Académique Documents
Professionnel Documents
Culture Documents
Bien sûr, une telle perfection est très rare dans la vie
réelle. La plupart du temps, lorsqu’on recueille des
données dans le monde et qu’on les représente dans un
plan cartésien, on remarque un nuage de points plus ou
moins éparpillés. Exemple 1: Chaque point dans ce plan cartésien représente une
personne à qui on a demandé l'âge et dont on a mesuré la
tension artérielle. Remarque qu’il arrive que des personnes qui
ont le même âge n'aient pas la même tension.
On nomme erreur de prédiction la différence entre un modèle mathématique et la réalité. Tous les
modèles font des erreurs ! Mais un bon modèle fait des erreurs moins importantes.
Étape 3: Comme le modèle choisi est une fonction affine, on peut déterminer la règle à l’aide de deux points de la
droite.
La graduation des axes doit être faite de manière à ce que le graphique occupe plus de 50 % de
la page. Il faut donc s'assurer que les axes permettent de représenter toutes les données
expérimentales, et que ces données sont réparties dans la plus grande partie de la page.
Au besoin, il peut être important d'utiliser une coupure d'axe pour avoir une meilleure
représentation des données. Il faut cependant faire preuve de vigilance lorsqu’on utilise des
coupures d’axes.
Utilisation critique d’un modèle
Même en présence d’un modèle qui est bien ajusté à nos données, cela ne veut pas dire qu’on peut
faire n’importe quelle prédiction : certaines prédictions sont plus « dangereuses » que d’autres. En
général, plus le point qu’on prédit est loin de notre nuage de points, plus on risque de faire une erreur
importante.
On fait une interpolation lorsqu’on prédit une donnée qui serait à l’intérieur de notre nuage de points.
On fait une extrapolation lorsqu’on prédit une donnée qui serait à l’extérieur de notre nuage de points.
Modèle choisi :
𝑥 : temps (minutes après 9:02)
𝑓(𝑥) : charge (%)
𝑓(𝑥) = 1,2𝑥 + 5
Dans cet exemple, on remarque que les points suivent de très près une fonction affine. Je peux donc
utiliser cette fonction pour faire des prédictions ou trouver des valeurs non mesurées.
Cela ne signifie pas qu’on ne doit jamais faire d’extrapolation. Il faut seulement savoir qu’on a plus de
chance de se tromper.