Fonction linéaire

Plan Analyse Factorielle Discriminante de Fisher (AFD) Régression linéaire au sens des moindre carrées Analyse Discriminante Linéaire (ADL) Lien entre AFD, ADL et RMC Synthèse sur AFD, ADL, RMC et RL Avantages et Inconvénients de ADL Projection, Discrimination et Classification Régression Logistique Massih-Réza Amini Techniques d’Analyse de Données et Théorie de l’Information Master M2 IAD – Parcours Recherche amini@poleia.lip6.fr http://www-connex.lip6.fr/~amini Exemple d’application:

bien corrélées entre elles ce qui est logique. Le pouls est très peu corrélé au reste des variables, ce qui montre que le rythme cardiaque influe peu sur les capacités physiques. Cela est confirmé par les graphes suivants : Répartition du pouls en fonction des variables physiques D) ACP ACP pour l’ensemble des individus L’analyse de l’ACP rejoint celle de la matrice des corrélations : le poids et le tour de taille semblent corrélés, il en est de même pour les variables physiques et le pouls semble

n g th v s . ( X 2 ) p e t_ w id th b y ( Y ) ty p e 2 µ3 µ2 1 µ1 1 2 3 Ir is - s e to s a 4 Ir is - v e r s ic o lo r 5 Ir is - v ir g in ic a 6 Equipe de recherche en Ingénierie des Connaissances Laboratoire ERIC 4 Fonction linéaire discriminante Simplification des formules sous [1] et [2] La probabilité conditionnelle est donc proportionnelle à ln P( X yk ) ∝ − 1 ( X − µk )Σ −1 ( X − µ k )' 2 Avec les estimations sur l’échantillon de taille n, K classes et J descripteurs

série de variables X=(x1|…|xp) Objet de l ’étude On veut construire une fonction de prédiction (explication) telle que Y = f ( X ,α ) Objectif de l ’apprentissage Utiliser un échantillon Ωa (extraite de la population) pour choisir la fonction f et ses paramètres α telle que l ’on minimise la somme des carrés des erreurs S= ˆ [Y − fˆ ( X , α )] 2 ∑ Ω Problèmes : il faut choisir une famille de fonction il faut estimer les paramètres α on utilise un échantillon pour optimiser sur

Université Rennes 2 Master de Statistique Année 2012/2013 Premier Semestre Régression linéaire Arnaud Guyader Ce cours est tiré des quatre premiers chapitres du livre de Pierre-André Cornillon et Eric MatznerLøber, Régression avec R, paru chez Springer en 2010. Table des matières 1 La régression linéaire simple 1.1 Modélisation . . . . . . . . . . . . . . . . . . . . . . 1.2 Moindres Carrés Ordinaires . . . . . . . . . . . . . . 1.2.1 Calcul des estimateurs de β1 et β2 . . . .

et displays (oui=1/non=0) 1) Dessinez un graphique (line graph) de la variable S. Les ventes, ont-elles un niveau constant ? Les ventes ne sont pas constantes, les pics atteignent en effet une moyenne de 400 à 500 unités mais cela varie en fonction de l’écart des semaines. Cependant, nous pouvons constater qu’une tendance est présente. En effet, nous remarquons qu’un pic de presque 800 est atteind en periode 24 et qu’aprés cette période, aucun pic n’atteind ce niveau. 2/13 Dessinez un

0 H1 : (1 ( 0 a/ Développer le t-test pour H0, et montrer que ce test peut se ramener à un test par analyse de variance en utilisant le F-test : ESS/1 F = / F = t2 RSS/T-2 b/ En déduire la valeur de F en fonction du coefficient de corrélation multiple R2. Exercice N°03 : Un agronome cherche à estimer la relation liant la production du maïs Yi au taux de bauxite Xi se trouvant dans la terre en formalisant la relation : Yi = ( + ( Xi + Ui

contradiction, une opposition, une comparaison. Exemple : le premier plan montre des personnes attablées dans un restaurant chic ; dans le plan suivant, des enfants va-nu-pieds errent dans la rue. Le montage formel : montage de plusieurs plans, en fonction d'un élément qu'ils ont en commun, tel que la couleur, la forme, les mouvements (une robe rouge et une rose rouge, le globe d'un réverbère et une pleine lune, la chute d'une feuille d'arbre et la chute d'une personne). Le flashback : retour à un

Applications régression (II) Applications régression linéaire simple 1. Une agence immobilière veut réaliser une prévision sur le prix de vente de certaines maisons en fonction de leur surface habitable, basée sur un modèle de régression linéaire simple. Les résultats obtenus en utilisant le logiciel Excel pour les données enregistrées dans le cas d’un échantillon de 15 maisons sont les suivants: Applications régression linéaire simple SUMMARY OUTPUT Regression Statistics Multiple R 0.9036 R

l’économétrie Nicolas Jacquemet 1 / 124 Premiers pas : la régression linéaire Premiers pas : la régression linéaire 1 Premiers pas : la régression linéaire Les moindres carrés Applications Les choses sérieuses : Estimation et inférence Magistère ETE (EEP – Université Paris 1) Introduction à l’économétrie Nicolas Jacquemet 20 / 124 Premiers pas : la régression linéaire Premiers pas : la régression linéaire Enquête Emploi : (http://www.insee.fr/fr/nom_def_met/definitions/