Scribd
Importer
7 vues3 pages

Estimation des Salaires et Modèles de Régression

Le document présente plusieurs exercices liés à l'analyse de données et à la régression, notamment l'estimation des salaires en fonction de l'expérience, l'imputation de valeurs manquantes dans des ensembles de données, et l'analyse de la température dans une serre. Chaque exercice demande des calculs spécifiques, tels que l'imputation par la médiane ou la moyenne, l'utilisation de la régression linéaire ou sinusoïdale, et l'évaluation de l'optimalité des modèles. Les exercices impliquent également des systèmes d'équations et des matrices pour résoudre des problèmes d'imputation de données manquantes.

Transféré par

amrrhadil
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
7 vues3 pages

Estimation des Salaires et Modèles de Régression

Le document présente plusieurs exercices liés à l'analyse de données et à la régression, notamment l'estimation des salaires en fonction de l'expérience, l'imputation de valeurs manquantes dans des ensembles de données, et l'analyse de la température dans une serre. Chaque exercice demande des calculs spécifiques, tels que l'imputation par la médiane ou la moyenne, l'utilisation de la régression linéaire ou sinusoïdale, et l'évaluation de l'optimalité des modèles. Les exercices impliquent également des systèmes d'équations et des matrices pour résoudre des problèmes d'imputation de données manquantes.

Transféré par

amrrhadil
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Exercice 1 : Une entreprise souhaite estimer le salaire annuel de ses employés en fonction de

leur nombre d’années d’expérience. Les données collectées pour 6 employés sont présentées
ci-dessous.

Employé Expérience (années) Salaire (mDA)


1 1 55
2 2 60
3 3 65
4 4 70
5 10 100
6 20 NA
1) Représentez graphiquement les données et commentez la relation observée
2) Imputer la valeur manquante par la médiane, la moyenne
3) En utilisant la régression linéaire, imputer le salaire pour l’employé 6.
4) Le modèle obtenu est-il optimal ? justifier.

Exercice 2 :

Un ingénieure agronome surveille la température intérieure d’une serre afin d’analyser la


variation journalière liée au cycle jour / nuit et au système d’ombrage automatique. Les
mesures de température (en ºC) ont été prises toutes les 6 heures sur une journée (24 h).
Le modèle proposé pour représenter la composante cyclique journalière est :

𝑦 = acos(𝜋𝑡) + 𝑏𝑠𝑖𝑛(𝜋𝑡) + 𝑐

Où : y est la température (ºC), t = h / 12 représente le temps exprimé en demi-jour. Comme t


est en demi-jours, les fonctions cos(πt) et sin(πt) ont une période de 2, soit 24h.

Heure (h) t = h / 12 y (ºC)


0 0.00 24
6 0.50 18
9 0.75 NA
12 1.00 16
18 1.50 22
24 2.00 24
1) Trouver le système d’équation adéquat.
2) Imputer la valeur manquante à l’aide d’une régression sinusoïdale :
𝑦 = acos(𝜋𝑡) + 𝑏𝑠𝑖𝑛(𝜋𝑡) + 𝑐
3) Le modèle obtenu est-il optimal ? justifier.

Exercice 3 :
Une agence immobilière a collecté les données suivant malheureusement certaines données
sont manquantes. Le tableau est caractérisé par les deux variables : la superficie en m2 : X1 et
le nombre de chambre : X2.
Le prix Y de chaque appartement est exprimé en Unité monétaire (UM).

Variable la superficie en m2: X1 le nombre de chambre : X2 Prix (UM)


Individus
Appartement 1 50 2 151
Appartement 2 70 3 221
Appartement 3 80 4 281
Appartement 4 NA 4 291
1) L’objectif principal de cette question est d’imputer la superficie manquante de
l’appartement nº4 à l’aide d’une régression linéaire multiple qui est décrite par :
𝒚 = 𝑎0 + 𝑎1 𝑥1 + 𝑎2 𝑥2
𝟔𝟓𝟑
𝒕
a) Vérifier que : 𝑿 𝒀 = (𝟒𝟓𝟓𝟎𝟎).
𝟐𝟎𝟖𝟗
b) Pour l’appartement nº4, Imputer sa superficie en m2 à l’aide d’une régression
linéaire multiple sachant que : 𝒚 = 𝑎0 + 𝑎1 𝑥1 + 𝑎2 𝑥2 et
3 200 9 33 −1.3 18
𝑖𝑛𝑣 ([200 13800 630]) = [−1.3 0.06 −0.9]
9 630 29 18 −0.9 14

Exercice 4 :

On examine l’évolution d’une variable réponse yi en fonction de deux variables explicatives xi


et zi. Soit 𝑋 = 〈1 𝑋 𝑍〉 la matrice N × 3 du plan d’expérience.
5 3 0
1) Nous avons obtenu les résultats suivants : 𝑋 𝑡 𝑋 = (3 3 1)
0 1 1
a) Que vaut n ?
b) Calculer le coefficient de corrélation linéaire entre x et z.
−1
2) La régression linéaire de Y sur (1, x, z) donne : 𝑦 = −1 + 3𝑥 + 4𝑧 Avec 𝛽 = [ 3 ]
4
a) Exprimer 𝑋 𝑡 𝑌 en fonction de 𝑋 𝑡 𝑋 et 𝛽, et calculer 𝑋 𝑡 𝑌.
b) En déduire la moyenne 𝑦̅.

Exercice 5 :

Le service RH souhaite expliquer les salaires annuels (en mDA) de 5 ATS employés par des
caractéristiques professionnelles (expérience, diplôme, performance, heures supplémentaires).

Emp. Exp (ans) Diplôme (ans) Perf (0 – 10) Heures Sup (h / Salaire
sem) (mDA)
A 1 11 5.0 2 27
B 3 14 7.0 4 43
C 5 16 8.0 6 53
D 8 16 9.0 5 64
E 2 13 6.0 3 36
F 10 20 9.5 5 Na
1) Écrire le modèle sous forme matricielle 𝑎̂ = (𝑋 𝑡 𝑋)−1 𝑋 𝑡 𝑌
2) Déterminer l’équation de régression estimée en imputant le salaire de l’employé F.

Vous aimerez peut-être aussi