QCM : Corrélation et régression linéaire (11 questions)

Question 1

1. Pour représenter les couples de valeurs de deux variables quantitatives dans un nuage de points, où place-t-on leurs valeurs dans le repère cartésien ?

X en abscisse et Y en ordonnée

X et Y toutes deux en abscisse

X et Y toutes deux en ordonnée

Y en abscisse et X en ordonnée

Explication

Un nuage de points représente chaque couple de valeurs avec X en abscisse et Y en ordonnée. Inverser les axes, ou placer les deux variables sur un seul axe, ne respecte pas cette représentation.

Answer

X en abscisse et Y en ordonnée

Question 2

2. Deux nuages de points montrent une relation entre deux variables : dans lequel la relation paraît-elle la plus intense ?

Celui dont les points forment une courbe plutôt qu’une droite

Celui dont les points sont plus dispersés autour d’une droite ou d’une courbe

Celui dont les points sont plus regroupés autour d’une droite ou d’une courbe

Celui qui contient davantage de points, quelle que soit leur dispersion

Explication

La forme et l’intensité s’apprécient notamment selon le regroupement des points autour d’une droite ou d’une courbe et leur dispersion. Une forte dispersion ne traduit pas un regroupement plus marqué, et la forme ou le nombre de points ne suffit pas à lui seul à établir l’intensité.

Answer

Celui dont les points sont plus regroupés autour d’une droite ou d’une courbe

Question 3

3. Pour un échantillon de $n$ couples observés, quelle expression permet d’estimer la covariance empirique de $X$ et $Y$ ?

\frac{1}{n-1}\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})

\frac{1}{n}\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})

\frac{1}{n}\sum_{i=1}^{n}x_i y_i

\frac{1}{n}\sum_{i=1}^{n}[(x_i-\bar{x})+(y_i-\bar{y})]

Explication

La covariance empirique est la moyenne des produits des écarts de chaque valeur à sa moyenne observée. Le produit brut omet le centrage, la somme des écarts omet leur produit, et le diviseur $n-1$ ne correspond pas à la formule donnée.

Answer

$$\frac{1}{n}\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})$$

Question 4

4. Dans une étude, la covariance observée entre deux variables est nulle. Quelle conclusion est justifiée ?

Les variables varient dans le même sens

L’indépendance n’est pas établie par cette seule covariance

Les variables varient en sens inverse

Les variables sont indépendantes d’après cette covariance

Explication

L’indépendance implique une covariance nulle, mais la réciproque n’est pas garantie : une covariance nulle ne suffit donc pas à établir l’indépendance. La variation dans le même sens correspond à une covariance positive, et la variation en sens inverse à une covariance négative.

Answer

L’indépendance n’est pas établie par cette seule covariance

Question 5

5. Que mesure le coefficient de corrélation de Spearman ?

Le degré de liaison linéaire entre les valeurs brutes des deux variables

Le degré de liaison entre les rangs des deux variables quantitatives

La différence entre les moyennes des deux variables quantitatives

La proportion de variabilité de Y expliquée par une régression sur X

Explication

Le coefficient de Spearman est calculé à partir des rangs de X et de Y pour évaluer leur liaison. Contrairement à Pearson, il ne se calcule pas directement sur les valeurs brutes des variables.

Answer

Le degré de liaison entre les rangs des deux variables quantitatives

Question 6

6. Une analyse cherche à mesurer l’intensité de la liaison entre $X$ et $Y$ , sans modéliser la dépendance de $Y$ à partir de $X$ . Quelle méthode correspond à cet objectif ?

L’analyse de régression, qui estime une forme fonctionnelle de la dépendance de

Y

vis-à-vis de

X

Le calcul de la variance expliquée, qui mesure la part de variabilité de

Y

attribuable au modèle

L’estimation de la pente, qui quantifie la variation moyenne de

Y

pour une unité de

X

L’analyse de corrélation, qui mesure la force de la relation entre les deux variables

Explication

La corrélation sert à mesurer la force de la relation entre $X$ et $Y$ , tandis que la régression en décrit la dépendance fonctionnelle. Estimer une pente relève de la régression et ne correspond donc pas à l’objectif de mesurer la force de la liaison sans modélisation.

Answer

L’analyse de corrélation, qui mesure la force de la relation entre les deux variables

Question 7

7. Quel objectif la méthode des moindres carrés poursuit-elle lors de l’estimation d’une droite de régression ?

Maximiser la somme des écarts absolus entre les valeurs observées et les valeurs estimées

Minimiser la somme des carrés des écarts entre les valeurs observées et les valeurs estimées

Maximiser la corrélation entre les valeurs observées et la variable explicative

Minimiser la somme des carrés des écarts entre les valeurs observées et leur moyenne

Explication

La méthode choisit les paramètres de la droite afin de réduire au minimum la somme des carrés des résidus, c’est-à-dire des écarts entre valeurs observées et estimées. Minimiser les écarts à la moyenne correspond à une autre quantité et ne définit pas le critère d’ajustement de la droite.

Answer

Minimiser la somme des carrés des écarts entre les valeurs observées et les valeurs estimées

Question 8

8. Dans une régression linéaire, en quoi la pente et l’intercept diffèrent-ils par leur interprétation ?

La pente mesure la dispersion des résidus, tandis que l’intercept indique la force de la relation entre X et Y.

La pente donne la valeur moyenne observée de X, tandis que l’intercept donne la valeur moyenne observée de Y.

La pente estime la variation moyenne de Y pour une unité de plus de X, tandis que l’intercept estime Y lorsque X vaut zéro.

La pente estime Y lorsque X vaut zéro, tandis que l’intercept mesure la variation moyenne de Y pour une unité de plus de X.

Explication

La pente décrit la variation moyenne estimée de Y associée à une augmentation d’une unité de X, alors que l’intercept correspond à la valeur estimée de Y pour X égal à zéro. La confusion plausible consiste à inverser ces deux interprétations.

Answer

La pente estime la variation moyenne de Y pour une unité de plus de X, tandis que l’intercept estime Y lorsque X vaut zéro.

Question 9

9. Dans une régression linéaire simple, que permet de quantifier $R^2$ au sujet de la variabilité observée de $Y$ ?

La part de la variabilité totale de

Y

expliquée par le modèle

La variation moyenne de

Y

associée à une unité supplémentaire de

X

La part de la variabilité de

X

attribuable aux résidus du modèle

La probabilité que la pente estimée soit différente de zéro

Explication

$R^2$ rapporte la variabilité expliquée par la régression à la variabilité totale de $Y$ ; il indique donc quelle fraction de cette variabilité est expliquée par le modèle. La variation moyenne de $Y$ pour une unité de $X$ correspond plutôt à l’interprétation de la pente.

Answer

La part de la variabilité totale de $$Y$$ expliquée par le modèle

Question 10

10. Lorsqu’on veut vérifier si une régression linéaire convient à des données, quel graphique permet notamment d’évaluer la constance de la variance des résidus ?

Un graphique de Y en fonction de X, où les valeurs devraient suivre une courbe en U

Un nuage de points de X et Y, où les points devraient former un cercle autour de leur centre

Un histogramme de X, où les valeurs devraient être réparties de manière uniforme

Un graphique des résidus en fonction des valeurs ajustées, où leur dispersion devrait rester comparable

Explication

La variance constante des résidus, ou homoscédasticité, fait partie des conditions de la régression linéaire et s’évalue en examinant la dispersion des résidus selon les valeurs ajustées. Un histogramme de X décrit la distribution de la variable explicative, mais ne vérifie pas cette condition sur les résidus.

Answer

Un graphique des résidus en fonction des valeurs ajustées, où leur dispersion devrait rester comparable

Question 11

11. Quelles caractéristiques d’un nuage de points permettent d’apprécier la forme et l’intensité de la relation entre deux variables quantitatives ?

La présence de valeurs extrêmes et la différence entre les étendues des axes

Le regroupement des points autour d’une droite ou d’une courbe et leur dispersion

La position des axes et l’ordre dans lequel les variables sont mesurées

La moyenne de chaque variable et le nombre de valeurs manquantes

Explication

La forme de la relation s’apprécie notamment par le tracé autour d’une droite ou d’une courbe, et son intensité par le regroupement ou la dispersion des points. La présence de valeurs extrêmes peut attirer l’attention, mais elle ne résume pas à elle seule ces deux caractéristiques.

Answer

Le regroupement des points autour d’une droite ou d’une courbe et leur dispersion

QCM : Corrélation et régression linéaire (11 questions)

Questions et réponses du QCM

1. Pour représenter les couples de valeurs de deux variables quantitatives dans un nuage de points, où place-t-on leurs valeurs dans le repère cartésien ?

2. Deux nuages de points montrent une relation entre deux variables : dans lequel la relation paraît-elle la plus intense ?

3. Pour un échantillon de $n$ couples observés, quelle expression permet d’estimer la covariance empirique de $X$ et $Y$ ?

4. Dans une étude, la covariance observée entre deux variables est nulle. Quelle conclusion est justifiée ?

5. Que mesure le coefficient de corrélation de Spearman ?

6. Une analyse cherche à mesurer l’intensité de la liaison entre $X$ et $Y$ , sans modéliser la dépendance de $Y$ à partir de $X$ . Quelle méthode correspond à cet objectif ?

7. Quel objectif la méthode des moindres carrés poursuit-elle lors de l’estimation d’une droite de régression ?

8. Dans une régression linéaire, en quoi la pente et l’intercept diffèrent-ils par leur interprétation ?

9. Dans une régression linéaire simple, que permet de quantifier $R^2$ au sujet de la variabilité observée de $Y$ ?

10. Lorsqu’on veut vérifier si une régression linéaire convient à des données, quel graphique permet notamment d’évaluer la constance de la variance des résidus ?

11. Quelles caractéristiques d’un nuage de points permettent d’apprécier la forme et l’intensité de la relation entre deux variables quantitatives ?

Révisez avec les flashcards

Approfondir avec la fiche

Cours similaires

Infectiologie et prévention

Tissus conjonctifs et cellules

Le plasmalemme et ses constituants

Physiologie du muscle squelettique

Le tissu sanguin

Maladies cutanées du chien

Crée tes propres QCM

QCM : Corrélation et régression linéaire (11 questions)

Questions et réponses du QCM

1. Pour représenter les couples de valeurs de deux variables quantitatives dans un nuage de points, où place-t-on leurs valeurs dans le repère cartésien ?

2. Deux nuages de points montrent une relation entre deux variables : dans lequel la relation paraît-elle la plus intense ?

3. Pour un échantillon de nnn couples observés, quelle expression permet d’estimer la covariance empirique de XXX et YYY ?

4. Dans une étude, la covariance observée entre deux variables est nulle. Quelle conclusion est justifiée ?

5. Que mesure le coefficient de corrélation de Spearman ?

6. Une analyse cherche à mesurer l’intensité de la liaison entre XXX et YYY, sans modéliser la dépendance de YYY à partir de XXX. Quelle méthode correspond à cet objectif ?

7. Quel objectif la méthode des moindres carrés poursuit-elle lors de l’estimation d’une droite de régression ?

8. Dans une régression linéaire, en quoi la pente et l’intercept diffèrent-ils par leur interprétation ?

9. Dans une régression linéaire simple, que permet de quantifier R2R^2R2 au sujet de la variabilité observée de YYY ?

10. Lorsqu’on veut vérifier si une régression linéaire convient à des données, quel graphique permet notamment d’évaluer la constance de la variance des résidus ?

11. Quelles caractéristiques d’un nuage de points permettent d’apprécier la forme et l’intensité de la relation entre deux variables quantitatives ?

Révisez avec les flashcards

Approfondir avec la fiche

Cours similaires

Infectiologie et prévention

Tissus conjonctifs et cellules

Le plasmalemme et ses constituants

Physiologie du muscle squelettique

Le tissu sanguin

Maladies cutanées du chien

Crée tes propres QCM

3. Pour un échantillon de $n$ couples observés, quelle expression permet d’estimer la covariance empirique de $X$ et $Y$ ?

6. Une analyse cherche à mesurer l’intensité de la liaison entre $X$ et $Y$ , sans modéliser la dépendance de $Y$ à partir de $X$ . Quelle méthode correspond à cet objectif ?

9. Dans une régression linéaire simple, que permet de quantifier $R^2$ au sujet de la variabilité observée de $Y$ ?