Chapitre 4 : Régression linéaire
On va modéliser la relation entre la tension et l'âge à l'aide d'une droite. 6. Equation générale du modèle de régression linéaire simple. Si la relation était
Cours 12 : Corrélation et régression
Si l'interaction A × B est significative il faut simplement ne pas faire de régression multiple linéaire. Le facteur YXZ
Corrélation et régression linéaire simple
En statistique le terme de corrélation est réservé pour désigner la liaison entre 2 variables QUANTITATIVES (le plus souvent continues). Corrélation /
MODELES LINEAIRES
Si on s'intéresse à la relation entre deux variables on parlera de régression simple en exprimant une Dans le cas de la régression linéaire simple sous la ...
12. Régression linéaire simple
données et sugg`ere une relation linéaire entre X et Y . 40. 45. 50. 55. 60. 65. 70. 75. 80. 85. 90. 90. 110. 130. 150. 170. 190 rendement vs température.
13 Régression linéaire simple
La question n'est pas d'obtenir "la relation" entre x et y mais d'obtenir la "meilleure" droite permettant de lier les deux variables observées. En considérant
Régression linéaire simple
(8) Coefficient de détermination R2 ou carré du coefficient de corrélation. 4 Inférence. 4.1 Loi des paramètres. Les estimateurs ̂ β0 et ̂ β1 sont
Tester lassociation linéaire entre deux variables quantitatives
4 nov. 2020 => importance de l'exploration graphique ! 2020-11-04. Corrélation et régression linéaire simple - Pr Emmanuel Chazard. 8 ...
Compléments sur la régression linéaire simple et inférence sur les
12 jui. 2015 corrélation linéaire (par exemple le cours de statistique de Mme. Supper de Licence 3). Myriam Maumy-Bertrand. Compléments sur la régression ...
Corrélation Régression Linéaire
Étudier la corrélation entre X et Y revient à: 1. Evaluer une relation statistique entre deux variables quantitatives;. 2. Calculer un paramètre qui mesure
Corrélation et régression linéaire simple
Corrélation / régression : liaison entre 2 variables quantitatives et de la régression linéaire simple. 2. Liaison linéaire entre X et Y.
Corrélation et régression linéaire simple
Corrélation et régression linéaire simple. José LABARERE. Année universitaire 2010/2011. Université Joseph Fourier de Grenoble - Tous droits réservés.
Chapitre 4 : Régression linéaire
On va modéliser la relation entre la tension et l'âge à l'aide d'une droite. 6. Equation générale du modèle de régression linéaire simple.
MODELES LINEAIRES
1.2.3 Relation entre variable quantitative et variables qualitatives . . . . . . . . . 4 5.1.2 Le modèle de régression linéaire simple .
12. Régression linéaire simple
Régression linéaire simple. 3. Estimation des param`etres. 4. Intervalles de confiance et tests. 5. Analyse des résidus. 6. Corrélation.
Régression linéaire simple
26 mar. 2010 L'analyse de régression linéaire simple permet de quantifier le ... utilitaire nous donne le coefficient de corrélation en valeur absolue.
Régression linéaire simple
(8) Coefficient de détermination R2 ou carré du coefficient de corrélation. 4 Inférence. 4.1 Loi des paramètres. Les estimateurs ? ?0 et ? ?1 sont
Corrélation linéaire et régression linéaire simple
Le coefficient de corrélation de Pearson ? mesure le degré d'association linéaire entre X et Y : ? = E[XY ] ? E[X]E[Y ] ?(X)?(Y ).
Séance 2
Introduction : différence entre corrélation linéaire et régression linéaire Une régression linéaire simple consiste à modéliser l'influence.
Régression linéaire simple dans Excel
L'analyse de régression linéaire simple permet de quantifier le lien de causalité utilitaire nous donne le coefficient de corrélation en valeur absolue.
1/62/6 3/6 4/6 5/6 6/6
12. Regression lineaire simple
MTH2302D
S. Le Digabel,
Ecole Polytechnique de Montreal
A2017 (v2)MTH2302D: regression1/46
1/62/6 3/6 4/6 5/6 6/6
Plan1. Introduction
2. Regression lineaire simple
3. Estimation des parametres
4. Intervalles de conance et tests
5. Analyse des residus
6. Correlation
MTH2302D: regression2/46
1/62/6 3/6 4/6 5/6 6/6
1. Introduction
2. Regression lineaire simple
3. Estimation des parametres
4. Intervalles de conance et tests
5. Analyse des residus
6. Correlation
MTH2302D: regression3/46
1/62/6 3/6 4/6 5/6 6/6
Regression lineaire : introduction
But :etablir un lien entre une variable dependanteYet une variable independanteXpour pouvoir ensuite faire des previsions surYlorsqueXest mesuree.Exemple 1 L'analyse de la temperature de fonctionnement d'un procede chimique sur le rendement du produit a donne les valeurs suivantes pour la temperatureXiet le rendement correspondantYi:Temperature
CRendement %Temperature
CRendement %
1004515070
1105116074
1205417078
1306118085
1406619089
MTH2302D: regression4/46
1/62/6 3/6 4/6 5/6 6/6
Exemple 1 (suite)
Le graphe ci-dessous represente les points(Xi;Yi)pour ces donnees et suggere une relation lineaire entreXetY.404 0 0 0 80890901101301
01 0190
400 0 8918 0 3+4, -408MTH2302D: regression5/46
1/62/6 3/6 4/6 5/6 6/6
1. Introduction
2. Regression lineaire simple
3. Estimation des parametres
4. Intervalles de conance et tests
5. Analyse des residus
6. Correlation
MTH2302D: regression6/46
1/62/6 3/6 4/6 5/6 6/6
Modele lineaire
Denition
Unmodele de regression lineaire simpleest de la formeY=0+1X+"
ou IYest lavariable dependante(une v.a.).
I0et1sont lescoecients(ordonnee a l'origine et pente).
I Xest lavariable independante(variable explicative). I "est uneerreuraleatoire.MTH2302D: regression7/461/62/6 3/6 4/6 5/6 6/6
Modele lineaire (suite)
L'esperance deYpour chaqueXest le point sur la droite d'equation E(YjX) =0+1X.On suppose que
IPour chaque valeur deX, E(") = 0et V(") =2.
I "N(0;2). ILes erreurs"sont independantes (non correlees).
On cherche a
IEstimer les parametres0,1et2.
I Verier si le modele est adequat.MTH2302D: regression8/461/62/6 3/6 4/6 5/6 6/6
1. Introduction
2. Regression lineaire simple
3. Estimation des parametres
4. Intervalles de conance et tests
5. Analyse des residus
6. Correlation
MTH2302D: regression9/46
1/62/6 3/6 4/6 5/6 6/6
Parametres0et1
Supposons quenpaires d'observations(X1;Y1),(X2;Y2),:::, (Xn;Yn)ont ete faites. Substituant dans le modele lineaire, on obtient Y i=0+1Xi+"i)"i=Yi01Xi: Les coecients sont determines par la methode des moindres carres qui minimise la somme des carres des erreurs :L(0;1) =nX
i=1(Yi01Xi)2: On resout le systeme de deux equations a deux inconnues rL(^0;^1) = 0.MTH2302D: regression10/461/62/6 3/6 4/6 5/6 6/6
Parametres0et1(suite)
rL(^0;^1) = 0)80=Y^1X
1=P n i=1XiYinXYP n i=1X2inX2=SXYS
XXavec
IX=1n P n i=1XietY=1n P n i=1Yi. ISXX=Pn
i=1(XiX)2=Pn i=1X2inX2= (n1)S2.
ISY Y=Pn
i=1(YiY)2=Pn i=1Y2inY 2. ISXY=Pn
i=1(XiX)(YiY) =Pn i=1XiYinXY. Exemple 2 :retrouver ces formules.MTH2302D: regression11/461/62/6 3/6 4/6 5/6 6/6
Droite de regression pour l'exemple 1404
0 0 0 80890901101301
01 0190+,--./0+1,23/+/1.41/002,-Voirchier Excel .
MTH2302D: regression12/46
1/62/6 3/6 4/6 5/6 6/6
Point de vue algebrique
IEtant donnesnpoints de donnees
(X1;Y1);(X2;Y2);:::;(Xn;Yn)deR2, on essaie de trouver l'equation d'une droite qui passe par lesnpoints. ICette equation estY=0+1Xavec0;12R.
I0et1devraient ^etre les solutions du systemeAx=bavec
A=2 66641X1
1X2......
1Xn3 7775;x=0
1 ;b=2 6 664Y1 Y 2... Y n3 7 775.
I
Resolution au sens des
moindres ca rres ^0;^1) = A>A1A>b.MTH2302D: regression13/46
1/62/6 3/6 4/6 5/6 6/6
Proprietes de0et1
La droite de regression estimee est
^Y=^0+^1X.Les variables aleatoires
^0et^1sont des estimateurs de l'ordonnee a l'origine0et de la pente1.Theoreme1.E(^0) =0et E(^1) =1(estimateurs non biaises).
2.V(^0) =2"
1n +X 2S XX# et V(^1) =2S XX.3.Cov(^0;^1) =2X
S XX.MTH2302D: regression14/46
1/62/6 3/6 4/6 5/6 6/6
Parametre2
Rappel : le modele de regression estY=0+1X+"avec
"N(0;2).La dierence entre la valeur estimee
^Yi=^0+^1Xiet la valeur observeeYiest appeleeresiduet est denoteeEi=^YiYi.On denit
ILasomme des carres d^ue a l'erreurpar
SS E=nX i=1E 2i=nX i=1(^YiYi)2. ILasomme des carres d^ue a la regressionpar
SS R=nX i=1(^YiY)2=^21SXX=S2XYS XX.MTH2302D: regression15/46
1/62/6 3/6 4/6 5/6 6/6
Parametre2(suite)
La quantiteSY Yrepresente la variabilite totale desYi. On peut la decomposer par SY Y=SST=SSE+SSR.Theoreme
1.E(SSE) = (n2)2.
2.^2=SSEn2MSEest donc un estimateur sans biais de2.MTH2302D: regression16/46
1/62/6 3/6 4/6 5/6 6/6
Exemple 1 (suite)
L'analyse de la temperature de fonctionnement d'un procede chimique sur le rendement du produit a donne les valeurs suivantes pour la temperatureXiet le rendement correspondantYi:Temperature
CRendement %Temperature
CRendement %
1004515070
1105116074
1205417078
1306118085
1406619089
Voir chier ExcelMTH2302D: regression17/46
1/62/6 3/6 4/6 5/6 6/6
1. Introduction
2. Regression lineaire simple
3. Estimation des parametres
quotesdbs_dbs4.pdfusesText_8[PDF] Les acides et les bases Corrigés des exercices
[PDF] Problèmes de mathématiques générales pour l 'agrégation Corrigé
[PDF] CLASSE : 6ème CORRIGE DU CONTRÔLE sur le chapitre : AIRES
[PDF] Les ouvrages d 'accès ? l 'eau potable - Hydraulique Sans Frontières
[PDF] Analyse complexe - Département de mathématiques et de statistique
[PDF] Angles et parallélisme - Exercices corrigés
[PDF] TD Architecture des ordinateurs - LIFL
[PDF] TD 3 #8211 Corrigé
[PDF] Le beton arme selon les Eurocodes 2 Cours et exercices corriges
[PDF] Correction des exercices du fascicule d exercices de Biochimie
[PDF] CAHIER D EXERCICES de BIOCHIMIE et Lipides 3 Glucides - UPMC
[PDF] 1 Protéines CAHIER D 'EXERCICES de BIOCHIMIE - UPMC
[PDF] Physique et biophysique PACES UE 3 - Decitre
[PDF] LE BUDGET DE TRESORERIE Objectif(s) : o Encaissements