Une ressource Excellence Maths. Découvrir le professeur
Le modèle de Lotka-Volterra décrit l’évolution couplée d’une population de proies \(x(t)\) et d’une population de prédateurs \(y(t)\) par le système non linéaire \(x^\prime = ax- bxy\) et \(y^\prime = -cy + dxy\). Pour des effectifs initiaux strictement positifs, hors équilibre, ses solutions oscillent périodiquement autour de l’équilibre de coexistence : c’est le modèle fondateur de la dynamique des populations.
📘 Au programme
Le modèle continu de Lotka-Volterra est un système différentiel non linéaire. Il relève d’un approfondissement en prépa (modélisation, TIPE, oraux), construit à partir des outils du cours : équations différentielles, calcul différentiel, linéarisation. Il n’est pas un chapitre national obligatoire et ne doit pas être confondu avec le modèle discret de suites couplées vu en Terminale maths expertes.
Prérequis : systèmes différentiels linéaires, valeurs propres, matrice jacobienne. Référence des outils : BO n°31 du 26/08/2021, annexe Mathématiques MP-MPI.
I. Les équations de Lotka-Volterra : hypothèses et paramètres
Imagine un lac peuplé de carpes (les proies) et de brochets (les prédateurs). Sans brochets, les carpes prolifèrent ; sans carpes, les brochets s’éteignent. Lotka (1925) et Volterra (1926) ont traduit cette intuition en deux équations différentielles couplées. C’est le point de départ de toute la modélisation des populations.
Définition — Système de Lotka-Volterra
On note \(x(t) \geq 0\) l’effectif des proies et \(y(t) \geq 0\) celui des prédateurs. Le modèle proie-prédateur s’écrit :
\(\begin{cases} x^\prime = ax- bxy \\ y^\prime = -cy + dxy \end{cases}\)
où \(a, b, c, d\) sont des réels strictement positifs.
Chaque terme a un sens biologique précis :
- \(ax\) : croissance exponentielle des proies en l’absence de prédateurs (ressources illimitées) ;
- \(-bxy\) : disparition des proies par prédation, proportionnelle au nombre de rencontres \(xy\) ;
- \(-cy\) : mortalité naturelle des prédateurs privés de nourriture ;
- \(+dxy\) : bénéfice de la prédation pour les prédateurs, également proportionnel aux rencontres.
Le terme croisé \(xy\) rend le système non linéaire : on ne peut pas l’écrire sous la forme \(X^\prime = AX\). C’est précisément ce qui le distingue d’un système différentiel linéaire et qui autorise des comportements riches, comme les oscillations entretenues. Le modèle linéaire discret étudié en Terminale est un autre modèle, et non une discrétisation exacte de ce système non linéaire. Il repose sur des suites couplées : voir le modèle proie-prédateur en Terminale.
II. Points d’équilibre et linéarisation
Pour comprendre un système non linéaire, on cherche d’abord ses états stationnaires, puis on l’approche par un système linéaire au voisinage de chacun. C’est la méthode universelle d’étude qualitative.
Un point d’équilibre \((x^*, y^*)\) annule les deux dérivées. En factorisant \(x(a- by) = 0\) et \(y(-c + dx) = 0\), on obtient deux solutions :
- l’équilibre trivial \((0, 0)\) : les deux espèces sont éteintes ;
- l’équilibre de coexistence \(\left(\displaystyle\frac{c}{d}, \displaystyle\frac{a}{b}\right)\).
On étudie leur nature grâce à la matrice jacobienne du champ de vecteurs. En posant \(f(x,y) = ax- bxy\) et \(g(x,y) = -cy + dxy\) :
\(J(x,y) = \begin{pmatrix} a- by & -bx \\ dy & -c + dx \end{pmatrix}\)
Nature des deux équilibres
En \((0,0)\) : \(J = \begin{pmatrix} a & 0 \\ 0 & -c \end{pmatrix}\). Les valeurs propres \(a\) (> \(0\)) et \(-c\) (< \(0\)) sont de signes opposés : c’est un point col, donc instable.
En \(\left(\displaystyle\frac{c}{d}, \displaystyle\frac{a}{b}\right)\) : \(J = \begin{pmatrix} 0 & -\displaystyle\frac{bc}{d} \\ \displaystyle\frac{da}{b} & 0 \end{pmatrix}\). La trace est nulle et le déterminant vaut \(ac\) (> \(0\)), donc les valeurs propres sont \(\pm i\sqrt{ac}\) : un centre pour le linéarisé.
Le linéarisé prévoit des oscillations de pulsation \(\omega = \sqrt{ac}\). Mais attention : un centre est un cas limite. Le théorème de Hartman-Grobman ne s’applique pas aux valeurs propres imaginaires pures, et la linéarisation seule ne prouve pas que les vraies trajectoires sont périodiques. Pour le démontrer, il faut un argument global : l’intégrale première. On relie ici le cours de maths à la lecture d’un portrait de phase.
La fiche PDF à imprimer
2 pages.
Reçois gratuitement le PDF par e-mail.
Le cours reste accessible sur cette page. Le PDF est envoyé après saisie d’une adresse e-mail.
III. L’intégrale première : des trajectoires fermées
La clé du modèle est l’existence d’une quantité conservée le long des trajectoires. Elle transforme un problème dynamique en une lecture de courbes de niveau.
Propriété — Intégrale première
Dans le quadrant \(x\) (> \(0\)), \(y\) (> \(0\)), la fonction
\(H(x,y) = dx- c\ln x + by- a\ln y\)
est constante le long de toute trajectoire : \(\displaystyle\frac{d}{dt}H(x(t), y(t)) = 0\).
La vérification est directe. En dérivant par composition :
\(\dot H = \left(d- \displaystyle\frac{c}{x}\right)x^\prime + \left(b- \displaystyle\frac{a}{y}\right)y^\prime\)
On remplace \(x^\prime = x(a-by)\) et \(y^\prime = y(dx-c)\) :
\(\dot H = (dx-c)(a-by) + (by-a)(dx-c) = (dx-c)(a-by)- (a-by)(dx-c) = 0\)
Dans le quadrant ouvert, la hessienne de \(H\) est \(\mathrm{diag}(c/x^2,a/y^2)\), définie positive. La fonction est donc strictement convexe, avec un unique minimum à l’équilibre de coexistence. Elle tend vers \(+\infty\) à la frontière et à l’infini. Chaque niveau strictement supérieur au minimum est ainsi une courbe fermée régulière entourant l’équilibre. Le champ y est non nul : la trajectoire parcourt cette courbe en temps fini et est périodique. À l’équilibre, la solution est constante ; les solutions sur les axes ne sont pas des orbites périodiques de coexistence.
Limite du modèle : l’intégrale première vient de la forme particulière des équations ; la dimension 2 ne suffit pas à garantir son existence. Une croissance logistique modifie la dynamique. Si un équilibre strictement positif subsiste, il est localement asymptotiquement stable et peut être un nœud ou un foyer selon les paramètres.
IV. Solutions périodiques, moyennes et principe de Volterra
Puisqu’on ne sait pas exprimer \(x(t)\) et \(y(t)\) explicitement, on exploite une propriété remarquable : les moyennes temporelles sur une période se calculent exactement.
Moyennes sur une période \(T\)
En moyenne sur un cycle, les effectifs valent exactement les coordonnées de l’équilibre :
\(\displaystyle\frac{1}{T}\int_0^T x(t)\,dt = \displaystyle\frac{c}{d} \qquad \displaystyle\frac{1}{T}\int_0^T y(t)\,dt = \displaystyle\frac{a}{b}\)
La démonstration tient en une ligne. De \(\displaystyle\frac{x^\prime}{x} = a- by\), on intègre sur une période :
\(\big[\ln x\big]_0^T = 0 = aT- b\displaystyle\int_0^T y\,dt\)
d’où la moyenne de \(y\). Le même calcul sur \(\displaystyle\frac{y^\prime}{y}\) donne la moyenne de \(x\).
Cette formule a une conséquence spectaculaire, le principe de Volterra. Supposons qu’on pêche uniformément : la croissance des proies devient \(a- h\) et la mortalité des prédateurs \(c + k\) (avec \(0\lt h\lt a\) et \(k\gt 0\), pour conserver une coexistence positive). Les nouvelles moyennes deviennent \(\langle x\rangle = \displaystyle\frac{c+k}{d}\) (qui augmente) et \(\langle y\rangle = \displaystyle\frac{a-h}{b}\) (qui diminue).
L’énigme de l’Adriatique. Pendant la Première Guerre mondiale, la pêche chute en mer Adriatique. Volterra constate alors que la proportion de poissons prédateurs augmente. Son modèle l’explique : moins de pêche, c’est \(h, k \to 0\), donc plus de prédateurs et moins de proies en moyenne. Pêcher modérément profite paradoxalement aux proies — un résultat contre-intuitif que seul le calcul des moyennes révèle.
V. Portrait de phase et courbes des populations
Deux représentations complètent l’étude : les courbes \(x(t)\) et \(y(t)\) en fonction du temps, et la trajectoire dans le plan de phase \((x, y)\).
Dans le plan de phase, chaque condition initiale strictement positive hors équilibre engendre une orbite fermée parcourue dans le sens trigonométrique : quand les proies abondent, les prédateurs se multiplient, ce qui fait chuter les proies, ce qui affame les prédateurs, ce qui laisse les proies repartir. Le cycle recommence. L’amplitude dépend de la condition initiale, jamais des paramètres seuls. Pour classer ce type de trajectoires et comprendre la classification nœud / col / foyer / centre, consulte la fiche dédiée au portrait de phase.
📄 La fiche cours-méthode « Lotka-Volterra » (niveau CPGE — approfondissement / TIPE)
Équations, équilibres, intégrale première, moyennes et script Python commenté, condensés pour tes révisions et ton oral.
La fiche PDF à imprimer
2 pages.
Reçois gratuitement le PDF par e-mail.
Le cours reste accessible sur cette page. Le PDF est envoyé après saisie d’une adresse e-mail.
Reçois gratuitement le PDF par e-mail. Il contient 2 pages de synthèse.
VI. Simuler Lotka-Volterra en Python
Pour les solutions générales, on ne dispose pas d’une formule élémentaire simple ; la simulation numérique est incontournable — en TIPE comme en informatique de prépa. Le réflexe est d’utiliser un intégrateur robuste.
import numpy as np
from scipy.integrate import solve_ivp
import matplotlib.pyplot as plt
a, b, c, d = 1.0, 0.1, 1.5, 0.075
def lotka(t, z):
x, y = z
return [a*x - b*x*y, -c*y + d*x*y]
sol = solve_ivp(lotka, [0, 30], [10, 5], dense_output=True,
rtol=1e-8, atol=1e-10)
t = np.linspace(0, 30, 2000)
x, y = sol.sol(t)
plt.plot(t, x, color="#1f4acc", label="proies")
plt.plot(t, y, color="#caa85a", label="prédateurs")
plt.legend(); plt.show()
⚠️ Erreur de TIPE classique : intégrer avec la méthode d’Euler explicite à grand pas. Comme l’énergie \(H\) n’est pas conservée par le schéma, l’orbite spirale vers l’extérieur et les populations explosent artificiellement. Utilise un pas fin, un schéma d’ordre élevé (RK4, solve_ivp avec rtol petit) ou un schéma préservant la structure, formulé dans des variables hamiltoniennes adaptées. Contrôle aussi la positivité et la dérive de \(H\) : RK4 ne conserve pas exactement cette intégrale.
VII. Variantes du modèle
Le modèle de base est volontairement simpliste. Plusieurs raffinements corrigent ses limites et apparaissent souvent en sujet de modélisation.
| Variante | Modification | Effet qualitatif |
|---|---|---|
| Croissance logistique des proies | \(ax\) remplacé par \(ax(1- x/K)\) | Si \(K\gt c/d\), l’équilibre positif est localement asymptotiquement stable : nœud ou foyer selon les paramètres |
| Réponse de Holling (type II) | Prédation saturante dans les deux équations : \(bxy/(1+\tau x)\) et \(dxy/(1+\tau x)\) | Avec croissance logistique et paramètres adaptés : cycles limites possibles |
| Compétition de Lotka-Volterra | Deux espèces en concurrence pour une ressource | Exclusion compétitive ou coexistence selon les paramètres |
| Trois espèces | Chaîne ou boucle trophique | Dynamiques complexes, voire chaotiques |
Le passage à la croissance logistique est le plus instructif : il montre comment un centre fragile se transforme en un comportement physiquement réaliste dès qu’on introduit une limitation des ressources.
VIII. 🔴 Lotka-Volterra aux concours et en TIPE
Ce modèle est un grand classique des développements d’agrégation, des oraux et des TIPE. Voici les attendus les plus fréquents, au niveau concours.
- Étude qualitative complète : équilibres, jacobienne, intégrale première, caractère borné des solutions maximales et périodicité — dans cet ordre.
- Théorème de Poincaré-Bendixson : dans le plan, une trajectoire bornée sans point d’équilibre dans son adhérence tend vers un cycle. C’est l’outil théorique qui justifie l’existence de cycles limites dans les variantes.
- Principe de Volterra : l’argument des moyennes est un résultat « à effet » très apprécié à l’oral.
- Simulation : en TIPE, comparer explicitement schéma d’Euler et RK4 sur la conservation de \(H\) est une démarche scientifique valorisée.
La linéarisation s’appuie directement sur la réduction des matrices \(2\times 2\) : révise au passage les valeurs propres et vecteurs propres.
IX. Erreurs fréquentes
- Confondre le signe des termes croisés. La proie perd (\(-bxy\)), le prédateur gagne (\(+dxy\)). Inverser les signes revient à inverser les rôles.
- Oublier l’équilibre trivial. \((0,0)\) est toujours un point d’équilibre ; le négliger fait perdre des points en concours.
- Conclure « centre » directement sur le système non linéaire. La jacobienne donne un centre pour le linéarisé ; la périodicité des vraies trajectoires se prouve par l’intégrale première, pas par la linéarisation.
- Faire spiraler l’orbite en Python. Symptôme d’un schéma d’Euler explicite trop grossier (cf. section VI).
X. Exercices corrigés
Exercice 1 — Points d’équilibre ★
On considère le système \(x^\prime = 2x- xy\), \(y^\prime = -3y + xy\). Déterminer tous les points d’équilibre.
Voir la correction de l’exercice 1
On factorise : \(x(2- y) = 0\) et \(y(-3 + x) = 0\).
Premier facteur : \(x = 0\) ou \(y = 2\). Second : \(y = 0\) ou \(x = 3\).
En croisant : \((0,0)\) (avec \(x=0, y=0\)) et \((3, 2)\) (avec \(y=2, x=3\)).
Les deux équilibres sont \((0,0)\) et \((3, 2)\).
Exercice 2 — Nature de l’équilibre de coexistence ★
Pour le système de l’exercice 1, calculer la jacobienne en \((3,2)\) et préciser la nature de cet équilibre.
Voir la correction de l’exercice 2
Ici \(a=2, b=1, c=3, d=1\). La jacobienne générale vaut \(\begin{pmatrix} 2- y & -x \\ y & -3 + x \end{pmatrix}\).
En \((3,2)\) : \(J = \begin{pmatrix} 0 & -3 \\ 2 & 0 \end{pmatrix}\).
Trace nulle, déterminant \(6\) (> \(0\)), valeurs propres \(\pm i\sqrt{6}\).
C’est un centre pour le linéarisé, de pulsation \(\omega = \sqrt{6}\).
Exercice 3 — Vérifier l’intégrale première ★★
Montrer que \(H(x,y) = x- 3\ln x + y- 2\ln y\) est conservée le long des solutions du système de l’exercice 1.
Voir la correction de l’exercice 3
On dérive par composition :
\(\dot H = \left(1- \displaystyle\frac{3}{x}\right)x^\prime + \left(1- \displaystyle\frac{2}{y}\right)y^\prime\)
Avec \(x^\prime = x(2-y)\) et \(y^\prime = y(x-3)\) :
\(\dot H = (x-3)(2-y) + (y-2)(x-3) = (x-3)(2-y)- (2-y)(x-3) = 0\)
\(H\) est bien une intégrale première. Les trajectoires sont donc ses courbes de niveau, fermées autour de \((3,2)\).
Exercice 4 — Période des petites oscillations ★★
Donner la période des oscillations de faible amplitude autour de l’équilibre de coexistence du système général \(x^\prime = ax- bxy\), \(y^\prime = -cy + dxy\).
Voir la correction de l’exercice 4
Au voisinage de l’équilibre, les valeurs propres de la jacobienne sont \(\pm i\sqrt{ac}\) (trace nulle, déterminant \(ac\)).
La pulsation des petites oscillations est donc \(\omega = \sqrt{ac}\).
\(T = \displaystyle\frac{2\pi}{\omega} = \displaystyle\frac{2\pi}{\sqrt{ac}}\)
Cette période limite, valable dans l’approximation linéaire des petites oscillations, ne dépend que de \(a\) et \(c\), pas des coefficients de prédation \(b\) et \(d\).
Exercice 5 — Moyennes sur une période ★★
Soit \(T\) la période d’une solution strictement positive non stationnaire. Démontrer que la moyenne temporelle des proies vaut \(c/d\).
Voir la correction de l’exercice 5
On part de \(\displaystyle\frac{y^\prime}{y} = -c + dx\) (valable car \(y\) > \(0\)).
On intègre sur une période :
\(\big[\ln y\big]_0^T = \displaystyle\int_0^T (-c + dx)\,dt\)
Comme \(y(T) = y(0)\) par périodicité, le membre de gauche est nul :
\(0 = -cT + d\displaystyle\int_0^T x\,dt \;\Longrightarrow\; \displaystyle\frac{1}{T}\int_0^T x\,dt = \displaystyle\frac{c}{d}\)
La moyenne des proies vaut l’abscisse de l’équilibre.
Exercice 6 — Principe de Volterra ★★★
On ajoute une pêche uniforme d’intensité \(\varepsilon\) (> \(0\)) : la croissance des proies devient \(a- \varepsilon\) et la mortalité des prédateurs \(c + \varepsilon\). On suppose \(\varepsilon\) (< \(a\)). Comparer les nouvelles moyennes aux anciennes et commenter.
Voir la correction de l’exercice 6
Le système devient \(x^\prime = (a-\varepsilon)x- bxy\), \(y^\prime = -(c+\varepsilon)y + dxy\). Les formules de moyenne s’appliquent avec les nouveaux paramètres :
\(\langle x\rangle = \displaystyle\frac{c+\varepsilon}{d} \qquad \langle y\rangle = \displaystyle\frac{a-\varepsilon}{b}\)
Par rapport aux moyennes initiales \(\displaystyle\frac{c}{d}\) et \(\displaystyle\frac{a}{b}\) : la moyenne des proies augmente de \(\varepsilon/d\), celle des prédateurs diminue de \(\varepsilon/b\).
Conclusion : pêcher uniformément profite en moyenne aux proies et nuit aux prédateurs. C’est le principe de Volterra, qui explique l’observation de l’Adriatique pendant la guerre : moins de pêche, donc plus de prédateurs relativement.
XI. Questions fréquentes
Quelle est la différence entre le modèle de Lotka-Volterra et le modèle proie-prédateur de Terminale ?
Ce sont deux versions d’une même idée. Le modèle de Lotka-Volterra est continu : deux équations différentielles non linéaires en temps continu. Le modèle de Terminale (maths expertes) est discret : des suites couplées \(U_{n+1} = AU_n\) étudiées par les puissances de matrices. Le premier constitue ici un approfondissement/TIPE ; le second est un problème possible en Terminale maths expertes.
Pourquoi les solutions ne convergent-elles pas vers l’équilibre ?
Parce que l’équilibre de coexistence est un centre et qu’il existe une quantité conservée \(H(x,y)\). Toute trajectoire strictement positive hors équilibre reste sur une courbe de niveau fermée de \(H\), qu’elle parcourt indéfiniment. Aucune dissipation ne la ramène vers l’équilibre.
Peut-on résoudre explicitement les équations de Lotka-Volterra ?
Il n’existe pas de formule élémentaire générale simple pour les orbites de coexistence. Les équilibres et les solutions sur les axes sont toutefois explicites. Pour une condition initiale strictement positive hors équilibre, on combine étude qualitative et simulation numérique contrôlée.
Que devient le modèle si l’on ajoute une saturation des proies ?
Avec \(x^\prime=ax(1-x/K)-bxy\) et \(y^\prime=y(-c+dx)\), l’équilibre positif existe si \(K\gt c/d\) et vaut \((c/d,\ a(1-c/(dK))/b)\). Sa trace est \(-ac/(dK)\lt 0\) et son déterminant \(ac(1-c/(dK))\gt 0\) : il est localement asymptotiquement stable, nœud ou foyer selon le discriminant. Pour \(K\le c/d\), il n’y a pas d’équilibre avec les deux espèces strictement positives.
À quoi sert concrètement le modèle de Lotka-Volterra ?
Au-delà de l’écologie (dynamique des populations), il modélise la propagation d’épidémies, certaines réactions chimiques oscillantes et des phénomènes économiques. C’est aussi un sujet possible de TIPE en approfondissement pour son croisement maths-modélisation.
XII. Pour aller plus loin
Tu maîtrises désormais l’étude qualitative du modèle de Lotka-Volterra. Pour consolider les outils de résolution et les notions voisines :
- Équation Différentielle d’Ordre 2 (Prépa) : Cours
- Équations différentielles : cours complet et méthodes de résolution
- Exercices Équations Différentielles Tle Corrigés + PDF
- Espace vectoriel : cours complet avec démonstrations et exercices corrigés
Dernière mise à jour : 22/10/2026. Contenu d’approfondissement (CPGE / TIPE), construit à partir des outils du programme de mathématiques MP-MPI (BO n°31 du 26/08/2021).