QCM : Analyse des Séries Temporelles et Modèles Linéaires — 11 questions

Questions et réponses du QCM

1. Que mesure principalement le coefficient de corrélation linéaire r entre deux variables ?

La force et le sens d’une relation linéaire entre elles
La pente de la droite reliant les observations
L’écart moyen des valeurs par rapport à la moyenne
La part de variation expliquée par la saisonnalité

La force et le sens d’une relation linéaire entre elles

Explication

Le coefficient r quantifie à la fois l’intensité et le sens de la relation linéaire entre x et y. Il ne donne pas directement la pente ni l’écart moyen.

2. Quelle est la définition de la corrélation linéaire entre deux variables ?

Une estimation de la causalité directe entre deux variables.
Une mesure de la relation de dépendance supposée de forme linéaire entre deux variables.
Une méthode pour prévoir la valeur d’une variable à partir d’une autre.
Une variable qui représente la moyenne des deux autres variables.

Une mesure de la relation de dépendance supposée de forme linéaire entre deux variables.

Explication

La corrélation linéaire mesure l’intensité de la relation de dépendance entre deux variables, supposée de forme linéaire, sans indiquer une relation de cause à effet.

3. Quelle interprétation correspond à une valeur de r égale à -1 ?

Une relation linéaire parfaite mais négative
Une absence de relation détectée
Une relation linéaire parfaite et positive
Une corrélation faible mais non nulle

Une relation linéaire parfaite mais négative

Explication

Lorsque r = -1, la relation est parfaite mais de sens opposé : quand x augmente, y diminue dans les mêmes proportions. r = 0 correspond au contraire à l’absence de relation détectée.

4. Que mesure le coefficient de corrélation r entre deux variables ?

L’intensité et le sens de la relation linéaire entre ces deux variables.
La probabilite qu’une variable influence l’autre.
La variance totale de la variable dépendante.
La différence absolue entre les deux variables.

L’intensité et le sens de la relation linéaire entre ces deux variables.

Explication

Le coefficient r quantifie à la fois la force et le sens d'une relation linéaire entre deux variables, ce qui en fait une mesure d'association.

5. Quelle forme prend l’équation de la droite de régression utilisée pour ajuster une tendance linéaire ?

y = ax + b
y = ax² + b
y = a + b/x
y = a/x + b

y = ax + b

Explication

La droite de régression est écrite sous la forme y = ax + b. Cette équation sert à décrire une tendance linéaire reliant y à x.

6. Quelle est la fonction principale de la droite de régression dans l'analyse des séries temporelles ?

Elle permet de déterminer le coefficient de corrélation 
Elle calcule la moyenne mobile pour lisser la série
Elle mesure la variation saisonnière des données
Elle prédit la tendance future en ajustant une relation linéaire entre deux variables

Elle prédit la tendance future en ajustant une relation linéaire entre deux variables

Explication

La droite de régression est utilisée pour prédire la tendance en ajustant une relation linéaire entre la variable dépendante et la variable explicative. Les autres options concernent d'autres techniques d'analyse, mais pas la fonction principale de la régression.

7. Dans la méthode des moindres carrés, que représente l’ordonnée à l’origine b ?

La valeur estimée de y quand x vaut 0
La moyenne des écarts à la tendance
La variation moyenne de y pour une unité de x
Le coefficient de corrélation entre x et y

La valeur estimée de y quand x vaut 0

Explication

L’ordonnée à l’origine b est la valeur estimée de y lorsque x = 0 sur le repère utilisé. La variation moyenne de y est plutôt portée par la pente a.

8. À quelle période précise la compréhension et l'utilisation des variations saisonnières ont-elles été intégrées dans l'analyse des séries temporelles ?

Dans les années 1950, avec l'avènement des ordinateurs et des méthodes de traitement de données.
Après la Seconde Guerre mondiale, lors de l'essor des statistiques appliquées.
Au 21e siècle, avec la montée en puissance du Big Data et de l'intelligence artificielle.
Au début du XXe siècle, avec le développement statistique initial.

Dans les années 1950, avec l'avènement des ordinateurs et des méthodes de traitement de données.

Explication

Les méthodes de détection et de traitement des variations saisonnières ont été particulièrement développées dans les années 1950, lors de l'essor de l'analyse statistique assistée par ordinateur pour traiter des séries temporelles.

9. En quoi la méthode des moyennes mobiles diffère-t-elle de la désaisonnalisation dans le traitement des séries temporelles ?

Les moyennes mobiles identifient la tendance saisonnière, tandis que la désaisonnalisation calcule le coefficient de corrélation.
Les moyennes mobiles lissent la série en utilisant une moyenne sur p observations, tandis que la désaisonnalisation élimine l'effet saisonnier pour révéler la tendance.
Les moyennes mobiles sont utilisées pour prévoir les valeurs saisonnières, alors que la désaisonnalisation ne sert qu'à analyser la croissance à long terme.
Les moyennes mobiles ajustent les fluctuations extrêmes, tandis que la désaisonnalisation augmente la périodicité des données.

Les moyennes mobiles lissent la série en utilisant une moyenne sur p observations, tandis que la désaisonnalisation élimine l'effet saisonnier pour révéler la tendance.

Explication

Les moyennes mobiles servent à lisser la série en remplaçant chaque observation par la moyenne de p observations voisines, alors que la désaisonnalisation consiste à retirer l'effet saisonnier pour mettre en évidence la tendance.

10. Qui a introduit la méthode des moyennes mobiles pour le lissage des séries temporelles ?

Chercheur inconnu au cours du XIXe siècle
Les ingénieurs en traitement du signal dans les années 1950
Jean-Claude T. dans ses travaux sur l'analyse des séries
Les statisticiens français du début du XXe siècle

Chercheur inconnu au cours du XIXe siècle

Explication

La méthode des moyennes mobiles a été développée par des statisticiens au XIXe siècle pour lisser et analyser les séries chronologiques, permettant de réduire la volatilité et de mieux identifier les tendances.

11. Quelles sont les principales causes qui peuvent entraîner la rupture de la tendance linéaire dans une série temporelle ?

Arrivée soudaine de nouvelles technologies ou innovations majeures
Maintien constant des paramètres économiques et sociaux
Augmentation régulière et stable des ventes au fil du temps
Croissance continue sans perturbation du marché

Arrivée soudaine de nouvelles technologies ou innovations majeures

Explication

Les innovations technologiques majeures, nouvelles technologies ou changements importants peuvent modifier durablement la tendance, entraînant une rupture dans la tendance linéaire observée.

Révisez avec les flashcards

Mémorisez les réponses avec 9 flashcards sur Analyse des Séries Temporelles et Modèles Linéaires.

Corrélation linéaire — définition ?

Mesure l’intensité d’une relation linéaire entre deux variables.

Corrélation linéaire r

Mesure la force et le sens de la relation linéaire.

Coefficient r — rôle ?

Quantifie la force et le sens de la relation entre y et x.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Analyse des Séries Temporelles et Modèles Linéaires.

Voir la fiche →

Cours similaires

Formule brute d’un alcool

Chimie

Dimensionnement des fusibles électriques

Physique

Mouvements et forces

Physique

Approche globale de la personne

Apprentissage et conditionnement animal

Introduction aux systèmes mécatroniques industriels

Crée tes propres QCM

Importe ton cours et l'IA génère des QCM avec corrections en 30 secondes.

Générateur de QCM