★ À maîtriser
📌 La variable x explique ou contrôle le phénomène, tandis que la variable y est celle que l’on souhaite estimer.
Compléments
★ À maîtriser
La méthode des moindres carrés choisit la droite qui minimise la somme des carrés des écarts verticaux entre les points et la droite.
Dans l’équation , le coefficient directeur a indique la variation de y lorsque x augmente de 1 ; si a est positif, y augmente, et si a est négatif, y diminue.
Compléments
★ À maîtriser
📐 Formule - Pour un ajustement affine, le coefficient de détermination vérifie .
Compléments
📌 Un R² proche de 1 ne suffit pas à valider un modèle : il faut aussi examiner le nuage et vérifier que l’équation a un sens pour le phénomène étudié.
📌 Un R² élevé révèle un lien statistique, mais ne prouve pas une relation de cause à effet.
Interpolation : entre les mesures ; extrapolation : au-delà des mesures.
★ À maîtriser
Un ajustement affine, d’équation , convient à un nuage dont les points sont proches d’une droite ; un exemple est le coût total d’un tirage selon la quantité.
🔄 Pour choisir un modèle, il faut :
Compléments
Un ajustement parabolique, d’équation , convient à une allure en cuvette ou en dôme présentant un seul changement de sens ; un exemple est le taux de gâche selon la vitesse de la presse.
Un ajustement exponentiel, d’équation , convient à une croissance ou une décroissance de plus en plus rapide ; un exemple est le nombre de vues cumulées d’une vidéo virale.
Un ajustement logarithmique, d’équation , convient à une variation rapide au début puis de plus en plus lente ; un exemple est le temps de mise en page selon l’expérience.
Un ajustement polynomial de degré n, d’équation , convient à un nuage présentant plusieurs changements de sens ; un exemple est la fréquentation d’un site sur l’année.
📌 Un polynôme de degré élevé peut passer par tous les points et afficher un R² proche de 1 tout en décrivant mal le phénomène ; hors des mesures, il peut osciller et produire des prédictions aberrantes.
★ À maîtriser
Compléments
Pour les six devis du flyer, l’ajustement affine donne environ a = 12,13, b = 53,60, r = 0,9994, R² = 0,9988 et un point moyen G(7 ; 138,5).
Sur la Casio Graph 35+, les données x et y se saisissent dans List 1 et List 2 du menu STAT ; les options GRPH → SET permettent de régler et d’afficher le nuage, puis CALC → REG → X → ax+b affiche les coefficients de la droite affine.
Sur GeoGebra, la commande AjustLin(L) calcule une droite de régression pour une liste de points L et RSquare(L, f) calcule le coefficient de détermination pour le modèle f.
Dans Excel ou LibreOffice Calc, PENTE(B2:B7;A2:A7) donne a, ORDONNEE.ORIGINE(B2:B7;A2:A7) donne b, et COEFFICIENT.DETERMINATION(B2:B7;A2:A7) donne R².
★ À maîtriser
📐 Formule - Les coordonnées du point moyen sont , avec et .
📐 Formule - Pour la droite de régression , la pente est et l’ordonnée à l’origine est .
Compléments
★ À maîtriser
📐 Formule - Le coefficient de corrélation linéaire est .
📐 Formule - Le coefficient de détermination est , où est la valeur prédite par le modèle pour .
📐 Formule - Pour un ajustement affine, .
Compléments
Dans le calcul de , le numérateur mesure ce que le modèle n’explique pas et le dénominateur mesure la dispersion totale des valeurs de y.
Pour le devis du flyer, les moyennes sont et , les sommes des produits centrés et des carrés centrés de x valent respectivement 849 et 70, et .
Pour le devis du flyer, la droite obtenue est approximativement , avec et .
Plus les résidus diminuent relativement à la dispersion totale, plus R² se rapproche de 1.
★ À maîtriser
Pour linéariser le modèle exponentiel , on pose , ce qui donne ; une régression affine de Y en x fournit b comme pente et ln(a) comme ordonnée à l’origine, donc .
Pour linéariser le modèle logarithmique , on pose , ce qui donne ; une régression affine de y en X fournit directement a et b.
Compléments
Exponentiel : on transforme y ; logarithmique : on transforme x.
Les exercices d’application contextualisés portent sur l’impression, le façonnage, le prépresse et le plurimédia ; les exercices 1 à 3 traitent l’ajustement affine, tandis que les exercices 4 à 6 comparent un ajustement affine à un modèle non affine.
Les modèles non affines mobilisés sont :
Modèles et formes de nuages
| Modèle | Équation | Allure | Exemple RPIP |
|---|---|---|---|
| Affine | y = ax + b | Points proches d’une droite | Coût selon la quantité |
| Parabolique | y = ax² + bx + c | Cuvette ou dôme, un changement de sens | Taux de gâche selon la vitesse |
| Exponentiel | y = a·e^(bx) | Croissance ou décroissance de plus en plus rapide | Vues cumulées d’une vidéo |
| Logarithmique | y = a·ln(x) + b | Variation rapide puis de plus en plus lente | Temps de mise en page selon l’expérience |
| Polynomial | y = aₙxⁿ + … + a₁x + a₀ | Plusieurs changements de sens | Fréquentation d’un site |
Teste tes connaissances sur Statistique à deux variables avec 24 questions à choix multiples et corrections détaillées.
1. Pour étudier le lien entre la durée de production et le nombre de pièces fabriquées, que constitue une série statistique à deux variables ?
2. Un technicien représente dans un repère chaque couple formé par une vitesse et une consommation mesurées lors d’un essai. Quel ensemble obtient-il ?
Mémorisez les concepts clés de Statistique à deux variables avec 66 flashcards interactives.
Que représente une série statistique à deux variables ?
couples associés aux mêmes individus ou situations.
Que représente chaque point du nuage de points d’une série statistique ?
Un couple de la série statistique.
Comment la variable intervient-elle dans l’étude d’un phénomène ?
Elle explique ou contrôle le phénomène.
Importe ton cours et l'IA génère fiches, QCM et flashcards en 30 secondes.
Générateur de fiches