | · | désigne le cardinal et Vc l’ensemble des voisins de c (à comprendre en un sens très
large : géographique, familial, professionnel. . .).
À l’inverse, si les consommateurs sont isolés les uns des autres, on suppose que leur avis
dépend directement de la publicité qu’ils reçoivent : X c = p c , où p c est l’intensité de la pu-
blicité dirigée sur le consommateur c.
Dans la suite, on considère le cas simplifié où le voisinage est seulement géographique, et
la population constituée de N + 2 consommateurs situés sur un segment, voir Figure 1. Sous
les hypothèses décrites plus haut, on obtient les équations suivantes, en notant x i = X ci et
p i = p ci :
x i −1 + x i +1
(2) xi = + p i , pour i = 1, 2, . . . , N , et x 0 = x N +1 = 0.
2

2013UXZZ2 Page 6/6 Page 1/6

167 168
 •
c0
•
c1
•
c2
• • •
cN
•
cN +1 Cette propriété de la méthode de Jacobi relaxée est nommée effet régularisant, que l’on
observe sur la figure 2. Ainsi, si l’on couple cette méthode avec une méthode qui permet
F IGURE 1. Positions relatives des consommateurs. d’approcher correctement les basses fréquences, on peut espérer obtenir de très bonnes per-
formances.
Les deux dernières égalités traduisent le fait que les consommateurs aux deux extrémités 4000 150

des segments sont hermétiques aux avis de leurs voisins, et ne sont pas concernés par la 3000

publicité. Bien sûr, cette modélisation est naïve et peut être critiquée à bien des égards. Si x et 2000
100

b désignent les vecteurs de RN de coordonnées (x i ) et (2p i × (N + 1)2 ), alors les équations (2) 1000
50

se ramènent à la résolution du système linéaire A N x = b, où la matrice A N ∈ MN (R) est 0

donnée par
0
−1000

−2000

2 −1 0 · · · 0
  −50
−3000

 −1 2 −1 . . . .. 
. 
 −4000 −100
0 10 20 30 40 50 0 10 20 30 40 50

. . .
 
2 .. .. .. 0 
(3) A N = (N + 1)  0 . 0
F IGURE 2. À gauche : coordonnées du vecteur A N x − b. À droite : coordon-
 .. .
 
 . . . −1 2 −1 
 nées du vecteur A N x k − b pour k = 10 (ω = 12 et N = 49) (x 0 est choisi aléatoi-
0 · · · 0 −1 2 rement).

On note x ⋆ la solution de ce système linéaire. Lorsque la taille N de la matrice est très

Au vu de la figure 2, on s’aperçoit qu’après quelques itérations de la méthode de Jacobi
grande, la résolution directe du système linéaire peut s’avérer coûteuse ; on peut lui préférer
relaxée, le résidu A N x k − b obtenu a des variations lentes, qui peuvent être raisonnablement
une méthode itérative. Considérons la méthode de Jacobi relaxée, qui s’écrit, pour ω > 0,
approchées avec un plus petit nombre de points. Il paraît donc opportun d’utiliser une réso-
ωb
µ ¶
ω lution à un niveau plus grossier, c’est-à-dire avec une plus petite valeur de N .
(4) x k+1 = J ω x k + avec J ω = I N − A N .
2(N + 1)2 2(N + 1)2
Pour analyser la performance de cette méthode, il suffit de considérer le cas b = 0. On peut Dans toute la suite, l’entier N est supposé impair et n désigne (N − 1)/2.
(ℓ)
montrer que A N z N = λ(ℓ) (ℓ)
N z N avec
4π2
µ ¶
(ℓ) 2 ℓH
(5) zN = t sin(ℓH ), sin(2ℓH ), . . . , sin(N ℓH ) , λ(ℓ)
N = H 2 sin ,
¡ ¢
2. Opérateurs de restriction et d’extension
2
où H = π/(N + 1). Ainsi, si x 0 se décompose sur la base des vecteurs propres de A N Si l’on souhaite utiliser des résolutions faisant intervenir plusieurs niveaux, il est néces-
N
(ℓ)
saire de savoir les faire communiquer entre eux. On introduit les matrices R ∈ Mn,N (R) et
x0 =
X
(6) αℓ z N , E ∈ MN ,n (R)
ℓ=1

alors x k admet la décomposition 1

 
N ³ ³ ℓH ´´k  2 
(ℓ)
xk = αℓ 1 − 2ω sin2
X
(7) zN .
 
 1 1
2

ℓ=1 0 1 0
   
 2 
Ainsi, la méthode converge dès que 0 < ω ≤ 1. Toutefois, en considérant que N ≫ 1, le coef- 0 0 1
 
1 1 1
   
ficient 1 − 2ω sin2 (ℓH /2) est très proche de 1 pour ℓ petit (basses fréquences). On peut voir,
  
(8) R = 0 0 1 , E= 

2
.
en revanche, que ce coefficient peut être maintenu loin de 1 pour les hautes fréquences.
  2 
 ···  .. 
N .
 
(ℓ) 0 1 0  
En effet, si l’on choisit ω = 21 , et si x 0 =
X
αℓ z N , alors, pour la norme euclidienne, on a 
 1 1


ℓ= N2+1 2
 
 
kx k − x ⋆ k ≤ 21k kx 0 − x ⋆ k. 1

Page 2/6 Page 3/6

169 170
 Ainsi, si V ∈ RN , RV est la restriction de V à Rn telle que (RV )i = V2i . De manière similaire, si Pour k = 0, 1, . . ., faire
v ∈ Rn , E v est l’extension de v à RN telle que (1) On effectue q étapes de la méthode de Jacobi relaxée :
1 On pose a 0 = x k .
 ³ ´
v i −1 + v i +1 si i est impair,


2

(9) (E v)i =
2 2 Pour j = 1, . . . , q,
bω
 vi si i est pair. a j = J ω a j −1 +

.

2 2(N + 1)2
Fin pour.
On vérifie aisément que le produit RE est égal à l’identité. La figure 3 donne un aperçu de
l’effet de l’opérateur E R, indiquant un comportement proche de l’identité pour ℓ ≤ n. (2) On évalue le résidu r k = A N a q − b.

1 1
(3) On projette le résidu obtenu sur la grille de taille n :
0.8

0.6
0.8

0.6
ρ k = Rr k .
0.4 0.4
(4) On résout sur la grille de taille n :
0.2 0.2

0 0
e k = A −1 k
n ρ .
−0.2 −0.2

−0.4 −0.4
(5) On étend la solution obtenue sur la grille de traille N et on met à jour
−0.6 −0.6

−0.8 −0.8 x k+1 = a q − E e k .

−1 −1
0 5 10 15 20 0 5 10 15 20
Fin
(ℓ) (ℓ)
F IGURE 3. Coordonnées de z N (trait plein) et E R z N (pointillés) pour N = 19
et ℓ = 3 (gauche), ℓ = 15 (droite). La proposition suivante montre que l’algorithme converge, avec une vitesse de conver-
gence indépendante de la taille N de la matrice A N .
Par ailleurs, les égalités suivantes sont valables pour les vecteurs propres de A N et A n : Proposition 2. On fixe ω = 12 . Les itérés de l’algorithme 1 satisfont
(ℓ)

 zn
 si ℓ ≤ n, kx k+1 − x ⋆ k2

 (12) lim sup = γ,
kx k − x ⋆ k2

(ℓ) k→∞
(10) R zN = 0 si ℓ = n + 1,
avec γ ≤ 21q , où q est le nombre d’étapes de la méthode de Jacobi relaxée.


 −z (N +1−ℓ) si ℓ > n + 1.


n

µ ¶ µ ¶ P REUVE . Par construction de l’algorithme, on montre que, avec

ℓH (ℓ) ℓH (N +1−ℓ)
(11) E z n(ℓ) = cos2 z N − sin2 zN . (13) x k+1 − x ⋆ = (I −C )(J ω )q (x k − x ⋆ ), avec C = E A −1
2 2 n R AN .

Dans la suite, c ℓ et s ℓ désignent respectivement cos(ℓH /2) et sin(ℓH /2), et ℓ′ le nombre en-
3. Une méthode à deux niveaux tier ℓ′ = N + 1 − ℓ. À l’aide des formules (10)–(11), on vérifie que, pour ℓ ≤ n,
′
(ℓ) (ℓ )
(14) (I −C )(J ω )q z N = (1 − 2ωs ℓ2 )q s ℓ2 c ℓ−2 z N ,
Dans la partie 1, on a présenté la méthode de Jacobi relaxée, qui permet d’approcher cor-
rectement les hautes fréquences. On vient de voir dans la partie 2 que l’utilisation d’une grille (ℓ )′
(ℓ ) ′
(15) (I −C )(J ω )q z N = (1 − 2ωc ℓ2 )q s ℓ−2 c ℓ2 z N .
deux fois moins fine permet d’effectuer le même travail sur les basses fréquences. On va ici
réunir les deux approches pour obtenir une méthode performante globalement. On a aussi
(n+1) (n+1)
0
Algorithme 1. On part d’un vecteur x ∈ R quelconque. N
(16) (I −C )(J ω )q z N 2
= (1 − 2ωs n+1 )q z N .

Page 4/6 Page 5/6

171 172
 AgrégationùmarocaineùdeùMathématiques,ùsessionù2024
Pour conclure, il suffit de remarquer que les valeurs propres de la matrice Épreuve de modélisation et Calcul Scientifique
0 (1 − 2ωs ℓ2 )q s ℓ2 c ℓ−2
 

(17) Bℓ =   Résumé : On s’intéresse à deux descriptions mathématiques de l’action d’un médicament,

(1 − 2ωc ℓ2 )q s ℓ−2 c ℓ2 0 soit sous la forme d’un système linéaire d’équations différentielles, soit sous la forme, moins
q q standard, d’un problème “à retard”.
valent ±s ℓ c ℓ pour la valeur ω = 21 . 
Mots clefs : Équations différentielles ordinaires. Propriétés qualitatives.
La figure 4 présente les résultats obtenus pour N = 49, ω = 12 et q = 2, après 10 itérations
de la méthode itérative pour trois valeurs de seconds membres correspondant à p i = 1 (Cas
1), p i = 1 pour i pair et 0 pour i impair (Cas 2), et p i = 1 pour i < n et 0 sinon (Cas 3). ▶ Il est rappelé que le jury n’exige pas une compréhension exhaustive du texte. La présen-
−4
x 10
tation, bien que totalement libre, doit être organisée et le jury apprécie qu’un plan soit
annoncé en préliminaire. L’exposé doit être construit en évitant la paraphrase et met-
1.2
Cas 1
Cas 2
1
Cas 3
tant en lumière les connaissances, à partir des éléments du texte. Il doit contenir des
illustrations informatiques réalisées sur ordinateur, ou, à défaut, des propositions de
0.8
telles illustrations. Des pistes de réflexion, indicatives et largement indépendantes les
0.6 unes des autres, vous sont proposées en fin de texte.
0.4

0.2

0
0 10 20 30 40 50
On s’intéresse ici à la modélisation de l’efficacité de médicaments. Les pharmaciens ont
pour habitude de décomposer en deux étapes l’évolution du médicament. Dans une pre-
F IGURE 4. Coordonnées de la solution du système Ax = b pour les trois cas considérés.
mière étape, dite de pharmacocinétique (PK), le médicament est absorbé, transformé par
l’organisme avant de pouvoir agir. Dans une deuxième étape, dite de pharmacodynamique
(PD), le médicament va agir sur l’organisme. Nous regarderons deux exemples. Le premier
Suggestions et pistes de réflexion exemple, un exemple de PK, concerne l’absorption d’un médicament administré par voie
orale. Le médicament subit une cascade de transformations dans le système gastro-intestinal
◮ Les pistes de réflexion suivantes ne sont qu’indicatives et il n’est pas obligatoire de les avant de se retrouver dans la circulation sanguine. Cette cascade se traduit par un phéno-
suivre. Vous pouvez choisir d’étudier, ou non, certains des points proposés, de façon plus mène de retard entre le moment où le médicament est administré et le moment où t 7→
ou moins approfondie, mais aussi toute autre question à votre initiative. Vos investiga- C (t ) la concentration plasmatique du médicament est maximale. Le deuxième exemple, un
tions comporteront une partie traitée sur ordinateur et, si possible, des représentations exemple de PD, modélise l’action d’un médicament sur une tumeur. Les cellules tumorales
graphiques de vos résultats. À défaut, si vos illustrations informatiques n’ont pas abouti, subissent une cascade de dégradations avant d’être réellement détruites. A nouveau, on ob-
il est conseillé d’expliquer ce que vous auriez souhaité mettre en œuvre. serve un phénomène de retard entre le moment où le médicament commence à agir et le
— Le choix ω = 12 effectué au paragraphe 1 est-il optimal ? moment où les cellules sont réellement tuées.
Pour modéliser ces phénomènes de retard, deux approches sont possibles. La première
— Justifier l’utilisation du terme « interpolation » pour la matrice E définie en (8).
consiste à décrire chacune des étapes de la transformation par un système d’équations diffé-
— Vérifier (éventuellement numériquement) quelques-unes de relations (10), (11), (14),
rentielles modélisant l’évolution temporelle de concentrations dans des compartiments de
(15), (16).
transit. C’est la méthode que nous utiliserons pour décrire l’absorption d’un médicament.
— Analyser (théoriquement et/ou numériquement) la convergence de la méthode itéra- La deuxième méthode consiste à utiliser des équations différentielles avec retard y ′ (t ) =
tive. f (t , y(t ), y(t − τ)). Le terme de droite de cette équation, qui décrit les variations temporelles
— Commenter l’expression effet régularisant à la fin du paragraphe 1. de la fonction t 7→ y(t ), ne dépend plus seulement du temps t et de l’évaluation de cette fonc-
— Commenter le coût de calcul de l’étape (4) de l’algorithme. Peut-on envisager une amé- tion au temps t , mais aussi de son évaluation à un temps antérieur t − τ. Nous comparerons
lioration de la méthode ? ces deux approches sur l’exemple de la dégradation tumorale.

Page 6/6 Page 1/6

173 174
 1. Modélisation de l’absorption d’un médicament via un modèle à compar- i = 2, · · · , n. Dans ce cas de figure, la fonction f i n ≡ 0 est identiquement nulle. La concentra-
timents de transit tion plasmatique C , que l’on peut mesurer à l’occasion d’une prise de sang, est alors reliée à
la concentration dans le dernier compartiment par
Modèle à compartiments de transit. Les modèles à compartiments de transit consistent à
(4) C ′ (t ) = kx n (t ) − κe C (t ), C (0) = 0,
décrire l’évolution de t 7→ X (t ) = (x 1 (t ), · · · , x n (t ))t défini par le système différentiel suivant :
x 1 (0) = x 10 , où κe > 0 est un coefficient lié à l’absorption du médicament par l’organisme. Dans ce cas,
 ′
x (t ) = f i n (t ) − kx 1 (t ),
 1′ la donnée initiale du problème de Cauchy est (D, 0, · · · , 0)t .

x 2 (0) = x 20 ,

 x 2 (t ) = kx 1 (t ) − kx 2 (t ),
(1) .

 .
.
x n (t ) = kx n−1 (t ) − kx n (t ), x n (0) = x n0 ,

 ′

où t 7→ x i (t ) désigne la concentration dans le i ème compartiment, k > 0 le taux de transit d’un

compartiment à l’autre, x i0 ≥ 0 les concentrations à l’instant t = 0 et t 7→ f i n (t ) le flux de mé-
dicament pénétrant dans le premier compartiment. La fonction f i n est supposée continue.

f i n (t ) k k k k
x1 x2 ... xn

F IGURE 1. Modèles à compartiments de transit

Lemme 1. Les solutions du problème de Cauchy sont données par

∫t
(2) X (t ) = e −kt (I d −N ) X 0 + e −k(t −s)(I d −N ) b(s) d s,
0 F IGURE 2. Modèle d’absorption avec κe = 0.66, k = 1, n = 5, D = 100
où I d désigne la matrice identité de taille n et N est une matrice nilpotente triangulaire infé-
rieure de taille n et b(t ) = ( f i n (t ), 0, · · · , 0)t . Autrement dit, on a La figure 2 illustre le comportement des différentes concentrations au cours du temps
i (kt )i − j ∫t
(k(t − s))i −1 dans le cas d’un modèle à cinq compartiments. On remarque que les maxima des comparti-
x i (t ) = e −kt x 0j + e −k(t −s)
∑
(3) f i n (s) d s, ∀t > 0. ments successifs sont décalés d’une période proche de k1 , illustrant le phénomène de retard
j =1 (i − j )! 0 (i − 1)!
mentionné plus haut.

Démonstration. La démonstration de ce lemme repose sur la réecriture du problème de

Cauchy sous la forme X ′ (t ) = −k(I d − N )X (t ) + b(t ), X (0) = X 0 . □ 2. Modèle de dégradation tumorale
Proposition 1 (Comportement asymptotique). On suppose que limt →+∞ f i n (t ) = f i∗n , autre-
Utilisation d’un modèle à compartiment de transit. On s’intéresse maintenant au pro-
ment dit le flux entrant de médicament converge vers un état stationnaire.
f i∗n cessus de dégradation tumorale. On suppose que le médicament a été administré cette fois-
Alors limt →+∞ x i (t ) = k , c’est à dire les concentrations s’équilibrent. ci par voie intraveineuse entre deux instants t = 4 et t = 8 et que la concentration du médi-
cament dans le sang est de la forme
Modélisation de l’absorption d’un médicament. On peut utiliser les modèles de com-
partiments de transit pour décrire l’absorption d’un médicament administré par voie orale.
( ( ) )
(5) C (t ) = C 0 min 1, e −k a (t −8) − e −k a (t −4) 1t >4 .
Le premier compartiment est appelé le compartiment d’absorption, on peut l’assimiler à
notre estomac, les compartiments suivants sont des compartiments gastro-intestinaux. Le On s’intéresse alors à l’évolution du nombre de cellules tumorales t 7→ p(t ) en prolifération
fait d’avaler un comprimé à un instant t = 0 se traduit par l’apparition du médicament dans dans une tumeur sous l’action de ce médicament. Les cellules tumorales vont petit à petit
le premier compartiment, autrement dit x 1 (0) = D, où D est proportionnel à la dose de mé- subir des dégradations avant d’être réellement détruites. Notons t 7→ x i (t ) le nombre de cel-
dicament. A cet instant, on suppose qu’il n’y pas de présence de médicaments x i (0) = 0 pour lules dans un état de dégradation de type i . Plus l’indice i est grand, plus l’état de dégradation

Page 2/6 Page 3/6

175 176
 est élevé. On introduit d (t ) = x 1 (t )+· · ·+x n (t ) qui désigne le nombre total de cellules endom-
magées. L’évolution des cellules tumorales proliférantes peut alors être décrit par l’équation
suivante
2λ0 λ1 p(t )2
(6) p ′ (t ) = − κe C (t )p(t )
(λ1 + 2λ0 p(t ))(p(t ) + d (t ))
où λ0 , λ1 sont deux paramètres associés à la croissance tumorale et κe est une constante
d’efficacité du médicament. L’évolution des cellules dégradées t 7→ X (t ) = (x 1 , · · · , x n )t peut
être décrite par le système de transit suivant
(7) X ′ (t ) = −k(I d − N )X (t ) + b(t ), X (0) = (0, · · · , 0)t , b(t ) = (κe C (t )p(t ), 0, · · · , 0)t .
L’équation (6) traduit le fait que la croissance tumorale est, en l’absence de cellules dégradées
et pour un nombre de cellules faible, de type exponentiel. Lorsque la tumeur grossit, cette
croissance devient linéaire ; c’est souvent le cas chez la souris. L’action du médicament est
supposée proportionnelle à la concentration du médicament et au nombre de cellules en
prolifération qui sont la cible du médicament. Le système de transit (7) traduit le fait qu’à F IGURE 3. Graphe de t 7→ w r (t ) pour r = 0.7, r = 2, r = 3, r = 4 pour τ = 21 .
l’instant initial, aucune cellule tumorale n’est dégradée, et que le médicament provoque un
flux de dégradation entrant dans le premier compartiment. Pour comprendre l’origine de ces oscillations, on peut regarder le comportement asymp-
La figure 4 (gauche) illustre l’évolution des cellules tumorales dans leurs différents états totique des solutions de ce système. On remarquera que le système admet deux solutions
de dégradation. On notera que l’on ne connaît pas de solutions explicites du système (6)- d’équilibre : w r (t ) = 0, ∀t > −τ et w r (t ) = 1, ∀t > −τ. L’équilibre w r = 0 est clairement in-
(7). On a réalisé cette figure en utilisant un schéma d’Euler explicite pour approcher les stable, on voit que l’équation linéarisée au voisinage de cet équilibre est z ′ = r z dont les so-
solutions(de ce système, ) en veillant à prendre un pas de temps d t > 0 suffisamment petit lutions s’éloignent exponentiellement vite de 0. L’équation linéarisée au voisinage de l’équi-
1 1
d t < min k , κe maxt (C (t )) , pour assurer la positivité des solutions discrètes. libre w r = 1 est quant à elle donnée par z ′ (t ) = −r z(t − τ). On peut alors chercher des solu-
tions de cette équation sous la forme z(t ) = z 0 e λt pour λ ∈ C. On voit que λ doit satisfaire
Équations différentielles avec retard. Une alternative pour tenir compte de ces phéno- une équation dite équation caractéristique donnée par
mènes de retard consiste à utiliser des équations différentielles avec retard. Un des premiers
modèles avec retard introduit dans la littérature, est une variante du modèle logistique. On (9) λ + r e −λτ = 0
rappelle que le modèle logistique w ′ = r w(1− w) a été introduit à la fin du 18i ème siècle pour On remarquera que si τ = 0 alors λ = −r < 0. On retrouve le fait que que les trajectoires du
décrire l’évolution de populations. L’équation modifiée consiste à dire que le taux de crois- modèle logistique convergent vers la valeur 1 lorsque le temps tend vers +∞. On peut alors
w′
sance de la population w rr est une fonction qui décroit linéairement au cours du temps mais montrer la proposition suivante :
en dépendant de la solution à un instant t − τ :
Proposition 3. Si r τ < π2 , alors l’équilibre w r = 1 est stable. Sinon, l’équilibre est instable et si
(8) w r′ (t ) = r w r (t )(1 − w r (t − τ)), ∀t > 0, w r (t ) = w 0 , ∀ − τ < t ≤ 0, r τ > π2 , il existe des solutions périodiques stables.
où τ > 0 désigne le retard observé et w 0 est une constante. Si pour des valeurs de r τ petites, le
Utilisation d’équations différentielles avec retard pour modéliser la dégradation tumo-
profil des solutions reste sigmoidal (profil en forme de S), analogues à celles observées pour
rale. Utilisons cette approche dans l’exemple de dégradation tumorale. On propose de dé-
le modèle logistique (τ = 0), lorsque ce produit augmente, on observe l’apparition d’oscil-
crire l’évolution des cellules tumorales dégradées par une équation avec retard. Le nouveau
lations dans la solution qui peut pour de grandes valeurs du produit r τ devenir périodique
modèle s’écrit
comme le montre la figure 3. Plus précisément, on peut montrer les résultats suivants
(10)
Proposition 2. Le problème de Cauchy (8) admet une unique solution définie pour tout t ≥ 0. 2λ0 λ1

 p ′ (t ) = − κe C (t )p(t ), ∀t > 0, C (t )p(t ) = 0, ∀t ∈] − τ, 0],
De plus cette solution est à valeurs strictement positives si w 0 > 0. (λ1 + 2λ0 p(t ))(p(t ) + d r (t ))
 ′
Démonstration. On peut construire la solution par récurrence de proche en proche sur des d r (t ) = κe (C (t )p(t ) −C (t − τ)p(t − τ)), ∀t > 0, d r (0) = 0,
intervalles de la forme [kτ, (k + 1)τ[ et vérifier que cette solution reste strictement positive. où t 7→ d r (t ) décrit l’évolution temporelle du nombre de cellules dégradées. Les variations
□ de d r expriment le fait que le nombre de cellules qui entrent en dégradation à l’instant t est

Page 4/6 Page 5/6

177 178
 proportionnel au nombre de cellules en prolifération et qu’il faut un temps τ pour que les
cellules en dégradation meurent.
Proposition 4. Le problème de Cauchy (10) admet une unique solution maximale.
Le graphe de droite de la figure 4 propose une comparaison des solutions approchées
obtenues par les deux approches et montre une bonne concordance entre les deux stratégies.

F IGURE 4. Dégradation tumorale. λ0 = 0.2, λ1 = 0.25, κe = 0.01, k = 35 , p(0) =

0.9, n = 5, c 0 = 40, k a = 0.1. Gauche et Milieu : Solution approchée du modèle
avec transit. Droite : Comparaison des modèles de transit et avec retard.

Suggestions et pistes de réflexion

▶ Les pistes de réflexion suivantes ne sont qu’indicatives et il n’est pas obligatoire de les
suivre. Vous pouvez choisir d’étudier, ou non, certains des points proposés, de façon plus
ou moins approfondie, mais aussi toute autre question à votre initiative. Vos investiga-
tions comporteront une partie traitée sur ordinateur et, si possible, des représentations
graphiques de vos résultats. À défaut, si vos illustrations informatiques n’ont pas abouti,
il est conseillé d’expliquer ce que vous auriez souhaité mettre en œuvre.
— Commenter les modèles proposés dans le texte.
— Démontrer le lemme 1 puis la proposition 1. On pourra commencer par le cas f i n (t ) =
f
f i∗n , ∀t ∈ R. On remarquera alors que x i∗ = ki n est un état d’équilibre du système.
— Etudier les propriétés du schéma d’Euler explicite pour le modèle (1) et discuter les
propriétés de positivité des solutions approchées.
— Proposer un modèle avec retard pour l’absorption par voie orale d’un médicament.
— Etudier le modèle de la section 2. On pourra démontrer les propositions 2 et/ou 4.
— Proposer et étudier un schéma numérique pour approcher les solutions du problème
(8).
— Comparer numériquement le modèle de transit et le modèle avec retard pour la modé-
lisation de la dégradation tumorale.

Page 6/6

179