Trouver la droite de régression

Un café suit la température quotidienne (°C) et les ventes de café glacé : | Température | Ventes | |-------------|--------| | 15 | 20 | | 20 | 35 | | 25 | 45 | | 30 | 60 | | 35 | 70 | Trouve l'équation de la droite de régression.

Calcule les moyennes: $\bar{x} = \frac{15+20+25+30+35}{5} = 25$ $\bar{y} = \frac{20+35+45+60+70}{5} = 46$ = $\bar{x} = 25$, $\bar{y} = 46$

Calcule la pente avec la formule: $m = \frac{\sum(x_i - \bar{x})(y_i - \bar{y})}{\sum(x_i - \bar{x})^2}$ Numérateur : $(-10)(-26) + (-5)(-11) + (0)(-1) + (5)(14) + (10)(24) = 260 + 55 + 0 + 70 + 240 = 625$ Dénominateur : $100 + 25 + 0 + 25 + 100 = 250$ = $m = \frac{625}{250} = 2{,}5$

Calcule l'ordonnée à l'origine: $b = \bar{y} - m\bar{x} = 46 - 2{,}5(25) = 46 - 62{,}5 = -16{,}5$ = $b = -16{,}5$

Écris l'équation de régression: $y = 2{,}5x - 16{,}5$ = Droite de régression : $y = 2{,}5x - 16{,}5$

Answer: La droite de régression est $y = 2{,}5x - 16{,}5$. Cela signifie que pour chaque augmentation de 1°C de température, les ventes de café glacé augmentent d'environ 2,5 unités.

Faire des prédictions

En utilisant la droite de régression $y = 2{,}5x - 16{,}5$ de l'exemple du café, prédis les ventes quand la température est de 28°C.

Identifie l'équation: $y = 2{,}5x - 16{,}5$ = Équation de régression identifiée

Substitue la valeur de x: $y = 2{,}5(28) - 16{,}5$ = $y = 2{,}5 \times 28 - 16{,}5$

Calcule: $y = 70 - 16{,}5 = 53{,}5$ = $y = 53{,}5$

Answer: Les ventes prédites à 28°C sont d'environ 54 cafés glacés.

Interpréter la pente et l'ordonnée à l'origine

Une étude trouve que la droite de régression reliant les heures d'étude ($x$) au score d'examen ($y$) est $y = 8x + 40$. Interprète la pente et l'ordonnée à l'origine.

Identifie la pente: $m = 8$ = La pente est 8

Interprète la pente: Pour chaque heure d'étude supplémentaire, le score d'examen augmente de 8 points = 8 points par heure d'étude

Identifie l'ordonnée à l'origine: $b = 40$ = L'ordonnée à l'origine est 40

Interprète l'ordonnée à l'origine: Quand le temps d'étude est 0 heures, le score prédit est 40 = Score de base de 40 points

Answer: Pente : Chaque heure d'étude supplémentaire ajoute 8 points au score prédit. Ordonnée à l'origine : Un élève qui étudie 0 heures obtiendrait environ 40 points (connaissances de base).

Mistake: Supposer que la droite de régression passe par tous les points de données

Why: La droite de meilleur ajustement minimise l'erreur totale mais passe rarement par chaque point. Les points au-dessus et en dessous de la droite sont normaux.

Correct: Comprends que la droite de régression représente la tendance générale, pas les points de données individuels.

Mistake: Utiliser l'équation de régression pour extrapoler loin au-delà de la plage des données

Why: La relation peut ne pas tenir en dehors de la plage des données observées. Prédire bien au-delà de tes données peut donner des résultats irréalistes.

Correct: Sois prudent quand tu prédis pour des valeurs de x loin en dehors de ta plage de données. Note quand tu extrapoles.

Mistake: Confondre corrélation et causalité

Why: Une forte relation linéaire ne signifie pas qu'une variable cause des changements dans l'autre. D'autres facteurs peuvent être impliqués.

Correct: Utilise la régression pour décrire des relations et faire des prédictions, mais sois prudent sur les affirmations de causalité.

Mistake: Oublier de vérifier si un modèle linéaire est approprié

Why: Toutes les données ne suivent pas un motif linéaire. Utiliser la régression linéaire sur des données non linéaires donne des résultats trompeurs.

Correct: Trace toujours tes données d'abord. Si le nuage de points montre une courbe, la régression linéaire peut ne pas être le meilleur choix.

Prédire les prix immobiliers

Les analystes immobiliers utilisent la régression linéaire pour estimer les prix des maisons en fonction de caractéristiques comme la superficie, le nombre de chambres ou la distance du centre-ville.

Si $y = 150x + 50000$ où $x$ est les mètres carrés et $y$ le prix en euros, un appartement de 100 m² coûterait environ 150(100) + 50000 = 65000 euros.

Analyse de l'efficacité énergétique

Les ingénieurs automobiles utilisent la régression pour comprendre comment le poids d'une voiture affecte la consommation de carburant.

Si consommation (L/100km) = 0,004 × poids (kg) + 2, une voiture de 1500 kg consommerait 0,004(1500) + 2 = 8 L/100km.

Prévision des ventes commerciales

Les entreprises utilisent la régression pour prédire les ventes futures en fonction des dépenses publicitaires, les aidant à allouer efficacement leurs budgets marketing.

Si ventes mensuelles = 3 × dépenses pub + 10000, dépenser 5000 euros en publicité prédit des ventes de 3(5000) + 10000 = 25000 euros.

Q: Et si mes données ne semblent pas linéaires ?

A: Si ton nuage de points montre une courbe plutôt qu'une ligne droite, la régression linéaire peut ne pas être appropriée. Considère la régression polynomiale ou d'autres modèles non linéaires.

Q: La régression peut-elle prouver qu'une chose en cause une autre ?

A: Non. La régression montre des relations (corrélations) mais ne peut pas prouver la causalité. Deux variables peuvent être liées à cause d'un troisième facteur, pas parce que l'une cause l'autre.

Q: Qu'est-ce qu'un résidu ?

A: Un résidu est la différence entre un point de données réel et la valeur prédite par la droite de régression : résidu = $y_{réel} - y_{prédit}$. Les résidus positifs signifient que le point est au-dessus de la droite ; négatifs signifient en dessous.