Generation des donnees

## [1] "C"

Debut des observations

plot.ts(df_nouguier);


A premiere vue nous disposons d’une constante a 3, avec une serie de pics. Le premier pic a une valeur largement superieur aux autres, il genere de legeres oscillations, on ne tiendra donc pas compte des 200 premieres mesures. L’apparition des pics est de plus en plus rapprochee au fur et a mesure que le temps avance. Dans cette optique la on constate qu’il y a deux pics errones (environ t = 3800 et t = 6700).


Pour observer plus precisement un pic, et ses eventuelles oscillations, on reduit l’echelle de temps

n1 = df_nouguier[400:430,];
plot.ts(n1);

n2 = df_nouguier[4000:4200,];
plot.ts(n2);


Apres ces pics on observe une valeur a 2 avant le retour au regime constant.

n3 = df_nouguier[1800:2000,];
plot.ts(n3);


Ici on observe que le pic est en fait une oscillations tres rapide et que donc il ne correspond pas a une seule mesure.

hist(df_nouguier[0:7000,]);


Cet histogramme nous confirme que les valeurs du regime constant sont bien comprises entre 2,5 et 3.

n4 = df_nouguier[df_nouguier>4];
plot.ts(n4);


Cette courbe est tres interessante pour les raisons suivantes : elle nous permet de mettre en evidence la valeur moyenne des pics (environ 9) mais aussi de reperer les erreurs de mesures et/ou les valeurs indesirables. De plus le fait d’isoler la composante continue permet d’observer plus precisement les legeres variations des pics. On retrouve la valeur la plus elevee de la premiere mesure (initialisation, cf plus haut), et la fin qui pourrait correspondre a l’arrt des mesures.

hist(n4);


Cet histogramme permet de mieux illustrer les dernieres observations. Remarque : le boxplot ne fournit pas d’informations pertinentes car les valeurs ne sont pas assez heterogenes.

n5 = df_nouguier[df_nouguier<4];


On va donc observer de plus pres la composante continue

plot.ts(n5[2000:2100]);


On remarque que au sein de la composante continue les variations sont infimes et aleatoires.