Nuage de points et modélisation

Lorsqu’on étudie des fonctions dans un cours de

mathématiques, les exemples utilisés présentent
habituellement des tendances parfaites : les points
tombent parfaitement sur la courbe, la règle permet de
calculer parfaitement tous les points de la table de
valeurs, et donc, on est en mesure de faire des
prédictions parfaites. Wow.

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.

Néanmoins, il arrive que ces nuages montrent une

certaine tendance qui ressemble à une fonction
connue. Dans ce cas, on déterminera la fonction
« parfaite » qui s’approche le plus de nos données et on
utilisera celle-ci pour faire des prédictions ou estimer les
valeurs de données encore inconnues. Ce processus
s’appelle la modélisation et on dira que la fonction
« parfaite » qu’on a choisie est notre modèle
mathématique de la situation.

Exemple 2 On remarque que même si les points sont éparpillés,

ils ont l'air de s'organiser autour d'une droite imaginaire. On
peut donc modéliser cette situation par une fonction affine.

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.

Exemple 3 On montre ici deux modèles.

Les lignes verticales rouges représentent
les erreurs de prédiction associées à
chacune des données. On remarque que
ces erreurs sont moins importantes avec
le modèle de gauche; il s’agit donc d’un
modèle plus fiable.
Quelques exemples du processus de modélisation
En général, la procédure de modélisation est la suivante :
1. Construire le nuage de points en représentant les couples de la table de valeurs par des points dans le plan cartésien.
2. Identifier une tendance générale des données et tracer la courbe d’une fonction qui représente le mieux les points
du nuage.
3. Si le tracé correspond à une fonction connue (affine ou variation inverse), calculer l’équation algébrique (règle) de
la fonction.

Exemple 1 : modéliser par une fonction affine

Étape 1: À l'aide des couples de la table de valeurs, Étape 2: On trace une droite qui passe aussi près que
on a produit un nuage de points On remarque que possible de la plupart des points.
𝑥 𝑦
les points sont relativement bien alignés.
2 45
4 42,5
6 27,5
8 17,5
10 16
13 10

Étape 3: Comme le modèle choisi est une fonction affine, on peut déterminer la règle à l’aide de deux points de la
droite.

Exemple 2 : modéliser par une fonction de variation inverse

Étapes 4&2: Ici on remarque les points suivent une Étape 3: En analysant la table de valeurs, on remarque que
courbe semblable à une fonction variation inverse. le produit 𝑥𝑦 oscille autour d’une valeur fixe.
𝑥 𝑦
5 242 5 × 242 = 1210 20 × 70 = 1400
10 136 10 × 136 = 1360
15 × 80 = 1200
25 × 46 = 1150
35 × 32 = 1120
15 80
20 70 On peut utiliser la moyenne de ces produits pour
25 46 déterminer le k de la fonction.
35 32 1210 + 1360 + 1200 + 1400 + 1150 + 1120
𝑘= = 1240
6
1240
La règle du modèle mathématique est donc 𝑦 ≈
𝑥
 Autres exemples : autre fonction ou modélisation impossible
Exemple 1 : Parfois, une tendance peut être présente, mais on n'a Exemple 2 : Parfois, les points ne suivent aucune tendance apparente.
pas les outils pour trouver la règle. La courbe tracée peut néanmoins Cela signifie qu'il n'y a aucun lien de dépendance entre les variables et
être utilisée pour faire des prédictions. donc qu'une prédiction fiable n'est possible.

Notes : Graduations et coupures d’axes


 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.

Deux mots de vocabulaire

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.

En résumé, il faut faire preuve de vigilance lorsqu’on fait des extrapolations !

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.

Interpolation : Si je détermine la charge à n’importe quel

moment entre 0 et 75 min, ma prédiction tombera à l’intérieur
de mes points.

Ex.: À 41 min, la charge était d’environ 𝑓(41) = 54,2%

Extrapolation : Si je détermine la charge à n’importe quel

moment au-delà de 75 min, ma prédiction tombera à
l’extérieur de mes points.

Ex.: À 85 min, la charge sera d’environ 𝑓(85) = 107%

Clairement, il y a quelque chose qui cloche !

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.