tracer des graphiques Splatter, plus communément appelés graphiques de nuage de points, jouent un rôle très utile dans l'expression des résultats numériques d'une expérience. Ces parcelles fournissent une distribution visuelle des points de données, chacun étant représenté comme une marque ou un point. Bien que similaire à la ligne des graphiques, les points de données sur un diagramme de dispersion ne sont pas directement connectés. Au contraire, les diagrammes de dispersion servent à illustrer une tendance générale représentée par les données.
Objet d'un nuage de points
Les diagrammes de dispersion sont utilisés pour déterminer si une relation existe entre les variables. Si les données indiquent qu'il existe une relation entre les variables, cette relation est appelée la corrélation. Les graphiques linéaires sont utilisés pour visualiser les variations localisées entre les points individuels de données, tandis que les diagrammes de dispersion sont utilisés pour visualiser la relation globale des données en tant que groupe. Les diagrammes de dispersion sont également connus sous forme de diagrammes de dispersion, scattergrams, diagrammes de dispersion et diagrammes de dispersion.
Aménagement d'un nuage de points
Les diagrammes de dispersion utilisent les coordonnées cartésiennes pour afficher les valeurs pour un ensemble de données, sur la base de deux variables. L'axe des abscisses représente la variable indépendante, ou d'un paramètre de commande. La variable (par exemple, le temps ou la température) est systématiquement augmentée ou diminuée. L'axe Y peut représenter soit une variable dépendante ou d'une variable indépendante. Si la variable est dépendante, l'intrigue va illustrer le degré de causalité. Si la variable indépendante, le tracé va illustrer le degré de corrélation.
Corrélation ou Causation
Le but d'un diagramme de dispersion est de déterminer la corrélation (ie, le lien de causalité) entre les variables. Ceci est accompli en traçant une ligne de meilleur ajustement, qui est également connu comme une ligne de tendance ou d'une ligne de régression. Cette ligne représente la solution mathématique pour la relation entre les variables. La ligne de régression peut révéler trois types de relations. Si les valeurs Y augmentent en fonction de X, il existe une (augmentation) corrélation positive. Si les valeurs Y diminuent en fonction de X, il y a une valeur négative (en baisse) corrélation. Si les points de données sont aléatoires, il n'y a pas de corrélation entre les variables. Les corrélations peuvent également être exprimées sous forme de courbes. Ces lignes de tendance courbes sont généralement soit des courbes du second ordre (cubes) ou des courbes de troisième ordre (quadratique).
Force de la corrélation
Une constante mathématique, parfois appelée la «qualité de l'ajustement», reflète le degré de certitude à laquelle cette corrélation, ou d'une solution, adapte les données. Avec toutes les données expérimentales, il y a toujours une certaine quantité d'erreur inhérente dans le processus de collecte. Ce niveau, ou la marge, d'erreur se reflète dans la valeur de la constante. Le ou coefficient constant, la régression est généralement exprimée en "R." Si toutes les données parfaitement adaptés la solution, le coefficient de régression (R) serait égal à un. Solutions qui ont une valeur R supérieure à 0,7 sont généralement considérés comme des corrélations fortes, bien que la science préfère généralement des coefficients supérieur à 0,99 pour établir la certitude de la relation. Comme cette valeur R diminue, le degré de certitude que cette corrélation théorique est à la fois valide et exacte dans le monde réel diminue. La petite taille de l'échantillon peuvent également affecter négativement le coefficient de régression.