Modèle mathématique pour modéliser et prédire les
performances d’un Athlète(coureur)
TIPE 2024: Jeu et Sport
Bamouss Younes
SCEI: 11386
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 1/40
Introduction
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 2/40
Sommaire
1 La Chaine de Markov
2 L’Etude théorique
3 Simulation
4 Conclusion
5 Annexe
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 3/40
Chaine de Markov
1)Définition
Une chaine
Une chainede
deMarkov
Markovest estununprocessus
processus
stochastique ( X n ) n qui
stochastique quivérifier
vérifielalapropriété
de Markov:de Markov
propriété
n 1
n * , (i1 ,....., in1 , i, j ) :
P X n1 j X 1 i1 ,...., X n1 in1 , X n i P X n1 j X n i
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 4/40
Chaine de Markov
2)Matrice de transition
Soit A un espace d’état fini
On pose ( x, y ) A 2 : p( x, y ) la probabilité de
passer de l’état x à l’état y
On définit alors la matrice de transition la matrice
On définit alors la matrice de transition
par la matrice p( x1 , x1 ) p( x1avec ) A
, xN N=card(
) P ( p( x, y ))( x , y )A
p( x , x ) p ( xN , xN )
N 1
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 5/40
Chaine de Markov
3)Propriétés de la matrice de
transition
i)On note 0 la loi de X 0 (0(x0 )=P( X 0= x0 ))
Alors:
( x0 ,.., xn ) A n 1 :
n 1
P( X n xn ,.., X 0 x0 ) 0 ( x0 ) p ( xk , xk 1 )
k 0
ii) y A : p( x, y ) 1
xA
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 6/40
Partie théorique
1)Les hypothèses
i)Indépendance
i)Indépendance
ii)A𝔄=
ii) = {1, . . , 𝑁ሽ
1, N
iii)Le pas est constante
iii)Le pas est constant
iv)La vitesse est constant pour chaque
iv)La
étatvitesse est constant pour chaqu
état
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 7/40
Partie théorique
1)Modélisation
• Un coureur possède N états
• Sa matrice de transition
p1,1 p1, N
P
p pN , N
N ,1
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 8/40
Partie theorique
l
La liste V v1 ,....., vN qui
représente la vitesse du coureur
dans chaque état
Le pas
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 9/40
Partie théorique
Le graphe des états G={A ,A} où A: est
l’ensemble desp arrêtes entre les états 1,1
pN , N
p2,2 p1,2
p2,1
1 p1,N
pN ,1 NB: si pi , j =0
p2,3
2p 1,3
N alors pas d’arrêt
pN ,3
de i vers j
p3,3 p3,2 p3,1 p3,N
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 10 / 4 0
Partie théorique
2)Application
i)Le résultat attendue
a1
Le vecteur colonne qui représente
les probabilités 0
a de chaque état à l’instant initial
N
R=Markov(P,A, 0 ,V,d)
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 11 / 4 0
Partie théorique
ii) La bonne démarche
j A : j ( i , j )1i N avec i , j le symbole de
Kronecker
I=[ 1,…., N]
i=état_optimal(P, A,I,V,d)
NB: I n’est pas nécessaire comme
paramètre de la fonction
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 12 / 4 0
Simulation
On définit trois états:
1:État normal
2:État de régénération
3:État d'accélération
A = {1,2,3}
NB: Dans la simulation en Python, il est
préférable d'utiliser A {0,1, 2}
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 13 / 4 0
Simulation
Collection des
données
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 14 / 4 0
Simulation
Joshua Cheptegei
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 15 / 4 0
Simulation
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 16 / 4 0
Simulation
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 17 / 4 0
Simulation
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 18 / 4 0
Simulation
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 19 / 4 0
Simulation
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 20 / 4 0
Simulation
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 21 / 4 0
Simulation
0.77 0.1 0.13
P 0.5 0.3 0.2
0.47 0.06 0.47
V [21.4, 23.2,19] (en km/h)
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 22 / 4 0
Simulation
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 23 / 4 0
Simulation
Comparaison
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 24 / 4 0
Simulation
Nous utilisons la fonction définie
dans l'annexe 'Markov' pour
prédire la performance de Joshua
Cheptegei lors de sa prochaine
course de
10 000 mètres
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 25 / 4 0
Simulation
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 26 / 4 0
Simulation
Le temps effectue par le coureur dans
notre modélisation est 28min50s mais
dans la réalité est 27min43s
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 27 / 4 0
Simulation
Interprétation
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 28 / 4 0
Simulation
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 29 / 4 0
Conclusion
Conclusion:
Le modèle donne en générale
(malgré la qualité de notre matrice de
transition) des résultats proches à la
réalité
Le sport de la course à pied est peut
être décrit par notre hypothèse
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 30 / 4 0
Annexe
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 31 / 4 0
Annexe
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 32 / 4 0
Annexe
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 33 / 4 0
Annexe
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 34 / 4 0
Annexe
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 35 / 4 0
Annexe
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 36 / 4 0
Annexe
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 37 / 4 0
Annexe
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 38 / 4 0
Annexe
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 39 / 4 0
Annexe
Bamouss Younes SCEI: 11386 Modèle mathématique pour modéliser et prédire les performances d’un Athlète(coureur) 40 / 4 0
