Statistique à deux variables : ajustements
Cours
Une consommation qui augmente chaque année, une population de bactéries qui double, un composant dont le prix baisse : pour prévoir la suite, on cherche une courbe simple qui passe au plus près des mesures. Quand les points sont alignés, une droite suffit ; quand ils dessinent une courbe exponentielle, on se ramène à une droite grâce au logarithme décimal. Avec ce chapitre, tu sauras :
- utiliser la droite d'ajustement donnée par la calculatrice pour prévoir ;
- repérer qu'un ajustement affine ne convient pas ;
- faire un changement de variable \(z = \log y\) ou \(X = \log x\) ;
- revenir à un modèle \(y = k \times q^x\) ou \(y = a\log x + b\) et l'utiliser pour prévoir ou trouver un seuil.
1 Rappels de 1ère
Ces notions sont vues en détail dans le chapitre Statistiques à deux variables de 1ère STI2D.
- Une série à deux variables se représente par un nuage de points \(M_i(x_i \,;\, y_i)\).
- Le point moyen est \(G(\bar{x} \,;\, \bar{y})\), où \(\bar{x}\) et \(\bar{y}\) sont les moyennes des \(x_i\) et des \(y_i\).
- La droite d'ajustement (des moindres carrés) est donnée par la calculatrice, en mode « régression linéaire » ; elle passe par \(G\).
- Prévoir pour une valeur de \(x\) dans l'intervalle des données, c'est interpoler ; en dehors, c'est extrapoler (moins sûr).
\(x\) : \(1, 2, 3, 4, 5\) ; \(y\) : \(12, 15, 19, 22, 27\).
Étape 1 — Les moyennes. \(\bar{x} = \dfrac{15}{5} = 3\) et \(\bar{y} = \dfrac{95}{5} = 19\), donc \(G(3 \,;\, 19)\).
Étape 2 — La droite. La calculatrice donne \(y = 3{,}7x + 7{,}9\) ; en \(x = 3\) : \(3{,}7 \times 3 + 7{,}9 = 19\) : la droite passe bien par \(G\).
🔍 Vérification : \(G\) est au milieu du nuage, entre le premier et le dernier point ✓.
Point moyen \(G(\bar{x} \,;\, \bar{y})\) ; droite d'ajustement par la calculatrice, qui passe par \(G\).
2 Ajustement affine et prévisions
Pour prévoir avec un ajustement affine :
- on vérifie sur le nuage que les points sont à peu près alignés ;
- on obtient l'équation \(y = ax + b\) à la calculatrice, avec les arrondis demandés ;
- pour une valeur de \(x\), on calcule \(y = ax + b\) ; pour une valeur de \(y\) (un seuil), on résout \(ax + b = y\) ou une inéquation.
L'écart (ou résidu) en un point est la différence entre la valeur observée et la valeur donnée par la droite.
Consommation électrique \(y\) (en GWh) selon le rang \(x\) de l'année.
| \(x\) | \(1\) | \(2\) | \(3\) | \(4\) | \(5\) | \(6\) |
|---|---|---|---|---|---|---|
| \(y\) | \(310\) | \(325\) | \(345\) | \(360\) | \(372\) | \(390\) |
Étape 1 — L'équation. La calculatrice donne \(y \approx 15{,}89x + 294{,}73\) (coefficients arrondis au centième).
Étape 2 — Une prévision. Pour \(x = 8\) : \(15{,}89 \times 8 + 294{,}73 = 421{,}85\), soit environ \(422\) GWh (extrapolation).
Étape 3 — Un seuil. \(15{,}89x + 294{,}73 \ge 450 \iff x \ge \dfrac{450 - 294{,}73}{15{,}89} \approx 9{,}77\) : la consommation dépasse \(450\) GWh à partir de l'année de rang \(10\).
🔍 Vérification : la droite passe par \(G(3{,}5 \,;\, 350{,}33)\) : \(15{,}89 \times 3{,}5 + 294{,}73 \approx 350{,}35\) ✓.
- ❌ Arrondir un seuil au plus proche. ✅ Un seuil entier se lit par excès : \(9{,}77\) donne \(10\).
- ❌ Faire confiance à une extrapolation lointaine : rien ne dit que la tendance continuera.
Avec \(y = 2x + 14\), quel est l'écart au point observé \((5 \,;\, 25)\) ?
Voir la réponseMasquer la réponse
La droite donne \(2 \times 5 + 14 = 24\) ; l'écart vaut \(25 - 24 = 1\).
Prévision \(=\) on remplace \(x\) ; seuil \(=\) on résout \(ax + b \ge\) valeur, et on lit le seuil par excès.
3 Changement de variable z = log y : le modèle exponentiel
Quand \(y\) est multiplié à peu près par le même nombre à chaque pas de \(x\), le nuage dessine une courbe qui monte de plus en plus vite. Le logarithme transforme les multiplications en additions : \(\log y\) augmente alors à peu près de la même quantité à chaque pas, donc les points \((x \,;\, \log y)\) sont presque alignés.
Si l'ajustement affine de \(z = \log y\) en fonction de \(x\) donne \(z = ax + b\), alors :
\(y = 10^{ax + b} = 10^b \times (10^a)^x\), soit \(y = k \times q^x\) avec \(k = 10^b\) et \(q = 10^a\).
En français : \(q\) est le coefficient multiplicateur quand \(x\) augmente de \(1\) ; le taux d'évolution correspondant est \(q - 1\).
Nombre \(N\) de bactéries au bout de \(t\) heures.
| \(t\) | \(0\) | \(1\) | \(2\) | \(3\) | \(4\) | \(5\) |
|---|---|---|---|---|---|---|
| \(N\) | \(120\) | \(190\) | \(300\) | \(480\) | \(760\) | \(1\,210\) |
| \(z = \log N\) | \(2{,}079\) | \(2{,}279\) | \(2{,}477\) | \(2{,}681\) | \(2{,}881\) | \(3{,}083\) |
Étape 1 — L'ajustement de \(z\). La calculatrice donne \(z \approx 0{,}2t + 2{,}08\).
Étape 2 — Revenir à \(N\). \(N = 10^{2{,}08} \times (10^{0{,}2})^t \approx 120{,}2 \times 1{,}585^t\) : environ \(+58{,}5\,\%\) par heure.
Étape 3 — Prévoir. Pour \(t = 7\) : \(N = 10^{0{,}2 \times 7 + 2{,}08} = 10^{3{,}48} \approx 3\,020\) bactéries.
🔍 Vérification : \(z\) augmente d'environ \(0{,}2\) à chaque heure dans le tableau ✓.
- ❌ Oublier de revenir à \(y\) : la calculatrice donne une droite pour \(z\), pas pour \(y\).
- ❌ Écrire \(k = b\) : c'est \(k = 10^b\).
L'ajustement donne \(z = 0{,}3x + 1\). Écris \(y\) sous la forme \(k \times q^x\).
Voir la réponseMasquer la réponse
\(k = 10^1 = 10\) et \(q = 10^{0{,}3} \approx 1{,}995\) : \(y \approx 10 \times 1{,}995^x\).
\(z = \log y = ax + b \iff y = 10^b \times (10^a)^x\).
4 Changement de variable X = log x et choix d'un modèle
Quand \(y\) augmente de la même quantité chaque fois que \(x\) est multiplié par \(10\), on pose \(X = \log x\). Si l'ajustement affine de \(y\) en fonction de \(X\) donne \(y = aX + b\), le modèle est \(y = a\log x + b\).
Tension \(y\) (en mV) d'un capteur selon l'éclairement \(x\) (en lux).
| \(x\) | \(10\) | \(100\) | \(1\,000\) | \(10\,000\) |
|---|---|---|---|---|
| \(X = \log x\) | \(1\) | \(2\) | \(3\) | \(4\) |
| \(y\) | \(52\) | \(101\) | \(149\) | \(201\) |
Étape 1 — L'ajustement. La calculatrice donne \(y = 49{,}5X + 2\), donc \(y = 49{,}5\log x + 2\).
Étape 2 — Prévoir. Pour \(x = 5\,000\) lux : \(y = 49{,}5\log 5\,000 + 2 \approx 185{,}1\) mV.
Étape 3 — Retrouver l'éclairement. Pour \(y = 150\) mV : \(\log x = \dfrac{150 - 2}{49{,}5} \approx 2{,}99\), donc \(x = 10^{2{,}99} \approx 977\) lux.
🔍 Vérification : \(5\,000\) lux est entre \(1\,000\) et \(10\,000\) lux, et \(185\) mV est bien entre \(149\) et \(201\) mV ✓.
- points \((x \,;\, y)\) presque alignés : ajustement affine ;
- \(y\) multiplié par un nombre à peu près constant quand \(x\) augmente de \(1\) : points \((x \,;\, \log y)\) alignés, modèle exponentiel ;
- \(y\) augmente d'une quantité à peu près constante quand \(x\) est multiplié par \(10\) : points \((\log x \,;\, y)\) alignés, modèle logarithmique.
- ❌ Choisir le changement de variable au hasard. ✅ On regarde comment évoluent les données : par additions ou par multiplications.
- ❌ Calculer \(\log x\) pour \(x \le 0\) : il n'existe pas.
Dans un tableau, \(y\) vaut \(3\), \(6\), \(12\), \(24\) pour \(x = 1\), \(2\), \(3\), \(4\). Quel modèle choisir ?
Voir la réponseMasquer la réponse
\(y\) double à chaque pas : modèle exponentiel, avec le changement de variable \(z = \log y\).
\(X = \log x\) donne \(y = a\log x + b\) ; on choisit le modèle d'après la forme du nuage.
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.
Avec l'ajustement \(y = 3{,}2x + 15\), quelle est la prévision pour \(x = 10\) ?
Réponse attendue : \(47\)
\(3{,}2 \times 10 + 15 = 32 + 15 = 47\).
Avec l'ajustement \(y = 4x + 20\), à partir de quel entier \(x\) a-t-on \(y > 50\) ?
\(4x > 30 \iff x > 7{,}5\) : le premier entier est \(8\).
Quand faut-il faire le changement de variable \(z = \log y\) ?
Le logarithme transforme les multiplications en additions : les points \((x \,;\, \log y)\) deviennent alignés.
Revoir dans le cours : 3. Changement de variable z = log y : le modèle exponentiel
L'ajustement de \(z = \log y\) donne \(z = 0{,}1x + 2\). Le modèle de \(y\) est :
\(y = 10^{0{,}1x + 2} = 10^2 \times (10^{0{,}1})^x\).
Revoir dans le cours : 3. Changement de variable z = log y : le modèle exponentiel
Le modèle \(y = 400 \times 0{,}9^x\) correspond à une baisse de combien de pourcents par unité de \(x\) ?
Réponse attendue : \(10\) %
\(q = 0{,}9 = 1 - 0{,}1\) : baisse de \(10\,\%\).
Revoir dans le cours : 3. Changement de variable z = log y : le modèle exponentiel
Vrai ou faux : si \(y\) augmente de \(5\) chaque fois que \(x\) est multiplié par \(10\), on pose \(X = \log x\).
C'est le modèle logarithmique \(y = a\log x + b\), avec \(a = 5\).
Revoir dans le cours : 4. Changement de variable X = log x et choix d'un modèle
Vrai ou faux : une prévision faite en dehors de l'intervalle des données est aussi fiable qu'une interpolation.
C'est une extrapolation : elle suppose que la tendance continue, ce qui n'est pas garanti.
À revoir dans le cours :
Questions fréquentes
Comment trouver l'équation de la droite d'ajustement à la calculatrice ?
On entre les valeurs de \(x\) dans une liste et celles de \(y\) dans une autre, puis on choisit dans le menu statistique la régression linéaire (souvent notée « LinReg » ou « ax+b »). La calculatrice affiche \(a\) et \(b\) ; on arrondit comme demandé par l'énoncé.
Quand faut-il utiliser log y au lieu de y ?
Quand les valeurs de \(y\) sont multipliées à peu près par le même nombre à chaque pas de \(x\), le nuage se courbe vers le haut. Les points \((x \,;\, \log y)\) sont alors presque alignés, et on fait l'ajustement affine sur eux.
Voir dans le cours : 3. Changement de variable z = log y : le modèle exponentiel
Comment revenir à y après un ajustement sur log y ?
Si l'ajustement donne \(\log y = ax + b\), alors \(y = 10^{ax + b} = 10^b \times (10^a)^x\). On calcule \(k = 10^b\) et \(q = 10^a\) à la calculatrice, et on obtient un modèle de la forme \(y = k \times q^x\).
Voir dans le cours : 3. Changement de variable z = log y : le modèle exponentiel
Quelle différence entre interpolation et extrapolation ?
Interpoler, c'est prévoir pour une valeur située entre les données : c'est assez fiable. Extrapoler, c'est prévoir en dehors des données, par exemple dans l'avenir : on suppose que la tendance continue, ce qui n'est pas garanti.
Comment choisir entre un modèle affine et un modèle exponentiel ?
On regarde l'évolution des données : si \(y\) augmente d'une quantité à peu près fixe, on choisit l'affine ; s'il est multiplié par un nombre à peu près fixe, l'exponentiel. On peut aussi comparer les écarts des deux modèles sur les données connues.
Voir dans le cours : 4. Changement de variable X = log x et choix d'un modèle
Fiche mémo
L’essentiel du chapitre, à relire avant un contrôle.
L'essentiel
| Notion | À savoir |
|---|---|
| Point moyen | \(G(\bar{x} \,;\, \bar{y})\), sur la droite d'ajustement |
| Ajustement affine | \(y = ax + b\) par la calculatrice (régression linéaire) |
| Prévision / seuil | remplacer \(x\) ; résoudre \(ax + b \ge\) valeur (seuil par excès) |
| Écart | valeur observée \(-\) valeur donnée par le modèle |
| Modèle exponentiel | \(z = \log y = ax + b \iff y = 10^b \times (10^a)^x\) |
| Modèle logarithmique | \(X = \log x\) : \(y = a\log x + b\) |
| Interpolation | dans l'intervalle des données (fiable) ; extrapolation : en dehors (prudence) |
Pièges à éviter
- Revenir à \(y\) après un ajustement sur \(z = \log y\) : \(k = 10^b\), \(q = 10^a\).
- Un seuil entier se lit par excès.
- Garder assez de décimales dans les coefficients avant de passer à \(10^{\dots}\).
- Une extrapolation lointaine est peu fiable.
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 \(x\) : \(1, 2, 3, 4, 5\) ; \(y\) : \(12, 15, 19, 22, 27\).
Voir la correction›
le point moyen a pour coordonnées la moyenne des \(x\) et la moyenne des \(y\) ; on additionne chaque série et on divise par le nombre de valeurs, \(5\).
\(G(\bar{x} \,;\, \bar{y})\) avec \(\bar{x} = \dfrac{x_1 + \dots + x_n}{n}\).
Étape 1 — La moyenne des x :
\[\begin{aligned} \bar{x} &= \dfrac{1 + 2 + 3 + 4 + 5}{5} \\ &= \dfrac{15}{5} \\ &= 3 \end{aligned}\]
Étape 2 — La moyenne des y :
\[\begin{aligned} \bar{y} &= \dfrac{12 + 15 + 19 + 22 + 27}{5} \\ &= \dfrac{95}{5} \\ &= 19 \end{aligned}\]
Conclusion : \(\boxed{G(3 \,;\, 19)}\).
🔍 Vérification : \(19\) est bien entre la plus petite valeur, \(12\), et la plus grande, \(27\) ✓.
La droite d'ajustement d'une série est \(y = 3x + 18\) et son point moyen est \(G(4 \,;\, 30)\). Vérifie que \(G\) est sur la droite.
Voir la correction›
un point est sur une droite si ses coordonnées vérifient l'équation : on remplace \(x\) par \(4\) et on compare le résultat à \(30\).
La droite d'ajustement passe toujours par le point moyen.
Étape 1 — Remplacer x par 4 :
\[\begin{aligned} 3 \times 4 + 18 &= 12 + 18 \\ &= 30 \end{aligned}\]
Étape 2 — Comparer :
On trouve \(30 = y_G\) : les coordonnées de \(G\) vérifient l'équation.
Conclusion : \(\boxed{G \text{ est bien sur la droite}}\).
🔍 Vérification : c'est cohérent avec la propriété du cours ✓.
Une série est donnée pour \(x\) allant de \(1\) à \(6\), avec la droite d'ajustement \(y = 2{,}5x + 10\). Calcule la prévision pour \(x = 8\). Est-ce une interpolation ou une extrapolation ?
Voir la correction›
on remplace \(x\) par \(8\) dans l'équation, puis on regarde si \(8\) est dans l'intervalle des données, \([1 \,;\, 6]\).
Interpoler = prévoir dans l'intervalle des données ; extrapoler = en dehors.
Étape 1 — La prévision :
\[\begin{aligned} y &= 2{,}5 \times 8 + 10 \\ &= 20 + 10 \\ &= 30 \end{aligned}\]
Étape 2 — Le type de prévision :
\(8 > 6\) : la valeur est en dehors des données, c'est une extrapolation.
Conclusion : \(\boxed{y = 30, \text{ par extrapolation}}\).
🔍 Vérification : la droite monte de \(2{,}5\) par unité ; en \(x = 6\) elle donne \(25\), puis \(25 + 2 \times 2{,}5 = 30\) en \(x = 8\) ✓.
Une extrapolation suppose que la tendance continue ; elle est moins sûre qu'une interpolation.
Avec l'ajustement \(y = 1{,}8x + 42\) (où \(x\) est le rang de l'année), à partir de quel rang \(y\) dépasse-t-il \(60\) ?
Voir la correction›
on écrit l'inéquation \(1{,}8x + 42 > 60\), on la résout, puis on prend le premier rang entier qui convient.
Un seuil entier se lit par excès.
Étape 1 — Résoudre :
On retranche \(42\), puis on divise par \(1{,}8 > 0\) :
\[\begin{aligned} 1{,}8x + 42 &> 60 \\ 1{,}8x &> 18 \\ x &> 10 \end{aligned}\]
Étape 2 — Le premier rang :
\(x\) est un rang entier strictement supérieur à \(10\) : \(x = 11\).
Conclusion : \(\boxed{\text{à partir du rang } 11}\).
🔍 Vérification : rang \(10\) : \(18 + 42 = 60\), pas encore au-dessus ; rang \(11\) : \(19{,}8 + 42 = 61{,}8 > 60\) ✓.
Répondre \(10\) ; au rang \(10\), \(y\) vaut exactement \(60\) et ne le dépasse pas.
Calcule \(z = \log y\) pour \(y = 100\), \(y = 1\,000\) et \(y = 50\) (au millième).
Voir la correction›
\(100\) et \(1\,000\) sont des puissances de \(10\) : on lit l'exposant. Pour \(50\), on utilise la calculatrice.
\(\log(10^n) = n\).
Étape 1 — Les puissances de 10 :
\(\log 100 = \log(10^2) = 2\) et \(\log 1\,000 = \log(10^3) = 3\).
Étape 2 — La calculatrice :
\(\log 50 \approx 1{,}699\).
Conclusion : \(\boxed{2 \,;\ 3 \,;\ 1{,}699}\).
🔍 Vérification : \(50\) est entre \(10\) et \(100\), donc \(\log 50\) est entre \(1\) et \(2\) ✓.
On sait que \(z = \log y = 2{,}4\). Calcule \(y\) (au centième).
Voir la correction›
\(z = \log y\) signifie \(y = 10^z\) : on calcule \(10^{2{,}4}\).
\(\log y = z \iff y = 10^z\).
Étape 1 — Revenir à y :
\[y = 10^{2{,}4} \approx 251{,}19\]
Conclusion : \(\boxed{y \approx 251{,}19}\).
🔍 Vérification : \(\log 251{,}19 \approx 2{,}4\) ✓ ; et \(10^2 = 100 < 251 < 1\,000 = 10^3\) ✓.
L'ajustement de \(z = \log y\) en fonction de \(x\) donne \(z = 0{,}3x + 1\). Écris \(y\) sous la forme \(k \times q^x\) (arrondir \(q\) au millième).
Voir la correction›
on revient de \(z\) à \(y\) avec \(y = 10^z\), puis on sépare la puissance : \(10^{ax + b} = 10^b \times (10^a)^x\).
\(10^{u + v} = 10^u \times 10^v\) et \(10^{ax} = (10^a)^x\).
Étape 1 — Écrire y :
\[\begin{aligned} y &= 10^{0{,}3x + 1} \\ &= 10^1 \times 10^{0{,}3x} \\ &= 10 \times (10^{0{,}3})^x \end{aligned}\]
Étape 2 — Calculer q :
\(q = 10^{0{,}3} \approx 1{,}995\).
Conclusion : \(\boxed{y \approx 10 \times 1{,}995^x}\).
🔍 Vérification : pour \(x = 0\), \(z = 1\) donne \(y = 10\), et le modèle donne \(10 \times 1 = 10\) ✓.
Écrire \(k = 1\) (la valeur de \(b\)) ; c'est \(k = 10^b = 10\).
Avec l'ajustement \(y = 2x + 14\), calcule l'écart au point observé \((5 \,;\, 25)\).
Voir la correction›
l'écart est la valeur observée moins la valeur donnée par la droite ; on calcule donc d'abord la valeur prévue en \(x = 5\).
Écart \(=\) valeur observée \(-\) valeur du modèle.
Étape 1 — La valeur de la droite :
\[2 \times 5 + 14 = 24\]
Étape 2 — L'écart :
\[25 - 24 = 1\]
Conclusion : \(\boxed{\text{écart} = 1}\) : le point est \(1\) unité au-dessus de la droite.
🔍 Vérification : \(24 + 1 = 25\), la valeur observée ✓.
Pour \(x = 0\), \(1\), \(2\), \(3\), on mesure \(y = 5\), \(10\), \(20\), \(40\). Un ajustement affine convient-il ? Quel changement de variable faut-il faire ?
Voir la correction›
on regarde comment \(y\) évolue d'une valeur à la suivante : par additions (affine) ou par multiplications (exponentiel).
Si \(y\) est multiplié par un nombre constant, les points \((x \,;\, \log y)\) sont alignés.
Étape 1 — Les évolutions :
De \(5\) à \(10\) : \(+5\) ; de \(10\) à \(20\) : \(+10\) ; de \(20\) à \(40\) : \(+20\). Les augmentations ne sont pas constantes : un ajustement affine ne convient pas.
Étape 2 — Les rapports :
\(\dfrac{10}{5} = \dfrac{20}{10} = \dfrac{40}{20} = 2\) : \(y\) double à chaque pas.
Étape 3 — Le changement de variable :
On pose \(z = \log y\) : \(z\) vaut environ \(0{,}699\) ; \(1\) ; \(1{,}301\) ; \(1{,}602\), et augmente chaque fois de \(\log 2 \approx 0{,}301\).
Conclusion : \(\boxed{\text{pas d'ajustement affine ; changement de variable } z = \log y}\).
🔍 Vérification : les valeurs de \(z\) augmentent bien de la même quantité ✓.
Calcule \(X = \log x\) pour \(x = 1\), \(10\), \(100\) et \(1\,000\).
Voir la correction›
ce sont des puissances de \(10\) : on lit les exposants.
\(\log(10^n) = n\).
Étape 1 — Écrire les puissances :
\(1 = 10^0\) ; \(10 = 10^1\) ; \(100 = 10^2\) ; \(1\,000 = 10^3\).
Étape 2 — Lire les exposants :
\(X\) vaut \(0\) ; \(1\) ; \(2\) ; \(3\).
Conclusion : \(\boxed{X = 0,\ 1,\ 2,\ 3}\).
🔍 Vérification : multiplier \(x\) par \(10\) ajoute \(1\) à \(X\) ✓.
Un modèle donne \(y = 200 \times 1{,}04^x\). Quel est le taux d'évolution de \(y\) quand \(x\) augmente de \(1\) ? Que vaut \(y\) pour \(x = 0\) ?
Voir la correction›
dans \(y = k \times q^x\), \(q\) est le coefficient multiplicateur quand \(x\) augmente de \(1\), et \(k\) est la valeur pour \(x = 0\).
Coefficient \(q = 1 + t\), où \(t\) est le taux d'évolution.
Étape 1 — Le taux :
\(q = 1{,}04\), donc \(t = 1{,}04 - 1 = 0{,}04\), soit \(+4\,\%\).
Étape 2 — La valeur en x = 0 :
\(y = 200 \times 1{,}04^0 = 200 \times 1 = 200\).
Conclusion : \(\boxed{+4\,\% \text{ par unité de } x \text{ ; } y(0) = 200}\).
🔍 Vérification : \(y(1) = 208 = 200 + 4\,\%\) de \(200\) ✓.
Niveau 2Intermédiaire (Exercices 12 à 24)
Ventes \(y\) (en milliers) selon le rang \(x\) de l'année :
| \(x\) | \(1\) | \(2\) | \(3\) | \(4\) | \(5\) | \(6\) |
|---|---|---|---|---|---|---|
| \(y\) | \(52\) | \(57\) | \(61\) | \(67\) | \(70\) | \(76\) |
a) Donne l'équation de la droite d'ajustement (coefficients au centième, à la calculatrice).
b) Prévois les ventes pour \(x = 8\) et \(x = 10\).
Voir la correction›
les points sont presque alignés (les ventes augmentent d'environ \(5\) chaque année) : on utilise l'ajustement affine de la calculatrice, puis on remplace \(x\).
À la calculatrice, mode statistique, « régression linéaire » (ou « LinReg »).
a) L'équation.
Étape 1 — La calculatrice :
On entre les \(x\) dans une liste et les \(y\) dans une autre. On obtient \(a \approx 4{,}714\) et \(b \approx 47{,}333\), soit :
\[y \approx 4{,}71x + 47{,}33\]
Étape 2 — Contrôler avec le point moyen :
\(\bar{x} = 3{,}5\) et \(\bar{y} = \dfrac{383}{6} \approx 63{,}83\) ; la droite donne \(4{,}71 \times 3{,}5 + 47{,}33 \approx 63{,}82\) ✓.
b) Les prévisions.
Étape 3 — Pour x = 8 :
\[\begin{aligned} y &= 4{,}71 \times 8 + 47{,}33 \\ &= 37{,}68 + 47{,}33 \\ &= 85{,}01 \end{aligned}\]
Étape 4 — Pour x = 10 :
\[\begin{aligned} y &= 4{,}71 \times 10 + 47{,}33 \\ &= 47{,}1 + 47{,}33 \\ &= 94{,}43 \end{aligned}\]
Conclusion : \(\boxed{y \approx 4{,}71x + 47{,}33 \text{ ; environ } 85\,000 \text{ et } 94\,400 \text{ ventes}}\).
Étape 5 — Comparer la droite aux données :
| \(x\) | \(1\) | \(2\) | \(3\) | \(4\) | \(5\) | \(6\) |
|---|---|---|---|---|---|---|
| mesure | \(52\) | \(57\) | \(61\) | \(67\) | \(70\) | \(76\) |
| droite | \(52{,}04\) | \(56{,}75\) | \(61{,}46\) | \(66{,}17\) | \(70{,}88\) | \(75{,}59\) |
Les écarts restent inférieurs à \(1\) millier : l'ajustement affine est pertinent.
🔍 Vérification : \(76\) milliers en \(x = 6\), puis environ \(+4{,}7\) par an pendant \(2\) ans : \(76 + 9{,}4 \approx 85\) ✓.
\(y\) est en milliers : \(85{,}01\) correspond à environ \(85\,000\) ventes.
Avec l'ajustement de l'exercice 12, \(y = 4{,}71x + 47{,}33\) :
a) calcule la valeur donnée par la droite pour \(x = 3{,}5\) ;
b) explique pourquoi la prévision pour \(x = 10\) est moins sûre que celle pour \(x = 3{,}5\).
Voir la correction›
on remplace \(x\) par \(3{,}5\), puis on compare la position de \(3{,}5\) et de \(10\) par rapport à l'intervalle des données, \([1 \,;\, 6]\).
Interpolation (dans l'intervalle) plus fiable qu'extrapolation (en dehors).
a) La valeur pour x = 3,5.
Étape 1 — Remplacer :
\[\begin{aligned} y &= 4{,}71 \times 3{,}5 + 47{,}33 \\ &= 16{,}485 + 47{,}33 \\ &\approx 63{,}82 \end{aligned}\]
b) Comparer les deux prévisions.
Étape 2 — Situer les valeurs :
\(3{,}5\) est dans \([1 \,;\, 6]\) : c'est une interpolation, entourée de mesures réelles. \(10\) est loin au-delà de \(6\) : c'est une extrapolation.
Étape 3 — Conclure :
Rien ne garantit que la tendance des \(6\) premières années continuera \(4\) ans de plus (saturation du marché, concurrence…).
Conclusion : \(\boxed{y \approx 63{,}82 \text{ ; la prévision pour } x = 10 \text{ est une extrapolation, donc moins sûre}}\).
🔍 Vérification : \(63{,}82\) est bien entre les valeurs observées en \(x = 3\) (\(61\)) et \(x = 4\) (\(67\)) ✓.
| \(t\) | \(0\) | \(1\) | \(2\) | \(3\) | \(4\) |
|---|---|---|---|---|---|
| \(y\) | \(50\) | \(75\) | \(112\) | \(170\) | \(253\) |
a) Calcule \(z = \log y\) pour chaque valeur (au millième).
b) La calculatrice donne \(z \approx 0{,}176t + 1{,}699\). Montre que \(y \approx 50 \times 1{,}5^t\).
c) Prévois \(y\) pour \(t = 6\).
Voir la correction›
\(y\) est multiplié par environ \(1{,}5\) à chaque pas : on passe à \(z = \log y\), dont l'ajustement est affine, puis on revient à \(y\) avec \(y = 10^z\).
\(z = ax + b \iff y = 10^b \times (10^a)^x\).
a) Les valeurs de z.
Étape 1 — Calculer les logarithmes :
| \(t\) | \(0\) | \(1\) | \(2\) | \(3\) | \(4\) |
|---|---|---|---|---|---|
| \(z = \log y\) | \(1{,}699\) | \(1{,}875\) | \(2{,}049\) | \(2{,}230\) | \(2{,}403\) |
b) Le modèle.
Étape 2 — Revenir à y :
\[\begin{aligned} y &= 10^{0{,}176t + 1{,}699} \\ &= 10^{1{,}699} \times (10^{0{,}176})^t \end{aligned}\]
Étape 3 — Calculer k et q :
\(10^{1{,}699} \approx 50{,}0\) et \(10^{0{,}176} \approx 1{,}500\), donc \(y \approx 50 \times 1{,}5^t\).
c) La prévision.
Étape 4 — Remplacer t par 6 :
\(1{,}5^6 = 11{,}390\,625\) :
\[\begin{aligned} y &\approx 50 \times 1{,}5^6 \\ &\approx 50 \times 11{,}39 \\ &\approx 569{,}5 \end{aligned}\]
Conclusion : \(\boxed{y \approx 50 \times 1{,}5^t \text{ et } y(6) \approx 570}\).
Étape 5 — Comparer le modèle aux mesures :
| \(t\) | \(0\) | \(1\) | \(2\) | \(3\) | \(4\) |
|---|---|---|---|---|---|
| mesure | \(50\) | \(75\) | \(112\) | \(170\) | \(253\) |
| \(50 \times 1{,}5^t\) | \(50\) | \(75\) | \(112{,}5\) | \(168{,}8\) | \(253{,}1\) |
Les valeurs sont très proches : le modèle décrit bien les données.
🔍 Vérification : le modèle donne \(y(4) = 50 \times 5{,}0625 \approx 253\), la valeur mesurée ✓.
Prendre \(k = 1{,}699\) ; c'est \(10^{1{,}699} \approx 50\).
Avec le modèle \(y = 50 \times 1{,}5^t\) de l'exercice 14 :
a) quel est le taux d'évolution de \(y\) à chaque unité de temps ?
b) par combien \(y\) est-il multiplié quand \(t\) augmente de \(2\) ?
Voir la correction›
dans \(y = 50 \times 1{,}5^t\), chaque unité de temps multiplie \(y\) par \(1{,}5\) ; deux unités le multiplient par \(1{,}5 \times 1{,}5\).
\(q^{t + 2} = q^t \times q^2\).
a) Le taux par unité de temps.
Étape 1 — Lire le coefficient :
\(q = 1{,}5 = 1 + 0{,}5\) : le taux est \(+50\,\%\).
b) Sur deux unités de temps.
Étape 2 — Multiplier deux fois :
\[\begin{aligned} y(t + 2) &= 50 \times 1{,}5^{t + 2} \\ &= 50 \times 1{,}5^t \times 1{,}5^2 \\ &= y(t) \times 2{,}25 \end{aligned}\]
Conclusion : \(\boxed{+50\,\% \text{ par unité ; multiplié par } 2{,}25 \text{ en deux unités}}\).
\(2{,}25 = 1 + 1{,}25\), soit une hausse de \(125\,\%\) en deux unités.
🔍 Vérification : \(y(0) = 50\) et \(y(2) = 112{,}5 = 50 \times 2{,}25\) ✓.
Dire \(+100\,\%\) en deux unités ; les hausses se multiplient : \(+125\,\%\).
Avec le modèle \(y = 50 \times 1{,}5^t\), à partir de quelle valeur entière de \(t\) a-t-on \(y \ge 1\,000\) ?
Voir la correction›
on divise par \(50\) pour isoler la puissance, puis on prend le logarithme ; \(\log 1{,}5 > 0\), le sens se conserve.
\(\log(q^t) = t\log q\).
Étape 1 — Isoler la puissance :
\[\begin{aligned} 50 \times 1{,}5^t &\ge 1\,000 \\ 1{,}5^t &\ge 20 \end{aligned}\]
Étape 2 — Prendre le logarithme :
\[t\log 1{,}5 \ge \log 20\]
Étape 3 — Diviser par log 1,5 > 0 :
\[t \ge \dfrac{\log 20}{\log 1{,}5} \approx 7{,}39\]
Conclusion : \(\boxed{t = 8}\).
🔍 Vérification : \(50 \times 1{,}5^7 \approx 854 < 1\,000\) et \(50 \times 1{,}5^8 \approx 1\,281 \ge 1\,000\) ✓.
| \(x\) | \(10\) | \(100\) | \(1\,000\) | \(10\,000\) |
|---|---|---|---|---|
| \(y\) | \(52\) | \(101\) | \(149\) | \(201\) |
a) Calcule \(X = \log x\) pour chaque valeur.
b) La calculatrice donne \(y = 49{,}5X + 2\). Écris \(y\) en fonction de \(x\).
c) Pour quelle valeur de \(x\) obtient-on \(y = 150\) ?
Voir la correction›
\(y\) augmente d'environ \(50\) quand \(x\) est multiplié par \(10\) : c'est le modèle logarithmique, avec \(X = \log x\). On revient à \(x\) avec \(x = 10^X\).
\(\log x = c \iff x = 10^c\).
a) Les valeurs de X.
Étape 1 — Puissances de 10 :
\(X\) vaut \(1\) ; \(2\) ; \(3\) ; \(4\).
b) Le modèle.
Étape 2 — Remplacer X :
\[y = 49{,}5\log x + 2\]
c) Pour y = 150.
Étape 3 — Résoudre :
\[\begin{aligned} 49{,}5\log x + 2 &= 150 \\ 49{,}5\log x &= 148 \\ \log x &= \dfrac{148}{49{,}5} \approx 2{,}99 \end{aligned}\]
Étape 4 — Revenir à x :
\[x = 10^{148/49{,}5} \approx 977\]
Conclusion : \(\boxed{y = 49{,}5\log x + 2 \text{ ; } y = 150 \text{ pour } x \approx 977}\).
Étape 5 — Comparer le modèle aux mesures :
On remplace \(X\) par \(1\), \(2\), \(3\), \(4\) dans \(y = 49{,}5X + 2\) :
| \(x\) | \(10\) | \(100\) | \(1\,000\) | \(10\,000\) |
|---|---|---|---|---|
| mesure | \(52\) | \(101\) | \(149\) | \(201\) |
| modèle | \(51{,}5\) | \(101\) | \(150{,}5\) | \(200\) |
Les écarts ne dépassent pas \(1{,}5\) mV : le modèle logarithmique convient. On voit aussi que \(y\) augmente de \(49{,}5\) mV chaque fois que l'éclairement est multiplié par \(10\).
🔍 Vérification : \(977\) est un peu sous \(1\,000\), et \(150\) est un peu au-dessus de \(149\), la valeur mesurée en \(1\,000\) : c'est cohérent, car la droite ne passe pas exactement par chaque point ✓.
Pour \(x = 1\), \(2\), \(3\), \(4\), on mesure \(y = 3\), \(6\), \(12\), \(25\). On propose \(y = 7{,}2x - 6{,}5\) (modèle A) et \(y = 10^{0{,}306x + 0{,}167}\) (modèle B).
a) Calcule les valeurs données par chaque modèle pour \(x = 1\) et \(x = 4\).
b) Quel modèle colle le mieux aux données ?
Voir la correction›
on calcule les valeurs des deux modèles en \(x = 1\) et \(x = 4\), puis on compare chacune à la valeur mesurée.
Plus les écarts sont petits, mieux le modèle colle aux données.
a) Les valeurs des modèles.
Étape 1 — Modèle A :
\(x = 1\) : \(7{,}2 - 6{,}5 = 0{,}7\) ; \(x = 4\) : \(28{,}8 - 6{,}5 = 22{,}3\).
Étape 2 — Modèle B :
\(x = 1\) : \(10^{0{,}473} \approx 2{,}97\) ; \(x = 4\) : \(10^{1{,}391} \approx 24{,}6\).
b) La comparaison.
Étape 3 — Les écarts :
| \(x\) | mesure | A | écart A | B | écart B |
|---|---|---|---|---|---|
| \(1\) | \(3\) | \(0{,}7\) | \(2{,}3\) | \(2{,}97\) | \(0{,}03\) |
| \(4\) | \(25\) | \(22{,}3\) | \(2{,}7\) | \(24{,}6\) | \(0{,}4\) |
Conclusion : \(\boxed{\text{le modèle B (exponentiel) colle beaucoup mieux}}\), ce qui est logique : \(y\) double à peu près à chaque pas.
Étape 4 — Expliquer la différence :
Le modèle A ajoute toujours \(7{,}2\) quand \(x\) augmente de \(1\). Or les données ne progressent pas d'une quantité fixe : \(+3\), \(+6\), \(+13\). Elles sont plutôt multipliées par \(2\) à chaque pas, ce que fait le modèle B, dont le coefficient vaut \(10^{0{,}306} \approx 2{,}02\).
🔍 Vérification : \(10^{0{,}306} \approx 2{,}02\) : le modèle B double presque à chaque pas, comme les données ✓.
L'écart \(D\) (en °C) entre la température d'un café et celle de la pièce est mesuré toutes les \(5\) minutes (\(t\) en nombre de périodes de \(5\) min) :
| \(t\) | \(0\) | \(1\) | \(2\) | \(3\) | \(4\) |
|---|---|---|---|---|---|
| \(D\) | \(60\) | \(42\) | \(29{,}5\) | \(20{,}6\) | \(14{,}4\) |
La calculatrice donne, pour \(z = \log D\), l'ajustement \(z \approx -0{,}155t + 1{,}778\).
a) Montre que \(D \approx 60 \times 0{,}7^t\).
b) À partir de combien de périodes l'écart devient-il inférieur à \(5\) °C ?
Voir la correction›
l'écart diminue d'environ \(30\,\%\) à chaque période : modèle exponentiel. On revient de \(z\) à \(D\), puis on résout \(D < 5\) avec le logarithme, en changeant le sens car \(\log 0{,}7 < 0\).
Diviser par un nombre négatif change le sens d'une inégalité.
a) Le modèle.
Étape 1 — Revenir à D :
\[D = 10^{1{,}778} \times (10^{-0{,}155})^t\]
Étape 2 — Les deux coefficients :
\(10^{1{,}778} \approx 59{,}98 \approx 60\) et \(10^{-0{,}155} \approx 0{,}6998 \approx 0{,}7\) : \(D \approx 60 \times 0{,}7^t\).
b) Sous 5 °C.
Étape 3 — Isoler la puissance :
\[\begin{aligned} 60 \times 0{,}7^t &< 5 \\ 0{,}7^t &< \dfrac{5}{60} \end{aligned}\]
Étape 4 — Prendre le logarithme et diviser :
\(\log 0{,}7 < 0\), le sens change :
\[t > \dfrac{\log(5/60)}{\log 0{,}7} \approx 6{,}97\]
Conclusion : \(\boxed{\text{à partir de } 7 \text{ périodes, soit } 35 \text{ minutes}}\).
Étape 5 — Comparer le modèle aux mesures :
| \(t\) | \(0\) | \(1\) | \(2\) | \(3\) | \(4\) |
|---|---|---|---|---|---|
| mesure | \(60\) | \(42\) | \(29{,}5\) | \(20{,}6\) | \(14{,}4\) |
| \(60 \times 0{,}7^t\) | \(60\) | \(42\) | \(29{,}4\) | \(20{,}58\) | \(14{,}41\) |
Le modèle reproduit les mesures à \(0{,}1\) °C près.
Étape 6 — Interpréter le coefficient :
\(q = 0{,}7 = 1 - 0{,}3\) : l'écart de température diminue de \(30\,\%\) toutes les \(5\) minutes. Plus le café est chaud par rapport à la pièce, plus il perd de chaleur vite ; c'est pourquoi la baisse est forte au début puis de plus en plus lente.
Étape 7 — Traduire en minutes :
Une période dure \(5\) minutes : \(7\) périodes font \(7 \times 5 = 35\) minutes.
Pour un refroidissement, on modélise l'écart à la température de la pièce, pas la température elle-même : c'est cet écart qui diminue d'un même pourcentage à chaque période, et il se rapproche de \(0\) quand le café atteint la température de la pièce.
🔍 Vérification : \(60 \times 0{,}7^6 \approx 7{,}06 > 5\) et \(60 \times 0{,}7^7 \approx 4{,}94 < 5\) ✓.
Oublier de traduire le nombre de périodes en minutes : \(7 \times 5 = 35\) min.
Complète la ligne \(z = \log y\) (au millième), puis dis si un modèle exponentiel est adapté.
| \(x\) | \(0\) | \(1\) | \(2\) | \(3\) |
|---|---|---|---|---|
| \(y\) | \(2\,000\) | \(2\,600\) | \(3\,380\) | \(4\,394\) |
Voir la correction›
on calcule \(\log y\) pour chaque valeur ; si les écarts entre deux valeurs successives de \(z\) sont égaux, un modèle exponentiel est adapté.
\(z\) affine en \(x\) \(\iff\) \(y\) multiplié par un nombre constant.
Étape 1 — Les logarithmes :
| \(x\) | \(0\) | \(1\) | \(2\) | \(3\) |
|---|---|---|---|---|
| \(z = \log y\) | \(3{,}301\) | \(3{,}415\) | \(3{,}529\) | \(3{,}643\) |
Étape 2 — Les écarts :
\(3{,}415 - 3{,}301 = 0{,}114\) ; \(3{,}529 - 3{,}415 = 0{,}114\) ; \(3{,}643 - 3{,}529 = 0{,}114\).
Conclusion : \(\boxed{z \text{ augmente toujours de } 0{,}114 \text{ : un modèle exponentiel est adapté}}\).
Étape 3 — Écrire la droite :
\(z\) part de \(3{,}301\) et augmente de \(0{,}114\) à chaque pas : les points \((x \,;\, z)\) sont exactement alignés sur la droite \(z = 0{,}114x + 3{,}301\).
Étape 4 — Interpréter :
Une augmentation constante de \(z\) correspond à une multiplication constante de \(y\) par \(10^{0{,}114} \approx 1{,}3\), soit \(+30\,\%\) à chaque pas.
🔍 Vérification : \(\dfrac{2\,600}{2\,000} = 1{,}3\) et \(\log 1{,}3 \approx 0{,}114\) ✓.
L'activité \(A\) d'une source (en becquerels) est mesurée chaque jour (\(t\) en jours) :
| \(t\) | \(0\) | \(1\) | \(2\) | \(3\) | \(4\) |
|---|---|---|---|---|---|
| \(A\) | \(1\,000\) | \(794\) | \(631\) | \(501\) | \(398\) |
a) Calcule \(z = \log A\) (au centième) et donne l'équation de la droite qui passe par ces points.
b) Déduis-en \(A\) en fonction de \(t\).
c) Calcule la demi-vie : le temps au bout duquel l'activité est divisée par \(2\).
Voir la correction›
on calcule les logarithmes ; ils baissent exactement de \(0{,}1\) par jour, donc la droite se lit directement. On revient ensuite à \(A\), puis on résout \(10^{-0{,}1t} = 0{,}5\).
\(\log A = z \iff A = 10^z\).
a) Les logarithmes et la droite.
Étape 1 — Calculer z :
\(z\) vaut \(3{,}00\) ; \(2{,}90\) ; \(2{,}80\) ; \(2{,}70\) ; \(2{,}60\).
Étape 2 — L'équation :
\(z\) part de \(3\) et baisse de \(0{,}1\) par jour : \(z = -0{,}1t + 3\).
b) Le modèle de A.
Étape 3 — Revenir à A :
\[\begin{aligned} A &= 10^{3 - 0{,}1t} \\ &= 10^3 \times (10^{-0{,}1})^t \\ &\approx 1\,000 \times 0{,}794^t \end{aligned}\]
c) La demi-vie.
Étape 4 — L'équation :
\[\begin{aligned} 10^{-0{,}1t} &= 0{,}5 \\ -0{,}1t &= \log 0{,}5 \\ t &= \dfrac{\log 0{,}5}{-0{,}1} \approx 3{,}01 \end{aligned}\]
Conclusion : \(\boxed{A \approx 1\,000 \times 0{,}794^t \text{ ; demi-vie d'environ } 3 \text{ jours}}\).
Étape 5 — Comparer le modèle aux mesures :
| \(t\) | \(0\) | \(1\) | \(2\) | \(3\) | \(4\) |
|---|---|---|---|---|---|
| mesure | \(1\,000\) | \(794\) | \(631\) | \(501\) | \(398\) |
| \(1\,000 \times 0{,}794^t\) | \(1\,000\) | \(794\) | \(630{,}4\) | \(500{,}6\) | \(397{,}4\) |
Le modèle reproduit les mesures à \(1\) Bq près.
Étape 6 — Une autre façon de trouver la demi-vie :
On cherche \(t\) tel que \(0{,}794^t = 0{,}5\) ; en prenant le logarithme :
\[t = \dfrac{\log 0{,}5}{\log 0{,}794} \approx 3{,}0\]
On retrouve environ \(3\) jours. Au bout de \(6\) jours, l'activité est divisée par \(4\), au bout de \(9\) jours par \(8\).
Quand les logarithmes diminuent exactement de la même quantité, inutile de passer par la calculatrice : on lit directement l'ordonnée à l'origine et la pente de la droite.
🔍 Vérification : \(1\,000 \times 0{,}794^3 \approx 501\) Bq, la mesure du jour \(3\) : la moitié de \(1\,000\) ✓.
Pour la série de l'exercice 20, montre que \(y = 2\,000 \times 1{,}3^x\), puis prévois \(y\) pour \(x = 6\).
Voir la correction›
on vérifie que chaque valeur s'obtient en multipliant la précédente par \(1{,}3\) ; le modèle est alors exactement \(y = 2\,000 \times 1{,}3^x\).
Une suite multipliée chaque fois par \(q\) s'écrit \(y = y_0 \times q^x\).
Étape 1 — Les rapports :
\(\dfrac{2\,600}{2\,000} = 1{,}3\) ; \(\dfrac{3\,380}{2\,600} = 1{,}3\) ; \(\dfrac{4\,394}{3\,380} = 1{,}3\).
Étape 2 — Le modèle :
Premier terme \(2\,000\), coefficient \(1{,}3\) : \(y = 2\,000 \times 1{,}3^x\).
Étape 3 — La prévision pour x = 6 :
\(1{,}3^6 = 4{,}826\,809\) :
\[\begin{aligned} y &= 2\,000 \times 1{,}3^6 \\ &\approx 9\,653{,}6 \end{aligned}\]
Conclusion : \(\boxed{y = 2\,000 \times 1{,}3^x \text{ et } y(6) \approx 9\,654}\).
🔍 Vérification : en logarithmes, \(\log 2\,000 \approx 3{,}301\) et \(\log 1{,}3 \approx 0{,}114\) : on retrouve \(z = 0{,}114x + 3{,}301\), comme à l'exercice 20 ✓.
Avec l'ajustement \(y = 0{,}8x + 3{,}5\), pour quelle valeur de \(x\) obtient-on \(y = 10\) ?
Voir la correction›
on connaît \(y\) et on cherche \(x\) : on résout l'équation \(0{,}8x + 3{,}5 = 10\).
Pour isoler \(x\), on retranche puis on divise.
Étape 1 — Retrancher 3,5 :
\[0{,}8x = 6{,}5\]
Étape 2 — Diviser par 0,8 :
\[x = \dfrac{6{,}5}{0{,}8} = 8{,}125\]
Conclusion : \(\boxed{x = 8{,}125}\).
Étape 3 — Interpréter :
On cherche ici la valeur de \(x\) qui produit un résultat donné : c'est le même calcul qu'un seuil, mais avec une égalité.
🔍 Vérification : \(0{,}8 \times 8{,}125 + 3{,}5 = 6{,}5 + 3{,}5 = 10\) ✓.
Un modèle donne \(y = 12\log x + 40\) pour \(x > 0\).
a) Calcule \(y\) pour \(x = 500\) (au dixième).
b) Pour quelle valeur de \(x\) a-t-on \(y = 70\) ?
Voir la correction›
a) on remplace \(x\) par \(500\) ;
b) on isole \(\log x\), puis on revient à \(x\) avec \(x = 10^{\dots}\).
\(\log x = c \iff x = 10^c\).
a) Pour x = 500.
Étape 1 — Remplacer :
\(\log 500 \approx 2{,}699\) :
\[\begin{aligned} y &= 12 \times \log 500 + 40 \\ &\approx 32{,}39 + 40 \\ &\approx 72{,}4 \end{aligned}\]
b) Pour y = 70.
Étape 2 — Isoler log x :
\[\begin{aligned} 12\log x + 40 &= 70 \\ 12\log x &= 30 \\ \log x &= 2{,}5 \end{aligned}\]
Étape 3 — Revenir à x :
\[x = 10^{2{,}5} \approx 316{,}2\]
Conclusion : \(\boxed{y(500) \approx 72{,}4 \text{ et } x \approx 316{,}2}\).
🔍 Vérification : \(316 < 500\) et \(70 < 72{,}4\) : le modèle est bien croissant ✓.
Niveau 3Difficile/Expert (Exercices 25 à 30)
Le prix \(y\) (en euros) d'un composant électronique selon le rang \(x\) de l'année :
| \(x\) | \(0\) | \(1\) | \(2\) | \(3\) | \(4\) | \(5\) |
|---|---|---|---|---|---|---|
| \(y\) | \(80\) | \(64\) | \(51\) | \(41\) | \(33\) | \(26\) |
a) Explique pourquoi un ajustement affine n'est pas adapté sur le long terme.
b) La calculatrice donne, pour \(z = \log y\), l'ajustement \(z \approx -0{,}097x + 1{,}903\). Montre que \(y \approx 80 \times 0{,}8^x\).
c) Prévois le prix pour \(x = 8\).
d) À partir de quel rang le prix passe-t-il sous \(10\) € ?
Voir la correction›
le prix baisse d'environ \(20\,\%\) par an, ce qui fait penser à un modèle exponentiel. On revient de \(z\) à \(y\), on prévoit, puis on résout un seuil avec le logarithme, en changeant le sens car \(\log 0{,}8 < 0\).
\(z = ax + b \iff y = 10^b \times (10^a)^x\).
a) Pourquoi pas une droite.
Étape 1 — Les baisses successives :
Les baisses sont \(16\), \(13\), \(10\), \(8\), \(7\) € : elles diminuent, le nuage est courbé. Une droite descendante finirait par donner un prix négatif, ce qui est absurde.
Étape 2 — Les rapports :
\(\dfrac{64}{80} = 0{,}8\), \(\dfrac{51}{64} \approx 0{,}80\), \(\dfrac{41}{51} \approx 0{,}80\) : le prix est multiplié par environ \(0{,}8\) chaque année.
b) Le modèle.
Étape 3 — Revenir à y :
\[y = 10^{1{,}903} \times (10^{-0{,}097})^x\]
\(10^{1{,}903} \approx 79{,}98 \approx 80\) et \(10^{-0{,}097} \approx 0{,}7998 \approx 0{,}8\), donc \(y \approx 80 \times 0{,}8^x\).
c) La prévision pour x = 8.
Étape 4 — Remplacer :
\[\begin{aligned} y &= 80 \times 0{,}8^8 \\ &\approx 80 \times 0{,}1678 \\ &\approx 13{,}42 \end{aligned}\]
d) Le seuil de 10 €.
Étape 5 — L'inéquation :
\[\begin{aligned} 80 \times 0{,}8^x &< 10 \\ 0{,}8^x &< 0{,}125 \\ x\log 0{,}8 &< \log 0{,}125 \end{aligned}\]
Étape 6 — Diviser par log 0,8 < 0 :
Le sens change :
\[x > \dfrac{\log 0{,}125}{\log 0{,}8} \approx 9{,}32\]
Conclusion : \(\boxed{y \approx 80 \times 0{,}8^x \text{ ; environ } 13{,}42 \text{ € au rang } 8 \text{ ; sous } 10 \text{ € à partir du rang } 10}\).
Étape 7 — Ce qu'aurait donné une droite :
La calculatrice donne pour ces données l'ajustement affine \(y \approx -10{,}66x + 75{,}81\). Il s'annule pour \(x = \dfrac{75{,}81}{10{,}66} \approx 7{,}1\) : il prévoirait un prix nul, puis négatif, dès le rang \(8\), ce qui est absurde.
Étape 8 — Comparer le modèle exponentiel aux mesures :
| \(x\) | \(0\) | \(1\) | \(2\) | \(3\) | \(4\) | \(5\) |
|---|---|---|---|---|---|---|
| mesure | \(80\) | \(64\) | \(51\) | \(41\) | \(33\) | \(26\) |
| \(80 \times 0{,}8^x\) | \(80\) | \(64\) | \(51{,}2\) | \(40{,}96\) | \(32{,}77\) | \(26{,}21\) |
Les écarts sont inférieurs à \(0{,}3\) € : le modèle exponentiel est bien adapté, et il reste toujours positif.
Étape 9 — Interpréter le modèle :
\(q = 0{,}8 = 1 - 0{,}2\) : le prix baisse de \(20\,\%\) par an. Une baisse en pourcentage ne fait jamais passer le prix sous \(0\) : il se rapproche de \(0\) sans l'atteindre. C'est pourquoi le modèle exponentiel est plus réaliste que la droite pour des prévisions à long terme.
🔍 Vérification : \(80 \times 0{,}8^9 \approx 10{,}74 > 10\) et \(80 \times 0{,}8^{10} \approx 8{,}59 < 10\) ✓.
Garder le sens « \(<\) » après la division par \(\log 0{,}8\), ce qui donnerait \(x < 9{,}32\) : le prix serait sous \(10\) € au début, ce qui est faux.
On reprend les modèles A (\(y = 7{,}2x - 6{,}5\)) et B (\(y = 10^{0{,}306x + 0{,}167}\)) de l'exercice 18, pour les données \(y = 3\), \(6\), \(12\), \(25\).
a) Calcule les prévisions des deux modèles pour \(x = 6\).
b) Calcule les écarts des deux modèles en \(x = 2\) et \(x = 3\).
c) Quelle prévision retenir pour \(x = 6\) ? Avec quelle prudence ?
Voir la correction›
on calcule les deux prévisions, puis les écarts sur des données connues : le modèle qui reproduit le mieux les données mérite plus de confiance. On reste prudent, car \(x = 6\) est une extrapolation.
Écart \(=\) valeur observée \(-\) valeur du modèle.
a) Les prévisions pour x = 6.
Étape 1 — Modèle A :
\[7{,}2 \times 6 - 6{,}5 = 43{,}2 - 6{,}5 = 36{,}7\]
Étape 2 — Modèle B :
\(0{,}306 \times 6 + 0{,}167 = 2{,}003\), donc \(y = 10^{2{,}003} \approx 100{,}7\).
b) Les écarts.
Étape 3 — En x = 2 (mesure 6) :
A donne \(7{,}2 \times 2 - 6{,}5 = 7{,}9\) : écart \(6 - 7{,}9 = -1{,}9\). B donne \(10^{0{,}779} \approx 6{,}01\) : écart \(\approx -0{,}01\).
Étape 4 — En x = 3 (mesure 12) :
A donne \(15{,}1\) : écart \(-3{,}1\). B donne \(10^{1{,}085} \approx 12{,}16\) : écart \(\approx -0{,}16\).
c) Le choix.
Étape 5 — Conclure :
Les écarts de B sont environ vingt fois plus petits : B décrit bien le doublement observé. On retient B, mais avec prudence : rien ne garantit que \(y\) continuera de doubler jusqu'en \(x = 6\).
Conclusion : \(\boxed{A : 36{,}7 \text{ ; B : environ } 100{,}7 \text{ ; on retient B, avec prudence}}\).
Étape 6 — Pourquoi les deux prévisions s'écartent :
Entre \(x = 4\) et \(x = 6\), le modèle A ajoute \(2 \times 7{,}2 = 14{,}4\), alors que le modèle B multiplie par environ \(2{,}02^2 \approx 4{,}1\). Plus on s'éloigne des données, plus la différence entre « ajouter » et « multiplier » devient grande. Une nouvelle mesure en \(x = 5\) permettrait de trancher : A prévoit \(29{,}5\), B environ \(49{,}8\).
🔍 Vérification : en doublant à partir de \(25\) : \(50\) en \(x = 5\), \(100\) en \(x = 6\), proche de B ✓.
Penser que les deux modèles « se valent » parce qu'ils passent tous deux par le point moyen ; leurs prévisions lointaines diffèrent énormément.
Demi-grand axe \(a\) de l'orbite (en unités astronomiques) et période \(T\) de révolution (en années) de cinq planètes :
| Planète | Mercure | Vénus | Terre | Mars | Jupiter |
|---|---|---|---|---|---|
| \(a\) | \(0{,}387\) | \(0{,}723\) | \(1\) | \(1{,}524\) | \(5{,}203\) |
| \(T\) | \(0{,}241\) | \(0{,}615\) | \(1\) | \(1{,}881\) | \(11{,}86\) |
On pose \(X = \log a\) et \(Z = \log T\). La calculatrice donne l'ajustement \(Z \approx 1{,}5X\).
a) Montre que \(T \approx a^{1{,}5}\), puis que \(T^2 \approx a^3\).
b) Saturne a un demi-grand axe de \(9{,}537\) UA. Estime sa période.
Voir la correction›
ici on prend le logarithme des deux variables. Une relation \(Z = 1{,}5X\) entre logarithmes devient une relation de puissance entre \(T\) et \(a\), grâce à \(\log(a^n) = n\log a\).
\(n\log a = \log(a^n)\) et \(\log u = \log v \iff u = v\).
a) La loi de Kepler.
Étape 1 — Traduire l'ajustement :
\[\begin{aligned} \log T &= 1{,}5\log a \\ \log T &= \log(a^{1{,}5}) \end{aligned}\]
Étape 2 — Revenir à T :
Deux nombres positifs qui ont le même logarithme sont égaux : \(T = a^{1{,}5}\).
Étape 3 — Élever au carré :
\[\begin{aligned} T^2 &= (a^{1{,}5})^2 \\ &= a^{1{,}5 \times 2} \\ &= a^3 \end{aligned}\]
b) La période de Saturne.
Étape 4 — Remplacer :
\[T \approx 9{,}537^{1{,}5} \approx 29{,}45 \text{ ans}\]
Conclusion : \(\boxed{T^2 \approx a^3 \text{ ; Saturne : environ } 29{,}5 \text{ ans}}\).
Étape 5 — Les valeurs des logarithmes :
| Planète | Mercure | Vénus | Terre | Mars | Jupiter |
|---|---|---|---|---|---|
| \(X = \log a\) | \(-0{,}412\) | \(-0{,}141\) | \(0\) | \(0{,}183\) | \(0{,}716\) |
| \(Z = \log T\) | \(-0{,}618\) | \(-0{,}211\) | \(0\) | \(0{,}274\) | \(1{,}074\) |
Pour chaque planète, \(Z\) vaut à peu près \(1{,}5\) fois \(X\) : par exemple, pour Jupiter, \(1{,}5 \times 0{,}716 = 1{,}074\).
Étape 6 — Vérifier T² = a³ sur les données :
| Planète | Mercure | Vénus | Terre | Mars | Jupiter |
|---|---|---|---|---|---|
| \(T^2\) | \(0{,}058\) | \(0{,}378\) | \(1\) | \(3{,}538\) | \(140{,}66\) |
| \(a^3\) | \(0{,}058\) | \(0{,}378\) | \(1\) | \(3{,}540\) | \(140{,}85\) |
Les deux lignes sont presque identiques : c'est la troisième loi de Kepler.
Étape 7 — Pourquoi deux logarithmes :
Ni \(T\) en fonction de \(a\), ni \(\log T\) en fonction de \(a\) ne donnent des points alignés. En prenant le logarithme des deux grandeurs, la relation de puissance \(T = a^{1{,}5}\) devient la relation affine \(\log T = 1{,}5\log a\). C'est le même principe que \(z = \log y\), appliqué aux deux axes.
Étape 8 — Interpréter :
Une planète \(4\) fois plus éloignée du Soleil met \(4^{1{,}5} = 8\) fois plus de temps pour en faire le tour.
Étape 9 — Ce que dit la vérification :
Le modèle prévoit environ \(29{,}45\) ans pour Saturne, et la période observée est d'environ \(29{,}5\) ans : l'écart est inférieur à \(0{,}2\,\%\). Kepler a trouvé cette loi au début du XVIIe siècle à partir des mesures des astronomes ; Newton l'a ensuite expliquée par la gravitation. Le changement de variable sur les deux axes permet de la retrouver avec une simple droite d'ajustement.
Prendre le logarithme d'une seule des deux variables ; ni \((a \,;\, \log T)\) ni \((\log a \,;\, T)\) ne donnent des points alignés ici.
🔍 Vérification : pour Jupiter, \(5{,}203^{1{,}5} \approx 11{,}87\), très proche de la mesure \(11{,}86\) ✓. La valeur réelle pour Saturne est d'environ \(29{,}5\) ans ✓.
Quand les deux variables varient sur de très grands intervalles, on prend le logarithme des deux.
On suppose que \(z = \log y = ax + b\).
a) Montre que \(y = 10^b \times (10^a)^x\).
b) Montre que, quand \(x\) augmente de \(1\), \(y\) est multiplié par \(10^a\).
c) Que peut-on dire du sens de variation de \(y\) selon le signe de \(a\) ?
Voir la correction›
on revient de \(z\) à \(y\) avec \(y = 10^z\), puis on utilise les propriétés des puissances de \(10\). Pour b), on calcule le quotient \(\dfrac{y(x + 1)}{y(x)}\).
\(10^{u + v} = 10^u \times 10^v\) et \(10^{uv} = (10^u)^v\).
a) La forme du modèle.
Étape 1 — Revenir à y :
\[\begin{aligned} y &= 10^{ax + b} \\ &= 10^b \times 10^{ax} \\ &= 10^b \times (10^a)^x \end{aligned}\]
b) Quand x augmente de 1.
Étape 2 — Le quotient :
\[\begin{aligned} \dfrac{y(x + 1)}{y(x)} &= \dfrac{10^b \times (10^a)^{x + 1}}{10^b \times (10^a)^x} \\ &= (10^a)^{x + 1 - x} \\ &= 10^a \end{aligned}\]
c) Le sens de variation.
Étape 3 — Selon le signe de a :
On pose \(q = 10^a > 0\). Si \(a > 0\), \(q > 1\) et \(y\) est croissante ; si \(a < 0\), \(0 < q < 1\) et \(y\) est décroissante ; si \(a = 0\), \(y\) est constante.
Conclusion : \(\boxed{y = 10^b \times (10^a)^x,\ \text{multiplié par } 10^a \text{ à chaque pas, croissant si } a > 0}\).
Étape 4 — Le lien avec le taux d'évolution :
Le taux d'évolution quand \(x\) augmente de \(1\) vaut \(10^a - 1\) ; il est positif si \(a > 0\), négatif si \(a < 0\).
🔍 Vérification : avec \(a = 0{,}2\) (bactéries du cours), \(q = 10^{0{,}2} \approx 1{,}585 > 1\) : population croissante ✓ ; avec \(a = -0{,}1\) (exercice 21), \(q \approx 0{,}794 < 1\) : activité décroissante ✓.
for t in range(0, 8, 2):
N = 10**(0.2*t + 2.08)
print(t, round(N))
a) Quel modèle ce programme utilise-t-il ? Écris-le sous la forme \(N = k \times q^t\).
b) Quelles lignes affiche-t-il ?
Voir la correction›
on lit la formule du programme : N = 10**(0.2*t + 2.08) est le modèle exponentiel du cours. Puis on suit la boucle : range(0, 8, 2) donne \(t = 0, 2, 4, 6\).
En Python, range(0, 8, 2) part de \(0\), avance de \(2\) en \(2\), et s'arrête avant \(8\).
a) Le modèle.
Étape 1 — Lire la formule :
\(N = 10^{0{,}2t + 2{,}08} = 10^{2{,}08} \times (10^{0{,}2})^t \approx 120{,}2 \times 1{,}585^t\).
b) Les lignes affichées.
Étape 2 — Les valeurs de t :
\(t\) prend les valeurs \(0\), \(2\), \(4\), \(6\).
Étape 3 — Les calculs :
| \(t\) | \(0{,}2t + 2{,}08\) | \(N\) arrondi |
|---|---|---|
| \(0\) | \(2{,}08\) | \(120\) |
| \(2\) | \(2{,}48\) | \(302\) |
| \(4\) | \(2{,}88\) | \(759\) |
| \(6\) | \(3{,}28\) | \(1\,905\) |
Conclusion : \(\boxed{\text{le programme affiche } 0\ 120,\ 2\ 302,\ 4\ 759,\ 6\ 1905}\).
Étape 4 — Interpréter les lignes :
Les valeurs de \(t\) avancent de \(2\) en \(2\) : à chaque ligne, \(N\) est multiplié par environ \(10^{0{,}4} \approx 2{,}51\), car \(z\) augmente de \(0{,}4\).
🔍 Vérification : de \(t = 0\) à \(t = 2\), \(N\) est multiplié par \(1{,}585^2 \approx 2{,}51\), et \(120 \times 2{,}51 \approx 302\) ✓.
Croire que \(t = 8\) est calculé ; range s'arrête avant la borne \(8\).
La consommation d'un centre de données suit les deux ajustements suivants (rang \(x\) de l'année, \(y\) en MWh) : affine \(y = 15{,}89x + 294{,}73\) ; exponentiel \(y = 300 \times 1{,}045^x\).
a) Calcule les prévisions des deux modèles pour \(x = 6\) et pour \(x = 20\).
b) Les deux modèles donnent des valeurs proches pour \(x = 6\). Que se passe-t-il pour \(x = 20\) ?
c) Pourquoi faut-il être prudent avec une extrapolation lointaine ?
Voir la correction›
on calcule les prévisions des deux modèles aux deux horizons, on compare l'écart entre eux, et on explique pourquoi cet écart grandit : l'un ajoute une quantité fixe, l'autre multiplie par un nombre fixe.
Extrapoler, c'est prévoir en dehors de l'intervalle des données.
a) Les prévisions.
Étape 1 — Pour x = 6 :
Affine : \(15{,}89 \times 6 + 294{,}73 = 390{,}07\). Exponentiel : \(300 \times 1{,}045^6 \approx 390{,}68\).
Étape 2 — Pour x = 20 :
Affine : \(15{,}89 \times 20 + 294{,}73 = 612{,}53\). Exponentiel : \(300 \times 1{,}045^{20} \approx 723{,}51\).
b) La comparaison.
Étape 3 — Les écarts entre modèles :
En \(x = 6\), l'écart vaut environ \(0{,}6\) MWh ; en \(x = 20\), environ \(111\) MWh.
Étape 4 — Expliquer :
Le modèle affine ajoute toujours \(15{,}89\) MWh par an ; le modèle exponentiel ajoute \(4{,}5\,\%\) d'une consommation de plus en plus grande. Sur les données, les deux sont proches ; loin des données, l'exponentiel grandit beaucoup plus vite.
c) La prudence.
Étape 5 — Conclure :
Les deux modèles décrivent aussi bien le passé, mais pas l'avenir lointain. Une extrapolation lointaine dépend fortement du modèle choisi, et la réalité peut changer (économies d'énergie, nouveaux équipements…).
Conclusion : \(\boxed{x = 6 : 390{,}07 \text{ et } 390{,}68 \text{ ; } x = 20 : 612{,}53 \text{ et } 723{,}51 \text{ : écart de plus de } 100 \text{ MWh}}\).
Étape 6 — Un tableau de suivi :
| \(x\) | \(6\) | \(10\) | \(15\) | \(20\) |
|---|---|---|---|---|
| affine | \(390{,}07\) | \(453{,}63\) | \(533{,}08\) | \(612{,}53\) |
| exponentiel | \(390{,}68\) | \(465{,}89\) | \(580{,}58\) | \(723{,}51\) |
L'écart entre les deux modèles grandit d'année en année : environ \(12\) MWh en \(x = 10\), \(47\) MWh en \(x = 15\) et \(111\) MWh en \(x = 20\).
Étape 7 — Comment départager les modèles :
On compare les écarts des deux modèles sur les années déjà mesurées, puis on ajoute chaque nouvelle mesure au tableau. Si les consommations observées s'écartent de la droite en restant proches du modèle exponentiel, on retient ce dernier. On peut aussi chercher la cause de l'évolution : un nombre de serveurs qui augmente d'un pourcentage fixe chaque année fait penser à un modèle exponentiel.
🔍 Vérification : \(1{,}045^{20} \approx 2{,}41\) et \(300 \times 2{,}41 \approx 723\) ✓.
Pour départager deux modèles, on compare leurs écarts sur les données, puis on surveille les nouvelles mesures.
Un avis sur ce chapitre ? Donne-le en quelques mots