Statistiques à deux variables

Une droite peut-elle résumer un nuage de mesures sans faire croire à une loi exacte ?

Environ 30 minutes

  • Représenter une série à deux variables
  • Calculer le point moyen et exploiter un ajustement
  • Discuter interpolation, extrapolation et causalité
Sommaire
  1. Conserver l’association entre deux mesures
  2. Calculer le point moyen
  3. Choisir et apprécier une droite d’ajustement
  4. Interpoler, extrapoler et discuter une estimation
  5. Présenter une conclusion statistique honnête

Une droite peut-elle résumer un nuage de mesures sans faire croire à une loi exacte ?

Les séries à deux variables permettent d’étudier des relations entre grandeurs. On apprend à les représenter, calculer leur point moyen et discuter les prévisions d’un ajustement.

Conserver l’association entre deux mesures

Une série statistique à deux variables quantitatives associe deux nombres à chaque observation. On peut mesurer une concentration et un signal, une durée et une température, ou une intensité et une tension. Chaque ligne contient un couple (x ; y). Il faut conserver l’association : trier la colonne x sans déplacer les valeurs de y correspondantes détruirait les couples mesurés.

Pour une activité de lecture de données, on considère quatre couples : (1 ; 2), (2 ; 5), (3 ; 5) et (4 ; 8). Les abscisses représentent une concentration en mg/L et les ordonnées un signal sans unité. Dans cette série, le même signal 5 correspond à deux concentrations différentes, 2 et 3 mg/L. Les observations ne donnent donc pas une correspondance inverse unique. On peut les représenter par quatre points distincts dans un repère.

Le nuage de points permet d’observer une tendance, une dispersion, une courbure ou une valeur éloignée des autres. Les points ne sont pas reliés dans l’ordre du tableau : une série de couples n’est pas automatiquement une trajectoire. Les axes doivent préciser les grandeurs et leurs unités. Une graduation tronquée ou un changement d’échelle peut modifier l’impression visuelle d’alignement.

Le signal tend à augmenter avec la concentration, mais les quatre points ne sont pas exactement alignés.

Vocabulaire

Nuage de points :
Représentation des couples observés par des points de coordonnées (x ; y).
Point moyen :
Point dont les coordonnées sont la moyenne des abscisses et celle des ordonnées.
Ajustement affine :
Droite choisie pour résumer une relation approximativement affine entre deux variables.
Résidu :
Différence entre une valeur observée de y et la valeur prédite par le modèle pour la même abscisse.

À toi d'essayer

On a mesuré les couples (2 ; 10), (4 ; 7) et (6 ; 4). Le signal augmente-t-il avec l’abscisse ? Que perdrait-on en triant seulement les ordonnées dans l’ordre croissant ?

Voir la réponse

Le signal diminue lorsque l’abscisse augmente. Trier seulement les ordonnées fabriquerait les couples (2 ; 4), (4 ; 7), (6 ; 10), qui montrent la tendance inverse. Ce ne serait plus la série observée.

Calculer le point moyen

Pour n observations (xᵢ ; yᵢ), on calcule séparément la moyenne des x et la moyenne des y. Le point moyen G a pour coordonnées ces deux moyennes. Il résume la position centrale du nuage, mais il n’est pas nécessairement un point observé. Sa position ne décrit pas à elle seule la dispersion ni la forme du nuage : des séries très différentes peuvent avoir le même point moyen.

Exemple résolu

Calcule le point moyen de la série (1 ; 2), (2 ; 5), (3 ; 5), (4 ; 8).

  1. Étape 1 : Additionne les quatre abscisses : 1 + 2 + 3 + 4 = 10. Leur moyenne vaut 10/4 = 2,5.
  2. Étape 2 : Additionne les quatre ordonnées : 2 + 5 + 5 + 8 = 20. Leur moyenne vaut 20/4 = 5.
  3. Étape 3 : Associe les deux résultats dans le même ordre que les axes.

Résultat : Le point moyen est G(2,5 ; 5). Son abscisse est en mg/L, son ordonnée a l’unité du signal.

Piège à éviter : Faire la moyenne des huit nombres ensemble mélangerait deux grandeurs et deux rôles statistiques.

Lorsque certaines observations sont répétées, on tient compte de leur effectif. Une moyenne calculée après avoir supprimé les répétitions peut être différente. Avant de calculer G, vérifie donc ce que représente une ligne : une observation unique, un groupe ou une moyenne de mesures. Une moyenne de groupes n’est une moyenne de toutes les observations que si les poids sont correctement pris en compte.

À toi d'essayer

Deux groupes contiennent respectivement deux observations de signal 4 et quatre observations de signal 7. Quelle est la moyenne de l’ensemble des six signaux ? Pourquoi la moyenne de 4 et 7 serait-elle incorrecte ?

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

Choisir et apprécier une droite d’ajustement

Un ajustement affine cherche une relation de la forme y = ax + b. Le coefficient a décrit la variation prédite de y pour une unité supplémentaire de x ; b est la valeur prédite en x = 0, si cette entrée a un sens pour le modèle. Une droite d’ajustement ne doit pas nécessairement passer par deux observations particulières. Son objectif est de représenter l’ensemble du nuage.

On peut proposer une droite au jugé, construire une droite à partir de moyennes de groupes ou utiliser un outil numérique. La méthode des moindres carrés choisit les coefficients qui minimisent la somme des carrés des résidus verticaux. Les carrés empêchent les écarts positifs et négatifs de s’annuler. On utilise ici le résultat fourni par l’outil et on en contrôle le sens ; aucune formule théorique de calcul des coefficients n’est à mémoriser.

Exemple résolu

Pour les quatre couples précédents, un outil donne la droite y = 1,8x + 0,5. Vérifie son passage par le point moyen et calcule ses résidus.

  1. Étape 1 : Au point d’abscisse 2,5, la droite donne 1,8 × 2,5 + 0,5 = 5 : elle passe par G.
  2. Étape 2 : Les valeurs prédites pour x = 1, 2, 3 et 4 sont respectivement 2,3 ; 4,1 ; 5,9 ; 7,7.
  3. Étape 3 : Les résidus observation moins prédiction sont −0,3 ; 0,9 ; −0,9 ; 0,3. La somme de leurs carrés vaut 0,09 + 0,81 + 0,81 + 0,09 = 1,8.

Résultat : La droite passe par G et laisse des résidus de signes variés. La somme des carrés vaut 1,8 pour ces quatre observations.

Piège à éviter : Une somme des résidus égale à zéro ne signifie pas que chaque résidu est nul ni que l’ajustement est parfait.

La droite résume la tendance. Les écarts verticaux entre points et droite sont les résidus.

Le passage par G est une propriété de la régression affine par moindres carrés avec une constante, mais ce seul contrôle ne valide pas l’ajustement. Beaucoup de droites passent par G. Il faut regarder le nuage, la taille des résidus, une éventuelle courbure et le contexte. Un seul point très éloigné peut modifier fortement la droite ; on cherche alors la cause de cet écart sans supprimer arbitrairement la mesure.

Comparer deux ajustements demande de garder les mêmes observations et le même critère. Pour la droite y = 2x, les résidus de cette série sont 0, 1, −1 et 0 ; la somme des carrés vaut 2. La droite précédente donne 1,8, donc un meilleur résultat pour ce critère. Cette comparaison ne prouve pas que la relation réelle est affine ni qu’elle reste valable en dehors des mesures.

Interpoler, extrapoler et discuter une estimation

Une interpolation estime une valeur à l’intérieur de la plage des abscisses observées. Une extrapolation prolonge la relation au-delà de cette plage. L’extrapolation est plus fragile, car aucun point de la série ne décrit directement cette zone. Le signal d’un appareil peut saturer ou le phénomène changer de régime. Même une bonne droite sur les mesures disponibles ne garantit pas une bonne prévision lointaine.

Exemple résolu

Avec le modèle y = 1,8x + 0,5 établi pour des concentrations de 1 à 4 mg/L, estime le signal à 3,5 mg/L puis à 8 mg/L. Qualifie les deux estimations.

  1. Étape 1 : À 3,5 mg/L, calcule 1,8 × 3,5 + 0,5 = 6,8.
  2. Étape 2 : À 8 mg/L, calcule 1,8 × 8 + 0,5 = 14,9.
  3. Étape 3 : La concentration 3,5 appartient à [1 ; 4] ; la concentration 8 est en dehors.

Résultat : Le signal estimé à 3,5 mg/L vaut 6,8 par interpolation. Le résultat 14,9 à 8 mg/L est une extrapolation qui demande une validation supplémentaire.

Piège à éviter : Le fait de pouvoir calculer 14,9 ne prouve pas que l’appareil produirait ce signal.

Un modèle peut aussi être utilisé à l’envers : pour un signal donné, on résout l’équation afin d’estimer la concentration correspondante. Cette inversion suppose que la relation est adaptée à cet usage et que la valeur se situe dans la zone étudiée. La valeur calculée reste une estimation issue de la droite ; elle ne devient pas une mesure exacte parce qu’on a résolu une équation.

À toi d'essayer

Un signal vaut 5,9. Avec y = 1,8x + 0,5, estime la concentration. Un autre signal vaut 20 : la même méthode donne-t-elle une concentration validée par la série ?

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

Présenter une conclusion statistique honnête

Une association statistique ne suffit pas à établir une causalité. Deux grandeurs peuvent évoluer ensemble parce qu’une troisième les influence, parce que les données ont été sélectionnées ou parce qu’un hasard d’échantillonnage crée une apparence. Un graphique aide à formuler une hypothèse ; une explication causale demande des informations supplémentaires sur le protocole et les mécanismes.

Au bac : exploiter une série à deux variables

  1. Identifie les observations, les deux grandeurs et leurs unités. Vérifie que chaque couple reste intact.
  2. Trace ou lis le nuage avec des axes gradués, puis décris la tendance et les limites visibles.
  3. Calcule le point moyen en conservant les effectifs éventuels. Explique ce que ses coordonnées représentent.
  4. Utilise l’équation d’ajustement fournie ou obtenue par l’outil, et contrôle quelques prédictions et résidus.
  5. Classe la prévision comme interpolation ou extrapolation ; donne une valeur arrondie cohérente et formule une réserve liée aux données.
Attention :

Erreurs fréquentes : inverser les colonnes sans adapter le modèle, confondre ajustement et égalité exacte, supprimer un point gênant sans raison, ou transformer une corrélation visuelle en causalité.

Bilan

QuestionRepère
Deux nombres par observationCouple conservé
Centre du nuagePoint moyen
Tendance approximativeAjustement affine
Écart observation − prévisionRésidu
Prévision hors plageExtrapolation à discuter

S’entraîner : https://www.allostl.fr/exercices. Le chapitre suivant traite le conditionnement et l’indépendance dans les calculs de probabilités.

À retenir

  • Chaque observation fournit un couple de valeurs associées.
  • Le point moyen a pour coordonnées les moyennes des deux variables.
  • Un ajustement affine a la forme y = ax + b.
  • Les moindres carrés minimisent la somme des carrés des écarts verticaux.
  • Une extrapolation porte hors de la plage des observations et demande de la prudence.

Fiche de révision

Garde toujours les couples ensemble quand tu tries les données.

Lis le nuage avant de choisir une forme de modèle.

La droite de régression avec constante passe par le point moyen, mais ce passage seul ne suffit pas à la valider.

Un résidu est signé ; son carré contribue au critère des moindres carrés.

Annonce si la valeur estimée se situe dans la plage mesurée et ne confonds pas relation statistique et cause.

Questions fréquentes

La droite doit-elle passer par tous les points ?

Non. Un ajustement affine résume un ensemble dispersé. Passer par tous les points n’est possible que s’ils sont exactement alignés.

Le point moyen est-il une observation ?

Pas nécessairement. Il est calculé à partir de toutes les valeurs et peut se situer entre les points du nuage.

Et maintenant ?

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

Relis le coursReprends l’essentiel avant de passer à la suite.

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.

Tous les cours de Mathématiques — première STL
Scientia