Corrigé Serie 2 Stat

Corrigé de la série 2
Exercice 2
1- Identification de la population, individu, caractères et modalités
– Population : les 12 mois de l’année
– Individu : un mois parmi ces mois
– Caractères : Il y a deux caractères :
– Pluviométrie (mesurée en mm et notée P )
– Température (mesurée en ˚C et notée T )
– Modalités :
– Pour le caractère pluviométrie : les modalités sont : 5, 6, 10, 13, 23, 40, 48, 49, 50, 64, 79.
– Pour le caractère température : les modalités sont : 10, 11, 13, 14, 15, 17, 23, 27, 28.
2- Calcul de la moyenne et l’écart-type de P et T
P (mm) T (Pi − P̄ )2 (Ti − T̄ )2

1 50 10 186.777 777 8 53.777 777 8
2 64 11 765.444 444 4 40.111 111 1
3 79 13 1820.444 444 4 18.777 777 8
4 48 15 136.111 111 1 5.444 444 4
5 40 17 13.444 444 4 0.111 111 1
6 10 23 693.444 444 4 32.111 111 1
7 5 27 981.777 777 8 93.444 444 4
8 6 28 920.111 111 1 113.777 777 8
9 13 23 544.444 444 4 32.111 111, 1
10 23 17 177.777 777 8 0.111 111 1
11 49 14 160.444 444 4 11.111 111 1
12 49 10 160.444 444 4 53.777 777 8
P̄ = 36.33 mm T̄ = 17.33 V (P ) = 546.72 (mm2 ) V (T ) = 37.88 (˚C)2
σP = 23.38 mm 6.15˚C
3- La droite de la régression linéaire entre T et P : la droite de la regression linéaire entre

T et P s’ćrit :
T = a P + b,
avec
Cov(P, T )
a=
V (P )
et b = T̄ − a P̄ où
1 ∑
12
Cov(P, T ) = Pi Ti − P̄ T̄ = −127.28
12
i=1
Cov(P, T ) −127.28
donc a = = = −0.2328 et b = 17.33 + 0.2328 × 36.33 = 25.7878.
V (P ) 546.72
1
Ainsi
T = −0.2328 P + 25.7878.
4- Le coefficient de corrélation
Cov(P, T ) −127.28
r= = = −0.8844.
σP σ T 23.3821 × 6.155
Conclusion : Du moment que | r |> 0.7 (proche de 1) alors on peut considérer que la relation entre
P et T est bonne.
Remarque 1
Le coefficient de corrélation r permet de justifier le fait de l’ajustement linéaire. On adopte les
critères numériques suivants :
– Si | r |< 0.7, alors l’ajustement linéaire est refusé.
– Si | r |≥ 0.7, alors l’ajustement linéaire est accepté.
Exercice 3
La série statistique suivante donne le nombre de stomates aérifères au mm2 d’une feuille (variable
y) en fonction du nombre de jours d’exposition au soleil (variable x).
Nombre de jours (x) 2 4 8 10 24 40 52

Nombre de stomates (y) 6 11 15 20 39 62 85
1. Calcul des moyennes x̄ et ȳ
1∑ 1∑
n 7
x̄ = xi = xi = 20.
n 7
i=1 i=1
1∑ 1∑
n 7
ȳ = yi = yi = 34.
n 7
i=1 i=1
2. Calcul des écarts types σx et σy , la covariance Cov(x, y) et le coefficient de corrélation r(x, y).
- Calcul des écarts types σx et σy
Variance de x
1∑ 2
7
V (x) = xi − x̄2 = 323.43,
7
i=1
√
et l’écart-type σx = V (x) = 17.98.
Variance de y
1∑ 2
7
V (y) = yi − ȳ 2 = 754.29,
7
i=1
√
et l’écart-type σy = V (y) = 27.46.
2
Covariance Cov(x, y)
1 ∑
7
Cov(x, y) = xi yi − x̄ ȳ = 493.14. (1)
7
i=1
Coefficient de corrélation r(x, y)
Cov(x, y)
r(x, y) = = 0.998. (2)
σ x σy
Détermination de la droite de régression de y en x

La droite de régression linéaire s’écrit
y = a x + b,
Cov(x, y)
avec a = = 1.525 et b = ȳ − a x̄ = 3.505. d’où
V (x)
y = 1.525 x + 3.505.
3. Représentation de la droite de régression
Figure 1 – Droite de regression exprimant le nombre de stomates en fonction du nombre de jours
Conclusion : la corrélation linéaire est forte : le nuage de points est concentré le long de
la droite de régression. Il est raisonnable de faire des estimations de nombre de stomates en
fonction du nombre de jours en utilisant cette droite.
4. Combien de stomates prévoyez-vous à 30 jours ?
Pour 30 jours on prévoit au alentours de 50 stomates. (y = 1.525 × 30 + 3.505 ≃ 50)
3
Exercice 4
Dans le cadre de travaux de recherche sur la durée de la saison de végétation en montagne, des
stations météorologiques sont installées à différentes altitudes. La température moyenne (variable y
en degrés Celsius) ainsi que l’altitude (variable x en mètres) de chaque station sont données dans
le tableau ci-dessous :
Altitude x 1040 1230 1500 1600 1740 1950 2200 2530 2800 3100
Température y 7.4 6 4.5 3.8 2.9 1.9 1 −1.2 −1.5 −4.5
1. Calcul des moyennes x̄ et ȳ.

x̄ = 1969.0 ȳ = 2.03. (3)
2. Calculer les écarts types σx et σy , la covariance Cov(x, y) et le coefficient de corrélation

r(x, y).
Variance de x
1 ∑ 2
10
V (x) = xi − x̄ = 415 589,
10
i=1
√
et l’écart-type σx = V (x) = 644.66.
Variance de y
1 ∑ 2
10
V (y) = yi − ȳ 2 = 12.12,
10
i=1
√
et l’écart-type σy = V (y) = 3.48.
Covariance Cov(x, y)
1 ∑
10
Cov(x, y) = xi yi − x̄ ȳ = −2229.97. (4)
10
i=1
Coefficient de corrélation r(x, y)
Cov(x, y)
r(x, y) = = −0.9936. (5)
σ x σy
3. Déterminer la droite de régression de y en x et la représenter. Conclure.

La droite de régression s’écrit y = a x + b, avec
a = −0.005365,
b = 12.596
donc :
y = −0.005365 x + 12.595. (6)
4
4. Représentation de la droite de régression
Figure 2 – Droite de regression exprimant la température en fonction de l’altitude
Conclusion : Forte corrélation de pente négative.

5. Quelle est la température prévoyez-vous à 1300 m et à 3000 m ? pour x = 1300, y = 5.62, et
pour x = 3000, y ≃ −3.5.

Corrigé Serie 2 Stat

Transféré par

Droits d'auteur :

Formats disponibles

Corrigé Serie 2 Stat

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Corrigé Serie 2 Stat

Transféré par

Droits d'auteur :

Formats disponibles

Corrigé de la série 2

P (mm) T (Pi − P̄ )2 (Ti − T̄ )2

3- La droite de la régression linéaire entre T et P : la droite de la regression linéaire entre

Nombre de jours (x) 2 4 8 10 24 40 52

1. Calcul des moyennes x̄ et ȳ

Coeﬃcient de corrélation r(x, y)

Détermination de la droite de régression de y en x

3. Représentation de la droite de régression

Figure 1 – Droite de regression exprimant le nombre de stomates en fonction du nombre de jours

1. Calcul des moyennes x̄ et ȳ.

2. Calculer les écarts types σx et σy , la covariance Cov(x, y) et le coeﬃcient de corrélation

Coeﬃcient de corrélation r(x, y)

3. Déterminer la droite de régression de y en x et la représenter. Conclure.

Figure 2 – Droite de regression exprimant la température en fonction de l’altitude

Conclusion : Forte corrélation de pente négative.

Vous aimerez peut-être aussi