• Aucun résultat trouvé

Exercice 2 : Moindres carrés généralisés

N/A
N/A
Protected

Academic year: 2022

Partager "Exercice 2 : Moindres carrés généralisés"

Copied!
2
0
0

Texte intégral

(1)

ESILV–FST 305 Problèmes inverses

TD CS 305 – Problèmes inverses

M. Kern

TD 4 – 10 octobre 2002

Thème : Moindres carrés

Exercice 1 : Projections orthogonales

Dans tout l’exercice, on se place dans Rm.

Un projecteur est une matrice vérifiant la propriété P2=P.

1 Montrer que tout élément de l’espace se décompose de façon unique en un somme x = x1+x2, avec x1Im P et x2Ker P.

Montrer que IP est également un projecteur, et que Im(IP) =Ker P, Ker(IP) =Im P.

2 Dans le cas où Ker P et Im P sont orthogonaux, on dit que le projecteur est orthogonal.

Montrer que cette définition est équivalente à Pt=P (sachant que P est un projecteur).

Soit F un sous-espace de dimension n, et soit (q1, . . . ,qn)une base orthonormée de F. On note Q la matrice dont les colonnes sont les vecteurs (q1, . . . ,qn). Montrer que le projecteur orthogonal sur F a pour matrice QQt.

Application : Soit A=

 1 0 0 1 1 0

. Déterminer le projecteur orthogonal sur Im A.

3 Dans le cas d’un problème de moindres carrés minxRnkAxbk22, montrer la solution x vérifie Ax=Pb, où P est la projection orthogonale sur Im A.

Exercice 2 : Moindres carrés généralisés

Soit ARmm×n, bRm, et soit WRm×mune matrice symétrique et définie positive. on considère le problème généralisé :

(1) min

xRn(Ax−b)tW1(Ax−b) 1

(2)

ESILV–FST 305 Problèmes inverses 1 Dans le cas particulier où W =diag(w1, . . . ,wm), avec wi>0, i=1, . . . ,m, montrer que si l’on pose D=diag(√

w1, . . . ,√

wm), le problème ci-dessus est équivalent à

xminRn

D1(Ax−b)

2 2.

Expliquer pourquoi cela correspond à donner une pondération différentes aux différentes observations du modèle.

2 Former les équations normales correspondant à ce problème généralisé.

Montrer que si l’on note xwla solution du problème correspondant à une matrice W , et x la solution avec W =I, on a

xwx= (AtW1A)1AtW1(b−Ax).

En déduire que si bIm A, les deux solutions sont identiques, mais que dans le cas contraire, les deux solutions sont différentes.

Exercice 3 : Régression linéaire

1 On veut faire passer une droite y(x) =α+βx à travers un nuages de points expérimentaux (xi,yi),i=1,·· ·,m. On notera

sx=

m i=1

xi, sy=

m i=1

yi, et sxy=

m i=1

xiyi

ainsi que x=sx/m et y=sy/m les moyennes.

Former les équations normales correspondant à ce système d’équations.

2 Application numérique : Les valeurs suivantes sont issues des expériences de Darcy, qui l’ont conduites à constater que dans un milieu poreux la variation de pression est proportionnelle au débit.

Débit moyen

18.8 18.3 18. 17.4 18.1 14.9 12.1 9.8 7.9 8.65 4.5 4.15 Var. de

pression

13.1 12.9 12.6 12.4 12.4 9.69 8.44 6.71 5.78 5.58 2.98 2.98

TAB. 1 – Données numériques des expériences de Darcy (1856)

Déterminer les coefficientsαetβ, tracer la droite de régression obtenue, en y faisant figurer les points expérimentaux.

Dans ce cas particulier, la solution des équations normales est-elle, d’après vous, numérique- ment satisfaisante (justifiez votre réponse) ?

2

Références

Documents relatifs

Mettre à jour les paramètres d’un modèle linéaire au fur et à mesure que de nouvelles données sont disponibles.. Algorithme : Filtre de Kalman en

Exemples Exercices Documents J précédent section N suivant I.. Formulation matricielle Un autre exemple, pour le problème de lissage, est introduit dans le

Généralement, la variation des constantes à déterminer donnera lieu à une déformation et à un déplacement non parallèle aux ordonnées ; il est clair alors que la surface à

— Après avoir rappelé le principe des méthodes de segmentation les plus courantes, nous présentons dans cet article les algorithmes utilisés pour réaliser un programme de

L’évolution des émissions de dioxyde de carbone (CO 2 en millions de tonnes par an) pour les véhicules essences et diesel au cours des huit dernières années est donnée par

estimateur, que les erreurs de prédiction ont les mêmes propriétés que celles de l’estimateur du gradient. Une solution simple du problème de poursuite d’une

commun du modele statistique linéaire (1) ces trois methodes que cons- tituent la regression lineaire, la methode des moindres carres et l’estima- tion bayesienne.. On

Bien d'autres méthodes pourraient encore être proposées; mais il nous a semblé légitime d'appliquer ici la méthode des moindres carrés de Gauss, qui, universellement employée