Aller au contenu
Maths Clairesmathsclaires.com/1ere-sti2d/04-statistiques-deux-variables1ère STI2D
1ère STI2D · Chapitre 4 · Probabilités et statistiques

Statistiques à deux variables

30 exercices corrigésCours mis à jour le

Cours

À quoi ça sert ?

Plus une voiture roule vite, plus elle consomme ; plus un composant chauffe, plus sa résistance change ; d'année en année, la production d'une centrale solaire augmente. Pour étudier le lien entre deux grandeurs mesurées ensemble, on place les mesures sur un graphique, puis on cherche une droite qui les résume, pour prévoir une valeur qu'on n'a pas mesurée. Avec ce chapitre, tu sauras :

  • représenter une série à deux variables par un nuage de points ;
  • calculer le point moyen ;
  • tracer une droite d'ajustement, à la main ou avec la calculatrice ;
  • faire des prévisions et juger si elles sont fiables.

1 Série à deux variables et nuage de points

Définitions

Une série statistique à deux variables est une liste de couples de mesures \((x_1 \,;\, y_1)\), \((x_2 \,;\, y_2)\), …, \((x_n \,;\, y_n)\). Le nuage de points est l'ensemble des points \(M_i(x_i \,;\, y_i)\) placés dans un repère.

Exemple guidé — vitesse et consommation

On mesure la consommation \(y\) (en litres pour \(100\) km) d'une voiture à différentes vitesses \(x\) (en km/h).

\(x_i\) (km/h) \(40\) \(60\) \(80\) \(100\) \(120\) \(140\)
\(y_i\) (L/100 km) \(4{,}0\) \(4{,}5\) \(5{,}2\) \(5{,}8\) \(6{,}6\) \(7{,}5\)

Étape 1 — Placer les points. On place \(M_1(40 \,;\, 4)\), \(M_2(60 \,;\, 4{,}5)\), etc.

Étape 2 — Observer. Les points sont presque alignés, sur une droite qui monte : la consommation augmente avec la vitesse.

🔍 Vérification : quand \(x\) augmente de \(20\), \(y\) augmente d'environ \(0{,}5\) à \(0{,}9\) : l'augmentation est assez régulière ✓.

Erreurs fréquentes
  • ❌ Relier les points du nuage. ✅ On les laisse isolés.
  • ❌ Commencer les axes à \(0\) quand les valeurs sont loin de \(0\). ✅ On choisit des graduations adaptées aux données.
À toi !

Les points d'un nuage forment une ligne qui descend. Que peut-on dire du lien entre \(x\) et \(y\) ?

Voir la réponseMasquer la réponse

Quand \(x\) augmente, \(y\) a tendance à diminuer.

À retenir

Série à deux variables = couples \((x_i \,;\, y_i)\) ; nuage = points isolés ; on observe sa forme avant tout calcul.

2 Le point moyen

Définition

Le point moyen du nuage est \(G(\bar{x} \,;\, \bar{y})\), où \(\bar{x}\) est la moyenne des \(x_i\) et \(\bar{y}\) la moyenne des \(y_i\).

Exemple guidé — la voiture

Étape 1 — Moyenne des vitesses. \(\bar{x} = \dfrac{40 + 60 + 80 + 100 + 120 + 140}{6} = \dfrac{540}{6} = 90\).

Étape 2 — Moyenne des consommations. \(\bar{y} = \dfrac{4 + 4{,}5 + 5{,}2 + 5{,}8 + 6{,}6 + 7{,}5}{6} = \dfrac{33{,}6}{6} = 5{,}6\).

Conclusion : \(\boxed{G(90 \,;\, 5{,}6)}\).

🔍 Vérification : \(G\) est bien « au milieu » du nuage ✓.

Erreurs fréquentes
  • ❌ Faire la moyenne de \(x_1\) et \(y_1\) ensemble. ✅ On calcule séparément la moyenne des \(x\) et celle des \(y\).
À toi !

Calcule le point moyen de la série \(x\) : \(1, 2, 3, 4\) et \(y\) : \(3, 5, 6, 8\).

Voir la réponseMasquer la réponse

\(\bar{x} = 2{,}5\) et \(\bar{y} = 5{,}5\), donc \(G(2{,}5 \,;\, 5{,}5)\).

À retenir

\(G(\bar{x} \,;\, \bar{y})\) ; une bonne droite d'ajustement passe par \(G\).

3 La droite d'ajustement

Quand les points sont presque alignés, on cherche une droite \(y = ax + b\) qui passe au plus près d'eux.

Méthode de Mayer (à la main)

On partage le nuage en deux groupes de même taille (les petites valeurs de \(x\), puis les grandes), on calcule le point moyen \(G_1\) de chaque groupe et \(G_2\), puis on trace la droite \((G_1G_2)\). Elle passe aussi par \(G\).

Avec la calculatrice

Le mode statistique (« régression linéaire ») donne la droite des moindres carrés, celle qui rend les écarts verticaux entre les points et la droite les plus petits possible. Elle passe par \(G\).

40 60 80 100 120 140 160 4 5 6 7 8 G₁ G₂ G vitesse (km/h) L/100 km
Le nuage vitesse-consommation, les points moyens G1, G2, G et la droite d'ajustement.
Exemple guidé — la voiture

Étape 1 — Deux groupes. \(G_1\) : moyenne des trois premiers points, \(\left(60 \,;\, \dfrac{13{,}7}{3}\right) \approx (60 \,;\, 4{,}567)\). \(G_2\) : moyenne des trois derniers, \(\left(120 \,;\, \dfrac{19{,}9}{3}\right) \approx (120 \,;\, 6{,}633)\).

Étape 2 — Le coefficient directeur. \(a = \dfrac{6{,}633 - 4{,}567}{120 - 60} \approx 0{,}0344\).

Étape 3 — L'ordonnée à l'origine. \(b = 4{,}567 - 0{,}0344 \times 60 \approx 2{,}5\) : droite de Mayer \(y \approx 0{,}0344x + 2{,}5\).

Étape 4 — La calculatrice. Elle donne la droite des moindres carrés \(y \approx 0{,}0349x + 2{,}46\) : très proche.

🔍 Vérification : la droite de Mayer passe par \(G\) : \(0{,}0344 \times 90 + 2{,}5 \approx 5{,}6\) ✓.

Erreurs fréquentes
  • ❌ Tracer une droite qui passe par le premier et le dernier point. ✅ Elle tient compte de tous les points, et passe par \(G\).
  • ❌ Arrondir trop tôt les coordonnées de \(G_1\) et \(G_2\). ✅ On garde au moins trois décimales.
À toi !

Une calculatrice donne la droite \(y = 1{,}6x + 1{,}5\) pour la série de l'« À toi » précédent. Vérifie qu'elle passe par \(G(2{,}5 \,;\, 5{,}5)\).

Voir la réponseMasquer la réponse

\(1{,}6 \times 2{,}5 + 1{,}5 = 4 + 1{,}5 = 5{,}5\) ✓.

À retenir

Mayer : droite \((G_1G_2)\) ; calculatrice : régression linéaire (moindres carrés) ; les deux passent par \(G\).

4 Prévoir avec la droite

Définitions

Estimer une valeur à l'intérieur de la plage des données, c'est interpoler ; à l'extérieur, c'est extrapoler. L'extrapolation suppose que la tendance continue : elle est moins sûre.

Exemple guidé — la voiture

Avec \(y = 0{,}0349x + 2{,}46\) (coefficients de la calculatrice arrondis).

Étape 1 — Interpoler. À \(100\) km/h, la mesure donne \(5{,}8\) L ; la droite donne environ \(0{,}0349 \times 100 + 2{,}46 \approx 5{,}95\) L.

Étape 2 — Extrapoler. À \(160\) km/h : \(0{,}0349 \times 160 + 2{,}46 \approx \boxed{8{,}0 \text{ L}}\).

Conclusion : la seconde estimation est moins fiable : à grande vitesse, la consommation augmente souvent plus vite qu'une droite (la résistance de l'air croît beaucoup).

🔍 Vérification : \(160\) km/h est en dehors de la plage \(40\)–\(140\) km/h : c'est bien une extrapolation ✓.

Erreurs fréquentes
  • ❌ Croire qu'une prévision par la droite est une valeur exacte. ✅ C'est une estimation.
  • ❌ Extrapoler très loin (à \(300\) km/h, ou à \(0\) km/h). ✅ Plus on s'éloigne des données, moins c'est fiable.
À toi !

Avec \(y = 1{,}6x + 1{,}5\) établie pour \(x\) entre \(1\) et \(4\), estime \(y\) pour \(x = 10\). Est-ce une interpolation ?

Voir la réponseMasquer la réponse

\(1{,}6 \times 10 + 1{,}5 = 17{,}5\) : c'est une extrapolation, à prendre avec prudence.

À retenir

Interpoler (dans la plage) est assez sûr ; extrapoler (hors plage) suppose que la tendance continue.

5 Un ajustement affine est-il pertinent ?

Une droite ne convient pas à tous les nuages.

À savoir
  • si les points sont presque alignés, un ajustement affine est pertinent ;
  • si le nuage dessine une courbe, une droite donne de mauvaises prévisions, surtout en extrapolation ;
  • si les points sont très dispersés, aucune droite ne résume bien le nuage.
Exemple guidé — une thermistance

La résistance \(R\) (en kΩ) d'un capteur de température est mesurée à plusieurs températures \(T\) (en °C).

\(T\) (°C) \(20\) \(30\) \(40\) \(50\) \(60\)
\(R\) (kΩ) \(10\) \(7{,}9\) \(6{,}1\) \(4{,}8\) \(3{,}7\)

Étape 1 — La droite. La calculatrice donne \(R \approx -0{,}157\,T + 12{,}78\).

Étape 2 — Une extrapolation absurde. À \(100\) °C, la droite donne \(R \approx -2{,}9\) kΩ : une résistance négative, impossible.

Conclusion : les points dessinent une courbe qui s'aplatit ; un ajustement affine ne convient que pour interpoler grossièrement entre \(20\) et \(60\) °C.

🔍 Vérification : les baisses successives (\(2{,}1\) ; \(1{,}8\) ; \(1{,}3\) ; \(1{,}1\)) diminuent : le nuage n'est pas aligné ✓.

Erreurs fréquentes
  • ❌ Calculer une droite sans regarder le nuage. ✅ On vérifie d'abord que les points sont à peu près alignés.
  • ❌ Accepter un résultat impossible (résistance négative, consommation nulle…). ✅ Un résultat absurde montre que le modèle ne convient plus.
À toi !

D'année en année, les baisses d'une grandeur sont de plus en plus petites. Un ajustement affine est-il adapté à long terme ?

Voir la réponseMasquer la réponse

Non, le nuage dessine une courbe qui s'aplatit ; une droite finirait par donner des valeurs absurdes.

À retenir

Regarder la forme du nuage ; un ajustement affine n'a de sens que si les points sont presque alignés ; se méfier des extrapolations.

Pour aller plus loin

Contenu facultatif, non exigible.

(hors programme) : la calculatrice affiche souvent un nombre \(r\), le coefficient de corrélation, compris entre \(-1\) et \(1\). Plus \(|r|\) est proche de \(1\), plus les points sont proches de la droite.


Questions fréquentes

Comment calculer le point moyen d'un nuage de points ?

On calcule la moyenne des abscisses \(\bar{x}\) et la moyenne des ordonnées \(\bar{y}\), séparément. Le point moyen est \(G(\bar{x} \,;\, \bar{y})\) ; il se situe au milieu du nuage.

Voir dans le cours : 2. Le point moyen

C'est quoi la méthode de Mayer ?

On partage le nuage en deux groupes de même taille, on calcule le point moyen de chaque groupe, puis on trace la droite qui passe par ces deux points. C'est une droite d'ajustement qu'on peut obtenir sans calculatrice.

Voir dans le cours : 3. La droite d'ajustement

Comment obtenir une droite d'ajustement à la calculatrice ?

On entre les \(x\) et les \(y\) dans deux listes, puis on choisit la régression linéaire dans le menu statistique. La calculatrice donne les coefficients \(a\) et \(b\) de la droite \(y = ax + b\).

Voir dans le cours : 3. La droite d'ajustement

Quelle est la différence entre interpoler et extrapoler ?

Interpoler, c'est estimer une valeur à l'intérieur de la plage des mesures ; extrapoler, c'est estimer en dehors. L'extrapolation suppose que la tendance continue, elle est donc moins fiable.

Voir dans le cours : 4. Prévoir avec la droite

Quand un ajustement affine n'est-il pas adapté ?

Quand les points ne sont pas presque alignés : s'ils dessinent une courbe ou s'ils sont très dispersés. Une prévision absurde, comme une résistance négative, montre aussi que le modèle ne convient plus.

Voir dans le cours : 5. Un ajustement affine est-il pertinent ?

© 2026 Maths Claires. Usage libre en classe, non commercial, avec mention du site.

Site indépendant, non affilié à l’Éducation nationale. Mentions légales : mathsclaires.com/mentions-legales