SERIES STATISTIQUES A DEUX VARIABLES

 
 
I - NOTATION ET REPRESENTATION DES SERIES STATISTIQUES DOUBLES
 
Dans la partie précédente, nous avons étudié une population selon un seul caractère.
Cependant, il est souvent utile de considérer à la fois plusieurs caractères de la population
(exemple : taille, poids…)
 
Une série statistique double peut être donnée comme l'énumération d'un certain nombre de
résultats. Le tableau 1 donne le poids et la taille d'un groupe d'élèves.
Dans ce tableau figure un numéro, arbitrairement attribué, il permet un repérage des indices
i des xi et yi. et peut être utilisé pour la représentation graphique.
 
N° 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Taille (cm) 153 158 160 159 155 170 163 153 165 170 158 163 155 152 165 162 152 156 158 167
Poids (kg) 45 45 50 51 53 60 55 48 60 51 52 52 45 49 45 50 45 48 46 49
                                         
N° 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
Taille (cm) 172 154 172 150 160 156 160 166 175 165 159 155 151 163 168 156 155 162 175 166
Poids (kg) 60 45 55 45 50 48 60 45 61 45 45 53 45 54 45 42 58 45 51 45
 
Tableau 1 : Poids et taille d'un groupe de 40 élèves
 
Sur une population P, d'effectif N, on étudie simultanément un caractère X qui peut prendre
les valeurs ou modalités x1, x2, …, xr et un caractère Y qui peut prendre les valeurs y 1, y2, …,
ys.
X et Y peuvent être indifféremment des caractères quantitatifs ou qualitatifs. Les xi et les
yj désignent les classes des caractères X et Y dans le cas d'une série classée.
On utilise un tableau dit à double entrée ou tableau carré.
Caractère Y
  y1 y2     yj     ys totaux
Caractère X
x1 n11 n12     n1j     n1s n1.
x2 n21 n22             n2.
                   
xi ni1 ni2     nij     nis ni.
                   
xr nr1 nr2     nrj     nrs nr.
totaux n.1 n.2     n.j     n.s N
 
Effectifs partiels
On appelle effectif partiel nij du couple (xi ; yj) le nombre d'individus présentant la modalité
xi du caractère X et la modalité yj du caractère Y.
 
Distributions marginales
La dernière ligne et la dernière colonne du tableau représentent les distributions marginales
(dans la marge), c’est-à-dire la distribution de X sans tenir compte du caractère Y ou celle de
Y sans tenir compte de X.
Les distributions marginales peuvent être traitées comme une série simple.
 
         Effectifs marginaux
La somme des effectifs partiels contenus dans la ligne xi est égal à l’effectif des éléments
dont la valeur du caractère X est xi
De la même manière, La somme des effectifs partiels contenus dans la colonne yj est égal à
l’effectif des éléments dont la valeur du caractère Y est yj
On les appelle effectifs partiels marginaux.

On les note respectivement :                          et         

 
      Fréquences marginales

On appelle fréquence fi. marginale de xi le rapport   

où ni . est l'effectif marginal de xi et N l'effectif total.

De même   est la fréquence marginale de yj

 
Exemple : Le dépouillement de la série du tableau 1 donne.
 
       Poids (kg)
  ] 40;45] ] 45;50] ] 50;55] ] 55;61] totaux
Taille (cm)
]149 ; 155] 6 2 2    
]155 ; 160] 3 5 2 1 11
]160 ; 165] 3 1 3 1 8
]165 ; 170] 3 1 1 1 6
]170 ; 175] 0 0 2 2 4
totaux 15 9 10 6 40
 
Dans un repère orthogonal xOy, on marque les points de coordonnées (xi ; yj). On obtient un
graphique appelé "nuage de points".
 
      Fréquences conditionnelles
On suppose que tous les effectifs marginaux sont différents de zéro.
On appelle fréquence conditionnelle de la valeur xi sachant yj le nombre noté fi/j.

En divisant par N le numérateur et le dénominateur on a : 

De même, on définit la fréquence conditionnelle de la valeur yj sachant xi.  

 
Eléments caractéristiques

On définit en particulier les moyennes    et  , les variances V(X) et V(Y) et les écart-
types (X) et (Y).
      Moyennes arithmétiques
La moyenne de X est      ou        

La moyenne de Y est      ou        

 
      Variances

La variance de X est         ou        

La variance de Y est       ou        

 
Formules de Koenig : On montre que

       ou        

et de même           ou        
 
         Covariance
On appelle covariance du couple (X ; Y), et on note cov (X ; Y),la moyenne
de 

On démontre que :    

La covariance joue un rôle analogue à celui de la variance dans le cas d’une série statistique
simple.
Si l’on fait X=Y on retrouve la formule de la variance.
 
Changement de variable
Soit le changement de variable défini par : xi = x0 + hx’i  et yi = y0 + ky’j 
La covariance s’écrit :
cov ( X, Y) = hk cov(X', Y')
 
Coefficient de corrélation linéaire
On appelle coefficient de corrélation linéaire de (X ; Y) le nombre réel noté r et égal à

Si on effectue le changement de variable xi = x0 + hx’i  et yi = y0 + ky’j  , on obtient
Le coefficient de corrélation est donc invariant par ce changement de variable.
Propriétés
On montre que : -1  r  1.
Si X et Y sont indépendants alors r = 0. La réciproque est fausse.
 
 
II - Ajustement linéaire
 
Nous avons étudié, précédemment, des tableaux d'effectifs traduisant l'observation de deux
caractères X et Y, quantitatifs ou qualitatifs d'une même population.
Le problème est de savoir si ces deux caractères sont liés ou indépendants. A priori,
puisqu'on les étudie ensemble, on soupçonne qu'ils ne sont pas indépendants.
Lorsque les deux variables X et Y sont numériques, on représente chaque individu par le
couple (xi, yj) où xi et yj sont respectivement les valeurs des caractères X et Y.
 
Exemple : On considère la série du tableau 2
 
x 0,4 1,2 1,6 2 2,4 2,6 3,2 3,4 3,8 4 4,5 5
y 11 8 19 15 24 28 25 38 39 34 35 48
 
On peut représenter graphiquement ces données.
On constate que les points représentatifs de la série de notes ne sont pas rigoureusement
alignés mais qu'ils forment un "nuage de points" relativement allongé.
On peut se demander  si l'on peut déterminer une droite qui résume approximativement
l'ensemble de ces points.
La recherche d'une telle droite est un ajustement linéaire.
 
2.1. Définition
 
Pour représenter graphiquement les couples (xi , yj), on marque dans un repère xOy les
points de coordonnées (xi , yj). On obtient un graphique appelé nuage de points.
 
Ajuster un ensemble de points consiste à déterminer une courbe C simple "aussi proche que
possible" de l'ensemble des points Mij(xi, yj).
 
Ajustement linéaire : C'est le cas où l'on peut prendre pour C une droite. Cette droite est dite
droite ajustée à l'ensemble de points.
 
2.2. Ajustement linéaire graphique (ou ajustement à "main levée")
 
Théoriquement, diverses sortes d'ajustement linéaire sont possibles, le plus simple
est l'ajustement graphique réalisé par le dessinateur.
Cette méthode consiste à placer une droite D qui semble être la plus proche possible des
points, ceux-ci se répartissent à peu près également de part et d'autre de D. On détermine
ensuite son équation à l'aide de deux de ses points.
Il est commode d'utiliser une règle transparente comportant des parallèles équidistantes.
Cette méthode donne un résultat approximatif qui dépend de l'opérateur.
 
2.3. Méthode de Mayer  (ou méthode des moyennes discontinues)
 
On appelle point moyen G d'un ensemble de points Mij(xi, yj), le point ayant:
            - pour abscisse la moyenne  de xi :             

            - pour ordonnée la moyenne   de yj  :           

On range le points Mij dans l'ordre croissant de leurs abscisses, et on divise la suite obtenue
en 2 parties E1 et E2 d'effectifs voisins.
On considère le point moyen G1 de E1, et point moyen G2 de E2. La droite G1G2 est une droite
ajustée. On l'appelle droite de Mayer. On montre qu'elle passe par le point moyen G de
l'ensemble des points Mij.

On vérifie que la droite Mayer a pour équation :  

Exemple : Représenter le nuage de points du tableau 2 et de tracer la droite ajustée (droite
de Mayer)
 
2.4. Méthode des "moyennes mobiles" ou "partielles"
 
Afin d'éliminer les irrégularités que peut présenter la suite de points Mi (xi ; yi) du graphique, on
remplace alors chaque valeur de yi par la moyenne de yi et de deux ou trois valeurs voisines.
Exemple : On considère la série du tableau 2
 
x 0,4 1,2 1,6 2 2,4 2,6 3,2 3,4 3,8 4 4,5 5
y 11 8 19 15 24 28 25 38 39 34 35 48
 
Ce tableau devient (Tableau 3) en groupant deux valeurs consécutives par leur moyenne.
 
Tableau 3
x 0,8 1,4 1,8 2,2 2,5 2,9 3,3 3,6 3,9 4,2 4,7
y 9,5 13,5 17 19,5 26 26,5 31,5 38,5 36,5 34,5 41,5
 
On obtient le tableau 4 si l'on prend pour trois valeurs consécutives de x, la valeur centrale et
si l'on associe à cette valeur centrale la valeur moyenne des yi associés.
 
Tableau 4
x 1,2 2,4 3,4 4,5
y 12,7 22,3 34 49
 
 
2.5. Méthode des moindres carrés
 
         Principe de la méthode des moindres carrés
La méthode des moindres carrés présente un caractère plus rigoureux que les précédentes.
Elle consiste à rechercher une droite telle que la somme de ses "distance" aux différents
points Mij (xi ; yj) soit minimale
 
Cette méthode peut être utilisée à la plupart des séries doubles.
Pour s'assurer que l'ajustement est valide, on calcule le coefficient de corrélation linéaire
  ;       -1  r  1
Si la valeur absolue de r est voisin de 1, l'ajustement est valide. ( 0,7 < |r| < 1).
 
         Première droite des moindres carrés
Soit Mij le point de coordonnées (xi ; yj). On appelle distance de Mij parallèlement à Oy à une
droite (D) d'équation y = ax + b le nombre
dij = Mij M'ij = | yj - ax + b |.

On démontre que lorsque a et b varient, la somme  des carrés des

distances est minimale pour              et       

L'équation y = ax + b s'appelle droite d'ajustement (ou d'estimation) de y en x (ou première
droite des moindres carrés).
 
 
a - Applications de la méthode des moindres carrés à des données individuelles
 
Droite d'estimation de y en x
La droite d'ajustement a pour équation y* = ax + b.   y* estimée par opposition a y ( y
observée).
Les coefficients a e b sont déterminés à partir des formules :

             et              .

On montre que :         

Exemple : Déterminer l'équation de la droite de régression de y en x de la série du tableau 2.
Présentation des calculs
xi yi xi2 yi2 xi yi
x1 y1      
x2 y2      
… …      
xn yn      

 
On rappelle que pour le calcul des moyennes et des variances de x et y on utilise les
formules:

Les moyennes          et         

 Les variances        et         
 
         Droite d'estimation de x en y.
Le calcul précédent fait jouer un rôle dissymétrique aux variables x et y. Or, rien ne permet
de dire si l'une des variables dépend de l'autre. Il est alors aussi logique de recommencer les
calculs précédents, mais en inversant les rôles des deux variables.
On définit une droite d'ajustement de x en y d'équation x= a' y + b' avec :

       et          .
Exemple :Reprendre le cas de l'exemple précédent pour déterminer l'équation de la droite
d'estimation de x en y.
 
Remarques
Cette deuxième droite d'estimation est différente de la précédente, mais on ne peut dire si
elle représente un meilleur ajustement.
Le carré du coefficient de corrélation est égal au produit des pentes

.
Si les deux droites sont identiques, on aurait | r | = 1. Si les droites sont proches, | r | est
voisin de 1, ce qui correspond à un ajustement valide. Par contre, si | r | n'est pas très
différent de zéro, les deux pentes a et a' sont loin d'être inverses l'une de l'autre, et par
conséquent les droites d'ajustement sont sensiblement différentes : les points (xi ; yi) sont
loin d'être alignés.
 
b - Applications de la méthode des moindres carrés à des données groupées
Le principe de calcul est le même. Les coefficients a et b sont calculés à partir des
expressions

 et            
 
Présentation des calculs
Pour calculer les moyennes  et  , les variances V(X) et V(Y) et la covariance cov(X,Y), on
complète le tableau suivant :
 
Y
X y1 y2 ... yj ... ys ni. xi ni. xi ni. xi2

x1 n11 n12 ... n1j ... n1s            

x2 n21 n22 ... ... ... ...            
… … … ……… …            
xi ni1 ni2   nij … nis            
… … … ……… …            
xr nr1 nr2 … nrj … nrs            
 n.j             N  

yj                      

n.j yj                      

n.j yj2                      

 
 
 
 
On remarque que :

Pour la ligne x1,            

et pour le calcul de la covariance :    

 
 
 
 

SERIES STATISTIQUES A DEUX VARIABLES

 
 
I - NOTATION ET REPRESENTATION DES SERIES STATISTIQUES DOUBLES
 
Dans la partie précédente, nous avons étudié une population selon un seul caractère.
Cependant, il est souvent utile de considérer à la fois plusieurs caractères de la population
(exemple : taille, poids…)
 
Une série statistique double peut être donnée comme l'énumération d'un certain nombre de
résultats. Le tableau 1 donne le poids et la taille d'un groupe d'élèves.
Dans ce tableau figure un numéro, arbitrairement attribué, il permet un repérage des indices
i des xi et yi. et peut être utilisé pour la représentation graphique.
 
N° 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Taille (cm) 153 158 160 159 155 170 163 153 165 170 158 163 155 152 165 162 152 156 158 167
Poids (kg) 45 45 50 51 53 60 55 48 60 51 52 52 45 49 45 50 45 48 46 49
                                         
N° 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
Taille (cm) 172 154 172 150 160 156 160 166 175 165 159 155 151 163 168 156 155 162 175 166
Poids (kg) 60 45 55 45 50 48 60 45 61 45 45 53 45 54 45 42 58 45 51 45
 
Tableau 1 : Poids et taille d'un groupe de 40 élèves
 
Sur une population P, d'effectif N, on étudie simultanément un caractère X qui peut prendre
les valeurs ou modalités x1, x2, …, xr et un caractère Y qui peut prendre les valeurs y 1, y2, …,
ys.
 X et Y peuvent être indifféremment des caractères quantitatifs ou qualitatifs. Les xi et les
yj désignent les classes des caractères X et Y dans le cas d'une série classée.
On utilise un tableau dit à double entrée ou tableau carré.
Caractère Y
  y1 y2     yj     ys totaux
Caractère X
x1 n11 n12     n1j     n1s n1.
x2 n21 n22             n2.
                   
xi ni1 ni2     nij     nis ni.
                   
xr nr1 nr2     nrj     nrs nr.
totaux n.1 n.2     n.j     n.s N
 
Effectifs partiels
On appelle effectif partiel nij du couple (xi ; yj) le nombre d'individus présentant la modalité
xi du caractère X et la modalité yj du caractère Y.
 
Distributions marginales
La dernière ligne et la dernière colonne du tableau représentent les distributions marginales
(dans la marge), c’est-à-dire la distribution de X sans tenir compte du caractère Y ou celle de
Y sans tenir compte de X.
Les distributions marginales peuvent être traitées comme une série simple.
 
         Effectifs marginaux
La somme des effectifs partiels contenus dans la ligne xi est égal à l’effectif des éléments
dont la valeur du caractère X est xi
De la même manière, La somme des effectifs partiels contenus dans la colonne yj est égal à
l’effectif des éléments dont la valeur du caractère Y est yj
On les appelle effectifs partiels marginaux.

On les note respectivement :                          et         

 
      Fréquences marginales

On appelle fréquence fi. marginale de xi le rapport   

où ni . est l'effectif marginal de xi et N l'effectif total.

De même   est la fréquence marginale de yj

 
Exemple : Le dépouillement de la série du tableau 1 donne.
 
       Poids (kg)
  ] 40;45] ] 45;50] ] 50;55] ] 55;61] totaux
Taille (cm)
]149 ; 155] 6 2 2    
]155 ; 160] 3 5 2 1 11
]160 ; 165] 3 1 3 1 8
]165 ; 170] 3 1 1 1 6
 ]170 ; 175] 0 0 2 2 4
totaux 15 9 10 6 40
 
Dans un repère orthogonal xOy, on marque les points de coordonnées (xi ; yj). On obtient un
graphique appelé "nuage de points".
 
      Fréquences conditionnelles
On suppose que tous les effectifs marginaux sont différents de zéro.
On appelle fréquence conditionnelle de la valeur xi sachant yj le nombre noté fi/j.

En divisant par N le numérateur et le dénominateur on a : 

De même, on définit la fréquence conditionnelle de la valeur yj sachant xi.  

 
Eléments caractéristiques

On définit en particulier les moyennes    et  , les variances V(X) et V(Y) et les écart-
types (X) et (Y).
      Moyennes arithmétiques

La moyenne de X est      ou        

La moyenne de Y est      ou        

 
      Variances

La variance de X est         ou        

La variance de Y est       ou        

 
Formules de Koenig : On montre que

       ou        

et de même           ou        
 
         Covariance
On appelle covariance du couple (X ; Y), et on note cov (X ; Y),la moyenne
de 

On démontre que :    

La covariance joue un rôle analogue à celui de la variance dans le cas d’une série statistique
simple.
Si l’on fait X=Y on retrouve la formule de la variance.
 
Changement de variable
Soit le changement de variable défini par : xi = x0 + hx’i  et yi = y0 + ky’j 
La covariance s’écrit :
cov ( X, Y) = hk cov(X', Y')
 
Coefficient de corrélation linéaire
On appelle coefficient de corrélation linéaire de (X ; Y) le nombre réel noté r et égal à

Si on effectue le changement de variable xi = x0 + hx’i  et yi = y0 + ky’j  , on obtient

Le coefficient de corrélation est donc invariant par ce changement de variable.

Propriétés
On montre que : -1  r  1.
Si X et Y sont indépendants alors r = 0. La réciproque est fausse.
 
 
II - Ajustement linéaire
 
Nous avons étudié, précédemment, des tableaux d'effectifs traduisant l'observation de deux
caractères X et Y, quantitatifs ou qualitatifs d'une même population.
Le problème est de savoir si ces deux caractères sont liés ou indépendants. A priori,
puisqu'on les étudie ensemble, on soupçonne qu'ils ne sont pas indépendants.
Lorsque les deux variables X et Y sont numériques, on représente chaque individu par le
couple (xi, yj) où xi et yj sont respectivement les valeurs des caractères X et Y.
 
Exemple : On considère la série du tableau 2
 
x 0,4 1,2 1,6 2 2,4 2,6 3,2 3,4 3,8 4 4,5 5
y 11 8 19 15 24 28 25 38 39 34 35 48
 
On peut représenter graphiquement ces données.
On constate que les points représentatifs de la série de notes ne sont pas rigoureusement
alignés mais qu'ils forment un "nuage de points" relativement allongé.
On peut se demander  si l'on peut déterminer une droite qui résume approximativement
l'ensemble de ces points.
La recherche d'une telle droite est un ajustement linéaire.
 
2.1. Définition
 
Pour représenter graphiquement les couples (xi , yj), on marque dans un repère xOy les
points de coordonnées (xi , yj). On obtient un graphique appelé nuage de points.
 
Ajuster un ensemble de points consiste à déterminer une courbe C simple "aussi proche que
possible" de l'ensemble des points Mij(xi, yj).
 
Ajustement linéaire : C'est le cas où l'on peut prendre pour C une droite. Cette droite est dite
droite ajustée à l'ensemble de points.
 
2.2. Ajustement linéaire graphique (ou ajustement à "main levée")
 
Théoriquement, diverses sortes d'ajustement linéaire sont possibles, le plus simple
est l'ajustement graphique réalisé par le dessinateur.
Cette méthode consiste à placer une droite D qui semble être la plus proche possible des
points, ceux-ci se répartissent à peu près également de part et d'autre de D. On détermine
ensuite son équation à l'aide de deux de ses points.
Il est commode d'utiliser une règle transparente comportant des parallèles équidistantes.
Cette méthode donne un résultat approximatif qui dépend de l'opérateur.
 
2.3. Méthode de Mayer  (ou méthode des moyennes discontinues)
 
On appelle point moyen G d'un ensemble de points Mij(xi, yj), le point ayant:

            - pour abscisse la moyenne  de xi :             

            - pour ordonnée la moyenne   de yj  :           

On range le points Mij dans l'ordre croissant de leurs abscisses, et on divise la suite obtenue
en 2 parties E1 et E2 d'effectifs voisins.
On considère le point moyen G1 de E1, et point moyen G2 de E2. La droite G1G2 est une droite
ajustée. On l'appelle droite de Mayer. On montre qu'elle passe par le point moyen G de
l'ensemble des points Mij.

On vérifie que la droite Mayer a pour équation :  

Exemple : Représenter le nuage de points du tableau 2 et de tracer la droite ajustée (droite
de Mayer)
 
2.4. Méthode des "moyennes mobiles" ou "partielles"
 
Afin d'éliminer les irrégularités que peut présenter la suite de points Mi (xi ; yi) du graphique, on
remplace alors chaque valeur de yi par la moyenne de yi et de deux ou trois valeurs voisines.
Exemple : On considère la série du tableau 2
 
x 0,4 1,2 1,6 2 2,4 2,6 3,2 3,4 3,8 4 4,5 5
y 11 8 19 15 24 28 25 38 39 34 35 48
 
Ce tableau devient (Tableau 3) en groupant deux valeurs consécutives par leur moyenne.
 
Tableau 3
x 0,8 1,4 1,8 2,2 2,5 2,9 3,3 3,6 3,9 4,2 4,7
y 9,5 13,5 17 19,5 26 26,5 31,5 38,5 36,5 34,5 41,5
 
On obtient le tableau 4 si l'on prend pour trois valeurs consécutives de x, la valeur centrale et
si l'on associe à cette valeur centrale la valeur moyenne des yi associés.
 
Tableau 4
x 1,2 2,4 3,4 4,5
y 12,7 22,3 34 49
 
 
2.5. Méthode des moindres carrés
 
         Principe de la méthode des moindres carrés
La méthode des moindres carrés présente un caractère plus rigoureux que les précédentes.
Elle consiste à rechercher une droite telle que la somme de ses "distance" aux différents
points Mij (xi ; yj) soit minimale
 
Cette méthode peut être utilisée à la plupart des séries doubles.
Pour s'assurer que l'ajustement est valide, on calcule le coefficient de corrélation linéaire

 ;       -1  r  1
Si la valeur absolue de r est voisin de 1, l'ajustement est valide. ( 0,7 < |r| < 1).
 
         Première droite des moindres carrés
Soit Mij le point de coordonnées (xi ; yj). On appelle distance de Mij parallèlement à Oy à une
droite (D) d'équation y = ax + b le nombre
dij = Mij M'ij = | yj - ax + b |.

On démontre que lorsque a et b varient, la somme  des carrés des

distances est minimale pour              et       

L'équation y = ax + b s'appelle droite d'ajustement (ou d'estimation) de y en x (ou première
droite des moindres carrés).
 
 
a - Applications de la méthode des moindres carrés à des données individuelles
 
Droite d'estimation de y en x
La droite d'ajustement a pour équation y* = ax + b.   y* estimée par opposition a y ( y
observée).
Les coefficients a e b sont déterminés à partir des formules :

             et              .
On montre que :         
Exemple : Déterminer l'équation de la droite de régression de y en x de la série du tableau 2.
Présentation des calculs
xi yi xi2 yi2 xi yi
x1 y1      
x2 y2      
… …      
xn yn      

 
On rappelle que pour le calcul des moyennes et des variances de x et y on utilise les
formules:

Les moyennes          et         

Les variances        et         

 
         Droite d'estimation de x en y.
Le calcul précédent fait jouer un rôle dissymétrique aux variables x et y. Or, rien ne permet
de dire si l'une des variables dépend de l'autre. Il est alors aussi logique de recommencer les
calculs précédents, mais en inversant les rôles des deux variables.
On définit une droite d'ajustement de x en y d'équation x= a' y + b' avec :

       et          .
Exemple :Reprendre le cas de l'exemple précédent pour déterminer l'équation de la droite
d'estimation de x en y.
 
Remarques
Cette deuxième droite d'estimation est différente de la précédente, mais on ne peut dire si
elle représente un meilleur ajustement.
Le carré du coefficient de corrélation est égal au produit des pentes

.
Si les deux droites sont identiques, on aurait | r | = 1. Si les droites sont proches, | r | est
voisin de 1, ce qui correspond à un ajustement valide. Par contre, si | r | n'est pas très
différent de zéro, les deux pentes a et a' sont loin d'être inverses l'une de l'autre, et par
conséquent les droites d'ajustement sont sensiblement différentes : les points (xi ; yi) sont
loin d'être alignés.
 
b - Applications de la méthode des moindres carrés à des données groupées
 Le principe de calcul est le même. Les coefficients a et b sont calculés à partir des
expressions

 et            
 
Présentation des calculs
Pour calculer les moyennes  et  , les variances V(X) et V(Y) et la covariance cov(X,Y), on
complète le tableau suivant :
 
Y
X y1 y2 ... yj ... ys ni. xi ni. xi ni. xi2

x1 n11 n12 ... n1j ... n1s            

x2 n21 n22 ... ... ... ...            
… … … ……… …            
xi ni1 ni2   nij … nis            
… … … ……… …            
xr nr1 nr2 … nrj … nrs            

n.j             N  

yj                      

n.j yj                      

n.j yj2                      

 
 
 
 
On remarque que :

Pour la ligne x1,            

et pour le calcul de la covariance :