Hoja de repaso: Analyse des relations entre deux variables

1. 📌 L'essentiel

• La statistique à deux variables étudie la relation entre deux variables, quantitatives ou qualitatives.
• Le coefficient de corrélation de Pearson ($r$) mesure la relation linéaire entre deux variables quantitatives.
• La covariance indique la dépendance brute entre deux variables, mais dépend des unités.
• Le tableau de contingence analyse l'association entre variables qualitatives.
• Le test de Chi-deux vérifie l'indépendance statistique entre deux variables qualitatives.
• Une forte corrélation ne signifie pas nécessairement une relation causale.
• La relation statistique ne doit pas être confondue avec la causalité.
• La normalisation permet d’obtenir un coefficient borné entre -1 et 1.
• La linéarité et la normalité sont des hypothèses essentielles pour certains tests.
• L’analyse graphique utilise les nuages de points ou diagrammes en bâtons.

2. 🧩 Structures & Composants clés

• Variable quantitative — se mesure par des valeurs numériques continues ou discrètes.
• Variable qualitative / catégorielle — se mesure par des catégories ou modalités.
• Tableau de contingence — représentation tabulaire de deux variables qualitatives.
• Coefficient de Pearson ($r$) — indicateur de dépendance linéaire entre deux variables quantitatives.
• Test Chi-deux — test statistique d’indépendance pour variables qualitatives.
• Covariance ($Cov$) — mesure brute de dépendance.
• Nuage de points — représentation graphique pour variables quantitatives.
• Diagramme en bâtons — représentation graphique des variables qualitatives.

3. 🔬 Fonctions, Mécanismes & Relations

• La covariance indique si deux variables varient dans le même sens ou inversement.
• La normalisation via l’écart-type permet de comparer différentes relations.
• Le coefficient de Pearson est calculé par :

  r = Σ [(xᵢ - 𝑥̄)(yᵢ - 𝑦̄)] / (√Σ (xᵢ - 𝑥̄)²  *  √Σ (yᵢ - 𝑦̄)²)
  

• $r$ ≈ 1 ou -1 → forte relation linéaire ; $r$ ≈ 0 → absence de relation linéaire.
• La relation statistique n'implique pas la causalité mais une dépendance dans la distribution.
• Le tableau de contingence permet de visualiser l’association entre deux variables qualitatives.
• Le test Chi-deux compare l’effectif observé à celui attendu sous hypothèse d’indépendance.
• Relations linéaires : la corrélation $r$ reflète la force et la direction.

4. Tableau de synthèse

Élément	Points clés	Notes
Coefficient de Pearson ($r$)	Mesure la relation linéaire, bornée entre -1 et 1	Indicateur de dépendance linéaire
Covariance ($Cov$)	Mesure brute de dépendance, en unités des variables	Non normalisée
Corrélation (r)	Normalisée via écarts-types, facilite la comparaison	Représente la force de la relation
Test Chi-deux	Vérifie indépendance dans tableau de contingence	Comprendre viabilité de l’association
Association vs causalité	La corrélation ne prouve pas causalité	Nécessite autres analyses

5. Mini-Schéma (ASCII)

Relations entre deux variables
 ├─ Variables
 │   ├─ Quantitatives
 │   │   └─ Analyse via r, covariance
 │   └─ Qualitatives
 │       └─ Analyse via tableau de contingence, Chi-deux
 └─ Mesures d'association
     ├─ Covariance
     └─ Coefficient de corrélation (r)

6. ⚠️ Pièges & Confusions fréquentes

• Confondre corrélation avec causalité.
• Penser que r = 0 implique absence totale de relation (relations non linéaires possibles).
• Utiliser la covariance sans normalisation, confusion avec covariance brute.
• Surinterpréter une corrélation faible comme absence de lien.
• Oublier que le test de Chi-deux ne prouve pas la causalité.
• Confondre variables quantitatives et qualitatives dans l’interprétation.
• Ignorer l’hypothèse de linéarité pour la corrélation.
• Confondre association statistique et relation causale, surtout en sciences sociales.

7. ✅ Checklist Examen Final

• Connaître la définition et l’interprétation du coefficient de Pearson.
• Savoir calculer et interpréter la covariance.
• Comprendre le rôle du tableau de contingence.
• Connaître le test Chi-deux et sa finalité.
• Savoir différencier association et causalité.
• Être capable de lire un nuage de points ou un diagramme en bâtons.
• Identifier la normalité comme hypothèse pour certains tests.
• Savoir différencier variables qualitatives et quantitatives.
• Connaître les limites du coefficient de corrélation.
• Repérer une relation linéaire dans un graphique.
• Se rappeler que r proche de 1 ou -1 indique une forte relation.
• Se méfier des corrélations faibles ou nulles.
• Être capable de décrire la relation entre deux variables quantitatives.
• Connaître la formule du coefficient de Pearson.
• Savoir que la dépendance statistique n’implique pas une causalité directe.

Ce résumé structuré, concis et orienté examens couvre tout ce qu’il faut maîtriser sur la statistique à deux variables.