Revision sheet: Analyse des Relations entre Variables Quantitatives

📋 Plan du Cours

1. Série statistique à deux variables
2. Représentation graphique nuage de points
3. Ajustement affine
4. Coefficient de corrélation R²
5. Interprétation de la corrélation
6. Extrapolation et interpolation
7. Application sur données réelles
8. Relation entre variables quantitatives
9. Utilisation TIC en statistiques

📖 1. Série statistique à deux variables

🔑 Notions clés & Définitions

Série statistique à deux variables : C’est une collection de données où chaque observation est représentée par un couple de valeurs (x ; y), chaque valeur correspondant à un caractère quantitatif différent. Selon AUTEUR (date), cette série permet d’étudier la relation entre deux caractères quantitatifs en analysant comment l’un varie en fonction de l’autre.

Caractères quantitatifs : Ce sont des caractéristiques mesurables numériquement, telles que la taille, le poids, la température, etc. Dans une série à deux variables, chaque caractère quantitatif est représenté par une série distincte, mais leur association est étudiée simultanément.

Valeurs (x ; y) : Ce sont les couples de données qui composent la série. La valeur x représente la première variable, et y la seconde. Par exemple, si l’on étudie la relation entre la température (x) et la consommation d’énergie (y), chaque observation sera un couple (température ; consommation).

Série chronologique : C’est une série statistique dans laquelle l’un des caractères est une mesure de temps. Dans ce cas, la série est dite chronologique, car elle organise les données en fonction de leur ordre dans le temps, permettant d’étudier l’évolution de la variable au fil du temps.

📝 Points essentiels

Une série statistique à deux variables possède deux caractères quantitatifs, chacun étant représenté par une série distincte mais liée. Ces deux caractères sont exprimés sous forme de couples (x ; y), où x et y sont des valeurs numériques. La représentation graphique de cette série se fait souvent par un nuage de points : chaque point M(xi ; yi) correspond à une observation où xi est la valeur de la première variable et yi celle de la seconde. L’ensemble de ces points forme un nuage de points, qui permet d’observer visuellement la relation ou la corrélation entre les deux caractères.

Si l’un des caractères est une mesure de temps, la série est dite chronologique. Cela signifie que les données sont organisées selon leur ordre dans le temps, ce qui permet d’étudier l’évolution ou les tendances de la variable au fil du temps. La distinction essentielle est donc que, dans une série à deux variables, on peut avoir une relation entre deux quantités, tandis que dans une série chronologique, l’accent est mis sur la dimension temporelle.

💡 À retenir

Une série statistique à deux variables est constituée de couples (x ; y) représentant deux caractères quantitatifs, permettant d’étudier leur relation. Lorsqu’un de ces caractères est une mesure de temps, la série devient chronologique, ce qui facilite l’analyse de l’évolution dans le temps.

📖 2. Représentation graphique nuage de points

🔑 Notions clés & Définitions

Nuage de points
Le nuage de points est l’ensemble des points M(xi ; yi) placés dans un repère orthogonal pour représenter une série à deux variables. Il s’agit d’une représentation graphique qui permet de visualiser la distribution conjointe de deux séries de données numériques. Chaque point du nuage correspond à une observation précise de la série statistique, associant une valeur de la variable xi à une valeur de la variable yi. Par exemple, si xi représente l’année et yi le nombre d’adhérents, chaque point du nuage indique le nombre d’adhérents pour une année donnée. La disposition de ces points dans le repère permet d’observer des tendances, des regroupements ou des dispersions dans les données.

Repère orthogonal
Le repère orthogonal est un système de coordonnées constitué de deux axes perpendiculaires, généralement appelés axe des abscisses (x) et axe des ordonnées (y). Dans ce contexte, il sert à représenter graphiquement le nuage de points. La position de chaque point M(xi ; yi) est déterminée par ses coordonnées sur ces deux axes. La configuration du repère orthogonal facilite la lecture et l’interprétation des données, en permettant de repérer rapidement des relations ou des tendances entre les deux variables.

Point M(xi ; yi)
Un point M(xi ; yi) est une observation unique de la série statistique, où xi est la valeur de la première variable (par exemple, une année) et yi la valeur de la seconde variable (par exemple, le nombre d’adhérents). Chaque point M est donc une paire de valeurs associées, qui, une fois représentée dans le repère orthogonal, contribue à former le nuage de points. La collection de tous ces points M(xi ; yi) constitue la visualisation graphique de la relation entre les deux variables.

📝 Points essentiels

Le nuage de points est constitué de l’ensemble des points M(xi ; yi) placés dans un repère orthogonal pour représenter une série à deux variables. Cette représentation graphique permet de visualiser la distribution conjointe de ces deux variables, en montrant comment elles varient ensemble. Chaque point du nuage correspond à une observation spécifique de la série statistique, associant une valeur de la variable xi à une valeur de la variable yi. Par exemple, dans la série donnée, chaque point représente une année (xi) et le nombre d’adhérents (yi) pour cette année. La représentation par nuage de points facilite l’analyse visuelle des tendances, des regroupements ou des dispersions dans les données, permettant ainsi d’observer la relation entre les deux variables de manière intuitive.

💡 À retenir

Le nuage de points, placé dans un repère orthogonal, est un outil essentiel pour visualiser la distribution et la relation entre deux variables dans une série statistique. Chaque point représente une observation, et leur disposition permet d’identifier rapidement des tendances ou des corrélations.

📖 3. Ajustement affine

🔑 Notions clés & Définitions

• AUTEUR : voir section 1

Équation réduite de la droite : L’équation réduite de la droite d’ajustement est de la forme y = ax + b, où a et b sont des coefficients déterminés. Elle exprime la relation entre la variable dépendante y et la variable indépendante x. Dans cette équation, a représente la pente de la droite, c’est-à-dire le taux de variation de y en fonction de x, et b représente l’ordonnée à l’origine, c’est-à-dire la valeur de y lorsque x = 0.

Droite d’ajustement y = ax + b : La droite d’ajustement est une droite de la forme y = ax + b, où a et b sont des coefficients calculés à partir des données du nuage de points. Elle sert à modéliser la relation linéaire entre deux variables. La détermination de cette droite se fait généralement par des méthodes statistiques ou analytiques visant à minimiser la distance entre la droite et l’ensemble des points du nuage.

📝 Points essentiels

Un ajustement affine consiste à chercher la droite qui passe au plus près des points du nuage. Cette démarche repose sur l’observation que, lorsque les points semblent alignés ou presque alignés, il existe une relation entre les deux variables représentées. La droite d’ajustement est représentée par une équation de la forme y = ax + b, où les coefficients a et b sont déterminés à l’aide de méthodes spécifiques (par exemple, par calcul ou à l’aide d’une calculatrice). La droite ainsi obtenue n’a pas besoin de passer par tous les points, surtout si ceux-ci sont dispersés, mais doit minimiser la distance globale entre elle et l’ensemble des points du nuage.

💡 À retenir

Un ajustement affine permet de modéliser la relation linéaire entre deux variables en utilisant une droite d’équation y = ax + b, particulièrement lorsque les points du nuage semblent alignés ou presque alignés. Cette droite représente la tendance générale des données et facilite la compréhension de la relation entre les variables.

📖 4. Coefficient de corrélation R²

🔑 Notions clés & Définitions

• AUTEUR : voir section 1

Qualité de l’ajustement : La qualité de l’ajustement désigne la capacité d’un modèle à représenter fidèlement la relation entre les données observées et la relation théorique ou prédite. Un bon ajustement signifie que le modèle explique une grande partie de la variabilité des données, ce qui est mesuré par la valeur de R².

Valeur entre 0 et 1 : R² est une valeur numérique comprise dans l’intervalle [0, 1]. Une valeur proche de 0 indique que le modèle n’explique pas ou très peu la variabilité des données, tandis qu’une valeur proche de 1 indique que le modèle explique une grande partie de cette variabilité. La valeur de R² ne peut pas dépasser 1, ce qui correspond à un ajustement parfait.

📝 Points essentiels

Le coefficient R² mesure la qualité de l’ajustement affine entre deux variables. Cela signifie qu’il évalue dans quelle mesure une relation linéaire peut représenter la dépendance entre ces deux variables. Si R² est élevé, cela indique que la majorité de la variance de la variable dépendante est expliquée par la variable indépendante, ce qui suggère une forte corrélation linéaire. À l’inverse, un R² faible indique que l’ajustement affine n’est pas pertinent, c’est-à-dire que la relation linéaire entre les variables est faible ou inexistante. La valeur de R² étant comprise entre 0 et 1, elle offre une échelle simple pour juger de la pertinence de l’ajustement. Plus R² est proche de 1, plus le modèle est considéré comme performant pour représenter la relation entre les variables.

💡 À retenir

Le coefficient R² est un indicateur essentiel pour quantifier la force et la pertinence d’une corrélation linéaire. Une valeur proche de 1 signale un ajustement très pertinent, tandis qu’une valeur faible indique que la relation affine n’est pas significative.

📖 5. Interprétation de la corrélation

🔑 Notions clés & Définitions

Corrélation
La corrélation désigne une relation statistique entre deux variables, qui peut être positive ou négative. Elle est généralement illustrée par un nuage de points sur un graphique où chaque point représente une paire de valeurs (xi ; yi). Lorsqu’on observe une corrélation, ces points tendent à s’aligner de manière à former une sorte de ligne ou de tendance. Selon AUTEUR (date), une corrélation indique que les deux variables varient de façon liée, mais ne précise pas si cette relation est causale ou simplement associée.

Relation entre variables
Ce terme désigne toute forme de lien ou d’association entre deux variables. La relation peut être de différentes natures : corrélation, causalité, ou autre type de dépendance statistique. La corrélation est une forme spécifique de relation entre variables, caractérisée par un alignement apparent des points dans un graphique.

Lien de causalité
Le lien de causalité implique que la variation d’une variable entraîne directement une variation de l’autre. Contrairement à la corrélation, qui ne suppose qu’une association, la causalité indique une relation de cause à effet. Selon AUTEUR (date), il est crucial de ne pas confondre corrélation et causalité, car une corrélation ne prouve pas qu’une variable influence l’autre.

📝 Points essentiels

Une corrélation indique une relation entre deux variables lorsque les points du nuage sont presque alignés. Cela signifie que, graphiquement, si l’on trace une droite ou une tendance générale, celle-ci passe à proximité de la majorité des points. La présence d’une telle tendance suggère une association entre les deux variables, mais ne garantit pas une relation causale. En effet, deux variables peuvent être corrélées sans qu’une influence l’autre, par exemple, en raison d’un facteur commun ou d’un hasard.

La présence d’une corrélation ne signifie pas nécessairement un lien de causalité entre les variables. Il est fréquent que deux variables soient corrélées sans qu’il y ait une relation de cause à effet. Par exemple, la consommation de crème glacée et le nombre de noyades peuvent être corrélés en été, mais cela ne signifie pas que la fait de manger de la crème glacée cause des noyades. La corrélation doit donc être interprétée avec prudence, en évitant de conclure à une causalité sans preuve supplémentaire.

L’ajustement affine traduit la tendance générale entre les variables. Lorsqu’un ajustement affine est possible, il s’agit de représenter la relation par une droite de la forme y = ax + b, où a est la pente et b l’ordonnée à l’origine. Cet ajustement permet de modéliser la relation linéaire entre les deux variables, en donnant une idée claire de leur tendance commune.

💡 À retenir

Il est essentiel de différencier la corrélation statistique d’un lien de causalité entre deux variables. Une corrélation indique simplement une association ou une tendance commune, mais ne prouve pas que l’une influence l’autre. La modélisation par ajustement affine permet de représenter cette tendance, mais ne doit pas être confondue avec une preuve de causalité.

📖 6. Extrapolation et interpolation

🔑 Notions clés & Définitions

Extrapolation : L’extrapolation consiste à estimer une valeur en dehors de l’intervalle des données observées. Autrement dit, lorsqu’on dispose d’un ensemble de points de données, l’extrapolation permet de prévoir une valeur située en dehors de la plage de ces points, en utilisant la tendance ou le modèle ajusté à partir des données existantes.

Interpolation : L’interpolation consiste à estimer une valeur à l’intérieur de l’intervalle des données observées. Cela signifie que, étant donné un ensemble de points de données, on peut déterminer une valeur intermédiaire située entre deux points connus, en utilisant le modèle ou la tendance déjà identifiée dans ces données.

Intervalle des valeurs étudiées : Il s’agit de la plage ou de l’ensemble des valeurs pour lesquelles on dispose de données observées. C’est la zone comprise entre la valeur minimale et la valeur maximale des données recueillies, dans laquelle l’interpolation est effectuée.

📝 Points essentiels

L’interpolation consiste à estimer une valeur à l’intérieur de l’intervalle des données observées. Par exemple, si l’on connaît la température à 8h et à 10h, l’interpolation permet d’estimer la température à 9h, en utilisant la tendance ou la relation entre ces deux points. Elle repose sur le fait que la valeur à interpoler se trouve dans la plage de données déjà collectées, ce qui limite la zone d’incertitude.

L’extrapolation consiste à estimer une valeur en dehors de l’intervalle des données observées. Par exemple, si l’on connaît la croissance d’une plante sur plusieurs semaines, l’extrapolation permettrait d’estimer sa taille à une date ultérieure ou antérieure à la période observée. Cependant, cette opération comporte plus de risques, car elle suppose que la tendance identifiée dans les données existantes se poursuit au-delà de la plage observée. La précision de l’extrapolation dépend fortement de la validité de cette hypothèse.

L’ajustement affine peut être utilisé pour faire ces prévisions. Il s’agit d’un modèle linéaire qui relie une variable dépendante à une variable indépendante par une droite (y = ax + b). En ajustant cette droite aux données observées, on peut utiliser cette relation pour estimer des valeurs intermédiaires (interpolation) ou extérieures (extrapolation). La simplicité de l’ajustement affine facilite la prévision, mais sa fiabilité dépend de la qualité de l’ajustement et de la nature des données.

💡 À retenir

L’interpolation permet d’estimer des valeurs à l’intérieur de l’intervalle des données observées avec une relative sécurité, tandis que l’extrapolation, qui consiste à prévoir en dehors de cet intervalle, doit être utilisée avec prudence, car elle repose sur l’hypothèse que la tendance identifiée se poursuit. L’ajustement affine est un outil clé pour ces prévisions, mais ses limites doivent toujours être prises en compte.

📖 7. Application sur données réelles

🔑 Notions clés & Définitions

Données réelles : Il s'agit de valeurs concrètes recueillies à partir d'observations ou de mesures effectuées dans un contexte précis. Ces données permettent d'appliquer directement les concepts de nuage de points et d’ajustement affine en représentant graphiquement la situation étudiée. Elles sont essentielles pour valider ou invalider un modèle statistique, en particulier lorsqu'il s'agit d'établir une relation linéaire entre deux variables.

Exemple d’étude statistique : C’est une situation concrète où l’on collecte des données pour analyser une relation entre deux variables. Par exemple, mesurer le nombre d’adhérents d’un club de sport en fonction de l’année, puis utiliser ces données pour ajuster un modèle affine. La représentation graphique de ces données sous forme de nuage de points permet d’observer visuellement la tendance et d’évaluer la pertinence d’un ajustement affine.

Utilisation de la calculatrice : La calculatrice est un outil indispensable pour représenter graphiquement les données, calculer les coefficients de la droite d’ajustement, et déterminer la qualité de cet ajustement via le coefficient de détermination r². Elle facilite ainsi l’analyse en permettant une manipulation rapide et précise des données, ainsi qu’une visualisation claire des résultats.

📝 Points essentiels

Les données réelles jouent un rôle fondamental dans l’application pratique des concepts de nuage de points et d’ajustement affine. En utilisant des valeurs concrètes, on peut représenter graphiquement la relation entre deux variables, ce qui permet d’observer visuellement si une relation linéaire est plausible ou non. Par exemple, dans le cas d’un nombre d’adhérents en fonction de l’année, les données recueillies permettent de tracer un nuage de points. Si la majorité des points s’alignent approximativement selon une droite, cela indique qu’un ajustement affine pourrait être pertinent.

L’utilisation de la calculatrice est essentielle dans ce processus. Elle permet de réaliser rapidement les calculs nécessaires pour déterminer la droite d’ajustement, notamment le coefficient directeur et l’ordonnée à l’origine, ainsi que le coefficient de détermination r². Par exemple, si r² est proche de 1 (par exemple 0,96), cela indique que l’ajustement affine est pertinent, car la droite explique une grande partie de la variation des données. En revanche, si r² est faible (par exemple 0,32), cela montre que l’ajustement affine n’est pas adapté, comme dans le cas où r² = 0,32 n’est pas proche de 1.

Les exemples concrets illustrent également l’application pratique : en utilisant la formule de la droite d’ajustement y = 29x + 35, on peut prédire le nombre d’adhérents pour une année donnée en remplaçant x par le rang de l’année (par exemple, x=10 pour 2025). Cela montre comment les données réelles, combinées à la calculatrice, permettent d’établir des prévisions fiables ou de rejeter un modèle si celui-ci ne correspond pas aux données.

💡 À retenir

Les données réelles sont indispensables pour appliquer concrètement les méthodes statistiques, telles que l’ajustement affine, et pour valider la pertinence d’un modèle en fonction de leur représentation graphique et du coefficient de détermination r². La calculatrice facilite cette démarche en permettant une analyse rapide et précise.

📖 8. Relation entre variables quantitatives

🔑 Notions clés & Définitions

Variables quantitatives
Les variables quantitatives sont des variables qui prennent des valeurs numériques pouvant être mesurées ou comptabilisées. Elles permettent d’effectuer des opérations arithmétiques telles que l’addition, la soustraction, la moyenne, etc. Dans le contexte de l’étude, le temps de révision (en heures) et le score à l’examen (sur 800 points) sont deux exemples de variables quantitatives. Ces variables peuvent être continues ou discrètes, mais dans le cas présent, elles sont considérées comme continues puisqu’elles peuvent prendre une gamme de valeurs dans un intervalle.

Lien entre variables
Le lien entre variables désigne une relation ou une association observable entre deux variables quantitatives. Selon AUTEUR (date), ce lien peut se manifester sous forme de corrélation, c’est-à-dire une relation statistique observable indiquant si les variations d’une variable sont associées à celles de l’autre. La relation peut être positive (lorsque l’augmentation de l’une s’accompagne de l’augmentation de l’autre), négative (lorsque l’augmentation de l’une s’accompagne d’une diminution de l’autre), ou nulle (absence de relation apparente).

Mesure du score et temps de révision
La mesure du score correspond à la performance de chaque étudiant à l’examen, exprimée en points sur 800. Le temps de révision est la durée, en heures, consacrée à la préparation de l’examen. Ces deux mesures constituent des variables quantitatives qui peuvent être analysées pour déterminer s’il existe une relation statistique entre elles. La mesure précise de ces variables permet d’évaluer la force et la nature de leur lien potentiel.

📝 Points essentiels

Les variables quantitatives peuvent être liées par une relation statistique observable. Dans l’étude, cette relation est illustrée par le lien entre le temps de révision et le score à l’examen. En analysant ces deux variables, on cherche à déterminer si une augmentation du temps de révision est associée à une augmentation du score, ou si d’autres types de relations existent. La présence d’une corrélation positive ou négative indique une relation statistique, mais ne prouve pas nécessairement une relation de causalité.

L’étude du lien entre temps de révision et score illustre cette relation. Si l’on observe que, généralement, plus un étudiant révise longtemps, plus son score est élevé, cela suggère une corrélation positive. Cependant, il est important de souligner que cette corrélation ne signifie pas forcément qu’un temps de révision plus long cause directement une meilleure performance. D’autres facteurs peuvent intervenir, et seule une analyse statistique approfondie permet d’évaluer la force et la nature précise de cette relation.

L’analyse statistique, par des outils tels que le calcul du coefficient de corrélation ou la régression, permet d’évaluer la force de cette relation. Elle indique dans quelle mesure les variations d’une variable expliquent celles de l’autre, et si cette relation est significative ou non. Cette étape est essentielle pour comprendre si le lien observé est robuste ou simplement dû au hasard.

💡 À retenir

L’analyse de la relation entre deux variables quantitatives, comme le temps de révision et le score à un examen, permet d’évaluer la force et la nature de leur association. La corrélation observée ne doit pas être confondue avec une causalité, mais elle constitue une étape clé pour comprendre comment ces variables interagissent.

📖 9. Utilisation TIC en statistiques

🔑 Notions clés & Définitions

Technologies de l’information et de la communication (TIC)
Les TIC regroupent l’ensemble des outils, logiciels, réseaux et dispositifs permettant de collecter, traiter, stocker, transmettre et représenter des données numériques. Elles facilitent l’analyse statistique en automatisant des opérations complexes, en permettant la visualisation graphique et en simplifiant le calcul de coefficients statistiques. Selon le contexte, elles contribuent à une meilleure compréhension et à une prise de décision plus éclairée grâce à leur capacité à représenter graphiquement des données et à effectuer rapidement des calculs.

Tableur
Un tableur est un logiciel permettant de saisir, organiser, analyser et représenter des données sous forme de tableaux. Il offre des fonctionnalités pour réaliser des représentations graphiques, comme le tracé de nuages de points, et pour effectuer des calculs statistiques, notamment l’ajustement de courbes ou de droites. Le tableur facilite la manipulation de données numériques et leur visualisation, rendant l’analyse plus intuitive et efficace.

Calculatrice
Une calculatrice, notamment une calculatrice scientifique ou programmable, est un outil permettant d’effectuer rapidement des opérations mathématiques, y compris des calculs statistiques. Elle permet de déterminer l’équation de la droite d’ajustement affine à partir de données, ainsi que le coefficient de détermination R², essentiel pour évaluer la qualité de l’ajustement. La calculatrice accélère la résolution de problèmes en fournissant des résultats précis en peu de temps.

📝 Points essentiels

Les TIC facilitent la représentation graphique des données et le calcul des coefficients statistiques. Par exemple, à l’aide d’un tableur ou d’une calculatrice, il est possible de représenter visuellement un nuage de points, ce qui permet d’observer la tendance générale des données. La représentation graphique est essentielle pour analyser la relation entre deux variables et pour décider si un ajustement affine est approprié ou non.

Le tableur permet de représenter le nuage de points et de calculer l’ajustement affine. Il offre des outils pour tracer la droite d’ajustement directement sur le graphique, en utilisant les données saisies. La possibilité de visualiser cette droite permet d’évaluer visuellement la qualité de l’ajustement, en comparant la position des points par rapport à la droite.

La calculatrice permet de déterminer rapidement l’équation de la droite d’ajustement affine, en calculant ses coefficients. Par exemple, dans le cas présenté, l’équation obtenue est y = 29,528 x + 309,295, avec des coefficients arrondis à 10^-2. La calculatrice permet aussi de tracer cette droite sur le graphique, facilitant ainsi l’analyse visuelle.

Pour valider la pertinence de l’ajustement, il est important d’utiliser le coefficient de détermination R², qui indique la proportion de la variance expliquée par la droite d’ajustement. La calculatrice et le tableur permettent d’obtenir ce coefficient, qui doit être interprété pour juger de la qualité de l’ajustement. Un R² proche de 1 indique un bon ajustement, tandis qu’un R² faible suggère que la droite ne modélise pas bien la relation entre les variables.

💡 À retenir

L’exploitation des outils numériques tels que le tableur et la calculatrice permet d’améliorer significativement l’analyse statistique en facilitant la représentation graphique, le calcul précis de l’équation de la droite d’ajustement et l’évaluation de sa qualité grâce au coefficient R². Ces outils contribuent à une prise de décision plus rapide et plus fiable dans l’analyse de données.

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre série statistique à deux variables et série chronologique.
2. Interpréter une corrélation comme une causalité.
3. Croire qu’une droite d’ajustement passe par tous les points.
4. Confondre coefficient de corrélation R² avec le coefficient de corrélation R.
5. Négliger l’importance de la dispersion dans l’analyse graphique.
6. Utiliser une droite d’ajustement pour extrapoler sans précaution.
7. Oublier que la relation peut être non linéaire, même si la droite semble adaptée.

✅ Checklist Examen

1. Connaître la définition d’une série statistique à deux variables selon AUTEUR.
2. Savoir représenter graphiquement un nuage de points dans un repère orthogonal.
3. Identifier un point M(xi ; yi) dans un nuage de points.
4. Expliquer le rôle du repère orthogonal dans la représentation graphique.
5. Définir l’équation réduite de la droite d’ajustement y = ax + b.
6. Comprendre comment déterminer les coefficients a et b pour l’ajustement affine.
7. Savoir que la droite d’ajustement modélise la tendance générale des données.
8. Connaître le rôle du coefficient de corrélation R² pour évaluer la qualité de l’ajustement.
9. Savoir distinguer entre corrélation et causalité.
10. Maîtriser la différence entre extrapolation et interpolation dans le contexte des données réelles.
11. Connaître l’intérêt d’utiliser TIC en statistiques pour représenter ou analyser des séries à deux variables.
12. Vérifier la maîtrise du vocabulaire : série statistique, nuage de points, ajustement affine, coefficient R², relation linéaire.