Scribd Logo
Importer

Bienvenue sur Scribd !

  • 4 vues

    TD Est01 2021

    Transféré par

    rayendammak12345

    Droits d'auteur :

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

    TD Est01 2021

    Transféré par

    rayendammak12345
    4 vues2 pages

    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 ?

    Droits d'auteur :

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

    TD Est01 2021

    Transféré par

    rayendammak12345

    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
    Inférence statistique

    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 241 X
    m̂ = xn σ̂ = (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.

    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)

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

    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