Le lissage exponentiel est une méthode empirique de lissage et de prévision de données chronologiques affectées d'aléas. Comme dans la méthode des moyennes mobiles, chaque donnée est lissée successivement en partant de la valeur initiale. Le lissage exponentiel donne aux observations passées un poids décroissant exponentiellement avec leur ancienneté. Le lissage exponentiel est une des méthodes de fenêtrage utilisées en traitement du signal. Elle agit comme un filtre passe-bas en supprimant les fréquences élevées du signal initial. La série de données brutes est notée , commençant à . Le résultat du lissage exponentiel est noté ; celui-ci peut être vu comme une estimation de , débarrassé des aléas (en traitement du signal, on dit du bruit) en fonction du passé. Le résultat dépend cependant de la pratique de l'utilisateur (choix du facteur de lissage). Le lissage exponentiel n'a vraiment d'intérêt que pour des données à peu près stationnaires (c'est-à-dire qui ne sont pas affectées de fortes croissances ou décroissances ou de variations saisonnières). Lorsqu'il existe une tendance, on doit compliquer la méthode (lissage exponentiel double). Elle n'apporte aucune aide pour le traitement des données saisonnalisées. De caractère empirique, la méthode ne fournit pas d'indications sur les propriétés statistiques des résultats. Pour une série commençant à , le résultat du lissage exponentiel simple est donné par les formules suivantes : pour : où est le facteur de lissage, avec Le fenêtrage exponentiel ou lissage exponentiel simple est attribué à Poisson qui aurait généralisé des méthodes utilisées dès le ; cette méthode fut adoptée par les spécialistes de traitement du signal dans les années 1940. L'expression la plus élémentaire du lissage exponentiel simple est donnée par l'expression : La méthode est applicable quand on dispose de deux valeurs brutes ou plus. Le paramètre α est un facteur de lissage compris entre 0 et 1. En d'autres termes, st peut être vu comme une moyenne pondérée entre la valeur actuelle yt et la valeur lissée précédente st – 1.

À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Cours associés (2)
ME-419: Production management
Production management deals with producing goods sustainably at the right time, quantity, and quality with the minimum cost. This course equips students with practical skills and tools for effectively
MATH-342: Time series
A first course in statistical time series analysis and applications.
Publications associées (20)
Concepts associés (2)
Prévision
La prévision est une . D'une façon générale, . Dans un sens plus restrictif, en épistémologie contemporaine, la prévision se distingue de la prédiction, qui est issue d'une loi ou théorie scientifique hautement confirmée ou corroborée, tandis que la prévision découle d'hypothèses ou de conjectures moins assurées. La prévisibilité et la prédictibilité désignent la possibilité que certains événements ou phénomènes soient prévus ou prédits à partir d'une hypothèse ou d'une théorie scientifique et de conditions initiales appropriées.
Série temporelle
thumb|Exemple de visualisation de données montrant une tendances à moyen et long terme au réchauffement, à partir des séries temporelles de températures par pays (ici regroupés par continents, du nord au sud) pour les années 1901 à 2018. Une série temporelle, ou série chronologique, est une suite de valeurs numériques représentant l'évolution d'une quantité spécifique au cours du temps. De telles suites de variables aléatoires peuvent être exprimées mathématiquement afin d'en analyser le comportement, généralement pour comprendre son évolution passée et pour en prévoir le comportement futur.

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.