Explorer les Livres électroniques
Catégories
Explorer les Livres audio
Catégories
Explorer les Magazines
Catégories
Explorer les Documents
Catégories
N.B : Les questions proposées dans cette épreuve portent uniquement sur les points traités en CM/TD, et
leurs réponses ne requièrent aucune donnée supplémentaire.
Exrecice 1 :
On désire estimer le modèle mathématique suivant sur un échantillon d’observations : y = axb
1. Montrer comment peut-on rendre linéaire ce modèle.
I En introduisant la fonction ln, on obtient ln(y) = ln(a) + b ln(x). Ainsi, si on définit Y = ln(y) et
X = ln(x), on peut associer le modèle en question au modèle linéaire simple : Y = β0 + β1 X + tel
que β0 = ln(a) et β1 = b.
2. Expliquer brièvement comment peut-on obtenir les coefficients estimés de a et b après estimation du
modèle linéarisé.
I Par la méthode des moindres carrés ordinaires, on obtient βb0 et βb1 . Par la suite, on en déduit les
a = exp(βb0 ) et bb = βb1 .
coefficients estimés : b
Exercice 2 :
On cherche à expliquer la variation du coût annuel (Ci : en centaines de DH) de maintenance d’un véhicule
en fonction de son âge (Ai : en mois), pour i = 1, 2, . . . , n. On considère le modèle de régression linéaire :
Ci = β0 + β1 Ai + i (1)
où les variables aléatoires (i ) sont supposées i.i.d (indépendantes et identiquement distribuées) suivant la
même loi Normale centrée de variance σ 2 .
En se basant sur un échantillon de taille n = 15 de véhicules, on obtient les résultats suivants :
15
X 15
X 15
X 15
X
2
Ai = 362 ; (Ai − A) = 3753.7 ; Ci = 938 ; (Ci − C)2 = 6269.7 ;
i=1 i=1 i=1 i=1
15
X
(Ai − A)(Ci − C) = 4799.9.
i=1
Dans cet exercice, on utilise un risque de première espèce α = 5% et on donne Tcritique = 2.16.
i
2. Calculer la somme des carrés
P expliquée SCE et la somme des carrés résiduelle SCR.
I Par définition, SCE = 15 i=1 (Cbi − C)2 . Or, Cbi = βb0 + βb1 Ai et C = βb0 + βb1 A
P15 b
Donc, SCE = i=1 (β0 + β1 Ai − βP
b b0 − βb1 A)2 = βb1 2 P15 (Ai − A)2 ' (1.28)2 × 3753.7 ' 6150.06.
i=1
D’autre part, on sait que SCT = 15 2
i=1 (Ci − C) = SCE + SCR.
Par conséquent, SCR = SCT − SCE ' 6269.7 − 6150.06 ' 119.64.
βb1
T = ' 26.
σ
b(βb1 )
ii
Exercice 3 :
On utilise le modèle de régression linéaire multiple :
Y = β0 + β1 X1 + β2 X2 + , (2)
sous les hypothèses classiques.
En se basant sur un échatillon de taille n, on obtient les résultats indiqués dans la tableau présenté
ci-dessous. Dans la suite, on considère un risque de première espèce α = 5% et on donne Fcritique = 4.256.
1. Compléter le tableau d’analyse de variance suivant :
I En utilisant le fait que p est le nombre de variables explicatives, SCT = SCE + SCR, M CR =
SCR
n−p−1
, M CE = SCEp
; on peut compléter facilement le tableau de variance indiqué ci-dessous :
Source de variation (SC) Degré de liberté (dl) Sommes des carrés (SC) Moy. des carrés (MC)
Régression p=2 SCE = 1504.4 M CE = 752.2
Résiduelle n−p−1=9 SCR = 176.4 M CR = 19.6
Total n − 1 = 11 SCT = 1680.8
2. Quel est le coefficient de détermination R2 du modèle (2) ? Commenter.
I Le coefficient de détermination du modèle (2) est donné par
SCE 1504.4
R2 = = ' 0.89.
SCT 1680.8
Cela signifie que 89% de la variance des données est expliquée par ledit modèle.
3. Donner une estimation de la variance de .
I La valeur d’un estimateur non biaisé de la variance de , basée sur notre échantillon, est donnée
par :
SCR 176.4
b2 =
σ = = 19.60.
n−p−1 9
Bon courage.
iii