Mathématiques Expertes Terminale

Rejoignez la communauté !

Co-construisez les ressources dont vous avez besoin et partagez votre expertise pédagogique.

Nombres complexes

Ch. 1

Nombres complexes, point de vue algébrique

Ch. 2

Nombres complexes, point de vue géométrique

Arithmétique

Ch. 3

Divisibilité dans Z

Ch. 4

PGCD et applications

Ch. 5

Nombres premiers

Graphes et matrices

Ch. 6

Calcul matriciel et applications aux graphes

Ch. 7

Suites et matrices

Annexes

Exercices transversaux

Exercicesp. 238-243

Se préparer au Grand Oral

Grand oral

Présentation du Grand Oral

Grand oral

Conseils pour le Grand Oral

Méthode

Cahier d'algorithmique et de programmation

Chapitre 7

Activités

Suites et matrices

Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.

A
Suite de matrices - modèle « proies-prédateurs »

Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.

Objectif : Généraliser la notion de suite aux matrices.

Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.

On considère une forêt dans laquelle vivent deux espèces : des lapins et des renards. Les renards sont les prédateurs des lapins. On observe l'évolution de la population de chacune de ces deux espèces.
Pour tout entier

n

, on note respectivement

r_{n}

ℓ_{n}

la population de renards et de lapins lors de l'année

2020 + n

.
Après une étude, les biologistes ont déterminé que les suites

(r_{n})

(ℓ_{n})

sont naturellement définies, pour tout entier naturel

n

, de la manière suivante :

{r_{n + 1} = 0, 9 r_{n} + 0, 01 ℓ_{n} ℓ_{n + 1} = - r_{n} + 1, 01 ℓ_{n}

{r_{0} = 10 ℓ_{0} = 10000

Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.

1
Si on note

X_{n}

la matrice colonne

(r_{n} ℓ_{n})

, déterminer la matrice

A

telle que, pour tout

n \in N

X_{n + 1} = A X_{n}

2
Exprimer, pour tout

n \in N

X_{n}

en fonction de

A

, de

X_{0}

et de

n

3
a) Afin d'organiser une chasse dans la forêt, chaque année, on relâche 1 000 lapins et on abat 10 renards.
Modifier la relation de récurrence entre

X_{n + 1}

X_{n}

pour tenir compte de cette information.

b) Calculer alors

X_{1}

X_{2}

X_{3}

Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.

Bilan

Dans chacun des cas étudiés au cours de cette activité, expliciter une méthode permettant d'exprimer, pour tout entier $n$ , $X_{n}$ en fonction de $n$ .

Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.

B
Chaînes de Markov

Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.

Objectif : Introduire la notion de chaîne de Markov.

Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.

Chaque semaine, un agriculteur propose à la vente un jus de fruit dans une bouteille en verre que les clients doivent rapporter lors de l'achat suivant.
On suppose que le nombre de clients de l'agriculteur reste constant.
Une étude statistique donne les résultats suivants :

à l'issue de la première semaine, la probabilité qu'un client rapporte la bouteille s'élève à $0, 9$ ;
si le client a rapporté la bouteille une semaine donnée, alors la probabilité qu'il la ramène la semaine suivante vaut $0, 95$ alors qu'elle ne vaut que $0, 2$ dans le cas contraire.

On choisit au hasard un client parmi la clientèle de l'agriculteur et on note, pour tout entier naturel

n

non nul,

R_{n}

l'événement « Le client rapporte la bouteille de la

n

‑ième semaine. » et

r_{n}

sa probabilité. On a donc

r_{n} = p (R_{n})

Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.

Partie A : En utilisant un arbre pondéré

1
Déterminer

r_{1}

r_{2}

2
Compléter l'arbre pondéré ci‑contre.

Cette fonctionnalité est accessible dans la version Premium.

3
Justifier que, pour tout entier naturel

n

non nul,

r_{n + 1} = 0, 75 r_{n} + 0, 2

4
Démontrer par récurrence que, pour tout entier naturel

n

non nul :

r_{n} = 0, 1 \times 0, 7 5^{n - 1} + 0, 8

Partie B : En utilisant un graphe probabiliste

1
On donne ci‑dessous le graphe probabiliste correspondant à la situation.
La matrice

P

, appelée matrice de transition, synthétise le passage d'un état (

R

\overline{R}

) à l'état suivant.
À l'aide du contexte, expliquer le fonctionnement du graphe probabiliste puis le compléter.

Cette fonctionnalité est accessible dans la version Premium.

P = (0, 95 0, 2 0, 05 0, 8)

.

2
On note, pour tout

n \in N^{*}

t_{n}

la probabilité

t_{n} = p (\overline{R_{n}})

π_{n}

la matrice

(r_{n} t_{n})

.
Justifier que, pour tout

n \in N^{*}

π_{n + 1} = π_{n} \times P

3
Après avoir justifié que, pour tout entier naturel non nul

n

r_{n} + t_{n} = 1

, montrer que

r_{n + 1} = 0, 75 r_{n} + 0, 2

Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.

Bilan

On considère une situation probabiliste où seulement deux événements se succèdent : $A$ et son complémentaire $\overline{A}$ . Comment représenter cette situation à l'aide d'un arbre pondéré ? À l'aide d'un graphe probabiliste ?
Déterminer un avantage du graphe par rapport à l'arbre.

Dessinez ici

Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.

C
Comportement asymptotique

Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.

Objectif : Étudier le comportement asymptotique d'une chaîne de Markov.

Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.

On considère la chaîne de Markov à deux états

A

B

définie par la matrice de transition

P = (0, 9 0, 4 0, 1 0, 6)

et par la distribution initiale

π_{0} = (0, 5 0, 5)

, les sommets étant rangés dans l'ordre alphabétique.

Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.

1
Représenter cette chaîne de Markov à l'aide d'un graphe.

Dessinez ici

2
Calculer la distribution de probabilité après une étape puis après deux étapes.

3
À l'aide du programme ci‑dessous, conjecturer la distribution asymptotique de cette chaîne de Markov.

4
En modifiant le programme, estimer si la distribution asymptotique est dépendante de la distribution initiale.

from random import*

proba_initiale_A = 0.3
proba_initiale_B = 1 - proba_initiale_A

pAA = 0.9
pAB = 0.1
pBA = 0.4
pBB = 0.6

def etat_suivant(etat):
  if etat == "A":
    if random() < pAB:
      return "B"
    else:
      return "A"
  if etat == "B":
    if random() < pBA:
      return "A"
    else:
      return "B"
  
def etat_asymptotique():
  if random() < proba_initiale_A:
    etat = "A"
  else:
    etat = "B"
  for i in range(1000):
    etat = etat_suivant(etat)
  return etat


def simule_distribution(n):
  total = 0
  for i in range(n):
    if etat_asymptotique() == "A":
      total = total + 1
  resultat = total/n
  return resultat

Ressource affichée de l'autre côté.
Faites défiler pour voir la suite.

Bilan

On note $π$ la matrice correspondant à la distribution asymptotique obtenue. Justifier qu'on a $π \times P = P$ et interpréter le résultat.

Une erreur sur la page ? Une idée à proposer ?

Nos manuels sont collaboratifs, n'hésitez pas à nous en faire part.

Oups, une coquille

j'ai une idée !

Nous préparons votre pageNous vous offrons 5 essais

Yolène

Émilie

Jean-Paul

Fatima

Sarah

Utilisation des cookies

Lors de votre navigation sur ce site, des cookies nécessaires au bon fonctionnement et exemptés de consentement sont déposés.

Suites et matrices

A
Suite de matrices - modèle « proies-prédateurs »

B
Chaînes de Markov

Partie A : En utilisant un arbre pondéré

Partie B : En utilisant un graphe probabiliste

C
Comportement asymptotique

Une erreur sur la page ? Une idée à proposer ?

Nous préparons votre pageNous vous offrons 5 essais

Les manuels scolaires

La communauté

Aide et utilisation

À propos

Suites et matrices

ASuite de matrices - modèle « proies-prédateurs »

BChaînes de Markov

Partie A : En utilisant un arbre pondéré

Partie B : En utilisant un graphe probabiliste

CComportement asymptotique

Une erreur sur la page ? Une idée à proposer ?

Nous préparons votre pageNous vous offrons 5 essais

Les manuels scolaires

La communauté

Aide et utilisation

À propos

A
Suite de matrices - modèle « proies-prédateurs »

B
Chaînes de Markov

C
Comportement asymptotique