ETUDE DE 2 VARIABLES QUANTITATIVES

Présentation au sujet: "ETUDE DE 2 VARIABLES QUANTITATIVES"— Transcription de la présentation:

1 ETUDE DE 2 VARIABLES QUANTITATIVES

2 (1) MESURE DE LA LIAISON ENTRE 2 VARIABLES QUANTITATIVES
ETUDE DE 2 VARIABLES QUANTITATIVES (1) MESURE DE LA LIAISON ENTRE 2 VARIABLES QUANTITATIVES Taille Poids La connaissance de la taille x apporte une certaine information sur le poids y Il existe une relation de dépendance entre x et y

3 (2) MESURE DE LA LIAISON ENTRE 2 VARIABLES QUANTITATIVES
ETUDE DE 2 VARIABLES QUANTITATIVES (2) MESURE DE LA LIAISON ENTRE 2 VARIABLES QUANTITATIVES La connaissance de x n’apporte aucune certaine information sur y La connaissance de x permet de connaître exactement la valeur de y x et y sont indépendantes Il existe une relation fonctionnelle entre x et y

4 (3) MESURE DE LA LIAISON ENTRE 2 VARIABLES QUANTITATIVES
ETUDE DE 2 VARIABLES QUANTITATIVES (3) MESURE DE LA LIAISON ENTRE 2 VARIABLES QUANTITATIVES Covariance : Propriétés : x et y varient dans le même sens x et y varient en sens contraire

5 (4) MESURE DE LA LIAISON ENTRE 2 VARIABLES QUANTITATIVES
ETUDE DE 2 VARIABLES QUANTITATIVES (4) MESURE DE LA LIAISON ENTRE 2 VARIABLES QUANTITATIVES Corrélation linéaire: Propriétés : Il existe une relation fonctionnelle entre x et y x et y sont indépendantes Il existe une dépendance linéaire d’autant plus forte que |r| est grand Ne pas confondre causalité et corrélation

6 (1) AJUSTEMENT LINEAIRE
ETUDE DE 2 VARIABLES QUANTITATIVES (1) AJUSTEMENT LINEAIRE x = Taille y = Poids Est-il possible de trouver une fonction numérique f telle que y = f (x) ? Si une telle fonction existe, on dit que f est un modèle du phénomène étudié. x est la variable explicative. y est la variable expliquée.

7 (2) AJUSTEMENT LINEAIRE
ETUDE DE 2 VARIABLES QUANTITATIVES (2) AJUSTEMENT LINEAIRE x = Taille y = Poids On désire trouver la droite qui passe « au mieux » à l’intérieur du nuage de points

8 (3) AJUSTEMENT LINEAIRE
ETUDE DE 2 VARIABLES QUANTITATIVES (3) AJUSTEMENT LINEAIRE « au mieux » Minimiser ei Minimiser x = Taille y = Poids x = Taille y = Poids Droite de régression de y en x Droite de régression de x en y

9 (4) AJUSTEMENT LINEAIRE REGRESSION LINEAIRE DE Y EN X
ETUDE DE 2 VARIABLES QUANTITATIVES (4) AJUSTEMENT LINEAIRE REGRESSION LINEAIRE DE Y EN X x = Taille y = Poids f(x) = y = ax+b Droite de régression linéaire de y en x y = f(x) = ax + b yi ei = |yi-axi-b| xi axi+b La droite de régression linéaire de y en x, notée Dy/x , minimise Dy/x passe par le point moyen

10 (5) AJUSTEMENT LINEAIRE REGRESSION LINEAIRE DE Y EN X
ETUDE DE 2 VARIABLES QUANTITATIVES (5) AJUSTEMENT LINEAIRE REGRESSION LINEAIRE DE Y EN X x = Taille y = Poids f(x) = y = ax+b = valeur de yi prévue par le modèle définit un modèle affine Droite de régression linéaire de y en x y = f(x) = ax + b yi ei = |yi-axi-b| xi = erreur due au modèle axi+b = résidu de la ième observation

11 (6) AJUSTEMENT LINEAIRE REGRESSION LINEAIRE DE X EN Y
ETUDE DE 2 VARIABLES QUANTITATIVES (6) AJUSTEMENT LINEAIRE REGRESSION LINEAIRE DE X EN Y x = Taille y = Poids ei’ = |xi-a’yi-b’| f(y) = x = a’y+b’ Droite de régression linéaire de x en y x = f(y) = a’y + b’ yi xi a’yi+b’ La droite de régression linéaire de x en y, notée Dx/y , minimise Dx/y passe par le point moyen

12 LIENS ENTRE CORRELATION ET DROITES DE REGRESSION
ETUDE DE 2 VARIABLES QUANTITATIVES LIENS ENTRE CORRELATION ET DROITES DE REGRESSION Dy/x : y = ax + b Dx/y : x = a’y + b’ r² = a a’ r² = a a’ = 1 r² = a a’ = 0 0< r² = a a’ < 1 Le degré de dépendance linéaire se mesure à la proximité des droites de régression Indépendance linéaire Liaison fonctionnelle linéaire

13 (1) AJUSTEMENT A UNE FONCTION EXPONENTIELLE
ETUDE DE 2 VARIABLES QUANTITATIVES (1) AJUSTEMENT A UNE FONCTION EXPONENTIELLE Analyse des résidus droite de régression linéaire de y en x Les résidus devraient se répartir au hasard autour de l’axe des abscisses: le modèle affine ne convient pas

14 (2) AJUSTEMENT A UNE FONCTION EXPONENTIELLE
ETUDE DE 2 VARIABLES QUANTITATIVES (2) AJUSTEMENT A UNE FONCTION EXPONENTIELLE Modèle exponentiel exponentielle de base e exponentielle de base a Forme exponentielle générale Changement de variable ln y = ln b + x ln a Y = A X + B avec Y = ln y X = x A = ln a B = ln b L’ajustement affine de Y en fonction de X donne A et B, d ’où , , et le modèle

15 (3) AJUSTEMENT A UNE FONCTION EXPONENTIELLE
ETUDE DE 2 VARIABLES QUANTITATIVES (3) AJUSTEMENT A UNE FONCTION EXPONENTIELLE Série initiale (xi,yi) Série prévue par le modèle Analyse des résidus Le modèle exponentiel est mieux adapté que le modèle affine

16 (1) AJUSTEMENT A UNE FONCTION PUISSANCE
ETUDE DE 2 VARIABLES QUANTITATIVES (1) AJUSTEMENT A UNE FONCTION PUISSANCE Droite de régression linéaire de y en x Analyse des résidus Le modèle affine ne convient pas

17 (2) AJUSTEMENT A UNE FONCTION PUISSANCE
ETUDE DE 2 VARIABLES QUANTITATIVES (2) AJUSTEMENT A UNE FONCTION PUISSANCE Modèle puissance Changement de variable ln y = ln b + a ln x Y = A X + B avec Y = ln y X = ln x A = a B = ln b L’ajustement affine de Y en fonction de X donne A et B, d ’où a = A , , et le modèle

18 (3) AJUSTEMENT A UNE FONCTION PUISSANCE
ETUDE DE 2 VARIABLES QUANTITATIVES (3) AJUSTEMENT A UNE FONCTION PUISSANCE Série initiale (xi,yi) Série prévue par le modèle Analyse des résidus -80 -60 -40 -20 20 40 60 80 10 30 50 Le modèle puissance est mieux adapté que le modèle affine

19 QUALITE D’UN AJUSTEMENT
ETUDE DE 2 VARIABLES QUANTITATIVES QUALITE D’UN AJUSTEMENT On montre que SCT = SCM SCR Somme des carrés des écarts à la moyenne Somme des carrés des écarts du modèle Somme des carrés des résidus + = L’ajustement est d’autant meilleur que SCR est proche de 0, c.à.d. que SCR/SCT est proche de 0 ou SCM/SCT est proche de 1. = Coefficient de détermination = r² = (coef. de corrélation)² = proportion de la variation totale due à l'ajustement