INSEA Boumahdi Ilyes

2ème année IE
2007-2008

Série1 : Régression linéaire simple

Objectif :
 Se familiariser avec la méthodologie d'estimation des modèles linéaires simples en
faisant le calcul manuellement sur des exemples simples.
 Faire une première approche de l'utilisation du logiciel SPSS.

Exercice1:

Les données relatives à la progression d'une épidémie ont été relevées dans le tableau
qui suit:

t 10 12 15 20 23 25 27 30
N 40 35 30 25 20 20 15 10

t : nombre de semaines écoulées depuis le début de l'épidémie.

N: nombre de personnes atteintes (en dizaine).
On se propose de modéliser la progression de l'épidémie par un modèle linéaire
simple reliant N comme variable dépendante au temps:

N= β0 + β1 t + ε où ε ~ N(0, σ²)

1- Estimer les paramètres du modèle par la méthode des moindres carrés ordinaires
(MCO).
2- Calculer le tableau d'analyse de la variance.
3- Calculer le pourcentage de variance expliquée par le modèle.
4- Estimer l'écart type des résidus.
5- Tester l'hypothèse nulle H0: β1=0 au seuil de signification α=5%.
6- Calculer les intervalles de confiance à 95% pour les coefficients β0 et β1.
7- Donner le nombre prévu de personnes atteintes au terme de la 35ème semaine.

TP1:

1- Saisir les données de l'exercice 1 sur l'éditeur de données de SPSS.

2- Apprécier la relation linéaire entre la variable dépendante et indépendante
(graphiquement et par un test approprié).
3- Retrouver les réponses des questions de l'exercice 1 à l'aide de SPSS et
analyser les résultats obtenus.

Exercice 2:

Démontrer le théorème de Gauss-Markov :" les estimateurs obtenues par MCO sont
les meilleurs (au sens de variance minimum) estimateurs linéaires (par rapport à la
variable dépendante) sans biais de β0 et β1".

1
Exercice 3:

D’après les lois de la thermodynamique de Laplace pour un gaz parfait, la pression P

(en kg/cm²) est reliée au volume V (en cm3) par l'équation : PVα = c
A partir de données recueillies, on se propose d'estimer les paramètres de cette loi.

P 64.7 51.3 40.5 25.9 7.8

V 50 60 70 90 100

1- Faire la transformation adéquate puis estimer les paramètres de la loi du gaz

parfait.
2- Apprécier l'adéquation du modèle proposé.
3- Estimer la pression d'un gaz parfait dont le volume vaut 80 cm3.
4- Calculer un intervalle de confiance à 95% pour la valeur moyenne de P lorsque
V=80.

Tp2:

1- Saisir les données brutes de l'exercice 3 sur l'éditeur de données de SPSS.

2- Procéder à la transformation adéquate à la modélisation linéaire.
3- Retrouver les réponses des questions de l'exercice 3 à l'aide de SPSS et analyser
les résultats obtenus.

TP3:

Une entreprise de transport veut déterminer la relation entre l'âge d'un véhicule et le
nombre de jours par année qu'il passe en réparation. Pour cela, on se donne un
échantillon de 7 véhicules dont on recueille l'âge (x) et le nombre de jours qu'il a
passé en réparation dans une période donnée :

x 8 1 3 5 2 6
Y 9 16 4 0 10 1

1-Graphiquement, quel modèle des trois suivants semble le plus approprié:

(1) Y= β0 + β1 x + ε
(2) Y= β0 + β1 x² + ε
(3) Y= β0 + β1 e-x + ε
où ε ~ N(0, σ²).
2-Lancer les trois modèles successivement sur SPSS pour apprécier la pertinence de
votre choix.

Exercice 4
L’étude statistique ci-dessous porte sur le poids (kg) et la taille (cm) d'un échantillon
de dix individus.
Poids 68 70 85 62 51 83 76 72 59 92
Taille 162 173 192 158 150 184 172 184 162 189

La droite des MCO de la taille en fonction du poids est estimée par :

2
Taille = 97.419 + 1.047 poids avec R² = 84.9%

1- En quel point se coupe cette droite avec celle des MCO du poids en fonction de la
taille?
2- Que vaut le produit des pentes des deux droites ?
3- Déduire la droite des MCO du poids en fonction de la taille ainsi que le
pourcentage de la variance du poids expliquée par la régression.

Exercice 5

1- Déterminer l'estimateur par MCO du paramètre β1 du modèle passant par l'origine

Y= β1 x + ε.
2- Déterminer l'estimateur par MCO du paramètre β0 du modèle linéaire où β1 n'est
pas significatif Y= β0 + ε.

Exercice 6

On s'intéresse à la relation entre deux variables aléatoires X et Y représentant

respectivement la température minimale et maximale pour une ville données :
Y 6 11 14 12 5 -2 -9
X -22 -17 -15 -9 -24 -29 -35

1-En supposant que X ~ N(μX, σX²) et Y ~ N(μY, σY²), estimer la moyenne de Y/X=x.
2-Calculer le coefficient de corrélation empirique rX,Y.
3-Est-ce que la corrélation entre X et Y est significative au seuil 0,05?