Aller au contenu
Maths Clairesmathsclaires.com/terminale-sti2d/04-ajustements-deux-variablesTle STI2D
Tle STI2D · Chapitre 4 · Probabilités et statistiques

Statistique à deux variables : ajustements

30 exercices corrigésCours mis à jour le

Cours

À quoi ça sert ?

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

Rappel

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).
Exemple guidé — un point moyen

\(x\) : \(1, 2, 3, 4, 5\) ; \(y\) : \(12, 15, 19, 22, 27\).

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 ✓.

À retenir

Point moyen \(G(\bar{x} \,;\, \bar{y})\) ; droite d'ajustement par la calculatrice, qui passe par \(G\).

2 Ajustement affine et prévisions

Méthode

Pour prévoir avec un ajustement affine :

  1. on vérifie sur le nuage que les points sont à peu près alignés ;
  2. on obtient l'équation \(y = ax + b\) à la calculatrice, avec les arrondis demandés ;
  3. 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.

Exemple guidé — la consommation d'une ville

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 \(G(3{,}5 \,;\, 350{,}33)\) : \(15{,}89 \times 3{,}5 + 294{,}73 \approx 350{,}35\) ✓.

Erreurs fréquentes
  • ❌ 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.
À toi !

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 \(25 - 24 = 1\).

À retenir

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

L'intuition

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.

Propriété

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 \(q - 1\).

Exemple guidé — des bactéries

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 ✓.

Erreurs fréquentes
  • ❌ Oublier de revenir à \(y\) : la calculatrice donne une droite pour \(z\), pas pour \(y\).
  • ❌ Écrire \(k = b\) : c'est \(k = 10^b\).
À toi !

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 \(q = 10^{0{,}3} \approx 1{,}995\) : \(y \approx 10 \times 1{,}995^x\).

À retenir

\(z = \log y = ax + b \iff y = 10^b \times (10^a)^x\).

4 Changement de variable X = log x et choix d'un modèle

Le modèle logarithmique

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 \(y = a\log x + b\).

Exemple guidé — un capteur de lumière

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 ✓.

Choisir un modèle
  • 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.
Erreurs fréquentes
  • ❌ 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.
À toi !

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 \(z = \log y\).

À retenir

\(X = \log x\) donne \(y = a\log x + b\) ; on choisit le modèle d'après la forme du nuage.


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.

Voir dans le cours : 2. Ajustement affine et prévisions

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.

Voir dans le cours : 1. Rappels de 1ère

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

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

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