Scribd
Importer
13 vues1 page

tp1 Modelisation

La droite des moindres carrées est utilisée pour minimiser la somme des écarts entre les points observés et ceux prévus par une équation linéaire Y = aX + b. La méthode consiste à déterminer les coefficients a et b qui minimisent l'erreur quadratique, en utilisant les conditions de minimisation et les relations entre les moyennes et les covariances. Finalement, les formules pour a et b sont établies, où a est le rapport de la covariance entre X et Y à la variance de X.

Transféré par

dufirjrjrj
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 TXT, PDF, TXT ou lisez en ligne sur Scribd
13 vues1 page

tp1 Modelisation

La droite des moindres carrées est utilisée pour minimiser la somme des écarts entre les points observés et ceux prévus par une équation linéaire Y = aX + b. La méthode consiste à déterminer les coefficients a et b qui minimisent l'erreur quadratique, en utilisant les conditions de minimisation et les relations entre les moyennes et les covariances. Finalement, les formules pour a et b sont établies, où a est le rapport de la covariance entre X et Y à la variance de X.

Transféré par

dufirjrjrj
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 TXT, PDF, TXT ou lisez en ligne sur Scribd

On appelle droite des moindres carrées ou droite de regression la droite qui rend

minimal la somme des écarts entre les points observés (xi,yi) et les point sur la
droite notés (xi*,yi*)

La méthode des moindres carrés vise à expliquer un nuage de points par une droite
qui lie X à Y, cad Y = aX + b telle que la distance matérialise lerreur, cad la
différence entre le point réellement observé et le point present sur la droite.

La méthode consiste à chercher les valeurs de a et b qui minimise la somme des


erreurs au carré

on pose U(a,b) = somme(i=1,i=n)(ei*2) avec ei : erreur commise sur chaque


observation cad ei = |yi-yi| = |yi-axi-b| pour tout i dans 1...n On cherche à
minimiser U on a la condition de minimisation suivante :

dU(a,b)/da = dU(a,b)/db = 0 avec U(a,b) = somme(i=1,i=n)((yi-axi-b)2) (donc comme U


>= 0 alors (a,b) est un min ) En effet Hess(U(a,b)) est definie positive car det
(Hess(U(a,b))) = 4n somme(i=1,i=n) ( xi2) - 4 * ( somme(i=1,i=n) ( xi) ) 2 =
4n2*Var(x) > 0

lequation dU(a,b)/db = 0 donne -2somme(i=1,i=n)(yi-axi-b) = 0 ce qui implique que :


somme(i=1,i=n)(yi) - a somme(i=1,i=n) (xi) - b *somme(i=1,i=n) (1) = 0

donc moyenne(y) - a*moyenne(x)- b = 0 ( ici moyenne(y) := y barre , et


moyenne(x) := x barre) on a donc b = moyenne(y) - a * moyenne(x)

cherchons desormais a

lequation dU(a,b)/da = 0 donne -2somme(i=1,i=n) (xi(yi-axi-b)) = 0

ce qui implique : somme(i=1,i=n) (xiyi) - asomme(i=1,i=n)(xi**2) - bsomme(i=1,i=n)


(xi) = 0 () En injectant b = moyenne(y) - a * moyenne(x) dans () on obtient :

somme(i=1,i=n) (xiyi) - asomme(i=1,i=n)(xi**2) - (moyenne(y) - a * moyenne(x))


somme(i=1,i=n)(xi) = 0

soit : somme(i=1,i=n) (xiyi) - a*somme(i=1,i=n)(xi**2) - (moyenne(y) - a *


moyenne(x))*n moyenne(x) = 0

soit: a *( somme(i=1,i=n) (xi**2) - n (moyenne(x)**2) ) = somme(i=1,i=n) (xiyi) -


moyenne(y)nmoyenne(x)

dou :

a = ( somme(i=1,i=n) (xiyi) - n*moyenne(y)*moyenne(y) ) / ( somme(i=1,i=n)


(xi**2) - n*(moyenne(x))**2)

soit :

a = cov(x,y)/var(x)

donc la droite des moindres carrés est la droite dequation y = ax + b ou a =


cov(x,y)/var(x) et b = moyenne(y) - a * moyenne(x)

Vous aimerez peut-être aussi