GRAND ORAL MATHEMATIQUES 2025
Introduction
Aujourd’hui, de plus en plus de jeunes, moi y compris, s’intéressent à la musculation. Que ce
soit pour des raisons de santé, d’esthétique ou de performance, la prise de masse musculaire
est un objectif fréquent. Pourtant, il n’est pas toujours facile de savoir si l’on progresse
correctement ou si l’on adopte la bonne stratégie.
Cela m’a amené à me poser une question : Peut-on utiliser les mathématiques pour prédire ou
optimiser une prise de masse musculaire, en fonction de l’alimentation et de l’entraînement ?
Ce sujet m’a intéressé car il mêle à la fois mon expérience personnelle, la biologie, la
nutrition et les outils mathématiques, notamment les suites et les fonctions. C’est une façon
concrète de montrer que les maths peuvent nous aider à mieux comprendre notre corps et à
atteindre nos objectifs physiques.
Pour y répondre, je vais d’abord présenter les bases de la prise de masse et les paramètres à
prendre en compte. Puis, je construirai un modèle mathématique basé sur une suite. Enfin, j’en
montrerai les limites, et j’explorerai des pistes d’amélioration pour le rendre plus réaliste.
I. Les fondements de la prise de masse et les paramètres
clés
La prise de masse musculaire est un processus qui repose sur deux piliers essentiels :
l’alimentation et l’entraînement. Pour qu’un individu puisse prendre du muscle, il doit être en
excédent calorique, c’est-à-dire consommer plus de calories que ce que son corps dépense
chaque jour. Cet excédent fournit l’énergie nécessaire à la construction de nouvelles fibres
musculaires.
En parallèle, il est indispensable de stimuler les muscles par l’entraînement, généralement
sous forme de musculation, en provoquant des micro-lésions dans les fibres, que le corps va
réparer en les renforçant, ce qui provoque une hypertrophie, autrement dit une augmentation de
la taille des muscles.
Pour modéliser la prise de masses, certains paramètres sont essentiels :
● Le poids initial de l’individu.
● La quantité de calories consommées quotidiennement, en particulier l’excédent par
rapport aux besoins de maintien.
● La quantité de protéines consommées, nécessaire à la synthèse musculaire.
● La fréquence des entraînements par semaine, qui influence la régularité de la
progression.
Par exemple, un pratiquant de 72 kg qui s’entraîne 4 fois par semaine et consomme un
excédent de 500 kcal par jour, avec 2 g de protéines par kg de poids, est dans des conditions
optimales pour prendre de la masse musculaire.
II. Un modèle mathématique simple avec une suite
Pour modéliser la prise de masse musculaire de façon simple, on peut utiliser une suite, qui
permet de représenter l’évolution du poids au fil des semaines.
Prenons le cas d’un individu de 72 kg qui vise une prise de 6 kg en 3 mois, soit 12 semaines.
S’il prend environ 0,5 kg par semaine, on peut supposer que son poids évolue selon une suite
arithmétique de raison r=0,5.
On définit donc la suite P(n) représentant le poids en kg à la n-ième semaine, par :
P(n)=P0+r⋅n
P0 : poids initial, ici P0=72kg
r : raison, c’est le poids qu’on veut prendre par semaines, ici 0,5kg
Ce qui donne :
P(n)=72+0,5n
Par exemple, au bout de 12 semaines :
P(12)=72+0,5×12=78 kg
L’objectif est donc atteint.
Cependant, dans la réalité, le corps ne progresse pas de manière linéaire.
Les débuts sont rapides, puis le rythme ralentit avec le temps à cause de l’adaptation
physiologique.
Il est donc plus réaliste d’utiliser un modèle où la croissance ralentit au fil du temps.
une fonction du second degré est alors sans doute mieux adaptée.
P(n)=P0+a⋅n−b⋅n²
ou:
a représente la vitesse initiale de prise de poids (en kg/semaine),
n représente le nombre de semaines
P(0) représente le poids initial de la personne
b représente le ralentissement progressif (en kg/semaine²),
Par exemple :
P(n)=72+0,6n−0,02n²
Dans ce cas, les premières semaines, la progression est plus rapide, mais la courbe s’aplatit à
partir de la 8e ou 9e semaine.
La suite arithmétique forme une droite, tandis que la fonction du 2nd degré dessine une
courbe plus adaptée.
III. Limites du modèle et améliorations possibles
Le modèle précédent permet une première approche intéressante de la prise de masse, mais il
présente plusieurs limites. En effet, le corps humain est un système complexe qui ne peut
pas être totalement prédit par une simple suite ou une équation.
Premièrement, la prise de muscle ne dépend pas uniquement des calories ou de la fréquence
des entraînements, mais aussi de facteurs individuels comme :
● la génétique (réponse hormonale, morphologie),
● la qualité du sommeil,
● le niveau de stress,
● les antécédents sportifs,
● et même l’âge.
Ces paramètres sont difficiles à intégrer dans un modèle simple, car ils sont qualitatifs ou
variables dans le temps.
Deuxièmement, il faut aussi distinguer la prise de masse musculaire de la prise de poids
totale, qui peut inclure de la masse grasse ou de l’eau. Un modèle basé uniquement sur le
poids total peut donc être trompeur.
Pour améliorer la modélisation, on peut envisager un modèle logistique, souvent utilisé pour
représenter une croissance qui ralentit naturellement à l’approche d’une limite physiologique.
On utilisera donc une formule de fonction logistique :
L
P(t)= P0 + −k(t−t 0)
1+ e❑
où :
● L Limite supérieure (valeur maximale atteignable)
● P0 est le poids initial, ici 72kg
● e est une constante (environ 2,718)
● k est le taux de croissance
● t0 est le point d’inflexion (moment où la croissance commence à ralentir).
● t est le temps en semaines
Ce modèle est plus réaliste car il prend en compte un plateau naturel dans la prise de muscle,
souvent observé après quelques semaines d’entraînement intensif.
Enfin, on pourrait aller encore plus loin en créant un modèle multi-variable, qui intégrerait :
● les calories quotidiennes,
● la quantité de protéines,
● le nombre d’heures de sommeil,
● la charge totale soulevée chaque semaine…
Ce type de modèle pourrait être mis en œuvre via un algorithme ou une application, et
adapté aux données réelles d’un pratiquant via des carnets d'entraînement.
Conclusion
Ainsi, nous avons vu qu’il est possible de modéliser une prise de masse musculaire avec
des outils mathématiques, comme les suites arithmétiques ou les fonctions quadratiques.
Ces modèles permettent de de suivre une progression musculaire dans le temps, et de
comprendre les effets de l’alimentation et de l’entraînement.
Cependant, le corps humain est complexe, et la réalité n’est pas linéaire. Pour rendre le
modèle plus fiable, il faut intégrer d’autres facteurs comme le stress, la récupération ou encore
les limites génétiques. Des fonctions plus avancées comme la fonction logistique permettent
d’approcher ce type de croissance ralentie.
Ce travail montre que les mathématiques ne sont pas réservées à la théorie : elles peuvent
aussi nous aider à prendre soin de nous, à progresser, et à prendre des décisions plus
éclairées.
Et peut-être qu’un jour, grâce aux données récoltées par nos montres connectées et à
l’intelligence artificielle, chacun pourra avoir un modèle personnalisé de progression
musculaire directement dans sa poche.
