Séance de cours

Équations linéaires : Solution des moindres carrés

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Description

Cette séance de cours couvre la résolution d'un système d'équations linéaires utilisant la méthode des moindres carrés, en se concentrant sur l'obtention de la matrice des coefficients et la résolution pour les inconnus. Il explique comment trouver le vecteur x qui minimise la différence entre AX et b, même s'il n'y a pas de solution exacte. L'instructeur montre comment obtenir théoriquement la matrice des coefficients et discute des approches pratiques lorsque b est obtenu à partir d'expériences. La séance de cours met l'accent sur la recherche d'un vecteur qui minimise l'erreur dans le système, fournissant des exemples et des méthodes pour atteindre cet objectif.

Dans MOOC

Algèbre Linéaire (Partie 3)

Vous voulez apprendre l'algèbre linéaire, un précieux outil complémentaire à vos connaissances acquises durant vos études en économie, ingénierie, physique, ou statistique? Ou simplement pour la beauté de la matière? Alors ce cours est fait pour vous! Outre remplir le rôle d'outil dans les différentes branches mentionnées ci-dessus (permettant la résolution de problèmes concrets), l'algèbre linéaire, qui capture l'essence des mathématiques -à savoir, l'algèbre et la géométrie- vous introduira au monde plus

Source officielle

Concepts associés (32)

Méthode des moindres carrés

La méthode des moindres carrés, indépendamment élaborée par Legendre et Gauss au début du , permet de comparer des données expérimentales, généralement entachées d’erreurs de mesure, à un modèle mathématique censé décrire ces données. Ce modèle peut prendre diverses formes. Il peut s’agir de lois de conservation que les quantités mesurées doivent respecter. La méthode des moindres carrés permet alors de minimiser l’impact des erreurs expérimentales en « ajoutant de l’information » dans le processus de mesure.

Linear least squares

Linear least squares (LLS) is the least squares approximation of linear functions to data. It is a set of formulations for solving statistical problems involved in linear regression, including variants for ordinary (unweighted), weighted, and generalized (correlated) residuals. Numerical methods for linear least squares include inverting the matrix of the normal equations and orthogonal decomposition methods. The three main linear least squares formulations are: Ordinary least squares (OLS) is the most common estimator.

Moindres carrés non linéaires

Les moindres carrés non linéaires est une forme des moindres carrés adaptée pour l'estimation d'un modèle non linéaire en n paramètres à partir de m observations (m > n). Une façon d'estimer ce genre de problème est de considérer des itérations successives se basant sur une version linéarisée du modèle initial. Méthode des moindres carrés Considérons un jeu de m couples d'observations, (x, y), (x, y),...,(x, y), et une fonction de régression du type y = f (x, β).

Generalized least squares

In statistics, generalized least squares (GLS) is a method used to estimate the unknown parameters in a linear regression model when there is a certain degree of correlation between the residuals in the regression model. Least squares and weighted least squares may need to be more statistically efficient and prevent misleading inferences. GLS was first described by Alexander Aitken in 1935. In standard linear regression models one observes data on n statistical units.

Algèbre linéaire

vignette|R3 est un espace vectoriel de dimension 3. Droites et plans qui passent par l'origine sont des sous-espaces vectoriels. L’algèbre linéaire est la branche des mathématiques qui s'intéresse aux espaces vectoriels et aux transformations linéaires, formalisation générale des théories des systèmes d'équations linéaires. L'algèbre linéaire est initiée dans son principe par le mathématicien perse Al-Khwârizmî qui s'est inspiré des textes de mathématiques indiens et qui a complété les travaux de l'école grecque, laquelle continuera de se développer des siècles durant.

Afficher plus

Séances de cours associées (37)

Sans titre

Théorème principal des haches MOOC: Algèbre Linéaire (Partie 3)

Explique le théorème principal des axes pour les matrices symétriques et les formes quadratiques, montrant l'existence de matrices orthogonales pour diagonalisation.

Factorisation QR : Résolution du système des moindres carrés MOOC: Algèbre Linéaire (Partie 3)

Couvre la méthode de factorisation QR appliquée à la résolution d'un système d'équations linéaires au sens des moindres carrés.

Simulation informatique des systèmes physiques

Explore la simulation informatique des systèmes physiques, couvrant des sujets tels que les équations différentielles, la dynamique moléculaire et l'intégration de Monte Carlo.

Algorithme Gram-Schmidt: Orthogonalisation et factorisation QR

Introduit l'algorithme Gram-Schmidt, la factorisation QR, et la méthode des moindres carrés.

Afficher plus

Concepts associés (32)

Méthode des moindres carrés

Linear least squares

Moindres carrés non linéaires

Generalized least squares

Algèbre linéaire

Afficher plus