Scribd Logo
Importer

Bienvenue sur Scribd !

  • 98 vues

    TD Est01 2021

    Transféré par

    Anis Djemel
    Ce document présente plusieurs exercices liés à l'estimation de paramètres à partir de données. Il aborde notamment le calcul des performances d'estimateurs, la régression linéaire simple et multiple, et l'estimation par la méthode des moindres carrés.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    TD Est01 2021

    Transféré par

    Anis Djemel
    98 vues2 pages
    Ce document présente plusieurs exercices liés à l'estimation de paramètres à partir de données. Il aborde notamment le calcul des performances d'estimateurs, la régression linéaire simple et multiple, et l'estimation par la méthode des moindres carrés.

    Titre original

    td_est01_2021

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Ce document présente plusieurs exercices liés à l'estimation de paramètres à partir de données. Il aborde notamment le calcul des performances d'estimateurs, la régression linéaire simple et multiple, et l'estimation par la méthode des moindres carrés.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    98 vues2 pages

    TD Est01 2021

    Transféré par

    Anis Djemel
    Ce document présente plusieurs exercices liés à l'estimation de paramètres à partir de données. Il aborde notamment le calcul des performances d'estimateurs, la régression linéaire simple et multiple, et l'estimation par la méthode des moindres carrés.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    sur 2

    SUP’COM

    INDP2
    Estimation

    Travaux dirigés no. 1 : calcul de performances, moindres carrés

    1 Calcul de performances
    Dans la pratique, on dispose d’un ensemble de N observations (x1 , . . . , xN ) pour estimer la variance σ 2 et la moyenne
    statistique m de la variable aléatoire X, associée au phénomène physique étudié. On propose comme estimateur
    N N
    4 1 X 4 1 X
    m̂ = xn σ̂ 2 = (xn − m̂)2 . (1)
    N n=1 N n=1

    Calculer le biais et la variance de ces deux estimateurs.

    2 Pour s’échauffer !
    On veut expliquer la hauteur y (en mètres) d’une variété d’arbres (eucalyptus) en fonction de sa circonférence x (en cen-
    timètres) à 1m30 du sol. On a relevé sur N arbres les valeurs de (x, y) pour obtenir le nuage de points représenté dans la
    figure 1. On retient le modèle suivant : √
    y = θ0 + θ1 x + θ2 x + B, (2)
    où θ0 , θ1 et θ2 sont des réels.

    1. Quelle est la variable explicative, la variable à expliquer ?


    2. S’agit-il d’un modèle linéaire par rapport à la variable explicative ?
    3. S’agit-il d’un modèle linéaire par rapport aux paramètres ?
    4. Justifier le recours à ce modèle au vu du nuage de points.
    5. Montrer que sous forme vectorielle, le modèle s’écrit :

    y = Hθ + B, (3)

    en précisant les définitions de H, θ, B et leurs dimensions.

    Figure 1: Nuage de points (circonférence,hauteur).

    1
    3 Régression simple linéaire
    On considère le cas de la régression simple linéaire entre la variable explicative X et la variable à expliquer Y :

    Ŷ = θ0 + θ1 X, (4)

    où θ0 et θ1 sont les paramètres de la régression linéaire On utilise un échantillon de N couples (xn , yn ).

    1. Donner les expressions des moyennes empiriques x̄ et ȳ de X et Y calculées à partir de l’échantillon.

    2. En déduire les coordonnées du point centre de gravité G.


    3. Donner l’expression de la variance empirique var(X) de X calculée à partir de l’échantillon.
    4. Donner l’expression de la covariance empirique cov(X, Y ) entre X et Y calculée à partir de l’échantillon.
    5. Ecrire l’expression de l’erreur quadratique.

    6. Etablir le système que vérifient les 2 paramètres θ0∗ et θ1∗ qui minimisent l’erreur quadratique moyenne.
    7. En déduire que G passe par la droite de régression.
    8. Montrer que :
    cov(X, Y )
    θ1∗ = . (5)
    var(X)

    4 Regression linéaire
    On suppose que les N observations x1 , . . . , xN des positions d’un mobile s’expriment comme suit :
    1 2
    ∀n = 1, . . . , N xn = gt + vtn + s0 + bn (6)
    2 n
    où les tn sont les instants d’observation et les paramètres inconnus sont g, v, s0 , bn correspond à l’erreur de mesure faite à
    l’instant n. Calculer l’estimateur au sens des moindres carrés du vecteur paramètre inconnu.

    5 Transformation de paramètres
    Soit les N références : ∀ n = 0, . . . N − 1 s(n) = A cos(2πf0 n + φ), où la fréquence f0 est supposée connue et où les deux
    paramètres A > 0 et φ sont inconnus. On désire les estimer par la méthode des moindres carrés ordinaires à partir échantillon
    de N observations : x(0), . . . , x(N − 1).

    1. Ecrire explicitement le critère à minimiser. De quel type de problème s’agit-il ?

    2. Proposer un changement de variables bijectif qui linéarise le problème en fonction du nouveau couple de paramètres
    que l’on notera (α, β).

    3. En déduire ÂM C et φ̂M C .

    Vous aimerez peut-être aussi