Previsions

Séries chronologiques & Prévisions
PLAN
1 Introduction 1
2 Les méthodes de lissage 4
3 Utilisation des méthodes de régression 7
4 Décomposition d'une série chronologique 8
1. Introduction
1.1 Définition et exemple
Série chronologique série de valeurs numériques prises par une

variable particulière et énumérées en ordre
chronologique.
Exemple 1
Le tableau suivant représente les ventes trimestrielles (en dollars) d'un distributeur
de gaz et d'électricité dans un état américain.
1980 1981 1982 1983 1984 1985 1986

Trim. Année
1 91707 96794 116250 106878 122915 150682 129762

2 63048 74949 71998 71800 92079 96967 82597
3 57041 56791 59620 65880 80241 85492 74167
4 78667 89127 98985 94254 118075 126312 103340
L'idée est d'étudier les valeurs passées d'une variable pour essayer
de prédire les futures...
La première étude à faire est descriptive.

Des graphiques permettent de visualiser une tendance (linéaire, croissante)
et des variations saisonnières
Tendance
Ventes de la compagnie
160000
150000
140000
130000 Classeur : "PREVISIONS" - Feuille "Cours - "Page 1
120000
110000
100000
Ventes de la compagnie
160000
150000
140000
130000
120000
110000
100000
90000
80000
70000
60000
50000
0 2.5 5 7.5 10 12.5 15 17.5 20 22.5 25 27.5 30
Variations saisonnières
175000
175000 1980 150000 1980
150000
1981 125000 1981
125000
100000 1982 100000 1982
75000 1983 75000 1983
50000 1984 50000 1984
0 1985 25000 1985
1 1985
2 3 1986 0 1986
4 1980
1 2 3 4
1.2 Applications
Aide à la décision dans de très nombreux domaines :
- Marketing Demande, ventes, caractéristiques d'un marché, prix.

Commercial
- Production Besoins en matières premières, coûts de main d'oeuvre,

de matières,...
- Gestion Taux d'intérêts...
- Gestion du Besoins en personnel, en formation,

personnel Absentéisme, retards...
- Sratégie Facteurs économiques, évolution des prix, ...

Evolution des prix
1.3 Choix d'une méthode de prévision

Critères
- Horizon temporel
- Degré de détail
- Facilité de compréhension et d'application
Classeur : "PREVISIONS" - Feuille "Cours - "Page 2

- Contraintes de temps et de coût
- Données disponibles
Méthodes, techniques
- Méthodes "qualitatives"
- Méthodes "quantitatives"
L'éventail des méthodes disponibles est très large, nous nous contenterons
ici d'une présentation de quelques outils utiles et faciles à utiliser.
2 Les méthodes de lissage

2.1 La méthode de la moyenne mobile
Hypothèse de base la moyenne des données "proches"

donne une bonne prévision.
Méthode on utilise comme prévision pour la période t,
la moyenne des valeurs des n périodes précédentes.
Assez efficace pour de prévisions à court-terme pour des séries irrégulières
Exemple 2
Calcul d'une moyenne mobile sur 3 périodes
Mois Ventes Moy. mob.
t Y(t) Yp(t) (Y(t)-Yp(t))2 Mesure de l'erreur
1 20 de prévision
2 24
3 27 On peut utiliser le critère
4 31 23.67 53.78 MSE (Mean Square Error)
5 37 27.33 93.44
6 47 31.67 235.11 (on fait la moyenne des carrés des
7 45 38.33 44.44 erreurs de prévision)
8 53 43.00 100.00
9 49 48.33 0.44 MSE 101.7
10 36 49.00 169.00 Savoir-faire EXCEL
11 34 46.00 144.00 Si vous ne voulez pas vous fatiguer, vous pouvez utiliser
12 31 39.67 75.11 l'utilitaire d'analyse : Moyenne mobile
13 33.67
Moyenne mobile
60
50
40
30
Ventes Y(t)
20
10
0
Row Row Row Row Row Row Row Row Row Row Row Row
121 122 123 124 125 126 127 128 129 130 131 132

30
Ventes Y(t)
20
10
0
Row Row Row Row Row Row Row Row Row Row Row Row
121 122 123 124 125 126 127 128 129 130 131 132
2.2 Le lissage exponentiel

Idée
On accorde un "poids" plus important aux observations
les plus récentes.
yp(t+1) =  y(t) + (1- ) yp(t)

 est un paramètre de lissage comprise entre 0 et 1
y(t) valeur réalisée pour la période t

yp(t+1) valeur prévue pour la période t+1
yp(t) valeur prévue pour la période t
On peut écrire:
yp(t+1) =  y(t) +  (1- ) y(t-1) +  (1- )² y(t-2) + ...
Exemple 3
Ventes de savon d'une entreprise
Y(t) Yp(t) (Y(t)-Yp(t))^2 α 0.46

1981 Janvier 1293 1293.00 0.00
Février 1209 1293.00 7056.00
Mars 1205 1254.25 2425.86 MSE 3130.32
Avril 1273 1231.53 1719.44
Savoir-faire EXCEL
Mai 1220 1250.66 940.10
Pour Yp(t) il suffit d'appliquer la première
Juin 1290 1236.52 2860.33 formule (récurrence) à partir du deuxième
Juillet 1243 1261.19 330.80 mois.
On prend un a égal à 0,5 par exemple pour
Août 1203 1252.80 2479.87
commencer. Pour le premier mois (mois
Septembre 1390 1229.83 25655.19 initial) on triche un peu en prenant Yp(1) =
Octobre 1360 1303.71 3168.46 Y(1)
Pour minimiser les erreurs, on peut
Novembre 1353 1329.68 544.03 utiliser le SOLVEUR pour trouver la valeur
Décembre 1343 1340.43 6.58 de a (cellule variable) qui minimise MSE
1982 Janvier 1364 1341.62 500.96 (cellule cible à définir)
Février 1330 1351.94 481.46
Mars 1377 1341.82 1237.57
Avril 1332 1358.05 678.50
1346.03
1400
1200
1000
800
600 Y(t)
Yp(t)
400
200
0
Row Row Row Row Row Row Row Row Row Row Row Row Row Row Row Row Row
166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182
600
Yp(t)
400
200
0
Row Row Row Row Row Row Row Row Row Row Row Row Row Row Row Row Row
166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182
Savoir-faire EXCEL
Si vous ne voulez pas vous fatiguer, vous pouvez utiliser l'utilitaire d'analyse : Lissage exponentiel
(qui ne dispense pas de l'usage du solveur).

3 Utilisation des méthodes de régression
3.1 En fonction du temps (tendance)
3.1.1 tendance linéaire

Exemple 4
Ventes de vélos Les données portent sur 10 années - les prévisions sont
données pour les années 11, 12 et 13
ventes Prévision
année Y(t) Yp(t) Ventes de vélos
1 21.6 21.5 35
2 22.9 22.6 30
25
3 25.5 23.7
20
4 21.9 24.8
15
5 23.9 25.9 10
6 27.5 27 5
7 31.5 28.1 0
8 29.7 29.2 Row Row Row Row Row Row Row Row Row Row
215 216 217 218 219 220 221 222 223 224
9 28.6 30.3
10 31.4 31.4
11 32.5
12 33.6
13 34.7
Savoir-faire EXCEL
Pour trouver les prévisions Yp(11), Yp(12) … avec la droite des mondre carrés, on peut soit
grahiquement prolonger la droite, soit utiliser le "copie incrémentale" sur le tableau, soit
utiliser la fonction matricielle TENDANCE qui permet en plus d'avoir les valeurs des
prévisions du passé.
3.1.2 Autres
3.2 En fonction d'autres variables

voir cours sur la régression
4 Décomposition d'une série chronologique
Habituellement, on distingue quatre composantes:
- La tendance (ou trend) T

- La composante saisonnière S
- La composante cyclique C
- La composante irrégulière (ou aléatoire) I
On utilise couramment un modèle "multiplicatif:", c'est à dire que l'on

exprime Y sous la forme d'un produit des 4 composantes.

Y=TxSxCxI
4.1 Analyse de la tendance

Méthode des moindres carrés :
4.2 Calcul de l'indice saisonnier:

Cet indice est habituellement calculé sur le mois, ou sur le trimestre.
On utilise très souvent la méthode des rapports à la moyenne mobile.
La démarche est expliquée sur l'exemple de la centrale
a/ Calcul de la moyenne mobile centrée sur 4 trimestres

Pour le troisième trimestre de 1980, on fait une moyenne pondérée en prenant
0,25 fois les deuxièmes, troisième et quatrième trimestres
0,125 fois le premier trimestre 1980 et le premier trimestre 1981

b/ Calcul des rapports à la 1 91707
moyenne mobile 2 63048
3 57041 73251.63 77.87
On obtient ce rapport en divisant le 4 78667 75375.13 104.37
chiffre des ventes 1 96794 76831.5 125.98
par la moyenne mobile, et en multipliant 2 74949 78107.75 95.96
par 100 3 56791 81847.25 69.39
4 89127 83910.38 106.22
1 116250 83895.13 138.57
2 71998 85481 84.23
3 59620 85541.75 69.70
4 98985 84345.5 117.36
1 106878 85103.25 125.59
2 71800 85294.38 84.18
3 65880 86707.63 75.98
4 94254 91247.13 103.30
1 122915 95577.13 128.60
2 92079 100349.88 91.76
3 80241 106798.38 75.13
4 118075 110880.25 106.49
1 150682 112147.63 134.36
2 96967 113833.63 85.18
3 85492 112248.25 76.16
4 126312 107837 117.13
1 129762 104625.13 124.03
2 82597 100338 82.32
3 74167
4 103340
c/ Calculer l'indice saisonnier

on fait la moyenne pour chaque trimestre (ou chaque période)
en enlevant la valeur la plus faible et la plus forte.
et on corrige pour avoir une moyenne de 100
Trim. 1980 1981 1982 1983 1984 1985 1986 Ind. sais.
1 125.98 138.57 125.59 128.60 134.36 124.03 128.63
2 95.96 84.23 84.18 91.76 85.18 82.32 86.34
3 77.87 69.39 69.70 75.98 75.13 76.16 74.24
4 104.37 106.22 117.36 103.30 106.49 117.13 108.55
moy. 99.44
Trim. IS corrigés
1 129.36
2 86.82
3 74.66
4 109.16
moy. 100.00

4.3 Utilisation de l'indice saisonnier:
= pour désaisonnaliser et pour resaisonnaliser
(prévision)
Exemple d'utilisation :
Supposons que l'on veuille une prévision pour la période 33

La tendance donne une valeur de ###
(Pour obtenir cette valeur, on peut utiliser la fonction TENDANCE ou alors simplement sélectionner
la liste des 28 valeurs et tirer la poignée de copie incrémentale)
Pour corriger cette valeur de la variation saisonnière, il suffit d'utiliser l'indice saisonnier.
La période 33 est un "premier trimestre"
L'IS correspondant est 129.36
La valeur de la prévision tenant compte de la saison est donc : ###
160000 200
150000 190
140000 180
130000
170
120000
160
110000
100000 150
Ventes
90000 140
Moy.mob.
80000 130
Tendance
70000 120
Tend sais
60000 110 Indice
50000
100
40000
90
30000
20000 80
10000 70
0 60
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

édentes.

Ventes Moy.mob. Indice Tendance Tend sais Indice
1 91707 129.52 73592.11 95316.91
2 63048 87.27 74903.85 65368.8
3 57041 73251.63 74.04 76215.59 56428.69 77.87
4 78667 75375.13 109.14 77527.34 84615.56 104.37
5 96794 76831.5 129.52 78839.08 102112.81 125.98
6 74949 78107.75 87.27 80150.82 69947.85 95.96
7 56791 81847.25 74.04 81462.57 60313.45 69.39
8 89127 83910.38 109.14 82774.31 90342.26 106.22
9 116250 83895.13 129.52 84086.05 108908.72 138.57
10 71998 85481 87.27 85397.8 74526.9 84.23
11 59620 85541.75 74.04 86709.54 64198.22 69.7
12 98985 84345.5 109.14 88021.28 96068.96 117.36
13 106878 85103.25 129.52 89333.03 115704.63 125.59
14 71800 85294.38 87.27 90644.77 79105.95 84.18

15 65880 86707.63 74.04 91956.51 68082.99 75.98
16 94254 91247.13 109.14 93268.26 101795.65 103.3
17 122915 95577.13 129.52 94580 122500.54 128.6
18 92079 100349.88 87.27 95891.74 83684.99 91.76
19 80241 106798.38 74.04 97203.49 71967.75 75.13
20 118075 110880.25 109.14 98515.23 107522.35 106.49
21 150682 112147.63 129.52 99826.97 129296.45 134.36
22 96967 113833.63 87.27 101138.72 88264.04 85.18
23 85492 112248.25 74.04 102450.46 75852.52 76.16
24 126312 107837 109.14 103762.2 113249.05 117.13
25 129762 104625.13 129.52 105073.95 136092.36 124.03
26 82597 100338 87.27 106385.69 92843.09 82.32
27 74167 74.04 107697.43 79737.29 #DIV/0!
28 103340 109.14 109009.18 118975.74
29 110320.92 0

1 91707
2 63048
3 57041
4 78667
5 96794
6 74949
7 56791
8 89127
9 116250
10 71998
11 59620
12 98985
13 106878
14 71800
15 65880
16 94254
17 122915
18 92079
19 80241
20 118075
21 150682
22 96967
23 85492
24 126312
25 129762
26 82597
27 74167
28 103340
29 110320.92
30 111632.66
31 112944.41
32 114256.15
33 115567.89

1976

1976 Janvier 8
Février 9
Mars 9
Avril 12
Mai 16
Juin 13
Juillet 17
Août 15
Septembre 10
Octobre 8
Novembre 10
Décembre 14
1977 Janvier 10
Février 12
Mars 10
Avril 14
Mai 15
Juin 17
Juillet 20
Août 14
Septembre 9
Octobre 10
Novembre 10
Décembre 15
1978 Janvier 11
Février 8
Mars 8
Avril 16
Mai 17
Juin 16
Juillet 23
Août 12
14
13

14
17
13
15
14
13
25
10
14
15
16
15
10
12
19
22
20
21
18
16
15
12
17
12
14
13
18
19
16
23
19
18
19
18
17

Les données suivantes représentent l'évolution des ventes mensuelles
de maisons (en milliers) dans les états du MidWest Américain.
Utilisez les méthodes de lissage (moyenne mobile et lissage exponentiel)
pour faire une prévision pour Juin 2001.
Mois Ventes
Jan-94 128
Feb-94 135
Mar-94 130
Apr-94 127
May-94 125
Jun-94 119
Jul-94 108
Aug-94 112
Sep-94 111
Oct-94 141
Nov-94 126
Dec-94 113
Jan-95 107
Feb-95 110
Mar-95 122
Apr-95 128
May-95 121
Jun-95 131
Jul-95 134
Aug-95 138
Sep-95 132
Oct-95 131
Nov-95 130
Dec-95 125
Jan-96 146
Feb-96 137
Mar-96 132
Apr-96 128
May-96 141
Jun-96 122
Jul-96 133
Aug-96 173
Sep-96 130
Oct-96 117
Nov-96 127
Dec-96 148
Jan-97 148
Feb-97 119
Mar-97 125
Apr-97 134
May-97 137
Jun-97 157
Jul-97 152
Aug-97 138
Sep-97 129
Oct-97 133
Nov-97 166
Dec-97 157
Jan-98 166
Feb-98 187
Mar-98 178
Apr-98 151
May-98 147
Jun-98 173
Jul-98 160
Aug-98 149
Sep-98 175
Oct-98 159
Nov-98 161
Dec-98 186
Jan-99 152
Feb-99 163
Mar-99 149
Apr-99 169
May-99 175
Jun-99 171
Jul-99 171
Aug-99 185
Sep-99 158
Oct-99 189
Nov-99 178
Dec-99 148
Jan-00 146
Feb-00 166
Mar-00 168
Apr-00 139
May-00 150
Jun-00 148
Jul-00 169
Aug-00 141
Sep-00 163
Oct-00 158
Nov-00 149
Dec-00 174
Jan-01 173
Feb-01 168
Mar-01 192
Apr-01 176
May-01 186
Les données suivantes représentent les ventes trimestrielles de Coca-Cola
en millions de dollars de 1986 à 2001.
Utilisez la méthode de décomposition des séries chronologiques pour cette série (variations saisonnières, tendance).
Donnez une prévision pour le 3-ième trimestre 2003.
Trimestre Ventes
Q1-86 1734.83
Q2-86 2244.96
Q3-86 2533.80
Q4-86 2154.96
Q1-87 1547.82
Q2-87 2104.41
Q3-87 2014.36
Q4-87 1991.75
Q1-88 1869.05
Q2-88 2313.63
Q3-88 2128.32
Q4-88 2026.83
Q1-89 1910.60
Q2-89 2331.16
Q3-89 2206.55
Q4-89 2173.97
Q1-90 2148.28
Q2-90 2739.31
Q3-90 2792.75
Q4-90 2556.01
Q1-91 2480.97
Q2-91 3039.52
Q3-91 3172.12
Q4-91 2879.00
Q1-92 2772.00
Q2-92 3550.00
Q3-92 3508.00
Q4-92 3243.86
Q1-93 3056.00
Q2-93 3899.00
Q3-93 3629.00
Q4-93 3373.00
Q1-94 3352.00
Q2-94 4342.00
Q3-94 4461.00
Q4-94 4017.00
Q1-95 3854.00
Q2-95 4936.00
Q3-95 4895.00
Q4-95 4333.00
Q1-96 4194.00
Q2-96 5253.00
Q3-96 4656.00
Q4-96 4443.00
Q1-97 4138.00
Q2-97 5075.00
Q3-97 4954.00
Q4-97 4701.00
Q1-98 4457.00
Q2-98 5151.00
Q3-98 4747.00
Q4-98 4458.00
Q1-99 4428.00
Q2-99 5379.00
Q3-99 5195.00
Q4-99 4803.00
Q1-00 4391.00
Q2-00 5621.00
Q3-00 5543.00
Q4-00 4903.00
Q1-01 4479.00
tions saisonnières, tendance).
Exercice corrigé décomposition
Production d'une compagnie pétrolière (en millions de litres)
Année 1976 1977 1978 1979

Mois
Janvier 1 8 10 11 9
Février 2 9 12 8 9
Mars 3 9 10 8 13
Avril 4 12 14 16 15
Mai 5 16 15 17 14
Juin 6 13 17 16 13
Juillet 7 17 20 23 25
Août 8 15 14 12 10
Septembre 9 10 9 14 14
Octobre 10 8 10 13 15
Novembre 11 10 10 14 16
Décembre 12 14 15 17 15
A partir de juillet 1976 (7-ième période), on peut calculer la moyenne centrée sur 12 mois
on prend la somme de 5 mois qui précèdent, du mois courant, des 5 mois qui suivent et de la moitié
des mois encore avant (janvier 1976 et janvier 1977) et on divise par 12
On fait glisser cette moyenne mobile vers le bas jusqu'en juin 1983
On fait ensuite les rapports à la moyenne mobile (multipliés par 100)
Période Y(t) M. Mobile centrée Rapports

1 8
2 9
3 9
4 12
5 16
6 13
7 17 11.83 143.66
8 15 12.04 124.57
9 10 12.21 81.91
10 8 12.33 64.86
11 10 12.38 80.81
12 14 12.50 112.00
13 10 12.79 78.18
14 12 12.88 93.20
15 10 12.79 78.18
16 14 12.83 109.09
17 15 12.92 116.13
18 17 12.96 131.19
19 20 13.04 153.35
20 14 12.92 108.39
21 9 12.67 71.05
22 10 12.67 78.95
23 10 12.83 77.92
24 15 12.88 116.50
25 11 12.96 84.89
Page 112
26 8 13.00 61.54
27 8 13.13 60.95
28 16 13.46 118.89
29 17 13.75 123.64
30 16 14.00 114.29
31 23 14.00 164.29
32 12 13.96 85.97
33 14 14.21 98.53
34 13 14.38 90.43
35 14 14.21 98.53
36 17 13.96 121.79
37 9 13.92 64.67
38 9 13.92 64.67
39 13 13.83 93.98
40 15 13.92 107.78
41 14 14.08 99.41
42 13 14.08 92.31
43 25 13.96 179.10
44 10 13.96 71.64
45 14 13.96 100.30
46 15 14.08 106.51
47 16 14.58 109.71
48 15 15.21 98.63
49 8 15.33 52.17
50 10 15.50 64.52
51 12 15.92 75.39
52 19 16.00 118.75
53 22 15.83 138.95
54 20 15.75 126.98
55 21 16.00 131.25
56 18 16.33 110.20
57 16 16.54 96.73
58 15 16.54 90.68
59 12 16.38 73.28
60 17 16.08 105.70
61 12 16.00 75.00
62 14 16.13 86.82
63 13 16.25 80.00
64 18 16.50 109.09
65 19 16.92 112.32
66 16 17.17 93.20
67 23
68 19
69 18
70 19
71 18
72 17
Calcul des indices saisonniers
Janvier 78.18 84.89 64.67 52.17
Page 113
Février 93.20 61.54 64.67 64.52

Mars 78.18 60.95 93.98 75.39
Avril 109.09 118.89 107.78 118.75
Mai 116.13 123.64 99.41 138.95
Juin 131.19 114.29 92.31 126.98
Juillet 143.66 153.35 164.29 179.10 131.25
Août 124.57 108.39 85.97 71.64 110.20
Septembre 81.91 71.05 98.53 100.30 96.73
Octobre 64.86 78.95 90.43 106.51 90.68
Novembre 80.81 77.92 98.53 109.71 73.28
Décembre 112.00 116.50 121.79 98.63 105.70
Note : Puisque la moyenne de ces indices ne fait pas 100, on corrige chaque indice
en le multipliant par 1200 et en le divisant par la somme des indices (1194,69)
Pour trouver la tendance linéaire croissante de la série

on peut utiliser DROITEREG ou TENDANCE ou tout simplement l'insertion de courbe
de tendance sur le graphique.
Pour corriger une prévision des variations saisonnières, il suffit de la multiplier par l'indice et
de diviser par 100
Page 114
millions de litres)
1980 1981
8 12
10 14
12 13
19 18
22 19
20 16
21 23
18 19
16 18
15 19
12 18
17 17
et de la moitié
Page 115
indice indice corrigé

75.00 70.98 71.30
Page 116
86.82 74.15 74.48

80.00 77.70 78.04
109.09 112.72 113.22
112.32 118.09 118.61
93.20 111.59 112.09
154.33 155.02
100.15 100.60
89.70 90.10
86.29 86.67
88.05 88.44
110.93 111.42
1194.69
Page 117
Exercice prévision
Exercice de prévision
t Y(t)
1 3900
2 4100
3 5800
4 7500
5 8700
6 8600
7 11300
8 14000
9 13500
10 15900
11 18600
12 23400
13
Page 118
Lissage exp_ double
Lissage exponentiel double

Lorsqu'une série chronologique possède une tendance croissante, les prévisions données
par un modèle de lissage exponentiel (simple) seront toujours inférieures aux valeurs
réalisées. Lorsque la tendance est décroissante, c'est l'inverse.
Le modèle de lissage exponentiel double va contribuer à résoudre ce problème.
Le principe est d'introduire une seconde constante de lissage : β de façon à "prendre en
compte" cette tendance.
Pour arriver à Yp(t+1), on utilise maintenant 2 fonctions intermédiaires : C(t) et T(t). Il faut
alors 3 équations :
C(t) =  Y(t) + (1- ) (C(t-1) + T(t-1))
T(t) =  (C(t) - C(t-1)) + (1- ) T(t-1)
Yp(t+1) = C(t) + T(t)
α= constante de lissage comprise entre 0 et 1
β= constante de lissage pour la tendance comprise entre 0 et 1
Exemple
Compagnie d'assurance
t = numéro du mois
Y(t) = nombre de sinistres "auto" au cours du mois
Mois Y(t) C(t) T(t) Yp(t) (Yp(t)-Y(t)2
Page 119
Lissage exp_ double
1 38
2 44 44 6
3 40 48.73 4.73 50.00 100.00
4 48 52.77 4.04 53.46 29.84
5 55 56.58 3.81 56.81 3.27
6 68 61.35 4.77 60.39 57.96
7 64 65.86 4.50 66.13 4.53
8 70 70.32 4.46 70.36 0.13
9 75 74.80 4.49 74.78 0.05
10 70 78.11 3.31 79.29 86.32
11 78 80.99 2.87 81.42 11.70
12 82 83.62 2.64 83.86 3.46
13 86.26
Initialisation
Pour la période t = 2, on prendra : C(2) = Y(2)
T(2) = Y(2)-Y(1)
Autre exemple indice trimestriel d'activité d'une entreprise de grande distribution
1 9050
2 9380
3 9378
4 9680
5 10100
6 10160
7 10469
8 10738
9 10910
10 11058
11 11016
12 10869
13 11034
14 11135
15 10845
16 11108
17 1115
18 11424
19 10895
20 11437
21 11352
22 11381
Page 120
Lissage exp_ double
23 11401
24 11407
25 11453
26 11561
Page 121
Lissage exp_ double
prévisions données
es aux valeurs
problème.
çon à "prendre en
C(t) et T(t). Il faut
prise entre 0 et 1
Page 122
Lissage exp_ double
α 0.13
β 1
MSE 29.73
de grande distribution
Page 123
Lissage exp_ double
Page 124

Previsions

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

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 :

Formats disponibles

Previsions

Transféré par

Droits d'auteur :

Formats disponibles

Séries chronologiques & Prévisions

2 Les méthodes de lissage 4

3 Utilisation des méthodes de régression 7

4 Décomposition d'une série chronologique 8

1.1 Définition et exemple

Série chronologique série de valeurs numériques prises par une

1980 1981 1982 1983 1984 1985 1986

1 91707 96794 116250 106878 122915 150682 129762

La première étude à faire est descriptive.

- Marketing Demande, ventes, caractéristiques d'un marché, prix.

- Production Besoins en matières premières, coûts de main d'oeuvre,

- Gestion du Besoins en personnel, en formation,

- Sratégie Facteurs économiques, évolution des prix, ...

1.3 Choix d'une méthode de prévision

Classeur : "PREVISIONS" - Feuille "Cours - "Page 2

2 Les méthodes de lissage

Hypothèse de base la moyenne des données "proches"

Assez efficace pour de prévisions à court-terme pour des séries irrégulières

Classeur : "PREVISIONS" - Feuille "Cours - "Page 3

2.2 Le lissage exponentiel

yp(t+1) =  y(t) + (1- ) yp(t)

y(t) valeur réalisée pour la période t

yp(t+1) =  y(t) +  (1- ) y(t-1) +  (1- )² y(t-2) + ...

Y(t) Yp(t) (Y(t)-Yp(t))^2 α 0.46

Classeur : "PREVISIONS" - Feuille "Cours - "Page 5

3.1.1 tendance linéaire

3.2 En fonction d'autres variables

- La tendance (ou trend) T

On utilise couramment un modèle "multiplicatif:", c'est à dire que l'on

Classeur : "PREVISIONS" - Feuille "Cours - "Page 6

4.1 Analyse de la tendance

4.2 Calcul de l'indice saisonnier:

a/ Calcul de la moyenne mobile centrée sur 4 trimestres

Classeur : "PREVISIONS" - Feuille "Cours - "Page 7

c/ Calculer l'indice saisonnier

Classeur : "PREVISIONS" - Feuille "Cours - "Page 8

Supposons que l'on veuille une prévision pour la période 33

La valeur de la prévision tenant compte de la saison est donc : ###

Classeur : "PREVISIONS" - Feuille "Cours - "Page 9

Classeur : "PREVISIONS" - Feuille "Cours - "Page 18

Classeur : "PREVISIONS" - Feuille "Cours - "Page 24

Classeur : "PREVISIONS" - Feuille "Cours - "Page 25

Classeur : "PREVISIONS" - Feuille "Cours - "Page 55

Classeur : "PREVISIONS" - Feuille "Cours - "Page 57

Classeur : "PREVISIONS" - Feuille "Cours - "Page 104

Classeur : "PREVISIONS" - Feuille "Cours - "Page 105

Production d'une compagnie pétrolière (en millions de litres)

Année 1976 1977 1978 1979

Période Y(t) M. Mobile centrée Rapports

Calcul des indices saisonniers

Janvier 78.18 84.89 64.67 52.17

Février 93.20 61.54 64.67 64.52

Pour trouver la tendance linéaire croissante de la série

indice indice corrigé

86.82 74.15 74.48

Lissage exponentiel double

C(t) =  Y(t) + (1- ) (C(t-1) + T(t-1))

T(t) =  (C(t) - C(t-1)) + (1- ) T(t-1)

Yp(t+1) = C(t) + T(t)

α= constante de lissage comprise entre 0 et 1

β= constante de lissage pour la tendance comprise entre 0 et 1

Mois Y(t) C(t) T(t) Yp(t) (Yp(t)-Y(t)2

Autre exemple indice trimestriel d'activité d'une entreprise de grande distribution