Un problème de normalisation

[jules345]

Bonjour, voila je ne sais pas si c'est le bon forum mais je m'y risque quand même je dispose de données brutes et je souhaite pouvoir réaliser plusieurs fit de celles-ci. Je fit mes données sur un paramètre disons lors de ma première simulation je trouve comme valeurs finale de mon paramètre appellons le p1 : 2 pour la deuxième p1 = 5

Pour mesure l'écart entre les données et mon fit j'utilise la norme 2 tel que :

erreur =

J'ai essayé afin de normaliser tout ça d'utiliser le coefficent de détermination le problème c'est que je trouve une erreur plus petite pour la première simulation que pour la deuxième alors que le coefficient de détermination est meilleur pour la deuxième simulation.

Je dois dire que j'utilise des fonctions assez compliquées comme bessel, gamma...

Je pensais utiliser l'équivalence des normes et diviser par la norme infini * racine du nombre de points mais comme j'ai plusieurs simulations il aurait alors fallu diviser par le max de la norme infini enfin si je pouvais trouver quelque chose de plus simple..


Merci à vous
-----

[gg0]

Bonjour.

A priori, si tu utilises une distance pour ajuster, il n'y a pas de raison d'utiliser autre chose. d'ailleurs, dans ce cas, je ne saisis pas trop ce que tu appelles "coefficient de détermination". je n'ai pas compris non plus pourquoi tu voudrais "normaliser", à priori, il y a autant de valeurs "modèle" que de valeurs réelles.

Mais peut-être la situation est-elle différente de ce qu'on peut comprendre avec ton message.

Cordialement.

[jules345]

Disons que j'ai des erreurs assez grande de l'ordre de 100k et comme je dois montrer ça à des gens non matheux j'aimerai avoir un critère significatif en fait.

[gg0]

Bon, il semble que tu veux de l'aide, mais que tu ne dis pas ce que tu fais. Difficile de t'aider ... Si tu parles de coefficient de détermination, c'est à priori que tu utilises un modèle linéaire. Comme dans ce cas il n'est pas nécessaire de calculer deux fois l'erreur quadratique, je ne comprends pas ce que tu fais ...

NB : Une erreur de 100k (k ?) n'est pas nécessairement grande, ça dépend de l'ordre de grandeur des données.

[A voir en vidéo sur Futura]