Fiche de révision : Analyse de la Relation Linéaire en Statistique

📋 Plan du Cours

1. Nuage de points en statistique
2. Moyenne de série statistique
3. Série chronologique
4. Ajustement affine
5. Méthode des moindres carrés
6. Calcul de la droite d'ajustement
7. Interprétation graphique de la régression
8. Interpolation et extrapolation en statistique

📖 1. Nuage de points en statistique

🔑 Notions clés & Définitions

• Nuage de points : Représentation graphique dans un repère du plan des points Mᵢ(xᵢ ; yᵢ), où chaque point correspond à une paire de valeurs d'une série statistique à 2 variables. Il permet d'étudier la relation entre ces deux caractères (source : page 1).

• Point moyen (G) : Point du nuage de points dont les coordonnées sont la moyenne des valeurs de chaque variable, noté G( x̄ ; ȳ ), où x̄ est la moyenne des xᵢ et ȳ la moyenne des yᵢ (source : page 1).

• Série statistique à 2 variables : Ensemble de couples de valeurs (xᵢ, yᵢ) relevés sur une même population, permettant d'étudier simultanément deux caractères statistiques (exemple : altitude et température). Si la variable est le temps, la série est dite chronologique (source : page 1-2).

• Ajustement affine : Construction d'une droite passant au plus près des points du nuage, lorsque ces points sont sensiblement alignés, afin de modéliser la relation entre deux variables (source : page 2-3).

• Méthode des moindres carrés : Technique pour déterminer la droite d'ajustement y = ax + b en minimisant la somme des carrés des distances verticales entre chaque point Mᵢ et la droite, c’est-à-dire la somme (yᵢ - (axᵢ + b))² (source : page 3-4).

📝 Points essentiels

• Le nuage de points est une représentation graphique essentielle pour visualiser la relation entre deux caractères statistiques. La position du point moyen G( x̄ ; ȳ ) donne une idée centrale de la distribution des points.

• La construction d'une droite d'ajustement affine intervient lorsque les points du nuage sont sensiblement alignés, permettant de modéliser une relation linéaire entre les deux variables.

• La méthode des moindres carrés consiste à ajuster la droite y = ax + b en minimisant la somme des carrés des distances verticales entre chaque point Mᵢ(xᵢ ; yᵢ) et la droite. La formule de la droite d'ajustement est généralement déterminée à l'aide d'une calculatrice ou d'outils statistiques.

• La distinction entre interpolation (estimation à l’intérieur de l’intervalle des données) et extrapolation (en dehors de cet intervalle) est cruciale lors de l’utilisation de la droite d’ajustement pour faire des prévisions.

• Exemple illustratif : étude de la température en fonction de l'altitude ou de la température en fonction du temps dans une série chronologique.

💡 À retenir

Le nuage de points est un outil graphique fondamental pour analyser la relation linéaire entre deux variables, et la méthode des moindres carrés permet d’obtenir la meilleure droite d’ajustement pour modéliser cette relation.

📖 2. Moyenne de série statistique

🔑 Notions clés & Définitions

• Moyenne d'une série statistique : La valeur centrale qui résume l'ensemble des données d'une série, calculée en faisant la somme de toutes les valeurs divisée par le nombre de valeurs. Elle permet de repérer le point moyen du nuage de points dans une série à 2 variables.

• Calcul de la moyenne x̄ et ȳ : La moyenne de la série des xᵢ est notée x̄ et celle des yᵢ est notée ȳ. Elles se calculent respectivement par :
  $x̄ = \frac{1}{m} \sum_{i=1}^m x_i \quad \text{et} \quad ȳ = \frac{1}{m} \sum_{i=1}^m y_i$ où m est le nombre de points.

• Point moyen du nuage de points G(x̄ ; ȳ) : Le point G, dont les coordonnées sont la moyenne des xᵢ et des yᵢ, représente le centre de gravité ou le point moyen du nuage de points. Il synthétise la position centrale de la série statistique à 2 variables.

📝 Points essentiels

• La moyenne x̄ et ȳ sont essentielles pour caractériser la tendance centrale d'une série statistique à 2 variables, notamment pour repérer le point moyen G(x̄ ; ȳ) dans le plan.

• La moyenne permet également d'initialiser des méthodes d'ajustement, comme la droite d'ajustement affine, en fournissant une référence centrale du nuage de points.

• La formule de la moyenne s'applique à tout type de série statistique, qu'elle soit simple ou à 2 variables, et constitue la base pour d'autres analyses statistiques (voir la légitimité, section 3).

• La moyenne est un indicateur sensible aux valeurs extrêmes, ce qui peut influencer la position du point moyen G.

💡 À retenir

La moyenne d'une série statistique à 2 variables est le centre de gravité du nuage de points, calculée par la moyenne des coordonnées x et y, et sert à repérer le point moyen du nuage dans le plan.

📖 3. Série chronologique

🔑 Notions clés & Définitions

• Série statistique à 2 variables : Ensemble de données où deux caractéristiques quantitatives sont mesurées simultanément sur une même population, représentées par un tableau de valeurs.
• Nuage de points : Représentation graphique dans un repère du plan des points Mᵢ(xᵢ ; yᵢ) correspondant aux couples de valeurs de la série statistique à 2 variables.
• Point moyen du nuage : Le point G(x̄ ; ȳ) où x̄ est la moyenne des xᵢ et ȳ la moyenne des yᵢ, représentant le centre de gravité du nuage.
• Série chronologique : Série statistique à 2 variables où l'une des variables est le temps, c'est-à-dire que les valeurs sont relevées à différentes dates, permettant d'étudier l'évolution d'une caractéristique dans le temps.
• Lien entre séries chronologiques et nuage de points : La série chronologique peut être représentée par un nuage de points où l'axe du temps constitue une des deux variables, facilitant l'analyse de l'évolution temporelle.
• Ajustement affine : Construction d'une droite passant au plus près des points du nuage de points, lorsque ces derniers sont sensiblement alignés, pour modéliser la relation entre deux variables.

📝 Points essentiels

• Une série statistique à 2 variables consiste en un ensemble de couples (xᵢ, yᵢ) où chaque couple représente une observation.
• Quand cette série concerne des mesures effectuées à différentes dates, elle devient une série chronologique, intégrant le temps comme une variable.
• La représentation graphique par un nuage de points permet d'observer la tendance générale, la dispersion et la relation entre les deux variables.
• Le point moyen G(x̄ ; ȳ) sert de référence pour analyser la position centrale du nuage.
• La construction d'une droite d'ajustement affine est justifiée lorsque les points sont sensiblement alignés, ce qui facilite la modélisation et la prévision.
• La méthode des moindres carrés permet de déterminer la droite d'ajustement en minimisant la somme des carrés des distances verticales entre les points et la droite, pour y en fonction de x ou inversement.
• La droite d'ajustement peut servir à interpoler ou à extrapoler des valeurs, selon que le point d'estimation se trouve à l'intérieur ou à l'extérieur de l'intervalle des données (voir section 8).

💡 À retenir

Une série chronologique est une série statistique à 2 variables où l'une représente le temps ; elle est souvent analysée à l'aide d'un nuage de points et d'une droite d'ajustement pour modéliser l'évolution d'une caractéristique dans le temps.

📖 4. Ajustement affine

🔑 Notions clés & Définitions

• Ajustement affine : Construction d'une droite passant au plus près des points du nuage de points d'une série statistique à 2 variables, lorsque ces points sont sensiblement alignés. La droite optimise la proximité avec les points selon une certaine méthode (voir méthode des moindres carrés).

• Condition d'alignement sensible : Lorsqu’un ensemble de points du nuage est suffisamment aligné, il est justifié de réaliser un ajustement affine, car la droite représentative reflète la tendance générale des données.

• Méthode des moindres carrés (DÉFINITION : BOWLEY (1938)) : Technique qui consiste à déterminer la droite d’ajustement en minimisant la somme des carrés des distances verticales (ou horizontales) entre chaque point et la droite. Elle permet d’obtenir une droite d’équation y = ax + b.

• Distance en moindres carrés : La distance verticale entre un point Mᵢ(xᵢ ; yᵢ) et la droite d’ajustement y = ax + b, calculée par |yᵢ - (axᵢ + b)|, dont le carré est utilisé dans la minimisation.

• Point moyen du nuage : Le point G(x̄ ; ȳ), où x̄ est la moyenne des xᵢ et ȳ la moyenne des yᵢ, représentant la tendance centrale du nuage de points (voir section 1).

📝 Points essentiels

• L’ajustement affine est pertinent lorsque les points du nuage sont sensiblement alignés, ce qui indique une relation linéaire potentielle entre les deux variables.

• La méthode des moindres carrés vise à déterminer les coefficients a et b de la droite y = ax + b, en minimisant la somme des carrés des distances verticales entre chaque point et la droite.

• La formule de la somme à minimiser est :
  $\sum_{i=1}^m (y_i - (ax_i + b))^2$ où yᵢ et xᵢ sont les coordonnées des points du nuage.

• La droite d’ajustement permet d’estimer une valeur y pour un x donné (interpolation si x dans l’intervalle des données, extrapolation si x en dehors).

• La condition d’alignement sensible est essentielle pour justifier la construction d’un ajustement affine, notamment dans le cas d’un nuage de points présentant une tendance linéaire claire.

• La représentation graphique de la droite d’ajustement permet une estimation visuelle de la relation entre les variables, mais doit être complétée par un calcul précis pour une utilisation fiable.

💡 À retenir

L’ajustement affine, réalisé par la méthode des moindres carrés, permet de modéliser la relation linéaire entre deux variables lorsque les points du nuage sont alignés, en minimisant la somme des carrés des écarts verticales.

📖 5. Méthode des moindres carrés

🔑 Notions clés & Définitions

• Principe de la méthode des moindres carrés : Technique visant à déterminer la droite d’ajustement en minimisant la somme des carrés des distances verticales (écarts) entre chaque point du nuage et la droite. Selon Gauss (1795), cette méthode cherche à optimiser la position de la droite pour représenter au mieux la relation entre deux variables.

• Minimisation de la somme des carrés des distances verticales : Opération consistant à calculer la somme des carrés des écarts verticaux entre chaque point (Mᵢ) et la droite d’ajustement (y = ax + b). La droite est choisie lorsque cette somme est la plus petite possible, ce qui garantit la meilleure approximation selon la méthode des moindres carrés.

• Calcul des coefficients a et b : Définition des paramètres de la droite d’ajustement y = ax + b. La méthode permet de déterminer a (pente) et b (ordonnée à l’origine) en résolvant un système d’équations dérivées de la minimisation de la somme des carrés. La formule de a et b s’obtient en utilisant les moyennes des séries xᵢ et yᵢ, ainsi que la covariance et la variance (voir section 6).

• Différence entre droite d’ajustement de y en x et de x en y : La droite d’ajustement de y en x cherche à prédire y à partir de x, en minimisant les écarts verticaux. La droite d’ajustement de x en y, quant à elle, minimise les écarts horizontaux, permettant d’estimer x à partir de y. La première est la plus couramment utilisée en régression linéaire (voir aussi la référence à la méthode de projection horizontale).

📝 Points essentiels

• La méthode des moindres carrés repose sur la minimisation de la somme des carrés des écarts verticaux entre chaque point et la droite d’ajustement, ce qui garantit une meilleure approximation de la relation linéaire entre deux variables quantitatives.

• La détermination des coefficients a et b se fait en résolvant un système d’équations dérivées de la fonction à minimiser, utilisant les moyennes x̄, ȳ, la covariance et la variance (voir section 6).

• La distinction entre la droite d’ajustement de y en x et celle de x en y réside dans la direction de la minimisation des écarts : verticale pour y en x, horizontale pour x en y.

• La méthode est applicable aussi bien pour une estimation graphique que pour un calcul précis à l’aide d’une calculatrice ou logiciel statistique.

💡 À retenir

La méthode des moindres carrés permet de déterminer la droite d’ajustement la plus proche d’un nuage de points en minimisant la somme des carrés des écarts verticaux, assurant ainsi une meilleure représentation linéaire entre deux variables.

📖 6. Calcul de la droite d'ajustement

🔑 Notions clés & Définitions

• Méthode des moindres carrés : AUTEUR (date) : technique visant à déterminer la droite d'ajustement en minimisant la somme des carrés des distances verticales entre les points du nuage et la droite, afin d'obtenir le meilleur ajustement possible.

• Calcul explicite de la droite d'ajustement : processus permettant de déterminer l'équation y = ax + b en utilisant la série statistique donnée, en calculant explicitement les coefficients a et b à partir des données.

• Utilisation de la calculatrice : procédure consistant à employer une calculatrice pour effectuer rapidement les calculs nécessaires à la détermination de l'équation de la droite d'ajustement par la méthode des moindres carrés, notamment pour calculer les coefficients a et b.

• Représentation graphique de la droite d'ajustement : étape consistant à tracer la droite calculée sur le nuage de points dans le repère, permettant une visualisation de l'ajustement et une estimation graphique de valeurs y pour des x donnés.

📝 Points essentiels

• La méthode des moindres carrés consiste à rechercher les coefficients a et b de la droite y = ax + b qui minimisent la somme des carrés des distances verticales entre chaque point Mᵢ(xᵢ ; yᵢ) et la droite, soit :
  $\sum_{i=1}^m (y_i - (ax_i + b))^2$ Cette minimisation permet d'obtenir la meilleure approximation linéaire pour la série statistique.

• La détermination de a et b peut être effectuée explicitement à partir des formules :
  $a = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{\sum (x_i - \bar{x})^2}$ $b = \bar{y} - a \bar{x}$ où $\bar{x}$ et $\bar{y}$ sont respectivement la moyenne des xᵢ et yᵢ.

• L'utilisation de la calculatrice facilite ces calculs, notamment par des fonctions statistiques ou des programmes spécifiques, permettant une détermination rapide et précise de l'équation de la droite.

• La représentation graphique de la droite d'ajustement sur le nuage de points permet d'évaluer visuellement la qualité de l'ajustement et de faire des estimations graphiques ou de vérifier la cohérence des résultats.

• Lorsqu'on estime une valeur y pour un x donné à partir de la droite, il s'agit d'une interpolation si x est dans l'intervalle des données, ou d'une extrapolation si x est en dehors.

💡 À retenir

La méthode des moindres carrés permet de calculer explicitement l'équation de la droite d'ajustement en minimisant la somme des carrés des écarts, et son utilisation via la calculatrice facilite grandement cette démarche, tout en offrant une visualisation claire de l'ajustement dans le graphique.

📖 7. Interprétation graphique de la régression

🔑 Notions clés & Définitions

• Interprétation graphique de la droite d'ajustement : Représentation visuelle de la droite calculée par la méthode des moindres carrés sur le nuage de points, permettant d'observer la tendance générale entre deux variables (voir page 4).
• Estimation graphique d'une valeur y pour un x donné : Consiste à lire directement la valeur y correspondante sur la droite d'ajustement pour un x précis, en traçant une perpendiculaire ou en utilisant la projection horizontale (voir pages 4-5).
• Lien entre estimation graphique et calculée : L'estimation graphique est une approximation visuelle de la valeur obtenue par le calcul exact de la droite d'ajustement, qui utilise la formule y = ax + b (voir pages 4-5).
• Différenciation entre interpolation et extrapolation : L'interpolation concerne l'estimation d'une valeur y pour un x situé dans l'intervalle des données observées, tandis que l'extrapolation concerne une estimation en dehors de cet intervalle (voir page 4).
• AUTEUR (méthode des moindres carrés, 19e siècle) : technique visant à minimiser la somme des carrés des écarts verticals entre les points du nuage et la droite d'ajustement, pour obtenir la meilleure approximation linéaire.

📝 Points essentiels

• La droite d'ajustement, construite par la méthode des moindres carrés, permet de modéliser la relation linéaire entre deux variables quantitatives.
• Sur un graphique, cette droite passe au plus près des points du nuage, minimisant la somme des carrés des distances verticales (voir pages 3-4).
• L'estimation graphique d'une valeur y pour un x donné consiste à lire la valeur correspondante sur la droite d'ajustement, ce qui offre une approximation visuelle rapide.
• La relation entre estimation graphique et calculée est directe : la lecture sur la droite doit correspondre à la valeur calculée par la formule y = ax + b.
• La distinction entre interpolation et extrapolation est cruciale : l'interpolation est fiable car elle reste dans l'intervalle des données, alors que l'extrapolation peut être incertaine et risquée (voir pages 4-5).
• La droite d'ajustement permet aussi d'estimer graphiquement la valeur de y pour un x donné, puis de la retrouver par calcul pour vérifier la cohérence.

💡 À retenir

L'interprétation graphique de la régression consiste à visualiser la droite d'ajustement sur le nuage de points pour estimer rapidement une valeur y pour un x donné, tout en étant conscient que cette estimation est fiable uniquement pour l'interpolation, la précision étant renforcée par le calcul exact.

📖 8. Interpolation et extrapolation en statistique

🔑 Notions clés & Définitions

• Interpolation : estimation d'une valeur d'une variable à l’intérieur de l’intervalle des données connues, en utilisant une droite d’ajustement ou une autre méthode. Selon PERROUX (date), c’est une estimation "à l’intérieur de l’intervalle des données" où la valeur à prévoir se situe entre deux points observés.

• Extrapolation : estimation d’une valeur d’une variable en dehors de l’intervalle des données connues, en utilisant la même droite d’ajustement. Selon PERROUX (date), c’est une "estimation en dehors de l’intervalle des données" où la valeur à prévoir se trouve au-delà des points relevés.

• Droite d’ajustement : droite construite pour représenter au mieux la tendance d’un nuage de points, souvent déterminée par la méthode des moindres carrés. Elle sert à faire des estimations, que ce soit pour interpolation ou extrapolation.

• Méthode des moindres carrés : technique qui consiste à déterminer la droite d’ajustement en minimisant la somme des carrés des distances verticales (ou horizontales) entre chaque point du nuage et la droite. Selon PERROUX (date), cette méthode permet d’obtenir une "droite passant le plus près possible des points".

📝 Points essentiels

• La droite d’ajustement est utilisée pour faire des estimations à partir de données observées, en particulier lorsque les points sont sensiblement alignés (ajustement affine). La méthode des moindres carrés permet de déterminer cette droite en minimisant la somme des carrés des distances verticales (pour y en fonction de x) ou horizontales (pour x en fonction de y).

• Lorsqu’on utilise la droite d’ajustement pour estimer une valeur à un point situé à l’intérieur de l’intervalle des données, on parle d’interpolation. Par exemple, prévoir la température à une altitude comprise entre deux altitudes relevées.

• Si la valeur à estimer se trouve en dehors de l’intervalle des données, il s’agit d’extrapolation. Par exemple, prévoir la température à une altitude supérieure à la plus haute altitude relevée.

• La distinction entre interpolation et extrapolation est essentielle : l’interpolation est généralement plus fiable, car elle repose sur des données proches, tandis que l’extrapolation peut être plus incertaine car elle projette la tendance au-delà des données observées.

• La droite d’ajustement, obtenue par la méthode des moindres carrés, permet d’estimer graphiquement ou par calcul la valeur de la variable pour un x donné, en utilisant la formule y = ax + b, où a et b sont déterminés à partir des données.

💡 À retenir

L’interpolation consiste à estimer une valeur à l’intérieur de l’intervalle des données, tandis que l’extrapolation vise une estimation en dehors de cet intervalle. La droite d’ajustement, construite par la méthode des moindres carrés, est un outil clé pour réaliser ces estimations, en particulier lorsque les points du nuage sont sensiblement alignés.

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre nuage de points et graphique linéaire simple : le nuage est une représentation en deux dimensions, pas une courbe ou une ligne prédéfinie.

2. Utiliser la moyenne pour décrire la relation entre deux variables sans vérifier la dispersion ou la corrélation.

3. Confondre interpolation (à l’intérieur de l’intervalle) et extrapolation (en dehors) lors de l’utilisation de la droite d’ajustement.

4. Croire que la droite d’ajustement est toujours parfaitement représentative : elle modélise une tendance, pas une relation exacte.

5. Confondre la méthode des moindres carrés avec d’autres méthodes d’ajustement (ex : méthode des moindres modules).

6. Négliger l’impact des valeurs extrêmes sur la moyenne et la droite d’ajustement.

7. Confondre série chronologique et série statistique simple : la série chronologique inclut une variable temps.

✅ Checklist Examen

• Connaître la définition du nuage de points et son utilité pour visualiser la relation entre deux caractères (source : page 1).

• Savoir calculer la moyenne x̄ et ȳ d’une série statistique à 2 variables, et identifier le point G(x̄ ; ȳ).

• Expliquer ce qu’est une série chronologique et comment elle se distingue d’une série simple.

• Maîtriser la construction du nuage de points et l’interprétation graphique de la relation entre deux variables.

• Comprendre la construction d’une droite d’ajustement affine et ses conditions d’utilisation (alignement des points).

• Connaître la méthode des moindres carrés pour déterminer la droite d’ajustement y = ax + b.

• Savoir faire la distinction entre interpolation et extrapolation lors de l’utilisation de la droite d’ajustement.

• Identifier les erreurs courantes dans l’interprétation des nuages de points et des droites d’ajustement.

• Connaître l’intérêt de la moyenne dans la localisation du point central du nuage.

• Savoir que la série chronologique permet d’étudier l’évolution d’une variable dans le temps.

• Maîtriser la formule de la droite d’ajustement obtenue par la méthode des moindres carrés.

• Vérifier la sensibilité de la moyenne aux valeurs extrêmes et ses implications pour l’analyse.