Scribd
Importer
44 vues1 page

19 TD 11 BC 13

Ce document décrit la méthode des moindres carrés pour ajuster une droite aux données. La méthode consiste à minimiser la somme des carrés des écarts entre les points mesurés et la droite estimée. Les équations permettant de calculer les paramètres de la droite estimée sont dérivées.

Transféré par

Edward Adounvo
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
44 vues1 page

19 TD 11 BC 13

Ce document décrit la méthode des moindres carrés pour ajuster une droite aux données. La méthode consiste à minimiser la somme des carrés des écarts entre les points mesurés et la droite estimée. Les équations permettant de calculer les paramètres de la droite estimée sont dérivées.

Transféré par

Edward Adounvo
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

PSI* — 2019/2020 — Corrigé partiel du T.D.

11b Page 1

13.c) Méthode des moindres carrés


n
Il s’agit de minimiser (axk + b − yk )2 , somme qui s’écrit AX − B 2 , où · est la norme euclidienne
k=1
canonique sur Rn et :    
x1 1 y1
 .. ..  a  .. 
A =  . . , X = , B =  . .
b
xn 1 yn
A et B étant fixées, on cherche X pseudo-solution du système AX = B et les résultats précédents
a
s’appliquent (le cas où le système admet une solution est celui où tous les points du nuage sont
b
alignés sur la droite d’équation y = ax + b, cas sans intérêt dans ce contexte. . . ).
D’après le b) nous devons résoudre le système t AAX = t AB. Je note :
1 n 1 n 1 n 1 n 2 1 n 2
x= xk , y = yk , xy = xk yk , x2 = xk , y 2 = y ,
n k=1 n k=1 n k=1 n k=1 n k=1 k
de sorte que  
n n
k=1 x2k xk 
t
2
=n x x t xy
AA = 
 n
k=1
 et AB = n .
x 1 y
xk n
k=1
Remarquons tout d’abord que
n n 2
det t AA = n x2k − xk .
k=1 k=1
L’inégalité de Cauchy-Schwarz dans Rn , appliquée aux vecteurs (1, . . . , 1) et (x1 , . . . , xn ), montre que
det t AA ≥ 0, avec égalité si et seulement si lesdits vecteurs sont colinéaires, c’est-à-dire si et seulement
si les xk sont tous égaux, c’est-à-dire si et seulement si A est de rang 1. Nous retrouvons ainsi le dernier
résultat du a), puisqu’ici ΦA est injective si et seulement si elle est de rang 2.
Le système t AAX = t AB s’écrit explicitement :
x2 a + xb = xy
.
xa + b = y
• Lorsque tous les xk sont égaux, leur valeur commune est x et par conséquent la première équation
est proportionnelle à la seconde : les droites solutions sont les droites non parallèles à Oy passant
par le point moyen du nuage (x, y).
• Sinon le système admet une unique solution donnée par
xy − x.y
a= et b = y − ax (tel que la droite passe par le point moyen).
x2 − x2
Calculons pour finir, avec ces valeurs de a et de b, le minimum
2
AX − B = (B − AX|B) (car AX − B est orthogonal à Im ΦA , donc à AX)
= n y 2 − axy − by

= n y 2 − y 2 − a (xy − x.y) (en remplaçant b)

Cov (x, y)2


= nV (y) 1 −
V (x) V (y)
cela compte tenu de la valeur de a, en notant :
Cov (x, y) = xy − x.y , V (x) = Cov (x, x) et V (y) = Cov (y, y) .

Je reconnais le coefficient de corrélation ρ !


2
AX − B = nV (y) 1 − ρ2 .

Vous aimerez peut-être aussi