Introduction à la modélisation

mathématique.

Professeur: Noha EL KHATTABI

Université Mohammed-V Agdal - Rabat

Faculté des sciences

19 février 2024

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 1 / 25

Un modèle : c’est quoi ?

C’est une représentation mathématique de certains aspects

d’un objet ou d’un phénomène du monde réel

susceptible d’être analysée par des outils mathématiques adaptés

avec des résultats interprétables.

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 2 / 25

"Tous les modèles sont faux, mais certains sont
utiles" George Box

Un modèle mathématique est nécessaire dès lors que la complexité d’un

phénomène observé ne permet plus à l’intuition d’en comprendre le
fonctionnement ni d’en prévoir l’évolution.

Un modèle mathématique est loin d’être parfait, et n’est qu’une esquisse ou

une caricature de la réalité. De nombreuses forces et interactions
sous-jacentes, une hétérogénéité et des variations et fluctuations aléatoires
peuvent être en jeu.

Un modèle mathématique permet de développer une approximation

suffisamment bonne de la réalité pour atteindre ses objectifs.

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 3 / 25

Modélisation ?

La modélisation est la démarche qui permet l’élaboration d’un modèle.

Elle tient compte :

de l’objet et/ou du phénomène à représenter.

du système formel choisi.

des objectifs du modèle.

des données (relatives aux variables) et connaissances (relations entre les

variables qui font intervenir des paramètres) disponibles ou accessibles par
l’expérience ou par l’observation. Cela passe généralement par une étape de
simplification.

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 4 / 25

Dans quels domaines ?

En physique : Lois de la mécanique ( lois de Newton, pendule, ressort ...),

lois de l’optique (reflexion, réfraction,...), électronique (circuits LC,RLC ...)...

En chimie : actions-réactions ...

En biologie : génétique, biologie moléculaire, dynamique de populations,

interactions des espèces, médecine ...

En économie : microéconomie, macroéconomie, gestion et Organisation

En finance : gestion de portefeuille, équilibre de marchés...

....

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 5 / 25

Le cadre conceptuel
Avant de commencer à modéliser il faut déterminer le cadre conceptuel qui nous
semble adéquat.
Lorsqu’il s’agira par exemple d’un modèle dynamique, il faut préciser d’abord
l’espace temps T :
Si le temps est discret T = {kh|k ∈ Z } où h est une constante positive fixée
et mesurée en heures ou minutes, journées, années,...etc.
Si le temps est continue T = [a, b] ⊆ R.
Ensuite choisir l’espace des phases M dont les points seraient des vecteurs
X = (x1 , x2 , ..., xn ) ∈ M, où x1 , x2 , ...xn , sont des quantités numériques, appelées
variables ou observables, qui caractérisent l’état du système dynamique en
question. Et enfin on définira un processus dynamique :

f : T 7→ M, t → f (x1 (t), x2 (t), ...xn (t))

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 6 / 25
La phase mathématique.

La mise en équation. Pour déterminer le processus dynamique (s’il y a lieu),

on part en général de lois élémentaires (connues ou conjecturales) et on en
déduit des relations entres les variables.

Analyse mathématique. Selon les objectifs identifiés, on cherchera à

résoudre la problématique en question en utilisant la théorie adaptée.

Interprétation et validation du modèle On regarde si les fonctions

obtenues mathématiquement sont proches des fonctions données
expérimentalement. On dit alors que le modèle est valide.

Réajustement Si le modèle n’est pas valide, il faut modifier ou affiner la

phase de mise en équation et construire un autre modèle etc...

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 7 / 25

A quoi sert la modélisation ?

A décrire et comprendre les mécanismes en jeu et leurs interactions (ex :

physique, biologie) : modèle descriptif

A prédire le comportement de certains phénomènes naturels (ex

météorologie) : modèle prévisionnel.

Utiliser des techniques d’aide à la décision afin de pouvoir opter pour la

meilleure prise de décision possible (ex : finance, banque, politique ...)

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 8 / 25

Classification des modèles.

modèle statique (6= dynamique).

Un modèle est statique si la décision prise aujourd’hui n’influe pas sur le
comportement de demain.

déterministe (6= stochastique).

Un modèle est déterministe s’il ne tient pas compte des aspects aléatoires.

Discret ( 6= continu).
Le modèle est discret si les données sont collectées à des intervalles de temps
réguliers ou pas.

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 9 / 25

Les questions qu’on se pose.
Quelles équations modélisent le problème ?

Les équations ont-elles une solution ? (existence)

Si oui, cette solution est-elle unique ? (unicité, multiplicité).

Pouvons-nous en calculer la, une, toutes les ... solution(s) ?

Sinon, que savons-nous de la (ou des) solution(s) ? (étude qualitative)

Pouvons-nous calculer une forme approximative de la solution ? (analyse

numérique)

Si oui, quelle est la qualité de l’approximation ?

Pouvons-nous améliorer l’approximation ? A quel prix ?

Nos résultats sont-ils conformes aux observations ? Sinon on modifie les

équations et on recommence.
Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 10 / 25
Exemples de modèles.

Modèles en temps discret :

an+1 = f (n, an , an−1 , ...an−M )

Exemples :
an+1 = αan + β (Modèle de prêt bancaire)
an+1 = α1 an + α2 an2 + βn (Modèle de population en migration qui change à
chaque niveau)
an+1 = an + an−1 (le futur dépend du présent et du passé)

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 11 / 25

 Modèles avec équations différentielles :

x 0 (t) = F (t, x(t))

Exemples :

x 0 (t) = αx(t) + β
x 0 (t) = α1 x(t) + α2 x 2 (t) + β
x 0 (t) = f (x(t))
x 0 (t) = f (x(t)) + g (x(t − r )) (équation avec retard)

Systèmes dynamiques :

x 0 (t) = f (x(t), y (t))

y 0 (t) = g ((x(t), y (t))

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 12 / 25

 Modèles avec équations aux dérivées partielles :

Exemples :
∂2f ∂2f ∂2f
2
+ 2 + 2 = 0 (Equation de Laplace)
∂x ∂y ∂z
∂2f ∂2f ∂2f 1 ∂2f
2
+ 2+ 2 = (Equation des ondes)
∂x ∂y ∂z c ∂t 2
∂f ∂f
+a = 0 (Equation d’advection)
∂t ∂x

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 13 / 25

 Optimisation :

Sans contrainte :

On cherche x ∗ ∈ Rn tel que f (x ∗ ) = minn f (x)

x∈R

f = fonction objectif x = variable de décision

Avec contraintes :

On cherche x∗ ∈ S tel que f (x ∗ ) = min f (x)

x∈S

S est l’ensemble des contraintes.

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 14 / 25

 Calcul des variations
Z t1
max F (t, x(t), x 0 (t))dt, avec x(t0 ) = x0
t0

Contrôle optimale
R t1
max t0
F (t, x(t), u(t))dt,
x 0 (t) = g (t, x(t), u(t)),
x(t0 ) = x0
Processus d’Itô

dS(t) = µ(S(t), t)dt + σ(S(t), t)dW (t), avec S(0) = s0

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 15 / 25

 Modèles avec simulation :
Quand les mathématiques seuls ne donne pas de visibilité, on a recours à
l’ordinateur qui va mettre en œuvre des données répétitifs moyennant des logiciels
et produisent des schémas interprétables.
Modélisation des données :
A partir des données, il s’agit de construire une fonction qui reflète les relations
entre les variables ; ce qui produit un modèle de la forme :

y = f (x, p)

où p est un paramètre à déterminer par un système input, output.

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 16 / 25

 EXEMPLES D’APPLICATION :
1 Jeux.
Quel est la probabilité pour gagner au solitaire ?
Quel est la meilleur stratégie pour gagner au Black Jack ?
Etant donnée une équipe de baseball avec certains joueurs, dans quel ordre
devrait-il frapper ?

2 Prévision météo.
3 Activité cérébrale.
4 mécanique des fluides.

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 17 / 25

La science délicate des erreurs.

Lorsqu’on simplifie un modèle, on peut ignorer des termes ou des variables. La

difficulté en modélisation est de retenir juste assez de fonctionnalités pour rendre
le modèle utile et peu coûteux.
Voici un exemple simple pour l’illustrer. Supposons qu’on soit amené à résoudre
l’équation εf (x) + x + 1 = 0 où f est une fonction inconnue dont la recherche
peut coûter cher. Pour ε petit, il serait naturel de penser à ignorer f. Dans ce cas
x = −1 est l’unique solution. On va voir que ce choix n’est pas toujours bon.
Si par exemple f (x) = x 2 alors l’équation εx 2 + x + 1 = 0
admet deux solutions √
1 1 − 4ε
x± = − ±
2ε 2ε
et lorsqu’on fait tendre  vers zéro l’une tend vers -1 et l’autre tend vers −∞.

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 18 / 25

 Observons comment change la solution à partir de ε = 0. Graphiquement on
constate qu’elle change rapidement. Faisons un développement limité de x en
fonction de 
x = a0 + a1 ε + a2 ε2 + ...

alors εx 2 + x + 1 = 0 implique que

εx 2 + x + 1 = (a0 + 1) + (a02 + a1 )ε + (2a0 a1 + a2 )ε2 + ... = 0

On obtient x = −1 − ε − 2ε2 + ...

Donc si ε = 0, 01 l’erreur est de l’ordre de 1% et l’erreur augmente rapidement
avec ε.

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 19 / 25

 Exemple 1. Supposons que nous sommes environ en 1650 et que vous possédez
un canon, des boulets de canon et de la poudre. Vous voulez savoir comment
l’angle sous lequel vous visez votre canon affecte la distance à l’endroit visé. On
va mettre en place un modèle très simplifié mais valide. On supposera que :

1. le boulet de canon est un point avec une certaine masse.

2. le canon est un point.

3. on peut mesurer avec précision et obtenir les nombres réels suivants :
La distance parcourue par l’ombre du boulet le long de la ligne sur laquelle le
boulet de canon se déplace.
La hauteur sur une vraie ligne ’mât’ érigée sur la position de départ.
le temps mesuré à partir de l’instant où l’on tire le canon.

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 20 / 25

 On applique la Loi deNewton :

 mx 00 = 0  x 0 = cst = x 0 (0) = v cosθ
0
→
 my 00 = −mg  y 0 = v sin θ − gt,
0

 x = (v cosθ)t
0
→
 y = v (sin θ)t − 1 gt 2 ,
0 2
où v0 est l’intensité de la vitesse initiale.

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 21 / 25

 On cherche le temps t1 pour lequel y (t1 ) = 0

1
v0 sin θ − gt1 = 0
2
2v0 sinθ
t1 =
g
v2 v2
x(t1 ) = 0 2sinθcosθ = 0 sin(2θ)
g g
0 ≤ θ ≤ 45◦ , 0 ≤ 2θ ≤ 90◦ .
Jusqu’à preuve du contraire, ce modèle semble valide , le mouvement

g
y = (tanθ)x − x2
2v02 cos 2 θ

est parabolique ....

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 22 / 25

 Exemple 2 : (modèle discret) En 1202, Fibonacci s’intéressa au problème de
croissance d’une population de lapins dans des circonstances idéales. Le problème
est le suivant :
- on commence avec un couple de jeunes lapins,
- à partir de l’âge de un mois le lapin est capable de se reproduire,
- un couple de lapins (en âge de se reproduire) donne naissance à un autre couple
de lapins tous les mois.
Fibonacci se posa la question suivante : combien y aura-t-il de couples de
lapins après une année ?
La figure ci-dessous illustre l’évolution du nombre de couples de lapins au fur et à
mesure des mois.

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 23 / 25

Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 24 / 25
 On remarque que la suite formée par les nombres de couples après chaque mois
est la suivant
1, 2, 3, 5, 8, 13, 21, 34, ...

et à la fin du mois k les lapins sont ceux présents au mois précédent (Nk−1 ) et les
nouveaux-nés engendrés par les couples en âge de se reproduire, ( Nk−2 ), d’où la
relation
Nk = Nk−1 + Nk−2

Résolution : On cherche des solutions de la √forme : Nk = cz k ce √

qui nous amène
1 + 5 1 − 5
à résoudre : z 2 = z + 1, donc z = z1 = ou z = z2 = , d’où la
2 2
solution
Nk = c1 z1k + c2 z2k

ce qui donne par exemple pour N0 = N1 = 1 :

√ √
1 + 1/ 5 12 1 − 1/ 5 12
N12 = z1 + z2
2 2
Professeur: Noha EL KHATTABI (COURS) FSR 19 février 2024 25 / 25