GTDie

République de Côte d’Ivoire
Union-Discipline-Travail
Ministère de l’Enseignement Supérieur et de la

Recherche Scientifique
Ecole Nationale Supérieure de Statistique et

d’Economie Appliquée
(E.N.S.E.A.)
GROUPE DE TRAVAIL
TRANSFORMÉ EN ONDELETTES ET ANALYSE

MULTIRÉSOLUTION DES COURS DU CACAO ET DU CAFÉ
Réalisé par :
NGANGOUM KAMENI Denis

DIE José Félix
Elèves Ingénieurs Statisticiens Economistes

3ème année
Sous la direction de :
DJEGNENE Barnabé
Professeur à l’ENSEA
juin 2003
Transformé en ondelettes et analyse multirésolution des cours du café et du cacao Dié José, Ngangoum Denis
SOMMAIRE
SOMMAIRE ................................................................................................................................................. 1
AVANT PROPOS......................................................................................................................................... 1
INTRODUCTION GENERALE................................................................................................................. 2
PARTIE I: CONCEPTS THEORIQUES................................................................................................... 4
1.GENRALITÉS SUR LES ONDELETTES ............................................................................................. 5
1.1 INTRODUCTION ..................................................................................................................................... 5
1.2 DE L'ANALYSE DE FOURIER AUX ONDELETTES ...................................................................................... 5
1. L'analyse de Fourier ............................................................................................................................... 5
2. Les ondelettes ......................................................................................................................................... 6
1.2 Exemple de quelques ondelettes...................................................................................................... 9
1. Ondelette de Haar ................................................................................................................................... 9
2. ondelette de Morlet............................................................................................................................... 10
3. chapeau Mexicain ................................................................................................................................. 11
4. ondelette de Daubechie......................................................................................................................... 12
5. Ondelettes Symmlet.............................................................................................................................. 13
2.CONSTRUCTION THÉORIQUE DE L'ANALYSE MULTIRÉSOLUTION...................................14
2.1 Principe..........................................................................................................................................14
2.2 Construction...................................................................................................................................15
2.2.1 Définition ............................................................................................................................................... 15
6. 2.2.2 Orthogonalité............................................................................................................................... 16
7. 2.2.3 Schéma de l'approche multirésolution ......................................................................................... 17
2.3 Décomposition d’un signal ............................................................................................................17
2.4 L'algorithme de Mallat...................................................................................................................20
8. Algorithme de Mallat en 1-D................................................................................................................ 21
PARTIE II: ANALYSE EMPIRIQUE ......................................................................................................22
3. ANALYSE DESCRIPTIVE ET TEST DE STATIONNARITÉ..........................................................23
3.1 ANALYSE DESCRIPTIVE ........................................................................................................................23
3.1.1 Café.............................................................................................................................................23
3.1.2 Cacao ..........................................................................................................................................24
3.2 ETUDE DE LA STATIONNARITÉ .............................................................................................................25
3.2.1 Café.............................................................................................................................................25
3.2.2 Cacao ..........................................................................................................................................27
4. ANALYSE MULTIRÉSOLUTION .......................................................................................................29
4.1 CACAO .................................................................................................................................................29
CONCLUSION............................................................................................................................................31
RÉFÉRENCES ............................................................................................................................................32
ANNEXE ......................................................................................................................................................33
LISTE DES GRAPHIQUES.......................................................................................................................34
I
AVANT PROPOS
L’une des vocations de l’ENSEA est d’amener les élèves Ingénieurs statisticiens
économistes à intégrer et à s’épanouir au mieux dans une équipe de travail. C’est dans cet
ordre d’idée que nombre de groupes de travail sont constitués en début de dernière année
de formation pour permettre aux uns et aux autres de réaliser des travaux de recherche sur
des domaines aussi variés de l’économie et de la statistique et se préparer à intégrer une
équipe de travail dès la fin de leur formation. C'est dans ce cadre que le présent mémoire
dont le thème s'intitule:" transformée en ondelette et analyse multirésolution des cours du
cacao et du café" a été réalisé. Il vient ainsi couronner 6 mois de travail de groupe
constitué de M. NGANGOUM KAMENI Denis et DIE José Félix tous deux étudiants en
3ième année ISE.
Nous ne saurions achever ce travail sans remercier notre principal encadreur M.

DJEGNENE Barnabé d'abord pour nous avoir permis de travailler sur thème mais aussi
et surtout pour tout le suivi dont ils n’a cesser de nous faire preuve tout au long de cette
année scolaire .
Enfin, notre gratitude s'adresse à M. KOFFI N'guessan, Directeur de l'ENSEA, à

Mlle AKAFFOU Dorcas, Directrice des études des ISE et à tous nos enseignants de
l'ENSEA pour le travail chaque jour abattu afin de nous assurer une formation de haut
niveau. Comme il est d'usage, la responsabilité des personnes ci-dessus citées ne saurait
en rien être ici engagée. Toute éventuelle erreur nous incombe totalement et, nous prions
le lecteur de nous en excuser d'avance.
1
INTRODUCTION GENERALE
L’importance de la maîtrise des fluctuations des cours des matières premières

apparaît comme un objectif majeur des principaux pays exportateurs, dits pays émergents
ou moins avancés. En effet, la production mondiale des matières premières végétales
constitue un des facteurs importants dans l’évolution des économies nationales. Alors que
l’essor des économies développées est fortement dépendant de l’approvisionnement en
ressources primaires nécessaires à l’industrialisation, les revenus tirés de ces ressources
exploitées pour la plupart dans les pays les moins avancés, devraient stimuler la
croissance et favoriser le développement des économies prochainement émergentes. Les
enjeux communs aux producteurs et aux importateurs des matières premières végétales
dépendent alors des prix auxquels ces dernières sont commercialisées sur le marché
mondial. Ces enjeux souvent déstabilisateurs sont à l’origine d’un ensemble de questions
soutenant l’intérêt de l’étude des caractéristiques des prix des matières premières et de
leurs fluctuations.
A cause de leur très grande volatilité observée historiquement sur les marchés
financiers et sujette aux chocs intervenus dans l’économie mondiale, l’étude des séries
temporelles de matières premières demeure un impératif et demande une grande précision
d’analyse. Les outils d’analyse classique tels que préconisés par l’analyse de Fourier à
savoir les méthodes de prévision de Box et Jenkins, les modèles ARCH et leur
généralisation, etc. se sont avérés inefficaces. En effet, cette méthode d’analyse
décompose une série en combinaison linéaire de fonctions sinusoïdales. Chacune de ces
fonctions est elle même une fonction de fréquences, et donc la transformation de Fourier
peut être vue comme une décomposition sur la base de fréquence. Ce type d’analyse des
séries est surtout performante lorsque ces derniers sont périodiques et suffisamment
réguliers. Mais dès que le signal devient irrégulier, la liste des paramètres à conserver
s’allonge. En effet, se borner à l’aspect stationnaire d’une série temporelle n’est plus
intéressant dans la mesure où plusieurs séries temporelles ont montré des configurations
assez compliquées dans le temps. Elle reste une représentation alternative de la série
initiale telle qu’elle résume l’information contenue dans les données comme une fonction
de fréquences et donc ne peut préserver l’information dans le temps.
Pour palier ces insuffisances, la transformation en ondelettes et l’analyse
multirésolution (AMR) ont été suggérées afin de capturer de façon efficiente les
tendances, les changements brusques et les explosions de dispersion et de mettre en
évidence les caractéristiques locales temporelles et fréquentielles des cours mondiaux du
Café et du Cacao.
L’objectif du présent travail est d’exposer et d’utiliser cette nouvelle méthode
d’analyse des séries temporelles afin d’étudier et d’analyser les caractéristiques des
fluctuations des cours du Café et du Cacao.
2
Le travail se subdivise en deux grandes parties elles même regroupant des

chapitres. La première partie traite du cadre théorique d'analyse. Apres avoir donné
quelques généralités sur les ondelettes, nous ébauchons la théorie de l'analyse
multirésolution. Dans la seconde partie, après avoir fait une analyse descriptive, nous
passons à l'analyse multirésolution après avoir eu la confirmation de son opportunité à
travers les tests de stationnarité.
3
PARTIE I: CONCEPTS THEORIQUES
4
1.GENRALITÉS SUR LES ONDELETTES
1.1 INTRODUCTION
Au début des années 1990, le mathématicien américain Michaël FRAZIER,
spécialiste en analyse harmonique, utilisait une construction mathématique pour extraire
d’un fond sonore le bruit caractéristique de la coque d’un sous-marin. À Saint-Louis
(Missouri),Victor WICKERHAUSER utilisait les mêmes mathématiques pour permettre
au FBI de stocker les empruntes digitales à moindre coût. À l’Université de Yale, Ronald
COIFMAN s’en servait également pour dévoiler les secrets d’un enregistrement de
Brahms au piano. (L’enregistrement effectué sur le phonographe de Thomas Edison date
de 1889). Ces études diverses utilisent un nouveau langage mathématique dont l’alphabet
consiste en des oscillations identiques — des « ondelettes » — judicieusement étirées ou
comprimées. Tout un éventail d’informations — une voix, des empruntes digitales, une
photo, des radiographies médicales, des ondes sismiques, des émissions provenant de
l’espace — peut être transposé en ce nouveau langage. Souvent cette transformation en
ondelettes réduit le temps de calcul, facilite l’analyse, la transmission et la compression
de l’information, ou son extraction du « bruit » environnant.
1.2 DE L'ANALYSE DE FOURIER AUX ONDELETTES

1. L'analyse de Fourier
La transformée de Fourier d'une fonction f (t) définie sur R est donnée par
l'équation
T Fourier f (ω ) = ∫ f (t )e − iωt dt
R
Cette fonction permet de changer d'espace et de représenter l'aspect fréquentiel de

la fonction f (t). Notons désormais T Fourier f (ω ) par fˆ (ω ) . fˆ (ω ) Décrit le comportement
spectral de f (t), c'est-à-dire les différentes fréquences composant le signal.
Remarque l'aspect temporel (1-D) ou spatial (2-D) est noyé pour les signaux non
stationnaires. Par contre, dans le cas des signaux stationnaires l'interprétation du spectre
est triviale. Pour un signal stationnaire, l'absence de l'aspect temporel dans l'espace de
Fourier est sans importance car le signal n'évolue pas fréquentiellement au cours du
temps. La transformée de Fourier s'avère donc particulièrement bien adaptée pour les
signaux stationnaires.
Cependant, dans la pratique, la plupart des signaux sont non stationnaires.
L'interprétation du spectre d'un signal non stationnaire est beaucoup plus complexe que
dans le cas des signaux stationnaires. Cette déficience de l'analyse de Fourier fut
5
observée par Gabor qui introduisit une "fonction fenêtre" afin de localiser temporellement
le signal. Cette fonction g(s-t), où le paramètre de translation glisse le long du signal et
couvre la totalité de ce dernier.
+∞
Tf ( t , ω ) = ∫ f ( s ) g ( s − t )e− iω s ds
−∞
Le paramètre t est un paramètre de translation permettant de conserver l'aspect

temporel du signal dans l'espace transformé. Cependant l'aspect rectangulaire de la
fenêtre d'analyse s'avère mal adapté pour les fréquences extrêmes ( très hautes ou très
basses).
Le signal étant analysé dans une fenêtre de dimension finie, le pavage temps
fréquence est donc le même pour toutes les fréquences. Par conséquent, la fenêtre ne sera
pas assez large pour les fréquences très faibles et pas assez courtes pour les hautes
fréquences. On obtient une analyse tenant compte de l'aspect temporel mais où la qualité
de l'analyse fréquentielle n'est valable que pour des fréquences "moyennes". La nécessité
d'une transformation tenant compte de l'aspect temporel et des propriétés fréquentielles
devenait indispensable pour les théoriciens du signal.
2. Les ondelettes
Pour obtenir de l'information à la fois temporelle et fréquentielle sur un

signal x ( t ) , il faut le décomposer sur des fonctions concentrées à la fois en temps et en
fréquence. Pour définir ces fonctions, il faut partir d'une fonction ψ ( t ) appelée
``ondelette mère'' si elle est bien localisée et si elle est oscillante (elle ressemble à une
onde). La condition de localisation s'écrit sous la forme habituelle de décroissance en
amplitude rapide quand t augmente indéfiniment. La condition d'oscillation suggère que
ψ ( t ) vibre comme une onde : on demande donc que l'intégrale de ψ ( t ) sur le temps soit
nulle et qu'il en soit de même pour ses m premiers moments. La mère des ondelettes
engendre les autres ondelettes de la famille, ψ a ,b ( t ) , a > 0 et b réel par dilatation
(paramètre a) et par translation dans le temps (paramètre b).
1  t −b 
ψ a ,b ( t ) = ψ 
a  a 
1 1
Le facteur de normalisation peut être aussi pris égal à 1 ou à .
a a
Grossman et Morlet ont montré que si ψ ( t ) est à valeurs réelles, cette collection
peut être utilisée comme s'il s'agissait d'une base orthonormée. Cela signifie que tout
signal d'énergie finie peut s'écrire comme une combinaison linéaire d'ondelettes ψ a ,b ( t ) et
que les coefficients de cette combinaison sont, à un facteur de normalisation près, les
produits scalaires :
6
∞
1  t −b 
C ( a, b ) = ∫ x ( t )ψ  
a −∞
a 
Ces coefficients mesurent, en un certains sens, les fluctuations du signal x ( t )

autour du point b à l'échelle fournie par a . Le paramètre b est un paramètre de translation
permettant une conservation de l'aspect temporel. La différence avec la transformée
fenêtrée apparaît avec le paramètre a. ce facteur de dilatation permet une étude
fréquentielle plus fine. Le pavage temps-fréquence n'est plus figé, il évolue avec le
paramètre a.
+∞
La seule condition (l'admissibilité) sur l'ondelette psi est ∫ψ (t )dt = 0
−∞
La transformée en ondelette est un opérateur linéaire, invariant par translation et

par dilatation. Quelle que soit l'échelle et quel que soit l'endroit, l'analyse du signal se fait
avec la même fonction.
Si la base engendrée par l'ondelette n'est pas orthogonale, on a une redondance
d'informations et un risque d'instabilité lors de la reconstruction du signal analysé. Par
ailleurs, la transformée en ondelette d'un signal n'est pas unique, elle dépend de
l'ondelette mère utilisée.
Le traitement numérique des données nécessite la discrétisation de l'analyse en
ondelettes. Il faut se donner un réseau de points de discrétisation. Le principal problème
réside dans la reconstruction du signal. Il y a plusieurs manières de traiter ce problème.
Mallat, par exemple, introduit l'analyse multirésolution. D'une façon générale, les bases
d'interpolation dans L2 (espace des fonctions continûment dérivables) permettent de bien
décrire l'analyse en ondelettes discrète. L'algorithme de transformation en ondelettes
discrètes le plus simple consiste alors à convoluer le signal avec l'ondelette, en dilatant ou
en contractant la forme de celle-ci, suivant l'échelle à laquelle on veut faire l'analyse.
7
Graphique 1: Plan de représentation temps-fréquence dans le cadre de 'analyse de Fourier et de la

transformation en ondelette
Source (Bank of Canada, working paper No 2002-3)
À la différence de la transformation de Fourier, les ondelettes permettent d'observer un

signal aussi bien dans le domaine temporel que dans celui des fréquences et ceci dans
différentes strates de fréquences.
8
1.2 EXEMPLE DE QUELQUES ONDELETTES

1. Ondelette de Haar
L'ondelette de Haar est spéciale à plus d'un titre. C'est la toute première ondelette
ensuite, c'est l'unique ondelette symétrique, orthogonal et à support compact.
 1
 1 si 0 ≤ x ≤ 2
ψ ( x) = 
− 1 si 1 p x ≤ 1
 2
Graphique 2: ondelettes de Haar
Caractéristiques générales
Support compact oui
orthogonal oui
biorthogonal oui
Longueurs des filtres 2
symétrie oui
L'ondelette de Haar
régularité
est discontinue
Bien que facile à implémenter, l'ondelette de Haar est très peu utilisée dans les
travaux empirique en raison de sa "mauvaise" approximation du filtre passe bande idéal1
1
Etant donné une bande de fréquence representée par [ω1 , ω2 ] avec ω1 < ω2 , on entend par filtre
passe-bande idéal le filtre dont la fonction de transfert s'écrit:
1 si ω1 ≤ ω ≤ ω2
( )
H e − iω = 
0 sinon
9
2. ondelette de Morlet
Morlet fut l'un des premiers à travailler sur la théorie des ondelettes. L'ondelette
de morlet est une ondelette continue. Cette ondelette ne permet pas de générer une
analyse multirésolution
2
1 − x2 −iω0 x
ψ ( x) = e e
2π
Graphique 3: Ondelette de Morlet
Support compact non
Orthogonal non
Biorthogonal non
Symétrie oui
Transformé en
oui
ondelette continue
Transformé en
non
ondelette discrète
10
3. chapeau Mexicain
Cette ondelette est appelée le chapeau mexicain en raison de sa forme très

caractéristique.
1 x2
2 − −
ψ ( x) = π 4
(1 − x )e
2 4
3
Graphique 4: Chapeau Mexicain
Support compact Non
Orthogonale Non
Biorthogonale Non
symétrie Non
Transformé en
Oui
ondelette continue
Transformé en
Non
ondelette discrète
11
4. ondelette de Daubechie
Les ondelettes de Daubechies sont une famille d'ondelettes mis au point par le
Professeur Ingrid Daubechies de l'université de Princeton (USA). Les ondelettes de
Daubechies sont optimales au sens de la taille du support pour un nombre de moments
nuls2 (vanishing moment) donné
Graphique 5:Daubechies d'ordre2
Support compact oui
orthogonale oui
biorthogonale Oui
Longueur des filtres 2N3

De l'ordre de 0,2N
régularité
pour N grand
symétrie non
2
une fonction ψ est dite à P moments nuls si ∫ t pψ ( t )dt = 0 pour p = 0,1,L P-1.
3
Où N représente l'ordre de l'ondelette. Pour les ondelettes de Daubechie, l'ordre peut être tout entier strictement
positif.
12
Graphique 6:Daubechies d'ordre 4 et 10
5. Ondelettes Symmlet
Les ondelettes de Symmlet ont été introduites par Symmlet pour corriger ou tout
au moins atténuer la non symétrie des ondelettes de daubechies laquelle non symétrie
peut introduire une certaine erreur sur l'approximation d'un signal.
Graphique 7: Symmlet d'ordre 2.
Support compact Oui
Orthogonale Oui
Biorthogonale Oui
Longueur des filtres 2N
Non (cependant la
non symétrie ici est
symétrie moins prononcée que
dans l'ondelettes de
Daubechies)
13
2.CONSTRUCTION THÉORIQUE DE
L'ANALYSE MULTIRÉSOLUTION
Afin d’assurer une représentation non-redondante du signal et la possibilité de le

reconstruire parfaitement à partir de sa décomposition, Mallat et Meyer ont mis au point
en 1989 un outil très efficace et très flexible qui a engendré depuis un nombre
impressionnant d’applications: l'analyse multirésolution. Grâce à ce concept il a été
possible l'implémentation pratique de la décomposition en ondelette4.
Prenons un exemple pour mieux comprendre l'analyse multirésolution: quel est la

longueur de la partie littorale d'Abidjan? Nous pouvons prendre un globe, avec une règle
on calculera distance et grâce à l'échelle de la carte on en déduit la longueur de la côte. Il
s'agit d'une vision très grossière de l'allure de la côte. Prenons maintenant une carte de la
Côte d'Ivoire et on répète les mêmes opérations. On aura alors un aperçu beaucoup plus
précis de la côte et de sa longueur. Si on prend une carte d'Abidjan, là encore notre vision
de la côte sera bien plus fine. Finalement, on peut se rendre sur le terrain et on aura la
vision la plus fine qui soit pour calculer la longueur de la côte. Ainsi, d'échelle en échelle
(ou encore de résolution en résolution), les détails viennent affiner notre image de la côte,
d'une vision grossière on passe à une vision fine et plus précise.
2.1 PRINCIPE
Une multirésolution est une théorie définissant des opérateurs linéaires permettant
d'analyser un signal à différentes linéaires. En vulgarisant, on peut dire que la construction
d'une multirésolution permet de regarder un signal de "très près" ou de "très loin".
Ce zoom est effectué à l'aide d'une fonction d'échelle, qui se dilate à travers les
échelles. Le signal projeté sur cette fonction donne une représentation de notre signal à
l'échelle supérieure. Cette représentation provoque un zoom arrière de notre signal d'origine
d’où le terme approximation, nous devons également projeter notre signal originel sur un
espace perpendiculaire (conservation de toute l'information). La fonction générant ce
deuxième espace vectoriel sera une ondelette. Finalement, le signal est projeté sur une
fonction d'échelle créant une approximation du signal et sur une ondelette pour récupérer
l'information perdue lors de la première projection. Cette projection contient les détails du
signal d'origine.
4
Il existe deux façons d'introduire les ondelettes. On peut procéder soit à travers la transformation
continues par ondelettes soit, comme l'ont fait Mallat et Meyer à l'aide de l'analyse multirésolution. Dans ce
dernier, partant de la fonction d'échelle qui est définie par l'analyse multirésolution, on peut retrouver la
fonction d'ondelette ψ grâce à un résultat de Mallat et Meyer.
14
2.2 CONSTRUCTION
On se place dans L2(R ), mathématiquement, en analyse multirésolution on cherche à

écrire toutes fonctions f de L2(R) comme la limite d'approximations successives, chacune
étant une version lissée de f, avec des fonctions lissées de plus en plus concentrées.
2.2.1 Définition (analyse multirésolution)
une suite {V j } de sous-espace fermés de L2 ( )

j∈
est une analyse multirésolution si les 6 propriétés suivantes sont vérifiées:

1. ∀ ( j , k ) ∈ 2
( )
, f (t ) ∈V j ⇔ f t − 2 j k ∈V j
2. ∀j ∈ , V j ⊂ V j +1
t
3. ∀j ∈ , f ( t ) ∈ V j ⇔ f   ∈ V j +1
2
+∞
4. UV j = L2 ( )
j =−∞
+∞
5. I V = {0}
j =−∞
j
6. Il existe θ ∈ V0 telle que {θ ( t − n )}n∈ soit une base de Riesz de V0
Pour mieux appréhender ces propriétés, donnons en quelques interprétations

intuitives. La première relation montre que V j +1 est l'image de V j par une dilatation de facteur
2; autrement dit, il existe une grille fréquentielles sous-jacente progression géométrique. La
deuxième propriété montre que pour tout j ,V j +1 est un sous-espace de V j , ce qui revient à
dire qu'un signal basse résolution est aussi un signal à haute résolution. Les propriétés 4 et 5
respectivement, montrent que l'intersection des V j est réduite à {0} dans L2 (à résolution
minimale, on perd toute l'image) et que la réunion des V j est dense dans L2 (à la résolution
infinie, on reproduit parfaitement tous les signaux). La propriété3 assure que les espaces V j
correspondent à différentes résolutions tandis que l'invariance par translation assure que:
(
f ∈ V j → f t − 2 j n ∈ V j , ∀n ∈ )
Une analyse à la résolution j, est définie par l'application d'un opérateur linéaire Aj.
L'opérateur Aj a pour image Vj où Vj est un sous espace vectoriel de l'espace V (espace
d'approximation).
L'approche dyadique implique une résolution de 2 entre chaque échelle Ce facteur 2

peut s'avérer problématique dans la mesure où si, toute ou une majorité de l'information est
15
contenue dans une largeur de 2, l'étude multirésolution ne permettra pas de séparer

l'information.
La fonction générant une multirésolution est une fonction échelle ϕ ∈ L2 ( R ) . Dans le

cas dyadique, la fonction échelle est définie par
ϕ (2 − j x − n ) n ∈ Z
−j
ϕ j ,n (x ) = 2 2
le projecteur est alors

A j f = ∑ 〈 f , ϕ j ,n 〉ϕ j ,n où le produit scalaire a nj = 〈 f , ϕ j ,n 〉 représente l'approximation du
n
signal à échelle j. pour compléter cette analyse, nous avons besoin d'un espace
complémentaire Wj (espace des détails), orthogonal à Vj . L'ensemble des Wj couvre tout
l'espace L2 (R ) , et les W j sont deux à deux orthogonaux.
L2 ( R) = ⊕∑ W j , ∀j , k ≠ W j ⊥ Wk
j
les espaces W j et Wk sont reliés entre eux par la relation

V j −1 = V j ⊕ W j
les espaces d'approximations( V j ) et les espaces de détails( W j ) étant orthogonaux, toute
l'information du signal est conservée. Par conséquent, nous pourrons reconstruire exactement
notre signal de départ.
La fonction générant W j , est une ondelette (ψ ). L'opérateur linéaire est alors:
D j f = ∑ 〈 f ,ψ j ,n 〉ψ j ,n , et le produit scalaire d nj = 〈 f ,ψ j ,n 〉 représente les détails du signal
n
ψ (2 − j x − n )
−j
à l'échelle j. ψ j ,n = 2 2
6. 2.2.2 Orthogonalité
L'orthogonalité impose des contraintes qui peuvent ne pas être souhaitables. L'une
se des lus importantes est qu'une fonction d'échelle ϕ orthogonale à support compact ne
peut pas être symétrique et continue. La propriété de est pourtant utile pour l'analyse des
signaux de longueur finie. Certaines de ces restrictions (notamment sur la symétrie)
peuvent être atténué en utilisant les analyses multirésolution biorthogonales5 ou encore
celles construites à partir de l'ondelette Symmlet.
Une paire VJ ,VJ∗  d'analyses multirésolution forme un systeme biorthogonale si et seulement si
( ) Alors V admet une base de Riesz de la forme

⊥
L2 ( R ) = V0 ⊕ VJ∗ 0
∗
{θ ( t − n ) , n ∈ Z } telle que les translatés de θ etθ forment un système biorthogonale:

∗ ∗
θ ( t-n ) , θ ∗ ( t − k ) = δ n − k
16
7. 2.2.3 Schéma de l'approche multirésolution
V0
V1 D1
V2 D2
D3 V3
L L
Aj−1 f = Aj f + Dj f
On peut considérer que le signal initial correspond à l'espace V0. Cet espace sera
ensuite décomposé en deux espaces:
Un espace d'approximation et un espace de détails L'espace d'approximation nous

permettra d'extraire les basses fréquences de notre signal. L'espace des détails nous
servira à extraire les hautes fréquences. L'opération s'effectue récursivement sur les
espaces d'approximation. On obtient alors une analyse fréquentielle des hautes fréquences
avec les espaces de détails et une analyse des basses fréquences grâce aux espaces
d'approximation. Nous aurons alors plusieurs signaux correspondant à différentes bandes
fréquentielles.
2.3 DÉCOMPOSITION D’UN SIGNAL
Soit x = ( x1 ,K , xN ) un vecteur dyadique d’observations (i.e. N = 2 J ). D’après la

définition de l’analyse multirésolution, soit ψ l’ondelette-mère adaptée à l’analyse
multirésolution W et φ l’ondelette-père adaptée à l’analyse multirésolution V , nous
avons la relation algébrique suivante :
17
V j = V j −1 ⊕ W j −1 Pour tout j = 1,K , L − 1
 1  t − 2 j −1 k  
Soit φ j −1,k ( t ) = φ j −1  une base de V j −1
 2j  2  ( j ,k )∈Z 2
Et
 1  t − 2 j −1 k  
 j −1,k ( )
ψ t = ψ  j −1  Une base de W j −1 .
 2j  2  ( j ,k )∈Z 2
Soient v j −1,k et w j −1,k les coefficients de x = ( x1 ,K , xN ) sur respectivement V j −1 et W j −1 .

On a alors le résultat suivant :
J −1
VJ = ∑ W j ⊕ V1
j =1
Soit hl = ( h0 ,K , hL −1 ) le filtre passe-haut associé à ψ et gl = ( g 0 ,K , g L −1 ) le filtre passe-

bas associé à φ .
On a :
w = Wx
Où W est une matrice orthonormale carrée d’ordre N associée à la définition de la

transformée discrète en ondelettes. Le vecteur des coefficients d’ondelettes peut s’écrire
de la façon suivante :
 w1 
 
 w2 
w= M 
 
 wJ 
v 
 J
Où w j est un vecteur de dimension N 2 j des coefficients d’ondelettes associées au

changement d’échelle de largeur λ j = 2 j −1 et v J est un vecteur de dimension N J des
2
coefficients d’échelle associées aux moyennes d’une échelle de largeur 2 = 2λJ .
J
La matrice W est composé des coefficients de filtres d’ondelettes et d’échelle ordonné

colonne par colonne par rapport à la base.
18
 h1, N −1 
 
 h1, N − 2 
Soit h1 =  M  un vecteur de coefficients de filtres d’ondelettes d’échelle unité
 
 h1,1 
 h 
 1,0 
complété par des zéros dans l’ordre inverse. En effet, les coefficients h1,0 ,K , h1, L −1 sont
choisis de façon appropriée dans une base orthonormale d’ondelettes de largeur L et de
valeurs tel que L p t p N sont prises égaux à zéro.
En permutant 2 à 2 et de façon circulaire les composantes du vecteur h1 , on obtient :
 h1,3 
 h1,1   
   M 
 h1,0   h1,0 
 h1, N −1   
  ( 4 )  h1, N −1 
h1( 2) =  h1, N − 2  , h1 =  , ...
h1, N − 2 
 M   
   M 
 h1,3   h 
 h   1,5 
 1,2   h 
 1,4 
Définissons alors par W1 la matrice de dimension N × N composé des N

2 2
permutations circulaires de h1 , soit :
 h1( 2 ) 
 4 
 h1( ) 
 
W1 =  M 
  N −1 
 h1 2  
 
 h1 
Soit h2 le vecteur des coefficients de filtres d’ondelettes d’échelle 2 définie de façon

similaire à h1 . On construit la matrice W2 par permutation circulaire des composantes du
vecteur h2 prises 4 à 4. En répétant cette procédure de construction des matrices W j à
partir des permutations circulaires des composantes du vecteur h j (vecteur de
coefficients de filtres d’ondelettes d’échelle j complétée par des zéros) prises 2 j à 2 j . La
1
matrice VJ est le vecteur colonne où tous les éléments sont tous égaux à . Ainsi
N
donc, la matrice W d’ordre N s’écrit donc :
19
 W1 
 
 W2 
W = M 
 
 WJ 
V 
 J
Pour compléter la construction de notre matrice orthonormale, nous nous devons

d’expliciter la construction des coefficients de filtres d’ondelettes pour les
échelles 1,K , J . Le filtre d’ondelettes hl est associé à une unité d’échelle et nous
supposons qu’il satisfait aux équations suivantes :
L −1
∑h
l =0
l
2
=1
L −1
et ∑h h
l =0
l l +2n = 0 pour tout entier n non nul
Etant donné les fonctions de transferts de l’ondelette d’échelle unité et les filtres
d’échelles, on définit le filtre d’ondelettes h j ,l d’échelle λ j = 2 j −1 comme l’inverse de la
transformée de Fourier discrète de
j −2
H j ,k = H1,2 j−1 k mod N ∏ G1,2l k mod N , k = 0,K , N − 1
l =0
Le filtre d’ondelettes associé à l’échelle λ j a pour largeur

( )
L j = 2 j − 1 ( L − 1) + 1
Définissons aussi le filtre d’échelle g J pour λ J comme l’inverse la transformée de
Fourier discrète de :
J −1
GJ ,k = ∏ G1,2l k mod N Pour k = 0,K , N − 1
l =0
2.4 L'ALGORITHME DE MALLAT

L'algorithme de Mallat permet de programmer une analyse multirésolution. Il est basé
sur une succession de convolutions. Le principe est de décomposer les ψ j , ϕ j sur ϕ j −1 . nous
obtenons alors une série de coefficients (filtres) traduisant la convolution avec la fonction
ϕ j −1 : h[ ] pour la fonction d'échelle et g[ ] pour l'ondelette. L'intérêt de cet algorithme est
que les filtres obtenus précédemment seront les mêmes pour passer aux autres échelles. Cet
algorithme est par ailleurs inversible et permet une reconstruction du signal initial. Dans le
cas des bases orthogonales, la reconstruction s'obtient simplement par inversion des filtres.
20
8. Algorithme de Mallat en 1-D
1. Décomposition
anj −1 h% ↓2 anj h% ↓2 anj +1
g% ↓2 d nj g% ↓2 d nj +1
2. Reconstruction
anj ↑2 h anj −1
d nj ↑2 g
anj −1 = ∑ akj h [ n − 2k ] + ∑ d nj g [ n − 2k ]
21
PARTIE II: ANALYSE EMPIRIQUE
22
3. ANALYSE DESCRIPTIVE ET TEST DE

STATIONNARITÉ
3.1 ANALYSE DESCRIPTIVE

3.1.1 CAFÉ
Le graphique (no) présente l’évolution du prix moyen mensuel du Café Robustas

fourni par l’Organisation Internationale du Café (OIC) pour la période allant de janvier
1983 à décembre 2002. Nous constatons que l’évolution des prix du Café Robustas
connaît trois (3) grandes phases : la première, qui couvre la période allant de janvier 1983
à juin 1992, est marquée par une tendance générale à la baisse. Cela est du au fait que la
période 80 -90 marque l’avènement de la détérioration des termes de l’échange sur les
marchés financiers. En effet, d’un cours valant $124.51 la livre6 en janvier 83, le prix du
café robustas connaît des fluctuations plus ou moins importantes mais assez baissières
jusqu’en septembre 86 pour atteindre le seuil critique de $ 37.17 en juin 92, soit une perte
de valeur d’un peu plus de 70%.Vient ensuite la deuxième phase qui, elle est marquée par
une tendance générale à la hausse mais de très courte durée. C’est dans cette phase que
les cours du Café Robustas vont atteindre le seuil de $ 182.78 en septembre 94 ; seuil
jamais atteint depuis plus d’une décennie. Les pics observés pour l’année 1994
s’expliquent par la dévaluation de la monnaie (le Franc CFA) des principaux pays
exportations de Café Robusta de la zone Afrique de l’ouest est intervenue au début de
ladite période. Ce qui a eu pour effet d’augmenter les recettes d’exportations et par
conséquent, d’élever le niveau des prix. Cette hausse éphémère va être suivie d’une chute
brutale sans pareil des cours qui va se maintenir jusqu’à maintenant. Cette troisième et
dernière phase de l’évolution des cours du Café Robustas va même enregistrer son plus
bas niveau depuis près de 20 ans. En janvier 2002, le cours se chiffre à $ 22.81, soit une
perte nette de valeur de près de 88%. Et depuis le prix du Café Robustas ne connaît de
hausse significative. Cela est d’autant plus inquiétant quand on sait que la hausse n’est
pas pour demain à cause des difficultés économiques que traversent les principaux pays
exportateurs de la zone Afrique Occidentale.
6 1 livre (ou 1 pound) vaut environ 435.59 grammes. Son symbole est lb.
23
Graphique 8: Evoluiton des cours du café sur la période 1983-2002
Evolution des cours du Café de 1983 à 2002
200
150
($/lb)
100
50
0
83 85 87 89 91 93 95 97 99 01
n v- n v- n v- v- v- v- v- v- v- v-
ja ja ja jan jan jan jan jan jan jan
Cours du Café
Sources : International Coffee Organization
3.1.2 CACAO
Le graphique ci-dessous retrace l'évolution des cours du cacao sur les deux
dernières décennies. Les observations vont de Janvier 1983 à décembre 2002. On lit sur
le graphique cinq grandes phases d'évolution des prix du cacao. La première phase qui est
une phase de croissance va de Janvier 1983 à mai 1984. Durant cette phase, les prix vont
s'élever pour atteindre un pic de 120,45. C'est le prix le plus élevé sur toute la période
d'étude. Après Mai 1984, les cours du cacao vont connaître une longue période de
dépréciation. La rupture de tendance ne sera observée que vers la fin du premier
semestre de l'année 1994 où les prix ont à nouveau observé un mouvement haussier
vraisemblablement en raison de la dévaluation du Franc CFA cette année là. La hausse
ainsi observée va se poursuivre jusqu'en 1998 puis après, ce sera une chute drastique
jusqu'au plus bas niveau jamais observé par le passé (moins de 40). Depuis le premier
trimestre 2000, la tendance est à nouveau à la hausse.
Graphique 9: Evolution des cours du cacao sur la période 1983-2002
Source: international cocoa organization (ICO)
24
3.2 ETUDE DE LA STATIONNARITÉ

3.2.1 CAFÉ
Les tests ADF permettent de mettre en évidence le caractère stationnaire ou non
d’une chronique par la détermination d’une tendance déterministe ou stochastique en
prenant en compte le fait que l’erreur commise ne soit pas un bruit blanc contrairement
aux tests de Dickey et Fuller simples. Les tests ADF sont fondés, sous l’hypothèse
alternative φ1 < 1 , sur l’estimation par les MCO des trois modèles :
p
Modèle [4] : ∆ x t = ρ x t −1 − ∑ φ ∆x
j=2
j t − j +1
+ εt
Modèle [5] : ∆ x t = ρ x t −1 − ∑ φ ∆x
j=2
j t − j +1
+ c + εt
Modèle [6] : ∆ x t = ρ x t −1 − ∑ φ ∆x
j=2
j t − j +1
+ c + bt + ε t
Avec ε t → i.i.d .
Le test se déroule de manière similaire aux tests DF simples, seules les tables
statistiques diffèrent. La valeur de p peut être déterminée selon les critères de Akaike ou
de Schwarz, ou encore, en partant d’une valeur suffisamment importante de p , on estime
ième
le modèle à p − 1 retards, puis à p − 2 retards, jusqu’à ce que le coefficient du p
retard soit significatif.
Les résultats de ces différents tests sur la série des cours du Café Robustas sont les
suivants :
ADF Test Statistic -1.305773 1%Critical Value* -2.5743

5%Critical Value -1.9410
10%Critical Value -1.6164
*MacKinnon critical values for rejection of hypothesis of a unit root.
Variable Coefficient Std. Error t-Statistic Prob.
CAFE (-1) -0.006594 0.005050 -1.305773 0.1929
D(CAFE(-1)) 0.242699 0.065225 3.720980 0.0002
D(CAFE(-2)) 0.204502 0.066530 3.073823 0.0024
D(CAFE(-3)) -0.141079 0.066571 -2.119231 0.0351
D(CAFE(-4)) -0.117719 0.065293 -1.802937 0.0727
R-squared 0.140281 Mean dependent var -0.362128
Adjusted R-squared 0.125329 S.D. dependent var 7.502152
S.E. of regression 7.016302 Akaike info criterion 6.755396
Sum squared resid 11322.55 Schwarz criterion 6.829005
Log likelihood -788.7591 F-statistic 9.382288
Durbin-Watson stat 2.028716 Prob(F-statistic) 0.000000
Source : Nos calculs
25
Le modèle qui pourrait estimer notre modèle, s’il s’avérait que notre série soit
stationnaire, est le modèle [4] avec un retard d’ordre 4.
Les coefficients des 1er et 4ème retards (coefficients des variables C A F E ( − 1 )
et D ( C A F E ( − 4 ) ) ) ne sont pas significatifs i.e. φ 1 = 1 . Ce qui implique, par
conséquent, que la série Café Robustas n’est pas stationnaire.
Le corrélogramme de la série brute présage que la série pourrait être un AR (1) si

elle était stationnaire car nous observons une décroissance exponentielle du
corrélogramme simple alors que le corrélogramme partiel a son premier terme
significativement différent de 0.
Notons que ces résultats sont parfaitement prévisibles du fait que les séries
représentant le cours des matières premières sont souvent très instables dans le temps du
fait des aléas du marché. Cependant, il est à noter que rendre notre série stationnaire n’est
pas l’objectif recherché car si c’était le cas, une analyse du type Fourier aurait suffi pour
l’analyse temps-fréquence de l’évolution des cours du Café Robustas.
26
3.2.2 CACAO
Nous appliquons à la série cacao le test de Dickey-Fuller Augmenté. Des trois

modèles estimés pour la mise en œuvre du test, nous avons retenu sur la base du critère
d'information de Schwarz le modèle avec constante comme étant le meilleur modèle sur
lequel on peut s'appuyer pour décider de la stationnarité de la série cacao. Sur la base de ce
modèle on peut conclure avec les résultats ci-dessous que la série cacao n'est pas stationnaire.
Nous complétons ce test avec le test "visuel" qui consiste à observer le corrélogramme de la
série.
27
En somme, l’analyse descriptive et l’étude de la stationnarité des séries du Café Robustas

et du cacao nous ont permis de savoir que nos séries sont irrégulières. Les rendre
stationnaire n’est pas notre objectif ici. A travers les test de stationnarité, nous voulions
nous s'assurer de l'opportunité de faire usage des ondelettes car, il est bien connu que
pour les séries stationnaires, l'analyse de Fourier reste le meilleur instrument de l'analyse
fréquentiel du signal. Nos séries n'étant pas stationnaires, nous allons donc faire usage
d'une nouvelle technique pour leur analyse fréquentielle. Pour cela, notre outil d'analyse
doit pouvoir capturer les mouvements non pas sur une fréquence fixe comme dans le cas
de l'analyse de Fourier mais sur une bande ou une strate de fréquences. L'analyse
multirésolution permet de réaliser une analyse des structures des signaux avec un zoom
fonction de l'échelle considérée. Après avoir préciser les contours théoriques de l'analyse
multirésolution dans le chapitre précèdent, nous allons dans le chapitre suivant appliquer
la méthode aux séries du cacao et du café.
28
4. ANALYSE MULTIRÉSOLUTION
À un ordre suffisamment élevé, pratiquement toutes les ondelettes dont nous

disposons (sous Matlab) hors mis l'ondelette de Haar conduisent à peu près au même
résultat dans l'analyse multirésolution. Pour notre application, nous avons porté notre
choix sur les ondelettes de Symmlet qui sont construites sur le même critère que les
ondelettes de Daubechies mais qui en outre corrigent la forte non-symétrie des ondelettes
de Daubechies.
4.1 CACAO
L'analyse multirésolution est un moyen de décomposer un signal en composantes
ayant chacune leur énergie contenue dans une certaine bande de fréquences. Chaque
composante correspond à un niveau de résolution. L'analyse multirésolution à l'aide de
l'ondelettes Symmlet a fourni les approximations et les détails ci-après.
Graphique 10: représentation multirésolution du signal cacao
29
Les fluctuations les plus importantes sont observées sur les trois premiers détails.
L'importance des mouvements de haute fréquence traduit la forte volatilité des prix du
cacao. Les cycles de deux périodes sont capturés par le détail d1 tandis que
l'approximation a1 représente une "moyenne" autour de laquelle les prix oscillent. Les
oscillations sont mises en évidence par les détails. Remarquons aussi que pour tout
niveau J de résolution de l'analyse mutirésolution, le signal original est égal aux
J détails augmentés de la J ieme approximation. Ainsi dans notre cas précis, on a:
cacao = a6 + d6 + d5 + d4 + d3 + d2 + d1
Partant de l'approximation a6 , on affine notre vision du signal en passant d'un détail au

détail suivant par ordre décroissant des indices des détails.
Graphique 11: Arbre de décomposition, signal original et approximation à l'échelle 6
30
CONCLUSION
Notre travail consistait à mettre en œuvre une nouvelle méthode d'analyse des
séries temporelles notamment la transformation en ondelette et l'analyse multirésolution.
Si l'usage des ondelettes dans le traitement du signal est habituel, leur utilisation en
économie quantitative n'est que très récente. C'est pourquoi notre travail s'est aussi voulu
méthodologique. Ainsi, passée la présentation élémentaire des ondelettes, nous
construisons l'analyse multirésolution que nous appliquons ensuite aux prix du cacao et
du café.
L'analyse multirésolution des cours du cacao nous n'a permis de constater les fluctuations
les plus importantes, visibles sur les trois premiers détails sont d'une amplitude
relativement importante. En outre en observant les prix les fréquences plus importantes
on a observé que les cours ces 20 dernières années ont plutôt connu une tendance à la
baisse.
A partir de l'analyse multirésolution et du débruitage obtenu avec les ondelettes,

on peut améliorer les techniques usuelles de filtrage et pouvoir ainsi donner un sens
précis aux concepts faussement simples et délicieusement alambiqués tels que les prix
potentiels ou la production potentiel dont l'importance (pour la bonne conduite de la
politique économique) n'est plus à préciser. En outre les ondelettes permettent de faire
des prévisions bien meilleures qu'avec les méthodes classiques de Box et Jenkins7.
Si nous avons ouvert une voie nouvelle dans ce travail, nous estimons aussi que notre
étude doit être approfondi car nous n'avons fait qu'explorer l'immense champ de
possibilité qu'offre les ondelettes au praticien de l'économie appliquée.
7
Pour plus de détails sur cet aspect, voir l'article de Arino dont les références figurent en bibliographie.
31
RÉFÉRENCES
Arino, M.A., M. Pedro, et B. Vidakovic. 1995."Wavelet Scalograms and Their

Application in Economic Time Series." Institute of Statistics and Decision Sciences,
Duke University, Discussion Paper No. 94-13
Davison, R., W.C. Lablys, ET J.-B. Lesourd.1998," Wavelet Analysis of Commodity

Price Behavior." Journal of Computational Economics 11: 103-28.
Mallat, S.G., "Mulifrequency chanel decompositions of images and wavelet models,

IEEE Trans. On Acoustic. Signal Speech Process. 37(12), 2091-2110
Priestley, M. 1996."Wavelets and Time-Dependant Spectral Analysis" Journal of Time

Series Analysis 17:85-103
Quinquis, A - "Représentations temps-fréquence", Support de cours, ENSIETA, 1995
Schleicher, C. 2002. "An Introduction to Wavelets for Economists" Bank of Canada

Working Paper 2002-3
Seth, A. (1994)." Wavelets in Econometrics: An application to outlier testing" university

of reading
Weiss, J.S (1970)."A spectral Analysis of World Cocoa Prices" American journal of
Agricultural Economics 52, 122-126
32
ANNEXE
33
LISTE DES GRAPHIQUES
Graphique 1: Plan de représentation temps-fréquence dans le cadre de 'analyse de Fourier

et de la transformation en ondelette ---------------------------------------------------------8
Graphique 2: ondelettes de Haar-------------------------------------------------------------------9
Graphique 3: Ondelette de Morlet--------------------------------------------------------------- 10
Graphique 4: Chapeau Mexicain ---------------------------------------------------------------- 11
Graphique 5:Daubechies d'ordre2 --------------------------------------------------------------- 12
Graphique 6:Daubechies d'ordre 4 et 10-------------------------------------------------------- 13
Graphique 7: Symmlet d'ordre 2. --------------------------------------------------------------- 13
Graphique 8: Evoluiton des cours du café sur la période 1983-2002 ----------------------- 24
Graphique 9: Evolution des cours du cacao sur la période 1983-2002 --------------------- 24
Graphique 10: représentation multirésolution du signal cacao ------------------------------ 29
Graphique 11: Arbre de décomposition, signal original et approximation à l'échelle 6-- 30
34

Langue

GTDie

Transféré par

Informations du document

Copyright

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

GTDie

Transféré par

Droits d'auteur :

République de Côte d’Ivoire

Ministère de l’Enseignement Supérieur et de la

Ecole Nationale Supérieure de Statistique et

TRANSFORMÉ EN ONDELETTES ET ANALYSE

NGANGOUM KAMENI Denis

Elèves Ingénieurs Statisticiens Economistes

Nous ne saurions achever ce travail sans remercier notre principal encadreur M.

Enfin, notre gratitude s'adresse à M. KOFFI N'guessan, Directeur de l'ENSEA, à

L’importance de la maîtrise des fluctuations des cours des matières premières

Le travail se subdivise en deux grandes parties elles même regroupant des

PARTIE I: CONCEPTS THEORIQUES

1.GENRALITÉS SUR LES ONDELETTES

1.2 DE L'ANALYSE DE FOURIER AUX ONDELETTES

Cette fonction permet de changer d'espace et de représenter l'aspect fréquentiel de

Le paramètre t est un paramètre de translation permettant de conserver l'aspect

Pour obtenir de l'information à la fois temporelle et fréquentielle sur un

Ces coefficients mesurent, en un certains sens, les fluctuations du signal x ( t )

La transformée en ondelette est un opérateur linéaire, invariant par translation et

Graphique 1: Plan de représentation temps-fréquence dans le cadre de 'analyse de Fourier et de la

Source (Bank of Canada, working paper No 2002-3)

À la différence de la transformation de Fourier, les ondelettes permettent d'observer un

1.2 EXEMPLE DE QUELQUES ONDELETTES

Graphique 2: ondelettes de Haar

Support compact oui

Longueurs des filtres 2

Support compact non

Cette ondelette est appelée le chapeau mexicain en raison de sa forme très

Support compact Non

Support compact oui

Longueur des filtres 2N3

Graphique 6:Daubechies d'ordre 4 et 10

Graphique 7: Symmlet d'ordre 2.

Support compact Oui

Longueur des filtres 2N

Afin d’assurer une représentation non-redondante du signal et la possibilité de le

Prenons un exemple pour mieux comprendre l'analyse multirésolution: quel est la

On se place dans L2(R ), mathématiquement, en analyse multirésolution on cherche à

une suite {V j } de sous-espace fermés de L2 ( )

est une analyse multirésolution si les 6 propriétés suivantes sont vérifiées:

6. Il existe θ ∈ V0 telle que {θ ( t − n )}n∈ soit une base de Riesz de V0

Pour mieux appréhender ces propriétés, donnons en quelques interprétations

L'approche dyadique implique une résolution de 2 entre chaque échelle Ce facteur 2

contenue dans une largeur de 2, l'étude multirésolution ne permettra pas de séparer

La fonction générant une multirésolution est une fonction échelle ϕ ∈ L2 ( R ) . Dans le

le projecteur est alors

les espaces W j et Wk sont reliés entre eux par la relation

( ) Alors V admet une base de Riesz de la forme

{θ ( t − n ) , n ∈ Z } telle que les translatés de θ etθ forment un système biorthogonale:

7. 2.2.3 Schéma de l'approche multirésolution

Un espace d'approximation et un espace de détails L'espace d'approximation nous

Soit x = ( x1 ,K , xN ) un vecteur dyadique d’observations (i.e. N = 2 J ). D’après la

V j = V j −1 ⊕ W j −1 Pour tout j = 1,K , L − 1

Soient v j −1,k et w j −1,k les coefficients de x = ( x1 ,K , xN ) sur respectivement V j −1 et W j −1 .

Soit hl = ( h0 ,K , hL −1 ) le filtre passe-haut associé à ψ et gl = ( g 0 ,K , g L −1 ) le filtre passe-

Où W est une matrice orthonormale carrée d’ordre N associée à la définition de la

Où w j est un vecteur de dimension N 2 j des coefficients d’ondelettes associées au

La matrice W est composé des coefficients de filtres d’ondelettes et d’échelle ordonné

Définissons alors par W1 la matrice de dimension N × N composé des N

Soit h2 le vecteur des coefficients de filtres d’ondelettes d’échelle 2 définie de façon

Pour compléter la construction de notre matrice orthonormale, nous nous devons

Le filtre d’ondelettes associé à l’échelle λ j a pour largeur

2.4 L'ALGORITHME DE MALLAT

8. Algorithme de Mallat en 1-D

anj −1 h% ↓2 anj h% ↓2 anj +1

PARTIE II: ANALYSE EMPIRIQUE

3. ANALYSE DESCRIPTIVE ET TEST DE