R EVUE DE STATISTIQUE APPLIQUÉE
G. M ORLAT
Modèle pour des chroniques économiques mensuelles
Revue de statistique appliquée, tome 11, n
o2 (1963), p. 5-20
<
http://www.numdam.org/item?id=RSA_1963__11_2_5_0>
© Société française de statistique, 1963, tous droits réservés.
L’accès aux archives de la revue « Revue de statistique appliquée » (
http://www.sfds.asso.fr/publicat/rsa.htm
) implique l’accord avec les conditions générales d’uti- lisation (
http://www.numdam.org/conditions). Toute utilisation commerciale ou im- pression systématique est constitutive d’une infraction pénale. Toute copie ou im- pression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
5
MODÈLE POUR DES CHRONIQUES ÉCONOMIQUES
MENSUELLES (1)
G. MORLAT
(Électricité de France - Institut de Statistique de lUniversité de Paris)
INTRODUCTION
ET RESUME -L’étude
dechroniques
mensuettes - en vue de ta correction des mouvements saisonniers ou de laprévision -
adonné
lieuà
de
très
nombreux travaux, et lesmodèles probabilistes, plus
ou moinscomplètement explicités, qui justifient
lesméthodes d’analyse proposées,
sont assezvariés.
Nais ils seramènent
leplus
souventà
l’addition de diversescomposantes : tendance, coefficients saisonniers, aléas résiduels. (Bibl. [4.], [6] ).Les deux premières composantes
sont desfonct ions
certaines dutemps, auxquelles
ilfaut assiaener une forme précise ;
lesaléas
résiduels
sontsupposés généralement indépendants
et de mêmeloi. Bien que
lechoix ¡ies
diversesfonctions qui
interviennent soi tarbi trai re,
lesprat iciens
savent combien cemodèle
manque souvent desouplesse.
Nous
décrirons dans cette
note unmodèle simple,
que nouspouvons caractériser brièvement
en disantqu’il s’aaeit
d’unprocessus
à
accroissementsmarkoviens, à
lois deprobabilité
de
passage saisonnières.
Un telmodèle qui généralise quelque
peu le
modèle sous-jacent à
despratiques
cou rantes de"désai- sonnalisation",
se montreparfaitement adéquat à
lareprésenta-
tion de
chroniques
telles que :- consommat ions mensuelles
d’énergie,
- indices de
production
industrielle ou deproduc-
tion
nationale,
- etc.
Il rend
e f fectivement
desservices, depuis
un certainnombre d’années
dans le traitement des consommationsd’électri- cité
en France(mensuelles
ouhebdomadaires).
L’évolution de certaines
chroniques
mensuellespeut
êtrereprésentée
par une chaine de NarkovLaplacienne, à paramètres périodiques.
Cette chai necomportera
donc dans le cas leplus général
36parametres (moyennes,
variances et covariances pourchaque mois). Pratiquement,
onpeut
avoirintérêt à
supposer lescoefficients
decorrélation éaeaux (modèle à
25paramètres)
voire même les variances
éaeales (modèle à
14paramètres).
(1)
Noteprésentée
à la Conférence Commune : Institut deStatistique
Mathématique , The Institute ofManagement
Sciences et Société d’Econométrie, DUBLIN, Sep- tembre 1962. -Revue de Statistique Appliquée. 1963 - Vol. XI - N’ 2
6
Pour des raisons dont
l’ interprétat ion économique
est assezévidente,
ce sont les accroissementssuccessifs
deschroniques
de
production qui
sont bienreprésentés
par de telsmodèles.
L’ est imat ion des paramè tres ne
soulève pas degrandes dif- ficultés pratiques;
onpeut très commodément prendre
encompte
et testerà
l’aide destechniques statistiques classiques,
desmodifications éventuelles
de certainsparamètres
au cours dutemps (ce qui élimine
ladifficulté liée
aux"ruptu res
de ten- dance" dans certainsmodèles classiques).
Lorsqu’on
conna i t unechronique jusqu’à l’époque
t, la loi deprobabilité
de sa valeur en t + hpeut
être obtenuetrès facilement.
Cette loipeut
servir utilement de baseà
despré-
visions
à
court terme.On
dés i re
soientassocier à
unechron i que donnée,
unechronique fictive,
"ressemblant"le plus possible à
lapremière, mais dépourvue
de mouvement saisonnier. C’est leproblème
dela
"désaisonnalisation".
Avec lesmodèles
lesplus simples
ad-mis
habituellement,
la solution consisteà
retrancher(ou à
di- viserpar)
descoefficients
saisonniers. Dans le cadre du mo-dèle étudié ici,
la solution est moinssimple,
mais on calculesans
peine
une"chronique
nonsaisonnière associée".
Nous donnerons "in
fine" quelques
indications concernantl’emploi
d’unmodèle à
accroissements markoviens ladlaciens pourl’étude
des consommationsélectriques
mensuellesfran- çaises.
EQUATIONS
D’UN MODELE A ACCROISSEMENTS MARKOVIENS LA- PLACIENS -Soit yt une
chronique (t exprimé
enmois) représentant
unegrandeur économique
de base : consommationd’énergie, production
d’une industrielourde,
indice deproduction nationale,
etc. dans un pays enexpansion.
Grosso
modo,
lespossibilités d’accroissement,
au cours d’unepériode de temps donnée,
sontproportionnelles
au niveau deproduction déjà
at-teint. Pour avoir de bonnes chances d’utiliser correctement un processus
stationnaire,
il faut penser que nous devonsprendre
en considération l’accroissement relatif de y , depréférence
à toute autregrandeur
liéeà cette
chronique.
Des raisons habituelles de commoditétechnique
con-duisent à choisir la
quantité :
pour caractériser l’accroissement au cours de l’unité de
temps.
C’est cette
quantité
que nous proposons dereprésenter
par un pro-cessus de Markov, à lois
laplaciennes,
dont lesparamètres
auront uneévolution
périodique
annuelle. Bienqu’on puisse
penser àpriori
queRevue de Statistique Appliquée. 1963 - Vol. XI - N’ 2
7
doivent intervenir des liaisons assez
"longues", quelques expériences
sur des
chroniques énergétiques
ou des indices deproduction
nous ontmontré
qu’un
processus markovien dupremier
ordre convientparfaitement
bien.Notre modèle sera donc défini par les relations suivantes dont la forme
"développée"
seprête
aux raisonnementsqui
suivront et enexpli-
cite bien le mécanisme :
ut suite de variables aléatoires
laplaciennes
réduitesindépendantes (a, 1 , i, r).
Cette écriture met en
évidence,
de lafaçon
laplus claire,
lastructure du modèle. A
partir
d’une suite d’aléaslaplaciens
réduits in-dépendants,
onimagine
la construction d’une chaînesimple
de Markovà autocorrélation
périodique (1 e - 1 d),
de moyenne et dedispersion pé- riodique (1 c)
et cesgrandeurs
ainsi enchaînées constituent les accrois- sements successifslog -1.::...
de lachronique
étudiée( 1 b - 1 a).
CetteYt-l
structure semble la
plus simple qu’on puisse imaginer,
en conformitéavec les
arguments esquissés
au début de ceparagraphe.
Sous un autre
aspect,
les relations(1)
définissent yt comme un processus de Markov d’ordre 2particulier,
sonlogarithme,
xt, étantl’intégrale
d’un processus d’ordre 1.(Markov-Laplace).
Indépendamment
des valeurs initiales de lachronique,
les relations(1)
définissent un modèle à 36paramètres.
Pour certainesapplications ,
on pourra se borner à 25
paramètres
enposant pj -
P, voire même à 14paramètres
enadjoignant
encorel’hypothèse supplémentaire ?j =
a. C’estce que nous ferons par
exemple
pour la consommation d’électricité enFrance,
en raison de la limitation des donnéesd’observation ;
mais un modèle à 25paramètres
constituerait unprogrès
certain. Onpeut
re- marquer dès maintenant que le modèle à 14paramètres
donne unerepré-
sentation formellement
identique
à un modèleclassique
dedécomposition saisonnière,
les écartsmj - m. pouvant
êtreinterprétés
comme des coef-ficients saisonniers au sens habituel.
L’ESTIMATION DES PARAMETRES -
L’estimation des
paramètres
du modèle à accroissements marko- viens neprésente guère
de difficultéparticulière.
Apartir
de la dif-férenciation de la
chronique étudiée,
on établira une table de BUYSBALLOT
qui
seprête
au calcul des moyennes et variances parcolonnes ,
ainsi que des covariances entre deux colonnes successives. Ces dernièrespermettent
d’estimer correctement les coefficients d’autocorrélationp ,
pourvu que l’on
puisse
considérer que leproduit :
Revue de Statistique Appliquée. 1963 - Vol. Xt - N- 2
8
est
négligeable
devantchaque Pj (et
ce sera souvent le cas enpratique) ;
on
peut
alors traiter leproblème
de l’estimation d’unpj
comme celui del’estimation d’un coefficient de corrélation
ordinaire,
àpartir
decouples indépendants
d’observations. Si l’on a des raisons de soupçonnerquelque changement
de structure pour lachronique
étudiée au cours des années d’observationsdisponibles,
la vérification seprésente
comme un testd’homogénéité classique
pour lesparamètres
en cause(généralement
moyennes ouvariances) ;
on trouvera unexemple
dans le dernier para-graphe,
à propos des consommationsélectriques.
La
question
des"ruptures
detendance"
ou autresphénomènes
si-milaires, qui
cause de graves ennuis etoblige
à desopérations
fortarbitraires avec d’autres
modèles, apparaît
donc ici comme unproblème
fort
simple
etclassique.
Il arrivera
fréquemment qu’on
ait àétudier,
en mêmetemps qu’une chronique mensuelle,
lachronique
annuellecorrespondante.
Ils’agira
engénéral
derépondre
à desproblèmes différents,
mais une certaine cohé-rence entre les modèles utilisés
peut
sembler souhaitable. Lachronique
annuelle
correspondant
au modèle que nous étudions icipeut
s’écrire (adésignant l’année) :
(car
unechronique
annuelle est souvent définie par addition des valeurs mensuelles : consommationd’énergie,
indices deproduction, etc. ).
Si les yt obéissent au modèle défini par les relations
(1),
lesYa
doivent
théoriquement
obéir à des lois deprobabilité
fortcomplexes
etpeu maniables. En
pratique,
nous avonscependant
admis que lesYa peuvent
eux aussi êtrereprésentés
par un modèle à accroissements mar-koviens
laplaciens.
L’examen desstatistiques
rend cettehypothèse
fortplausible
pour leschroniques
que nous avonsétudiées ;
ce modèle annuel est bien entendudépourvu
de toutepériodicité,
et l’autocorrélation entrelog Ya
etlog Y.,,,
est souventpratiquement
nulle.(Bibl. [ 5] ).
La cohérence entre les
paramètres
d’accroissements moyens des modèles mensuel et annuel est bien facile à vérifier.Un
point plus
délicat concerne la cohérence entre la variance du modèleannuel,
d’unepart,
les variances et covariances du modèle men-suel,
d’autrepart.
Cela constitue d’ailleurs enquelque
sorte un testd’adéquation
du modèle mensuelMarkov-Laplace,
et méritequelques développements.
Soit E le
paramètre
dedispersion
du modèle annuel :et o le
paramètre
dedispersion (supposé constant)
du modèlemensuel ;
on supposera aussi p constant.
Revue de Statistique Appliquée. 1963 - Vol. XI - N’ 2
9
On
peut montrer,
en utilisant undéveloppement
limité - cequi implique
que les accroissements mensuels etannuels,
de lachronique étudiée,
soient assezpetits - qu’on
aapproximativement :
La cohérence des modèles mensuel et annuel
implique
une certainerelation entre
E2
d’unepart,
p et cr d’autrepart.
(Nous
supposons, au moins comme uneapproximation,
que l’auto- corrélation de lachronique
annuelle estnulle).
Nous allons établir cette relation.Supposons plus généralement
unepériodicité
delongueur
k dans lemodèle défini par les formules
(1)
que nousreproduisons partiellement
ci-dessous :[t] =
t modulo kNous voulons calculer :
Chacune des sommes entre crochets étant
poursuivie jusqu’à
cequ’un
terme s’annule.La
ligne
de rang Bcomporte
ainsi une somme de la forme :Revue de Statistique Appliquée. 1963 - Vol. XI - N’ 2
10
Posant
1 + À. = u,
k - À = v, et écrivant cette somme dans l’ordreinverse,
il vient :ou encore, en revenant aux notations initiales :
Donc :
Dans le cas
particulier k = 12,
on trouve :Nous donnons ci-dessous une table
de ~(03C1) :
Revue de Statistique Appliquée. 1963 - Vol. XI - N’ 2
11
FORMULES POUR LA PREVISION A COURT TERME -
Bornons-nous,
poursimplifier
lescalculs,
au cas d’un modèle à 14paramètres,
et reprenons les formules(1) qui
définissent notre mo-dèle :
ut : aléas
laplaciens
réduitsindépendants (a. 1.
i. r.).
La troisième formule
exprime
que les z, t forment une chaîne de MarkovLaplacienne,
de corrélation P aupremier
ordre.L’équation
derégression
dupremier
ordre s’écrit évidemment :et
l’équation
derégression
d’ordre h s’écrit :On en déduit les
espérances mathématiques,
àl’époque
t - c’est- à-direlorsqu’on
connaît lachronique jusqu’à
xt - desquantités :
Zt+J.’Zt+2 , -...1 zt+h ,
qui
s’écrivent :et on en déduira encore, par addition de toutes ces
quantités
à xt , l’es-pérance
en t deXt+h’
soit :Remplaçant z,t
par xt -xt_l
etréorganisant
un peul’expression précé- dente,
on obtient le résultat :Revue de Statistique Appliquée. 1963 - Vol. XI - N’ 2
12
ou
Pour évaluer la
précision
d’uneprévision
à h moisd’échéance ,
on calculera la variance conditionnelle de xt+n, connaissant la
chronique jusqu’en
xt, variance que nous noterons :or :
Appelons 1:202
la variance de zt+1 +...· +zt+h,
et A02
la covariance de cette somme avec zt.(R
le coefficient de corrélationcorrespondant).
Nous aurons : -.
Or,
on calcule sanspeine
A et E :et :
La somme entre crochets
peut
êtredécomposée
sous la forme :et on voit
qu’elle
s’écrit :d’où on tire finalement :
Revue de Statistique Appliquée. 1963 - Vol. XI - N’ 2
13
A
l’époque t,
la loi deprobabilité
conditionnelle de yt+h est une loilogarithmo-normale
dont lesparamètres
sont fixés par les formules quenous venons d’établir. Sur le
plan pratique,
il semble que ces formules devraient rendrequelques
services pour desprévisions
à court terme(de
l’ordre de 1 à 12 mois parexemple).
’PROCESSUS NON SAISONNIER ASSOCIE -
On sait tout l’intérêt
qu’attachent
lesconjoncturistes
à l’établis- sement dechroniques dépourvues
de mouvement saisonnier. Avec le modèle d’accroissements deMarkov-Laplace
décrit dans cettenote,
nous pouvonsassocier,
à un processus xt deparamètres :
(pour-nous borner,
par raison desimplicité,
au modèle à 25paramètres)
un autre processus
03BEt,
J nonsaisonnier,
deparamètres :
tel
qu’une
réalisationde 03BE
ressemble d’aussiprès qu’il
estpossible (mouvement
saisonnier mis àpart)
à la réalisation"correspondante"
dex.
Nous conviendrons de
prendre,
pour achever dedéfinir 03BE :
et d’associer à une réalisation de x, la réalisation
de 03BE
résultant des mêmes a. 1. i. r.Il est bien clair que le calcul
des 03BE
observéspeut
être effectué directement àpartir
des x, ou mieux encore, onexprimera
lachronique
T1 =
e03BE
en fonction de y, par les formules suivantes :(L’établissement
de cette"formule
dedésaisonnalisation"
neprésente
aucune difficulté : il suffit d’écrire
explicitement
les relations(1)
pour les deuxmodèles,
et d’éliminer les a. l. i. r.supposés identiques).
On pourra observer que dans le cas
particulier
d’un modèle à 14paramètres,
le processus non saisonnier associé estformellement
iden-tique
au résultat de latechnique classique,
fondée surl’hypothèse
decoefficients saisonniers
additifs,
et mettant enjeu
le filtre de BUYSBALLOT,
à conditiond’appliquer
ce modèleclassique
aux accroissements de lachronique (Bibl. [2]).
Revue de Statistique Appliquée. 1963 - Vol. XI - N’ 2
14
APPLICATION A LA
CHRONIQUE
DES CONSOMMATIONS MENSUELLES D’ELECTRICITE EN FRANCE -Les tableaux ci-annexés donnent
quelques
résultats essentiels.Bornons-nous ici aux commentaires les
plus
nécessaires.TABLEAU 1 - Les données de base sont les consommations moyennes des
jours ouvrables,
établies et utilisées par nosCollègues
de la Direction des Etudes et Recherches(Bibl. [3]).
TABLEAU 2 - Il
s’agit
bien entendu deslogarithmes
naturels. Lesmoyennes
indiquées
au bas du tableau sont les valeursempiriques,
saufpour les mois d’août et
septembre,
pourlesquels
les Zt ne sont mani- festement pas stationnaires(influence
del’allongement
descongés payés ,
intervenu en
1956).
Une étudegraphique
a conduit à retenir pourmj
leschiffres
indiqués, respectivement
avant etaprès
1956.TABLEAU 3 - Nous donnons
ici,
outre les m relatifs à lapériode 1956-1960,
les valeursempiriques
desécarts-types
et coefficients d’auto- corrélation dupremier
ordre.Pour les
écarts-types,
il faut noter que les valeurs trouvées pour février et mars sontgravement
affectées par le mois de février 1956(froid exceptionnel).
Avec un échantillon d’une dizaine
d’années,
les variations deo.
nesauraient être
regardées
commesignificatives.
Nous retiendrons unevaleur constante :
En ce
qui
concerne les coefficients decorrélation,
les valeurs trouvées pouraoût, septembre, octobre,
ne sauraient être retenues(rôle
de la modification de la durée des
congés) ;
considérant que diverses influencesperturbatrices
détériorent lacorrélation,
nous admettrons au vu des valeursexpérimentales :
C’est d’ailleurs très
précisément
la valeur que l’on obtient si l’oncalcule,
comme il est dit dans les pagesprécédentes,
la valeur de pqui explique
ladispersion
des accroissements des consommations an- nuelles.Si nos
présomptions
sontfondées,
nous obtiendrons des valeurs absoluesplus
élevées pour l’autocorrélationempirique, lorsque
nouspourrons
disposer,
audépart,
des valeurs de consommationscorrigées
des
pertes
et de l’influence de latempérature.
TABLEAU 4 - Le tableau 4 donne les valeurs du processus non saisonnier associé
Yf
L’intérêt des résultats - au reste
provisoires -
tient au fait que latechnique
de calcul estjustifiée
par un modèleprécis ;
d’autrepart ,
sa mise en oeuvre pourra être
grandement
améliorée par laprise
encompte
de consommationscorrigées
des effets de latempérature,
despertes
detransports,
etc. sanscompter
les raffinements dontpeut
faci- lement bénéficier le modèle lui-même.Revue de Statistique Appliquée. 1963 - Vol. XI - N’ 2
15 H
0 M
S
Revue de Statistique Appliquée. 1963 - Vol. XI - N’ 2
16
oa
Revue de Statistique Appliquée. 1963 - Vol. XI - N’ 2
17
1
ci
10 u 0 m M
(D0
"0
Revue de Statistique Appliquée. 1963 - Vol. XI - N’ 2
18 Tableau 3
Paramètres du modèle markovien
QUELQUES
CONCLUSIONS -Nous avons
déjà indiqué quelles
sont leschroniques économiques
pour
lesquelles
le modèle à accroissements markovienslaplaciens
doità
priori
bien convenir.L’application
aux consommations mensuelles d’élec- tricité en France confirme que cetteprésomption
était fondée.Au cours de la dernière année
scolaire,
nous avons eu l’occasion de décrire devant des étudiants de troisièmecycle
de la Faculté desSciences,
enstatistique mathématique
etéconométrie,
le modèlequi
faitl’objet
de ce mémoire. Nous les avons invités à se livrer àquelques applications numériques
à diverseschroniques économiques,
et leurstravaux ont
quelque
peu enrichi notreexpérience.
Nos étudiants ont pu constater, par
exemple,
que lemodèle
à ac-croissements markoviens
laplaciens représente
assez bien l’évolution des indices deproduction industrielle,
mais l’estimation du coefficient d’auto- corrélationprésente quelque difficulté,
en raison des limites deprécision
dans la définition des indices. On
peut
noter au passage que ce coef- ficient d’autocorrélationpeut
fournir une mesure fortindirecte,
mais fortsignificative néanmoins,
de laprécision
réelle deschroniques analysées ;
nous en tirons ainsi une
présomption
extrêmementencourageante,
con-cernant les consommations mensuelles d’électricité.
Par
ailleurs,
nos étudiants ont pu aussi constater que notre modèles’applique
fort mal auxchroniques
deproduction
des industrieslégères ,
telle l’industrie textile. Cet échec ne nous a causé aucune
peine,
maisla recherche de modèles
plus
satisfaisants pour ceschroniques-là,
noussemble proposer un
problème
encore ouvert.Revue de Statistique Appliquée. 1963 - Vol. XI - N’ 2
19
D’autre
part,
nous avonsindiqué
que le modèlejustifie
une méthoded’analyse employée
en France pour des consommations hebdomadairesd’électricité. C’est un argument positif, certes,
mais nous sommes per- suadéqu’à
cette échelle detemps,
des liaisons un peuplus complexes
doivent se fairejour,
et le raffinement du modèle dans cette direction mérite aussiquelques
effortssupplémentaires.
NOTE
Cet article a été
redire
au cours de l’été 1962, en vue d’une Communi- cation àDUBLIN,
et nousindiquions
àplusieurs reprises
que les résultats dont il estfait
état(pour
cequi
concernel’application
àl’analyse
de laconsommation
d’électricité)
devaientêtre
considérés comme provisoires. Nous avons obtenu,depuis,
deschiffres
de consommation.électrique corrigée
del’influence
des pertes de transport et deseffets
de latempérature,
et sil’exploitation
de ces nouvelleschroniques "raffinées"
n’a puêtre complè-
tement menée à
bien -
car cela demande du temps et des moyens de calcul - il Z est dès maintenantpossible
d’en t irerquelques
conclusions assezimportantes
pour que nous en
fassions
ici brièvement état. L’autocorrélation entre les accroissementslogarithmiques
mensuels de consommationss’avère différente
de ce
qu’elle
était avec leschiffres
bruts. mais contrairement à notrepré- somption
initiale, il semblequ’elle
serapproche
de zéro ! Cela doitêtre regarde
comme un testpositif de l’adéquation
du modèle markovten. si l’on considère que :1/ lorsqu’on applique
un modèle markovien à une chronique résultant en réalité d’un processus classique :alors on doit
théoriquement
trouver uncoefficient
d’autocorrélattonpréci-
sémentégal à - 1 2
entre lesdifférences
successives xt - xt-1 (pourvu que la tendancef(t)
ne s’écarte pas sensiblement d’unefonction linéaire).
2/ l’influence
desperturbations dûes
aux pertes de transport et auxeffets
detempérature
peut sereprésenter, grosso-modo,
par l’introduction d’écarts aléatoiresEt, s’ajoutant
à lachronique
xt = logCt,
et ne se cu- mulant pas. Dans la mesure où la variance de ces écartssupplémentaires
estappréciable
devant celle des accroissementsrelatifs Zt’
leur introduction doit doncrapprocher
lecoe fficient
d’autocorrélation p de1 2.
3/
Ladisparition,
ou à tout le moins l’atténuationimportante,
decette
autocorrélation négative, lorsqu’on
a éliminél’effet
des pertes et de latempérature,
montrerait donc que le modèle markovien (avec accroissements prat iquementindépendants) s’applique
bien aux consommat ions"puri f iées" ce qui
est résultat bienplus fort
que ce que nous avions d’abordprésumé.
Revue de Statistique Appliquée. 1963 - Vol. XI - N’ 2
20
En tout état de cause, nous devons souligner une
fois
de plus que leproblème
est loind’être
clos ; comme souvent dans ce domaine, l’accession à des données d’observationplus fines,
permet seule de mieux discernerl’adéquation
des modèles. Si des modèles markovie ns noussatisfont
mieuxdans le cas de la consommation
électrique -
domaineprivilégié
sans doute -nous ne doutons
guère
que leuremploi
doive s’avérerfécond
pour unefoule
d’autres chroniques
économiques.
Les
perfect ionnements qu’il faut
leur apporterapparaîtront
avec le dé-veloppement
desexpériences pratiques,
dont un certain nombre sont en cours.BIBLIOGRAPHIE
[1]
A. T. BHARUCHA-REID - Elements of thetheory
of Markov Processes and theirapplications.
Mc GRAW HILL. 1960.[2]
G. Th. GUILBAUD - L’étudestatistique
des oscillationséconomiques.
Cahiers du Séminaire d’Econométrie.
N°1.
1951.[3 ]
D. JUNG - Evolution etprévision
de la consommationd’énergie
élec-trique
en France. Journal de la Société deStatistique
de Paris.Avril ; Mai ;
Juin 1956.[4]
J. MERAUD et A. TYMEN - Les variations saisonnières de l’acti- vitééconomique.
Revue deStatistique appliquée. 1960 N°4.
[5]
G. MORLAT - Modèleprobabiliste
pour laprévision
de la demande d’électricité. Bulletin de l’Institut International deStatistique.33°Ses-
sion. Paris. 1961.
[6]
J.SHISKIN - Decomposition
of economic time series : Business fluc - tuations are broken down intoseasonal, cyclical
andirregular
fac-tors
by computers.
Science 19. 12. 58.[7]
H. WOLD - Demandanalysis. Wiley.
1953.Revue de Statistique Appliquée. 1963 - Vol. XI - N’ 2