Optimisation au concours : Mathématiques BCPST

🎯 Objectif du module & Exigences des Jurys

En tant que concepteur de sujets et président de jury pour les concours de la filière BCPST (Agro-Véto, G2E), je ne le répéterai jamais assez : la différence entre une note de 10/20 et une note de 16/20 ne réside pas dans la quantité de questions traitées, mais dans la rigueur absolue de la rédaction et la maîtrise des méthodes canoniques.

En mathématiques appliquées aux sciences du vivant (statistiques inférentielles, probabilités discrètes et algèbre linéaire), les correcteurs recherchent trois critères fondamentaux :

1. Le respect du cadre probabiliste ou algébrique : Nommer les variables aléatoires, préciser leur loi, vérifier les hypothèses d’application d’un théorème (ex: conditions de validité d’une approximation normale, dimensions des espaces, stochasticité d’une matrice).
2. La structuration de l’argumentation : Un calcul numérique sans formule littérale préalable est sanctionné. Une conclusion statistique sans retour au contexte biologique ou concret perd tous ses points qualitatifs.
3. La propreté de la rédaction : L’utilisation correcte des quantificateurs, l’absence de notations ambiguës et le respect des normes typographiques LaTeX (notamment l’utilisation de \text{...} pour les unités et textes dans les expressions mathématiques).

Ce guide détaille deux thématiques majeures qui tombent quasi-systématiquement aux concours Agro-Véto et G2E.

---

📌 Question Type 1 : Intervalle de confiance et test d’hypothèse (test Z, test t de Student, test de comparaison de moyennes)

💡 Méthode canonique & Étapes de rédaction

Les questions d’inférence statistique se divisent en deux catégories : l’estimation par intervalle de confiance et les tests de décision.

1. Pour un intervalle de confiance (moyenne ou proportion) :

• Étape 1 : Définir rigoureusement la variable aléatoire modélisant l’échantillon $(X_1, X_2, \dots, X_n)$ et préciser son espérance $\mu$ et sa variance $\sigma^2$ (ou la proportion $p$).
• Étape 2 : Identifier la statistique pivotale (ex: la moyenne empirique $M_n = \frac{1}{n} \sum_{i=1}^n X_i$).
• Étape 3 : Appliquer le théorème adéquat (Théorème Central Limite si $n \ge 30$, ou loi normale exacte si la population est gaussienne).
• Étape 4 : Poser l’inéquation de probabilité $1 - \alpha$ et inverser pour isoler le paramètre inconnu.

2. Pour un test d’hypothèse (ex: test de Student pour un échantillon ou comparaison de deux moyennes) :

• Étape 1 : Poser clairement l’hypothèse nulle $H_0$ et l’hypothèse alternative $H_1$ (unilatérale ou bilatérale).
• Étape 2 : Construire la statistique de test $T$ sous l’hypothèse $H_0$ et rappeler sa loi de probabilité théorique.
• Étape 3 : Fixer le risque de première espèce $\alpha$ (seuil de significativité, souvent $5\%$ ou $1\%$) et déterminer la région critique $W_\alpha$ (ou calculer la $p$-valeur si demandée).
• Étape 4 : Calculer la valeur numérique observée $t_{\text{obs}}$ à partir des données de l’échantillon.
• Étape 5 : Conclure en explicitant le rejet ou le non-rejet de $H_0$ dans le contexte de l’énoncé (biologie, agronomie, écologie).

---

📋 Exemple de sujet & Rédaction modèle type Concours

Énoncé type :

On étudie le rendement (en $\text{q/ha}$) d’une variété de blé. Sur un échantillon indépendant de $n = 50$ parcelles, on observe une moyenne empirique $\bar{x} = 65,2 \text{ q/ha}$ et un écart-type empirique corrigé $s = 4,5 \text{ q/ha}$.

1. Déterminer un intervalle de confiance de la moyenne au niveau de confiance de $95\%$.
2. On souhaite tester si le rendement moyen de cette variété diffère de la valeur historique $\mu_0 = 64,0 \text{ q/ha}$. Conclure au seuil $\alpha = 5\%$.

---

Rédaction modèle type /20 :

1. Intervalle de confiance : Soit $(X_1, X_2, \dots, X_{50})$ l’échantillon i.i.d. représentant le rendement des parcelles. La taille de l’échantillon étant $n = 50 \ge 30$, nous pouvons invoquer le Théorème Central Limite. La variable aléatoire centrée réduite associée à la moyenne empirique $\bar{X}_n$ converge en loi vers une loi normale centrée réduite $\mathcal{N}(0, 1)$ : $Z = \frac{\bar{X}_n - \mu}{\frac{S_n}{\sqrt{n}}} \xrightarrow{\text{loi}} \mathcal{N}(0, 1)$ Pour un niveau de confiance $1 - \alpha = 0,95$, la valeur critique associée lue dans la table de la loi normale est $u_{1 - \alpha/2} = 1,96$. L’intervalle de confiance asymptotique au niveau $95\%$ est donné par : $\text{IC}_{0,95} = \left[ \bar{x} - 1,96 \frac{s}{\sqrt{n}} \,;\, \bar{x} + 1,96 \frac{s}{\sqrt{n}} \right]$ A.N. : $\frac{s}{\sqrt{n}} = \frac{4,5}{\sqrt{50}} \approx 0,636$. $\text{IC}_{0,95} = [65,2 - 1,96 \times 0,636 \,;\, 65,2 + 1,96 \times 0,636] = [63,95 \,;\, 66,45] \text{ q/ha}$

2. Test d’hypothèse :

• Hypothèses : On teste $H_0 : \mu = 64,0$ contre $H_1 : \mu \neq 64,0$ (test bilatéral).
• Statistique de test : Sous $H_0$, la variable $T = \frac{\bar{X}_n - \mu_0}{\frac{S_n}{\sqrt{n}}}$ suit approximativement la loi $\mathcal{N}(0, 1)$.
• Région critique : Pour $\alpha = 5\%$, la région de rejet est $W_{0,05} = ]-\infty, -1,96] \cup [1,96, +\infty[$.
• Valeur observée : $t_{\text{obs}} = \frac{65,2 - 64,0}{\frac{4,5}{\sqrt{50}}} = \frac{1,2}{0,636} \approx 1,886$
• Conclusion : Puisque $t_{\text{obs}} = 1,886 \notin W_{0,05}$ (car $1,886 < 1,96$), on ne rejette pas l’hypothèse nulle $H_0$ au seuil de $5\%$. Les données ne permettent pas de mettre en évidence une différence significative entre le rendement moyen observé et la valeur historique de $64,0 \text{ q/ha}$.

---

⚠️ Les pièges majeurs soulignés dans les rapports de jury

• Oubli du TCL ou confusion des lois : Utiliser la loi de Student sans préciser que la population parente est supposée gaussienne, alors que $n \ge 30$ impose d’utiliser l’approximation normale via le Théorème Central Limite.
• Confusion entre écart-type empirique $s$ et écart-type théorique $\sigma$ : Dans les cas pratiques, $\sigma$ est inconnu. Utiliser $s$ (corrigé du facteur $\frac{n}{n-1}$) est impératif.
• Absence de conclusion contextuelle : S’arrêter à “on rejette $H_0$” sans expliciter ce que cela signifie biologiquement ou agronomiquement coûte systématiquement les points de conclusion.

---

📌 Question Type 2 : Réduction de matrices stochastiques et étude d’états d’équilibre en chaîne de Markov

💡 Méthode canonique & Étapes de rédaction

Les chaînes de Markov à temps discret et espace d’états fini sont omniprésentes en génétique des populations, en écologie (dynamique des métapopulations) et en épidémiologie.

• Étape 1 : Caractérisation de la matrice stochastique. Vérifier que la matrice $P = (p_{ij})$ est carrée d’ordre $n$, à coefficients réels positifs ou nuls, et que la somme de chaque ligne vaut $1$ ($\sum_{j=1}^n p_{ij} = 1$).
• Étape 2 : Recherche des valeurs propres. Résoudre l’équation caractéristique $\det(P - \lambda I_n) = 0$. Propriété clé exigée par le jury : Toute matrice stochastique admet toujours $\lambda = 1$ comme valeur propres (car la somme des lignes de $P - I_n$ vaut zéro, donc la somme des colonnes de $P^T - I_n$ est nulle, ce qui annule le déterminant). De plus, le rayon spectral vérifie $\rho(P) \le 1$.
• Étape 3 : Détermination des sous-espaces propres.
  • Pour $\lambda = 1$, résoudre le système linéaire $(P - I_n)X = 0$ pour trouver l’espace des vecteurs stationnaires (ou états d’équilibre).
  • Normaliser le vecteur stationnaire $\pi$ tel que $\sum \pi_i = 1$ (si l’on cherche une distribution de probabilité stationnaire).
• Étape 4 : Diagonalisation ou étude de la limite (si demandé). Utiliser les projecteurs spectraux ou la diagonalisation $P = P D P^{-1}$ pour calculer $P^k$ lorsque $k \to +\infty$, en s’appuyant sur le fait que les valeurs propres de module strictement inférieur à $1$ s’annulant à la limite (si la chaîne est régulière/ergodique).

---

📋 Exemple de sujet & Rédaction modèle type Concours

Énoncé type :

On considère une population d’animaux répartie en deux états : $A$ (sain) et $B$ (porteur sain). D’une année sur l’autre, la dynamique est modélisée par la matrice de transition : $P = \begin{pmatrix} 0,8 & 0,2 \\ 0,4 & 0,6 \end{pmatrix}$

1. Justifier que $P$ est une matrice stochastique. Déterminer ses valeurs propres.
2. Déterminer l’état d’équilibre stationnaire $\pi = (\pi_A, \pi_B)$ de la chaîne.
3. Calculer $\lim_{k \to +\infty} P^k$ et interpréter.

---

Rédaction modèle type /20 :

1. Nature de la matrice et valeurs propres :

• La matrice $P$ est de taille $2 \times 2$ à coefficients réels. Ses coefficients sont tous positifs ou nuls. De plus, la somme des éléments de chaque ligne vaut $1$ :
  • Ligne 1 : $0,8 + 0,2 = 1$
  • Ligne 2 : $0,4 + 0,6 = 1$ Par conséquent, $P$ est une matrice stochastique.
• Recherche des valeurs propres : on calcule le polynôme caractéristique $\chi_P(\lambda) = \det(P - \lambda I_2)$. $\chi_P(\lambda) = \begin{vmatrix} 0,8 - \lambda & 0,2 \\ 0,4 & 0,6 - \lambda \end{vmatrix} = (0,8 - \lambda)(0,6 - \lambda) - (0,2 \times 0,4)$ $\chi_P(\lambda) = \lambda^2 - 1,4\lambda + 0,48 - 0,08 = \lambda^2 - 1,4\lambda + 0,40$ Le discriminant vaut $\Delta = (-1,4)^2 - 4(1)(0,40) = 1,96 - 1,60 = 0,36 = (0,6)^2$. Les racines sont : $\lambda_1 = \frac{1,4 + 0,6}{2} = 1 \quad \text{et} \quad \lambda_2 = \frac{1,4 - 0,6}{2} = 0,4$ Les valeurs propres de $P$ sont donc $\lambda_1 = 1$ et $\lambda_2 = 0,4$.

2. État d’équilibre stationnaire : Un vecteur stationnaire $\pi = (\pi_A, \pi_B)$ vèrifie l’équation matricielle $\pi P = \pi$ avec la condition de normalization $\pi_A + \pi_B = 1$. Cela se traduit par le système : $\begin{cases} 0,8\pi_A + 0,4\pi_B = \pi_A \\ 0,2\pi_A + 0,6\pi_B = \pi_B \\ \pi_A + \pi_B = 1 \end{cases} \iff \begin{cases} -0,2\pi_A + 0,4\pi_B = 0 \\ 0,2\pi_A - 0,4\pi_B = 0 \\ \pi_A + \pi_B = 1 \end{cases}$ La première équation donne $\pi_A = 2\pi_B$. En injectant dans la condition de normalisation : $2\pi_B + \pi_B = 1 \implies 3\pi_B = 1 \implies \pi_B = \frac{1}{3}$ On en déduit $\pi_A = \frac{2}{3}$. L’unique état stationnaire est donc le vecteur $\pi = \begin{pmatrix} \frac{2}{3} & \frac{1}{3} \end{pmatrix}$.

3. Étude de la limite lorsque $k \to +\infty$ : Puisque $P$ est diagonalisable (deux valeurs propres distinctes $\lambda_1 = 1$ et $\lambda_2 = 0,4$ avec $|\lambda_2| < 1$), il existe une matrice de passage $Q$ telle que $P = Q D Q^{-1}$ avec $D = \text{diag}(1, 0,4)$. Par conséquent, $P^k = Q D^k Q^{-1}$. Lorsque $k \to +\infty$, $0,4^k \to 0$, de sorte que : $\lim_{k \to +\infty} D^k = \begin{pmatrix} 1 & 0 \\ 0 & 0 \end{pmatrix}$ Toutes les lignes de la matrice limite $P^\infty = \lim_{k \to +\infty} P^k$ convergent vers le même vecteur stationnaire $\pi$ : $P^\infty = \begin{pmatrix} \frac{2}{3} & \frac{1}{3} \\ \frac{2}{3} & \frac{1}{3} \end{pmatrix}$ Interprétation biologique : À long terme, indépendamment de la répartition initiale des animaux, la proportion d’individus sains dans la population se stabilisera autour de $66,7\%$ et celle des porteurs sains autour de $33,3\%$.

---

⚠️ Les pièges majeurs soulignés dans les rapports de jury

• Confusions dans l’équation d’équilibre : Écrire $P \pi = \pi$ (multiplication à gauche par une matrice colonne) au lieu de $\pi P = \pi$ (vecteur ligne) lorsque l’on manipule des distributions en lignes, ou inversement. Restez cohérent avec le choix de notation du sujet.
• Oubli de la condition de normalisation : Trouver le sous-espace propre associé à $\lambda = 1$ sous forme vectorielle (ex: $(2t, t)$) et oublier d’imposer $\sum \pi_i = 1$, ce qui empêche d’obtenir une distribution de probabilité unique.
• Absence de justification de la limite : Écrire brutalement $\lim P^k$ sans mentionner le fait que les valeurs propres subordonnées ont un module strictement inférieur à $1$ (propriété d’ergodicité/régularité de la chaîne).