Personnaliser les préférences

Nous utilisons des cookies pour vous aider à naviguer efficacement et à exécuter certaines fonctions. Vous trouverez ci-dessous des informations détaillées sur tous les cookies sous chaque catégorie de consentement.

Les cookies classés comme « Nécessaires » sont stockés sur votre navigateur car ils sont essentiels pour activer les fonctionnalités de base du site.... 

Toujours actif

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

Aucun cookie à afficher.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

Aucun cookie à afficher.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

Aucun cookie à afficher.

Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.

Aucun cookie à afficher.

Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.

Aucun cookie à afficher.

Comment effectuer une régression linéaire sur une calculatrice TI-84



La régression linéaire est une méthode que nous pouvons utiliser pour comprendre la relation entre une variable explicative, x, et une variable de réponse, y.

Ce didacticiel explique comment effectuer une régression linéaire sur une calculatrice TI-84.

Exemple : régression linéaire sur une calculatrice TI-84

Supposons que nous souhaitions comprendre la relation entre le nombre d’heures qu’un étudiant étudie pour un examen et la note qu’il obtient à l’examen.

Pour explorer cette relation, nous pouvons effectuer les étapes suivantes sur une calculatrice TI-84 pour effectuer une régression linéaire simple en utilisant les heures étudiées comme variable explicative et la note d’examen comme variable de réponse.

Étape 1 : Saisissez les données.

Tout d’abord, nous saisirons les valeurs des données pour la variable explicative et la variable de réponse. Appuyez sur Stat puis appuyez sur EDIT . Entrez les valeurs suivantes pour la variable explicative (heures étudiées) dans la colonne L1 et les valeurs pour la variable de réponse (score à l’examen) dans la colonne L2 :

Étape 2 : Effectuez une régression linéaire.

Ensuite, nous effectuerons une régression linéaire. Appuyez sur Stat puis faites défiler jusqu’à CALC . Faites ensuite défiler jusqu’à 8 : Linreg(a+bx) et appuyez sur Enter .

Régression linéaire sur une calculatrice TI-84

Pour Xlist et Ylist, assurez-vous que L1 et L2 sont sélectionnés car ce sont les colonnes que nous avons utilisées pour saisir nos données. Laissez FreqList vide. Faites défiler jusqu’à Calculer et appuyez sur Entrée . La sortie suivante apparaîtra automatiquement :

Sortie de régression linéaire sur une calculatrice TI-84

Étape 3 : Interprétez les résultats.

D’après les résultats, nous pouvons voir que l’équation de régression estimée est la suivante :

score à l’examen = 68,7127 + 5,5138*(heures)

Nous interprétons le coefficient des heures comme signifiant que pour chaque heure supplémentaire étudiée, la note à l’examen devrait augmenter de 5,5138 en moyenne. Nous interprétons le coefficient de l’interception comme signifiant que la note attendue à l’examen pour un étudiant qui étudie zéro heure est de 68,7127 .

Nous pouvons utiliser cette équation de régression estimée pour calculer la note attendue à l’examen pour un étudiant, en fonction du nombre d’heures d’études.

Par exemple, un étudiant qui étudie pendant trois heures devrait obtenir une note à l’examen de 85,25 :

score à l’examen = 68,7127 + 5,5138*(3) = 85,25

Nous pouvons également voir que le r au carré pour le modèle de régression est r 2 = 0,7199 .

Cette valeur est connue sous le nom de coefficient de détermination. C’est la proportion de la variance de la variable de réponse qui peut être expliquée par la variable explicative. Dans cet exemple, 71,99 % de la variation des résultats aux examens peut s’expliquer par le nombre d’heures étudiées.

Ressources additionnelles

Comment créer un tracé résiduel sur une calculatrice TI-84
Comment effectuer une régression quadratique sur une calculatrice TI-84
Comment effectuer une régression exponentielle sur une calculatrice TI-84
Comment effectuer une régression logarithmique sur une calculatrice TI-84

Ajouter un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *