Leçon 1 sur 5
La démarche de modélisation mathématique
Je sais conduire les étapes d'une modélisation : formuler la question, poser les hypothèses, choisir variables et paramètres, écrire et analyser le modèle, l'adimensionner, le calibrer et le critiquer.
- 1 h 05
- 4 exercices corrigés
- QCM de 5 questions
À la fin de la leçon, vous saurez :
- Décrire le cycle de modélisation et le rôle de chaque étape
- Distinguer variables, paramètres et hypothèses, et vérifier l'homogénéité
- Adimensionner un modèle pour réduire le nombre de paramètres
- Calibrer un paramètre à partir de données par moindres carrés
- Valider et critiquer un modèle (domaine de validité, sensibilité)
Avant de commencer : Analyse de L1-L2 (dérivées, équations différentielles linéaires, suites), statistique descriptive.
1Je découvre
La mairie d'une commune de Kindia veut savoir si son château d'eau suffira pendant la saison sèche. Les ingénieurs disposent de quelques relevés : le niveau d'eau chaque matin, le débit de la pompe, une estimation du nombre de familles raccordées. Ils demandent à un groupe d'étudiants de Mathématiques de « faire un modèle ».
Faut-il une formule, une équation différentielle, une simulation ? Et comment savoir si le modèle dit quelque chose de vrai ?
Comment passe-t-on d'une question concrète à un modèle mathématique utile, et comment juger ce modèle ?
2Je comprends
1. Le cycle de modélisation
Un modèle mathématique est une représentation simplifiée d'un système réel, écrite avec des objets mathématiques (fonctions, équations, suites, probabilités), construite pour répondre à une question précise. Le cycle :
- Formuler la question : que veut-on prévoir, comparer, optimiser ? À quelle échelle de temps et d'espace ?
- Poser les hypothèses simplificatrices, explicitement.
- Choisir les variables (ce qui évolue) et les paramètres (constantes à estimer).
- Écrire les équations à partir de lois connues (conservation, proportionnalité, lois physiques) ou d'observations.
- Analyser le modèle : solution exacte, équilibres, comportement qualitatif, ou simulation numérique.
- Calibrer les paramètres sur des données.
- Valider : comparer les prévisions à des données non utilisées pour la calibration.
- Interpréter et critiquer ; si nécessaire, revenir à l'étape 2.
Un modèle n'est ni vrai ni faux : il est adapté ou non à une question, dans un domaine de validité.
2. Variables, paramètres, hypothèses, homogénéité
Pour le château d'eau : variable V(t) (volume, en m3), temps t (en jours). Paramètres : débit de pompage Q (m3/jour), consommation par famille c (m3/jour), nombre de familles N.
Hypothèses : Q constant ; consommation constante ; pas de fuites. Loi de conservation :
dVdt = Q - N c
Solution : V(t) = V0 + (Q - Nc) t. Si Q < Nc, le réservoir se vide en t^* = V0Nc - Q.
Raffinement : des fuites proportionnelles au volume (pression plus forte quand le réservoir est plein) donnent dVdt = Q - Nc - kV ; on verra ce type de modèle en leçon 3.
Homogénéité. Chaque terme d'une équation doit avoir la même dimension. Ici tous les termes sont en m3/jour ; dans le modèle avec fuites, k est en jour-1. Vérifier l'homogénéité détecte beaucoup d'erreurs.
3. Adimensionner
On remplace les variables par des quantités sans dimension, en les divisant par des échelles caractéristiques. Cela réduit le nombre de paramètres et fait apparaître les rapports qui comptent réellement.
Exemple résolu. Modèle logistique d'une population dPdt = rP(1 - PK), avec deux paramètres r (temps-1) et K (individus). Posons u = PK et τ = r t. Alors dPdt = K r dudτ et l'équation devient :
dudτ = u(1 - u)
Plus aucun paramètre : toutes les logistiques ont la même forme, à un changement d'échelle près. K fixe l'échelle de population et 1r l'échelle de temps.
4. Calibrer : les moindres carrés
On dispose de mesures (ti, yi) et d'un modèle y = f(t; θ). On choisit le paramètre θ qui minimise :
S(θ) = Σi=1n (yi - f(ti;θ))2
Cas linéaire y = a t + b : on annule les dérivées partielles et l'on obtient
a = Σ (ti - t)(yi - y)Σ (ti - t)2, b = y - a t
Linéariser : un modèle exponentiel y = C eλ t devient linéaire en passant au logarithme : ln y = ln C + λ t.
Exemple résolu. Volumes relevés (fictifs) : t = 0, 1, 2, 3 jours ; V = 500, 470, 445, 410 m3. t = 1,5 ; V = 456,25. Σ (ti - t)(Vi - V) = (-1,5)(43,75) + (-0,5)(13,75) + (0,5)(-11,25) + (1,5)(-46,25) = -65,625 - 6,875 - 5,625 - 69,375 = -147,5. Σ (ti - t)2 = 5. Donc a = -29,5 m3/jour et b = 456,25 + 29,5 × 1,5 = 500,5. Le réservoir perd environ 29,5 m3 par jour : il serait vide vers t^* ≈ 500,529,5 ≈ 17 jours, si les hypothèses tiennent.
5. Valider et critiquer
- Résidus : les écarts yi - f(ti) doivent paraître aléatoires ; une tendance systématique (résidus d'abord positifs puis négatifs) signale un modèle mal choisi.
- Analyse de sensibilité : comment la réponse change-t-elle si un paramètre varie de 10 % ? On calcule la sensibilité relative Sp = pR∂ R∂ p (variation relative de la réponse R pour une variation relative de p).
- Domaine de validité : un modèle linéaire de vidange ne vaut plus quand le réservoir est vide ; une logistique n'a pas de sens pour des effectifs très petits.
- Principe de parcimonie : à qualité égale, préférer le modèle le plus simple. Trop de paramètres conduit au surajustement : le modèle colle aux données passées mais prévoit mal.
Exemple résolu (sensibilité). Pour t^* = V0Nc - Q, avec V0 = 500, Nc = 80, Q = 50 : t^* = 16,7 jours. Sensibilité à Q : ∂ t^*∂ Q = V0(Nc - Q)2, donc SQ = Qt^*·V0(Nc-Q)2 = QNc - Q = 5030 ≈ 1,67. Une erreur de 10 % sur le débit de la pompe donne une erreur d'environ 17 % sur la date de pénurie : il faut mesurer Q avec soin.
3Je retiens
Je retiens
Un modèle répond à une question précise, dans un domaine de validité, sous des hypothèses explicites.
Cycle : question, hypothèses, variables et paramètres, équations, analyse, calibration, validation, critique.
Toute équation doit être homogène : c'est un premier contrôle d'erreur.
Adimensionner réduit le nombre de paramètres et révèle les rapports qui comptent.
Les moindres carrés choisissent les paramètres qui minimisent la somme des carrés des écarts.
On valide sur des données non utilisées pour calibrer, et on étudie la sensibilité aux paramètres.
4Erreurs fréquentes
- Commencer par les équations sans avoir formulé la question ni écrit les hypothèses.
- Mélanger les unités (jours et heures, litres et mètres cubes) : vérifiez l'homogénéité de chaque terme.
- Valider un modèle sur les données mêmes qui ont servi à le calibrer.
- Ajouter des paramètres jusqu'à coller parfaitement aux données : c'est du surajustement.
- Utiliser le modèle hors de son domaine de validité (extrapolation lointaine).
5Je m’exerce
1Exercice 1
(Questions de cours) a) Différence entre variable et paramètre ? b) Pourquoi valider sur des données non utilisées pour la calibration ? c) Qu'est-ce que le surajustement ?
Voir le corrigéCacher le corrigé
a) Une variable évolue au cours du temps ou de l'expérience (volume, effectif) ; un paramètre est une constante du modèle (débit, taux), à estimer. b) Un modèle calibré s'ajuste toujours bien à ses propres données ; seule une comparaison à des données nouvelles mesure sa capacité de prévision. c) Un modèle avec trop de paramètres reproduit aussi le bruit des données : il colle au passé mais prévoit mal.
2Exercice 2
La loi de refroidissement de Newton s'écrit dTdt = -k(T - Ta), où T est la température d'un plat (°C), Ta celle de la pièce, t en minutes. a) Quelle est la dimension de k ? b) Adimensionnez avec θ = T - TaT0 - Ta et τ = k t. c) Résolvez l'équation adimensionnée.
Voir le corrigéCacher le corrigé
a) dTdt est en °C/min et T - Ta en °C : k est en min-1. b) T - Ta = (T0 - Ta)θ et dTdt = (T0 - Ta) k dθdτ ; l'équation devient dθdτ = -θ, avec θ(0) = 1. c) θ(τ) = e-τ, soit T(t) = Ta + (T0 - Ta)e-kt.
3Exercice 3
Une culture de levures (données fictives) : t = 0, 1, 2, 3 heures ; N = 100, 160, 270, 430. a) On suppose N = C eλ t. Linéarisez. b) Estimez λ par moindres carrés sur (t, ln N). c) Prévision pour t = 6 h ? Commentez la validité.
Voir le corrigéCacher le corrigé
a) ln N = ln C + λ t. b) ln N ≈ 4,605 ; 5,075 ; 5,598 ; 6,064. t = 1,5 ; ln N ≈ 5,336. Σ (ti - t)(ln Ni - ln N) = (-1,5)(-0,731) + (-0,5)(-0,261) + (0,5)(0,262) + (1,5)(0,728) ≈ 1,097 + 0,131 + 0,131 + 1,092 = 2,451. λ = 2,4515 ≈ 0,49 h-1. ln C = 5,336 - 0,49 × 1,5 ≈ 4,60, donc C ≈ 100. c) N(6) ≈ 100 e2,94 ≈ 1 900. Extrapolation au double de la plage observée : la croissance exponentielle finit par ralentir (nutriments limités) ; la prévision est douteuse, un modèle logistique serait plus réaliste.
4Exercice 4
(Type examen) Une coopérative de Labé stocke du fonio dans un magasin. Le stock initial est S0 = 12 tonnes. Chaque semaine, elle vend une quantité v et une fraction p du stock est perdue (humidité, rongeurs).
a) Écrivez un modèle discret Sn+1 en fonction de Sn. Précisez les hypothèses.
b) Écrivez le modèle continu correspondant et sa solution, avec v en tonnes par semaine et p en semaine-1.
c) Avec v = 0,8 et p = 0,02, calculez avec le modèle continu la date d'épuisement du stock.
d) Calculez la sensibilité relative de cette date à p (par différence finie : refaire le calcul avec p = 0,022). Que recommandez-vous à la coopérative ?
Voir le corrigéCacher le corrigé
a) Sn+1 = (1 - p)Sn - v. Hypothèses : ventes constantes, pertes proportionnelles au stock, pas de réapprovisionnement.
b) dSdt = -pS - v. Solution : S(t) = (S0 + vp)e-pt - vp.
c) vp = 40. S(t) = 0 ⇔ e-pt = 4052, soit t = 10,02ln5240 = 50 × 0,2624 ≈ 13,1 semaines.
d) Avec p = 0,022 : vp ≈ 36,36 ; t = 10,022ln48,3636,36 = 45,45 × 0,2852 ≈ 12,96 semaines. Variation relative de t : 12,96 - 13,1213,12 ≈ -1,2 % pour +10 % sur p : sensibilité ≈ -0,12. La date dépend très peu des pertes et surtout des ventes : la coopérative doit d'abord planifier ses ventes ou son réapprovisionnement ; améliorer le stockage reste utile pour la qualité.
Cherchez d’abord seul, sur votre cahier, puis ouvrez le corrigé pour comparer.
6Je vérifie
Choisissez une réponse pour chaque question : la correction s’affiche aussitôt.
Karamö, votre enseignant
Il a lu cette leçon. Posez-lui votre question : il vous répond ici.
Connectez-vous pour poser vos questions à Karamö.
Avec un compte Kharandi gratuit, vous cochez les leçons terminées et vous suivez votre progression, cours par cours.
Signaler une erreur dans cette leçon
Toutes les leçons de Option de concentration : modélisation mathématique