Agro‑Véto BCPST 2026 : corrigé de modélisation mathématique et informatique
Aller à un exercice ou une partie
Proposition de corrigé — non officielle. Voici une résolution de l’épreuve de modélisation mathématique et informatique du concours Agro‑Véto 2026, voie CPGE BCPST.
Ouvrir le sujet officiel · Télécharger une copie du sujet · Retrouver les annales du concours
I. Fonctions génératrices · Q1 à Q4
Q1.1 à Q1.4. Pour 0 ≤ t ≤ 1, chaque terme P(X = n)tⁿ est compris entre 0 et P(X = n). La série de majorants a pour somme 1. La série converge et sa somme appartient à [0, 1]. Avec la convention t⁰ = 1 même pour t = 0, Gₓ(0) = P(X = 0) et Gₓ(1) = 1. Chaque terme est croissant au sens large en t, donc leur somme l’est aussi.
Q1.5 et Q1.6. La variable t exposant X est bornée par 1 et admet donc une espérance et une variance. En sommant sur les valeurs de X, E(t^X) = Gₓ(t). De même, E((t^X)²) = Gₓ(t²), d’où V(t^X) = Gₓ(t²) − Gₓ(t)² ≤ 1.
Q2. Insérer les probabilités binomiales dans la somme. Le terme de rang k est le produit du coefficient binomial C(n,k), de (pt)ᵏ et de (1 − p)ⁿ⁻ᵏ. Le binôme de Newton donne Gₓ(t) = (1 − p + pt)ⁿ, y compris aux deux valeurs extrêmes de p.
Q3.1. Si X ≤ m presque sûrement, les termes d’indice supérieur à m sont nuls. La somme finie est un polynôme défini sur ℝ. Inversement, supposons que Gₓ soit défini sur ℝ et soit un polynôme de degré d. Pour k > d et t > 0, la série n’a que des termes positifs ou nuls. On a donc 0 ≤ P(X = k)tᵏ ≤ Gₓ(t). Après division par tᵏ, le majorant Gₓ(t)/tᵏ tend vers zéro quand t tend vers +∞. Ainsi P(X = k) = 0 pour tout k > d, donc P(X ≤ d) = 1.
Q3.2. X est bornée presque sûrement, donc intégrable. Dériver la somme finie et prendre t = 1 donne Gₓ′(1) = Σ k P(X = k) = E(X).
Q4. Une même loi donne les mêmes coefficients et le même polynôme. Réciproquement, une différence de deux polynômes qui s’annule sur [0, 1] a une infinité de racines et est nulle. L’égalité de leurs coefficients donne l’égalité des probabilités pour chaque valeur de 0 à m, donc la même loi.
II. Deux sélections successives · Q5 à Q12
Q5–Q6. Grâce à A1, chaque plante atteint le seuil avec probabilité p₁. A3 rend les n indicatrices indépendantes, donc J₁ suit une binomiale de paramètres n et p₁. Pour Q6, une plante est finalement retenue avec probabilité (2/3)(3/4) = 1/2 grâce à A2 et A4. Avec A3, J₂ suit la binomiale de paramètres 2 et 1/2, de probabilités 1/4, 1/2 et 1/4 pour les valeurs 0, 1 et 2.
Q7. La première boucle mémorise, plante par plante, les succès de croissance. La seconde simule la floraison pour les seules plantes retenues et augmente le compteur d’une unité à chaque succès.
def J2(n, p1, p2):
aux = 0
l = [0 for i in range(n)]
for i in range(n):
if rd.binomial(1, p1) == 1:
l[i] = 1
for i in range(n):
if l[i] == 1:
if rd.binomial(1, p2) == 1:
aux = aux + 1
return aux
Q8.1–Q8.2. Les événements J₁ = i sont disjoints et couvrent l’univers, puisque 0 ≤ J₁ ≤ n. Leur probabilité est positive, car la loi binomiale de Q5 a 0 < p₁ < 1. Conditionnellement à la liste des i plantes qui atteignent le seuil, A2 et A4 donnent une probabilité p₂ de floraison pour chacune, et A3 conserve l’indépendance. Le résultat ne dépend que de la taille i de cette liste. Conditionnellement à J₁ = i, J₂ suit la binomiale de paramètres i et p₂, y compris i = 0, où J₂ = 0.
Q8.3–Q8.5. Pour obtenir P(J₂ = ℓ), partitionner selon J₁. Seuls les i ≥ ℓ contribuent, avec le terme C(i,ℓ)p₂ˡ(1 − p₂)ⁱ⁻ˡ C(n,i)p₁ⁱ(1 − p₁)ⁿ⁻ⁱ, où les exposants l représentent l’entier ℓ. L’identité C(i,ℓ)C(n,i) = C(n,ℓ)C(n − ℓ,i − ℓ) compte le même choix de deux groupes emboîtés en commençant par le grand ou le petit. En posant k = i − ℓ, on sort le facteur C(n,ℓ)(p₁p₂)ˡ. La somme restante est le développement de [p₁(1 − p₂) + (1 − p₁)]ⁿ⁻ˡ. Pour 0 ≤ ℓ ≤ n, on obtient P(J₂ = ℓ) = C(n, ℓ) × (p₁p₂)^ℓ × (1 − p₁p₂)^(n−ℓ). C’est la loi binomiale de paramètres n et p₁p₂.
Q9. Le premier appel tire J₁ et le second tire la loi conditionnelle de J₂ pour la valeur obtenue. Cette simulation à deux appels reproduit la loi finale établie en Q8.
Q10.1. On peut associer à chaque plante une indicatrice de floraison, y compris lorsque sa croissance l’écarte de l’observation. Numéroter d’abord les plantes ayant atteint le seuil, puis les autres, dans l’ordre des indices d’origine au sein de chaque groupe. La permutation ne dépend que des indicatrices de croissance. Conditionnellement à celles-ci, les indicatrices de floraison réindexées X₁, …, Xₙ restent indépendantes et suivent toutes la Bernoulli de paramètre p₂, par A2, A3 et A4. La loi conjointe ne dépendant pas de la croissance, elles sont aussi indépendantes de J₁. On a J₂ = X₁ + … + Xⱼ₁, somme nulle quand J₁ = 0.
Q10.2–Q10.3. On admet la composition demandée. Gⱼ₂(t) = Gⱼ₁(1 − p₂ + p₂t) = (1 − p₁p₂ + p₁p₂t)ⁿ. Par Q2 et l’unicité de Q4 sur {0, …, n}, c’est la binomiale de paramètres n et p₁p₂.
Q11–Q12. Pour une plante, le produit p₁p₂ vient de l’indépendance des deux phases. Les réussites finales sont indépendantes d’une plante à l’autre. J₂ en est la somme binomiale. La fonction mystere2 simule cette fois les deux indicatrices pour chaque plante, même quand le premier tirage est nul. Elle compte seulement celles où les deux valent 1.
III. Descendance et extinction · Q13 à Q30
Q13 à Q19 · Arbres et population moyenne
Q13. H3 impose une même loi de descendance pour toutes les euglènes et tous les jours. H5 impose une borne m au nombre de descendants. H6 donne l’indépendance de tous les tirages, entre individus d’un jour et entre jours différents.
Q14–Q16. N₀ = 1, donc N₁ = D₀,₁, qui suit la loi de D. Si Nⱼ ≤ mʲ, alors au jour suivant chacune des Nⱼ euglènes donne entre 0 et m descendants, donc 0 ≤ Nⱼ₊₁ ≤ mʲ⁺¹. Le rang 0 vérifie 1 ≤ m⁰. Par H4, le support des probabilités positives est inclus dans {0, …, m} et contient m.
Q17. Les nombres sur les nœuds indiquent le nombre d’enfants. Au jour 2, chaque point représente un individu dont la descendance n’est pas précisée.
Jour 0 Jour 1 Jour 2
A₁ 4
├─────── 0
├─────── 2 ┬───── •
│ └───── •
├─────── 1 ────── •
└─────── 0
A₂ 3
├─────── 0
├─────── 0
└─────── 0
Par indépendance, P(A₁) = p₄p₀²p₂p₁ et P(A₂) = p₃p₀³. Les facteurs sont positifs sous l’hypothèse de Q17. A₁ implique N₂ = 3, et 3 est la seule valeur compatible puisque P(A₁) > 0. L’arbre de racine 3 et de descendance (1, 1, 1) au rang suivant a probabilité p₃p₁³ > 0. Il donne lui aussi N₂ = 3 tout en étant disjoint de A₁. Cela établit l’inégalité stricte.
Q18.1–Q18.2. Nⱼ est construit avec les tirages des jours strictement inférieurs à j. Il est donc indépendant du vecteur des Dⱼ,ₖ du jour j. Les composantes de ce vecteur sont elles-mêmes indépendantes. En partitionnant selon Nⱼ = ℓ, la population au jour suivant est la somme de ℓ tirages. On obtient Σ P(Nⱼ = ℓ) P(Dⱼ,₁ + … + Dⱼ,ℓ = n), pour ℓ de 0 à mʲ, avec la convention de la somme vide.
Q18.3–Q18.4. La borne m pour D, et les bornes mʲ et mʲ⁺¹ pour les effectifs, assurent les espérances. Dans la formule précédente, la moyenne conditionnelle de la somme de ℓ tirages vaut ℓ E(D). En sommant, E(Nⱼ₊₁) = E(D) E(Nⱼ). La récurrence et E(N₀) = 1 donnent E(Nⱼ) = E(D)ʲ.
Q19. Si E(D) > 1, le modèle prédit une moyenne qui croît sans borne. Cela peut décrire une phase initiale. À long terme, la place et les ressources sont limitées. La descendance peut alors dépendre de la densité et des conditions communes, ce que la loi constante et l’indépendance H6 ne représentent pas.
Q20 à Q23 · Probabilités et algorithmes d’extinction
Q20. Après A₁, il reste trois euglènes au jour 2. Leurs trois lignées futures sont indépendantes, chacune avec probabilité d’extinction α. P(E₀ | A₁) = α³. Après A₂, l’effectif du jour 2 est nul. La somme vide le maintient à zéro, donc P(E₀ | A₂) = 1.
Q21. Pour p > 0, m = 2 vérifie H4. On résout 1 − p + pt² − t = 0, qui se factorise en (t − 1)(pt + p − 1). La plus petite racine dans [0, 1] est αₚ = 1 si 0 < p ≤ 1/2, puis αₚ = (1 − p)/p si 1/2 < p ≤ 1. Cette seconde expression décroît strictement de 1 à 0. En dessous du seuil la disparition est certaine. Au-dessus, augmenter p réduit sa probabilité.
Q22.1–Q22.2. Les lignes 4 à 6 remettent le compteur à zéro puis additionnent un tirage de D pour chacun des N individus présents. N1 à la ligne 16 est le nombre d’enfants de la racine, c’est-à-dire l’effectif de la première génération.
Q22.3. La version itérative avance en largeur, une génération entière après l’autre. Elle stocke des compteurs et s’arrête dès que l’effectif vaut zéro. La version récursive explore en profondeur, une lignée jusqu’à l’horizon demandé avant de passer à la suivante. Elle renvoie immédiatement False dès qu’une lignée atteint cet horizon. Elle peut donc éviter des tirages lorsque la population survit, au prix d’une pile d’appels de profondeur au plus j + 1. Quand toutes les lignées s’éteignent au plus tard au jour j, les deux méthodes traitent leurs descendants jusqu’à extinction. L’avantage de la version récursive dépend donc de l’arbre simulé.
Q23.1–Q23.3. Avec p₀ = p₂ = 1/2, H4 vaut pour m = 2. Q21 donne α = 1. La valeur J = 0 correspond à l’absence d’extinction, donc P(J = 0) = 0. Comme P(J = j) ∼ 2/j², les termes jP(J = j) sont équivalents à 2/j. Leur somme diverge comme la série harmonique. Le temps est fini presque sûrement, mais son espérance est infinie.
Q23.4. Sans descendant, l’extinction survient au jour 1. Si la racine en a deux, les deux temps sont mesurés à partir de la génération suivante. Il faut attendre la plus longue lignée et ajouter le premier jour.
def temps_extinction():
if simule_D() == 0:
return 1
else:
t1 = temps_extinction()
t2 = temps_extinction()
return 1 + max(t1, t2)
Q24 à Q30 · Point fixe et calcul numérique
Q24. Quand l’extinction a lieu, il existe un unique premier jour j + 1 où l’effectif tombe à zéro, puisque N₀ = 1. Les événements (Nⱼ₊₁ = 0 et Nⱼ ≠ 0) sont disjoints et leur réunion est E₀. Au jour j + 1, un effectif nul provient soit de cette première extinction, soit d’un effectif déjà nul au jour j. Les probabilités de ces deux cas disjoints s’additionnent pour donner aⱼ₊₁. Le second cas a pour probabilité aⱼ. La probabilité d’une première extinction au jour j + 1 vaut donc aⱼ₊₁ − aⱼ. D’où α = Σ(aⱼ₊₁ − aⱼ). Les sommes partielles télescopent et a₀ = 0, donc aⱼ → α.
Q25.1–Q25.4. Partitionner selon N₁ = n pour n dans S. Ces valeurs ont pour probabilités pₙ. Conditionnellement à n, les n lignées démarrent au jour 1. L’indépendance des tirages à chaque génération donne des lignées indépendantes après cet instant, chacune régie par la loi initiale. On peut le voir en regroupant, à chaque jour, les tirages indépendants selon les descendants de chaque ancêtre. La probabilité qu’une lignée soit éteinte au bout des j jours suivants est aⱼ, donc la probabilité conditionnelle pour toutes est (aⱼ)ⁿ, égale à 1 pour n = 0. Ainsi aⱼ₊₁ = Σ pₙ (aⱼ)ⁿ = Gᴅ(aⱼ). Comme Gᴅ est un polynôme continu, le passage à la limite donne α = Gᴅ(α).
Q25.5–Q25.6. Soit t un point fixe dans [0, 1]. Au rang 0, a₀ = 0 ≤ t. Si aⱼ ≤ t, la croissance de Gᴅ donne aⱼ₊₁ ≤ Gᴅ(t) = t. À la limite α ≤ t. Comme α est lui-même un point fixe, c’est le plus petit.
Q26. Si α = 0, l’équation du point fixe impose Gᴅ(0) = p₀ = 0. Si p₀ = 0, 0 est un point fixe et donc le plus petit, d’où α = 0.
Q27. f = Gᴅ − id est un polynôme. Pour t > 0, f″(t) = Σ k(k − 1)pₖtᵏ⁻² (k de 2 à m) est strictement positif, car pₘ > 0 et m ≥ 2. Cela suffit pour que f′ soit strictement croissante sur [0, 1], même si f″(0) = 0. Enfin f′(0) = p₁ − 1 < 0.
Q28. Si E(D) ≤ 1, f′(1) = E(D) − 1 ≤ 0 par Q3.2. Alors f′ est strictement négative sur [0, 1[. f décroît strictement jusqu’à f(1) = 0, son unique zéro, et α = 1. L’extinction est certaine dans les cas sous-critique et critique.
Q29. Si E(D) > 1, f′(1) > 0. La continuité et la croissance stricte de f′ donnent un unique zéro β dans ]0, 1[. f décroît sur [0, β], puis croît sur [β, 1]. Donc f(β) < f(1) = 0 alors que f(0) = p₀ ≥ 0. Il existe exactement un zéro sur [0, β], éventuellement 0, et un second zéro en 1. Le premier est α < 1. La population a donc une probabilité strictement positive de survivre.
Q30. Pour tout milieu b dans ]0, 1[, f(b) > 0 indique que b < α, et f(b) ≤ 0 que b ≥ α. Ceci découle des variations précédentes, y compris quand α = 0 ou α = 1. En conservant a ≤ α ≤ c, la borne supérieure c donne l’approximation par excès, avec c − α ≤ ε.
def proba_extinction(epsilon):
a = 0
c = 1
while c - a > epsilon:
b = (a + c) / 2
if G_D(b) - b > 0:
a = b
else:
c = b
return c
IV. Tracer une fonction génératrice · Q31 à Q33
Q31.1. Pour t fixé, les n variables t exposant Xⱼ sont indépendantes, de moyenne Gₓ(t) et de variance au plus 1 par Q1. La moyenne empirique a donc une variance au plus 1/n. L’inégalité de Bienaymé–Tchebychev donne la borne demandée 1/(nε²) pour la probabilité d’une erreur absolue d’au moins ε.
Q31.2–Q31.3. L’événement complémentaire de l’intersection est l’union des échecs aux p + 1 abscisses. La probabilité de cette union est au plus la somme des probabilités d’échec, même si les valeurs empiriques utilisent le même échantillon. Ainsi P(⋂ Aᵢ) ≥ 1 − (p + 1)/(nε²). Il suffit de choisir n ≥ (p + 1)/(ηε²), en prenant le plafond entier.
Q32. La ligne 4 choisit un entier strictement supérieur au seuil précédent. Les lignes 7 et 8 calculent, pour chaque i, la moyenne des puissances de x[i] élevées aux valeurs simulées. Les lignes 9 et 10 ajoutent ou retirent ε pour borner la valeur cherchée. À chaque abscisse, la distance verticale entre les deux valeurs vaut 2ε. L’événement ⋂ Aᵢ assure que Gₓ passe entre les deux bornes à chacune des p + 1 abscisses. Sa probabilité est au moins 1 − η. La garantie porte sur ces segments aux abscisses choisies.
Q33. Quand les probabilités sont connues, additionner exactement les m + 1 termes du polynôme à chacune des p + 1 abscisses. En Python, 0.0**0 vaut 1, ce qui préserve la contribution de p₀ au premier point.
def trace2(p, liste):
x = [i / p for i in range(p + 1)]
y = [0 for i in range(p + 1)]
m = len(liste) - 1
for i in range(p + 1):
for n in range(m + 1):
y[i] = y[i] + liste[n] * x[i]**n
plt.plot(x, y, marker="o")
plt.show()