Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Première S1-S3 · Leçon 9 — Statistique à deux variables — Mathématiques Première
Statistique à deux variables
Nuage de points, point moyen, covariance, ajustement affine par la méthode de Mayer et par les moindres carrés, coefficient de corrélation, prévisions.
Présentation de la leçon
Une boutique proche d’un lycée de Dakar note chaque soir la température maximale du jour et le nombre de sachets de bissap glacé vendus. Peut-on traduire ce lien par une formule, prévoir les ventes d’une journée à 36 °C et savoir si la prévision est fiable ? C’est l’objet de la statistique à deux variables : nuage de points, droite d’ajustement, coefficient de corrélation.
- Représenter le nuage de points d’une série statistique à deux variables.
- Calculer les coordonnées du point moyen et la covariance.
- Tracer une droite d’ajustement à main levée et par la méthode de Mayer.
- Déterminer les droites de régression par la méthode des moindres carrés.
- Calculer et interpréter le coefficient de corrélation linéaire.
- Faire des interpolations et des extrapolations, et en discuter la validité.
- Moyenne, variance et écart type d’une série à une variable (Seconde).
- Équation réduite d’une droite, coefficient directeur.
- Minimum d’un trinôme du second degré.
Chaque notion est énoncée dans un encadré (définition, propriété, méthode), illustrée par des exemples résolus et résumée dans À retenir. Les encadrés Attention signalent les erreurs fréquentes. La dernière partie propose des exercices corrigés.
Sommaire
Nuage de points, point moyen, covariance
1.1 Une situation de départ
Pendant huit jours, la gérante d’une boutique proche d’un lycée de Dakar a relevé la température maximale \(x\) (en °C) et le nombre \(y\) de sachets de bissap glacé vendus (en dizaines de sachets). Ce sont des données d’entraînement, utilisées dans toute la leçon (série \(B\)).
Température \(x_i\) (°C) — \(24\) — \(25\) — \(27\) — \(28\) — \(30\) — \(31\) — \(33\) — \(34\)
Ventes \(y_i\) (dizaines) — \(11\) — \(15\) — \(18\) — \(21\) — \(19\) — \(21\) — \(26\) — \(29\)
Chaque jour fournit un couple \((x_i\,;y_i)\). On voit que les ventes augmentent, en gros, avec la température, mais pas de façon parfaitement régulière (le jour à 30 °C, on a moins vendu que la veille à 28 °C). La leçon répond à trois questions : comment représenter ces couples ? comment résumer leur lien par une droite ? comment mesurer la force de ce lien ?
1.2 Série à deux variables et nuage de points
Sur une population de \(n\) individus, on étudie deux caractères quantitatifs \(x\) et \(y\). On obtient \(n\) couples \((x_1\,;y_1)\), \((x_2\,;y_2)\), …, \((x_n\,;y_n)\) : c’est une série statistique à deux variables. Dans cette leçon, chaque individu donne un couple et les valeurs \(x_i\) sont deux à deux distinctes.
Dans un repère orthogonal, l’ensemble des points \(M_i(x_i\,;y_i)\) est le nuage de points de la série. Le point moyen du nuage est le point \(G(\overline{x}\,;\overline{y})\), où \[\overline{x} = \frac{1}{n}\sum_{i=1}^{n} x_i \qquad \text{et} \qquad \overline{y} = \frac{1}{n}\sum_{i=1}^{n} y_i.\]
Les axes ne commencent pas forcément à \(0\) : on choisit les graduations pour que le nuage occupe bien la figure.
\(\overline{x} = \frac{24 + 25 + 27 + 28 + 30 + 31 + 33 + 34}{8} = \frac{232}{8} = 29\) et \(\overline{y} = \frac{11 + 15 + 18 + 21 + 19 + 21 + 26 + 29}{8} = \frac{160}{8} = 20\).
Le point moyen est \(G(29\,;20)\) : en moyenne, 200 sachets par jour pour une température moyenne de 29 °C. Le nuage a une forme allongée, orientée vers le haut : on dit que les points sont « presque alignés ».
Fig. 1 — Nuage de points de la série \(B\) et point moyen \(G(29\,;20)\).
1.3 Variances et covariance
On rappelle que la variance de \(x\) est \(V(x) = \frac{1}{n}\sum (x_i - \overline{x})^2 = \frac{1}{n}\sum x_i^2 - \overline{x}^2\) et que l’écart type est \(\sigma_x = \sqrt{V(x)}\) ; de même pour \(y\).
La covariance de la série \((x\,;y)\) est le nombre \[\mathrm{cov}(x, y) = \frac{1}{n}\sum_{i=1}^{n} (x_i - \overline{x})(y_i - \overline{y}).\]
\[\mathrm{cov}(x, y) = \frac{1}{n}\sum_{i=1}^{n} x_iy_i - \overline{x}\,\overline{y}.\] De plus \(\mathrm{cov}(x, x) = V(x)\) et \(\mathrm{cov}(x, y) = \mathrm{cov}(y, x)\).
Démonstration. En développant, \(\sum (x_i - \overline{x})(y_i - \overline{y}) = \sum x_iy_i - \overline{y}\sum x_i - \overline{x}\sum y_i + n\overline{x}\,\overline{y}\). Or \(\sum x_i = n\overline{x}\) et \(\sum y_i = n\overline{y}\), donc la somme vaut \(\sum x_iy_i - n\overline{x}\,\overline{y}\). On divise par \(n\).
Signe de la covariance. Si le point \(M_i\) est en haut à droite ou en bas à gauche de \(G\), le produit \((x_i - \overline{x})(y_i - \overline{y})\) est positif ; sinon il est négatif. Une covariance positive traduit donc une tendance « quand \(x\) augmente, \(y\) augmente » ; une covariance négative, la tendance inverse.
Dresser un tableau avec les colonnes \(x_i - \overline{x}\), \(y_i - \overline{y}\), leurs carrés et leur produit (ou bien \(x_i^2\), \(y_i^2\), \(x_iy_i\) pour la formule de Koenig), faire les sommes, puis diviser par \(n\). Vérifier que les colonnes \(x_i - \overline{x}\) et \(y_i - \overline{y}\) ont une somme nulle.
\(x_i\) — 24 — 25 — 27 — 28 — 30 — 31 — 33 — 34 — somme
\(y_i\) — 11 — 15 — 18 — 21 — 19 — 21 — 26 — 29 — 160
\(x_i - \overline{x}\) — \(-5\) — \(-4\) — \(-2\) — \(-1\) — \(1\) — \(2\) — \(4\) — \(5\) — \(0\)
\(y_i - \overline{y}\) — \(-9\) — \(-5\) — \(-2\) — \(1\) — \(-1\) — \(1\) — \(6\) — \(9\) — \(0\)
\((x_i - \overline{x})^2\) — 25 — 16 — 4 — 1 — 1 — 4 — 16 — 25 — 92
\((y_i - \overline{y})^2\) — 81 — 25 — 4 — 1 — 1 — 1 — 36 — 81 — 230
produit — 45 — 20 — 4 — \(-1\) — \(-1\) — 2 — 24 — 45 — 138
\(V(x) = \frac{92}{8} = 11{,}5\) ; \(V(y) = \frac{230}{8} = 28{,}75\) ; \(\mathrm{cov}(x, y) = \frac{138}{8} = 17{,}25\). Écarts types : \(\sigma_x \approx 3{,}39\), \(\sigma_y \approx 5{,}36\).
Contrôle par la formule de Koenig : \(\sum x_iy_i = 4\,778\), \(\frac{4\,778}{8} - 29 \times 20 = 597{,}25 - 580 = 17{,}25\). La covariance est positive, comme le laissait prévoir le nuage.
Dans la formule de Koenig, on divise \(\sum x_iy_i\) par \(n\) avant de retrancher \(\overline{x}\,\overline{y}\). Avec de grands nombres, cette formule donne une petite différence entre deux grands nombres : garder tous les chiffres (ou utiliser le tableau des écarts, plus sûr).
- Point moyen \(G(\overline{x}\,;\overline{y})\).
- \(\mathrm{cov}(x, y) = \frac{1}{n}\sum (x_i - \overline{x})(y_i - \overline{y}) = \frac{1}{n}\sum x_iy_i - \overline{x}\,\overline{y}\) ; \(\mathrm{cov}(x, x) = V(x)\).
- Covariance positive : \(y\) a tendance à croître avec \(x\) ; négative : à décroître.
Ajustement affine
Lorsque le nuage a une forme allongée, on cherche une droite qui passe « au plus près » des points : c’est un ajustement affin. Elle permet de modéliser le lien entre \(x\) et \(y\) par une relation \(y = ax + b\) et de faire des prévisions.
2.1 Ajustement à main levée
On trace à la règle une droite qui passe par le point moyen \(G\) et laisse à peu près autant de points de part et d’autre, à des distances comparables. La méthode est rapide mais dépend de la personne qui trace : deux élèves n’obtiennent pas la même droite. On lit ensuite son équation sur le graphique, à l’aide de deux de ses points.
2.2 Méthode de Mayer
- Ranger la série dans l’ordre croissant des \(x_i\).
- Partager le nuage en deux groupes de même effectif (ou d’effectifs différant de 1 si \(n\) est impair) : les plus petites valeurs de \(x\), puis les plus grandes.
- Calculer les points moyens \(G_1\) et \(G_2\) de chaque groupe.
- La droite de Mayer est la droite \((G_1G_2)\).
Elle passe aussi par le point moyen \(G\) du nuage (lorsque les deux groupes ont le même effectif, \(G\) est le milieu de \([G_1G_2]\)).
Groupe 1 (24, 25, 27, 28 °C) : \(G_1\left(\frac{104}{4}\,;\frac{65}{4}\right) = (26\,;16{,}25)\). Groupe 2 (30, 31, 33, 34 °C) : \(G_2\left(\frac{128}{4}\,;\frac{95}{4}\right) = (32\,;23{,}75)\).
Coefficient directeur : \(a = \frac{23{,}75 - 16{,}25}{32 - 26} = \frac{7{,}5}{6} = 1{,}25\). Puis \(b = 16{,}25 - 1{,}25 \times 26 = -16{,}25\). La droite de Mayer a pour équation \(y = 1{,}25x - 16{,}25\).
Contrôle : \(G(29\,;20)\) est le milieu de \([G_1G_2]\) et \(1{,}25 \times 29 - 16{,}25 = 20\).
Fig. 2 — Méthode de Mayer : points moyens \(G_1\) et \(G_2\) des deux groupes, et droite \((G_1G_2)\) qui passe par \(G\).
2.3 Méthode des moindres carrés
Pour une droite \(D : y = ax + b\), on appelle résidu du point \(M_i\) la différence \(e_i = y_i - (ax_i + b)\) entre l’ordonnée observée et l’ordonnée « prévue » par la droite. Graphiquement, \(|e_i|\) est la longueur du segment vertical qui joint \(M_i\) à la droite. On cherche la droite qui rend la somme \(S(a, b) = \sum e_i^2\) la plus petite possible.
On suppose \(V(x) \neq 0\). Parmi toutes les droites \(y = ax + b\), la somme \(S(a, b) = \sum_{i=1}^{n}\left(y_i - ax_i - b\right)^2\) est minimale pour une seule droite, la droite de régression de \(y\) en \(x\), notée \(D_{y/x}\) : \[a = \frac{\mathrm{cov}(x, y)}{V(x)} \qquad \text{et} \qquad b = \overline{y} - a\overline{x}.\] Elle passe par le point moyen \(G\) ; son équation peut s’écrire \(y - \overline{y} = a(x - \overline{x})\).
Démonstration. Étape 1 : \(a\) fixé. Posons \(u_i = y_i - ax_i\), de moyenne \(\overline{u} = \overline{y} - a\overline{x}\). Alors \(S = \sum (u_i - b)^2 = \sum u_i^2 - 2b\sum u_i + nb^2\) est un trinôme en \(b\), de coefficient \(n \gt 0\), minimal pour \(b = \frac{\sum u_i}{n} = \overline{y} - a\overline{x}\) : la meilleure droite passe par \(G\).
Étape 2 : avec ce choix de \(b\), \(y_i - ax_i - b = (y_i - \overline{y}) - a(x_i - \overline{x})\), donc \[\frac{S}{n} = \frac{1}{n}\sum\left[(y_i - \overline{y}) - a(x_i - \overline{x})\right]^2 = V(y) - 2a\,\mathrm{cov}(x, y) + a^2V(x).\] C’est un trinôme en \(a\), de coefficient \(V(x) \gt 0\), minimal pour \(a = -\frac{-2\,\mathrm{cov}(x, y)}{2V(x)} = \frac{\mathrm{cov}(x, y)}{V(x)}\).
\(a = \frac{17{,}25}{11{,}5} = 1{,}5\) et \(b = 20 - 1{,}5 \times 29 = -23{,}5\). La droite de régression de \(y\) en \(x\) est \(D_{y/x} : y = 1{,}5x - 23{,}5\).
Interprétation : selon ce modèle, chaque degré supplémentaire fait vendre en moyenne \(1{,}5\) dizaine, soit 15 sachets de plus.
Résidus : \(-1{,}5\) ; \(1\) ; \(1\) ; \(2{,}5\) ; \(-2{,}5\) ; \(-2\) ; \(0\) ; \(1{,}5\). Leur somme est nulle (la droite passe par \(G\)) et la somme de leurs carrés vaut \(23\). Avec la droite de Mayer, on trouverait \(28{,}75\) : la droite des moindres carrés fait mieux, comme prévu.
Fig. 3 — Droite des moindres carrés \(y = 1{,}5x - 23{,}5\) et résidus (segments verticaux) : la somme de leurs carrés est minimale.
2.4 Droite de régression de x en y
En échangeant les rôles de \(x\) et \(y\), on minimise la somme des carrés des écarts horizontaux \(\sum (x_i - a'y_i - b')^2\). On obtient la droite de régression de \(x\) en \(y\), notée \(D_{x/y}\) : \[x = a'y + b', \qquad a' = \frac{\mathrm{cov}(x, y)}{V(y)}, \qquad b' = \overline{x} - a'\overline{y}.\] Elle passe aussi par \(G\). On l’utilise pour estimer \(x\) connaissant \(y\).
\(a' = \frac{17{,}25}{28{,}75} = 0{,}6\) et \(b' = 29 - 0{,}6 \times 20 = 17\) : \(D_{x/y} : x = 0{,}6y + 17\).
Dans le repère, \(D_{x/y}\) a pour équation \(y = \frac{x - 17}{0{,}6}\), de coefficient directeur \(\frac{1}{0{,}6} \approx 1{,}67\). Les deux droites sont différentes, mais toutes deux passent par \(G(29\,;20)\) : \(0{,}6 \times 20 + 17 = 29\).
Fig. 4 — Les deux droites de régression de la série \(B\) se coupent au point moyen \(G\).
\(D_{x/y}\) n’est pas obtenue en « isolant \(x\) » dans l’équation de \(D_{y/x}\) : de \(y = 1{,}5x - 23{,}5\) on tirerait \(x \approx 0{,}67y + 15{,}67\), qui n’est pas \(x = 0{,}6y + 17\). Les deux droites ne coïncident que si les points sont parfaitement alignés.
- Mayer : deux groupes, deux points moyens \(G_1\), \(G_2\), droite \((G_1G_2)\).
- Moindres carrés : \(D_{y/x} : y = ax + b\) avec \(a = \frac{\mathrm{cov}(x, y)}{V(x)}\), \(b = \overline{y} - a\overline{x}\).
- \(D_{x/y} : x = a'y + b'\) avec \(a' = \frac{\mathrm{cov}(x, y)}{V(y)}\), \(b' = \overline{x} - a'\overline{y}\).
- Toutes ces droites passent par le point moyen \(G\).
Coefficient de corrélation linéaire
Une droite d’ajustement peut toujours être calculée, même pour un nuage sans forme. Il faut donc un nombre qui dise si les points sont vraiment proches d’une droite : c’est le coefficient de corrélation linéaire. Il se calcule avec les mêmes quantités que la droite de régression (variances et covariance).
3.1 Définition et propriétés
Si \(\sigma_x \neq 0\) et \(\sigma_y \neq 0\), le coefficient de corrélation linéaire de la série est \[r = \frac{\mathrm{cov}(x, y)}{\sigma_x\,\sigma_y}.\]
- \(r\) a le signe de la covariance, donc celui des coefficients directeurs \(a\) et \(a'\).
- \(-1 \leq r \leq 1\).
- \(r^2 = a\,a'\).
- \(|r| = 1\) si et seulement si les points du nuage sont alignés.
Démonstration. \(a\,a' = \frac{\mathrm{cov}(x, y)}{V(x)} \times \frac{\mathrm{cov}(x, y)}{V(y)} = \frac{\mathrm{cov}(x, y)^2}{\sigma_x^2\sigma_y^2} = r^2\). En reportant \(a = \frac{\mathrm{cov}(x, y)}{V(x)}\) dans le minimum calculé en 2.3, on trouve \[\frac{S_{\min}}{n} = V(y) - \frac{\mathrm{cov}(x, y)^2}{V(x)} = V(y)\left(1 - r^2\right).\] Une somme de carrés est positive, donc \(1 - r^2 \geq 0\), soit \(-1 \leq r \leq 1\). Enfin \(r^2 = 1\) équivaut à \(S_{\min} = 0\), c’est-à-dire à des résidus tous nuls : tous les points sont sur la droite.
3.2 Interprétation
Plus \(|r|\) est proche de \(1\), plus les points sont proches de la droite de régression et plus l’ajustement affine est justifié. En pratique, on utilise la règle suivante :
Valeur de \(|r|\) — \(|r| \geq 0{,}87\) — \(0{,}5 \leq |r| \lt 0{,}87\) — \(|r| \lt 0{,}5\)
Corrélation linéaire — forte : ajustement affine justifié — moyenne : prévisions peu sûres — faible : ajustement affine non pertinent
Le seuil \(0{,}87\) (environ \(\frac{\sqrt{3}}{2}\)) est une convention usuelle ; certains énoncés en fixent un autre, qu’il faut alors appliquer.
\(r = \frac{17{,}25}{\sqrt{11{,}5 \times 28{,}75}} = \frac{17{,}25}{\sqrt{330{,}625}} \approx 0{,}949\). Contrôle : \(r^2 = a\,a' = 1{,}5 \times 0{,}6 = 0{,}9\) et \(\sqrt{0{,}9} \approx 0{,}949\).
On a \(r \geq 0{,}87\) : la corrélation entre la température et les ventes est forte et positive ; l’ajustement affine est justifié.
Sur un marché de Ziguinchor, un vendeur fait varier le prix \(x\) du kilogramme de mangues (en centaines de francs) et note la quantité vendue \(y\) (en kg par jour) (données d’entraînement) :
\(x_i\) — \(2\) — \(3\) — \(4\) — \(5\) — \(6\)
\(y_i\) — \(95\) — \(80\) — \(70\) — \(52\) — \(43\)
\(\overline{x} = 4\), \(\overline{y} = 68\), \(V(x) = 2\), \(V(y) = 351{,}6\). Écarts : \(x_i - 4 = -2, -1, 0, 1, 2\) et \(y_i - 68 = 27, 12, 2, -16, -25\) ; somme des produits \(-54 - 12 + 0 - 16 - 50 = -132\), donc \(\mathrm{cov}(x, y) = -26{,}4\).
\(a = \frac{-26{,}4}{2} = -13{,}2\), \(b = 68 + 13{,}2 \times 4 = 120{,}8\) : \(y = -13{,}2x + 120{,}8\). \(r = \frac{-26{,}4}{\sqrt{2 \times 351{,}6}} \approx -0{,}996\) : forte corrélation négative (quand le prix monte, les ventes baissent).
Fig. 5 — Nuage de la série « mangues » et droite de régression \(y = -13{,}2x + 120{,}8\) : corrélation négative.
Pour six élèves, on relève la taille \(x\) (cm) et la note de mathématiques \(y\) : \((150\,;12)\), \((155\,;9)\), \((160\,;14)\), \((165\,;10)\), \((170\,;13)\), \((175\,;11)\). On trouve \(\overline{x} = 162{,}5\), \(\overline{y} = 11{,}5\), \(\mathrm{cov}(x, y) = 1{,}25\), \(V(x) \approx 72{,}92\), \(V(y) \approx 2{,}92\), d’où \(r \approx 0{,}09\). La corrélation est très faible : la taille ne permet pas de prévoir la note, et une droite de régression n’aurait ici aucun intérêt.
Une forte corrélation n’est pas une preuve de cause à effet : les ventes de bissap et le nombre de coups de soleil augmentent ensemble, mais l’un ne cause pas l’autre (la chaleur explique les deux). Et \(r\) ne mesure que la liaison affine : des points placés sur une parabole peuvent donner \(r = 0\) (voir l’exercice 12).
- \(r = \frac{\mathrm{cov}(x, y)}{\sigma_x\sigma_y}\), \(-1 \leq r \leq 1\), \(r^2 = a\,a'\).
- \(|r|\) proche de 1 : points proches d’une droite ; \(r \gt 0\) : tendance croissante ; \(r \lt 0\) : décroissante.
- Règle usuelle : ajustement affine justifié si \(|r| \geq 0{,}87\).
Prévisions et problèmes
4.1 Interpolation et extrapolation
Utiliser la droite de régression pour estimer \(y\) pour une valeur de \(x\) :
- à l’intérieur de l’intervalle des valeurs observées \([x_{\min}\,;x_{\max}]\), c’est une interpolation ;
- à l’extérieur de cet intervalle, c’est une extrapolation.
L’interpolation est d’autant plus fiable que \(|r|\) est proche de 1. L’extrapolation suppose en plus que la tendance observée se prolonge, ce qui n’est vrai que pour des valeurs proches des données : plus on s’éloigne, plus la prévision est hasardeuse.
- Vérifier que \(|r|\) est assez grand pour justifier un ajustement affine.
- Pour estimer \(y\) connaissant \(x\), utiliser \(D_{y/x}\) ; pour estimer \(x\) connaissant \(y\), utiliser \(D_{x/y}\).
- Remplacer, calculer, arrondir de façon raisonnable et donner l’unité.
- Préciser s’il s’agit d’une interpolation ou d’une extrapolation, et commenter la fiabilité.
a) À 32 °C (interpolation) : \(y = 1{,}5 \times 32 - 23{,}5 = 24{,}5\), soit environ 245 sachets.
b) À 36 °C (extrapolation) : \(y = 1{,}5 \times 36 - 23{,}5 = 30{,}5\), soit environ 305 sachets. Prévision raisonnable car 36 °C est proche des valeurs observées, mais moins sûre.
c) Température pour laquelle on peut espérer vendre 250 sachets (\(y = 25\)) : avec \(D_{x/y}\), \(x = 0{,}6 \times 25 + 17 = 32\) °C.
d) À 15 °C, le modèle donnerait \(y = -1\) : une vente négative est absurde. L’extrapolation lointaine n’a pas de sens.
Une mutuelle de santé de Thiès a compté ses adhérents (en milliers) cinq années de suite (données d’entraînement) ; \(x\) est le rang de l’année (1 pour 2020).
Rang \(x_i\) — \(1\) — \(2\) — \(3\) — \(4\) — \(5\)
Adhérents \(y_i\) (milliers) — \(8\) — \(11\) — \(13\) — \(16\) — \(17\)
\(\overline{x} = 3\), \(\overline{y} = 13\), \(V(x) = 2\), \(V(y) = 10{,}8\). Écarts : \(-2, -1, 0, 1, 2\) et \(-5, -2, 0, 3, 4\) ; produits \(10 + 2 + 0 + 3 + 8 = 23\), \(\mathrm{cov}(x, y) = 4{,}6\).
\(a = 2{,}3\), \(b = 13 - 6{,}9 = 6{,}1\) : \(y = 2{,}3x + 6{,}1\). \(r = \frac{4{,}6}{\sqrt{21{,}6}} \approx 0{,}990\) : ajustement très justifié.
Prévision pour 2026 (rang 7, extrapolation proche) : \(y = 2{,}3 \times 7 + 6{,}1 = 22{,}2\), soit environ 22 200 adhérents.
4.2 Changement de variable
Pour simplifier les calculs, on peut remplacer \(x\) par \(X = \frac{x - x_0}{h}\) (par exemple des années \(2015, 2017, \dots\) par des rangs). Si \(D\) a pour équation \(y = AX + B\) dans les nouvelles variables, il suffit de remplacer \(X\) par \(\frac{x - x_0}{h}\) pour revenir à \(x\). En effet \(\mathrm{cov}(X, y) = \frac{1}{h}\mathrm{cov}(x, y)\) et \(V(X) = \frac{1}{h^2}V(x)\), donc \(A = h\,a\) ; le coefficient \(r\) ne change pas si \(h \gt 0\).
Pour des doses d’engrais \(x = 0, 50, 100, 150, 200\) kg/ha, une parcelle de maïs a donné les rendements \(y = 10, 12, 15, 18, 20\) q/ha (données d’entraînement). On pose \(X = \frac{x}{50}\) : \(X = 0, 1, 2, 3, 4\).
\(\overline{X} = 2\), \(\overline{y} = 15\), \(V(X) = 2\), \(\mathrm{cov}(X, y) = \frac{10 + 3 + 0 + 3 + 10}{5} = 5{,}2\). Donc \(y = 2{,}6X + 9{,}8\), c’est-à-dire \(y = 2{,}6 \times \frac{x}{50} + 9{,}8 = 0{,}052x + 9{,}8\). Avec \(V(y) = 13{,}6\) : \(r = \frac{5{,}2}{\sqrt{2 \times 13{,}6}} \approx 0{,}997\).
Pour 120 kg/ha (interpolation) : \(y = 0{,}052 \times 120 + 9{,}8 \approx 16{,}0\) q/ha.
- \(y\) connaissant \(x\) : \(D_{y/x}\) ; \(x\) connaissant \(y\) : \(D_{x/y}\).
- Interpolation : fiable si \(|r|\) est proche de 1 ; extrapolation : seulement près des données.
- Un changement de variable affine simplifie les calculs ; on revient ensuite à la variable de départ.
Exercices corrigés
Les exercices sont classés par difficulté (★ application directe, ★★ entraînement, ★★★ approfondissement). Chercher chaque exercice avant de lire son corrigé.
Série : \(x_i = 2, 4, 6, 8, 10\) et \(y_i = 5, 9, 10, 14, 17\). Calculer \(\overline{x}\), \(\overline{y}\), puis \(\mathrm{cov}(x, y)\) par les deux formules.
\(\overline{x} = 6\), \(\overline{y} = 11\). Écarts : \(-4, -2, 0, 2, 4\) et \(-6, -2, -1, 3, 6\) ; produits : \(24 + 4 + 0 + 6 + 24 = 58\), \(\mathrm{cov} = 11{,}6\). Koenig : \(\sum x_iy_i = 10 + 36 + 60 + 112 + 170 = 388\), \(\frac{388}{5} - 66 = 77{,}6 - 66 = 11{,}6\).
Avec la série de l’exercice 1, déterminer la droite de régression de \(y\) en \(x\) et le coefficient de corrélation.
\(V(x) = \frac{16 + 4 + 0 + 4 + 16}{5} = 8\) ; \(a = \frac{11{,}6}{8} = 1{,}45\), \(b = 11 - 1{,}45 \times 6 = 2{,}3\) : \(y = 1{,}45x + 2{,}3\). \(V(y) = \frac{36 + 4 + 1 + 9 + 36}{5} = 17{,}2\) ; \(r = \frac{11{,}6}{\sqrt{8 \times 17{,}2}} \approx 0{,}989\).
Six élèves ont noté leur temps de révision \(x\) (heures) et leur note \(y\) : \((1\,;6)\), \((2\,;8)\), \((3\,;10)\), \((4\,;13)\), \((5\,;14)\), \((6\,;15)\). a) Déterminer la droite de Mayer. b) Déterminer la droite des moindres carrés. c) Estimer la note pour 7 heures de révision avec chacune.
a) \(G_1(2\,;8)\), \(G_2(5\,;14)\) ; \(a = \frac{6}{3} = 2\), \(b = 8 - 4 = 4\) : \(y = 2x + 4\).
b) \(\overline{x} = 3{,}5\), \(\overline{y} = 11\) ; écarts \(-2{,}5\,;-1{,}5\,;-0{,}5\,;0{,}5\,;1{,}5\,;2{,}5\) et \(-5\,;-3\,;-1\,;2\,;3\,;4\) ; produits : \(12{,}5 + 4{,}5 + 0{,}5 + 1 + 4{,}5 + 10 = 33\), \(\mathrm{cov} = 5{,}5\) ; \(V(x) = \frac{17{,}5}{6} \approx 2{,}917\). \(a = \frac{33}{17{,}5} \approx 1{,}886\), \(b = 11 - a \times 3{,}5 = 4{,}4\) : \(y \approx 1{,}886x + 4{,}4\).
c) Mayer : \(18\) ; moindres carrés : \(\approx 17{,}6\). (Extrapolation : prudence, une note ne dépasse pas 20.)
Pour une série de 10 couples : \(\sum x_i = 50\), \(\sum y_i = 120\), \(\sum x_i^2 = 330\), \(\sum y_i^2 = 1\,600\), \(\sum x_iy_i = 680\). Déterminer \(D_{y/x}\), \(D_{x/y}\) et \(r\). L’ajustement affine est-il justifié ?
\(\overline{x} = 5\), \(\overline{y} = 12\), \(V(x) = 33 - 25 = 8\), \(V(y) = 160 - 144 = 16\), \(\mathrm{cov} = 68 - 60 = 8\). \(D_{y/x} : y = x + 7\) ; \(D_{x/y} : x = 0{,}5y - 1\). \(r = \frac{8}{\sqrt{128}} = \frac{\sqrt{2}}{2} \approx 0{,}707\) (contrôle : \(r^2 = 1 \times 0{,}5\)). Comme \(0{,}707 \lt 0{,}87\), la corrélation est seulement moyenne : les prévisions seraient peu fiables.
Population d’une commune du littoral (milliers d’habitants, données d’entraînement) : 2015 : 230 ; 2017 : 246 ; 2019 : 265 ; 2021 : 280 ; 2023 : 299. On pose \(x = \) année \(- 2015\). Déterminer \(D_{y/x}\), \(r\), et estimer la population en 2026.
\(x = 0, 2, 4, 6, 8\) : \(\overline{x} = 4\), \(V(x) = 8\). \(\overline{y} = 264\), écarts \(-34, -18, 1, 16, 35\) ; produits \(136 + 36 + 0 + 32 + 140 = 344\), \(\mathrm{cov} = 68{,}8\). \(a = 8{,}6\), \(b = 264 - 34{,}4 = 229{,}6\) : \(y = 8{,}6x + 229{,}6\). \(V(y) = 592{,}4\), \(r \approx 0{,}999\). En 2026, \(x = 11\) : \(y = 94{,}6 + 229{,}6 = 324{,}2\), environ 324 000 habitants (extrapolation proche, fiable si la croissance se maintient).
Âge \(x\) (années) d’une voiture et prix de revente \(y\) (millions de F) : \((1\,;9)\), \((2\,;8)\), \((3\,;6{,}5)\), \((4\,;5{,}5)\), \((5\,;4{,}5)\), \((6\,;2{,}5)\). Calculer \(r\) et une équation de \(D_{y/x}\) (coefficients arrondis à \(10^{-2}\)). À quel prix peut-on espérer revendre une voiture de 3 ans et demi ?
\(\overline{x} = 3{,}5\), \(\overline{y} = 6\). Écarts de \(y\) : \(3\,;2\,;0{,}5\,;-0{,}5\,;-1{,}5\,;-3{,}5\) ; produits : \(-7{,}5 - 3 - 0{,}25 - 0{,}25 - 2{,}25 - 8{,}75 = -22\), \(\mathrm{cov} = -\frac{22}{6} \approx -3{,}667\). \(V(x) \approx 2{,}917\), \(V(y) = \frac{28}{6} \approx 4{,}667\). \(a = \frac{-22}{17{,}5} \approx -1{,}26\), \(b = 6 + 1{,}257 \times 3{,}5 = 10{,}4\) : \(y \approx -1{,}26x + 10{,}4\). \(r \approx -0{,}994\). Pour \(x = 3{,}5\) : \(y = \overline{y} = 6\) millions (c’est le point moyen).
Associer chaque description à une valeur de \(r\) parmi \(0{,}98\) ; \(-0{,}95\) ; \(0{,}12\) ; \(0{,}72\) : a) points très proches d’une droite montante ; b) nuage sans forme ; c) nuage allongé descendant, très serré ; d) nuage montant assez dispersé.
a) \(0{,}98\) ; b) \(0{,}12\) ; c) \(-0{,}95\) ; d) \(0{,}72\).
Les droites de régression d’une série sont \(D_{y/x} : y = 2x + 1\) et \(D_{x/y} : x = 0{,}4y + 0{,}2\). Déterminer le point moyen et le coefficient de corrélation.
\(G\) appartient aux deux droites : \(x = 0{,}4(2x + 1) + 0{,}2 = 0{,}8x + 0{,}6\), donc \(x = 3\), \(y = 7\) : \(G(3\,;7)\). \(r^2 = a\,a' = 2 \times 0{,}4 = 0{,}8\) ; \(r\) a le signe de \(a\) : \(r = \sqrt{0{,}8} \approx 0{,}894\).
Nuage de quatre points : \((0\,;1)\), \((1\,;2)\), \((2\,;6)\), \((3\,;7)\). a) Déterminer \(D_{y/x}\). b) Calculer la somme des carrés des résidus pour \(D_{y/x}\) et pour la droite de Mayer.
a) \(\overline{x} = 1{,}5\), \(\overline{y} = 4\), \(V(x) = 1{,}25\), \(\mathrm{cov} = \frac{4{,}5 + 1 + 1 + 4{,}5}{4} = 2{,}75\). \(a = 2{,}2\), \(b = 4 - 3{,}3 = 0{,}7\) : \(y = 2{,}2x + 0{,}7\).
b) Résidus : \(0{,}3\,;-0{,}9\,;0{,}9\,;-0{,}3\) ; somme des carrés \(0{,}09 + 0{,}81 + 0{,}81 + 0{,}09 = 1{,}8\). Mayer : \(G_1(0{,}5\,;1{,}5)\), \(G_2(2{,}5\,;6{,}5)\), droite \(y = 2{,}5x + 0{,}25\) ; résidus \(0{,}75\,;-0{,}75\,;0{,}75\,;-0{,}75\), somme des carrés \(2{,}25 \gt 1{,}8\).
Consommation mensuelle \(y\) (kWh) de sept ménages selon le nombre de personnes \(x\) : \((2\,;95)\), \((3\,;110)\), \((4\,;135)\), \((5\,;175)\), \((6\,;185)\), \((7\,;210)\), \((8\,;245)\) (données d’entraînement). Déterminer \(D_{y/x}\) et \(r\), puis estimer la consommation d’un ménage de 10 personnes.
\(\overline{x} = 5\), \(V(x) = 4\), \(\overline{y} = 165\). Écarts de \(y\) : \(-70, -55, -30, 10, 20, 45, 80\) ; produits : \(210 + 110 + 30 + 0 + 20 + 90 + 240 = 700\), \(\mathrm{cov} = 100\). \(a = 25\), \(b = 165 - 125 = 40\) : \(y = 25x + 40\). \(V(y) = \frac{17\,750}{7} \approx 2\,535{,}7\) ; \(r = \frac{100}{\sqrt{4 \times 2\,535{,}7}} \approx 0{,}993\). Pour \(x = 10\) (extrapolation) : \(y = 290\) kWh.
Dans une série de 5 couples, \(x_i = 1, 2, 3, 4, 5\) et \(y_i = 4, 7, k, 12, 15\). On sait que la droite de régression de \(y\) en \(x\) passe par le point \(A(5\,;14{,}8)\). Déterminer \(k\).
\(\overline{x} = 3\), \(\overline{y} = \frac{38 + k}{5}\). Écarts de \(x\) : \(-2, -1, 0, 1, 2\) ; \(\sum (x_i - \overline{x})(y_i - \overline{y}) = \sum (x_i - \overline{x})y_i = -8 - 7 + 0 + 12 + 30 = 27\) (indépendant de \(k\)). Donc \(a = \frac{27/5}{2} = 2{,}7\). La droite passe par \(G\) : \(y = 2{,}7(x - 3) + \overline{y}\). En \(x = 5\) : \(5{,}4 + \overline{y} = 14{,}8\), d’où \(\overline{y} = 9{,}4\) et \(38 + k = 47\), \(k = 9\).
Calculer le coefficient de corrélation de la série \((-2\,;4)\), \((-1\,;1)\), \((0\,;0)\), \((1\,;1)\), \((2\,;4)\). Commenter.
\(\overline{x} = 0\), \(\overline{y} = 2\), \(\sum x_iy_i = -8 - 1 + 0 + 1 + 8 = 0\), donc \(\mathrm{cov} = 0 - 0 \times 2 = 0\) et \(r = 0\). Pourtant les points vérifient exactement \(y = x^2\) : il existe un lien parfait, mais il n’est pas affine. \(r\) ne mesure que la liaison linéaire.
a) Montrer que la somme des résidus de la droite des moindres carrés est nulle. b) On pose \(X = \alpha x + \beta\) avec \(\alpha \gt 0\). Montrer que \(\mathrm{cov}(X, y) = \alpha\,\mathrm{cov}(x, y)\), \(V(X) = \alpha^2V(x)\) et que \(r\) est inchangé.
a) \(\sum e_i = \sum (y_i - ax_i - b) = n\overline{y} - an\overline{x} - nb = n(\overline{y} - a\overline{x} - b) = 0\) car \(b = \overline{y} - a\overline{x}\).
b) \(\overline{X} = \alpha\overline{x} + \beta\), donc \(X_i - \overline{X} = \alpha(x_i - \overline{x})\). Alors \(\mathrm{cov}(X, y) = \frac{1}{n}\sum \alpha(x_i - \overline{x})(y_i - \overline{y}) = \alpha\,\mathrm{cov}(x, y)\) et \(V(X) = \alpha^2V(x)\), \(\sigma_X = \alpha\sigma_x\) (car \(\alpha \gt 0\)). Donc \(r_{X,y} = \frac{\alpha\,\mathrm{cov}(x, y)}{\alpha\sigma_x\sigma_y} = r_{x,y}\).
La taille moyenne d’enfants de 2, 3, 4, 5 et 6 ans est 86, 95, 102, 109 et 115 cm (données d’entraînement). a) Déterminer \(D_{y/x}\) et \(r\). b) Estimer la taille à 7 ans, puis à 30 ans. Commenter.
a) \(\overline{x} = 4\), \(V(x) = 2\), \(\overline{y} = 101{,}4\). Écarts de \(y\) : \(-15{,}4\,;-6{,}4\,;0{,}6\,;7{,}6\,;13{,}6\) ; produits : \(30{,}8 + 6{,}4 + 0 + 7{,}6 + 27{,}2 = 72\), \(\mathrm{cov} = 14{,}4\). \(a = 7{,}2\), \(b = 101{,}4 - 28{,}8 = 72{,}6\) : \(y = 7{,}2x + 72{,}6\). \(V(y) = 104{,}24\), \(r = \frac{14{,}4}{\sqrt{208{,}48}} \approx 0{,}997\).
b) À 7 ans : \(\approx 123\) cm (vraisemblable). À 30 ans : \(\approx 289\) cm, absurde : la croissance s’arrête à l’adolescence. Même avec \(r\) très proche de 1, on n’extrapole pas loin des données.
Une coopérative avicole de Mbour relève, pour 6 lots, le nombre \(x\) de sacs d’aliment distribués et la masse totale \(y\) de poulets vendus (centaines de kg) : \((10\,;24)\), \((12\,;29)\), \((14\,;30)\), \((16\,;35)\), \((18\,;38)\), \((20\,;42)\) (données d’entraînement). a) Représenter le nuage et placer \(G\). b) Calculer \(\mathrm{cov}(x, y)\), \(r\), et conclure. c) Déterminer \(D_{y/x}\) et estimer \(y\) pour 15 sacs. d) Combien de sacs prévoir pour vendre 4 000 kg ?
a) \(\overline{x} = 15\), \(\overline{y} = 33\) : \(G(15\,;33)\).
b) Écarts de \(x\) : \(-5, -3, -1, 1, 3, 5\) ; de \(y\) : \(-9, -4, -3, 2, 5, 9\). Produits : \(45 + 12 + 3 + 2 + 15 + 45 = 122\), \(\mathrm{cov} = \frac{122}{6} \approx 20{,}33\). \(V(x) = \frac{70}{6} \approx 11{,}67\), \(V(y) = \frac{216}{6} = 36\). \(r = \frac{122}{\sqrt{70 \times 216}} \approx 0{,}992\) : corrélation très forte.
c) \(a = \frac{122}{70} \approx 1{,}743\), \(b = 33 - \frac{122}{70} \times 15 \approx 6{,}86\) : \(y \approx 1{,}743x + 6{,}86\). Pour 15 sacs : \(y = \overline{y} = 33\), soit 3 300 kg.
d) On estime \(x\) connaissant \(y = 40\) : \(a' = \frac{122}{216} \approx 0{,}565\), \(b' = 15 - \frac{122}{216} \times 33 \approx -3{,}64\) ; \(x \approx 0{,}565 \times 40 - 3{,}64 \approx 18{,}95\). Il faut prévoir environ 19 sacs.
QCM d’auto-évaluation
Pour chaque question, une seule réponse est juste. Répondre sans regarder le cours, puis contrôler avec le corrigé placé à la suite.
- Pour la série \((1\,;3)\), \((2\,;5)\), \((3\,;10)\), le point moyen est :A) \((2\,;5)\)B) \((2\,;6)\)C) \((3\,;6)\)D) \((6\,;18)\).
- La covariance est égale à :A) \(\frac{1}{n}\sum x_iy_i\)B) \(\frac{1}{n}\sum x_iy_i - \overline{x}\,\overline{y}\)C) \(\overline{x}\,\overline{y} - \frac{1}{n}\sum x_iy_i\)D) \(\sigma_x\sigma_y\).
- La droite de régression de \(y\) en \(x\) passe toujours par :A) l’origineB) le premier pointC) le point moyenD) le point \((0\,;\overline{y})\).
- Si \(\mathrm{cov}(x, y) = 6\) et \(V(x) = 4\), le coefficient directeur de \(D_{y/x}\) est :A) \(\frac{2}{3}\)B) \(24\)C) \(1{,}5\)D) \(10\).
- Si \(a = 1{,}5\) et \(a' = 0{,}6\), alors \(r\) vaut environ :A) \(0{,}9\)B) \(0{,}949\)C) \(-0{,}949\)D) \(2{,}1\).
- Un coefficient \(r = -0{,}98\) indique :A) une corrélation faibleB) une forte corrélation, \(y\) décroît quand \(x\) croîtC) une erreur de calculD) aucune tendance.
- Laquelle de ces valeurs est impossible pour \(r\) ?A) \(0\)B) \(-1\)C) \(0{,}5\)D) \(1{,}2\).
- Dans la méthode de Mayer, la droite passe par :A) les points moyens des deux groupesB) le premier et le dernier pointC) l’origineD) les deux points les plus éloignés.
- Estimer \(y\) pour une valeur de \(x\) comprise entre les valeurs observées s’appelle :A) une extrapolationB) une interpolationC) une régressionD) une corrélation.
- Si les points du nuage sont tous alignés sur une droite de coefficient directeur négatif, alors :A) \(r = 0\)B) \(r = 1\)C) \(r = -1\)D) \(r\) n’existe pas.
1-B (\(\overline{y} = \frac{18}{3}\)) ; 2-B ; 3-C ; 4-C (\(\frac{6}{4}\)) ; 5-B (\(\sqrt{0{,}9}\), positif) ; 6-B ; 7-D ; 8-A ; 9-B ; 10-C.
Fiche mémo
Cette fiche rassemble les définitions, formules et méthodes de la leçon, à revoir avant un devoir.
- Nuage de points \(M_i(x_i\,;y_i)\) ; point moyen \(G(\overline{x}\,;\overline{y})\).
- \(V(x) = \frac{1}{n}\sum (x_i - \overline{x})^2 = \frac{1}{n}\sum x_i^2 - \overline{x}^2\), \(\sigma_x = \sqrt{V(x)}\).
- \(\mathrm{cov}(x, y) = \frac{1}{n}\sum (x_i - \overline{x})(y_i - \overline{y}) = \frac{1}{n}\sum x_iy_i - \overline{x}\,\overline{y}\).
- Main levée : droite tracée « au jugé » par \(G\).
- Mayer : deux groupes ordonnés selon \(x\), droite \((G_1G_2)\), qui passe par \(G\).
- Moindres carrés : \(D_{y/x} : y = ax + b\), \(a = \frac{\mathrm{cov}(x, y)}{V(x)}\), \(b = \overline{y} - a\overline{x}\) ; \(D_{x/y} : x = a'y + b'\), \(a' = \frac{\mathrm{cov}(x, y)}{V(y)}\), \(b' = \overline{x} - a'\overline{y}\).
- \(r = \frac{\mathrm{cov}(x, y)}{\sigma_x\sigma_y}\) ; \(-1 \leq r \leq 1\) ; \(r^2 = a\,a'\) ; \(|r| = 1 \iff\) points alignés.
- \(|r| \geq 0{,}87\) : ajustement affine justifié (règle usuelle).
- \(y\) connaissant \(x\) : \(D_{y/x}\) ; \(x\) connaissant \(y\) : \(D_{x/y}\).
- Interpolation (dans l’intervalle des données) plus sûre que l’extrapolation ; corrélation n’est pas causalité.
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…
Chargement du manuel…