Scribd
Importer
19 vues14 pages

Modèle de Régression Linéaire et R²

Le document traite de la régression linéaire, en expliquant la construction du modèle et les estimateurs des moindres carrés. Il aborde également le coefficient de détermination R2, qui mesure la force de la liaison linéaire entre les variables, ainsi que la validation du modèle à l'aide de la loi de Fischer. Enfin, une prévision est donnée pour la concentration en protéine en fonction de la concentration en ARNm.

Transféré par

redabrim2002
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
19 vues14 pages

Modèle de Régression Linéaire et R²

Le document traite de la régression linéaire, en expliquant la construction du modèle et les estimateurs des moindres carrés. Il aborde également le coefficient de détermination R2, qui mesure la force de la liaison linéaire entre les variables, ainsi que la validation du modèle à l'aide de la loi de Fischer. Enfin, une prévision est donnée pour la concentration en protéine en fonction de la concentration en ARNm.

Transféré par

redabrim2002
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

Régression Linéaire

Département de Mathématiques
et informatique

Pr. Hasna CHAMLAL


Master-BD2C-M1
Régression linéaire

Modèle de régression linéaire


Quelle droite entre [ARNm] et [protéine] ?

Ça suppose que l’hypothèse de la dépendance


linéaire est acceptée
Construction du modèle :
La droite des moindres carrés
Solution: Les estimateurs de moindre
carrées sont donnés par :
𝑆𝑋𝑌 − 𝑛𝑋ത 𝑌ത
𝑎ො =
𝑆𝑋 2 − 𝑛𝑋ത 2
𝑏෠ = 𝑌ത − 𝑎ො 𝑋ത
Les résidus
Coefficient de détermination R2

A) Formule de décomposition

 i    i    i
2 2 2
( y y ) ( ŷ y ) e
Somme des
Somme des Somme des carrés
carrés totale carrés expliquée résiduelle
(Total Sum of (Regression Sum (Residual Sum
Squares) of of
Squares) Squares)
 ( ŷ  y ) 2
B) R2 = i
C) R2 =r2
 ( yi  y)2

Résultat Pratique : SCT=𝑆𝑌 2 − 𝑛𝑌ത 2


Le R2 mesure la force de la liaison linéaire entre X et Y

1) 0  R2 
1
3) R2 = 0
2) R2 = 1
Y Y
* *
* * * *
* y *
* * *
* * *
* *
X *
X
La corrélation R mesure la force et
le sens de la liaison linéaire entre X et Y

Y Y
* * *
* * **
* * *
* * *
*
ˆ 0
a X ˆ0
a X
R 0
R0
Interprétation:
Le coefficient de détermination
donne la part de variation de la
variable cible expliquée par le
modèle
Validation du modèle

Modèle Somme des d.d.l Moyenne des Rapport de


carrées sommes des carrées Fischer
Régression 𝑆𝑌෠ 2 − 𝑛𝑌ത 2 1 MSC1=𝑆𝑌෠ 2 − 𝑛𝑌ത 2
Erreur n-2 σ 𝑒𝑖2
෍ 𝑒𝑖2 MSC2= 𝑀𝑆𝐶1
𝑛−2 FOBS=
𝑀𝑆𝐶2

Total 𝑆𝑌 2 − 𝑛𝑌ത 2 n-1

Pour décider on utilise la TS de la loi


Fischer à (1,n-2)d.d.l
PREVISION

Il faut que le modèle soit validé!!

Pour une concentration 200/cellule en ARNm, quelle est votre prévision pour la concentration en
Protéine(x1000/cellule)?

Réponse: La prévision est


0.584*200+50.266=167.066 (protéine)

Vous aimerez peut-être aussi