Régression linéaire

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

Modèle Linéaire de Régression Simple PLAN I. Modèle Linéaire de Régression Simple a. b. c. d. Rappels de notions Les hypothèses du modèle Estimation des paramètres Validation des modèles Déflater une série statistique Application Analyse de l’influence saisonnière Application Les hypothèses du modèle Détermination des paramètres Tests dans le M.R.M Exercices d’application Yousra Cherrouk 3 II. Traitement des séries statistiques a. b. c. d. a. b. c. d. III. Modèle Linéaire de Régression

Les méthodes d’ajustement linéaire Les méthodes de lissage Les indices Les prévisions par l’information Les méthodes d’ajustement linéaire Méthodes qui consistent à remplacer un nuage de points par une droite représentative ayant pour équation y = ax + b L’ajustement par les points extrêmes Années 2001 2002 2003 2004 2005 2006 2007 2008 CA en M€ 6200 6260 6620 6970 7130 7580 7790 évolution - Les méthodes d’ajustement linéaire Méthodes qui consistent à remplacer

tarso-métatarse d’un poussin, elle, varie de 14,47 mm à 16,82 mm. La masse moyenne des poussins (Figure 1) et la taille moyenne du tarso-métatarse (Figure 2) diminuent lorsque le nombre de parasites dans le nid augmente. D'après la droite de régression linéaire obtenue, la masse moyenne d'un poussin est de 9,63g lorsque le nid ne contient pas de parasite, et de 8,5g lorsqu'il y a un grand nombre de parasites (100). De même, la taille moyenne du tarso-métatarse d'un poussin est de 16,24mm lorsque le

Il y a donc autant de point que d’expérience. Droite d’ajustement : On peut ce rapproché du nuage de point par une fonction affine (mx+p). -> La meilleure droite d’ajustement est la droite de régression, cette droite minimise la somme des carrés des écarts des points représentatifs à cette droite. En trouvant le signe de la pente m on peut connaitre le sens de la corrélation : * si m>0 Corrélation positive * si m<0 Corrélation

nature de la variable Y ? Faire une représentation graphique de cette série statistique Déterminer la droite d'ajustement de Mayer Calculer le coefficient de corrélation linéaire de Y en t Déterminer la droite de régression linéaire, de Y en t, par la méthode des moindres carrés. L'ajustement linéaire est-il satisfaisant? On considère la variable X définie par : X = t² – 12.t + 20. Recopier et compléter le tableau ci-dessous. t (en année) | 1,1 | 1,5 | 1,8

#E #E v2 "E = "m + "v = "m + mv"v #m #v 2 "E "m "v 1.8 0.23 = +2 = +2 = 0.25 = 25% E m v 9.5 7.35 E = 257 ± 65 kg m2/s2 TP de Physique Générale - EPFL 9 ! Régression linéaire (1) On mesure deux séries de grandeurs xi et yi . Existe-t-il une fonction y = f(x) qui traduit une relation entre le deux grandeurs? Exemple: droite de régression y = ax + b pour la quelle l'incertitude sur les xi est négligeable, et l'incertitude sur les yi est distribuée selon une gaussienne de σ inconnu. y = ax + b

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)

Nettoyage des données4 a. Traitement des valeurs manquantes5 b. Triage des données6 III. Statistiques descriptives 7 a. Statistique de base 8 b. Dépendance entre variables 9 IV. Régression multiple 10 a. Sélection des variables 11 b. Construction du plan de régression 12 c. Faire la prévision 13 CONCLUSION14 Introduction L’objective de ce mini projet est de savoir utiliser les logiciels statistiques (SAS & SPSS), comprendre leur fonctionnement

Modèle linéaire contre modèle logistique en régression sur données qualitatives Philippe Cibois Département de sociologie, Université de Versailles - St-Quentin cibois@francenet.fr Abstract. The Linear Model Versus The Logistic Model in Regression on Qualitative Data. Regression on qualitative data is usually done by using a logistic model. By examining data where "everything is otherwise equal" one can show that the linear model is quite compatible with this type of data. Results of an