Ministère de L’éducation Nationale
Département de Mathématiques
Lycée National Léon Mba
Niveau : Terminal
Classe : B3
Lundi ,28 Avril 2025
EXPOSÉ DE MATHÉMATIQUES
Noms des membres :
• MADJINOU SERWAA DORIS
• NDZINGA ESSIGUI Dorelle
• KANIKI Grace Yves
• NDONG MVOGHE Nouredine
• MENGUE ALAZI Sara Esther
• EZOGO Michel Fernand
• MBENG NDONG Leny Daniel
• MINKO Christian Vernel
Sous la Supervision de :
Monsieur NDONG GISLAIN
ANNÉE ACADÉMIQUE : 2024 – 2025
Plan du travail :
Thème : Statistiques Partie ( A & B )
Introduction
I . Nuage de points
II . Point Moyen
III . Ajustement Linéaire
IV. Méthode de Mayer
Conclusion
Introduction
Les statistiques représentent une branche fondamentale des mathématiques
appliquées, qui permet de recueillir, organiser, analyser et interpréter des
données chiffrées. Elles sont utilisées pour mieux comprendre des
phénomènes à partir d’observations, en extrayant des tendances générales
ou des liens entre différentes variables.
• Les concepts clés des statistiques incluent :
- La moyenne (ou espérance mathématique),
- La variance et l’écart-type,
- La covariance,
- Les représentations graphiques(comme les nuages de points),
- Et l’ajustement linéaire, qui permet de modéliser une relation entre deux
variables.
I - Représentation graphique d’un nuage de points et point moyen
I.1. Nuage de points et interprétation
Un nuage de points est une représentation graphique de données bivariées
(couples de valeurs). Chaque point du nuage correspond à une observation
de deux variables ( x ) et (y ).
I. Nuage de points
Autrement dit , c’est L’ensemble des points de coordonnées est appelé
le nuage de points associé à la série statistique à deux variables.
Définition : Le point G de coordonnées où et sont les moyennes respectives
est appelé le point moyen du nuage de points associé à la série.
Interprétation :
Le tableau suivant présente l’évolution du budget publicitaire et du
chiffre d’affaires d’une société au cours des 6 dernières années :
a) Dans un repère, représenter le nuage de points .
b) Déterminer les coordonnées du point moyen G du nuage de points.
Correction
a)
On a représenté ci-dessus le nuage de points de la série .
b ) = (8 + 10 + 12 + 14 + 16 + 18) : 6 = 13
= (40 + 55 + 55 + 70 + 75 + 95) : 6 = 65.
Le point moyen G du nuage de points a pour coordonnées (13 ; 65). On peut
placer ce point dans le repère.
II. Point moyen
III.
Définition d’un point moyen
Soit une série statistique à deux variables représentée par le tableau ci-contre. Soit la
moyenne des valeurs prises par le premier caractère et soit la moyenne des valeurs
prises par le deuxième caractère. On appelle point moyen du nuage de points de la série
statistique, le point de coordonnées . .
Exemple : G est le point moyen du nuage de points correspondant à la série
statistique du nombres de clients et du chiffre d’affaires d’une entreprise.
On cherche s’il existe une relation, même approximative entre les deux
variables et d’une série statistique à deux variables. La disposition des points
du nuage peut parfois suggérer une courbe représentative d’une fonction. Dans ce
cas la relation recherchée est y = f( x ). Si les points du nuage sont proches de
l’alignement, la courbe cherchée est une droite. On dit que cette droite réalise
un ajustement affine du nuage.
IV. Ajustement Linéaire
Régression linéaire
De nombreuses séries statistiques (xi,yi)sont reliées par des conditions
du type y=ax+b. Ce peut être aussi le cas de grandeurs issues de la
physique. En général, en raison des erreurs de mesure, les
points (xi,yi) ne sont pas alignés, mais sont "presque" sur une même
droite. Il faut alors choisir a et b de sorte que la droite soit la meilleure
possible.
Pour cela, il faut choisir une mesure de l'écart entre unedroite y=ax+b et
le nuage de points expérimentaux (xi,yi)1≤i≤n. On choisit en général le
carré de la différence entre le point théorique et le point expérimental,
c'est-à-dire (yi−(axi+b))2. L'écart total est donc :J(a,b)=n∑i=1(yi−axi−b)2.
Effectuer une régression linéaire au sens des moindres carrés, c'est
trouver la droite qui minimise l'écart précédent, c'est-à-dire la somme
des carrés des différences : on parle de droite des moindres carrés.
Covariance de deux séries statistiques
La covariance de deux séries : La covariance de deux séries
statistiques X=(Xi)i=1,…,N) et (Yi)i=1,…,N ayant le même nombre d'éléments est défini
par Cov(X,Y)=N∑i=1(Xi−¯X)(Yi−¯Y)[Link] s'agit donc de la moyenne des produits
des écarts des valeurs à la moyenne de chaque série.
Le coefficient de corrélation linéaire de ces deux séries est défini
parρ(X,Y)=Cov(X,Y)√ Var(X) √ Var(Y) où Var(X) et Var(Y) désignent
respectivement les variances de X et de Y.
Le coefficient de relation linéaire quantifie la force du lien linéaire entre Xet Y.
Si r=1 ou r=−1, alors il existe deux réels a et b tels que Y=aX+b : Ydépend
affinement de X. Si au contraire rest proche de 0, alors X et Y ne dépendent pas
affinement l'un de l'autre.
Étudions trois exemples pour voir l'influence du coefficient de corrélation linéaire.
Exemple 1 :
X 0 1 2 3 4 5 6 7 8 9 10
Y 2,04 3,02 4,15 4,97 6,02 7,08 8,12 9,14 10,13 10,86 11,89
Le coefficient de corrélation linéaire est presque égal à 1. Les deux séries statistiques
dépendent affinement l'une de l'autre, ce que confirme le nuage de points.
Covariance de deux variables aléatoires
Soient X et Y des variables aléatoires admettant un moment d'ordre 2 (c'est-à-dire
que E(X), E(X2), E(Y) et E(Y2)existent). On
appelle covariance de X et Yl'espérance du
produit (X−E(X))(Y−E(Y)) :Cov(X,Y)=E((X−E(X))(Y−E(Y))).Si X et Y adme
ttent une covariance et des variances non nulles, alors leur coefficient de corrélation
linéaire est défini par
:ρ(X,Y)=Cov(X,Y)√ V(X)V(Y) =Cov(X,Y)σ(X)σ(Y)∈[−1,1].Les variables
aléatoires X et Y sont dites non corrélées si Cov(X,Y)=0. Elles sont
dites corrélées dans le cas contraire.
Interprétation : Le coefficient de corrélation linéaire mesure la dépendance affine
de X et Y. Ainsi, si ρ(X,Y)=1, il existe des réels a et b tels que Y=aX+b.
Inversement, si X et Y sont indépendantes, Cov(X,Y)=0
V. Méthode et droite de Mayer
La méthode d'ajustement de Mayer est une méthode pour effectuer une régression affine
d'une série statique à deux variables, c'est-à-dire pour trouver une droite qui passe au plus près
d'un nuage de points. Elle consiste à partager un nuage de points rangés dans l'ordre croissant
de leurs abscisses en deux sous-groupes de même effectif. Chacun des deux sous-groupes est
alors remplacé par le point dont les coordonnées sont respectivement :
• en abscisse, la moyenne arithmétique des abscisses des points du sous-groupe.
• en ordonnée, la moyenne arithmétique des ordonnées des points du sous-groupe.
Si G1 est le point issu du premier sous-groupe et G2 le point issu du deuxième sous-groupe,
la droite de Mayer est la droite passant par (G1G2).
Exemple :
Une entreprise souhaite faire des prévisions sur son chiffre d'affaires. Les chiffres d'affaires
réalisés depuis la création de l'entreprise sont donnés par le tableau suivant :
Année xi 1 2 3 4 5 6 7 8
Chiffre d'affaires yi en millions d'euros 16 19 22 23 24 26 27 30
Le premier groupe de points est (1,16), (2,19), (3,22) et (4,23). Le point G1 a donc pour
coordonnées (2.5,20). Le second groupe de points est (5,24), (6,26), (7,27) et (8,30). Le
points G2 a donc pour coordonnées (6.5,26.75). On a représenté sur la figure suivante la droite
de Mayer :
Cette droite permet d'avoir une estimation du chiffre d'affaires prévisible de la dixième année, qu'on
lit en regardant l'ordonnée du point de la droite d'abscisse 10 : le chiffre d'affaire devrait être proche
de 32,6 millions d'euros.
Conclusion
L’étude statistique permet d’analyser la relation entre deux caractéristiques. Grâce
à des outils comme le nuage de points, la droite de régression et le coefficient de
corrélation linéaire, on peut déterminer s’il existe une liaison entre les deux
variables, et si cette liaison est forte, faible, positive ou négative. Ces analyses sont
utiles pour faire des prévisions ou interpréter des comportements dans des
domaines variés comme l’économie, la biologie ou la sociologie. Toutefois, il est
important de rappeler qu’une corrélation ne signifie pas nécessairement causalité.
