insight.Se connecter

Maths complémentaires · Terminale

Statistique à deux variables quantitatives : cours et fiche de révision (Maths complémentaires, Terminale)

Programme officiel, session 2027. Mis à jour le 7 novembre 2026. 8 min de lecture.

Ce que contient ce chapitre

  • Représenter un nuage et trouver son point moyen
  • Déterminer la droite des moindres carrés
  • Juger un ajustement avec le coefficient de corrélation
  • Se ramener à une droite par changement de variable
  • Interpoler et extrapoler avec un ajustement

Le chiffre d'affaires d'une entreprise suit-il sa dépense publicitaire ? Une population de bactéries croît-elle à taux constant ? Quand on mesure deux grandeurs sur les mêmes individus, on obtient une série statistique à deux variables. Ce chapitre t'apprend à la représenter, à chercher une relation affine ou exponentielle entre les deux grandeurs, à mesurer la qualité de cette relation et à t'en servir pour estimer une valeur non mesurée. À la fin, tu sauras déterminer une droite de régression, juger sa pertinence et l'utiliser pour interpoler ou extrapoler.

1. Nuage de points et point moyen

Le nuage de points

On étudie deux variables quantitatives xx et yy sur nn individus : on obtient nn couples (xi;yi)(x_i ; y_i). Dans un repère, chaque couple donne le point Mi(xi;yi)M_i(x_i ; y_i) ; l'ensemble de ces points est le nuage de points de la série. Pour le représenter, choisis sur chaque axe une échelle qui couvre les valeurs observées, puis place chaque point. Sa forme oriente la suite : des points presque alignés suggèrent une relation affine, un nuage incurvé une autre relation, exponentielle par exemple.

Le point moyen

Le point moyen du nuage est le point G(xˉ;yˉ)G(\bar{x} ; \bar{y}), où xˉ\bar{x} est la moyenne des xix_i et yˉ\bar{y} celle des yiy_i :

xˉ=x1+x2+⋯+xnnyˉ=y1+y2+⋯+ynn\begin{gathered}\bar{x} = \frac{x_1 + x_2 + \dots + x_n}{n} \\ \bar{y} = \frac{y_1 + y_2 + \dots + y_n}{n}\end{gathered}

Exemple résolu

Une entreprise relève sa dépense publicitaire xx (en milliers d'euros) et son chiffre d'affaires yy (en dizaines de milliers d'euros) sur cinq mois.

xix_i12345
yiy_i23677

xˉ=1+2+3+4+55=3\bar{x} = \frac{1+2+3+4+5}{5} = 3 et yˉ=2+3+6+7+75=255=5\bar{y} = \frac{2+3+6+7+7}{5} = \frac{25}{5} = 5.

Le point moyen est G(3;5)G(3 ; 5). Il n'est pas forcément un point du nuage : ici, le point d'abscisse 3 est (3;6)(3 ; 6).

12345246G

2. La droite des moindres carrés

Le principe

Quand le nuage est allongé, on cherche une droite d'équation y=ax+by = ax + b qui passe au plus près des points. L'écart vertical entre le point MiM_i et la droite vaut yi−(axi+b)y_i - (ax_i + b). La droite des moindres carrés, ou droite de régression de yy en xx, est celle qui rend minimale la somme des carrés de ces écarts :

S=∑i=1n(yi−(axi+b))2S = \sum_{i=1}^{n} \big(y_i - (ax_i + b)\big)^2

Les formules

On note V(x)=1n∑(xi−xˉ)2V(x) = \frac{1}{n}\sum (x_i - \bar{x})^2 la variance de xx et cov(x,y)=1n∑(xi−xˉ)(yi−yˉ)\text{cov}(x,y) = \frac{1}{n}\sum (x_i - \bar{x})(y_i - \bar{y}) la covariance de xx et yy. Si les xix_i ne sont pas tous égaux, la droite des moindres carrés a pour équation y=ax+by = ax + b avec

a=cov(x,y)V(x)b=yˉ−axˉ\begin{gathered}a = \frac{\text{cov}(x,y)}{V(x)} \\ b = \bar{y} - a\bar{x}\end{gathered}

Conséquence : yˉ=axˉ+b\bar{y} = a\bar{x} + b, donc la droite des moindres carrés passe par le point moyen GG. En pratique, la calculatrice (régression linéaire) ou un tableur donne aa et bb : entre les xix_i en première liste, les yiy_i en seconde.

Exemple résolu (suite). Les écarts xi−xˉx_i - \bar{x} valent −2-2, −1-1, 00, 11, 22 ; les écarts yi−yˉy_i - \bar{y} valent −3-3, −2-2, 11, 22, 22.

V(x)=4+1+0+1+45=2V(x) = \frac{4+1+0+1+4}{5} = 2

cov(x,y)=(−2)(−3)+(−1)(−2)+0×1+1×2+2×25=145=2,8\text{cov}(x,y) = \frac{(-2)(-3)+(-1)(-2)+0\times1+1\times2+2\times2}{5} = \frac{14}{5} = 2{,}8

a=2,82=1,4a = \frac{2{,}8}{2} = 1{,}4 et b=5−1,4×3=0,8b = 5 - 1{,}4 \times 3 = 0{,}8.

La droite des moindres carrés a pour équation y=1,4x+0,8y = 1{,}4x + 0{,}8. Contrôle : 1,4×3+0,8=51{,}4 \times 3 + 0{,}8 = 5, elle passe bien par G(3;5)G(3 ; 5).

Démonstration : pourquoi ces formules

Fixe aa et pose ci=yi−axic_i = y_i - ax_i. Alors S=∑(ci−b)2=nb2−2b∑ci+∑ci2S = \sum (c_i - b)^2 = nb^2 - 2b\sum c_i + \sum c_i^2 est un polynôme du second degré en bb, de coefficient n>0n > 0 : il est minimal en b=1n∑ci=yˉ−axˉb = \frac{1}{n}\sum c_i = \bar{y} - a\bar{x}.

Avec cette valeur, yi−axi−b=(yi−yˉ)−a(xi−xˉ)y_i - ax_i - b = (y_i - \bar{y}) - a(x_i - \bar{x}) ; en développant, Sn=V(y)−2a cov(x,y)+a2V(x)\frac{S}{n} = V(y) - 2a\,\text{cov}(x,y) + a^2 V(x). Ce polynôme en aa, de coefficient V(x)>0V(x) > 0, est minimal en a=2 cov(x,y)2V(x)=cov(x,y)V(x)a = \frac{2\,\text{cov}(x,y)}{2V(x)} = \frac{\text{cov}(x,y)}{V(x)}.

3. Le coefficient de corrélation

Le coefficient de corrélation linéaire de la série est r=cov(x,y)σxσyr = \frac{\text{cov}(x,y)}{\sigma_x \sigma_y}, où σx=V(x)\sigma_x = \sqrt{V(x)} et σy=V(y)\sigma_y = \sqrt{V(y)} sont les écarts types. Il vérifie toujours −1⩽r⩽1-1 \leqslant r \leqslant 1, et :

  • rr a le signe de aa : positif pour un nuage qui monte, négatif pour un nuage qui descend ;
  • ∣r∣=1|r| = 1 exactement quand les points sont alignés sur une droite non horizontale ;
  • plus ∣r∣|r| est proche de 1, plus les points sont proches de la droite et plus l'ajustement affine est justifié ; pour ∣r∣|r| proche de 0, il n'a pas de sens.

L'énoncé peut fixer un seuil, par exemple « ajustement affine pertinent si ∣r∣⩾0,9|r| \geqslant 0{,}9 ».

Exemple résolu (suite). V(y)=9+4+1+4+45=4,4V(y) = \frac{9+4+1+4+4}{5} = 4{,}4, donc r=2,82×4,4=2,88,8≈0,944r = \frac{2{,}8}{\sqrt{2}\times\sqrt{4{,}4}} = \frac{2{,}8}{\sqrt{8{,}8}} \approx 0{,}944 (arrondi à 10−310^{-3}) : rr est proche de 1, l'ajustement affine est pertinent.

Corrélation n'est pas causalité

Un rr proche de 1 dit que les deux grandeurs varient ensemble, pas que l'une cause l'autre. Les ventes de glaces et les coups de soleil sont fortement corrélés : aucun des deux ne cause l'autre, tous deux dépendent de l'ensoleillement. Inversement, un rr proche de 0 ne veut pas dire « aucun lien », seulement « pas de lien affine ».

4. Ajustement par changement de variable

Quand le nuage est incurvé, un ajustement affine de yy en xx est mauvais. On transforme alors une variable pour obtenir un nuage allongé, qu'on ajuste par une droite. Le changement de variable est en général donné par l'énoncé : z=ln⁡yz = \ln y, z=x2z = x^2, z=1xz = \frac{1}{x}…

Le cas le plus fréquent : si z=ln⁡yz = \ln y s'ajuste par z=ax+bz = ax + b, alors y=eax+b=eb×eaxy = e^{ax+b} = e^b \times e^{ax}. C'est un ajustement exponentiel : yy est multiplié par eae^a quand xx augmente de 1, comme une suite géométrique de raison eae^a.

Exemple résolu

On compte une population de bactéries yy (en milliers) toutes les heures ; xx est le temps en heures.

xix_i01234
yiy_i99148221330493
zi=ln⁡yiz_i = \ln y_i (arrondi à 10−210^{-2})4,605,005,405,806,20

Les quotients successifs 14899\frac{148}{99}, 221148\frac{221}{148}, 330221\frac{330}{221}, 493330\frac{493}{330} valent tous environ 1,491{,}49 : la croissance ressemble à celle d'une suite géométrique, d'où le choix z=ln⁡yz = \ln y.

  1. La calculatrice donne la droite de régression de zz en xx : z=0,40x+4,60z = 0{,}40x + 4{,}60 (coefficients arrondis à 10−210^{-2}), avec un coefficient de corrélation très proche de 1.
  2. On revient à yy : y=e0,40x+4,60=e4,60×e0,40xy = e^{0{,}40x + 4{,}60} = e^{4{,}60} \times e^{0{,}40x}, soit y≈99,5 e0,4xy \approx 99{,}5\,e^{0{,}4x}.
  3. Estimation à 6 heures, qui est une extrapolation : y=e0,40×6+4,60=e7≈1 097y = e^{0{,}40 \times 6 + 4{,}60} = e^{7} \approx 1\,097, soit environ 1 097 000 bactéries.

5. Interpoler et extrapoler

Un ajustement sert à estimer une valeur non observée :

  • interpoler, c'est estimer à l'intérieur de la plage des valeurs observées de xx : c'est le plus fiable ;
  • extrapoler, c'est estimer hors de cette plage, souvent dans le futur : on suppose que la tendance se maintient, ce qui est d'autant plus risqué qu'on s'éloigne des données.

On peut aussi chercher la valeur de xx qui donne un yy voulu, en résolvant une équation.

Exemple résolu

Avec y=1,4x+0,8y = 1{,}4x + 0{,}8 (dépense publicitaire et chiffre d'affaires) :

  • interpolation pour x=2,5x = 2{,}5 : y=1,4×2,5+0,8=4,3y = 1{,}4 \times 2{,}5 + 0{,}8 = 4{,}3, soit un chiffre d'affaires estimé à 43 000 euros ;
  • extrapolation pour x=7x = 7 : y=1,4×7+0,8=10,6y = 1{,}4 \times 7 + 0{,}8 = 10{,}6, soit 106 000 euros, estimation fragile car 7 dépasse la plus grande dépense observée, 5 ;
  • dépense pour atteindre y=9y = 9 : 1,4x+0,8=91{,}4x + 0{,}8 = 9 donne x=8,21,4≈5,86x = \frac{8{,}2}{1{,}4} \approx 5{,}86, soit environ 5 860 euros, là encore au-delà des données.
1234567246810Ginterpolationextrapolationy=1,4x+0,8

Les pièges à éviter

  • Arrondir trop tôt : calcule bb avec la valeur exacte de aa, et n'arrondis qu'à la fin, à la précision demandée.
  • Inverser les variables : la droite de yy en xx n'est pas celle de xx en yy.
  • Mesurer mal les écarts : les moindres carrés portent sur les écarts verticaux, pas sur les distances perpendiculaires à la droite.
  • Conclure à une causalité à partir d'un rr proche de 1.
  • Mal revenir à yy après z=ln⁡yz = \ln y : eax+b=eb×eaxe^{ax+b} = e^b \times e^{ax}, et non eb+eaxe^b + e^{ax} ; et une estimation de zz n'est pas une estimation de yy.
  • Extrapoler sans réserve : loin des données, signale que l'estimation suppose que la tendance continue.

Ce qu'il faut retenir

  • Point moyen : G(xˉ;yˉ)G(\bar{x} ; \bar{y}), moyennes des xix_i et des yiy_i.
  • La droite des moindres carrés y=ax+by = ax + b rend minimale ∑(yi−axi−b)2\sum (y_i - ax_i - b)^2.
  • a=cov(x,y)V(x)a = \frac{\text{cov}(x,y)}{V(x)} et b=yˉ−axˉb = \bar{y} - a\bar{x} : elle passe par GG.
  • r=cov(x,y)σxσyr = \frac{\text{cov}(x,y)}{\sigma_x \sigma_y}, −1⩽r⩽1-1 \leqslant r \leqslant 1, rr du signe de aa.
  • ∣r∣|r| proche de 1 : ajustement affine pertinent. Corrélation n'est pas causalité.
  • Si z=ln⁡yz = \ln y s'ajuste par z=ax+bz = ax + b, alors y=ebeaxy = e^b e^{ax}.
  • Interpoler : dans la plage des données. Extrapoler : hors de cette plage, avec prudence.

À l'épreuve

Ce chapitre est évalué en contrôle continu, souvent par un exercice de devoir surveillé bâti sur un tableau de données en contexte : économie, démographie, croissance biologique. Les questions s'enchaînent en général ainsi : représenter le nuage, calculer les coordonnées du point moyen, donner à la calculatrice une équation de la droite de régression avec l'arrondi demandé, donner rr et juger la pertinence de l'ajustement, puis estimer une valeur. Une variante impose le changement de variable z=ln⁡yz = \ln y et demande d'en déduire yy en fonction de xx.

Le professeur attend des calculs posés, les arrondis exactement à la précision demandée et une phrase de conclusion dans le contexte, avec l'unité : « le chiffre d'affaires est estimé à 43 000 euros ». Il valorise un regard critique sur une extrapolation lointaine. Ce qui coûte des points : un bb calculé avec un aa arrondi, une droite de xx en yy, un « rr proche de 1, donc xx cause yy », ou une valeur de ln⁡y\ln y donnée à la place de yy.

À retenir

  • Représenter un nuage et trouver son point moyen

    Chaque couple (xi;yi)(x_i ; y_i) donne un point MiM_i : l'ensemble forme le nuage de points.Le point moyen est G(xˉ;yˉ)G(\bar{x} ; \bar{y}), où xˉ\bar{x} et yˉ\bar{y} sont les moyennes des xix_i et des yiy_i.GG n'est pas forcément un point du nuage.La forme du nuage, allongée ou incurvée, oriente le choix de l'ajustement.
  • Déterminer la droite des moindres carrés

    La droite des moindres carrés y=ax+by = ax + b rend minimale la somme des carrés des écarts verticaux ∑(yi−axi−b)2\sum (y_i - ax_i - b)^2.a=cov(x,y)V(x)a = \frac{\text{cov}(x,y)}{V(x)} et b=yˉ−axˉb = \bar{y} - a\bar{x}.Elle passe toujours par le point moyen GG.À la calculatrice : les xix_i en première liste, les yiy_i en seconde ; calcule bb avec aa non arrondi.
  • Juger un ajustement avec le coefficient de corrélation

    r=cov(x,y)σxσyr = \frac{\text{cov}(x,y)}{\sigma_x \sigma_y} vérifie −1⩽r⩽1-1 \leqslant r \leqslant 1 et a le signe de aa.∣r∣=1|r| = 1 : points alignés ; ∣r∣|r| proche de 1 : ajustement affine pertinent.∣r∣|r| proche de 0 : pas de lien affine, ce qui n'exclut pas un autre lien.Une forte corrélation ne prouve pas une causalité.
  • Se ramener à une droite par changement de variable

    Nuage incurvé : on pose une nouvelle variable, souvent z=ln⁡yz = \ln y, pour obtenir un nuage allongé.On ajuste zz en xx par une droite z=ax+bz = ax + b.On revient à yy : y=eax+b=eb×eaxy = e^{ax+b} = e^b \times e^{ax}.Quotients successifs des yiy_i presque constants : pense à z=ln⁡yz = \ln y.
  • Interpoler et extrapoler avec un ajustement

    Interpoler : estimer pour une valeur de xx à l'intérieur de la plage observée, c'est le plus fiable.Extrapoler : estimer hors de cette plage, en supposant que la tendance se maintient.On remplace xx dans l'équation, ou on résout une équation pour trouver xx.Conclus dans le contexte, avec l'unité et l'arrondi demandé.

Teste-toi

Trois questions. Réponds, la correction s’affiche.

Question 1 sur 3
Une série a pour valeurs xix_i : 1 ; 3 ; 5 ; 7 et pour valeurs yiy_i : 12 ; 9 ; 8 ; 7 (dans cet ordre). Quel est son point moyen ?

Correction

xˉ=1+3+5+74=164=4\bar{x} = \frac{1+3+5+7}{4} = \frac{16}{4} = 4.yˉ=12+9+8+74=364=9\bar{y} = \frac{12+9+8+7}{4} = \frac{36}{4} = 9.Erreur classique : donner 8,58{,}5 comme ordonnée, la médiane des yiy_i — le point moyen utilise les moyennes, pas les médianes.
Question 2 sur 3
Parmi ces valeurs, laquelle ne peut pas être un coefficient de corrélation linéaire rr ?

Correction

On a toujours −1⩽r⩽1-1 \leqslant r \leqslant 1.1,2>11{,}2 > 1 est donc impossible, alors que −1-1, −0,3-0{,}3 et 0,980{,}98 sont des valeurs possibles.Erreur classique : écarter −1-1 parce qu'il est négatif — rr peut être négatif, et r=−1r = -1 correspond à des points alignés sur une droite décroissante.
Question 3 sur 3
Les dépenses publicitaires observées vont de 11 à 55 (en milliers d'euros). Pour laquelle de ces valeurs de xx l'estimation donnée par la droite y=1,4x+0,8y = 1{,}4x + 0{,}8 est-elle une interpolation ?

Correction

La plage observée de xx est [1;5][1 ; 5].4,54{,}5 appartient à [1;5][1 ; 5] : l'estimation est une interpolation.0,50{,}5, 66 et 1010 sont hors de [1;5][1 ; 5] : ce sont des extrapolations.Erreur classique : croire que 0,50{,}5, plus petit que 55, est une interpolation — l'interpolation exige d'être entre la plus petite et la plus grande valeur observée de xx.

Dans Insight, ce chapitre a 86 questions, et l’app te les repose au bon moment pour que tu ne les oublies pas avant le bac.

Contenu préparé avec l’aide d’outils d’IA, vérifié.

Réviser ce chapitre gratuitement