04-Utilisation des matrices

Chapitre 4 :
Utilisation des matrices
Spé
Maths
- Suite de matrices colonnes (Un) vérifiant une relation de récurrence du type Un+1 = A Un+ C : recherche
d’une suite constante vérifiant la relation de récurrence / étude de la convergence.
- Etude asymptotique d’une marche aléatoire.
I. Suite de matrices et convergence
Définition : Soient
nn
u
et
nn
v
deux suites numériques. La suite
nn
U
définie
par
n
n
n
u
Uv
pour tout n entier, est une suite de matrices colonnes de taille 2.
Définition : Une suite de matrices colonnes qui converge est une suite de matrices dont
tous les coefficients convergent. La limite de cette suite est la matrice dont les
coefficients sont les limites obtenues.
Exemple :
2
2
7
2
3
n
n
e
n
n n
converge vers
0
0
2
Rappel : Une suite qui ne converge pas diverge.
Exemple de suite du type :
1n
U
n
A U
On considère que lorsqu’il ne pleut pas, il fait beau… Des observations météorologiques
permettent de déterminer que lorsqu’il pleut, il pleut le lendemain avec une probabilité
de 0,4, et lorsqu’il fait beau, il pleut le lendemain avec une probabilité de 0,2. Le
premier jour de l’année, on a une chance sur 2 qu’il fasse beau.
Pour tout entier n
0
, on note pn la probabilité qu’il pleuve le n-ième jour de l’année et
qn=1-pnla probabilité qu’il fasse beau le n-ième jour de l’année.
a) Détermine
1
1
p
q
à partir de l’énoncé.
b) Traduis ce système avec 2 phrases :
1
1
0, 4 0, 2
0,6 0,8
n n n
n n n
p p q
q p q
c) Détermine la matrice carrée A d’ordre 2 telle que pour tout entier naturel n
0
:
1
1
n n
n n
p p
A
q q
d) Montre par récurrence que
1
1
1
nn
n
pp
A
qq
.

On veut maintenant déterminer
1n
A
.
e) Soit
0, 25 0,5
0,75 0,5
P 
. Montre que P est inversible, puis calcule
1
P
.
f) Calcule
1
D P A P
.
On en déduit que
1
A P D P
g) Détermine
1n
A
.
h) Calcule
n
n
p
q
grâce à la relation
1
1
1
nn
n
pp
A
qq
.
i) Quels sont les limites des suites
( )
n n
p
et
( )
n n
q
? Interprète ce résultat.
Propriété : Soit
nn
U
une suite de matrices colonnes de taille m définie par la
relation de récurrence :
1n
U
n
A U
pour tout n entier.
Alors, on a :
n
U
0
n
A U
pour tout n entier.
Démonstration : Par récurrence.
Exemple : Soient
nn
u
et
nn
v
deux suites numériques définies pour tout entier
naturel n par :
0
0
1
2
u
v
et
1
1
5 2
3
n n n
n n n
u u v
v u v
Calculer
6
u
et
6
v
.
Exemple de suite du type :
1n
U
n
A U B 
Dans une zone de chasse, on étudie les populations de lièvres et de renards. On sait qu’au début
de chaque année, les populations de lièvres et de renards (en milliers) sont modélisées par :
1
1
1,5 11 0,16
0,1 2 0,08
n n n
n n n
u u v
v u v
,
où
nn
u
et
nn
v
désignent les populations de lièvres et de renards relevées.
a) Les chasseurs de cette région se sont mis d’accord pour prélever chaque année un nombre
fixe de lièvres et un nombre fixe de renards. Combien de chaque ?
b) Combien chaque renard mange-t-il de lièvres en moyenne chaque année ?
c) Traduis ce système à l’aide d’une égalité matricielle.
d) Au bout de quelques années, on s’aperçoit que le nombre de lièvres et de
renards relevés reste constant. Combien compte-t-on de lièvres et de renards chaque année ?

II. Graphes et marche aléatoire
Exemple : On considère 3 joueurs de handball (A, B et C) qui se font des passes.
Lorsque le joueur A a la balle, il la passe de préférence au joueur B avec la probabilité
0,7, et donc au joueur C avec la probabilité 0,3. Lorsque le joueur B a la balle, il la
transmet aux joueurs A et C avec la même probabilité. Et lorsque le joueur C a la balle,
il l’envoie au joueur B dans 80% des cas.
On se pose la question de savoir quelle est la probabilité que les joueurs A, B et C
possèdent la balle après un grand nombre de passes.
a) Réalisation d’un graphe
A, B et C sont les sommets de ce graphe
b) Matrice de transition associée
M=
0 0,5 0, 2
0,7 0 0,8
0,3 0,5 0
Définition :
On considère la variable aléatoire Xn qui prend les valeurs A, B ou C à l’étape n.
A, B ou C sont les états de Xn.
La suite (Xn) est appelée marche aléatoire sur l’ensemble des issues {A,B,C}
La matrice
n
n n
n
p
P q
r
est la matrice colonne des états de la marche aléatoire après n
étapes.
A
B
C
0,3
0,2
0,8
0,5
0,7
0,5
Transition
du sommet
A vers les
autres
sommets
Transition
du sommet
C vers les
autres
sommets
Transition
du sommet
B vers les
autres
sommets

Exemple : Reprenons l’exemple des joueurs de handball.
On considère que le joueur A est celui qui a le ballon initialement. On a donc :
0
1
0
0
P
La matrice des états de la marche aléatoire après n étapes est donnée par la relation de
récurrence :
1n n
P M P
avec
0 0,5 0, 2
0,7 0 0,8
0,3 0,5 0
M
, pour tout
n
Après 5 étapes, on a ainsi :
5
5 0
0, 2318
0,5048
0, 2633
P M P
C'est-à-dire qu’après 5 étapes, le joueur A possède le ballon avec la probabilité 23,18%,
le joueur B possède le ballon avec la probabilité 50,48% et le joueur C possède le ballon
avec la probabilité 26,33%.
Proposition : Si la suite
n
P
des états d’une marche aléatoire est convergente et vérifie
1n n
P M P
, alors la limite P de cette suite est solution de l’équation
P M P 
.
On parle alors d’état stable.
Exemple :
On admet que la marche aléatoire est convergente. Détermine son état stable.
D’après la proposition, on a :
P M P 
C’est-à-dire :
3
0M P I P   
On factorise P :
3
0M I P  
1 0,5 0, 2
0 0,7 1 0,8
0,3 0,5 1
p
q
r
On doit résoudre le système associé:
0,5 0, 2 0
0,7 0,8 0
0,3 0,5 0
p q r
p q r
p q r
D’où :
0,5 0, 2 0
0,65 0,94 0
0,65 0,94 0
p q r
q r
q r
Les 2 dernières lignes sont équivalentes, d’où :
0,94 1, 446
0,65
q r r 
et
0,94
0,5 0, 2 0,5 0, 2 0,923
0,65
p q r r r
Comme
1pqr  
, on doit avoir :
0,923 1, 446 1r r r  
0, 2968r
et donc :
1, 446 0, 4292q r 
et
0,923 0, 2740p r 