Statistiques à deux variables
Cours
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
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.
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 ✓.
- ❌ 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.
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.
Série à deux variables = couples \((x_i \,;\, y_i)\) ; nuage = points isolés ; on observe sa forme avant tout calcul.
2 Le point moyen
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 \(y_i\).
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 ✓.
- ❌ Faire la moyenne de \(x_1\) et \(y_1\) ensemble. ✅ On calcule séparément la moyenne des \(x\) et celle des \(y\).
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 \(G(2{,}5 \,;\, 5{,}5)\).
\(G(\bar{x} \,;\, \bar{y})\) ; 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.
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 \(G\).
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 \(G\).
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 \(G\) : \(0{,}0344 \times 90 + 2{,}5 \approx 5{,}6\) ✓.
- ❌ 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.
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
\(1{,}6 \times 2{,}5 + 1{,}5 = 4 + 1{,}5 = 5{,}5\) ✓.
Mayer : droite \((G_1G_2)\) ; calculatrice : régression linéaire (moindres carrés) ; les deux passent par \(G\).
4 Prévoir avec la droite
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.
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 ✓.
- ❌ 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.
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.
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.
- 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.
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 ✓.
- ❌ 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.
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.
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.
Quiz du cours
Tu as lu le cours ? Vérifie en 7 questions que tu as retenu l’essentiel. Chaque réponse est corrigée tout de suite, sans chronomètre.
Vrai ou faux : on relie les points d'un nuage dans l'ordre des abscisses.
Les points d'un nuage restent isolés : on ne les relie pas.
Revoir dans le cours : 1. Série à deux variables et nuage de points
Quel est le point moyen de la série \(x\) : \(1, 2, 3, 4\) et \(y\) : \(3, 5, 6, 8\) ?
\(\bar{x} = \dfrac{10}{4} = 2{,}5\) et \(\bar{y} = \dfrac{22}{4} = 5{,}5\).
Dans la méthode de Mayer, la droite d'ajustement passe par :
On calcule le point moyen de chaque moitié du nuage, puis on trace la droite qui les relie.
Une droite d'ajustement a pour coefficient directeur \(2\) et passe par \(G(5 \,;\, 14)\). Quelle est son ordonnée à l'origine ?
Réponse attendue : \(4\)
\(b = \bar{y} - a\bar{x} = 14 - 2 \times 5 = 4\).
Avec la droite \(y = 1{,}6x + 1{,}5\), quelle valeur estime-t-on pour \(x = 3{,}2\) ?
Réponse attendue : \(6{,}62\)
\(1{,}6 \times 3{,}2 + 1{,}5 = 5{,}12 + 1{,}5\).
Des mesures vont de \(20\) °C à \(60\) °C. Estimer une valeur à \(90\) °C, c'est :
\(90\) °C est en dehors de la plage des mesures.
Vrai ou faux : une droite d'ajustement qui donne une résistance négative peut encore être utilisée pour cette prévision.
Un résultat impossible montre que le modèle affine ne convient plus à cet endroit.
Revoir dans le cours : 5. Un ajustement affine est-il pertinent ?
À revoir dans le cours :
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.
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.
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 \(y = ax + b\).
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.
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 ?
Fiche mémo
L’essentiel du chapitre, à relire avant un contrôle.
L'essentiel
| Notion | À savoir |
|---|---|
| Nuage | points \(M_i(x_i \,;\, y_i)\), non reliés |
| Point moyen | \(G(\bar{x} \,;\, \bar{y})\) |
| Méthode de Mayer | deux groupes, points moyens \(G_1\) et \(G_2\), droite \((G_1G_2)\) |
| Calculatrice | régression linéaire : \(y = ax + b\) (moindres carrés), passe par \(G\) |
| Interpolation | estimation dans la plage des données |
| Extrapolation | hors plage : la tendance doit continuer |
| Pertinence | points presque alignés ; résultat absurde = modèle à rejeter |
Pièges à éviter
- Calculer les moyennes des \(x\) et des \(y\) séparément.
- Une prévision est une estimation, pas une certitude.
- Regarder le nuage avant de tracer une droite.
Contrôle demain ? Prépare ton plan de révision de 30 minutes sur ce chapitre →
Niveau 1Facile (Exercices 1 à 11)
Calcule le point moyen de la série \(x\) : \(1, 2, 3, 4\) et \(y\) : \(3, 5, 6, 8\).
Voir la correction›
le point moyen a pour coordonnées la moyenne des \(x\) et la moyenne des \(y\), calculées séparément.
\(G(\bar{x} \,;\, \bar{y})\), avec \(\bar{x} = \dfrac{x_1 + \dots + x_n}{n}\) et \(\bar{y} = \dfrac{y_1 + \dots + y_n}{n}\).
Étape 1 — La moyenne des \(x\) :
\[\bar{x} = \dfrac{1 + 2 + 3 + 4}{4} = \dfrac{10}{4} = 2{,}5\]
Étape 2 — La moyenne des \(y\) :
\[\bar{y} = \dfrac{3 + 5 + 6 + 8}{4} = \dfrac{22}{4} = 5{,}5\]
Conclusion : \(\boxed{G(2{,}5 \,;\, 5{,}5)}\).
🔍 Vérification : \(2{,}5\) est bien entre la plus petite et la plus grande valeur de \(x\) (\(1\) et \(4\)), et \(5{,}5\) entre \(3\) et \(8\) ✓.
Additionner \(x\) et \(y\) ensemble : on fait deux moyennes séparées.
Place dans un repère les points de la série \(x\) : \(2, 4, 6, 8, 10\) et \(y\) : \(15, 13, 10, 9, 6\). Le nuage monte-t-il ou descend-il ?
Voir la correction›
on place chaque couple \((x_i \,;\, y_i)\) comme un point, puis on regarde comment évolue \(y\) quand \(x\) augmente.
Les points d'un nuage ne se relient pas.
Étape 1 — Les points :
\((2 \,;\, 15)\), \((4 \,;\, 13)\), \((6 \,;\, 10)\), \((8 \,;\, 9)\), \((10 \,;\, 6)\).
Étape 2 — La forme :
Quand \(x\) augmente de \(2\), \(y\) diminue de \(2\), \(3\), \(1\) puis \(3\) : il diminue toujours.
Conclusion : le nuage \(\boxed{\text{descend}}\) : \(y\) a tendance à diminuer quand \(x\) augmente, et les points sont presque alignés.
🔍 Vérification : le premier point est le plus haut (\(15\)), le dernier le plus bas (\(6\)) ✓.
Relier les points : on obtiendrait une ligne brisée qui n'a pas de sens statistique.
Calcule le point moyen de la série de l'exercice 2.
Voir la correction›
même calcul qu'à l'exercice 1, sur la série de l'exercice 2.
\(G(\bar{x} \,;\, \bar{y})\).
Étape 1 — La moyenne des \(x\) :
\[\bar{x} = \dfrac{2 + 4 + 6 + 8 + 10}{5} = \dfrac{30}{5} = 6\]
Étape 2 — La moyenne des \(y\) :
\[\bar{y} = \dfrac{15 + 13 + 10 + 9 + 6}{5} = \dfrac{53}{5} = 10{,}6\]
Conclusion : \(\boxed{G(6 \,;\, 10{,}6)}\).
🔍 Vérification : \(G\) est « au milieu » du nuage, entre le troisième point \((6 \,;\, 10)\) et ses voisins ✓.
Diviser par \(4\) au lieu de \(5\) (il y a cinq couples).
Vérifie que la droite \(y = 1{,}6x + 1{,}5\) passe par le point moyen de l'exercice 1.
Voir la correction›
un point est sur une droite si ses coordonnées vérifient l'équation : on remplace \(x\) par \(\bar{x} = 2{,}5\) et on compare le résultat à \(\bar{y} = 5{,}5\).
Une bonne droite d'ajustement passe par le point moyen.
On remplace \(x\) par \(2{,}5\) :
\[\begin{aligned} 1{,}6 \times 2{,}5 + 1{,}5 &= 4 + 1{,}5 \\ &= 5{,}5 \end{aligned}\]
Conclusion : on obtient \(5{,}5 = \bar{y}\) : \(\boxed{\text{la droite passe par } G(2{,}5 \,;\, 5{,}5)}\).
🔍 Vérification : \(1{,}6 \times 2{,}5 = 4\), car \(1{,}6 \times 2{,}5 = \dfrac{16 \times 25}{100} = \dfrac{400}{100}\) ✓.
Remplacer \(x\) par \(5{,}5\) (l'ordonnée) au lieu de \(2{,}5\).
Avec \(y = 1{,}6x + 1{,}5\), estime \(y\) pour \(x = 2{,}5\), puis pour \(x = 3{,}2\).
Voir la correction›
\(2{,}5\) et \(3{,}2\) sont dans la plage des données (\(1\) à \(4\)) : on interpole en remplaçant \(x\) dans l'équation de la droite.
Interpoler = estimer à l'intérieur de la plage des mesures.
Étape 1 — Pour \(x = 2{,}5\) :
\[1{,}6 \times 2{,}5 + 1{,}5 = 4 + 1{,}5 = 5{,}5\]
Étape 2 — Pour \(x = 3{,}2\) :
\[\begin{aligned} 1{,}6 \times 3{,}2 + 1{,}5 &= 5{,}12 + 1{,}5 \\ &= 6{,}62 \end{aligned}\]
Conclusion : \(\boxed{y \approx 5{,}5}\) pour \(x = 2{,}5\) et \(\boxed{y \approx 6{,}62}\) pour \(x = 3{,}2\).
🔍 Vérification : \(6{,}62\) est entre les mesures \(y = 6\) (pour \(x = 3\)) et \(y = 8\) (pour \(x = 4\)) ✓.
Présenter ces valeurs comme exactes : ce sont des estimations.
Avec la même droite, établie pour \(x\) entre \(1\) et \(4\), estime \(y\) pour \(x = 10\). Est-ce une interpolation ou une extrapolation ?
Voir la correction›
on calcule l'estimation, puis on compare \(x = 10\) à la plage des mesures (\(1\) à \(4\)) pour savoir s'il s'agit d'une interpolation ou d'une extrapolation.
Hors de la plage des mesures, on extrapole : la prévision suppose que la tendance continue.
Étape 1 — L'estimation :
\[\begin{aligned} 1{,}6 \times 10 + 1{,}5 &= 16 + 1{,}5 \\ &= 17{,}5 \end{aligned}\]
Étape 2 — Interpolation ou extrapolation ?
\(10\) est en dehors de \([1 \,;\, 4]\) : c'est une extrapolation.
Conclusion : \(\boxed{y \approx 17{,}5}\), par \(\boxed{\text{extrapolation}}\) : à prendre avec prudence.
🔍 Vérification : \(x = 10\) est plus de deux fois plus loin que la plus grande mesure ; rien ne garantit que la tendance continue jusque-là ✓.
Accorder autant de confiance à cette valeur qu'à une interpolation.
La calculatrice donne \(y = -1{,}1x + 17{,}2\) pour la série de l'exercice 2. Que signifie le signe du coefficient directeur ?
Voir la correction›
le coefficient directeur indique de combien \(y\) varie quand \(x\) augmente de \(1\) ; son signe donne le sens de la tendance.
Dans \(y = ax + b\), quand \(x\) augmente de \(1\), \(y\) varie de \(a\).
Lecture :
\(a = -1{,}1 < 0\) : quand \(x\) augmente de \(1\), \(y\) diminue d'environ \(1{,}1\). La droite descend, comme le nuage.
Conclusion : \(\boxed{\text{le signe moins traduit une tendance à la baisse}}\) : environ \(-1{,}1\) par unité de \(x\).
🔍 Vérification : entre \(x = 2\) et \(x = 10\) (\(8\) unités), les mesures baissent de \(15 - 6 = 9\), soit environ \(1{,}1\) par unité ✓.
Lire \(17{,}2\) comme la variation : c'est l'ordonnée à l'origine.
Avec \(y = -1{,}1x + 17{,}2\), estime \(y\) pour \(x = 7\).
Voir la correction›
on remplace \(x\) par \(7\) dans l'équation de la droite ; \(7\) est dans la plage \([2 \,;\, 10]\) : c'est une interpolation.
Estimation \(= a \times x + b\).
\[\begin{aligned} y &= -1{,}1 \times 7 + 17{,}2 \\ &= -7{,}7 + 17{,}2 \\ &= 9{,}5 \end{aligned}\]
Conclusion : \(\boxed{y \approx 9{,}5}\) pour \(x = 7\).
🔍 Vérification : \(9{,}5\) est entre les mesures \(10\) (pour \(x = 6\)) et \(9\) (pour \(x = 8\)) ✓.
Oublier le signe moins : \(1{,}1 \times 7 + 17{,}2 = 24{,}9\), valeur absurde pour un nuage qui descend.
Des mesures vont de \(20\) °C à \(60\) °C. Estimer une valeur à \(35\) °C, est-ce interpoler ou extrapoler ? Et à \(90\) °C ?
Voir la correction›
on compare chaque valeur à la plage des mesures (\(20\) à \(60\) °C) : dedans, on interpole ; dehors, on extrapole.
Interpoler = dans la plage ; extrapoler = hors de la plage.
- \(35\) °C est entre \(20\) et \(60\) °C : interpolation ;
- \(90\) °C est au-delà de \(60\) °C : extrapolation.
Conclusion : \(\boxed{35 \text{ °C : interpolation ; } 90 \text{ °C : extrapolation}}\).
🔍 Vérification : l'estimation à \(90\) °C suppose que le phénomène garde le même comportement \(30\) °C au-delà des mesures, ce qui n'est pas garanti ✓.
Croire qu'une valeur proche de la plage (par exemple \(65\) °C) devient une interpolation : c'est toujours une extrapolation, même si elle est moins risquée.
Pour chaque description, dis si un ajustement affine semble pertinent.
a) Les points sont presque alignés sur une droite qui monte.
b) Les points sont éparpillés sans forme.
c) Les points dessinent une courbe en forme de U.
Voir la correction›
un ajustement affine n'a de sens que si les points sont presque alignés : on juge chaque description sur ce critère.
Regarder la forme du nuage avant de tracer une droite.
- a) Points presque alignés sur une droite qui monte : oui, ajustement affine pertinent.
- b) Points éparpillés sans forme : non, aucune droite ne résume le nuage.
- c) Points en forme de U : non, le nuage suit une courbe ; une droite ferait de grosses erreurs.
Conclusion : \(\boxed{\text{a) oui ; b) non ; c) non}}\).
🔍 Vérification : pour c), une droite passerait au-dessus du creux du U et en dessous de ses deux branches ✓.
Tracer une droite sur n'importe quel nuage parce que la calculatrice en donne toujours une.
Série \(x\) : \(40, 60, 80, 100, 120, 140\) et \(y\) : \(4{,}0\) ; \(4{,}5\) ; \(5{,}2\) ; \(5{,}8\) ; \(6{,}6\) ; \(7{,}5\). Calcule \(G_1\) (trois premiers points) et \(G_2\) (trois derniers).
Voir la correction›
on partage la série en deux groupes de même taille (les trois plus petites valeurs de \(x\), puis les trois plus grandes) et on calcule le point moyen de chaque groupe.
Méthode de Mayer : \(G_1\) et \(G_2\), points moyens des deux moitiés du nuage.
Étape 1 — \(G_1\) (trois premiers points) :
\[\begin{aligned} x_{G_1} &= \dfrac{40 + 60 + 80}{3} = \dfrac{180}{3} = 60 \\ y_{G_1} &= \dfrac{4 + 4{,}5 + 5{,}2}{3} = \dfrac{13{,}7}{3} \approx 4{,}57 \end{aligned}\]
Étape 2 — \(G_2\) (trois derniers points) :
\[\begin{aligned} x_{G_2} &= \dfrac{100 + 120 + 140}{3} = \dfrac{360}{3} = 120 \\ y_{G_2} &= \dfrac{5{,}8 + 6{,}6 + 7{,}5}{3} = \dfrac{19{,}9}{3} \approx 6{,}63 \end{aligned}\]
Conclusion : \(\boxed{G_1\left(60 \,;\, \dfrac{13{,}7}{3}\right) \approx (60 \,;\, 4{,}57)}\) et \(\boxed{G_2\left(120 \,;\, \dfrac{19{,}9}{3}\right) \approx (120 \,;\, 6{,}63)}\).
🔍 Vérification : le milieu de \([G_1G_2]\) a pour coordonnées \(\left(90 \,;\, \dfrac{13{,}7 + 19{,}9}{6}\right) = (90 \,;\, 5{,}6)\) : c'est le point moyen \(G\) du nuage entier ✓.
Arrondir trop tôt les ordonnées : on garde les fractions pour la suite (exercice 12).
Niveau 2Intermédiaire (Exercices 12 à 24)
Avec l'exercice 11, calcule le coefficient directeur et l'ordonnée à l'origine de la droite \((G_1G_2)\). Vérifie qu'elle passe par \(G(90 \,;\, 5{,}6)\).
Voir la correction›
la droite \((G_1G_2)\) a pour coefficient directeur \(\dfrac{y_{G_2} - y_{G_1}}{x_{G_2} - x_{G_1}}\) ; l'ordonnée à l'origine s'obtient en écrivant que \(G_1\) est sur la droite.
Droite passant par \(A\) et \(B\) : \(a = \dfrac{y_B - y_A}{x_B - x_A}\), puis \(b = y_A - a x_A\).
Étape 1 — Le coefficient directeur :
\[\begin{aligned} a &= \dfrac{\dfrac{19{,}9}{3} - \dfrac{13{,}7}{3}}{120 - 60} \\ &= \dfrac{6{,}2}{3 \times 60} \\ &= \dfrac{6{,}2}{180} \approx 0{,}0344 \end{aligned}\]
Étape 2 — L'ordonnée à l'origine :
On écrit que \(G_1\) est sur la droite :
\[\begin{aligned} b &= \dfrac{13{,}7}{3} - \dfrac{6{,}2}{180} \times 60 \\ &= \dfrac{13{,}7}{3} - \dfrac{6{,}2}{3} \\ &= \dfrac{7{,}5}{3} = 2{,}5 \end{aligned}\]
Étape 3 — Le point moyen \(G\) :
\[\dfrac{6{,}2}{180} \times 90 + 2{,}5 = 3{,}1 + 2{,}5 = 5{,}6\]
Conclusion : la droite de Mayer est \(\boxed{y \approx 0{,}0344x + 2{,}5}\), et elle passe par \(G(90 \,;\, 5{,}6)\).
🔍 Vérification : avec \(G_2\) : \(\dfrac{6{,}2}{180} \times 120 + 2{,}5 = \dfrac{6{,}2 \times 2}{3} + 2{,}5 \approx 4{,}13 + 2{,}5 = 6{,}63\) ✓.
Calculer \(a\) avec des ordonnées arrondies : l'erreur se retrouve sur \(b\).
On utilise la droite \(y = 0{,}0349x + 2{,}46\) de la calculatrice.
a) Estime la consommation à \(100\) km/h et compare avec la mesure (\(5{,}8\) L).
b) Estime la consommation à \(160\) km/h. Quelle réserve faut-il faire ?
Voir la correction›
on remplace \(x\) dans l'équation de la droite ; on compare la première estimation à la mesure, puis on juge la seconde (hors plage).
Extrapoler suppose que la tendance continue.
a) À \(100\) km/h.
\[\begin{aligned} y &= 0{,}0349 \times 100 + 2{,}46 \\ &= 3{,}49 + 2{,}46 \\ &= 5{,}95 \end{aligned}\]
La mesure vaut \(5{,}8\) L : l'écart est de \(0{,}15\) L.
b) À \(160\) km/h.
\[\begin{aligned} y &= 0{,}0349 \times 160 + 2{,}46 \\ &= 5{,}584 + 2{,}46 \\ &\approx 8{,}04 \end{aligned}\]
\(160\) km/h est hors de la plage \(40\)–\(140\) km/h : c'est une extrapolation. En réalité, la résistance de l'air augmente très vite avec la vitesse : la consommation réelle serait sans doute plus forte.
Conclusion : \(\boxed{\approx 5{,}95 \text{ L}}\) à \(100\) km/h (mesure \(5{,}8\) L) ; \(\boxed{\approx 8{,}04 \text{ L}}\) à \(160\) km/h, estimation peu fiable (extrapolation).
🔍 Vérification : les mesures montrent des hausses de plus en plus fortes (\(0{,}5\) ; \(0{,}7\) ; \(0{,}6\) ; \(0{,}8\) ; \(0{,}9\)) : la tendance s'accélère, la droite sous-estime donc probablement les grandes vitesses ✓.
Croire que la droite donne la consommation exacte à \(100\) km/h : c'est une estimation, d'où l'écart avec la mesure.
La production annuelle d'une centrale (en MWh) est donnée par rang d'année \(x\) (\(x = 0\) pour 2020) :
| \(x_i\) | \(0\) | \(1\) | \(2\) | \(3\) | \(4\) |
|---|---|---|---|---|---|
| \(y_i\) | \(120\) | \(135\) | \(148\) | \(165\) | \(180\) |
a) Calcule le point moyen.
b) La calculatrice donne \(y = 15x + 119{,}6\). Interprète le coefficient \(15\).
c) Estime la production en 2025, puis en 2027.
Voir la correction›
point moyen par deux moyennes ; le coefficient directeur se lit comme une hausse annuelle ; pour les estimations, on calcule le rang de l'année (\(x = 5\) pour 2025, \(x = 7\) pour 2027).
Dans \(y = ax + b\), \(a\) est la variation de \(y\) quand \(x\) augmente de \(1\).
a) Le point moyen.
\[\begin{aligned} \bar{x} &= \dfrac{0 + 1 + 2 + 3 + 4}{5} = \dfrac{10}{5} = 2 \\ \bar{y} &= \dfrac{120 + 135 + 148 + 165 + 180}{5} = \dfrac{748}{5} = 149{,}6 \end{aligned}\]
b) Le coefficient \(15\).
Chaque année, la production augmente en moyenne d'environ \(15\) MWh.
c) Les estimations.
\[\begin{aligned} 2025 \ (x = 5) &: 15 \times 5 + 119{,}6 = 194{,}6 \\ 2027 \ (x = 7) &: 15 \times 7 + 119{,}6 = 224{,}6 \end{aligned}\]
Conclusion : \(\boxed{G(2 \,;\, 149{,}6)}\) ; hausse d'environ \(\boxed{15 \text{ MWh par an}}\) ; estimations \(\boxed{194{,}6 \text{ MWh en } 2025}\) et \(\boxed{224{,}6 \text{ MWh en } 2027}\) (extrapolations).
Les années 2025 et 2027 sont hors de la plage des mesures (\(x\) de \(0\) à \(4\)) : ce sont des extrapolations.
Comparer avec les données :
Les hausses observées sont \(15\) ; \(13\) ; \(17\) ; \(15\) MWh, de moyenne \(\dfrac{60}{4} = 15\) : le coefficient de la droite correspond bien à la hausse moyenne. La production a donc progressé régulièrement, ce qui rend l'estimation de 2025 assez crédible ; celle de 2027 suppose que rien ne change pendant trois ans de plus (vieillissement des panneaux, nouveaux équipements…).
🔍 Vérification : la droite passe par \(G\) : \(15 \times 2 + 119{,}6 = 149{,}6\) ✓.
Remplacer \(x\) par \(2025\) au lieu du rang \(5\).
On reprend les mesures de la partie 5 et la droite \(R = -0{,}157\,T + 12{,}78\).
a) Estime la résistance à \(35\) °C.
b) Pour quelle température la droite donne-t-elle une résistance nulle ? Est-ce réaliste ?
Voir la correction›
on remplace \(T\) par \(35\) ; pour la résistance nulle, on résout une équation du premier degré, puis on juge si le résultat a un sens physique.
Une prévision absurde montre que le modèle ne convient plus.
a) À \(35\) °C.
\[\begin{aligned} R &= -0{,}157 \times 35 + 12{,}78 \\ &= -5{,}495 + 12{,}78 \\ &\approx 7{,}29 \end{aligned}\]
b) Résistance nulle.
\[\begin{aligned} -0{,}157T + 12{,}78 &= 0 \\ 0{,}157T &= 12{,}78 \\ T &= \dfrac{12{,}78}{0{,}157} \approx 81{,}4 \end{aligned}\]
Une thermistance ne peut pas avoir une résistance nulle : à haute température, sa résistance diminue de plus en plus lentement (les baisses observées rétrécissent).
Conclusion : \(\boxed{R \approx 7{,}29 \text{ kΩ à } 35 \text{ °C}}\) ; la droite donne \(R = 0\) vers \(\boxed{81{,}4 \text{ °C}}\), ce qui n'est \(\boxed{\text{pas réaliste}}\).
🔍 Vérification : \(35\) °C est dans la plage des mesures : la première estimation est fiable, contrairement à la seconde ✓.
Prendre au sérieux une prévision qui contredit la physique.
Cinq élèves ont révisé \(x\) heures et obtenu la note \(y\) : \((2 \,;\, 8)\), \((3 \,;\, 10)\), \((5 \,;\, 12)\), \((6 \,;\, 13)\), \((8 \,;\, 16)\).
a) Calcule le point moyen.
b) La calculatrice donne \(y \approx 1{,}26x + 5{,}74\). Estime la note pour \(4\) heures de révision.
Voir la correction›
point moyen par deux moyennes ; estimation en remplaçant \(x\) par \(4\) (interpolation).
\(G(\bar{x} \,;\, \bar{y})\) ; la droite d'ajustement passe (presque) par \(G\).
a) Le point moyen.
\[\begin{aligned} \bar{x} &= \dfrac{2 + 3 + 5 + 6 + 8}{5} = \dfrac{24}{5} = 4{,}8 \\ \bar{y} &= \dfrac{8 + 10 + 12 + 13 + 16}{5} = \dfrac{59}{5} = 11{,}8 \end{aligned}\]
b) La note pour \(4\) heures.
\[\begin{aligned} y &\approx 1{,}26 \times 4 + 5{,}74 \\ &= 5{,}04 + 5{,}74 \\ &= 10{,}78 \end{aligned}\]
Conclusion : \(\boxed{G(4{,}8 \,;\, 11{,}8)}\) ; note estimée \(\boxed{\approx 10{,}8}\) pour \(4\) heures de révision.
Interprétation du coefficient :
\(1{,}26\) signifie qu'une heure de révision supplémentaire est associée, en moyenne, à environ \(1{,}3\) point de plus. L'ordonnée à l'origine \(5{,}74\) serait la note estimée sans révision, une extrapolation hors de la plage (\(2\) à \(8\) heures).
🔍 Vérification : la droite passe presque par \(G\) : \(1{,}26 \times 4{,}8 + 5{,}74 = 11{,}788 \approx 11{,}8\) (écart dû aux arrondis des coefficients) ✓.
Conclure que réviser \(4\) heures garantit \(10{,}8\) : c'est une tendance sur cinq élèves.
Dans un tableur, les \(x\) sont en A2:A7 et les \(y\) en B2:B7. Quelles formules donnent \(\bar{x}\) et \(\bar{y}\) ?
Voir la correction›
le tableur a une fonction moyenne qui s'applique à une plage de cellules.
=MOYENNE(plage) calcule la moyenne des nombres de la plage.
Étape 1 — Les formules :
- \(\bar{x}\) :
=MOYENNE(A2:A7); - \(\bar{y}\) :
=MOYENNE(B2:B7).
Conclusion : les formules sont =MOYENNE(A2:A7) et =MOYENNE(B2:B7).
Si l'on ajoute des mesures plus bas dans la colonne, il suffit d'élargir la plage, par exemple A2:A20.
🔍 Vérification : la plage A2:A7 contient \(6\) cellules, c'est-à-dire les \(6\) valeurs de \(x\) ✓.
Écrire =SOMME(A2:A7) : on obtient la somme, qu'il faudrait encore diviser par \(6\).
Série \(x\) : \(1, 2, 3, 4\) et \(y\) : \(9, 7, 6, 4\).
a) Calcule \(G_1\) (deux premiers points) et \(G_2\) (deux derniers).
b) Donne l'équation de la droite de Mayer.
Voir la correction›
on applique la méthode de Mayer : deux groupes de deux points, leurs points moyens, puis la droite qui passe par ces deux points.
\(a = \dfrac{y_{G_2} - y_{G_1}}{x_{G_2} - x_{G_1}}\), puis \(b = y_{G_1} - a\,x_{G_1}\).
a) Les deux points moyens.
\[\begin{aligned} G_1 &: \left(\dfrac{1 + 2}{2} \,;\, \dfrac{9 + 7}{2}\right) = (1{,}5 \,;\, 8) \\ G_2 &: \left(\dfrac{3 + 4}{2} \,;\, \dfrac{6 + 4}{2}\right) = (3{,}5 \,;\, 5) \end{aligned}\]
b) La droite de Mayer.
Étape 1 — Le coefficient directeur :
\[a = \dfrac{5 - 8}{3{,}5 - 1{,}5} = \dfrac{-3}{2} = -1{,}5\]
Étape 2 — L'ordonnée à l'origine :
\[\begin{aligned} b &= 8 - (-1{,}5) \times 1{,}5 \\ &= 8 + 2{,}25 \\ &= 10{,}25 \end{aligned}\]
Conclusion : \(\boxed{G_1(1{,}5 \,;\, 8)}\), \(\boxed{G_2(3{,}5 \,;\, 5)}\) et la droite de Mayer \(\boxed{y = -1{,}5x + 10{,}25}\).
🔍 Vérification : le point moyen \(G(2{,}5 \,;\, 6{,}5)\) est sur la droite : \(-1{,}5 \times 2{,}5 + 10{,}25 = -3{,}75 + 10{,}25 = 6{,}5\) ✓.
\(-(-1{,}5) \times 1{,}5 = +2{,}25\) : attention au double signe moins.
Pour la série de l'exercice 11, la droite de Mayer est \(y \approx 0{,}0344x + 2{,}5\) et la droite de la calculatrice \(y \approx 0{,}0349x + 2{,}46\). Compare les estimations à \(160\) km/h.
Voir la correction›
on calcule l'estimation à \(160\) km/h avec chaque droite et on compare.
Deux droites d'ajustement proches donnent des prévisions proches dans la plage des mesures, mais peuvent s'écarter en extrapolation.
Étape 1 — Droite de Mayer :
\[0{,}0344 \times 160 + 2{,}5 = 5{,}504 + 2{,}5 \approx 8{,}00\]
Étape 2 — Droite de la calculatrice :
\[0{,}0349 \times 160 + 2{,}46 = 5{,}584 + 2{,}46 \approx 8{,}04\]
Étape 3 — Comparer :
\[8{,}04 - 8{,}00 = 0{,}04\]
Conclusion : \(\boxed{\approx 8{,}00 \text{ L (Mayer) et } \approx 8{,}04 \text{ L (calculatrice)}}\) : un écart de \(0{,}04\) L seulement.
🔍 Vérification : les deux droites ont des coefficients très proches et passent toutes deux près de \(G(90 \,;\, 5{,}6)\) ; leur écart grandit avec la distance à \(G\) ✓.
Penser que la faible différence rend l'estimation fiable : les deux sont des extrapolations, avec la même réserve.
Une droite d'ajustement entre le nombre \(x\) de panneaux solaires installés sur un toit et la production \(y\) (en kWh par jour) est \(y = 1{,}5x + 0{,}4\). Que représente \(1{,}5\) ? Estime la production pour \(8\) panneaux.
Voir la correction›
le coefficient directeur est la production supplémentaire par panneau ajouté ; l'estimation se fait en remplaçant \(x\) par \(8\).
Dans \(y = ax + b\), \(a\) est la variation de \(y\) quand \(x\) augmente de \(1\).
Étape 1 — Le sens de \(1{,}5\) :
Chaque panneau supplémentaire ajoute environ \(1{,}5\) kWh par jour.
Étape 2 — Pour \(8\) panneaux :
\[\begin{aligned} y &= 1{,}5 \times 8 + 0{,}4 \\ &= 12 + 0{,}4 \\ &= 12{,}4 \end{aligned}\]
Conclusion : \(1{,}5\) = \(\boxed{\text{production par panneau (kWh par jour)}}\) ; pour \(8\) panneaux, environ \(\boxed{12{,}4 \text{ kWh par jour}}\).
Pour \(8\) panneaux, la production estimée est environ \(8\) fois celle d'un panneau, plus un petit terme constant : c'est cohérent avec un toit où chaque panneau produit à peu près la même énergie.
🔍 Vérification : \(8\) panneaux de \(1{,}5\) kWh font \(12\) kWh ; le \(0{,}4\) est un petit décalage du modèle ✓.
Interpréter \(0{,}4\) comme la production d'un panneau.
Une ville compte \(20\,000\) habitants en 2020 et gagne environ \(300\) habitants par an. La droite d'ajustement est \(y = 300x + 20\,000\) (\(x\) = rang de l'année). Estime la population en 2030 et en 2100. Laquelle de ces prévisions est la plus fiable ?
Voir la correction›
on calcule le rang de chaque année (\(x = 10\) pour 2030, \(x = 80\) pour 2100), on estime, puis on compare la fiabilité selon la distance aux données.
Plus on extrapole loin, moins la prévision est fiable.
Étape 1 — En 2030 :
\[300 \times 10 + 20\,000 = 23\,000\]
Étape 2 — En 2100 :
\[300 \times 80 + 20\,000 = 44\,000\]
Étape 3 — La fiabilité :
2030 n'est qu'à \(10\) ans des données ; 2100 est à \(80\) ans : beaucoup de choses peuvent changer (nouveaux quartiers, départs…).
Conclusion : \(\boxed{23\,000 \text{ habitants en } 2030}\) et \(\boxed{44\,000 \text{ en } 2100}\) ; la prévision pour \(\boxed{2030}\) est la plus fiable.
Pourquoi 2100 est peu fiable :
Une hausse de \(300\) habitants par an pendant \(80\) ans suppose que la ville continue à construire des logements au même rythme, que l'emploi suive, etc. Sur une si longue durée, la tendance a de grandes chances de changer.
En 2030, la ville aurait gagné \(15\,\%\) d'habitants ; en 2100, \(120\,\%\).
🔍 Vérification : de 2020 à 2030, \(10 \times 300 = 3\,000\) habitants de plus ✓.
Remplacer \(x\) par \(2030\) : on obtiendrait plus de \(600\,000\) habitants.
La droite d'ajustement de la hauteur d'une plante en fonction de son âge (en semaines) est \(y = 3x + 2\) (en cm), pour des mesures entre \(1\) et \(8\) semaines. Quelle hauteur prévoit-elle à \(5\) ans ? Qu'en penses-tu ?
Voir la correction›
on convertit \(5\) ans en semaines, on applique la formule, puis on juge le résultat face au bon sens.
Une prévision absurde montre que le modèle ne s'applique plus.
Étape 1 — La conversion :
\[5 \times 52 = 260 \text{ semaines}\]
Étape 2 — La prévision :
\[3 \times 260 + 2 = 782 \text{ cm}\]
Étape 3 — Juger :
\(782\) cm, soit près de \(8\) m, pour une plante mesurée entre \(1\) et \(8\) semaines : c'est absurde. La croissance d'une plante ralentit puis s'arrête.
Conclusion : la droite prévoit \(\boxed{782 \text{ cm}}\), une \(\boxed{\text{prévision absurde}}\) : le modèle affine ne vaut que pour les premières semaines.
Une droite décrit bien une croissance régulière sur une courte période, mais pas la croissance d'un être vivant sur toute sa vie.
🔍 Vérification : à \(8\) semaines, la droite donne \(26\) cm, une taille raisonnable : c'est l'extrapolation lointaine qui pose problème ✓.
Remplacer \(x\) par \(5\) (années) alors que \(x\) est en semaines.
Une droite d'ajustement a pour coefficient directeur \(a = 2\) et passe par le point moyen \(G(5 \,;\, 14)\). Trouve son équation.
Voir la correction›
la droite \(y = 2x + b\) passe par \(G\) : ses coordonnées vérifient l'équation, ce qui donne \(b\).
\(G(\bar{x} \,;\, \bar{y})\) sur la droite \(\iff \bar{y} = a\bar{x} + b\).
Étape 1 — Écrire que G est sur la droite :
On remplace \(x\) par \(5\) et \(y\) par \(14\) :
\[\begin{aligned} 14 &= 2 \times 5 + b \\ 14 &= 10 + b \\ b &= 4 \end{aligned}\]
Conclusion : \(\boxed{y = 2x + 4}\).
La droite \(y = 2x + 4\) coupe l'axe des ordonnées en \(4\) : c'est son ordonnée à l'origine.
🔍 Vérification : \(2 \times 5 + 4 = 14\) ✓.
Inverser \(x\) et \(y\) : \(5 = 2 \times 14 + b\).
Les baisses successives d'une grandeur mesurée chaque année sont \(2{,}1\) ; \(1{,}8\) ; \(1{,}3\) ; \(1{,}1\). Pourquoi une droite est-elle un mauvais modèle à long terme ?
Voir la correction›
une droite correspond à des baisses égales d'une année sur l'autre ; on regarde comment évoluent les baisses observées.
Un ajustement affine suppose des variations à peu près constantes.
Étape 1 — Les baisses :
\(2{,}1\) ; \(1{,}8\) ; \(1{,}3\) ; \(1{,}1\) : elles diminuent.
Étape 2 — Conséquence :
Le nuage s'aplatit : il dessine une courbe. Une droite garderait une baisse constante et finirait par donner des valeurs trop faibles, voire négatives.
Conclusion : \(\boxed{\text{les baisses ralentissent : le nuage est courbé, une droite exagère la baisse à long terme}}\).
🔍 Vérification : si la baisse restait égale à la moyenne (\(\dfrac{2{,}1 + 1{,}8 + 1{,}3 + 1{,}1}{4} \approx 1{,}6\) par an), la droite descendrait bien plus vite que la grandeur réelle dès que les baisses deviennent petites ✓.
Croire qu'une tendance à la baisse continue forcément au même rythme.
Niveau 3Difficile/Expert (Exercices 25 à 30)
Dans la série de l'exercice 1, on tape par erreur \(y_4 = 80\) au lieu de \(8\).
a) Calcule le nouveau point moyen.
b) Explique l'effet de cette erreur sur la droite d'ajustement.
Voir la correction›
on recalcule le point moyen avec la valeur erronée et on compare avec l'ancien (\(G(2{,}5 \,;\, 5{,}5)\)) ; une droite d'ajustement passant par \(G\) est alors tirée vers le haut.
La moyenne est très sensible aux valeurs extrêmes.
a) Le nouveau point moyen.
\[\begin{aligned} \bar{x} &= 2{,}5 \quad \text{(les } x \text{ ne changent pas)} \\ \bar{y} &= \dfrac{3 + 5 + 6 + 80}{4} = \dfrac{94}{4} = 23{,}5 \end{aligned}\]
b) L'effet sur la droite.
\(\bar{y}\) passe de \(5{,}5\) à \(23{,}5\) : la droite, qui passe par \(G\), est fortement tirée vers le haut, et sa pente devient beaucoup plus forte à cause du dernier point. Elle ne représente plus les trois autres points.
Conclusion : \(\boxed{G(2{,}5 \,;\, 23{,}5)}\) ; une seule valeur aberrante \(\boxed{\text{fausse complètement la droite}}\) : il faut vérifier les données avant tout calcul.
🔍 Vérification : l'écart \(80 - 8 = 72\) réparti sur \(4\) valeurs fait monter la moyenne de \(\dfrac{72}{4} = 18\), et \(5{,}5 + 18 = 23{,}5\) ✓.
Ne pas regarder le nuage : le point aberrant saute aux yeux sur un graphique.
On exprime la vitesse en m/s au lieu de km/h (on divise par \(3{,}6\)). Que deviennent l'abscisse du point moyen et le coefficient directeur de la droite \(y = 0{,}0349x + 2{,}46\) ?
Voir la correction›
si \(X\) est la vitesse en m/s, alors \(x = 3{,}6X\) (en km/h). On remplace dans l'équation pour obtenir l'équation en fonction de \(X\).
\(1\) m/s \(= 3{,}6\) km/h.
Étape 1 — Le point moyen :
\[\bar{X} = \dfrac{90}{3{,}6} = 25 \text{ m/s}\]
Étape 2 — La nouvelle équation :
On remplace \(x\) par \(3{,}6X\) :
\[\begin{aligned} y &= 0{,}0349 \times 3{,}6X + 2{,}46 \\ &= 0{,}12564X + 2{,}46 \end{aligned}\]
Conclusion : l'abscisse du point moyen devient \(\boxed{25 \text{ m/s}}\) et le coefficient directeur \(\boxed{\approx 0{,}126}\) (il est multiplié par \(3{,}6\)) ; l'ordonnée à l'origine ne change pas.
Changer d'unité ne change pas la forme du nuage : seule la graduation de l'axe horizontal change.
🔍 Vérification : à \(100\) km/h \(= \dfrac{100}{3{,}6} \approx 27{,}8\) m/s : \(0{,}12564 \times 27{,}78 + 2{,}46 \approx 5{,}95\), la même estimation qu'en km/h ✓.
Diviser le coefficient par \(3{,}6\) : quand l'unité de \(x\) grandit, une unité de \(X\) fait varier \(y\) davantage.
Avec \(y = 0{,}0349x + 2{,}46\), à quelle vitesse la consommation est-elle de \(6\) L/100 km ?
Voir la correction›
on cherche \(x\) tel que \(y = 6\) : on résout l'équation du premier degré \(0{,}0349x + 2{,}46 = 6\).
Pour résoudre \(ax + b = c\), on soustrait \(b\) puis on divise par \(a\).
Étape 1 — Résoudre l'équation :
On soustrait \(2{,}46\), puis on divise par \(0{,}0349\) :
\[\begin{aligned} 0{,}0349x + 2{,}46 &= 6 \\ 0{,}0349x &= 3{,}54 \\ x &= \dfrac{3{,}54}{0{,}0349} \approx 101{,}4 \end{aligned}\]
Conclusion : la consommation est de \(6\) L/100 km vers \(\boxed{101 \text{ km/h}}\).
🔍 Vérification : \(0{,}0349 \times 101{,}4 + 2{,}46 \approx 3{,}54 + 2{,}46 = 6\) ✓ ; c'est cohérent avec la mesure \(5{,}8\) L à \(100\) km/h.
Diviser \(6\) par \(0{,}0349\) sans retirer \(2{,}46\).
Montre que toute droite d'équation \(y = a(x - \bar{x}) + \bar{y}\) passe par \(G\). Pourquoi faut-il une méthode (Mayer, moindres carrés) pour choisir \(a\) ?
Voir la correction›
on remplace \(x\) par \(\bar{x}\) dans l'équation et on regarde ce que vaut \(y\). Puis on remarque que \(a\) peut prendre n'importe quelle valeur.
Un point est sur une droite si ses coordonnées vérifient son équation.
Étape 1 — Passer par \(G\) :
On remplace \(x\) par \(\bar{x}\) :
\[\begin{aligned} y &= a(\bar{x} - \bar{x}) + \bar{y} \\ &= a \times 0 + \bar{y} \\ &= \bar{y} \end{aligned}\]
Le point \((\bar{x} \,;\, \bar{y}) = G\) est donc sur la droite, quel que soit \(a\).
Étape 2 — Pourquoi une méthode :
Il existe une infinité de droites passant par \(G\) (une pour chaque valeur de \(a\)), plus ou moins proches des points du nuage. Une méthode (Mayer, moindres carrés) choisit la pente qui suit le mieux le nuage.
Conclusion : \(\boxed{\text{toutes ces droites passent par } G}\) ; passer par \(G\) ne suffit pas, il faut une \(\boxed{\text{méthode pour choisir la pente}}\).
🔍 Vérification : avec \(a = 0\), on obtient la droite horizontale \(y = \bar{y}\), qui passe par \(G\) mais ne suit pas du tout un nuage qui monte ✓.
Croire qu'une droite est bonne parce qu'elle passe par \(G\).
Dans une ville, le nombre de climatiseurs vendus et le nombre de coups de soleil soignés en pharmacie évoluent ensemble au fil des mois. Les climatiseurs provoquent-ils des coups de soleil ? Explique.
Voir la correction›
deux grandeurs qui évoluent ensemble ne sont pas forcément liées par une cause : on cherche un troisième facteur qui pourrait expliquer les deux.
Corrélation n'est pas causalité.
Étape 1 — Le constat :
Climatiseurs vendus et coups de soleil augmentent ensemble en été et diminuent ensemble en hiver.
Étape 2 — La cause commune :
Le soleil et la chaleur de l'été expliquent les deux : on achète des climatiseurs parce qu'il fait chaud, et on attrape des coups de soleil parce qu'il y a du soleil.
Conclusion : \(\boxed{\text{non}}\) : les climatiseurs ne provoquent pas de coups de soleil ; les deux grandeurs dépendent d'une \(\boxed{\text{cause commune, la météo estivale}}\).
Une autre phrase pour le retenir :
Les ventes de glaces et les noyades augmentent aussi ensemble en été ; les glaces ne provoquent pas de noyades, c'est la chaleur qui pousse à acheter des glaces et à se baigner.
🔍 Vérification : si l'on vendait plus de climatiseurs en hiver (une promotion, par exemple), les coups de soleil n'augmenteraient pas ✓.
Conclure à une cause dès qu'un nuage est bien aligné.
Choisis deux grandeurs que tu peux mesurer (par exemple la durée de charge d'un téléphone et son pourcentage de batterie). Décris les mesures à faire, la forme de nuage attendue, et la prévision que tu pourrais faire.
Voir la correction›
on suit la démarche du chapitre : mesures, nuage, point moyen, droite d'ajustement, prévision, puis regard critique sur la plage de validité.
Interpoler est sûr ; extrapoler suppose que la tendance continue.
Étape 1 — Les mesures :
(exemple : charge d'un téléphone) :
Toutes les \(5\) minutes, on note la durée de charge \(x\) (en min) et le pourcentage de batterie \(y\), par exemple de \(x = 0\) à \(x = 40\) min.
Étape 2 — Le nuage attendu :
Les points montent de façon presque alignée au début de la charge ; on s'attend à un ajustement affine pertinent sur cette plage.
Étape 3 — L'ajustement et la prévision :
On calcule \(G\), puis la droite (Mayer ou calculatrice). On peut estimer la durée nécessaire pour atteindre \(50\,\%\), par interpolation.
Étape 4 — Les limites :
Près de \(100\,\%\), la charge ralentit (les téléphones protègent leur batterie) : la droite surestimerait la vitesse de charge en fin de course. Une extrapolation jusqu'à \(100\,\%\) serait donc peu fiable.
Conclusion : \(\boxed{\text{mesures régulières, nuage presque aligné au début, prévision par interpolation, prudence en fin de charge}}\).
🔍 Vérification : la démarche respecte les étapes du cours : observer le nuage avant de calculer, puis juger la pertinence de la droite ✓.
Prolonger la droite au-delà de \(100\,\%\) : le modèle donnerait un pourcentage impossible.
Un avis sur ce chapitre ? Donne-le en quelques mots