Beruflich Dokumente
Kultur Dokumente
6
6
6
7
8
11
11
12
13
14
Annexe _______________________________________________________________________ 15
2/25
I. Reprsentation graphique
10000
9000
8000
7000
6000
11000
20
40
60
80
Tranche horaire
10 dimanches * 8 Tranches horaires par dimanche = 80 observations
Cette chronique prsente deux pics, le premier, autour de 9000, a eu lieu le dimanche 4
septembre pendant la tranche horaire 15-18. Le deuxime a eu lieu le 20 octobre de 9-12.
Le mouvement de cette chronique manque relativement de rgularit.
3/25
Voil la matrice initiale Yij qui nous a permis de tracer cette chronique1.
Yij
Tranche_0.3 Tranche_3.6 Tranche_6.9 Tranche_9.12 Tranche_12.15 Tranche_15.18 Tranche_18.21 Tranche_21.24
14Aout
6436
6328
6653
7003
6842
7013
6579
6732
21Aout
6710
6464
6699
6825
6945
6907
6961
6904
28Aout
6245
6144
6292
6534
6803
7336
7023
7121
04Sept
7509
7115
7298
7833
8320
8902
8640
8136
11Sept
6847
6563
6816
7364
7248
6986
6973
6878
18Sept
6690
6615
7114
7030
6655
6836
7075
6998
25Sept
6774
6720
7356
7325
7095
7579
7561
7487
02Oct
6690
6730
7328
7325
6863
7016
7254
7022
09Oct
7022
6889
9022
11142
10897
9836
8219
7596
16Oct
6806
6621
7276
7218
6862
7151
7341
7082
Cf Annexe en page 15 pour la syntaxe R qui a permis d'obtenir tous les rsultats prsents dans ce document
ainsi que l'dition graphique. Cette syntaxe est prte fonctionner (copier/coller dans R) pour des priodes
4/25
8000
9000
10000
14_Aout
21_Aout
28_Aout
4_Sept
11_Sept
18_Sept
25_Sept
2_Oct
9_Oct
16_Oct
6000
7000
11000
Tranche horaire
10 dimanches * 8 Tranches horaires par dimanche = 80 observations
Nous remarquons que les courbes n'ont pas la mme allure. En effet, nous observons
de nombreux points d'intersection entre les courbes (absence de paralllisme), ce qui signifie
que le mouvement saisonnier n'est pas homogne2.
5/25
6/25
Y chapeau ij du 16 octobre
Tranche_0.3 Tranche_3.6 Tranche_6.9 Tranche_9.12 Tranche_12.15 Tranche_15.18 Tranche_18.21 Tranche_21.24
7229.087
7075.087
7641.587
8016.087
7909.188
8012.387
7818.788
7651.788
La rpartition des rsidus n'est pas homogne d'un ct et de l'autre de la valeur zro
pour la partie du milieu. Cela est srement d aux pics de consommations que nous avons
7/25
signal en paragraphe I.1. Pas de problme d'homoscdasticit par contre, les rsidus sont
relativement bien rpartis pour les valeurs importantes sur l'axe des x.
Prvision
pour le
dimanche 16
octobre
8/25
9/25
0.995
1.381
0.502
-0.263
0.010
0.485
0.068
0.162
0.086
0.309
0.397
10/25
La srie initiale est plus longue que la srie lisse. On a p/2 valeurs qui manquent de
chaque extrmit.
11/25
12/25
Nous observons une variation lente de la tendance compare la srie initiale. Elle
montre aussi une certaine stabilit pour certains endroits de la chronique. Nous vrifions ici
que la srie CVS n'a pas limin les variations qui sont dues aux erreurs (irrgularits
rsiduelles). La proximit entre les courbes bleue et verte montre clairement le faible poids
de l'effet saisonnier.
13/25
14/25
Annexe
rm(list=ls())
#Omran Allatif LP Biostatistiques - Mars 2011.
#Importation des donnes
tab1<-read.csv("/Users/LP_Biostat/SerieChrono/TablePourR.csv",
row.names = "dimanche",
header =T, sep=";" , dec =",")
tab1
#Tranche_Horaire Tranche_0.3 Tranche_3.6 Tranche_6.9 Tranche_9.12
Tranche_12.15 Tranche_15.18 Tranche_18.21
#Dimanche
0
1
2
3
4
5
6
7
#14_Aout
1
6436
6328
6653
7003
6842
7013
6579
#21_Aout
2
6710
6464
6699
6825
6945
6907
6961
#28_Aout
3
6245
6144
6292
6534
6803
7336
7023
#4_Sept
4
7509
7115
7298
7833
8320
8902
8640
#11_Sept
5
6847
6563
6816
7364
7248
6986
6973
#18_Sept
6
6690
6615
7114
7030
6655
6836
7075
#25_Sept
7
6774
6720
7356
7325
7095
7579
7561
#2_Oct
8
6690
6730
7328
7325
6863
7016
7254
#9_Oct
9
7022
6889
9022
11142
10897
9836
8219
#16_Oct
10
6806
6621
7276
7218
6862
7151
7341
Tranche_21.24
#Dimanche
8
#14_Aout
6732
#21_Aout
6904
#28_Aout
7121
#4_Sept
8136
#11_Sept
6878
#18_Sept
6998
#25_Sept
7487
#2_Oct
7022
#9_Oct
7596
#16_Oct
7082
15/25
beta.chap.j<-0
for (j in 1:p) {beta.chap.j[j]<-yj[j]-alpha.chap*((p*(n-1))/2+j)}
beta.chap.j
s.chap.j<-0
for (j in 1:p){s.chap.j[j] <-beta.chap.j[j]-beta.chap}
s.chap.j
sum(s.chap.j)
16/25
###################################
#calcul de la prvision pour le dimanche 16 Oct.
y.chapij['16Oct',]
17/25
#################################
Residus <-mat-y.chapij
####################
#III Modle de Buys-Ballot : aspects inductifs
# Rsidus studentis
residu.carre<-sum(Residus^2)
sigma.chap.carre<-sum(Residus^2)/(n*p-p-1)
#H<-mat%*%solve(t(mat)%*%mat)%*%t(mat)
#hii<-diag(H)
#sum(hii)
#residu.studentise<-Residus
#legth(diag(H)) = 10
#for (i in 1:n){
#
for(j in 1:p){
#
#
residu.studentise[i,j]<Residus[i,j]/(sqrt(sigma.chap.carre)*sqrt(1-hii[i]))
#
#
}
#
}
#residu.studentise
#Deuxieme facon pour calculer les rsidus studentises
residu.studentise2<-Residus
for (i in 1:n){
for(j in 1:p){
residu.studentise2[i,j]<-Residus[i,j]/
(
(
sqrt(sigma.chap.carre)/sqrt(n*p)
)
*
sqrt
(
(
p*(n-1)(
(12*(i-(n+1)/2)^2)
/(n^2-1)
)
18/25
)
)
)
}
}
residu.studentise2
residu.studentise<-as.numeric(residu.studentise2)
19/25
sigma.chap.carre.zero
#3. Test de la ncessit de la tendance:
#(alpha chap - alpha zro)/(sigma.chap *sqrt(c(p,n))) suit un
Student (p*n-p-1) ddl.
Cpn <-12/(n*p*p^2*(n^2-1) )
Cpn
test.pente<-(alpha.chap alpha.chap.zero)/(sqrt(sigma.chap.carre*Cpn))
Tobs<-abs(test.pente)
Tobs # = 0.2011998
Tcritique<- qt(0.975,n*p-p-1)
Tcritique # = 1.993943
#Pas d'effet pour la pente.
#les deux formules pour calculer la var de alpha chap ne sont pas
tout fait quivalentes.
#v.alpha<-(sigma.chap.carre/n)/(p*var(ti))
#v.alpha
#v.alpha2<-(12*sigma.chap.carre)/(n*p*p^2*(n^2-1))
#v.alpha2
#3. Test de la ncessit du mouvment saisonnier dans son ensemble.
#Sous lhypoth`ese nulle, le rapport de deux estimateurs sans biais
de 2 ,
fisher.obs<-((n*p-p-1)*(residu.carre.zero-residu.carre))/((p1)*residu.carre)
#fisher.obs = 1.757901
ficher.critique <- qf(0.95,p-1,n*p-p-1)
# fisher.critique = 2.141539
#Pas de rejet de H0. Globalement l'effet saisionnier n'est pas
significatif., s1=s2=...=sp=0
####################################################################
#############################
################################################################
########################
################################################################
################
################################################################
#####
#IV. Lissage par moyenne mobile d'ordre 3 (on divise la somme des 3
valeurs par 3)
# on converti la matrice de dpart en vecteur. ici la periode p = 8,
la moyenne mobile se fait sur la periode. Donc on commence (p+1)/2
20/25
#############
# les S'j sont les mdianes des colonnes obtenues par les moyennes
mobiles.
s.prime.j<-0
for(j in 1:p){
s.prime.j[j] <-median(med[,j],na.rm=TRUE)
}
s.prime.j
# les S chap j sont les S'j centrs, c'est dire on retranche
chaque S'j la moyenne de tous les S'j.
s.chap.j.liss<-0
for(j in 1:p){
s.chap.j.liss[j] <-s.prime.j[j]-mean(s.prime.j)
}
s.chap.j.liss
####################
#####
##
21/25
22/25
23/25
########################################################
#####################################
24/25
=factor(colnames(tab1)) ,
pch =c(1:10), cex= 1.2, lwd =1)
}
grid()
legend(1,11000, rownames(tab1[c(2:(n+1)),]), col = c(1:n),
text.col = "green4", lty = c(1:n),lwd = 4,merge = TRUE, bg
='bisque2')
25/25