Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Méthode des moindres carrés : équations normales

Dans cours

MATH-111(f): Algèbre linéaire

L'objectif du cours est d'introduire les notions de base de l'algèbre linéaire et ses applications. ...

Description

Cette séance de cours couvre la méthode des moindres carrés et le concept d'équations normales. Il explique comment trouver le vecteur le plus proche d'un vecteur donné, en recherchant la solution qui minimise l'erreur. L'instructeur démontre le processus d'établissement d'équations normales et fournit des exemples pour illustrer le concept. La séance de cours traite également de la finitude des solutions et de l'unicité des solutions au sens des moindres carrés.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Enseignant·e

Mikaël Cavallin

Source officielle

Proximité ontologique

Statistique

Analyse des données: Régression (statistiques)

Concepts associés (32)

Méthode des moindres carrés ordinaire

vignette|Graphique d'une régression linéaire La méthode des moindres carrés ordinaire (MCO) est le nom technique de la régression mathématique en statistiques, et plus particulièrement de la régression linéaire. Il s'agit d'un modèle couramment utilisé en économétrie. Il s'agit d'ajuster un nuage de points selon une relation linéaire, prenant la forme de la relation matricielle , où est un terme d'erreur.

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.

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.

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).

Afficher plus

Séances de cours associées (46)

Équations linéaires : Solution des moindres carrés MOOC: Algèbre Linéaire (Partie 3)

Explique comment résoudre les équations linéaires en utilisant la méthode des moindres carrés pour minimiser les erreurs dans le système.

Essai de régression linéaire

Explorer les moindres carrés dans la régression linéaire, les essais d'hypothèses, les aberrations et les hypothèses du modèle.

Régression linéaire : Approche de vraisemblance maximale

Couvre les sujets de régression linéaire, y compris les intervalles de confiance, la variance et l'approche de la probabilité maximale.

Hadamard Design: Introduction et construction

Présente Hadamard et Plackett-Burman conçoit, expliquant les techniques de construction, d'analyse et d'optimisation.

Sans titre

Afficher plus

Concepts associés (32)

Méthode des moindres carrés ordinaire

Méthode des moindres carrés

Linear least squares

Generalized least squares

Moindres carrés non linéaires

Afficher plus