Revision sheet: Analyse de la Relation entre Deux Variables

📋 Plan du Cours

1. Série statistique à deux variables quantitatives
2. Nuage de points et représentation graphique
3. Point moyen et coordonnées moyennes
4. Droite d’ajustement affine et point moyen
5. Interpolation et extrapolation à partir de la droite
6. Coefficient de détermination R carré et qualité d’ajustement

📖 1. Série statistique à deux variables quantitatives

🔑 Notions clés & Définitions

• Série statistique à deux variables quantitatives : Une série statistique à deux variables quantitatives est décrite par des couples de valeurs $(x_i; y_i)$, souvent présentés dans un tableau.

📝 Points essentiels

• Chaque observation correspond à un couple $(x_i; y_i)$.
• Les valeurs $x_i$ et $y_i$ sont quantitatives (numériques).
• Les données sont généralement regroupées dans un tableau pour faciliter l’analyse.

💡 Astuce mémo

Couple = (x, y) : chaque ligne du tableau donne un point du nuage.

📖 2. Nuage de points et représentation graphique

🔑 Notions clés & Définitions

• Nuage de points : Un nuage de points est une représentation graphique où chaque couple $(x_i; y_i)$ devient un point du plan.

📝 Points essentiels

• Les points du nuage ont pour coordonnées les couples $(x_i; y_i)$.
• L’axe horizontal correspond aux valeurs $x_i$ et l’axe vertical aux valeurs $y_i$.
• La forme du nuage (allongée ou non) guide le choix d’un ajustement.

💡 Astuce mémo

Nuage = tableau transformé : chaque ligne devient un point.

📖 3. Point moyen et coordonnées moyennes

🔑 Notions clés & Définitions

• Point moyen : Le point moyen $G$ d’une série à deux variables est le point dont l’abscisse est la moyenne des $x_i$ et l’ordonnée la moyenne des $y_i$.

📝 Points essentiels

• Le point moyen est noté $G$.
• L’abscisse de $G$ est la moyenne des abscisses $x_i$.
• L’ordonnée de $G$ est la moyenne des ordonnées $y_i$.

💡 Astuce mémo

G comme “Grand centre” : moyenne en $x$ et moyenne en $y$.

📖 4. Droite d’ajustement affine et point moyen

🔑 Notions clés & Définitions

• Droite d’ajustement : Une droite d’ajustement est une droite utilisée pour modéliser la relation entre $x$ et $y$ quand le nuage a une forme allongée.
• Droite de régression linéaire : La droite de régression linéaire est la forme la plus courante de droite d’ajustement affine obtenue par calcul.

📝 Points essentiels

• Quand le nuage est allongé, on peut l’ajuster par une droite.
• L’équation de la droite d’ajustement s’écrit $y = ax + b$.
• Le point moyen appartient à la droite d’ajustement.

💡 Astuce mémo

Point moyen sur la droite : la droite “passe par le centre” du nuage.

📖 5. Interpolation et extrapolation à partir de la droite

🔑 Notions clés & Définitions

• Interpolation : L’interpolation est une estimation obtenue à partir de la droite d’ajustement pour une valeur de $x$ située à l’intérieur de l’intervalle des $x_i$.
• Extrapolation : L’extrapolation est une estimation obtenue à partir de la droite d’ajustement pour une valeur de $x$ située à l’extérieur de l’intervalle des $x_i$.

📝 Points essentiels

• Avec la droite d’ajustement, on estime une valeur de $y$ correspondant à une valeur donnée de $x$.
• On parle d’interpolation si $x$ est entre les valeurs extrêmes observées de $x_i$.
• On parle d’extrapolation si $x$ est en dehors de l’intervalle des valeurs $x_i$.
• Exemple d’interpolation : estimer $y$ pour 2019 (ou 2023) à partir de 2018, 2020, 2022, 2024.
• Exemple d’extrapolation : estimer $y$ pour 2026 (ou 2028) à partir de 2018, 2020, 2022, 2024.

💡 Astuce mémo

Inter- = dedans ; Extra- = dehors (par rapport à l’intervalle des $x_i$).

📖 6. Coefficient de détermination R carré et qualité d’ajustement

🔑 Notions clés & Définitions

• Coefficient de détermination $R^2$ : Le coefficient de détermination $R^2$ est un indicateur lié à la droite d’ajustement qui mesure la qualité de l’ajustement affine.

📝 Points essentiels

• $R^2$ est un critère de qualité de l’ajustement.
• Plus $R^2$ est proche de 1, plus les points sont proches de la droite.
• Un $R^2$ élevé indique un ajustement affine plus précis.
• Le coefficient de détermination est utilisé pour comparer des ajustements possibles.

💡 Astuce mémo

$R^2$ proche de 1 = “ça colle” à la droite.

⚠️ Pièges & confusions fréquents

1. Confondre interpolation et extrapolation : l’une est à l’intérieur de l’intervalle des $x_i$, l’autre à l’extérieur.
2. Oublier que la droite d’ajustement a la forme $y=ax+b$ : sans $ax+b$, on ne peut pas faire les prévisions par calcul.
3. Se tromper sur le point moyen : son abscisse est la moyenne des $x_i$ et son ordonnée la moyenne des $y_i$.
4. Croire que $R^2$ mesure directement la pente ou l’équation : c’est un indicateur de qualité de l’ajustement.

✅ Checklist Examen

1. Savoir définir une série statistique à deux variables quantitatives à partir des couples $(x_i; y_i)$.
2. Savoir interpréter un nuage de points : chaque point correspond à un couple $(x_i; y_i)$.
3. Savoir déterminer/énoncer le point moyen $G$ : abscisse moyenne des $x_i$ et ordonnée moyenne des $y_i$.
4. Savoir écrire l’équation d’une droite d’ajustement affine $y=ax+b$ et rappeler que le point moyen appartient à la droite.
5. Savoir décider si une estimation relève de l’interpolation ou de l’extrapolation selon la position de $x$ par rapport à l’intervalle des $x_i$.
6. Savoir définir $R^2$ et interpréter sa valeur : plus proche de 1, meilleure qualité d’ajustement (points proches de la droite).