Retour à la leçon

Guide de l'enseignant: Régression linéaire

Apprends à trouver la droite d'ajustement pour des données et à l'utiliser pour faire des prédictions.

Présenter la leçonPartager dans ClassroomVoir la page élève

Utiliser cette leçon en classe

Gratuit, sans compte élève.

Partager avec les élèves

Les élèves ouvrent la leçon et s'entraînent avec une correction immédiate.

Fiche d'exercices à imprimer

Tous les exercices sur papier, avec un corrigé séparé.

Fiche d'exercices Corrigé

Quiz de classe

10 questions sur Régression. Les élèves participent avec un prénom, vous voyez tous les scores.

Pour les enseignants

Objectifs d'apprentissage
  • Comprendre le concept de régression linéaire et de droite d'ajustement
  • Calculer la pente et l'ordonnée à l'origine avec la méthode des moindres carrés
  • Interpréter la signification de la pente et de l'ordonnée à l'origine en contexte
  • Utiliser l'équation de régression pour faire des prédictions
  • Reconnaître les limites de la régression linéaire incluant les risques d'extrapolation
Prérequis
  • • Compréhension des nuages de points et de la corrélation
  • • Connaissance des équations linéaires sous la forme y=mx+by = mx + b
  • • Compréhension de base de la moyenne et de la notation de sommation
  • • Familiarité avec les graphiques de coordonnées
Amorces de discussion
  • 1. Pourquoi penses-tu que la méthode s'appelle 'moindres carrés' ? Que rendons-nous 'moindre' ?
  • 2. Peux-tu penser à une situation réelle où deux variables sont liées mais l'une ne cause pas l'autre ?
  • 3. Quand serait-il dangereux d'extrapoler une droite de régression bien au-delà de tes données ?
  • 4. Comment déciderais-tu si la régression linéaire convient bien à tes données ?
Idées reçues courantes

La droite de régression doit passer par au moins deux points de données

Remédiation: Montre des exemples où la droite ne passe par aucun point. Souligne que la droite minimise l'erreur totale, pas les distances individuelles.

Une forte corrélation signifie qu'on peut prédire parfaitement

Remédiation: Même avec une forte corrélation, il y a toujours une erreur. Discute des résidus et pourquoi la prédiction parfaite est rarement possible.

L'ordonnée à l'origine a toujours une interprétation significative

Remédiation: Discute des cas où x=0 est sans signification ou hors de la plage des données. Par exemple, prédire la taille à l'âge 0 ou le poids à la taille 0.

Idées de différenciation

Pour les élèves en difficulté:

  • • Commencer avec des ensembles de données simples (3-4 points) avec des nombres faciles
  • • Fournir une calculatrice graphique ou un logiciel qui calcule la régression automatiquement
  • • Se concentrer sur l'interprétation avant le calcul
  • • Utiliser des représentations visuelles pour montrer ce que signifie 'meilleur ajustement'

Pour les élèves au niveau:

  • • Calculer la régression à la main pour de petits ensembles de données
  • • Faire des prédictions et comparer aux valeurs réelles
  • • Analyser les résidus pour évaluer la qualité de l'ajustement
  • • Appliquer la régression à des scénarios du monde réel

Pour les élèves avancés:

  • • Explorer la démonstration des formules des moindres carrés
  • • Calculer et interpréter le coefficient de détermination (r2r^2)
  • • Comparer les droites de régression de différents ensembles de données
  • • Étudier quand les graphiques de résidus indiquent un mauvais ajustement linéaire
Alignement aux standards
  • HSS.ID.B.6 (CCSS.MATH.CONTENT.HSS.ID.B.6)

    Représenter des données sur deux variables quantitatives dans un nuage de points et décrire comment les variables sont liées

  • HSS.ID.B.6.C (CCSS.MATH.CONTENT.HSS.ID.B.6.C)

    Ajuster une fonction linéaire à un nuage de points qui suggère une association linéaire

  • HSS.ID.C.7 (CCSS.MATH.CONTENT.HSS.ID.C.7)

    Interpréter la pente et l'ordonnée à l'origine d'un modèle linéaire dans le contexte des données

Ressources de la leçon
  • visualOutil de régression interactif

    Les élèves tracent des points et voient la droite d'ajustement calculée en temps réel

  • activityProjet de collecte de données

    Collecter des données réelles (taille vs. envergure des bras, temps d'étude vs. notes) et trouver les droites de régression

  • worksheetExercices de calcul de régression

    S'entraîner à calculer la pente et l'ordonnée à l'origine et à faire des prédictions

Contenu de la leçon

Tout ce que voient les élèves : définition, exemples, erreurs fréquentes, applications. Touchez pour ouvrir.

Définition

La régression linéaire est une méthode statistique pour trouver la droite qui s'ajuste le mieux à un ensemble de points de données. Cette droite, appelée droite d'ajustement ou droite de régression, rend les écarts verticaux entre les points et la droite aussi petits que possible dans l'ensemble.
L'équation de la droite de régression est :
y=mx+by = mx + b
Où :
  • mm est la pente (de combien yy change pour chaque augmentation d'une unité de xx)
  • bb est l'ordonnée à l'origine (la valeur de yy quand x=0x = 0)
La méthode des moindres carrés trouve la droite qui minimise la somme des carrés des distances (résidus) de chaque point à la droite :
Somme des carreˊs des reˊsidus=∑(yi−y^i)2\text{Somme des carrés des résidus} = \sum(y_i - \hat{y}_i)^2

Exemples résolus

Un café relève la température quotidienne (°C) et les ventes de café glacé :
TempératureVentes
1520
2035
2545
3060
3570
 Trouve l'équation de la droite de régression.
1

Calcule les moyennes

xˉ=15+20+25+30+355=25\bar{x} = \frac{15+20+25+30+35}{5} = 25 yˉ=20+35+45+60+705=46\bar{y} = \frac{20+35+45+60+70}{5} = 46 → xˉ=25\bar{x} = 25, yˉ=46\bar{y} = 46
2

Calcule la pente avec la formule

m=∑(xi−xˉ)(yi−yˉ)∑(xi−xˉ)2m = \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(-10)(-26) + (-5)(-11) + (0)(-1) + (5)(14) + (10)(24) = 260 + 55 + 0 + 70 + 240 = 625 Dénominateur : 100+25+0+25+100=250100 + 25 + 0 + 25 + 100 = 250 → m=625250=2,5m = \frac{625}{250} = 2{,}5
3

Calcule l'ordonnée à l'origine

b=yˉ−mxˉ=46−2,5(25)=46−62,5=−16,5b = \bar{y} - m\bar{x} = 46 - 2{,}5(25) = 46 - 62{,}5 = -16{,}5 → b=−16,5b = -16{,}5
4

Écris l'équation de régression

y=2,5x−16,5y = 2{,}5x - 16{,}5 → Droite de régression : y=2,5x−16,5y = 2{,}5x - 16{,}5

Erreurs courantes

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

Pourquoi c'est faux: La droite d'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.

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

Pourquoi c'est faux: 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. Signale quand tu extrapoles.

Confondre corrélation et causalité

Pourquoi c'est faux: 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.

Oublier de vérifier si un modèle linéaire est approprié

Pourquoi c'est faux: Toutes les données ne suivent pas un motif linéaire. Utiliser la régression linéaire sur des données non linéaires donne des résultats trompeurs.

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

Pourquoi c'est important

La régression linéaire est l'un des outils les plus importants en analyse de données :
  • Commerce : Prévoir les ventes en fonction des dépenses publicitaireslicitaires ou des changements de prix
  • Science : Modéliser les relations entre variables dans les expériences
  • Médecine : Prédire les résultats des patients à partir des données de traitement
  • Économie : Prévoir les indicateurs économiques basés sur les tendances historiques
  • Sport : Analyser les performances des joueurs et prédire les statistiques futures
Comprendre la régression t'aide à faire des prédictions basées sur les données et à identifier des tendances impossibles à voir en regardant simplement les chiffres bruts.

Applications dans le monde réel

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.

Exemple:

Si y=2000x+30000y = 2000x + 30000, où xx est la surface en mètres carrés et yy le prix en euros, un appartement de 100 m² coûterait environ 2000(100) + 30000 = 230000 €.

1Essaie par toi-même

Un modèle immobilier montre : Prix = 2500x + 20000 (où x = mètres carrés).

Quel prix prédirais-tu pour un appartement de 120 m² ?

Étape 1 : Écris l'expression mathématique

Substitue dans l'équation :

Analyse de la consommation de carburant

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

Exemple:

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

2Essaie par toi-même

Les données d'un constructeur automobile montrent : Carburant = 0,005p + 1,5 (où p = poids en kg).

Prédis la consommation de carburant pour un véhicule de 1200 kg.

Étape 1 : Écris l'expression mathématique

Calcule :

Prévision des ventes commerciales

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

Exemple:

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

3Essaie par toi-même

Le modèle d'une entreprise : Ventes = 4 × BudgetPub + 8000.

S'ils dépensent 3000 € en publicité, quelles ventes peuvent-ils attendre ?

Étape 1 : Écris l'expression mathématique

Calcule les ventes prédites :

Points clés

  • 1La régression linéaire trouve la droite qui s'ajuste le mieux à un ensemble de points de données
  • 2L'équation de la droite de régression est y=mx+by = mx + b où mm est la pente et bb l'ordonnée à l'origine
  • 3La pente indique de combien yy change pour chaque augmentation d'une unité de xx
  • 4L'ordonnée à l'origine est la valeur prédite de yy quand x=0x = 0
  • 5Utilise la régression pour faire des prédictions, mais sois prudent en extrapolant loin de tes données

Questions fréquentes

Et si mes données ne semblent pas linéaires ?

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.

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

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.

Qu'est-ce qu'un résidu ?

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

Glossaire

Régression linéaire
Une méthode statistique pour trouver la droite qui s'ajuste le mieux à un ensemble de points de données
Droite d'ajustement
La droite de régression qui minimise la somme des carrés des résidus
Pente
Le taux de variation ; de combien yy augmente pour chaque augmentation d'une unité de xx
Ordonnée à l'origine
La valeur de yy quand x=0x = 0 ; où la droite coupe l'axe des y
Résidu
La différence entre un point de données réel et sa valeur prédite sur la droite de régression
Moindres carrés
La méthode qui trouve la droite minimisant la somme des carrés des résidus
Extrapolation
Utiliser une équation de régression pour prédire des valeurs en dehors de la plage des données originales

Carte des formules

Droite de régression

y=mx+by = mx + b

L'équation de la droite d'ajustement avec pente m et ordonnée b

Formule de la pente

m=∑(xi−xˉ)(yi−yˉ)∑(xi−xˉ)2m = \frac{\sum(x_i - \bar{x})(y_i - \bar{y})}{\sum(x_i - \bar{x})^2}

Calcule la pente à partir des points de données et des moyennes

Ordonnée à l'origine

b=yˉ−mxˉb = \bar{y} - m\bar{x}

Calcule l'ordonnée à l'origine avec la pente et les moyennes

Résidu

ei=yi−y^ie_i = y_i - \hat{y}_i

La différence entre la valeur réelle et la valeur prédite

Plus sur ce sujet

Introduction à la régression

Avancé25 min

Nuages de points

Intermédiaire25 min

Droite d'ajustement

Intermédiaire25 min

Faire des prédictions à partir de données

Intermédiaire25 min