Chapitre 5 - Méthode des moindres carrés
Calculer la droite de regression du nuage. (xiyi). Commentez. 4. Représenter les résidus et calculer la moyenne des carrés des résidus. 5. Représenter l'
Régression - Droite des moindres carrés 1. Droite des moindres
Régression - Droite des moindres carrés. Le chapitre précédent traitait de la statistique descriptive univariée c'est-à-dire de la description d'une.
1 La droite des moindres carrés 2 Evaluation de la qualité de la
forme y = ax + b on parle de régression linéaire. La méthode des moindres carrés ordinaires (MCO) retient la droite qui rend minimale la somme des.
1 Vous avez dit régression ?
Méthode des moindres carrés : on veut minimiser la distance totale entre les points et la droite. 2.1 Méthode de Mayer. 1. Méthode de Mayer. Antoine
Chapitre 4 : Régression linéaire
d'homoscédasticité qu'il faudra vérifier). 2 ) Ajustement du modèle aux données. Estimation des coe cients de la droite par la méthode des moindres carrés.
TD 1 : Régression Linéaire avec R 1 Calcul des coefficients de la
Nous avons ainsi déterminé la droite de régression par la méthode des moindres carrés c'est-`a-dire en minimisant les écarts au carré entre les points
MATHEMATIQUES CALCULATRICES TI Méthode des moindres
Méthode des moindres carrés – Droite de régression linéaire. Ce tableau donne pour la France métropolitaine
CORRIGÉ
TD 9 : Régression linéaire. Exercice 1. Déterminer par la méthode des moindres carrés ordinaires
TD01- AJUSTEMENT LINÉAIRE METHODE DES MOINDRES
la droite de régression obtenue par la méthode des moindres carrés alors ... La droite des MCO d'une régression simple passe-t-elle par le point ( ?
Ajustement dun nuage de points
9 Jan 2018 4 Méthode des moindres carrés. Droite de régression avec une calculatrice Texas Instrument. Pour calculer les coefficients a et b de la ...
[PDF] Méthode des moindres carrés
Calculer la droite de regression du nuage (xiyi) Commentez 4 Représenter les résidus et calculer la moyenne des carrés des résidus 5 Représenter l'
[PDF] Régression - Droite des moindres carrés - Eirini Chavli
a) Donner une équation de la droite de régression de y en x (obtenue par la méthode des moindres carrées) b) Donner le coefficient de corrélation linéaire
[PDF] Chapitre 4 : Régression linéaire
La méthode des moindres carrés fournit les coe cients estimés suivants sur l'exemple : ˆ b1 = 15771 et ˆ b0 = 603928 La pente estimée de
[PDF] AJUSTEMENT LINÉAIRE METHODE DES MOINDRES CARRES
La droite des MCO d'une régression simple passe-t-elle par le point ( ? ?) ? A Toujours ; B Jamais ; C Parfois Exercice 1 2 (
[PDF] Méthode des moindres carrés - webwww03 - poseidonheig-vdch
La méthode des moindres carrés permet de comparer des données expérimentales généralement entachées d'erreurs de mesure à un modèle mathématique censé
[PDF] Régression - Droite des moindres carrés - LAMFA
a) Déterminer une équation de la droite de régression de y en x par la méthode des moindres carrés b) Calculer le coefficient de corrélation linéaire entre x
Droite de régression et méthode des moindres carrés - Khan Academy
23 mar 2021 · Comment est née l'idée de la méthode des moindres carrés Créé par Sal Khan QuestionsPostée : 23 mar 2021
[PDF] Régression linéaire - LPSM
parle alors de méthode d'estimation par moindres carrés (terminologie due à Legendre dans un article de 1805 sur la détermination des orbites des comètes)
[PDF] Chapitre Méthode des moindres carrés - biskradz
– Déterminer la droite de régression du nuage de points (ci?i) – Déterminer l'intervalle de confiance des param`etres d'ajustement – Réaliser le Test de
[PDF] Méthode des moindres carrés
5 déc 2016 · La méthode de moindres carrés On desire de trouver la soluNon d'un système Ax=b mais b est obtenu par une observaNon physique donc les
Comment déterminer l'équation de la droite d'ajustement par la méthode des moindres carrés ?
La méthode des moindres carrés consiste à déterminer la droite dite « de régression de y en x » qui rend minimale la somme : . Dans la pratique, on détermine cette droite de régression de y en x, d'équation y = ax + b à l'aide de la calculatrice. Le coefficient directeur a donne la pente du nuage de points.Quelle est l'équation de la droite des moindres carrés ?
La droite de régression des moindres carrés, ? = + , minimise la somme des carrés des différences des points par rapport à la droite, d'où l'expression « moindres carrés ».Comment calculer méthode des moindres carrés ?
Prévision des ventes par la méthode des moindres carrés :
Ou Xa = la moyenne de Xi soit total Xi/nombre de valeurs. Et Ya = la moyenne de Yi soit total de Yi/nombre de valeurs. Vérification : Le total des colonnes (Xi-X) et (Yi-Y) doit être égal à 0.- La méthode des moindres carrés, indépendamment élaborée par Legendre et Gauss au début du XIX e si?le, permet de comparer des données expérimentales, généralement entachées d'erreurs de mesure, à un modèle mathématique censé décrire ces données.
4M´ethode des moindres carr´es
SAMIRKENOUCHE- D´EPARTEMENT DESSCIENCES DE LAMATI`ERE- UMKB M´ETHODESNUM´ERIQUES ETPROGRAMMATION
R´esum´e
L"ajustement est une op
´eration d"optimisation portant sur la recherche du profil th´eorique qui colle le mieux possible aux donn´ees exp´erimentales. Tr`es souvent la repr´esentation graphique s"av`ere insuffisante pour appr´ehender
la relation fonctionnelle liant les donn ´ees`a ajuster. En effet, la connaissance apriori du mod`ele th´eorique peut s"av´erer indispensable. Le processus d"ajustement doit permettre d"interpr ´eter et de pr´evoir les variations de la variable d´ependante (yi) en fonction de la variable expliqu´ee (xi), suppos´ee connue. De nombreuses m´ethodes existent pour
ajuster les param`etres du mod`ele th´eorique afin de choisir le meilleur ajustement. Dans ce chapitre, nous aborderons
l"ajustement au sens des moindres carr ´es ordinaires et pond´er´es. Ces techniques sont largement utilis´ees apr`es la collecte de donn´ees que ce soit en Physique ou en Chimie. Dans ce chapitre il sera aussi question de l"´etude de
deux techniques de diagnostic de la r´egression.
Mots cl
´es
Ajustement, moindres carr
´es, corr´elation, valeur atypique, Matlabr.Table des mati
`eresI Introduction58
II Les moindres carr
´es ordinaires 59
II-AIntervalle de confiance. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
II-BStatistique de Student. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
III Les moindres carr
´es pond´er´es 68
IV Notions de corr
´elation71
V Diagnostic de la r
´egression 73
V-AEffet levier. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
V-BDistance de Cook. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
VI Travaux pratiques avec des fonctions Matlab pr
´ed´efinies 74
I.INTRODUCTIONL
"objectif premier d"un ajustement des donn ´ees exp´erimentales, est la cherche du mod`ele th´eorique en ad´equation avec les donn´ees exp´erimentales. Dans certains cas, la repr´esentation graphique est suffisante pour identifier
la relation math´ematique liant les donn´ees exp´erimentales`a ajuster. Dans d"autres cas, la connaissance a priori du
mod`ele th´eorique est in´eluctable. L"ajustement doit permettre de d´ecrire et de pr´evoir les variations de la variable
d´ependante (yi) en fonction de la variable expliqu´ee (xi), suppos´ee connue. De nombreuses m´ethodes existent pour
ajuster les param`etres du mod`ele th´eorique afin de choisir le meilleur ajustement. Dans cette section, on abordera la
S. Kenouche est docteur en Physique de l"Universit ´e des Sciences et Techniques de Montpellier et docteur en Chimie de l"Universit´eA. Mira de B
´ejaia.
Site web : voir
http://www .sites.univ-biskra.dz/kenoucheDocument corrig
´e, am´elior´e et actualis´e le 19.09.2019. Cours complet est disponible sur mon site web : http://sites.univ-biskra.dz/kenouche/Polycopi ´e de cours - Ann´ee Universitaire 2019/2020@ SAMIR KENOUCHE59 r´egression lin´eaire1au sensdes moindres carr´es. D"un point de vue conceptuel, le mod`ele lin´eaire est caract´eris´e
par deux entit´es d´eterministeet al
´eatoireselon :
variable al´eatoirey=f(x;i)|{z}
D´eterministe+i|{z}
Al´eatoire(1)
La variable d
´ependanteya un caract`ere al´eatoire "h´erit´e" dei. Ce mod`ele de r´egression est construit en respectant
les hypoth `eses suivantes :La distrib utiondes r
´esidus (ou erreur de r´egression)iest ind´ependante dex. C"est l"hypoth`esed"ind´ependance.
La distrib utiondes erreurs de r
´egression suit une loi normale centr´e et de variance constanteN(0;2). Cette hypoth `ese porte aussi le nom d"homosc´edasticit´e:8i= 1;2;:::;nE(i) = 0;V(i) =2
Co v[i;j] = 0pouri6=j
Concr `etement cette derni`ere hypoth`ese s"interpr`ete en consid´erant : y1=f(x;i) +1ety2=f(x;i) +2(2)
Il n"existe aucune relation fonctionnelle entre les variablesy1ety2. En d"autres mots, une variation de l"une des
variables n"entra ˆıne pas une variation pr´evisible pour l"autre.II.LES MOINDRES CARR´ES ORDINAIRES
Le fondement de la m
´ethode des moindres carr´es est r´egit par la minimisation de la somme quadratique des´ecarts
(encore appel´es r´esidus) entre les donn´ees exp´erimentales et le mod`ele consid´er´e. Le but consiste`a trouver le mod`ele
th´eorique, de forme g´en´eralef(xi;i), qui ajuste le mieux les mesures exp´erimentales. Avec,isont les param`etres
du mod`ele en question, ayant une signification physique. Dans la m´ethode des moindres carr´es, ces derniers sont
d´etermin´es par minimisation d"unefonction-objectif(appel´ee aussifonction de coˆutoucrit`ere d"optimisation),
not´eeS(^1;^2)2. Ainsi, le crit`ere d"optimalit´e est celui de la minimisation des r´esidus. Les estimations,^1et^2,
traduisent le minimum de lafonction-objectif. Nous allons illustrer ce propos, en consid´erant dans un premier temps
le mod `ele :^yi=1xi+2S(^1;^2) =nX
ie 2i=nX i(yif(xi;i))2(3)S(^1;^2) =nX
ie 2i=nX i(yi1xi2)2(4)1. Le mot lin
´eaire ici s"applique aux coefficients et non pas`a la variable explicative. Dans ce cas@f(ai;xi)@ai
6=f(ai). Pour un mod`ele
non-lin´eaire on aura@f(ai;xi)@ai
=f(ai).2. Il convient de remarquer que la fonctionS(^1;^2)(voir l"´equation (4)) est strictement convexe. Elle admet un minimum en un unique
point (^1et^2), lequel est obtenu en annulant les d´eriv´ees partielles deS. Cours complet est disponible sur mon site web : http://sites.univ-biskra.dz/kenouche/Polycopi ´e de cours - Ann´ee Universitaire 2019/2020@ SAMIR KENOUCHE60 Cette expression traduit la somme de toutes les distances verticales, dont l"unit´e est celle des abscisses, entre
les donn´ees exp´erimentales et le mod`ele th´eorique consid´er´e. Math´ematiquement, cette minimisation s"exprime par :
8 >>>:S(1;2) 11=^1=nX
i=12(yi^1xi^2)(xi) = 0S(1;2)
22=^2=nX
i=12(yi^1xi^2)(1) = 0(5) 8 >>>:2 nX i=1y i^1n X i=1x i^2# (xi) = 0 2 nX i=1y i^1n X i=1x i^2# (1) = 0(6) 8 >>>:2 nX i=1y ixi+^1n X i=1x2i+^2xi#
= 0 2 nX i=1y i+^1n X i=1x i+^2# = 0(7) 8 1n X i=1x2i+^2xi=nX
i=1y ixi 1n X i=1x i+^2=nX i=1y i(8)Ce syst
`eme d"´equations peut s"´ecrire sous forme matricielle, selon : 2 6 6664nX i=1x 2in X i=1x i n X i=1x i13 7
7775^1^2
=2 6 6664nX i=1x iyi n X i=1y i3 7
7775(9)
Le vecteur des param
`etres estim´es s"obtient : ^1^2 =2 6 6664nX i=1x 2in X i=1x i n X i=1x i13 7
777512
6 6664nX i=1x iyi n X i=1y i3 7
7775(10)
Rappelons que l"inverse d"une matrice22se calcule simplement par la formule g´en´erale : M=A B C D )M1=1det(M)M=DB C A (11)Avecdet(M) =ADB C
Cours complet est disponible sur mon site web : http://sites.univ-biskra.dz/kenouche/Polycopi ´e de cours - Ann´ee Universitaire 2019/2020@ SAMIR KENOUCHE61La pente
^1et l"ordonn´ee`a l"origine^2sont d´etermin´ees`a partir des formules : 1=n X i=1x iyinX i=1x in X i=1y in X i=1x 2i nX i=1x i!2et^2=n
X i=1x 2in X i=1y inX i=1x in X i=1x iyin X i=1x 2i nX i=1x i! 2A.Intervalle de confiance
On donne sans d
´emonstration les incertitudes commises sur les deux param`etres d"ajustement en question : ^1=tn2;s^1=tn2;srv uutn X i=1(xix)2(12) ^2=tn2;s^2=tn2;srv uuuuuuutn X i=1x 2in nX i=1(xix)2(13)Avectn2;(voir la table (VI)) est le quantile de la loi de Student`an2degr´es de libert´e, pour un niveau de
confiance1etsrest l"´ecart-type sur les r´esidus, donn´ee par : s r=v uut1 n2n X i=1(yi^yi)2(14)On l"appelle aussi l"erreur quadratique moyenne. Plus la valeur desrest faible, meilleur est l"ajustement. A
partir des equations ci-dessus, on comprend sans peine que plus l" ´ecart-type des coefficients est faible, plus les valeurs estim ´ees de^1et^2sont pr´ecises. Ceci appelle les observations suivantes : Les mesures xidoiventˆetre dispers´ees autour de leur moyenne)la quantit´e statistiquenX i=1(xix)2doit etre la plus grande possible.Le terme
nX i=1x2idoitˆetre le plus faible possible. Lesxidoivent pr´esenter une faible moyenne en valeur absolue.
L "erreurquadratique mo yennesrdoitˆetre la plus faible possible. Plussrest faible, plus la droite de r´egression
est proche des points exp´erimentaux.
Plus il y a de points e xp
´erimentaux (n grand), meilleure est la pr´ecision des param`etres d"ajustement.L "incertitudeaf fectantles param
`etres d"ajustement d´epend aussi de niveau de confiance fix´e (1)`a travers le coefficient de Studenttn2;. La m´ethode des moindres carr´es fournit des variances minimales pour les coefficients estim´es. Cette propri´et´e est
stipul´e par le th´eor`eme de Gauss-Markov. La d´emonstration de ce th´eor`eme d´epasse largement le cadre de ce cours.
Le plus important pour un(e)
´etudiant(e) en sciences exp´erimentales, est d"avoir une d´emarche compr´ehensible et rigoureuse afin d"analyser ce type de probl´ematique.
Cours complet est disponible sur mon site web : http://sites.univ-biskra.dz/kenouche/Polycopi ´e de cours - Ann´ee Universitaire 2019/2020@ SAMIR KENOUCHE62B.Statistique de Student
Le test de signification des coefficients est r
´ealis´e au moyen du test de Student3. Un coefficient est dit significatif si la variable qui lui est associ ´ee a une influence sur la r´eponse. Dans ce cas de figure, la p-value est la probabilit´e qu"un coefficient soit n ´egligeable. On calcule cette p-value`a partir du rapport du coefficient`a son´ecart-type : t obs= ^is ^i(15)On testera
`a ce propos, les deux hypoth`eses suivantes :H0=)^i= 0coefficient non significatif
H1=)^i6= 0coefficient significatif(16)
Si p-value=PH0(T > tobs)< =)l"hypoth`eseH0est rejet´ee au risque5%. Dans les logiciels de statistique,
la probabilit´ePH0(T > tobs)est calcul´ee selon :
p-value=P(T > tobs) = 1P(T < tobs) = 1(tobs)(17)Avec(tobs)est la fonction de r´epartition de la loi de Student ou encore la distribution cumulative de la loi de
Student (Student"s t cumulative distribution function). L"hypoth `eseH0est accept´ee dans le cas o`u :1(tobs)0:05(18)
et elle est rejet´ee si
1(tobs)<0:05(19)
Dans le cas o
`u l"hypoth`eseH0est accept´ee, cela veut dire que le coefficient en question n"est pas, au risque,
significativement diff´erent de z´ero. Ainsi, la variable qui lui est associ´ee n"a pas d"influence sur la r´eponse. L"allure
de la distribution de la loi de Student et de celle de sa fonction de r ´epartition sont repr´esent´ees ci-dessous.Pour les´etudiants (es) qui ont du mal`a se familiariser avec le calcul des probabilit´es, peuvent comparer
directement le quantiletn2;(voir la table (VI))`a celui calcul´e`a partir de la statistique de Student.Le test impose :P(T > tn2;) =
Sitobs> tn2;)P(T > tobs)
tn2;))P(T > tobs)<
L"hypoth
`eseH0est rejet´ee au risqueSitobs< tn2;)P(T > tobs)>P(T > tn2;))P(T > tobs)>
L"hypoth
`eseH0est accept´ee au risque3. On l"appelle aussi test de nullit´e d"un coefficient.
Cours complet est disponible sur mon site web : http://sites.univ-biskra.dz/kenouche/Polycopi ´e de cours - Ann´ee Universitaire 2019/2020@ SAMIR KENOUCHE63 FIGURE1: Distribution et fonction de r´epartition de la loi de StudentExercice+r
Nous avons mesur
´e la conductivit´e (mSiemens=cm2) d"un´electrolyte en fonction de sa concentration. Les mesures ont´et´e r´ealis´ees`aT= 25C. On rappelle que la conductivit´e d"une solution s"´ecrit sous la forme :
=nX i=1c ii(20)Avec,n´etant le nombre d"ions (cation et anion) pr´esents dans l"´electrolyte,ciest la concentration de l"ion i de
l" ´electrolyte etiest sa conductivit´e molaire ionique. Les r´esultats obtenus sont := [1.04 , 1.98 , 3.38 , 2.94 , 4.72 , 5.12 , 5.84 , 6.05 , 7.80 , 9.29 , 9.40 , 9.37 , 11.03 , 14.1 , 13.7 , 13.4 , 14.65]
La gamme des concentrations vaut [1 : 1 : 17] (mmol/L). D ´eterminer la droite de r´egression du nuage de points (ci;i). D ´eterminer l"intervalle de confiance des param`etres d"ajustement. R ´ealiser le Test de nullit´e d"un coefficient (ou test de Student). CommenterCalculer le coef ficientde corr
´elation du nuage de points.
Commenter le r
´esultat obtenu.
Solution :commenc¸ons par appliquer les relations calculant^1et^2 ^1= 0:8698et^2= 0:0427 s r= 0:72 ;s^a= 0:04 ;s^b= 0:36 ;t15= 1:75`a95% Cours complet est disponible sur mon site web : http://sites.univ-biskra.dz/kenouche/Polycopi ´e de cours - Ann´ee Universitaire 2019/2020@ SAMIR KENOUCHE64TABLEI: Calcul statistiquex
ix 2iy ix iyi1.00001.00001.04001.04002.00004.00001.98003.9600
3.00009.00003.380010.1400
4.000016.00002.940011.7600
5.000025.00004.720023.6000
6.000036.00005.120030.7200
7.000049.00005.840040.8800
8.000064.00006.050048.4000
9.000081.00007.800070.2000
10.0000100.00009.290092.9000
11.0000121.00009.4000103.4000
12.0000144.00009.3700112.4400
13.0000169.000011.0300143.3900
14.0000196.000014.1000197.4000
15.0000225.000013.7000205.5000
16.0000256.000013.4000214.4000
17.0000289.000014.6500249.0500
17 X i=1x i= 15317 X i=1x2i= 178517
X i=1y i= 133:8117 X i=1x iyi= 1:55103TABLEII: R´esultat de la r´egressiony
i^yie i=yi^yie2i1.04000.90300.13700.0188
1.98001.76300.21700.0471
3.38002.62300.75700.5730
2.94003.4830-0.54300.2948
4.72004.34300.37700.1421
5.12005.2030-0.08300.0069
5.84006.0630-0.22300.0497
6.05006.9230-0.87300.7621
7.80007.78300.01700.0003
9.29008.64300.64700.4186
9.40009.5030-0.10300.0106
9.370010.3630-0.99300.9860
11.030011.2230-0.19300.0372
14.100012.08302.01704.0683
13.700012.94300.75700.5730
13.400013.8030-0.40300.1624
14.650014.6630-0.01300.0002
)^1= 2:130:04 = 0:06 )^2= 2:130:36 = 0:64La droite de r
´egression s"´ecrit comme suit :
^y= 0:87(0:06)x+ 0:04(0:64)Les intervalles de confiance s"
quotesdbs_dbs15.pdfusesText_21[PDF] méthode des moindres carrés exercice corrigé
[PDF] méthode des moindres carrés excel
[PDF] méthode des moindres carrés statistique
[PDF] méthode des moindres carrés calculatrice
[PDF] explication méthode des moindres carrés
[PDF] méthode des moindres carrés mercatique
[PDF] tracer une perpendiculaire au compas
[PDF] comment tracer une perpendiculaire passant par un point
[PDF] tracer une droite perpendiculaire ? (ab) passant par a
[PDF] deux plans perpendiculaires dans l'espace
[PDF] évaluation droites perpendiculaires cm1
[PDF] tracer des droites perpendiculaires
[PDF] droites perpendiculaires ce2 lutin bazar
[PDF] séquence droites perpendiculaires cm1