Résolution de problèmes concrets

Un problème concret est une situation issue du monde réel (économie, physique, biologie, vie quotidienne, etc.) qui nécessite une solution. Ces problèmes ne sont pas formulés mathématiquement au départ. Par exemple, "Comment maximiser le profit d'une entreprise ?" ou "Quelle est la trajectoire d'un projectile ?".

La modélisation mathématique est l'art de traduire un problème concret en un problème mathématique. C'est un processus qui consiste à simplifier la réalité pour pouvoir l'étudier avec les outils des mathématiques. L'objectif est de créer un modèle mathématique, c'est-à-dire une représentation simplifiée de la réalité sous forme d'équations, de fonctions, de suites, etc.

Le processus de modélisation est crucial car il permet de :

• Comprendre les mécanismes sous-jacents d'un phénomène.
• Prévoir l'évolution future d'une situation.
• Optimiser des processus ou des décisions.

L'importance des hypothèses est primordiale. Pour construire un modèle, on doit souvent faire des simplifications et des hypothèses sur la situation. Par exemple, ignorer la résistance de l'air pour la trajectoire d'un projectile, ou supposer une croissance constante pour une population. Ces hypothèses définissent le domaine de validité du modèle et influencent directement la pertinence des résultats. Un bon modélisateur est conscient des limites de ses hypothèses.

Résoudre un problème concret via la modélisation suit généralement plusieurs étapes :

1. Comprendre le problème :

   • Lire attentivement l'énoncé.
   • Identifier les informations données et ce qui est recherché.
   • Définir les variables pertinentes et leurs unités.
   • Reformuler le problème avec ses propres mots si nécessaire.
   • Dégager les hypothèses implicites ou explicites.

2. Choisir les outils mathématiques (Modélisation) :

   • Traduire le problème concret en langage mathématique.
   • Choisir le type de modèle le plus adapté (fonction, suite, équation, inéquation, etc.).
   • Formuler les relations entre les variables sous forme mathématique.
   • Déterminer les paramètres du modèle à partir des données.

3. Résoudre le problème mathématique :

   • Appliquer les techniques mathématiques appropriées (calcul de dérivées, résolution d'équations, étude de suites, etc.).
   • Effectuer les calculs nécessaires avec rigueur.

4. Interpréter les résultats :

   • Traduire la solution mathématique dans le contexte du problème initial.
   • Donner du sens aux nombres obtenus (unités, ordres de grandeur).
   • Répondre clairement à la question posée par l'énoncé concret.

5. Valider le modèle :

   • Vérifier la cohérence des résultats avec la réalité observée.
   • Identifier les limites du modèle et les situations où il ne serait plus pertinent.
   • Discuter de l'impact des hypothèses initiales sur la solution.

La modélisation mathématique est omniprésente :

• Croissance de populations : Comment prévoir l'évolution du nombre d'individus d'une espèce ? On peut utiliser des suites géométriques pour une croissance sans contrainte ou des fonctions exponentielles, ou encore des suites récurrentes plus complexes (modèle de Verhulst) pour tenir compte de la capacité d'accueil du milieu.
• Optimisation de coûts : Une entreprise veut minimiser ses coûts de production ou maximiser son profit. Cela peut impliquer des fonctions polynomiales (coût total, recette) et l'utilisation de la dérivation pour trouver des extrema.
• Phénomènes physiques simples : La trajectoire d'un objet lancé, la chute d'un corps, la désintégration radioactive. Ces situations peuvent être modélisées par des fonctions du second degré, des fonctions exponentielles ou des équations différentielles (hors programme de Mathématiques Complémentaires). Chaque domaine d'application a ses modèles privilégiés.

Les fonctions affines sont de la forme $f(x) = ax + b$, où $a$ et $b$ sont des constantes réelles. Les fonctions linéaires sont un cas particulier des fonctions affines où $b=0$, donc de la forme $f(x) = ax$.

• Relation de proportionnalité : Une fonction linéaire modélise une relation de proportionnalité directe. Si $y = ax$, alors doubler $x$ double $y$. Par exemple, le prix à payer pour $x$ kg de pommes à $2€/kg$ est $P(x) = 2x$.
• Coût total, revenu :
  • Le coût total d'une production peut souvent être modélisé par une fonction affine : $C(q) = cq + F$, où $q$ est la quantité produite, $c$ le coût unitaire variable et $F$ les coûts fixes.
  • Le revenu (ou la recette) peut être modélisé par une fonction linéaire $R(q) = pq$, où $p$ est le prix de vente unitaire et $q$ la quantité vendue.
• Pente et ordonnée à l'origine : Dans $f(x) = ax + b$, $a$ est la pente (ou coefficient directeur) de la droite représentative. Elle indique le taux de variation de $f(x)$ par rapport à $x$. Si $a > 0$, la fonction est croissante ; si $a < 0$, elle est décroissante. $b$ est l'ordonnée à l'origine, c'est la valeur de $f(x)$ lorsque $x=0$.
  • Exemple : Un forfait téléphonique coûte 10€ par mois plus 0,10€ par minute. Le coût $C(t)$ pour $t$ minutes est $C(t) = 0,10t + 10$. Ici, $a = 0,10$ (coût par minute) et $b = 10$ (coût fixe de l'abonnement). Ces fonctions sont très utiles pour les situations où la variation est constante.

Les fonctions polynomiales du second degré sont de la forme $f(x) = ax^2 + bx + c$, avec $a \neq 0$. Leur représentation graphique est une parabole.

• Optimisation (maximum/minimum) : Les paraboles ont un sommet qui représente soit un maximum (si $a < 0$, la parabole est "ouverte vers le bas"), soit un minimum (si $a > 0$, la parabole est "ouverte vers le haut"). Ce sommet est atteint pour $x = -\frac{b}{2a}$.
  • Exemple : Une entreprise veut maximiser son profit $P(x)$ en fonction de la quantité $x$ produite. Si $P(x)$ est modélisé par une fonction du second degré avec $a < 0$, le sommet de la parabole donnera la quantité optimale à produire pour un profit maximal.
• Trajectoires paraboliques : En physique, la trajectoire d'un projectile (sans frottements de l'air) est souvent modélisée par une fonction du second degré. La hauteur $h(t)$ d'un objet lancé en l'air en fonction du temps $t$ peut être $h(t) = -\frac{1}{2}gt^2 + v_0t + h_0$, où $g$ est l'accélération de la pesanteur, $v_0$ la vitesse initiale et $h_0$ la hauteur initiale.
• Forme canonique : La forme canonique $f(x) = a(x - \alpha)^2 + \beta$ permet de lire directement les coordonnées du sommet : $S(\alpha; \beta)$, où $\alpha = -\frac{b}{2a}$ et $\beta = f(\alpha)$. Cette forme est très pratique pour les problèmes d'optimisation.

• Croissance/décroissance exponentielle :
  • Les fonctions exponentielles sont de la forme $f(x) = Ce^{kx}$ ou $f(x) = C a^x$ (avec $a > 0$). Elles modélisent des phénomènes où la vitesse de variation est proportionnelle à la quantité présente.
  • Si $k > 0$ (ou $a > 1$), c'est une croissance exponentielle (ex: propagation d'une épidémie, placement à intérêts composés).
  • Si $k < 0$ (ou $0 < a < 1$), c'est une décroissance exponentielle (ex: désintégration radioactive, refroidissement d'un corps).
  • Exemple : La population d'une bactérie double toutes les heures. Si $P_0$ est la population initiale, alors $P(t) = P_0 \times 2^t$.
• Datation au carbone 14 : Le carbone 14 se désintègre de manière exponentielle. En mesurant la quantité restante de carbone 14 dans un échantillon archéologique, on peut remonter à l'âge de l'échantillon en utilisant la fonction exponentielle de décroissance.
• Échelle de Richter/pH : Les fonctions logarithmiques sont l'inverse des fonctions exponentielles. Elles sont utilisées pour modéliser des échelles où les variations sont perçues de manière multiplicative plutôt qu'additive.
  • L'échelle de Richter pour les tremblements de terre est logarithmique : une augmentation d'un degré correspond à une multiplication par 10 de l'amplitude des ondes.
  • Le pH est une mesure logarithmique de l'acidité ou de la basicité d'une solution : $pH = -\log_{10}[H^+]$.
  • Les fonctions exponentielles et logarithmiques sont essentielles pour les phénomènes de grande ampleur ou de variations rapides.

Le choix de la fonction la plus appropriée est une étape clé de la modélisation.

• Analyse des données :
  • Représenter graphiquement les données si possible. Ont-elles l'air de suivre une droite, une parabole, une courbe exponentielle ?
  • Calculer les taux de variation : sont-ils constants (affine), varient-ils linéairement (quadratique), ou sont-ils proportionnels à la valeur (exponentielle) ?
• Comportement asymptotique : Une fonction exponentielle tend vers l'infini (ou zéro) rapidement. Est-ce réaliste à long terme pour le phénomène étudié ? Parfois, un modèle plus complexe (comme la fonction logistique) est nécessaire pour tenir compte des limites.
• Limitations du modèle : Aucun modèle n'est parfait. Il est important de comprendre les limites de chaque type de fonction. Une fonction exponentielle de croissance, par exemple, n'est souvent valable que sur une courte période car les ressources ne sont pas infinies. Le choix du modèle doit toujours être justifié par la nature du problème et les données disponibles.

Les suites numériques permettent de modéliser des phénomènes évoluant par étapes discrètes (années, mois, générations).

• Suites arithmétiques : Chaque terme est obtenu en ajoutant une constante (la raison $r$) au terme précédent. $u_{n+1} = u_n + r$. Le terme général est $u_n = u_0 + nr$.
  • Intérêts simples : Un capital placé à intérêts simples rapporte la même somme chaque année. Si 1000€ sont placés à 5% d'intérêts simples, chaque année le capital augmente de $1000 \times 0,05 = 50€$. La suite des capitaux est arithmétique.
  • Amortissement linéaire : La valeur d'un bien diminue d'une somme fixe chaque année.
  • Évolution linéaire : Tout phénomène qui augmente ou diminue d'une quantité constante à chaque étape.
• Suites géométriques : Chaque terme est obtenu en multipliant le terme précédent par une constante (la raison $q$). $u_{n+1} = u_n \times q$. Le terme général est $u_n = u_0 \times q^n$.
  • Intérêts composés : Un capital placé à intérêts composés rapporte des intérêts sur le capital et les intérêts déjà acquis. Si 1000€ sont placés à 5% d'intérêts composés, le capital après $n$ ans est $C_n = 1000 \times (1,05)^n$. La suite des capitaux est géométrique.
  • Décroissance radioactive : Une quantité de matière radioactive diminue d'un certain pourcentage à chaque période.
  • Évolution exponentielle : Tout phénomène qui augmente ou diminue d'un certain pourcentage à chaque étape. Les suites arithmétiques sont aux fonctions affines ce que les suites géométriques sont aux fonctions exponentielles, mais pour des valeurs discrètes.

Une suite récurrente est définie par une relation qui lie un terme de la suite aux termes précédents. La relation la plus courante est de la forme $u_{n+1} = f(u_n)$.

• Modèles de population (Malthus, Verhulst) :
  • Le modèle de Malthus est une suite géométrique simple : $P_{n+1} = k P_n$ (croissance illimitée).
  • Le modèle de Verhulst est plus réaliste : $P_{n+1} = P_n (1 + r(1 - \frac{P_n}{K}))$. Il introduit une capacité d'accueil $K$ du milieu. Quand la population $P_n$ approche $K$, la croissance ralentit.
• Phénomènes discrets : Les suites récurrentes sont idéales pour modéliser des situations où l'état futur dépend directement de l'état présent, sans qu'une fonction continue soit appropriée. Par exemple, l'évolution du stock d'un produit en fin de mois en fonction des ventes et des réapprovisionnements du mois.
• Calcul des premiers termes : Pour étudier une suite récurrente, il est souvent utile de calculer les premiers termes pour observer son comportement. On utilise $u_0$ (ou $u_1$) et la relation de récurrence pour trouver $u_1, u_2, u_3, \dots$. Les suites récurrentes permettent de modéliser des dynamiques plus complexes que les suites explicites.

L'étude du comportement asymptotique d'une suite consiste à analyser ce qui se passe pour $n$ très grand, c'est-à-dire la limite de la suite.

• Convergence et divergence :
  • Une suite converge si elle tend vers une valeur finie $L$ lorsque $n \to +\infty$. On écrit $\lim_{n \to +\infty} u_n = L$.
  • Une suite diverge si elle ne tend pas vers une valeur finie (elle tend vers $+\infty$, $-\infty$, ou n'a pas de limite).
• Interprétation à long terme : La limite d'une suite, si elle existe, donne une prévision à long terme du phénomène modélisé. Par exemple, dans le modèle de Verhulst, la suite des populations converge vers la capacité d'accueil $K$ du milieu.
• Limites de suites :
  • Pour une suite arithmétique de raison $r \neq 0$, la suite diverge vers $+\infty$ ou $-\infty$.
  • Pour une suite géométrique de raison $q$:
    • Si $|q| < 1$, la suite converge vers 0.
    • Si $q = 1$, la suite est constante.
    • Si $q > 1$ ou $q \le -1$, la suite diverge.
  • Pour les suites récurrentes $u_{n+1} = f(u_n)$, si la suite converge vers $L$ et si $f$ est continue en $L$, alors $L$ est une solution de l'équation $L = f(L)$. L'étude des limites est essentielle pour tirer des conclusions sur l'évolution future des systèmes modélisés.

L'optimisation consiste à trouver les valeurs qui maximisent ou minimisent une certaine quantité (profit, coût, distance, aire, etc.).

• Dérivée première et seconde : Pour une fonction $f$ dérivable sur un intervalle, les extrema (maximums ou minimums locaux) sont atteints aux points où la dérivée première $f'(x)$ s'annule et change de signe.
  • Si $f'(x) > 0$, $f$ est croissante.
  • Si $f'(x) < 0$, $f$ est décroissante.
  • Si $f'(x) = 0$ et $f'$ change de signe, il y a un extremum.
  • La dérivée seconde $f''(x)$ permet de déterminer la nature de l'extremum :
    • Si $f'(x_0) = 0$ et $f''(x_0) > 0$, alors $x_0$ est un minimum local.
    • Si $f'(x_0) = 0$ et $f''(x_0) < 0$, alors $x_0$ est un maximum local.
• Tableau de variations : C'est un outil essentiel pour visualiser les variations de la fonction et identifier les extrema. Il résume les signes de la dérivée et les sens de variation de la fonction.
• Recherche de maximum/minimum :
  1. Modéliser la quantité à optimiser par une fonction $f(x)$.
  2. Déterminer le domaine de définition pertinent pour $x$.
  3. Calculer la dérivée première $f'(x)$.
  4. Étudier le signe de $f'(x)$ et construire le tableau de variations de $f$.
  5. Identifier les extrema sur l'intervalle d'étude (y compris les bornes de l'intervalle si la fonction est définie sur un intervalle fermé). L'optimisation est une application majeure des dérivées en mathématiques complémentaires.

Dans les problèmes concrets, la variable d'optimisation $x$ n'est pas toujours libre de prendre n'importe quelle valeur. Elle est souvent soumise à des contraintes.

• Domaine de définition : Les contraintes définissent le domaine de définition de la fonction à optimiser. Par exemple, une quantité produite ne peut pas être négative ($x \ge 0$). Une dimension géométrique doit être positive.
• Conditions d'existence : Il faut s'assurer que les valeurs que l'on cherche sont physiquement ou économiquement possibles. Par exemple, si on cherche une longueur, elle doit être positive. Si on fabrique des objets, la quantité doit être un entier naturel (parfois on travaille avec des réels pour simplifier puis on arrondit).
• Intervalles pertinents : L'optimisation doit être réalisée sur l'intervalle des valeurs possibles pour $x$. Si une fonction admet un maximum en $x=10$ mais que les contraintes imposent $x \in [0, 5]$, alors le maximum sera atteint à la borne $x=5$. Il faut donc toujours vérifier si les extrema trouvés par l'annulation de la dérivée sont dans l'intervalle pertinent et comparer les valeurs de la fonction aux bornes de cet intervalle. Les contraintes réduisent l'ensemble des solutions possibles et orientent la recherche de l'optimum.

Une fois l'optimum mathématique trouvé, il est crucial de le replacer dans le contexte du problème concret.

• Sens concret du résultat : Que signifie la valeur de $x$ qui minimise ou maximise la fonction ? Est-ce une quantité, une taille, un prix ?
  • Exemple : "Le profit maximal est obtenu en produisant 150 unités."
• Unités et ordres de grandeur : Toujours exprimer le résultat avec les bonnes unités et s'assurer que l'ordre de grandeur est réaliste. Un profit de 10 milliards d'euros pour une PME est irréaliste.
• Validité du modèle : Le résultat est-il cohérent avec les hypothèses initiales ? Si le modèle suggère de produire une quantité négative pour minimiser un coût, c'est que le modèle ou les contraintes sont mal posés. Une bonne interprétation permet de transformer une solution mathématique en une décision concrète et utile.

Une fois le modèle construit et les résultats obtenus, une étape cruciale est l'analyse critique.

• Confrontation aux données réelles : Le modèle doit être testé. Si des données réelles sont disponibles, on compare les prédictions du modèle avec ces données. Un bon modèle doit être capable de reproduire fidèlement le comportement observé (passé) et de prédire le comportement futur avec une certaine précision.
• Hypothèses simplificatrices : Rappeler les hypothèses faites lors de la modélisation. Par exemple, "nous avons supposé que la demande était constante", ou "nous avons négligé les frottements de l'air". Ces hypothèses sont la source des limites du modèle.
• Domaine de validité : Préciser les conditions sous lesquelles le modèle est pertinent. Un modèle de croissance de population peut être valable sur quelques années mais pas sur des siècles. Un modèle linéaire est souvent une bonne approximation sur un petit intervalle, mais pas sur un grand. Aucun modèle n'est universellement vrai ; il est valable sous certaines conditions.

La capacité à communiquer clairement les résultats est aussi importante que la résolution elle-même.

• Formulation claire des conclusions : Les conclusions doivent être rédigées dans un langage non mathématique, compréhensible par un public non expert. Elles doivent répondre directement au problème concret posé initialement.
• Utilisation de graphiques et tableaux : Les représentations visuelles sont très efficaces pour illustrer les résultats :
  • Graphiques pour montrer l'évolution d'une fonction, la position des extrema, la comparaison entre les prévisions et les données réelles.
  • Tableaux de valeurs pour présenter les données initiales, les résultats clés ou des scénarios.
• Réponse au problème initial : Toujours revenir à la question de départ et y apporter une réponse claire et synthétique, en utilisant les unités appropriées et en contextualisant les chiffres. La communication efficace transforme des calculs en informations exploitables.

Développer un esprit critique face aux modèles est une compétence fondamentale.

• Précision et incertitude : Les modèles ne donnent pas des vérités absolues, mais des estimations avec un certain degré de précision. Il faut être conscient des incertitudes inhérentes à toute modélisation (erreurs de mesure, variabilité des paramètres).
• Impact des paramètres : Comment une légère modification des paramètres du modèle affecterait-elle les résultats ? Une analyse de sensibilité peut être utile pour comprendre la robustesse du modèle. Par exemple, si une prévision dépend fortement d'un paramètre mal connu, la confiance dans cette prévision devrait être modérée.
• Éthique de la modélisation : Les modèles peuvent avoir un impact significatif sur les décisions (économiques, environnementales, de santé publique). Il est essentiel d'utiliser les modèles de manière responsable, en étant transparent sur leurs limites et en évitant de présenter des prévisions comme des certitudes absolues. Un modèle est un outil d'aide à la décision, pas une boule de cristal.