QCM : Analyse des relations linéaires et non linéaires en statistique — 10 questions

Explication

Le nuage de points est une représentation graphique dans un repère orthogonal de l'ensemble des points (xᵢ ; yᵢ), correspondant à une série statistique à deux variables, permettant d'analyser leur relation, leur dispersion et leur tendance.

Explication

La formule du point moyen du nuage de points est donnée par la moyenne arithmétique des valeurs xᵢ et yᵢ, soit x̄ = (∑xᵢ)/n et ȳ = (∑yᵢ)/n. La réponse correcte est donc celle qui correspond à cette formule. Les autres options proposent des formules incorrectes ou des variantes qui ne correspondent pas à la définition du point moyen.

Explication

L'ajustement affine a pour objectif principal de représenter une relation linéaire entre deux variables, en traçant une droite qui minimise la somme des carrés des écarts verticaux. Cela permet de modéliser cette relation pour faire des prédictions ou des analyses.

Explication

La méthode de Mayer est une technique historique ou préliminaire d'ajustement qui a été principalement utilisée avant la formalisation et la popularisation de la méthode des moindres carrés, qui est une approche plus moderne et précise. Elle est généralement considérée comme une étape plus ancienne dans l'évolution des méthodes d'ajustement linéaire.

Explication

La droite des moindres carrés minimise la somme des carrés des écarts verticaux et passe par le point moyen, tandis que la méthode de Mayer trace une droite passant par deux points moyens sans minimiser d'écarts. La principale différence est dans la procédure de détermination de la droite.

Explication

Francis Galton est crédité pour avoir introduit et formulé les concepts fondamentaux de variance et covariance dans le contexte de l'étude de la corrélation et de la dispersion, notamment dans ses travaux sur la statistique et la biologie. Karl Pearson a développé la corrélation et la covariance, mais c'est Galton qui a posé les bases initiales. Ronald Fisher a approfondi la statistique, mais après Galton et Pearson. André-Marie Ampère est connu pour ses travaux en électromagnétisme, sans lien avec ces concepts statistiques.

Explication

Une valeur proche de 1 ou -1 indique une forte relation linéaire entre les variables, ce qui augmente la fiabilité de l'ajustement linéaire pour faire des prédictions ou des interpolations. Une valeur proche de 0 indique une absence de relation linéaire, ce qui diminue la confiance dans l'utilisation de la droite d'ajustement.

Explication

La transformation consiste à remplacer x par u = x² dans le cas d'une relation quadratique ou par u = eˣ dans le cas d'une relation exponentielle, ce qui permet de linéariser la relation et d'appliquer la méthode des moindres carrés pour ajuster une droite entre y et u.

Explication

L'interpolation consiste à estimer une valeur à l'intérieur du domaine des données, où le modèle est considéré comme fiable, tandis que l'extrapolation vise une estimation en dehors de ce domaine, ce qui comporte plus d'incertitudes. La propriété que la droite d'ajustement passe par le point moyen du nuage est valable dans les deux cas, mais la confiance dans la valeur estimée est généralement plus grande pour l'interpolation.

Explication

Les relations exponentielles et quadratiques sont initialement non linéaires, mais peuvent être transformées par des changements de variable (ex. u = eˣ ou u = x²) pour devenir linéaires, facilitant ainsi leur ajustement par des méthodes linéaires comme la régression.