Interprétation critique des modèles

Critiquer un modèle

Environ 45 minutes

  • Comparer des modèles sur des données.
  • Repérer une prévision inadmissible.
  • Formuler une conclusion avec ses limites.
Sommaire
  1. 1. Un modèle est une représentation choisie
  2. 2. Comparer les prévisions aux observations
  3. 3. Interpoler, extrapoler et confronter des modèles
  4. 4. Séparer association, cause et simulation
  5. 5. Rédiger une conclusion à la bonne portée
  6. S’entraîner

Une courbe qui passe par toutes les mesures peut-elle donner une mauvaise prévision ?

Oui, si on lui demande de décrire une situation différente de celle qui a servi à la construire. Cet atelier rassemble les réflexes nécessaires pour interpréter un calcul : examiner les données et les hypothèses, mesurer les écarts, vérifier les unités et les bornes, puis formuler une conclusion dont la portée reste justifiée.

1. Un modèle est une représentation choisie

Un modèle mathématique relie des grandeurs pour décrire ou prévoir un phénomène. Il peut s’agir d’une fonction, d’une suite, d’une loi de probabilité ou d’un algorithme de simulation. Il simplifie la réalité en conservant certains aspects et en négligeant les autres. La bonne question n’est donc pas « ce modèle est-il vrai partout ? », mais « pour quelle question, dans quelles conditions et avec quelle précision est-il utile ? ».

Commence par définir les variables et leurs unités. Si t désigne une durée en heures et E une énergie en Wh, les coefficients d’une relation entre t et E ont une signification liée à ces unités. Indique ensuite le domaine étudié : temps positif, capacité limitée, température comprise dans une plage de mesure. Une expression peut être définie mathématiquement pour des valeurs qui n’ont aucun sens dans la situation.

Distingue trois niveaux. Les données sont les observations fournies ou mesurées. Les hypothèses expriment ce que le modèle suppose, par exemple une vitesse constante ou des essais indépendants. Les conclusions sont déduites des données et des hypothèses. Une conclusion exacte à l’intérieur du modèle ne prouve pas automatiquement que les hypothèses sont satisfaites dans le système réel.

Les modèles proportionnel, affine et exponentiel ne disent pas la même chose. Une relation proportionnelle y = ax passe par l’origine. Une relation affine y = ax + b autorise une valeur initiale non nulle. Un modèle exponentiel y = caˣ correspond à un facteur multiplicatif constant pour des augmentations égales de x. Choisir la forme d’après l’allure des données est une première étape ; il faut ensuite vérifier si son sens convient au phénomène.

2. Comparer les prévisions aux observations

Pour une mesure yᵢ et une prévision f(xᵢ), l’écart signé vaut yᵢ − f(xᵢ). Un écart positif indique que la mesure est au-dessus de la prévision ; un écart négatif indique l’inverse. La somme des écarts peut être nulle alors que chaque prévision est imparfaite, car des signes opposés se compensent. On utilise donc souvent leurs carrés pour comparer des ajustements sur les mêmes observations.

Les écarts des mesures à la droite sont petits mais non tous nuls ; une tendance proche ne signifie pas une égalité exacte.

Exemple résolu

Les mesures sont (0 ; 1), (1 ; 3,1) et (2 ; 4,9). Compare les modèles f(x) = 2x + 1 et g(x) = 2x à l’aide de la somme des carrés des écarts.

  1. Étape 1 : Pour f, les prévisions sont 1, 3 et 5. Les écarts mesure moins prévision sont 0, 0,1 et −0,1.
  2. Étape 2 : La somme des carrés vaut S_f = 0² + 0,1² + (−0,1)² = 0,02.
  3. Étape 3 : Pour g, les prévisions sont 0, 2 et 4. Les écarts sont 1, 1,1 et 0,9, d’où S_g = 1 + 1,21 + 0,81 = 3,02.

Résultat : Le modèle f ajuste mieux ces trois observations selon ce critère, car 0,02 < 3,02. Cette comparaison ne démontre pas que f sera exact pour toute autre valeur de x.

Piège à éviter : Conclure que f est le meilleur de tous les modèles possibles dépasse ce qui a été testé : seuls f et g ont été comparés.

La taille d’un écart s’interprète avec une unité et une échelle. Un écart de 0,2 V n’a pas le même poids relatif autour de 2 V et autour de 200 V. L’erreur relative par rapport à une référence non nulle est l’erreur absolue divisée par la valeur absolue de cette référence. Si la référence vaut zéro, ce quotient n’est pas défini ; on conserve alors une comparaison absolue adaptée.

Observe aussi la forme des écarts. Des signes qui alternent sans tendance ne posent pas la même question que des écarts tous positifs et de plus en plus grands. Ce second motif peut signaler une pente inadaptée, un décalage de mesure ou une relation non affine. Il ne suffit pas à choisir la cause exacte : il indique quelle hypothèse doit être examinée ou quelle nouvelle mesure serait utile.

À toi d'essayer

Un modèle prévoit 5 V, 10 V et 15 V ; les mesures correspondantes sont 5,2 V, 10,2 V et 15,2 V. Calcule la somme des carrés des écarts, puis propose une hypothèse à examiner sans la déclarer certaine.

Voir la réponse

Les trois écarts mesure moins prévision valent 0,2 V. La somme des carrés vaut 3 × 0,2² = 0,12 V². Un décalage constant de l’instrument ou un terme constant manquant dans le modèle est une hypothèse possible. Ces seules données ne permettent pas d’affirmer laquelle est vraie ; un étalonnage ou des mesures complémentaires aideraient à trancher.

3. Interpoler, extrapoler et confronter des modèles

Interpoler consiste à estimer une valeur dans la plage couverte par les observations. Extrapoler consiste à prévoir au-delà de cette plage. Une interpolation peut être plus raisonnable qu’une extrapolation lointaine, mais elle n’est jamais fiable par définition : il peut manquer des mesures entre deux points, ou le phénomène peut changer brusquement. Le domaine observé et les limites du modèle doivent accompagner la prévision.

Exemple résolu

Pendant les quatre premières heures d’un essai, un indicateur de charge est approché par C(t) = 100 − 15t, avec C en pourcentage et t en heures. Calcule la prévision à 3 heures et à 8 heures, puis discute leur sens.

  1. Étape 1 : À 3 heures, le modèle donne C(3) = 100 − 45 = 55 %. Cette valeur se situe dans la plage temporelle observée et respecte les bornes de l’indicateur.
  2. Étape 2 : À 8 heures, il donne C(8) = 100 − 120 = −20 %. Cette valeur est hors de la plage observée et hors des valeurs admissibles de l’indicateur.
  3. Étape 3 : Le modèle atteint zéro pour t = 100/15, soit environ 6,67 heures. Au-delà, la formule affine ne peut plus décrire cet indicateur tel quel.

Résultat : La prévision de 55 % à 3 heures est une interpolation à contrôler par les mesures. La prévision de −20 % à 8 heures montre que le prolongement du modèle n’est pas admissible ; elle ne décrit pas une charge réelle négative.

Piège à éviter : Remplacer discrètement −20 % par 0 % change le modèle sans le dire ; une saturation à zéro doit être formulée et justifiée séparément.

Les deux modèles coïncident pour x = 0 et x = 1, puis divergent ; deux observations ne suffisent pas à les départager.

Exemple résolu

On connaît seulement deux observations : y = 1 pour x = 0 et y = 2 pour x = 1. Les modèles f(x) = x + 1 et g(x) = 2ˣ conviennent-ils ? Peuvent-ils prévoir la même valeur à x = 3 ?

  1. Étape 1 : Pour x = 0, les deux modèles donnent 1. Pour x = 1, les deux donnent 2. Ils reproduisent exactement les deux observations.
  2. Étape 2 : Pour x = 3, f(3) = 4, tandis que g(3) = 8.
  3. Étape 3 : Aucune des deux observations initiales ne permet de choisir la bonne prévision à x = 3. Il faut d’autres mesures ou une raison liée au mécanisme étudié.

Résultat : Les deux modèles conviennent aux données connues, mais divergent dans leur extrapolation. Un ajustement exact à deux points ne suffit donc pas à établir une loi générale.

Piège à éviter : Choisir le modèle exponentiel parce qu’il donne une valeur plus grande n’est pas une justification scientifique.

À toi d'essayer

Une droite d’ajustement prévoit une quantité de matière m(t) = 12 − 2t en grammes. Elle a été obtenue à partir de mesures pour 0 ≤ t ≤ 4 minutes. Que peux-tu conclure de la prévision à 7 minutes ? Indique les deux raisons de limiter la conclusion.

Correction détaillée pas à pasDans ce chapitre : 2 corrections détaillées.

4. Séparer association, cause et simulation

Deux grandeurs peuvent varier ensemble sans que l’une provoque directement l’autre. Une troisième grandeur peut agir sur les deux, les données peuvent concerner des populations différentes, ou la relation observée peut dépendre du choix des mesures. Une corrélation décrit une association statistique ; une explication causale demande des arguments supplémentaires sur le mécanisme et les conditions de comparaison.

En probabilités, l’indépendance est également une hypothèse substantielle. Un calcul binomial suppose un nombre fixé d’essais indépendants de même probabilité. Des composants soumis à une même température extrême ou à une même alimentation peuvent partager une cause de panne. Répéter une simulation avec des tirages indépendants n’efface pas cette possibilité : le programme reproduit l’indépendance qu’on lui a donnée.

La précision d’un résultat doit rester compatible avec celle des entrées. Afficher dix décimales après des mesures peu précises ne crée pas d’information. On conserve les chiffres pendant le calcul, puis on choisit un arrondi adapté à la question. Si une décision change lorsqu’une donnée varie légèrement dans une plage plausible, la conclusion est sensible ; il faut le signaler plutôt que présenter un choix catégorique.

À toi d'essayer

Dans des bâtiments, on observe que le nombre d’appareils de ventilation installés et la consommation électrique totale augmentent ensemble. Un élève conclut que retirer les appareils ferait forcément baisser la consommation dans la même proportion. Propose une autre explication possible et une comparaison plus informative.

Correction détaillée pas à pasDans ce chapitre : 2 corrections détaillées.

5. Rédiger une conclusion à la bonne portée

Au bac : discuter une modélisation

  1. Identifie les données, les variables, les unités et le domaine de mesure. Distingue clairement ce qui est observé de ce qui est supposé.
  2. Effectue le calcul demandé, puis contrôle son signe, son ordre de grandeur et son admissibilité dans la situation.
  3. Compare les prévisions aux observations et nomme le critère utilisé. Indique si la prévision est une interpolation ou une extrapolation.
  4. Conclus sur ce qui est soutenu par les données, précise une limite concrète et propose la mesure qui pourrait tester cette limite.
Attention :

Erreurs fréquentes : appeler causalité une simple association ; déclarer une interpolation automatiquement sûre ; faire confiance à un ajustement sans regarder les unités ; considérer une simulation comme une preuve du réel ; transformer un écart en une cause certaine sans observation supplémentaire.

Une bonne critique ne se contente pas d’écrire « le modèle est imparfait ». Elle nomme la limite et son effet : plage de mesure courte, hypothèse d’indépendance discutable, coût oublié ou valeur prédite impossible. Elle conserve aussi ce que le modèle permet effectivement de faire. Un modèle peut rester utile pour comparer deux situations proches tout en étant impropre à une prévision lointaine.

Vocabulaire

Hypothèse :
Propriété admise pour construire le modèle et qui doit être discutée dans la situation.
Écart :
Différence entre une observation et la prévision correspondante.
Extrapolation :
Prévision au-delà du domaine couvert par les observations.
Causalité :
Lien explicatif selon lequel un phénomène contribue à produire un autre.

Bilan

SituationRelation ou précaution
Qualité numériqueComparer des écarts sur les mêmes données.
Validité physiqueVérifier domaine, unités et bornes admissibles.
Portée statistiqueDistinguer association et explication causale.
ConclusionNommer les hypothèses et les observations qui restent nécessaires.

S’entraîner

Poursuis sur le hub d’exercices d’AlloSTI, accessible à l’adresse https://www.allosti.fr/exercices. Choisis une activité correspondant à cette notion et explique tes réponses avant de consulter une correction.

À retenir

  • Un résultat de modèle dépend de ses hypothèses et de son domaine d’utilisation.
  • Une faible somme des carrés des écarts décrit un ajustement sur les données étudiées, pas une garantie universelle.
  • Une interpolation reste à contrôler ; une extrapolation exige de discuter le prolongement du phénomène.
  • Une association statistique ne démontre pas à elle seule une causalité.

Fiche de révision

Présente les données et les suppositions dans deux phrases distinctes avant d’interpréter une prévision.

Teste une formule contre les contraintes de la situation : une masse négative ou une probabilité supérieure à 1 signale une limite.

Deux modèles peuvent reproduire les mêmes observations et diverger ailleurs : une nouvelle mesure peut être nécessaire.

Une conclusion utile précise où le modèle aide, où il n’est pas établi et comment on pourrait mieux le tester.

Et maintenant ?

Tu as lu le cours. L’étape suivante tient en une action.

S’entraîner sur ce chapitreUn exercice dans l’espace Exercices

    Prolonge l’expérience !

    Continue à explorer ce chapitre à travers de nouvelles activités, des défis et des expériences interactives. Avec Premium, l’apprentissage continue !

    Ici, tu débloques aussi 2 corrections détaillées.

    Parent ? Suivez les progrès de votre enfant.

    S’entraîner sur cette notion

    Tous les cours de Terminale STI2D — Mathématiques technologiques
    Scientia