Vous êtes sur la page 1sur 10

SÉRIES CHRONOLO GIQ UES

1. Cas particulier des séries à deux variables :

Les séries chronologiques sont un cas particulier des séries statistiques doubles où la variable
explicative X est le temps.

2. Les données :

Les mesures effectuées peuvent se rapporter à un intervalle de temps, comme le nombre de visites d’un
commercial par semaine, les quantités vendues par mois. On dit qu’elles révèlent un flux.
D’autres peuvent se rapporter à des dates : comme le montant des ventes le jour j, le taux de change du
USD. On dit qu’elles révèlent un niveau ( ou un stock ).

Attention :

 Pour pouvoir comparer des mesures de flux, il faut qu’elles se rapportent à des périodes de
temps de même durée. Or les mois n’ont pas la même durée :
Exemple : Mars comprend environ 11% de jours de plus que février (31-28)/28=10.7%
Une augmentation de la consommation d’électricité par les ménages de 8% en mars par rapport à
février cache en réalité une baisse de la consommation quotidienne.

Généralement on corrige les données des variations de la durée de référence grâce à des coefficients
correcteurs. Par exemple, pour les grandeurs liées au nombre de jours calendaires, le résultat
correspondant à un mois de n jours est divisé par n, puis multiplié par le nombre moyen de jours par
mois, soit 365/12.

3. Décomposition d’une série chronologique :

- La tendance générale (trend) : c’est le reflet du mouvement de longue période.

- Une composante périodique, qu’on peut dans certains cas décomposer en 2 parties :

• La composante cyclique : présentant une périodicité assez longue (plusieurs


années en général)

• La composante saisonnière : périodicité plus courte, souvent annuelle, parfois


mensuelle, voire hebdomadaire ou quotidienne, elle affecte les données, et est
liée à la période étudiée (vacances scolaires, cycle agricole, début de mois…)

- La composante accidentelle ou résiduelle : de caractère imprévisible, elle modifie


ponctuellement la série chronologique ( grève, guerre, mesure fiscale…) Généralement
on peut l’identifier et en apporter une correction par continuité.

page1
Méthodes quantitatives appliquées à la gestion
Toutes les composantes ne sont pas forcément présentes dans chaque série chronologique ; quand elles
le sont, leur décomposition peut se faire :

Soit additivement : X = Xt + Xc + Xs + Xr
Ce schéma suppose que la composante saisonnière de la série, comme la variation résiduelle est
indépendante du mouvement extra-saisonnier. Représentation graphique d’une série dont le schéma est
additif :

Exportations trimestrielles - marché coréen -


1997/2000
50

milliers de litres
40 Série1
30
Linéaire
20 (Série1)
10
0 1

11

13

15
trim estre

Soit multiplicativement : X = Xt Xc Xs Xr
Ce schéma admet que la composante saisonnière est proportionnelle au mouvement conjoncturel.
On peut toujours transformer une relation multiplicative en relation additive grâce aux logarithmes.
Représentation graphique d’une série dont le schéma est multiplicatif :

Ventes de confiserie en milliers de FRF - 98/99/00

100

80
Chiffre d'affaires

60

40

20

0
1 2 3 4 5 6 7 8 9 10 11 12

trim estres

4. Comment rechercher la tendance générale ?

La recherche de la tendance s’apparente à la recherche d’un modèle. On utilise des


méthodes d’ajustement ou des méthodes de lissage :

4.1 Méthodes d’ajustement :

En observant le graphique, on choisit une famille de fonctions (très souvent les fonctions
affines) et on effectue un ajustement.
Le plus souvent, on utilise la méthode des moindres carrés.

page2
Méthodes quantitatives appliquées à la gestion
Exemple :

Ventes mensuelles du rayon jouets d’un HM exprimées en KFRF.

Mois 1998 1999 2000 Mois 1998 1999 2000


Janvier 66 74 62 Juillet 62 62 60
Février 68 74 64 Août 52 52 54
Mars 64 68 60 Septembre 58 70 76
Avril 52 48 36 Octobre 72 80 88
Mai 56 60 70 Novembre 106 110 120
Juin 60 66 68 Décembre 150 168 170

On numérote les mois de 1 à 36 et on effectue les calculs décrits au chapitre précédent, qui conduisent
à la relation : y = 0,82 x + 60,52

Ventes mensuelles du rayon "Jouets" Janv 1998 à déc 2000 Ventes mensuelles

Linéaire (Ventes
mensuelles)
180
160
e n millie rs de FRF

140
120
100
80
60
40
20
0
1 6 11 16 21 26 31 36
mois

4.2. méthodes de lissage

Ayant choisi un nombre k de référence, la méthode consiste à remplacer chaque valeur de la série
chronologique par la moyenne de k valeurs consécutives.

a) remplacement d’une valeur par la moyenne de k valeurs consécutives en


finissant par elle (voir annexe 1)

b) remplacement d’une valeur par la moyenne de k valeurs consécutives, la


valeur étant centrale :
- si k est impair pas de difficulté (voir annexe 2)
- Si k est pair : on utilise en fait (k+1) valeurs en affectant la première
et la dernière du coefficient 0,5 ; et en centrant sur la valeur (voir
annexe 3).

Remarques :

L’ensemble des points obtenus suggère la tendance générale.


On peut envisager de calculer le trend en appliquant une méthode d’ajustement aux moyennes mobiles.

page3
Méthodes quantitatives appliquées à la gestion
Les moyennes mobiles centrées ne sont connues qu’avec un certain retard, ce qui un inconvénient si
cette série doit être utilisée pour faire des prévisions. De plus, on donne la même importance à une
information ancienne et à une plus récente.
En utilisant la méthode du lissage exponentiel on peut affecter un poids différent aux données du
passé. (voir annexe 4).

5. Correction des variations saisonnières

La recherche de la tendance générale de la série a pour objet de faire une extrapolation pour prévoir
l’avenir de la variation étudiée. Il ne suffit pas d’extrapoler la tendance générale, les variations
saisonnières doivent être elles aussi, extrapolées, tel est le but des coefficients saisonniers.

5.1. Calcul des variations saisonnières : cas du schéma additif :

a) les coefficients saisonniers :

La tendance ayant été déterminée, on dispose pour chaque observation d’une valeur observée et d’une
valeur théorique.
Variation saisonnière = déviation à la valeur théorique
Soit valeur observée – valeur théorique appelée « coefficient saisonnier »

On vérifie que la somme des déviations est nulle. Si elle ne l’est pas, on effectue une correction sur
chaque coefficient : on calcule la moyenne arithmétique des déviations, le coefficient corrigé est égal à

Déviation - moyenne arithmétique des déviations

Exercice d’application :

Soit la série suivante des ventes mensuelles d’un magasin d’alimentation, en milliers d’€

Mois 1 2 3 4 5 6 7 8 9 10 11 12
Année
1 65 73 92 52 94 116 100 60 28 52 72 113
2 58 68 100 65 100 124 105 72 32 56 70 129

1) Représenter graphiquement le nuage de points


2) Calculer la tendance par la méthode des moindres carrés.
3) Calculer les valeurs ajustées
4) Calculer les variations saisonnières, et la moyenne arithmétique de la variation correspondant à
un type de mois
5) Calculer les coefficients saisonniers corrigés.

b) série corrigée des variations saisonnières :

La variation saisonnière est éliminée par soustraction du coefficient à la valeur observée.

c) série resaisonnalisée :

Quand on effectue une prévision par la droite des moindres carrés, la prévision est corrigée des
variations saisonnières. Pour la resaisonnaliser, il suffit d’ajouter le coefficient saisonnier
correspondant à la période voulue à cette prévision.

page4
Méthodes quantitatives appliquées à la gestion
Exercice d’application :
6) Calculer les prévisions de vente mois par mois pour le premier semestre de l’année 3.
Saisonnaliser les prévisions.

5.2. Calcul des variations saisonnières : cas du schéma multiplicatif:

a) les coefficients saisonniers :


La tendance ayant été déterminée, on dispose pour chaque observation d’une valeur observée et d’une
valeur théorique.

Variation saisonnière = rapport à la valeur théorique


Soit valeur observée / valeur théorique appelée « coefficient saisonnier »

On vérifie que la somme des déviations est égale à 1. Si elle ne l’est pas, on effectue une correction sur
chaque coefficient : on calcule la moyenne arithmétique des déviations, le coefficient corrigé est égal à

Déviation / moyenne arithmétique des déviations

Exercice d’application :

Soit la série suivante représentant les ventes trimestrielles de confiserie d’un point de vente, en milliers
de francs :

Trimestres
T1 T2 T3 T4
Année
1 48 45 31 61
2 55 49 35 72
3 62 55 39 83

1) Représenter graphiquement le nuage de points


2) Calculer la tendance par la méthode des moindres carrés.
3) Calculer les valeurs ajustées
4) Calculer les variations saisonnières, et la moyenne arithmétique de la variation correspondant à
un type de trimestre.
5) Calculer les coefficients saisonniers corrigés.

b) série corrigée des variations saisonnières :

La variation saisonnière est éliminée par division de la valeur observée par le coefficient saisonnier.

c) série resaisonnalisée :

Quand on effectue une prévision par la droite des moindres carrés, la prévision est corrigée des
variations saisonnières. Pour la resaisonnaliser, il suffit de la multiplier par le coefficient saisonnier
correspondant à la période voulue.

Exercice d’application :
6) Calculer les prévisions de vente trimestre par trimestre pour l’année 3. Saisonnaliser les
prévisions.

page5
Méthodes quantitatives appliquées à la gestion
ANNEXE 1 – SÉRI ES CHRONOLO GIQ UES

Mois Donnée Moyenne mobile


sur 12 mois
observée
1 66
2 68
3 64
4 52
5 56
6 60
7 62
8 52
9 58
10 72
11 106
12 150 72,17
13 74 72,83
14 74 73,33
15 68 73,67
16 48 73,33
17 60 73,67
18 66 74,17
19 62 74,17
20 52 74,17
21 70 75,17
22 80 75,83
23 110 76,17
24 168 77,67
25 62 76,67
26 64 75,83
27 60 75,17
28 36 74,17
29 70 75,00
30 68 75,17
31 60 75,00
32 54 75,17
33 76 75,67
34 88 76,33
35 120 77,17
36 170 77,33

page6
Méthodes quantitatives appliquées à la gestion
ANNEXE 2 – SÉRI ES CHRONOLO GIQ UES

Trimestres Chiffres Moyennes


Années mobiles sur 3
d’affaires mois
1 96
2 90 82,67
1998
3 62 91,33
4 122 98,00
1 110 110,00
2 98 90,67
1999
3 64 102,00
4 144 110,67
1 124 124,67
2 106 99,33
2000
3 68 110,67
4 158

ANNEXE 3 – SÉRI ES CHRONOLO GIQ UES

Années Trimestres Chiffres Moyennes mobiles sur


D’affaires 4 mois
1 96
2 90
1998
3 62 94,25
4 122 97
1 110 98,25
2 98 101,25
1999
3 64 105,75
4 144 108,5
1 124 110
2 106 112,25
2000
3 68
4 158

page7
Méthodes quantitatives appliquées à la gestion
ANNEXE 4
LISSAGE EXPONENTIEL
(PRÉVISIONS A COURT TERME)

Une technique permet d’atténuer un défaut de la méthode des moyennes mobiles valeurs qui donne la
même importance à une information immédiate et à une information ancienne. Une méthode de
pondération par des coefficients dégressifs peut être une solution. C’est le lissage exponentiel.
On se donne un nombre α compris entre 0 et 1, qu’on appelle constante ou facteur de lissage.
Une valeur de la série xi est remplacée par la moyenne arithmétique pondérée de :

Elle-même, xj avec le coefficient 1


xj-1 avec le coefficient 1-α

xj-n avec le coefficient (1-α)n

Il n’y a pas de limite théorique à l’ancienneté des valeurs que l’on peut inclure dans cette moyenne
arithmétique pondérée. Cependant, si la constante de lissage n’est pas très petite, les coefficients
deviennent rapidement négligeables lorsqu’on recule dans le passé. Par exemple pour α=0,2 le
coefficient affecté à la vingtième observation est de l’ordre de 0,01. Il est possible si on le souhaite de
tronquer la liste des valeurs passées prises en compte ; on prendra seulement garde que le calcul d’une
moyenne arithmétique pondérée suppose une division par la somme des coefficients ; si on tronque à
n+1 valeurs, on aura à calculer la somme
1+(1-α)+(1-α)²+…..+(1-α)n
Il faut utiliser la formule d’une somme des termes d’une suite géométrique :
1− n +1
1+x+x²+…+xn = x
1− x

n +1
qui donne, avec x=1- α, une somme des coefficients égale à 1−(1−α)
α
Les calculs sont plus agréables si la somme des coefficients est égale à 1
Pour cela, on se contente souvent de multiplier les coefficients prévus par α, c’est à dire de prendre
α α(α-1) α(α-1)² …… α(α-1)n
Les résultats obtenus différent notablement selon la constante de lissage; prendre α petit, c’est donner
au passé un poids important, prendre α proche de 1, c’est au contraire, s’appuyer surtout sur les
données les plus récentes.

Soit ŷ (t-1,t) la prévision faite à l’époque t-1 pour la période t. Cette prévision sera notée L(t)
La valeur réelle observée Q(t) est en général différente de L(t),
Pour la période t+1, nous allons corriger la prévision antérieure L(t) d’une partie de l’écart Q(t)-L(t)
observé entre la réalisation Q(t) et la prévision L(t).
L(t+1) = L(t) + α (Q(t)-L(t))
On déduit de cette expression la formule suivante

L(t+1) = Q(t) + (1-α) L(t)

On voit que la nouvelle prévision est une moyenne pondérée de la dernière réalisation et de la
prévision correspondante.
Comme α est inférieure à l’unité ce poids décroît exponentiellement au fur et à mesure que l’on
s’éloigne dans le passé.

page8
Méthodes quantitatives appliquées à la gestion
Augmenter le facteur de lissage revient à donner beaucoup d’importance aux réalisations récentes ;
diminuer le facteur de lissage revient à étaler le poids sur un plus grand nombre de réalisations
antérieures.
Si la série est stationnaire, on obtient par cette méthode une prévision satisfaisante (à condition de
travailler sur des valeurs désaisonnalisées) ; mais, si la tendance est croissante ou décroissante, la
prévision (qui est en fait une valeur lissée) se situe avec un retard de (1-α)/α.

Initialisation de la récurrence : comment commencer ?


En général on prend L(t) = y1
Pour déterminer la constante de lissage on minimise la somme du carré des écarts entre les valeurs
réelles et les prévisions calculées avec le lissage, soit pour n données :

n n
∑( yt − ŷ t -1,t)²= ∑et ² on utilise le solveur de Excel.
t =1 t =1

Prévision On démontre qu’un intervalle de confiance à 95% de yˆ n,n +1 prévision faite en n pour le temps
n+h est :

[ yˆ −1,96s' 1+(h−1)α² ; yˆ n,n +1+1,96s' 1+(h−1)α²


n, n +1
]
n

avec s’, l’écart-type de l’erreur égale à ∑e t ²


t =1
n−1
La série étant supposée stationnaire nous avons yˆ n,n +1= yˆ n,n + 2=...= yˆ n,n + h

Exemple Les 16 derniers cours d’une action ont donné :

T 1 2 3 4 5 6 7 8
Yt 2139 2190 2150 2137 2102 2109 2134 2130
T 9 10 11 12 13 14 15 16
Yt 2209 2206 2235 2234 2246 2203 2277 2223

Représenter la série.
Effectuer le lissage en prenant L1 = y1 pour initialiser le processus et la constante de lissage α sera
déterminée en minimisant la somme des carrés des erreurs.
Déterminer un intervalle de confiance au niveau 95% pour les prévisions aux dates 17, 18 et 19.

constante de 0,7364262
lissage

yt Lt (yt-Lt)²
1 2139 2139 0
2 2190 2139 2601
3 2150 2176,557739 705,313487
4 2137 2156,999923 399,996912
5 2102 2142,271455 1621,79006
6 2109 2112,614498 13,0645981
7 2134 2109,952687 578,273268
8 2130 2127,66176 5,46736863
9 2209 2129,383701 6338,75504

page9
Méthodes quantitatives appliquées à la gestion
10 2206 2188,015234 323,451824
11 2235 2201,259688 1138,40868
12 2234 2226,106939 62,3004064
13 2246 2231,919596 198,257765
14 2203 2242,288775 1543,60786
15 2277 2213,35549 4050,62368
16 2223 2260,224978 1385,69897
TOTAL 20966,0099
Prévision pour la date 17
2232,81153
Calcul de l'écart-type de l'erreur
37,3862808
Intervalle de confiance pour la date 17 à 95%
borne inférieure 2159,53442
borne supérieure 2306,08864
Intervalle de confiance pour la date 18 à 95%
borne inférieure 2141,80845
borne supérieure 2323,81461

Intervalle de confiance pour la date 19 à 95%


borne inférieure 2127,01178
borne supérieure 2338,61127

page10
Méthodes quantitatives appliquées à la gestion

Vous aimerez peut-être aussi