Régression linéaire multiple

(G1G2) : y 1 . On peut alors déterminer les ventes prévisionnelles en 2011 : 10 3 6 1 19 On s'attend ici à 79 millions d’euros de CA en 2011. 4) Par la méthode des moindres carrés, on ajuste le nuage de points par la droite de régression de y y en x : (dx ) : y ax b avec a xy 2 x et b y ax x 2, 5 y 1 6 6 44 6 22 3 22 3 xy xy xy x i yi i 1 2, 5 0 0 6 1 2 6 ... 5 15 2, 5 22 3 165 6 55 3 55 6 9,17

___________________________________________________ 4 5.2.3.1 Principe _________________________________________________________________ 4 5.2.3.2 Détermination des coefficients ________________________________________________ 5 6 Coefficient de corrélation linéaire __________________________________________ 5 Les statistiques à une variable s’intéressaient, pour une population donnée, à un caractère donné : les notes à un devoir surveillé d’une classe, les salaires dans une entreprise, etc… Lorsque l’on

chiffre d’affaire correspondant. x 1 12 2 13 3 15 4 19 5 21 6 22 Calculer les moyennes X et Y Construire le nuage de points (abscisse 2cm ordonnée 1cm) Calculer la variance V ( X ) et la covariance COV ( X , Y ) Démontrer que la droite de régression de y en fonction de x est y = Tracer en utilisant la droite. Calculer une estimation du chiffre d’affaire à la fin du 78 x + 9, 2 35 7ème mois. Exercice 2 (Bac 1989) Le tableau suivant donne les notes obtenues par un groupe d’élève à un

constante de Michaelis (Km) ainsi que la valeur de la vitesse maximale. Pour cela, nous pouvons tracer un graphe de 1/[S] en fonction de 1/[V0] (Linweaver - Burk plot) et ainsi obtenir une répartition des mesures plus linéaire. On obtient pour 1/V0 = f(1/[BAPNA]) une droite de régression ayant les caractéristiques suivante : y = ax + b 21.04.2009 Elliott Croset Alexandre Dumoulin Solutions [BAPNA] (mol/l) [S] (mol/l) Pente (Abs/ min) V0*10-6 (mol/min) pipettes utilisées V0 th (mol/min)

Expéditeur : Service comptabilité Destinataire : Direction financière Date : 30/10/2013 Objet : Comparaison entre la prévision des ventes selon la droite d’ajustement ou selon la droite de régression La droite d’ajustement linéaire des ventes de buses en fonction du temps (Y = 359,37 t + 5 000,2) donne une prévision pour N+1 de 7 516 buses vendues. Cette méthode de prévision fait l’hypothèse que la tendance observée au cours des six dernières années sera obligatoirement maintenue

ventes ? a)La prévision conditionne l'optimisation Quelles ventes prévoit-on ? Quelle est la fiabilité de cette prévision ? b)L'obligation de prévoir est liée aux délais de réaction de la chaine logistique c)La prévision des ventes intervient à de multiples niveaux 1.2.Ce qui caractérise un problème de prévision Les quantités L'horizon de la prévision 1.2.Les marchés, la demande et la prévision a)Objectifs marketing de la prévision des ventes b)Les marchés c)La demande actuelle Définitions Exprimer

facteurs 22 9.1. Première méthode : le menu ANOVA - Factorielle 23 9.2. Deuxième méthode : le module "Modèle linéaire général" 24 9.3. Exercice 24 10. Traitement d'un plan S*B. Plan à mesures partiellement répétées 25 10.1. Première méthode : données saisies "par sujet" 25 10.2. Deuxième méthode : données "par observation" 27 10.3. Troisième méthode : le module "Modèle linéaire général" 28 10.3.1 Données saisies "par observation" 28 10.3.2 Données saisies "par sujet" 30 10

Econométrie Appliquée avec EViews Université Paris-Est Créteil Chapitre 1 : Le logiciel EViews: le modèle linéaire simple • • • • EVIEWS = Econometric Views version 7. Logiciel performant et simple d’utilisation (menus). Fonctionne sous Windows 98/2000/XP/Vista. Le logiciel et sa documentation sont en anglais. Nombreux ouvrages et guides d’utilisation sur Internet. • Il existe une version 4.1 « étudiant ». • Nombreuses méthodes d’estimation (MCO, MCQG, ) et procédures de tests. • Langage

M’BA Yann                                                        DL n°2 REGRESSION LINEAIRE       Ce travail a pour objectif l’étude de la dépendance du nombre de miles parcouru par galon MPG  aux  ),HP   facteurs WT (le poids du véhicule en livres) ,ESIZE (puissance du moteur (cylindrés) en  (nombre de chevaux) ,BARR (nombre d’injecteur) .  1Estimation des coefficients de régression βj  ANOVAb Modèle Somme des carrés 1 Régression Résidu Total 931,893 194,155 1126,047 ddl 4 27 31 Moyenne des carrés

2 1n V(y)   yi ²  y n i1 L’écart type (x)  (x)  V(x) RCL 6 L’écart type (y)  (y)= V(y) 1n cov(x,y)   xiyi  x.y n i1 cov(x,y) r  (x) (y) Y=aX+b RCL 9 La covariance Le coefficient de corrélation Droite de régression de y en x :   RCL  × RCL 6 × RCL 9 RCL RCL RCL  ) ( a cov(x,y) V(x) b  y  ax Exercice résolu Un hypermarché dispose de 20 caisses. Le tableau suivant indique le temps moyen d’attente à une caisse en fonction du nombre