Fiche de révision : Statistique à deux variables

Plan du Cours

  1. Variables et nuage de points
  2. Régression affine et point moyen
  3. Qualité de l’ajustement statistique
  4. Interpolation et extrapolation
  5. Choix des modèles statistiques
  6. Outils numériques et calculs
  7. Point moyen et droite de régression
  8. Indicateurs de qualité de l’ajustement
  9. Linéarisation des modèles
  10. Comparaison des modèles en contexte

1. Variables et nuage de points

Notions clés & Définitions

  • Série statistique à deux variables : Association, sur les mêmes individus ou situations, de n couples (xᵢ ; yᵢ).
  • Nuage de points : Ensemble des points Mᵢ(xᵢ ; yᵢ) représentant les couples d’une série statistique à deux variables dans un repère.

★ À maîtriser

📌 La variable x explique ou contrôle le phénomène, tandis que la variable y est celle que l’on souhaite estimer.

Compléments

  • Dans le devis du flyer, x désigne la quantité imprimée en centaines d’exemplaires et y le coût total en euros HT.

2. Régression affine et point moyen

Notions clés & Définitions

  • Droite de régression : La droite de régression, ou droite d’ajustement affine, est une droite d’équation y=ax+by=ax+b qui approche un nuage de points allongé.

★ 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 y=ax+by=ax+b, 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

  • Dans l’équation y=ax+by=ax+b, b est la valeur de y lorsque x vaut 0 et n’a pas toujours de sens concret.
  • Le point moyen G(xˉ;yˉ)G(\bar{x};\bar{y}), dont les coordonnées sont les moyennes des valeurs de x et de y, appartient toujours à la droite de régression.

3. Qualité de l’ajustement statistique

Notions clés & Définitions

  • Coefficient de détermination : Mesure de la qualité de l’ajustement, toujours comprise entre 0 et 1 ; plus elle est proche de 1, mieux le modèle décrit les données.
  • Coefficient de corrélation linéaire : Pour un ajustement affine, coefficient compris entre −1 et 1 ; son signe indique le sens de variation et une valeur absolue proche de 1 indique un nuage presque aligné.

★ À maîtriser

  • Les repères indicatifs de qualité sont : R² > 0,95 pour un ajustement très bon ; 0,85 < R² ≤ 0,95 pour un ajustement correct ; 0,60 < R² ≤ 0,85 pour un ajustement moyen ; R² ≤ 0,60 pour un ajustement mauvais.

📐 Formule - Pour un ajustement affine, le coefficient de détermination vérifie R2=r2R^2=r^2.

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.

4. Interpolation et extrapolation

Notions clés & Définitions

  • Interpolation : Estimation de y pour une valeur de x comprise entre les valeurs observées ; elle est en général fiable si l’ajustement est bon.
  • Extrapolation : Estimation de y pour une valeur de x hors de l’intervalle observé ; elle est risquée, car la tendance peut ne pas se poursuivre et le modèle peut produire des résultats absurdes.

Points essentiels

  • Pour les données du devis du flyer, estimer le coût de 700 exemplaires (x = 7) est une interpolation, tandis que l’estimer pour 3 000 exemplaires (x = 30) est une extrapolation.

Astuce mémo

Interpolation : entre les mesures ; extrapolation : au-delà des mesures.

5. Choix des modèles statistiques

★ À maîtriser

  • Un ajustement affine, d’équation y=ax+by=ax+b, 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 :

    1. Tracer et observer le nuage.
    2. Tester les modèles cohérents avec son allure.
    3. Comparer leurs R².
    4. Retenir un modèle dont l’équation a du sens.
    5. À R² voisins, préférer le modèle le plus simple.

Compléments

  • Un ajustement parabolique, d’équation y=ax2+bx+cy=ax^2+bx+c, 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 y=a⋅ebxy=a\cdot e^{bx}, 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 y=a⋅ln⁡(x)+by=a\cdot\ln(x)+b, 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 y=anxn+⋯+a1x+a0y=a_nx^n+\cdots+a_1x+a_0, 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.

6. Outils numériques et calculs

★ À maîtriser

  • 🔄 L’analyse d’une série à deux variables suit six étapes :
    1. Identifier x et y avec leurs unités.
    2. Saisir les données dans deux listes ou colonnes.
    3. Tracer et décrire le nuage.
    4. Obtenir l’équation et le R² des modèles adaptés.
    5. Choisir le modèle pertinent selon R² et le contexte.
    6. Estimer puis conclure avec les unités.

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.

7. Point moyen et droite de régression

★ À maîtriser

📐 Formule - Les coordonnées du point moyen sont G(xˉ;yˉ)G(\bar{x};\bar{y}), avec xˉ=x1+x2+⋯+xnn\bar{x}=\frac{x_1+x_2+\cdots+x_n}{n} et yˉ=y1+y2+⋯+ynn\bar{y}=\frac{y_1+y_2+\cdots+y_n}{n}.

📐 Formule - Pour la droite de régression y=ax+by=ax+b, la pente est a=∑(xi−xˉ)(yi−yˉ)∑(xi−xˉ)2a=\frac{\sum (x_i-\bar{x})(y_i-\bar{y})}{\sum (x_i-\bar{x})^2} et l’ordonnée à l’origine est b=yˉ−axˉb=\bar{y}-a\bar{x}.

Compléments

  • La relation b=yˉ−axˉb=\bar{y}-a\bar{x} équivaut à yˉ=axˉ+b\bar{y}=a\bar{x}+b et montre que le point moyen appartient à la droite de régression.

8. Indicateurs de qualité de l’ajustement

★ À maîtriser

📐 Formule - Le coefficient de corrélation linéaire est r=∑(xi−xˉ)(yi−yˉ)∑(xi−xˉ)2×∑(yi−yˉ)2r=\frac{\sum (x_i-\bar{x})(y_i-\bar{y})}{\sqrt{\sum (x_i-\bar{x})^2\times\sum (y_i-\bar{y})^2}}.

📐 Formule - Le coefficient de détermination est R2=1−∑(yi−y^i)2∑(yi−yˉ)2R^2=1-\frac{\sum (y_i-\hat{y}_i)^2}{\sum (y_i-\bar{y})^2}, où y^i\hat{y}_i est la valeur prédite par le modèle pour xix_i.

📐 Formule - Pour un ajustement affine, R2=r2R^2=r^2.

Compléments

  • Dans le calcul de R2R^2, 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 xˉ=42/6=7\bar{x}=42/6=7 et yˉ=831/6=138,5\bar{y}=831/6=138{,}5, les sommes des produits centrés et des carrés centrés de x valent respectivement 849 et 70, et ∑(yi−yˉ)2=10 309,5\sum(y_i-\bar{y})^2=10\,309{,}5.

  • Pour le devis du flyer, la droite obtenue est approximativement y=12,1286x+53,60y=12{,}1286x+53{,}60, avec r≈0,9994r\approx0{,}9994 et R2≈0,9988R^2\approx0{,}9988.

Astuce mémo

Plus les résidus diminuent relativement à la dispersion totale, plus R² se rapproche de 1.

9. Linéarisation des modèles

★ À maîtriser

  • Pour linéariser le modèle exponentiel y=aebxy=ae^{bx}, on pose Y=ln⁡(y)Y=\ln(y), ce qui donne Y=bx+ln⁡(a)Y=bx+\ln(a) ; une régression affine de Y en x fournit b comme pente et ln(a) comme ordonnée à l’origine, donc a=eordonneˊe aˋ l’originea=e^{\text{ordonnée à l’origine}}.

  • Pour linéariser le modèle logarithmique y=aln⁡(x)+by=a\ln(x)+b, on pose X=ln⁡(x)X=\ln(x), ce qui donne y=aX+by=aX+b ; une régression affine de y en X fournit directement a et b.

Compléments

  • Pour un modèle exponentiel, le R² affiché par la calculatrice et le tableur est celui de la régression affine sur (x ; ln y), ce qui peut entraîner de petits écarts avec un R² calculé directement sur y.

Astuce mémo

Exponentiel : on transforme y ; logarithmique : on transforme x.

10. Comparaison des modèles en contexte

Points essentiels

  • 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 :

    • le modèle parabolique
    • le modèle exponentiel
    • le modèle logarithmique

Tableaux de synthèse

Modèles et formes de nuages

ModèleÉquationAllureExemple RPIP
Affiney = ax + bPoints proches d’une droiteCoût selon la quantité
Paraboliquey = ax² + bx + cCuvette ou dôme, un changement de sensTaux de gâche selon la vitesse
Exponentiely = a·e^(bx)Croissance ou décroissance de plus en plus rapideVues cumulées d’une vidéo
Logarithmiquey = a·ln(x) + bVariation rapide puis de plus en plus lenteTemps de mise en page selon l’expérience
Polynomialy = aₙxⁿ + … + a₁x + a₀Plusieurs changements de sensFréquentation d’un site

Teste tes connaissances

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 ?

Faire le QCM →

Révisez avec les flashcards

Mémorisez les concepts clés de Statistique à deux variables avec 66 flashcards interactives.

Que représente une série statistique à deux variables ?

nn couples (xi;yi)(x_i ; y_i) 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 xx intervient-elle dans l’étude d’un phénomène ?

Elle explique ou contrôle le phénomène.

Voir les flashcards →

Cours similaires

Crée tes propres fiches de révision

Importe ton cours et l'IA génère fiches, QCM et flashcards en 30 secondes.

Générateur de fiches