Définitions et Concepts
\( y = ax + b \)
Régression linéaire
Ajustement de courbes :
Technique permettant de trouver la fonction mathématique qui représente au mieux un ensemble de données expérimentales.
Méthode des moindres carrés :
Méthode qui minimise la somme des carrés des écarts entre les points expérimentaux et la courbe ajustée.
Paramètres d'Ajustement
Coefficient directeur : a
Ordonnée à l'origine : b
Coefficient de corrélation : R²
Équation de la droite
Qualité de l'ajustement
R² = 1 : ajustement parfait
R² > 0.9 : bon ajustement
R² < 0.5 : mauvais ajustement
Types d'Ajustements
Linéaire : y = ax + b
Polynomial : y = ax² + bx + c
Exponentiel : y = ae^(bx)
Logarithmique : y = a*ln(x) + b
Puissance : y = ax^b
Applications
Physique :
Loi de Hooke, Ohm, etc.
Chimie :
Cinétique, loi de Beer-Lambert
Mathématiques :
Modélisation de phénomènes
Méthodes d'Ajustement
Sélectionner les données
Créer un graphique
Ajouter une courbe de tendance
Afficher l'équation
Afficher R²
Interpréter les résultats
Exemples d'Applications
Loi de Beer-Lambert :
A = f(c) → relation linéaire
A = εbc → ajustement linéaire
R² proche de 1 → validation
A = εbc → ajustement linéaire
R² proche de 1 → validation
Loi de Hooke :
F = f(ΔL) → relation linéaire
F = k·ΔL → détermination de k
Coefficient directeur = k
F = k·ΔL → détermination de k
Coefficient directeur = k
Cinétique chimique :
ln[A] = f(t) → relation linéaire
Pseudo-ordre 1
Pente = -k
Pseudo-ordre 1
Pente = -k
Conseils & Méthodologie
Vérifier la linéarité
Examiner les points aberrants
Transformer si nécessaire
Interpréter R² avec prudence
Valider le modèle théorique
Erreurs Fréquentes
Erreur 1 :
Forcer un ajustement linéaire à des données non linéaires
Erreur 2 :
Interpréter R² comme preuve de causalité
Erreur 3 :
Ne pas vérifier la validité du modèle
Erreur 4 :
Omettre les points aberrants
