QCM : Régression linéaire — 11 questions

Question 1

1. Quelle expression définit la moyenne d’une variable $x$ observée sur $n$ individus ?

\bar{x}=\frac{1}{n}\sum_{i=1}^{n}x_i

\bar{x}=\frac{1}{n-1}\sum_{i=1}^{n}x_i

\bar{x}=\sqrt{\frac{1}{n}\sum_{i=1}^{n}x_i^2}

\bar{x}=\sum_{i=1}^{n}(x_i-\bar{x})^2

Explication

La moyenne arithmétique est obtenue en additionnant les $n$ valeurs puis en divisant leur somme par $n$ . La somme des carrés des écarts correspond plutôt à une composante du calcul de la variance.

Answer

$$\bar{x}=\frac{1}{n}\sum_{i=1}^{n}x_i$$

Question 2

2. Quelle est la définition de la moyenne d'une variable x dans le contexte des statistiques descriptives ?

L'écart-type de la variable x.

La différence entre la valeur maximale et la valeur minimale de x.

La somme des carrés des écarts à la moyenne.

La somme de toutes les valeurs de x divisée par le nombre d'observations n.

Explication

La moyenne est définie comme la somme de toutes les valeurs de x divisée par le nombre d'observations, ce qui donne une mesure centrale. La différence entre la valeur maximale et la valeur minimale n'est pas une mesure centrale, mais une amplitude.

Answer

La somme de toutes les valeurs de x divisée par le nombre d'observations n.

Question 3

3. Quelle formule permet de calculer la variance d’une variable $x$ à partir de sa moyenne $\bar{x}$ ?

\operatorname{var}(x)=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(x_i-\bar{x})^2}

\operatorname{var}(x)=\frac{1}{n}\sum_{i=1}^{n}x_i^2-\bar{x}

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

\operatorname{var}(x)=\frac{1}{n}\sum_{i=1}^{n}(x_i-\bar{x})^2

Explication

La variance est la moyenne des carrés des écarts entre chaque observation et la moyenne. La racine carrée de cette quantité correspond à l’écart-type, et non à la variance elle-même.

Answer

$$\operatorname{var}(x)=\frac{1}{n}\sum_{i=1}^{n}(x_i-\bar{x})^2$$

Question 4

4. Quelle formule exprime la covariance entre deux variables x et y ?

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

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

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

-

\frac{1}{n^2}\sum_{i=1}^{n}x_i \sum_{i=1}^{n} y_i

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

- \bar{x}\bar{y}

Explication

La covariance entre deux variables x et y est donnée par la formule $ov(x,y)=\frac{1}{n}\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})$ . La formule avec ivise par n-1 est utilisée pour l'estimation en échantillon, mais ici, la formule donnée correspond à la définition pour la population.

Answer

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

Question 5

5. Quelle expression définit la covariance entre deux variables $x$ et $y$ ?

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

\operatorname{cov}(x,y)=\frac{1}{n}\sum_{i=1}^{n}(x_i+y_i)

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

\operatorname{cov}(x,y)=\frac{1}{n}\sum_{i=1}^{n}(x_i-\bar{x})^2(y_i-\bar{y})^2

Explication

La covariance est la moyenne des produits des écarts de $x$ et de $y$ à leurs moyennes respectives. Le produit des écarts doit rester au premier degré, sans mise au carré ni extraction de racine.

Answer

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

Question 6

6. Quel est le rôle principal du coefficient de corrélation linéaire entre deux variables ?

Déterminer la causalité entre deux variables.

Mesurer l'intensité d'une relation linéaire entre ces variables.

Calculer la moyenne des deux variables.

Évaluer la dispersion d'une seule variable.

Explication

Le coefficient de corrélation linéaire sert à mesurer la force et la direction d'une relation linéaire entre deux variables. Contrairement à la causalité, il ne permet pas de déterminer si l'une cause l'autre.

Answer

Mesurer l'intensité d'une relation linéaire entre ces variables.

Question 7

7. Si $u=a+bx$ et $v=c+dy$ , comment s’exprime la covariance de $u$ et $v$ ?

\operatorname{cov}(u,v)=bd\operatorname{cov}(x,y)

\operatorname{cov}(u,v)=\frac{\operatorname{cov}(x,y)}{bd}

\operatorname{cov}(u,v)=ac\operatorname{cov}(x,y)

\operatorname{cov}(u,v)=(a+c)+(b+d)\operatorname{cov}(x,y)

Explication

Les termes constants ne modifient pas la covariance, tandis que les coefficients multiplicatifs la transforment par le facteur $bd$ . La somme des constantes et des coefficients n’intervient donc pas dans cette relation.

Answer

$$\operatorname{cov}(u,v)=bd\operatorname{cov}(x,y)$$

Question 8

8. En quoi le critère des moindres carrés diffère-t-il de la méthode de régression en utilisant la somme absolue des écarts ?

Le critère des moindres carrés est plus sensible aux valeurs extrêmes que la somme absolue des écarts.

Le critère des moindres carrés ne peut pas être utilisé pour des régressions multiples, contrairement à la méthode de la somme absolue.

La méthode des moindres carrés ne nécessite pas de calculs matriciels, contrairement à la méthode utilisant la somme absolue.

Le critère des moindres carrés minimise la somme des carrés des écarts, tandis que la méthode basée sur la somme absolue minimise la somme des écarts absolus.

Explication

Le critère des moindres carrés minimise la somme des carrés des écarts, ce qui le rend sensible aux valeurs extrêmes, contrairement à la somme absolue qui minimise la somme des écarts absolus. La méthode des moindres carrés est souvent préférée pour sa simplicité mathématique et ses propriétés statistiques.

Answer

Le critère des moindres carrés minimise la somme des carrés des écarts, tandis que la méthode basée sur la somme absolue minimise la somme des écarts absolus.

Question 9

9. Quelles sont les conséquences principales de l'utilisation de la droite de régression simple pour modéliser la relation entre deux variables ?

Elle élimine toute erreur ou bruit dans les données.

Elle assure une corrélation parfaite entre les variables.

Elle permet d'estimer la valeur d'une variable en fonction de l'autre, facilitant la prédiction.

Elle garantit une relation causale entre les deux variables.

Explication

La droite de régression simple permet d'estimer une variable à partir d'une autre, ce qui facilite la prédiction. Cependant, elle ne prouve pas une relation causale et ne supprime pas nécessairement le bruit ou les erreurs dans les données.

Answer

Elle permet d'estimer la valeur d'une variable en fonction de l'autre, facilitant la prédiction.

Question 10

10. Comment appliquer la mesure de l’ajustement pour évaluer la qualité d’un modèle de régression simple ?

En calculant le coefficient de détermination

R^2

, qui indique la proportion de variance expliquée par le modèle.

En vérifiant que la covariance entre les variables est nulle.

En utilisant la moyenne des résidus pour juger de la précision du modèle.

En comparant la pente

b^*

à la moyenne des valeurs de y.

Explication

Le coefficient de détermination $R^2$ permet d’évaluer la proportion de variance de y expliquée par le modèle, ce qui est une mesure d’ajustement. La covariance n’est pas directement utilisée pour cette mesure, et la moyenne des résidus ne donne pas une indication claire de la qualité de l’ajustement.

Answer

En calculant le coefficient de détermination $$R^2$$, qui indique la proportion de variance expliquée par le modèle.

Question 11

11. Quelles sont les principales caractéristiques de la représentation vectorielle en régression ?

Elle repose sur la transformation des données en coordonnées polaires pour simplifier le calcul.

Elle utilise la multiplication de matrices pour exprimer la relation entre variables.

Elle consiste à représenter chaque variable par un vecteur unitaire dans un espace à p dimensions.

Elle permet d'écrire la régression sous forme de produit entre un vecteur de coefficients et une matrice de variables.

Explication

La représentation vectorielle en régression utilise la forme matricielle $\,\hat{y}=Xb$ , où $X$ est une matrice de dimension n×(p+1) et $b$ un vecteur de coefficients. Cela facilite le calcul et la compréhension de la régression multiple.

Answer

Elle permet d'écrire la régression sous forme de produit entre un vecteur de coefficients et une matrice de variables.

QCM : Régression linéaire — 11 questions

Questions et réponses du QCM

1. Quelle expression définit la moyenne d’une variable $x$ observée sur $n$ individus ?

2. Quelle est la définition de la moyenne d'une variable x dans le contexte des statistiques descriptives ?

3. Quelle formule permet de calculer la variance d’une variable $x$ à partir de sa moyenne $\bar{x}$ ?

4. Quelle formule exprime la covariance entre deux variables x et y ?

5. Quelle expression définit la covariance entre deux variables $x$ et $y$ ?

6. Quel est le rôle principal du coefficient de corrélation linéaire entre deux variables ?

7. Si $u=a+bx$ et $v=c+dy$ , comment s’exprime la covariance de $u$ et $v$ ?

8. En quoi le critère des moindres carrés diffère-t-il de la méthode de régression en utilisant la somme absolue des écarts ?

9. Quelles sont les conséquences principales de l'utilisation de la droite de régression simple pour modéliser la relation entre deux variables ?

10. Comment appliquer la mesure de l’ajustement pour évaluer la qualité d’un modèle de régression simple ?

11. Quelles sont les principales caractéristiques de la représentation vectorielle en régression ?

Révisez avec les flashcards

Approfondir avec la fiche

Cours similaires

Racines d’un polynôme du second degré

Le parcours de vie et les politiques sociales

Chimie des solutions : rappels

Fonctions affines et signes

Avancement et réactions acido-basiques

Socialisation et comportements individuels

Crée tes propres QCM

QCM : Régression linéaire — 11 questions

Questions et réponses du QCM

1. Quelle expression définit la moyenne d’une variable xxx observée sur nnn individus ?

2. Quelle est la définition de la moyenne d'une variable x dans le contexte des statistiques descriptives ?

3. Quelle formule permet de calculer la variance d’une variable xxx à partir de sa moyenne xˉ\bar{x}xˉ ?

4. Quelle formule exprime la covariance entre deux variables x et y ?

5. Quelle expression définit la covariance entre deux variables xxx et yyy ?

6. Quel est le rôle principal du coefficient de corrélation linéaire entre deux variables ?

7. Si u=a+bxu=a+bxu=a+bx et v=c+dyv=c+dyv=c+dy, comment s’exprime la covariance de uuu et vvv ?

8. En quoi le critère des moindres carrés diffère-t-il de la méthode de régression en utilisant la somme absolue des écarts ?

9. Quelles sont les conséquences principales de l'utilisation de la droite de régression simple pour modéliser la relation entre deux variables ?

10. Comment appliquer la mesure de l’ajustement pour évaluer la qualité d’un modèle de régression simple ?

11. Quelles sont les principales caractéristiques de la représentation vectorielle en régression ?

Révisez avec les flashcards

Approfondir avec la fiche

Cours similaires

Racines d’un polynôme du second degré

Le parcours de vie et les politiques sociales

Chimie des solutions : rappels

Fonctions affines et signes

Avancement et réactions acido-basiques

Socialisation et comportements individuels

Crée tes propres QCM

1. Quelle expression définit la moyenne d’une variable $x$ observée sur $n$ individus ?

3. Quelle formule permet de calculer la variance d’une variable $x$ à partir de sa moyenne $\bar{x}$ ?

5. Quelle expression définit la covariance entre deux variables $x$ et $y$ ?

7. Si $u=a+bx$ et $v=c+dy$ , comment s’exprime la covariance de $u$ et $v$ ?