Oui, ce n'est pas le problème, mais ... quand on modélise, on construit une représentation abstraite qui permet de raisonner sur un problème que l'on se pose.
Si je décide de jouer aux cartes, je peux modéliser la situation du jeu de cartes de plusieurs manières différentes, qui sont jugées pertinentes en fonction des attentes envers le-dit modèle. Est-ce que c'est probabiliste, déterministe, continu, discret, dans une approximation linéaire (ou quelle structure algébrique y est apparentée), est-ce que je vais prolonger le problème à une dimension plus élevée pour le rendre plus facile (ex: étude complexe), est-ce que je peux réduire le problème (ex: classes d'équivalence), est-ce que je peux simplifier le problème (ex: conjugaison, l'exemple qui me vient est la réduction des matrices) ... Et ce n'est que la partie vraiment mathématique du problème.
De plus, même une modélisation « évidente / triviale » ne l'est pas forcément : ce sont des choix. Quand on dit que l'on a dans un verre de l'eau, et qu'on considère qu'on le renverse etc ... On représente la quantité par un nombre réel. C'est trivial ? Bah, pas vraiment, et à y réfléchir c'est même « faux » : il y a une quantité finie d'atomes. Seulement la modélisation continue est infiniment plus pratique et convient très bien à cette échelle (toute l'analyse réelle est à notre disposition) !
Ensuite, que tu décides de faire des statistiques pour valider ton modèle, ou pour « calculer » expérimentalement les paramètres de ta simulation, c'est autre chose. Toujours est-il que tu ne fais des statistiques que sur les paramètres que tu as déterminés avant (enfin, normalement).
[^] # Re: Bon en théorie, mais inutile en pratique
Posté par Aluminium95 . En réponse au journal François Hollande visite 42, non mais allô quoi.... Évalué à 4.
Oui, ce n'est pas le problème, mais ... quand on modélise, on construit une représentation abstraite qui permet de raisonner sur un problème que l'on se pose.
Si je décide de jouer aux cartes, je peux modéliser la situation du jeu de cartes de plusieurs manières différentes, qui sont jugées pertinentes en fonction des attentes envers le-dit modèle. Est-ce que c'est probabiliste, déterministe, continu, discret, dans une approximation linéaire (ou quelle structure algébrique y est apparentée), est-ce que je vais prolonger le problème à une dimension plus élevée pour le rendre plus facile (ex: étude complexe), est-ce que je peux réduire le problème (ex: classes d'équivalence), est-ce que je peux simplifier le problème (ex: conjugaison, l'exemple qui me vient est la réduction des matrices) ... Et ce n'est que la partie vraiment mathématique du problème.
De plus, même une modélisation « évidente / triviale » ne l'est pas forcément : ce sont des choix. Quand on dit que l'on a dans un verre de l'eau, et qu'on considère qu'on le renverse etc ... On représente la quantité par un nombre réel. C'est trivial ? Bah, pas vraiment, et à y réfléchir c'est même « faux » : il y a une quantité finie d'atomes. Seulement la modélisation continue est infiniment plus pratique et convient très bien à cette échelle (toute l'analyse réelle est à notre disposition) !
Ensuite, que tu décides de faire des statistiques pour valider ton modèle, ou pour « calculer » expérimentalement les paramètres de ta simulation, c'est autre chose. Toujours est-il que tu ne fais des statistiques que sur les paramètres que tu as déterminés avant (enfin, normalement).