Vous êtes sur la page 1sur 146

Universite Hassan II - Casablanca

Faculte des Sciences et Techniques

Departement
de Mathematiques

Series
chronologiques
AZIZA BELMAATI

`
Genie

2eme
annee
Mathematiques
et Informatiques
Universitaire : 2015-2016.
Annee

AZIZA BELMAATI (FSTM )

Series
chronologiques

1 / 65

Partie II

Series
chronologiques

AZIZA BELMAATI (FSTM )

Series
chronologiques

1 / 65

Chapitre I

Lanalyse dune serie


chronologique

AZIZA BELMAATI (FSTM )

Series
chronologiques

2 / 65

Introduction

Plan
1

Introduction

Les composantes dune serie


chronologique

Analyse de la tendance

Moyenne mobile

Prevision
par lissage exponentiel

Prevision
par la methode
de Holt-Winters

AZIZA BELMAATI (FSTM )

Series
chronologiques

3 / 65

Introduction

Definition

Definition

Une serie
temporelle, ou serie
chronologique, est une succession

`
par le temps. Par hypothese,
`
dobservations dun phenom
ene,
indicees
le pas
e constant : lheure, le mois, lannee.

du temps des observations est consider


par les nombreux domaines
Limportance de ce domaine est illustree
dapplication, notamment :
1

Economie
: Prevision
dindices economiques...
2

Finance : Evolution
des cours de la bourse...
3
4
5
6

Demographie
: Analyse de levolution
dune population...
eorologie

climatiques...
Met
: Analyse de donnees

Energie
: Prevision
de la consommation delectricit
e...

Imagerie medicale
: Analyse delectrocardiogramme...

AZIZA BELMAATI (FSTM )

Series
chronologiques

4 / 65

Introduction

Definition

Definition

Une serie
temporelle, ou serie
chronologique, est une succession

`
par le temps. Par hypothese,
`
dobservations dun phenom
ene,
indicees
le pas
e constant : lheure, le mois, lannee.

du temps des observations est consider


par les nombreux domaines
Limportance de ce domaine est illustree
dapplication, notamment :
1

Economie
: Prevision
dindices economiques...
2

Finance : Evolution
des cours de la bourse...
3
4
5
6

Demographie
: Analyse de levolution
dune population...
eorologie

climatiques...
Met
: Analyse de donnees

Energie
: Prevision
de la consommation delectricit
e...

Imagerie medicale
: Analyse delectrocardiogramme...

AZIZA BELMAATI (FSTM )

Series
chronologiques

4 / 65

Introduction

Definition

Definition

Une serie
temporelle, ou serie
chronologique, est une succession

`
par le temps. Par hypothese,
`
dobservations dun phenom
ene,
indicees
le pas
e constant : lheure, le mois, lannee.

du temps des observations est consider


par les nombreux domaines
Limportance de ce domaine est illustree
dapplication, notamment :
1

Economie
: Prevision
dindices economiques...
2

Finance : Evolution
des cours de la bourse...
3
4
5
6

Demographie
: Analyse de levolution
dune population...
eorologie

climatiques...
Met
: Analyse de donnees

Energie
: Prevision
de la consommation delectricit
e...

Imagerie medicale
: Analyse delectrocardiogramme...

AZIZA BELMAATI (FSTM )

Series
chronologiques

4 / 65

Introduction

Definition

Definition

Une serie
temporelle, ou serie
chronologique, est une succession

`
par le temps. Par hypothese,
`
dobservations dun phenom
ene,
indicees
le pas
e constant : lheure, le mois, lannee.

du temps des observations est consider


par les nombreux domaines
Limportance de ce domaine est illustree
dapplication, notamment :
1

Economie
: Prevision
dindices economiques...
2

Finance : Evolution
des cours de la bourse...
3
4
5
6

Demographie
: Analyse de levolution
dune population...
eorologie

climatiques...
Met
: Analyse de donnees

Energie
: Prevision
de la consommation delectricit
e...

Imagerie medicale
: Analyse delectrocardiogramme...

AZIZA BELMAATI (FSTM )

Series
chronologiques

4 / 65

Introduction

Definition

Definition

Une serie
temporelle, ou serie
chronologique, est une succession

`
par le temps. Par hypothese,
`
dobservations dun phenom
ene,
indicees
le pas
e constant : lheure, le mois, lannee.

du temps des observations est consider


par les nombreux domaines
Limportance de ce domaine est illustree
dapplication, notamment :
1

Economie
: Prevision
dindices economiques...
2

Finance : Evolution
des cours de la bourse...
3
4
5
6

Demographie
: Analyse de levolution
dune population...
eorologie

climatiques...
Met
: Analyse de donnees

Energie
: Prevision
de la consommation delectricit
e...

Imagerie medicale
: Analyse delectrocardiogramme...

AZIZA BELMAATI (FSTM )

Series
chronologiques

4 / 65

Introduction

Definition

Definition

Une serie
temporelle, ou serie
chronologique, est une succession

`
par le temps. Par hypothese,
`
dobservations dun phenom
ene,
indicees
le pas
e constant : lheure, le mois, lannee.

du temps des observations est consider


par les nombreux domaines
Limportance de ce domaine est illustree
dapplication, notamment :
1

Economie
: Prevision
dindices economiques...
2

Finance : Evolution
des cours de la bourse...
3
4
5
6

Demographie
: Analyse de levolution
dune population...
eorologie

climatiques...
Met
: Analyse de donnees

Energie
: Prevision
de la consommation delectricit
e...

Imagerie medicale
: Analyse delectrocardiogramme...

AZIZA BELMAATI (FSTM )

Series
chronologiques

4 / 65

Introduction

Definition

Definition

Une serie
temporelle, ou serie
chronologique, est une succession

`
par le temps. Par hypothese,
`
dobservations dun phenom
ene,
indicees
le pas
e constant : lheure, le mois, lannee.

du temps des observations est consider


par les nombreux domaines
Limportance de ce domaine est illustree
dapplication, notamment :
1

Economie
: Prevision
dindices economiques...
2

Finance : Evolution
des cours de la bourse...
3
4
5
6

Demographie
: Analyse de levolution
dune population...
eorologie

climatiques...
Met
: Analyse de donnees

Energie
: Prevision
de la consommation delectricit
e...

Imagerie medicale
: Analyse delectrocardiogramme...

AZIZA BELMAATI (FSTM )

Series
chronologiques

4 / 65

Introduction

Exploration dune serie


chronologique :
chronogramme

Le premier graphique a` utiliser pour lexamen dune serie


est son
chronogramme,

Definition

On appelle chronogramme dune serie,


son graphique avec le temps en
abscisse.

Sur des exemples de differents


types de graphiques offerts par R, on va

representer
le chronogramme de la serie,
puis se poser une serie
de
questions :
1

par le temps ?
Tendance : est-ce quon observe une serie
bien expliquee
2
3

` ou periodique

Presence
dune composante saisonniere
?

Juxtaposition de differents
comportements au cours du temps ?

explication eventuelle
?
dans letude

Objectifs recherches
dune telle serie
: description

prevision
?
AZIZA BELMAATI (FSTM )

Series
chronologiques

5 / 65

Introduction

Exploration dune serie


chronologique :
chronogramme

Le premier graphique a` utiliser pour lexamen dune serie


est son
chronogramme,

Definition

On appelle chronogramme dune serie,


son graphique avec le temps en
abscisse.

Sur des exemples de differents


types de graphiques offerts par R, on va

representer
le chronogramme de la serie,
puis se poser une serie
de
questions :
1

par le temps ?
Tendance : est-ce quon observe une serie
bien expliquee
2
3

` ou periodique

Presence
dune composante saisonniere
?

Juxtaposition de differents
comportements au cours du temps ?

explication eventuelle
?
dans letude

Objectifs recherches
dune telle serie
: description

prevision
?
AZIZA BELMAATI (FSTM )

Series
chronologiques

5 / 65

Introduction

Exploration dune serie


chronologique :
chronogramme

Le premier graphique a` utiliser pour lexamen dune serie


est son
chronogramme,

Definition

On appelle chronogramme dune serie,


son graphique avec le temps en
abscisse.

Sur des exemples de differents


types de graphiques offerts par R, on va

representer
le chronogramme de la serie,
puis se poser une serie
de
questions :
1

par le temps ?
Tendance : est-ce quon observe une serie
bien expliquee
2
3

` ou periodique

Presence
dune composante saisonniere
?

Juxtaposition de differents
comportements au cours du temps ?

explication eventuelle
?
dans letude

Objectifs recherches
dune telle serie
: description

prevision
?
AZIZA BELMAATI (FSTM )

Series
chronologiques

5 / 65

Introduction

Exploration dune serie


chronologique :
chronogramme

Le premier graphique a` utiliser pour lexamen dune serie


est son
chronogramme,

Definition

On appelle chronogramme dune serie,


son graphique avec le temps en
abscisse.

Sur des exemples de differents


types de graphiques offerts par R, on va

representer
le chronogramme de la serie,
puis se poser une serie
de
questions :
1

par le temps ?
Tendance : est-ce quon observe une serie
bien expliquee
2
3

` ou periodique

Presence
dune composante saisonniere
?

Juxtaposition de differents
comportements au cours du temps ?

explication eventuelle
?
dans letude

Objectifs recherches
dune telle serie
: description

prevision
?
AZIZA BELMAATI (FSTM )

Series
chronologiques

5 / 65

Introduction

Exploration dune serie


chronologique :
chronogramme

Le premier graphique a` utiliser pour lexamen dune serie


est son
chronogramme,

Definition

On appelle chronogramme dune serie,


son graphique avec le temps en
abscisse.

Sur des exemples de differents


types de graphiques offerts par R, on va

representer
le chronogramme de la serie,
puis se poser une serie
de
questions :
1

par le temps ?
Tendance : est-ce quon observe une serie
bien expliquee
2
3

` ou periodique

Presence
dune composante saisonniere
?

Juxtaposition de differents
comportements au cours du temps ?

explication eventuelle
?
dans letude

Objectifs recherches
dune telle serie
: description

prevision
?
AZIZA BELMAATI (FSTM )

Series
chronologiques

5 / 65

Introduction

Exemples
Les exemples quon va traiter sont disponible sous R via les packages
caschrono et timeseries.
Exemple 1
> data(popfr)
> plot.ts(popfr,xlab=ann
ee,ylab=population,
main="Population franc
aise en millions dhabitants")

AZIZA BELMAATI (FSTM )

Series
chronologiques

6 / 65

Introduction

Exemples
Les exemples quon va traiter sont disponible sous R via les packages
caschrono et timeseries.
Exemple 1
> data(popfr)
> plot.ts(popfr,xlab=ann
ee,ylab=population,
main="Population franc
aise en millions dhabitants")

39
36

37

38

population

40

41

Population franaise en millions d'habitants

1860

1880

1900

1920

1940

anne

AZIZA BELMAATI (FSTM )

Series
chronologiques

6 / 65

Introduction

Exemples
Exemple 2
> plot.ts(uspop,xlab="ann
ee",ylab="population",
main="Population des
etats unis en millions dhabitants")

AZIZA BELMAATI (FSTM )

Series
chronologiques

7 / 65

Introduction

Exemples
Exemple 2
> plot.ts(uspop,xlab="ann
ee",ylab="population",
main="Population des
etats unis en millions dhabitants")

100
0

50

population

150

200

Population des tats unies en millions d'habitants

1800

1850

1900

1950

anne

AZIZA BELMAATI (FSTM )

Series
chronologiques

7 / 65

Introduction

Exemples
Exemple 3
> data("trafmensu")
> plot.ts(trafmensu,xlab="ann
ee",ylab="Nombre
de passagers",main="Nombre de passagers a
eriens")

AZIZA BELMAATI (FSTM )

Series
chronologiques

8 / 65

Introduction

Exemples
Exemple 3
> data("trafmensu")
> plot.ts(trafmensu,xlab="ann
ee",ylab="Nombre
de passagers",main="Nombre de passagers a
eriens")

400
300

Nombre de passagers

500

Nombre de passagers ariens

1995

2000

2005

anne

AZIZA BELMAATI (FSTM )

Series
chronologiques

8 / 65

Introduction

Exemples : Conclusion

Lexamen de la serie
permet de degager
un certain nombre de composantes

fondamentales de levolution
de la grandeurs etudi
ee.
Il faut donc analyser ces composantes, en les dissociant les unes des autres,
`

cest-a-dire
en considerant
une serie
comme resultante
de la combinaison de

differentes
composantes, tel que chacun delles ait une evolution
simple.

AZIZA BELMAATI (FSTM )

Series
chronologiques

9 / 65

Introduction

Exemples : Conclusion

Lexamen de la serie
permet de degager
un certain nombre de composantes

fondamentales de levolution
de la grandeurs etudi
ee.
Il faut donc analyser ces composantes, en les dissociant les unes des autres,
`

cest-a-dire
en considerant
une serie
comme resultante
de la combinaison de

differentes
composantes, tel que chacun delles ait une evolution
simple.

AZIZA BELMAATI (FSTM )

Series
chronologiques

9 / 65


Les composantes dune serie
chronologique

Plan
1

Introduction

Les composantes dune serie


chronologique

Analyse de la tendance

Moyenne mobile

Prevision
par lissage exponentiel

Prevision
par la methode
de Holt-Winters

AZIZA BELMAATI (FSTM )

Series
chronologiques

10 / 65


Les composantes dune serie
chronologique

Les composantes dune serie


chronologique

La tendance (zt ) ou trend : Represente


levolution
a` long terme de la grandeur

et traduit laspect gen


eral
de la serie.

etudi
ee,
cest une fonction monotone,
souvent polynomiale.
`

Les variations saisonnieres


(st ) : Sont les fluctuations periodiques
a` linterieur
et qui se reproduisent plus au moins permanente dune annee

dune annee,

`
sur lautre. Mathematiquement,
ce sont des fonctions periodiques,
cest-a-dire

quil existe un entier p appele periode,


tel que
st = st+p , t 1
`

par ses p premieres


`
Cette composantes est entierement
determin
ee
valeurs
s1 , s2 , . . . , sp .

Les fluctuations irreguli


eres/
residus/
bruit (et ) : Sont des variations de nature

`
aleatoire
(ce qui signifie quelle ne sont pas completement
explicables). En
effet, elles ne sont pas clairement apercevables dans les graphiques, a` cause
de leur faible intensite par rapport aux autres composantes.
AZIZA BELMAATI (FSTM )

Series
chronologiques

11 / 65


Les composantes dune serie
chronologique

Les composantes dune serie


chronologique

La tendance (zt ) ou trend : Represente


levolution
a` long terme de la grandeur

et traduit laspect gen


eral
de la serie.

etudi
ee,
cest une fonction monotone,
souvent polynomiale.
`

Les variations saisonnieres


(st ) : Sont les fluctuations periodiques
a` linterieur
et qui se reproduisent plus au moins permanente dune annee

dune annee,

`
sur lautre. Mathematiquement,
ce sont des fonctions periodiques,
cest-a-dire

quil existe un entier p appele periode,


tel que
st = st+p , t 1
`

par ses p premieres


`
Cette composantes est entierement
determin
ee
valeurs
s1 , s2 , . . . , sp .

Les fluctuations irreguli


eres/
residus/
bruit (et ) : Sont des variations de nature

`
aleatoire
(ce qui signifie quelle ne sont pas completement
explicables). En
effet, elles ne sont pas clairement apercevables dans les graphiques, a` cause
de leur faible intensite par rapport aux autres composantes.
AZIZA BELMAATI (FSTM )

Series
chronologiques

11 / 65


Les composantes dune serie
chronologique

Les composantes dune serie


chronologique

La tendance (zt ) ou trend : Represente


levolution
a` long terme de la grandeur

et traduit laspect gen


eral
de la serie.

etudi
ee,
cest une fonction monotone,
souvent polynomiale.
`

Les variations saisonnieres


(st ) : Sont les fluctuations periodiques
a` linterieur
et qui se reproduisent plus au moins permanente dune annee

dune annee,

`
sur lautre. Mathematiquement,
ce sont des fonctions periodiques,
cest-a-dire

quil existe un entier p appele periode,


tel que
st = st+p , t 1
`

par ses p premieres


`
Cette composantes est entierement
determin
ee
valeurs
s1 , s2 , . . . , sp .

Les fluctuations irreguli


eres/
residus/
bruit (et ) : Sont des variations de nature

`
aleatoire
(ce qui signifie quelle ne sont pas completement
explicables). En
effet, elles ne sont pas clairement apercevables dans les graphiques, a` cause
de leur faible intensite par rapport aux autres composantes.
AZIZA BELMAATI (FSTM )

Series
chronologiques

11 / 65


Les composantes dune serie
chronologique

Les composantes dune serie


chronologique

Les variations accidentelles/observations aberrantes


: Sont des valeurs

ees
ou faibles de courte duree.
Ces variations
isolees,
anormalement elev

eralement

brusques de la serie
sont gen
explicables. La plupart du temps, ces
es
dans la serie

`
accidents sont integr
des bruits (les fluctuations irreguli
eres).

`
Points de changement : Ce sont des points ou` la serie
change completement
dallure, par exemple de tendance. Ils sont normalement explicables, et

de la serie,

imposent une analyse separ


ee
par morceaux.

AZIZA BELMAATI (FSTM )

Series
chronologiques

12 / 65


Les composantes dune serie
chronologique

Les composantes dune serie


chronologique

Les variations accidentelles/observations aberrantes


: Sont des valeurs

ees
ou faibles de courte duree.
Ces variations
isolees,
anormalement elev

eralement

brusques de la serie
sont gen
explicables. La plupart du temps, ces
es
dans la serie

`
accidents sont integr
des bruits (les fluctuations irreguli
eres).

`
Points de changement : Ce sont des points ou` la serie
change completement
dallure, par exemple de tendance. Ils sont normalement explicables, et

de la serie,

imposent une analyse separ


ee
par morceaux.

AZIZA BELMAATI (FSTM )

Series
chronologiques

12 / 65


Les composantes dune serie
chronologique

Quelques types de decomposition


` avoir detect

Apres
e graphiquement quelles sont les composantes, il faut
` :
proposer un modele
1
` additif : Ce modele
` suppose lindependance

Le modele
des differentes

composantes, il secrit
sous la forme :
yt = zt + st + et ,
2

avec E(et ) = 0

` multiplicatif : Ce modele
` suppose linteraction gen
erale

Le modele
des

trois composantes, il secrit


sous la forme
yt = zt (1 + st )(1 + et ),

avec E(et ) = 0

Il est actuellement le plus utilise en economie.


Il est commode puisque le

logarithme de la chronique conduit au schema


additif.
` multiplicatif mixte : Il sagit la` des modeles
`
Le modele
ou` addition et

multiplication sont utilisees.


On peut supposer, par exemple, que la
` agit de facon multiplicative, alors que les
composante saisonniere

`
fluctuations irreguli
eres
sont additives :
yt = tt (1 + st ) + et ,

avec E(et ) = 0

(Toutes les autres combinaisons sont egalement


possibles....).
AZIZA BELMAATI (FSTM )

Series
chronologiques

13 / 65


Les composantes dune serie
chronologique

Quelques types de decomposition


` avoir detect

Apres
e graphiquement quelles sont les composantes, il faut
` :
proposer un modele
1
` additif : Ce modele
` suppose lindependance

Le modele
des differentes

composantes, il secrit
sous la forme :
yt = zt + st + et ,
2

avec E(et ) = 0

` multiplicatif : Ce modele
` suppose linteraction gen
erale

Le modele
des

trois composantes, il secrit


sous la forme
yt = zt (1 + st )(1 + et ),

avec E(et ) = 0

Il est actuellement le plus utilise en economie.


Il est commode puisque le

logarithme de la chronique conduit au schema


additif.
` multiplicatif mixte : Il sagit la` des modeles
`
Le modele
ou` addition et

multiplication sont utilisees.


On peut supposer, par exemple, que la
` agit de facon multiplicative, alors que les
composante saisonniere

`
fluctuations irreguli
eres
sont additives :
yt = tt (1 + st ) + et ,

avec E(et ) = 0

(Toutes les autres combinaisons sont egalement


possibles....).
AZIZA BELMAATI (FSTM )

Series
chronologiques

13 / 65


Les composantes dune serie
chronologique

Quelques types de decomposition


` avoir detect

Apres
e graphiquement quelles sont les composantes, il faut
` :
proposer un modele
1
` additif : Ce modele
` suppose lindependance

Le modele
des differentes

composantes, il secrit
sous la forme :
yt = zt + st + et ,
2

avec E(et ) = 0

` multiplicatif : Ce modele
` suppose linteraction gen
erale

Le modele
des

trois composantes, il secrit


sous la forme
yt = zt (1 + st )(1 + et ),

avec E(et ) = 0

Il est actuellement le plus utilise en economie.


Il est commode puisque le

logarithme de la chronique conduit au schema


additif.
` multiplicatif mixte : Il sagit la` des modeles
`
Le modele
ou` addition et

multiplication sont utilisees.


On peut supposer, par exemple, que la
` agit de facon multiplicative, alors que les
composante saisonniere

`
fluctuations irreguli
eres
sont additives :
yt = tt (1 + st ) + et ,

avec E(et ) = 0

(Toutes les autres combinaisons sont egalement


possibles....).
AZIZA BELMAATI (FSTM )

Series
chronologiques

13 / 65


Les composantes dune serie
chronologique

`
Choix du modele

Methode
de la bande : On utilise le graphe de la serie
et la droite passant
par les minima et celle passant par les maxima.
1
2

Methode
du profil : On utilise le graphe des courbes superposees.
1
2

` paralleles
`
` est additif.
Si ces 2 droites sont a` peu pres
: le modele
`
` est multiplicatif.
Si ces 2 droites ne sont pas paralleles
: le modele

` paralleles
`
` est additif.
Si les differentes
courbes sont a` peu pres
: le modele
` est multiplicatif.
Si les pics et les creux saccentuent : le modele

Methode
du tableau de Buys-Ballot : On calcule pour chacune des

annees,
la moyenne et lecart-type,
puis on trace les points dabscisse la
lecart-type

ensuite, on trace
moyenne et dordonnee
de la meme
annee,
de ces points.
la droite des moindres carres
1
2

` est additif.
Si lecart-type
est independant
de la moyenne : le modele

` est multiplicatif.
Si lecart-type
est fonction de la moyenne : le modele

AZIZA BELMAATI (FSTM )

Series
chronologiques

14 / 65


Les composantes dune serie
chronologique

`
Choix du modele

Methode
de la bande : On utilise le graphe de la serie
et la droite passant
par les minima et celle passant par les maxima.
1
2

Methode
du profil : On utilise le graphe des courbes superposees.
1
2

` paralleles
`
` est additif.
Si ces 2 droites sont a` peu pres
: le modele
`
` est multiplicatif.
Si ces 2 droites ne sont pas paralleles
: le modele

` paralleles
`
` est additif.
Si les differentes
courbes sont a` peu pres
: le modele
` est multiplicatif.
Si les pics et les creux saccentuent : le modele

Methode
du tableau de Buys-Ballot : On calcule pour chacune des

annees,
la moyenne et lecart-type,
puis on trace les points dabscisse la
lecart-type

ensuite, on trace
moyenne et dordonnee
de la meme
annee,
de ces points.
la droite des moindres carres
1
2

` est additif.
Si lecart-type
est independant
de la moyenne : le modele

` est multiplicatif.
Si lecart-type
est fonction de la moyenne : le modele

AZIZA BELMAATI (FSTM )

Series
chronologiques

14 / 65


Les composantes dune serie
chronologique

`
Choix du modele

Methode
de la bande : On utilise le graphe de la serie
et la droite passant
par les minima et celle passant par les maxima.
1
2

Methode
du profil : On utilise le graphe des courbes superposees.
1
2

` paralleles
`
` est additif.
Si ces 2 droites sont a` peu pres
: le modele
`
` est multiplicatif.
Si ces 2 droites ne sont pas paralleles
: le modele

` paralleles
`
` est additif.
Si les differentes
courbes sont a` peu pres
: le modele
` est multiplicatif.
Si les pics et les creux saccentuent : le modele

Methode
du tableau de Buys-Ballot : On calcule pour chacune des

annees,
la moyenne et lecart-type,
puis on trace les points dabscisse la
lecart-type

ensuite, on trace
moyenne et dordonnee
de la meme
annee,
de ces points.
la droite des moindres carres
1
2

` est additif.
Si lecart-type
est independant
de la moyenne : le modele

` est multiplicatif.
Si lecart-type
est fonction de la moyenne : le modele

AZIZA BELMAATI (FSTM )

Series
chronologiques

14 / 65


Les composantes dune serie
chronologique

`
Choix du modele

Methode
de la bande : On utilise le graphe de la serie
et la droite passant
par les minima et celle passant par les maxima.
1
2

Methode
du profil : On utilise le graphe des courbes superposees.
1
2

` paralleles
`
` est additif.
Si ces 2 droites sont a` peu pres
: le modele
`
` est multiplicatif.
Si ces 2 droites ne sont pas paralleles
: le modele

` paralleles
`
` est additif.
Si les differentes
courbes sont a` peu pres
: le modele
` est multiplicatif.
Si les pics et les creux saccentuent : le modele

Methode
du tableau de Buys-Ballot : On calcule pour chacune des

annees,
la moyenne et lecart-type,
puis on trace les points dabscisse la
lecart-type

ensuite, on trace
moyenne et dordonnee
de la meme
annee,
de ces points.
la droite des moindres carres
1
2

` est additif.
Si lecart-type
est independant
de la moyenne : le modele

` est multiplicatif.
Si lecart-type
est fonction de la moyenne : le modele

AZIZA BELMAATI (FSTM )

Series
chronologiques

14 / 65


Les composantes dune serie
chronologique

`
Choix du modele

Methode
de la bande : On utilise le graphe de la serie
et la droite passant
par les minima et celle passant par les maxima.
1
2

Methode
du profil : On utilise le graphe des courbes superposees.
1
2

` paralleles
`
` est additif.
Si ces 2 droites sont a` peu pres
: le modele
`
` est multiplicatif.
Si ces 2 droites ne sont pas paralleles
: le modele

` paralleles
`
` est additif.
Si les differentes
courbes sont a` peu pres
: le modele
` est multiplicatif.
Si les pics et les creux saccentuent : le modele

Methode
du tableau de Buys-Ballot : On calcule pour chacune des

annees,
la moyenne et lecart-type,
puis on trace les points dabscisse la
lecart-type

ensuite, on trace
moyenne et dordonnee
de la meme
annee,
de ces points.
la droite des moindres carres
1
2

` est additif.
Si lecart-type
est independant
de la moyenne : le modele

` est multiplicatif.
Si lecart-type
est fonction de la moyenne : le modele

AZIZA BELMAATI (FSTM )

Series
chronologiques

14 / 65


Les composantes dune serie
chronologique

`
Choix du modele

Methode
de la bande : On utilise le graphe de la serie
et la droite passant
par les minima et celle passant par les maxima.
1
2

Methode
du profil : On utilise le graphe des courbes superposees.
1
2

` paralleles
`
` est additif.
Si ces 2 droites sont a` peu pres
: le modele
`
` est multiplicatif.
Si ces 2 droites ne sont pas paralleles
: le modele

` paralleles
`
` est additif.
Si les differentes
courbes sont a` peu pres
: le modele
` est multiplicatif.
Si les pics et les creux saccentuent : le modele

Methode
du tableau de Buys-Ballot : On calcule pour chacune des

annees,
la moyenne et lecart-type,
puis on trace les points dabscisse la
lecart-type

ensuite, on trace
moyenne et dordonnee
de la meme
annee,
de ces points.
la droite des moindres carres
1
2

` est additif.
Si lecart-type
est independant
de la moyenne : le modele

` est multiplicatif.
Si lecart-type
est fonction de la moyenne : le modele

AZIZA BELMAATI (FSTM )

Series
chronologiques

14 / 65


Les composantes dune serie
chronologique

`
Choix du modele

Methode
de la bande : On utilise le graphe de la serie
et la droite passant
par les minima et celle passant par les maxima.
1
2

Methode
du profil : On utilise le graphe des courbes superposees.
1
2

` paralleles
`
` est additif.
Si ces 2 droites sont a` peu pres
: le modele
`
` est multiplicatif.
Si ces 2 droites ne sont pas paralleles
: le modele

` paralleles
`
` est additif.
Si les differentes
courbes sont a` peu pres
: le modele
` est multiplicatif.
Si les pics et les creux saccentuent : le modele

Methode
du tableau de Buys-Ballot : On calcule pour chacune des

annees,
la moyenne et lecart-type,
puis on trace les points dabscisse la
lecart-type

ensuite, on trace
moyenne et dordonnee
de la meme
annee,
de ces points.
la droite des moindres carres
1
2

` est additif.
Si lecart-type
est independant
de la moyenne : le modele

` est multiplicatif.
Si lecart-type
est fonction de la moyenne : le modele

AZIZA BELMAATI (FSTM )

Series
chronologiques

14 / 65


Les composantes dune serie
chronologique

`
Choix du modele

Methode
de la bande : On utilise le graphe de la serie
et la droite passant
par les minima et celle passant par les maxima.
1
2

Methode
du profil : On utilise le graphe des courbes superposees.
1
2

` paralleles
`
` est additif.
Si ces 2 droites sont a` peu pres
: le modele
`
` est multiplicatif.
Si ces 2 droites ne sont pas paralleles
: le modele

` paralleles
`
` est additif.
Si les differentes
courbes sont a` peu pres
: le modele
` est multiplicatif.
Si les pics et les creux saccentuent : le modele

Methode
du tableau de Buys-Ballot : On calcule pour chacune des

annees,
la moyenne et lecart-type,
puis on trace les points dabscisse la
lecart-type

ensuite, on trace
moyenne et dordonnee
de la meme
annee,
de ces points.
la droite des moindres carres
1
2

` est additif.
Si lecart-type
est independant
de la moyenne : le modele

` est multiplicatif.
Si lecart-type
est fonction de la moyenne : le modele

AZIZA BELMAATI (FSTM )

Series
chronologiques

14 / 65


Les composantes dune serie
chronologique

`
Choix du modele

Methode
de la bande : On utilise le graphe de la serie
et la droite passant
par les minima et celle passant par les maxima.
1
2

Methode
du profil : On utilise le graphe des courbes superposees.
1
2

` paralleles
`
` est additif.
Si ces 2 droites sont a` peu pres
: le modele
`
` est multiplicatif.
Si ces 2 droites ne sont pas paralleles
: le modele

` paralleles
`
` est additif.
Si les differentes
courbes sont a` peu pres
: le modele
` est multiplicatif.
Si les pics et les creux saccentuent : le modele

Methode
du tableau de Buys-Ballot : On calcule pour chacune des

annees,
la moyenne et lecart-type,
puis on trace les points dabscisse la
lecart-type

ensuite, on trace
moyenne et dordonnee
de la meme
annee,
de ces points.
la droite des moindres carres
1
2

` est additif.
Si lecart-type
est independant
de la moyenne : le modele

` est multiplicatif.
Si lecart-type
est fonction de la moyenne : le modele

AZIZA BELMAATI (FSTM )

Series
chronologiques

14 / 65


Les composantes dune serie
chronologique

` : Methode

Choix du modele
du profil
cp<-window(serie,start=c(1,1),end=c(1,12))
v=as.numeric(cp)
plot(c(1:12),v,type="l",,xlim=c(0,13),ylim=c(0,800))
for(i in 2:15){
cp=window(serie,start=c(i,1),end=c(i,12))
v=as.numeric(cp)
lines(v)
}

AZIZA BELMAATI (FSTM )

Series
chronologiques

15 / 65


Les composantes dune serie
chronologique

` : Methode

Choix du modele
du profil

200

400

600

800

cp<-window(serie,start=c(1,1),end=c(1,12))
v=as.numeric(cp)
plot(c(1:12),v,type="l",,xlim=c(0,13),ylim=c(0,800))
for(i in 2:15){
cp=window(serie,start=c(i,1),end=c(i,12))
v=as.numeric(cp)
lines(v)
}

10

12

c(1:12)

AZIZA BELMAATI (FSTM )

Series
chronologiques

15 / 65


Les composantes dune serie
chronologique

Conclusion

Pour decomposer
une serie
chronologique on doit commencer par :
1
2

Tracer son graphique


` de composition (additif ou multiplicatif)
Choisir un modele

Estimer la tendance

`
Estimer les variations saisonnieres.

AZIZA BELMAATI (FSTM )

Series
chronologiques

16 / 65


Les composantes dune serie
chronologique

Conclusion

Pour decomposer
une serie
chronologique on doit commencer par :
1
2

Tracer son graphique


` de composition (additif ou multiplicatif)
Choisir un modele

Estimer la tendance

`
Estimer les variations saisonnieres.

AZIZA BELMAATI (FSTM )

Series
chronologiques

16 / 65


Les composantes dune serie
chronologique

Conclusion

Pour decomposer
une serie
chronologique on doit commencer par :
1
2

Tracer son graphique


` de composition (additif ou multiplicatif)
Choisir un modele

Estimer la tendance

`
Estimer les variations saisonnieres.

AZIZA BELMAATI (FSTM )

Series
chronologiques

16 / 65


Les composantes dune serie
chronologique

Conclusion

Pour decomposer
une serie
chronologique on doit commencer par :
1
2

Tracer son graphique


` de composition (additif ou multiplicatif)
Choisir un modele

Estimer la tendance

`
Estimer les variations saisonnieres.

AZIZA BELMAATI (FSTM )

Series
chronologiques

16 / 65

Analyse de la tendance

Plan
1

Introduction

Les composantes dune serie


chronologique

Analyse de la tendance

Moyenne mobile

Prevision
par lissage exponentiel

Prevision
par la methode
de Holt-Winters

AZIZA BELMAATI (FSTM )

Series
chronologiques

17 / 65

Analyse de la tendance

Estimation par regression


sur le temps

Supposons que lon observe n valeurs dune serie


dont la tendance semble

etre
lineaire
comme dans lexemple de la population francaise. cette methode

ordinaire
consiste a` estimer la tendance par la methode
des moindre carres

par une fonction lineaire


:

t + b
zt = a
regfr=lm(popfrtime(popfr))
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -66.324681
8.084040 -8.204 7.88e-08 ***
time(popfr)
0.055236
0.004258 12.974 3.38e-11 ***
--Residual standard error: 0.6335 on 20 degrees of freedom
Multiple R-squared: 0.8938,Adjusted R-squared: 0.8885
F-statistic: 168.3 on 1 and 20 DF, p-value: 3.384e-11

AZIZA BELMAATI (FSTM )

Series
chronologiques

18 / 65

Analyse de la tendance

Estimation par regression


non lineaire

Cependant la modelisation
lineaire
de la tendance peut etre
trop

simplificatrice. par exemple le cas de la population des etats


unis. On sattend
a` une tendance quadratique. Lorsque la tendance nest pas lineaire,

plutot

`
une technique simple consiste a` se ramener a` un ajustement lineaire
apres

un changement de variable approprie.

Exemple : Population des etats


unis
+ c
t 2 + bt
zt = a
> t2=time(uspop)2
> regus=lm(uspopt2+time(uspop))
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2.045e+04 8.431e+02
24.25 4.81e-14 ***
t2
6.345e-03 2.387e-04
26.58 1.14e-14 ***
time(uspop) -2.278e+01 8.974e-01 -25.38 2.36e-14 ***
--Residual standard error: 2.78 on 16 degrees of freedom
Multiple R-squared: 0.9983,Adjusted R-squared: 0.9981
AZIZA BELMAATI (FSTM )

Series
chronologiques

19 / 65

Analyse de la tendance

Estimation par regression


non lineaire

Cependant la modelisation
lineaire
de la tendance peut etre
trop

simplificatrice. par exemple le cas de la population des etats


unis. On sattend
a` une tendance quadratique. Lorsque la tendance nest pas lineaire,

plutot

`
une technique simple consiste a` se ramener a` un ajustement lineaire
apres

un changement de variable approprie.

Exemple : Population des etats


unis
+ c
t 2 + bt
zt = a
> t2=time(uspop)2
> regus=lm(uspopt2+time(uspop))
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2.045e+04 8.431e+02
24.25 4.81e-14 ***
t2
6.345e-03 2.387e-04
26.58 1.14e-14 ***
time(uspop) -2.278e+01 8.974e-01 -25.38 2.36e-14 ***
--Residual standard error: 2.78 on 16 degrees of freedom
Multiple R-squared: 0.9983,Adjusted R-squared: 0.9981
AZIZA BELMAATI (FSTM )

Series
chronologiques

19 / 65

Analyse de la tendance

Estimation par regression


non lineaire

Cependant la modelisation
lineaire
de la tendance peut etre
trop

simplificatrice. par exemple le cas de la population des etats


unis. On sattend
a` une tendance quadratique. Lorsque la tendance nest pas lineaire,

plutot

`
une technique simple consiste a` se ramener a` un ajustement lineaire
apres

un changement de variable approprie.

Exemple : Population des etats


unis
+ c
t 2 + bt
zt = a
> t2=time(uspop)2
> regus=lm(uspopt2+time(uspop))
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2.045e+04 8.431e+02
24.25 4.81e-14 ***
t2
6.345e-03 2.387e-04
26.58 1.14e-14 ***
time(uspop) -2.278e+01 8.974e-01 -25.38 2.36e-14 ***
--Residual standard error: 2.78 on 16 degrees of freedom
Multiple R-squared: 0.9983,Adjusted R-squared: 0.9981
AZIZA BELMAATI (FSTM )

Series
chronologiques

19 / 65

Analyse de la tendance

Estimation non parametrique

du polynome

Dans certaines situations, il nest pas facile de trouver le degres

pour zt ou de faire le changement adequat.


Dans cette situation, on a recourt

a` la theorie
non parametrique
de lestimation de la tendance qui ne suppose
rien sur celle-ci a priori et on approxime la tendance par ce quon appelle la
moyenne mobile.

AZIZA BELMAATI (FSTM )

Series
chronologiques

20 / 65

Moyenne mobile

Plan
1

Introduction

Les composantes dune serie


chronologique

Analyse de la tendance

Moyenne mobile

Prevision
par lissage exponentiel

Prevision
par la methode
de Holt-Winters

AZIZA BELMAATI (FSTM )

Series
chronologiques

21 / 65

Moyenne mobile

Moyenne mobile : Definition

Definition

On appelle moyenne mobile, une transformation de Xt qui secrit


comme

combinaison lineaire
des valeurs de la serie
correspondant a` des dates

secrit

entourant t. La serie
transformee
Mm1 +m2 +1 Xt =

m2
X

i Xt+i

i=m1

ou` m1 ,...,m2 sont des reels


et m1 , m2 N. On appelle ordre de la moyenne
mobile la valeur m1 + m2 + 1
Remarques
1

es
dans la
Lordre represente
simplement le nombre de termes consider
somme.
2

Il est clair que la definition


ci-dessus na de sens que pour des instants t
tels que :
m1 + 1 t T m2
3

On note aussi Mm1 +m2 +1 Xt = Mm1 +m2 +1 (Xt ) = Xt . La seconde notation

masque
le(FSTM
fait) que la moyenne
est un operateur
et non une
mobile
AZIZA
BELMAATI
Series
chronologiques
22 / 65

Moyenne mobile

Moyenne mobile : Definition

Definition

On appelle moyenne mobile, une transformation de Xt qui secrit


comme

combinaison lineaire
des valeurs de la serie
correspondant a` des dates

secrit

entourant t. La serie
transformee
Mm1 +m2 +1 Xt =

m2
X

i Xt+i

i=m1

ou` m1 ,...,m2 sont des reels


et m1 , m2 N. On appelle ordre de la moyenne
mobile la valeur m1 + m2 + 1
Remarques
1

es
dans la
Lordre represente
simplement le nombre de termes consider
somme.
2

Il est clair que la definition


ci-dessus na de sens que pour des instants t
tels que :
m1 + 1 t T m2
3

On note aussi Mm1 +m2 +1 Xt = Mm1 +m2 +1 (Xt ) = Xt . La seconde notation

masque
le(FSTM
fait) que la moyenne
est un operateur
et non une
mobile
AZIZA
BELMAATI
Series
chronologiques
22 / 65

Moyenne mobile

Moyenne mobile : Definition

Definition

On appelle moyenne mobile, une transformation de Xt qui secrit


comme

combinaison lineaire
des valeurs de la serie
correspondant a` des dates

secrit

entourant t. La serie
transformee
Mm1 +m2 +1 Xt =

m2
X

i Xt+i

i=m1

ou` m1 ,...,m2 sont des reels


et m1 , m2 N. On appelle ordre de la moyenne
mobile la valeur m1 + m2 + 1
Remarques
1

es
dans la
Lordre represente
simplement le nombre de termes consider
somme.
2

Il est clair que la definition


ci-dessus na de sens que pour des instants t
tels que :
m1 + 1 t T m2
3

On note aussi Mm1 +m2 +1 Xt = Mm1 +m2 +1 (Xt ) = Xt . La seconde notation

masque
le(FSTM
fait) que la moyenne
est un operateur
et non une
mobile
AZIZA
BELMAATI
Series
chronologiques
22 / 65

Moyenne mobile

Moyenne mobile : Operateur


retard

On peut re ecrire
la moyenne mobile en termes doperateurs.
On definit
pour

cela loperateur
B, appele operateur
retard, qui a` tout processus (Yt )tZ defini
par
t Z, Yt = BXt = Xt1

si on compose B avec lui meme


on obtient B 2 = B B tel que
t Z, B 2 Xt = Xt2

On peut iterer
cette application et definir
par recurrence
B k Xt = Xtk ,

k N

par convention, B 0 est loperateur


identite I.

AZIZA BELMAATI (FSTM )

Series
chronologiques

23 / 65

Moyenne mobile

Moyenne mobile : Operateur


Avance

Loperateur
B est lineaire
est inversible. Son inverse B 1 = F est defini
par
t Z, FXt = Xt+1

Loperateur
F est appele operateur
avance.

On peut re ecrire
la moyenne mobile en terme doperateurs
B et F :
Mm1 +m2 +1 =

m2
X

i B

i=m1

m2
X

i F i

i=m1

En factorisant par B m1 et en faisant j = i + m1 , on obtient la forme canonique


suivante
mX
m2
1 +m2
X
Mm1 +m2 +1 = B m1
jm1 F i = B m1
i F m1 +i =: B m1 P(F )
t=m1

j=0

` expression est defini

Le polynome
P intervenant dans la derniere
par
P(x) =

m2
X

i x m1 +i

t=m1

et est appele polynome


caracteristique
de la moyenne mobile Mm1 +m2 +1 . On
AZIZA BELMAATI (FSTM )

Series
chronologiques

24 / 65

Moyenne mobile

Moyenne mobile : Differents


types

1
2

lorsque m1 = m2 = m.
On dit que la moyenne mobile est centree
est symetrique

Une moyenne mobile centree


si et seulement si
i = i , i = 1, . . . m.

Une moyenne mobile arithmetique


est une moyenne mobile centree,
dordre (impair) 2m + 1 et telle que
i =

1
, i = m, . . . , m
2m + 1

(par definition)

une moyenne mobile arithmetique


est donc centr
et
Pm2 ee

symetrique.
On a en particulier dans ce cas t=m

=
1
et
M
Xt
2m+1
i
1
apparat comme la moyenne des observations Xtm , . . . , Xt+m .

AZIZA BELMAATI (FSTM )

Series
chronologiques

25 / 65

Moyenne mobile

Moyenne mobile : Differents


types

1
2

lorsque m1 = m2 = m.
On dit que la moyenne mobile est centree
est symetrique

Une moyenne mobile centree


si et seulement si
i = i , i = 1, . . . m.

Une moyenne mobile arithmetique


est une moyenne mobile centree,
dordre (impair) 2m + 1 et telle que
i =

1
, i = m, . . . , m
2m + 1

(par definition)

une moyenne mobile arithmetique


est donc centr
et
Pm2 ee

symetrique.
On a en particulier dans ce cas t=m

=
1
et
M
Xt
2m+1
i
1
apparat comme la moyenne des observations Xtm , . . . , Xt+m .

AZIZA BELMAATI (FSTM )

Series
chronologiques

25 / 65

Moyenne mobile

Moyenne mobile : Differents


types

1
2

lorsque m1 = m2 = m.
On dit que la moyenne mobile est centree
est symetrique

Une moyenne mobile centree


si et seulement si
i = i , i = 1, . . . m.

Une moyenne mobile arithmetique


est une moyenne mobile centree,
dordre (impair) 2m + 1 et telle que
i =

1
, i = m, . . . , m
2m + 1

(par definition)

une moyenne mobile arithmetique


est donc centr
et
Pm2 ee

symetrique.
On a en particulier dans ce cas t=m

=
1
et
M
Xt
2m+1
i
1
apparat comme la moyenne des observations Xtm , . . . , Xt+m .

AZIZA BELMAATI (FSTM )

Series
chronologiques

25 / 65

Moyenne mobile

Exercice

Calculer les series


des moyennes mobiles dordre 2, 3 et 4 de la serie
initiale
Xt suivante
t
Xt

1
30

2
15

3
5

AZIZA BELMAATI (FSTM )

4
30

5
36

6
18

7
9

8
36

9
45

Series
chronologiques

10
15

11
10

12
60

13
48

14
16

15
8

16
72

26 / 65

Moyenne mobile

Effet dune moyenne mobile sur une tendance


es

Propriet
1

Lapplication dune moyenne mobile arithmetique


(paire ou impaire) ne
modifie pas une tendance constante.

Lapplication dune moyenne mobile arithmetique


(paire ou impaire)

conserve une tendance lineaire.

Exemple1

trimestriellement
Nous etudions
la serie
chronologique suivante observee
pendant 6 ans :
> seri
Ann
ee1
Ann
ee2
Ann
ee3
Ann
ee4
Ann
ee5
Ann
ee6

trimestre1 trimestre2 trimestre3 trimestre4


89.658
97.593
108.906
114.157
96.205
99.399
112.763
119.185
99.602
105.192
116.556
121.911
103.272
109.644
121.208
126.508
105.637
113.428
125.641
131.147
111.118
117.215
129.776
133.000

AZIZA BELMAATI (FSTM )

Series
chronologiques

27 / 65

Moyenne mobile

Effet dune moyenne mobile sur une tendance


es

Propriet
1

Lapplication dune moyenne mobile arithmetique


(paire ou impaire) ne
modifie pas une tendance constante.

Lapplication dune moyenne mobile arithmetique


(paire ou impaire)

conserve une tendance lineaire.

Exemple1

trimestriellement
Nous etudions
la serie
chronologique suivante observee
pendant 6 ans :
> seri
Ann
ee1
Ann
ee2
Ann
ee3
Ann
ee4
Ann
ee5
Ann
ee6

trimestre1 trimestre2 trimestre3 trimestre4


89.658
97.593
108.906
114.157
96.205
99.399
112.763
119.185
99.602
105.192
116.556
121.911
103.272
109.644
121.208
126.508
105.637
113.428
125.641
131.147
111.118
117.215
129.776
133.000

AZIZA BELMAATI (FSTM )

Series
chronologiques

27 / 65

Moyenne mobile

Effet dune moyenne mobile sur une tendance


Exemple1

110
90

100

Observations

120

130

> plot.ts(ser,xlab="Mois",ylab="Observations",lwd=3)
> lines(1:24,ser[1:24],type="h",col="red")

10

15

20

Mois

F IGURE: La serie
brute
AZIZA BELMAATI (FSTM )

Series
chronologiques

28 / 65

Moyenne mobile

Effet dune moyenne mobile sur une tendance


Exemple1

> mmseri=filter(ser,filter=c(1/8,1/4,1/4,1/4,1/8))
> plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
> lines(mmseri,col="green",lwd=3)

AZIZA BELMAATI (FSTM )

Series
chronologiques

29 / 65

Moyenne mobile

Effet dune moyenne mobile sur une tendance


Exemple1

Observations

90

100

110

120

130

140

> mmseri=filter(ser,filter=c(1/8,1/4,1/4,1/4,1/8))
> plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
> lines(mmseri,col="green",lwd=3)

10

15

20

Mois

par une moyenne mobile (verte) arithmetique

F IGURE: La serie
(noire) filtree
dordre 4
AZIZA BELMAATI (FSTM )

Series
chronologiques

29 / 65

Moyenne mobile

Effet dune moyenne mobile sur une composante


`
saisonniere

e
Propriet

`
les moyennes mobiles dune serie
soumise a` des variations saisonnieres
de

`
periode
p ne sont pas soumises a` ces variations saisonnieres
si leur ordre l

eralement

est egale
a` la periode
p, et plus gen
si leur ordre est un multiple de

la periode.
Conclusion

les moyennes mobiles dune serie


chronologique dont la tendance est lineaire
`

et les variations saisonnieres


sont de periode
p font apparatre la tendance et
`

disparatre les variations saisonnieres


si leur ordre l est egale
a` la periode
p.

AZIZA BELMAATI (FSTM )

Series
chronologiques

30 / 65

Moyenne mobile

Effet dune moyenne mobile sur une composante


`
saisonniere

e
Propriet

`
les moyennes mobiles dune serie
soumise a` des variations saisonnieres
de

`
periode
p ne sont pas soumises a` ces variations saisonnieres
si leur ordre l

eralement

est egale
a` la periode
p, et plus gen
si leur ordre est un multiple de

la periode.
Conclusion

les moyennes mobiles dune serie


chronologique dont la tendance est lineaire
`

et les variations saisonnieres


sont de periode
p font apparatre la tendance et
`

disparatre les variations saisonnieres


si leur ordre l est egale
a` la periode
p.

AZIZA BELMAATI (FSTM )

Series
chronologiques

30 / 65

Moyenne mobile

Effet dune moyenne mobile sur une composante


`
saisonniere
Exemple1
>
>
>
>
>
>

par(mfrow=c(2,2))
mmseri=filter(ser,filter=c(1/8,1/4,1/4,1/4,1/8))
plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
lines(mmseri,col="green",lwd=3)
plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
lines(mmseri3,col="green",lwd=3)

> mmseri5=filter(ser,filter=c(1/5,1/5,1/5,1/5,1/5))
> plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
> lines(mmseri5,col="green",lwd=3)

> mmseri12=filter(ser,filter=c(1/24,rep(1/12,11),1/24))
> plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
> lines(mmseri12,col="green",lwd=3)
AZIZA BELMAATI (FSTM )

Series
chronologiques

31 / 65

Moyenne mobile

Effet dune moyenne mobile sur une composante


`
saisonniere
Exemple1
>
>
>
>
>
>

par(mfrow=c(2,2))
mmseri=filter(ser,filter=c(1/8,1/4,1/4,1/4,1/8))
plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
lines(mmseri,col="green",lwd=3)
plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
lines(mmseri3,col="green",lwd=3)

> mmseri5=filter(ser,filter=c(1/5,1/5,1/5,1/5,1/5))
> plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
> lines(mmseri5,col="green",lwd=3)

> mmseri12=filter(ser,filter=c(1/24,rep(1/12,11),1/24))
> plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
> lines(mmseri12,col="green",lwd=3)
AZIZA BELMAATI (FSTM )

Series
chronologiques

31 / 65

Moyenne mobile

Effet dune moyenne mobile sur une composante


`
saisonniere
Exemple1
>
>
>
>
>
>

par(mfrow=c(2,2))
mmseri=filter(ser,filter=c(1/8,1/4,1/4,1/4,1/8))
plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
lines(mmseri,col="green",lwd=3)
plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
lines(mmseri3,col="green",lwd=3)

> mmseri5=filter(ser,filter=c(1/5,1/5,1/5,1/5,1/5))
> plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
> lines(mmseri5,col="green",lwd=3)

> mmseri12=filter(ser,filter=c(1/24,rep(1/12,11),1/24))
> plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
> lines(mmseri12,col="green",lwd=3)
AZIZA BELMAATI (FSTM )

Series
chronologiques

31 / 65

Moyenne mobile

Effet dune moyenne mobile sur une composante


`
saisonniere
Exemple1

Observations

90
5

10

15

20

10

15

20

Observations

90

100 110 120 130 140

Mois

moyenne mobile d'ordre 12

100 110 120 130 140

Mois

moyenne mobile d'ordre 5

90

Observations

100 110 120 130 140

moyenne mobile d'ordre 3

90

Observations

100 110 120 130 140

moyenne mobile d'ordre 4

10

15

20

Mois

AZIZA BELMAATI (FSTM )

10

15

20

Mois

Series
chronologiques

32 / 65

Moyenne mobile

Modelisation
et desaisonnalisation
` additif
Cas du modele

ft , des
La serie
chronologique xt se decompose
en une tendance notee
`

variations saisonnieres
st de periode
p (egale
a` s1 , . . . , sp ) et dune

`
composante accidentelle (irreguli
ere)
et :
pour tout t = 1, . . . , T

xt = ft + st + et

Remarque : La t ieme
observation, xt , correspond a` la valeur de la serie
`
`
i
eme
i
eme

Cette relation peut etre

periode
du i
annee.
exprimee
pendant la j
par
t = (i 1)p + j
` additif sexprime donc en gen
eral
de la facon suivante :
Le modele
pour tout i = 1, . . . , n

pour tout j = 1, . . . , p

xij = fij + sj + eij

n represente
le nombre dannee.
coefficients saisonniers du modele
` additif.
Les termes sj sont appeles
AZIZA BELMAATI (FSTM )

Series
chronologiques

33 / 65

Moyenne mobile

Modelisation
et desaisonnalisation
` additif
Cas du modele

ft , des
La serie
chronologique xt se decompose
en une tendance notee
`

variations saisonnieres
st de periode
p (egale
a` s1 , . . . , sp ) et dune

`
composante accidentelle (irreguli
ere)
et :
pour tout t = 1, . . . , T

xt = ft + st + et

observation, xt , correspond a` la valeur de la serie


Remarque : La t ieme
`
`
i
eme
i
eme

Cette relation peut etre

pendant la j
periode
du i
annee.
exprimee
par
t = (i 1)p + j
` additif sexprime donc en gen
eral
de la facon suivante :
Le modele
pour tout i = 1, . . . , n

pour tout j = 1, . . . , p

xij = fij + sj + eij

n represente
le nombre dannee.
coefficients saisonniers du modele
` additif.
Les termes sj sont appeles
AZIZA BELMAATI (FSTM )

Series
chronologiques

33 / 65

Moyenne mobile

Modelisation
et desaisonnalisation
` additif
Cas du modele

ft , des
La serie
chronologique xt se decompose
en une tendance notee
`

variations saisonnieres
st de periode
p (egale
a` s1 , . . . , sp ) et dune

`
composante accidentelle (irreguli
ere)
et :
pour tout t = 1, . . . , T

xt = ft + st + et

observation, xt , correspond a` la valeur de la serie


Remarque : La t ieme
`
`
i
eme
i
eme

Cette relation peut etre

pendant la j
periode
du i
annee.
exprimee
par
t = (i 1)p + j
` additif sexprime donc en gen
eral
de la facon suivante :
Le modele
pour tout i = 1, . . . , n

pour tout j = 1, . . . , p

xij = fij + sj + eij

n represente
le nombre dannee.
coefficients saisonniers du modele
` additif.
Les termes sj sont appeles
AZIZA BELMAATI (FSTM )

Series
chronologiques

33 / 65

Moyenne mobile

Modelisation
et desaisonnalisation
` additif
Cas du modele

La difference
entre lobservation et la tendance est :
pour tout i = 1, . . . , n

pour tout j = 1, . . . , p

xij fij = sj + eij

` peut etre

Ce modele
approxime par :
pour tout i = 1, . . . , n

pour tout j = 1, . . . , p

xij Mp fij sj

Exemple1

Difference
entre les observations et la moyenne mobile dordre 4 de la serie
> seri-t(matrix(mmseri,4,6))
trimestre1 trimestre2 trimestre3 trimestre4
Ann
ee1
NA
NA
5.509125
9.71600
Ann
ee2 -8.943875 -6.860500
5.450375
10.72362
Ann
ee3 -10.057625 -5.282500
5.282000
9.62175
Ann
ee4 -10.155250 -4.939375
5.754375
10.28575
Ann
ee5 -11.612375 -4.955375
5.992625
10.34012
Ann
ee6 -10.679125 -5.330625
NA
NA
AZIZA BELMAATI (FSTM )

Series
chronologiques

34 / 65

Moyenne mobile

Modelisation
et desaisonnalisation
` additif
Cas du modele

La difference
entre lobservation et la tendance est :
pour tout i = 1, . . . , n

pour tout j = 1, . . . , p

xij fij = sj + eij

` peut etre

Ce modele
approxime par :
pour tout i = 1, . . . , n

pour tout j = 1, . . . , p

xij Mp fij sj

Exemple1

Difference
entre les observations et la moyenne mobile dordre 4 de la serie
> seri-t(matrix(mmseri,4,6))
trimestre1 trimestre2 trimestre3 trimestre4
Ann
ee1
NA
NA
5.509125
9.71600
Ann
ee2 -8.943875 -6.860500
5.450375
10.72362
Ann
ee3 -10.057625 -5.282500
5.282000
9.62175
Ann
ee4 -10.155250 -4.939375
5.754375
10.28575
Ann
ee5 -11.612375 -4.955375
5.992625
10.34012
Ann
ee6 -10.679125 -5.330625
NA
NA
AZIZA BELMAATI (FSTM )

Series
chronologiques

34 / 65

Moyenne mobile

Modelisation
et desaisonnalisation
` additif
Cas du modele

La difference
entre lobservation et la tendance est :
pour tout i = 1, . . . , n

pour tout j = 1, . . . , p

xij fij = sj + eij

` peut etre

Ce modele
approxime par :
pour tout i = 1, . . . , n

pour tout j = 1, . . . , p

xij Mp fij sj

Exemple1

Difference
entre les observations et la moyenne mobile dordre 4 de la serie
> seri-t(matrix(mmseri,4,6))
trimestre1 trimestre2 trimestre3 trimestre4
Ann
ee1
NA
NA
5.509125
9.71600
Ann
ee2 -8.943875 -6.860500
5.450375
10.72362
Ann
ee3 -10.057625 -5.282500
5.282000
9.62175
Ann
ee4 -10.155250 -4.939375
5.754375
10.28575
Ann
ee5 -11.612375 -4.955375
5.992625
10.34012
Ann
ee6 -10.679125 -5.330625
NA
NA
AZIZA BELMAATI (FSTM )

Series
chronologiques

34 / 65

Moyenne mobile

Modelisation
et desaisonnalisation
` additif
Cas du modele

Les difference
xij Mp fij sont donc des approximations des coefficients sj .

`
Leur moyenne (ou leur mediane),
pour chaque colonne j, donne une premiere
estimation
n
1X
sj0 =
(xij Mp fij )
n
i=1

On obtient enfin les estimations definitives


des sj en centrant ces termes sj0 :
pour tout j = 1, . . . , p

sj = sj0 ms0

avec

ms 0 =

1 0
(s + + sp0 )
p 1

Exemple1
s10 = 10.28965; s20 = 5.473675; s30 = 5.5977; s40 = 10.13745
La moyenne des sj0 est : ms0 = 0.00704375

Les estimations definitives


des sj :
s1 = 10.28261; s2 = 5.466631; s3 = 5.604744; s4 = 10.14449
AZIZA BELMAATI (FSTM )

Series
chronologiques

35 / 65

Moyenne mobile

Modelisation
et desaisonnalisation
` additif
Cas du modele

Les difference
xij Mp fij sont donc des approximations des coefficients sj .

`
Leur moyenne (ou leur mediane),
pour chaque colonne j, donne une premiere
estimation
n
1X
sj0 =
(xij Mp fij )
n
i=1

On obtient enfin les estimations definitives


des sj en centrant ces termes sj0 :
pour tout j = 1, . . . , p

sj = sj0 ms0

avec

ms 0 =

1 0
(s + + sp0 )
p 1

Exemple1
s10 = 10.28965; s20 = 5.473675; s30 = 5.5977; s40 = 10.13745
La moyenne des sj0 est : ms0 = 0.00704375

Les estimations definitives


des sj :
s1 = 10.28261; s2 = 5.466631; s3 = 5.604744; s4 = 10.14449
AZIZA BELMAATI (FSTM )

Series
chronologiques

35 / 65

Moyenne mobile

Modelisation
et desaisonnalisation
` additif
Cas du modele

` estimation (lissage) par moyenne mobile est donnee


par
La Serie
apres
xt = Mp fij + Mpsij
Exemple1

AZIZA BELMAATI (FSTM )

Series
chronologiques

36 / 65

Moyenne mobile

Modelisation
et desaisonnalisation
` additif
Cas du modele

` estimation (lissage) par moyenne mobile est donnee


par
La Serie
apres
xt = Mp fij + Mpsij
Exemple1

ser

90

100

110

120

130

La srie estime

10

15

20

Index

AZIZA BELMAATI (FSTM )

Series
chronologiques

36 / 65

Moyenne mobile

Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele

` multiplicatif
Pour t = (i 1)p + j, i = 1, . . . , n; j = 1, . . . , p Le modele
eral
de la facon suivante :
sexprime donc en gen
pour tout i = 1, . . . , n

pour tout j = 1, . . . , p

xij = fij (1 + sj ) + eij

n represente
le nombre dannee.
coefficients saisonniers du modele
` multiplicatif.
Les termes sj sont appeles
`
` les rapports xij /fij :
Pour quantifier les variations saisonniere,
on considere
pour tout i = 1, . . . , n

pour tout j = 1, . . . , p

xij /fij = 1 + sj + eij /fij

Ce qui conduit a` une approximation de 1 + sj tel que :


pour tout i = 1, . . . , n

AZIZA BELMAATI (FSTM )

pour tout j = 1, . . . , p

Series
chronologiques

xij /Mp fij 1 + sj = Sj

37 / 65

Moyenne mobile

Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele

` multiplicatif
Pour t = (i 1)p + j, i = 1, . . . , n; j = 1, . . . , p Le modele
eral
de la facon suivante :
sexprime donc en gen
pour tout i = 1, . . . , n

pour tout j = 1, . . . , p

xij = fij (1 + sj ) + eij

n represente
le nombre dannee.
coefficients saisonniers du modele
` multiplicatif.
Les termes sj sont appeles
`
` les rapports xij /fij :
Pour quantifier les variations saisonniere,
on considere
pour tout i = 1, . . . , n

pour tout j = 1, . . . , p

xij /fij = 1 + sj + eij /fij

Ce qui conduit a` une approximation de 1 + sj tel que :


pour tout i = 1, . . . , n

AZIZA BELMAATI (FSTM )

pour tout j = 1, . . . , p

Series
chronologiques

xij /Mp fij 1 + sj = Sj

37 / 65

Moyenne mobile

Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele

` multiplicatif
Pour t = (i 1)p + j, i = 1, . . . , n; j = 1, . . . , p Le modele
eral
de la facon suivante :
sexprime donc en gen
pour tout i = 1, . . . , n

pour tout j = 1, . . . , p

xij = fij (1 + sj ) + eij

n represente
le nombre dannee.
coefficients saisonniers du modele
` multiplicatif.
Les termes sj sont appeles
`
` les rapports xij /fij :
Pour quantifier les variations saisonniere,
on considere
pour tout i = 1, . . . , n

pour tout j = 1, . . . , p

xij /fij = 1 + sj + eij /fij

Ce qui conduit a` une approximation de 1 + sj tel que :


pour tout i = 1, . . . , n

AZIZA BELMAATI (FSTM )

pour tout j = 1, . . . , p

Series
chronologiques

xij /Mp fij 1 + sj = Sj

37 / 65

Moyenne mobile

Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele

Exemple2
` la serie

On considere
chronologique ci-dessous :
> serm
Ann
ee1
Ann
ee2
Ann
ee3
Ann
ee4
Ann
ee5
Ann
ee6

trimestre1 trimestre2 trimestre3 trimestre4


224.3705
253.2811
201.2421
248.9411
274.3802
300.1641
248.9038
298.4386
331.9657
371.4032
303.4313
365.9029
406.6326
437.9967
361.5774
444.8447
488.4166
536.5268
435.5698
549.3614
598.0016
659.2896
533.2156
669.2675

AZIZA BELMAATI (FSTM )

Series
chronologiques

38 / 65

Moyenne mobile

Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele

Exemple2
` la serie

On considere
chronologique ci-dessous :
> serm
Ann
ee1
Ann
ee2
Ann
ee3
Ann
ee4
Ann
ee5
Ann
ee6

trimestre1 trimestre2 trimestre3 trimestre4


224.3705
253.2811
201.2421
248.9411
274.3802
300.1641
248.9038
298.4386
331.9657
371.4032
303.4313
365.9029
406.6326
437.9967
361.5774
444.8447
488.4166
536.5268
435.5698
549.3614
598.0016
659.2896
533.2156
669.2675

AZIZA BELMAATI (FSTM )

Series
chronologiques

38 / 65

Moyenne mobile

Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele

Exemple2

Observations

200

300

400

500

600

Moyenne mobile d'ordre 4 et la srie brute

10

15

20

Mois

AZIZA BELMAATI (FSTM )

Series
chronologiques

39 / 65

Moyenne mobile

Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele

Exemple2

> mmserm=filter(as.vector(t(serm)),filter=c(1/8,1/4,1/4,1/4,
[,1]
[,2]
[,3]
[,4]
[1,]
NA
NA 238.2099 250.3215
[2,] 262.1396 274.2845 287.6699 303.7729
[3,] 319.4938 334.7427 352.5091 370.1667
[4,] 385.7591 402.8951 422.9858 445.5251
[5,] 467.0904 489.4041 516.1668 545.2102
[6,] 572.7613 599.9553
NA
NA
> serm/t(matrix(as.vector(mmserm),4))
trimestre1 trimestre2 trimestre3 trimestre4
Ann
ee1
NA
NA 0.8448099 0.9944855
Ann
ee2
1.046695
1.094353 0.8652411 0.9824397
Ann
ee3
1.039037
1.109518 0.8607757 0.9884814
Ann
ee4
1.054110
1.087123 0.8548215 0.9984728
Ann
ee5
1.045657
1.096286 0.8438548 1.0076139
Ann
ee6
1.044068
1.098898
NA
NA
AZIZA BELMAATI (FSTM )

Series
chronologiques

40 / 65

Moyenne mobile

Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele

`
On obtient des premieres
estimations Sj0 des coefficients saisonniers en

calculant la moyenne (ou la mediane)


des rapports figurant dans chaque
` additif,
colonne. Par analogie avec les coefficients saisonniers sj du modele

dont la moyenne est egale


a` 0, on cherche des estimations definitives
Sj de
moyenne 1 :
Pn
1
On calcule Sj0 = n1 i=1 (xij /Mp fij ) On obtient
2

On calcule la moyenne ms0 = p1 (S10 + + Sp0 )

on pose Sj = Sj0 /ms0

Exemple2
S10 = 1.046695 ;S20 = 1.097236 ;S30 = 0.8539006 ;S40 = 0.9942987 avec
ms0 = 0.9980326

Les valeurs definitives


sont obtenues de facon que les Sj0 soient de moyenne
1:
S1 = 1.0487583 ;S2 = 1.0993990 ;S3 = 0.8555839 ;S4 = 0.9962587
AZIZA BELMAATI (FSTM )

Series
chronologiques

41 / 65

Moyenne mobile

Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele

`
On obtient des premieres
estimations Sj0 des coefficients saisonniers en

calculant la moyenne (ou la mediane)


des rapports figurant dans chaque
` additif,
colonne. Par analogie avec les coefficients saisonniers sj du modele

dont la moyenne est egale


a` 0, on cherche des estimations definitives
Sj de
moyenne 1 :
Pn
1
On calcule Sj0 = n1 i=1 (xij /Mp fij ) On obtient
2

On calcule la moyenne ms0 = p1 (S10 + + Sp0 )

on pose Sj = Sj0 /ms0

Exemple2
S10 = 1.046695 ;S20 = 1.097236 ;S30 = 0.8539006 ;S40 = 0.9942987 avec
ms0 = 0.9980326

Les valeurs definitives


sont obtenues de facon que les Sj0 soient de moyenne
1:
S1 = 1.0487583 ;S2 = 1.0993990 ;S3 = 0.8555839 ;S4 = 0.9962587
AZIZA BELMAATI (FSTM )

Series
chronologiques

41 / 65

Moyenne mobile

Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele

`
On obtient des premieres
estimations Sj0 des coefficients saisonniers en

calculant la moyenne (ou la mediane)


des rapports figurant dans chaque
` additif,
colonne. Par analogie avec les coefficients saisonniers sj du modele

dont la moyenne est egale


a` 0, on cherche des estimations definitives
Sj de
moyenne 1 :
Pn
1
On calcule Sj0 = n1 i=1 (xij /Mp fij ) On obtient
2

On calcule la moyenne ms0 = p1 (S10 + + Sp0 )

on pose Sj = Sj0 /ms0

Exemple2
S10 = 1.046695 ;S20 = 1.097236 ;S30 = 0.8539006 ;S40 = 0.9942987 avec
ms0 = 0.9980326

Les valeurs definitives


sont obtenues de facon que les Sj0 soient de moyenne
1:
S1 = 1.0487583 ;S2 = 1.0993990 ;S3 = 0.8555839 ;S4 = 0.9962587
AZIZA BELMAATI (FSTM )

Series
chronologiques

41 / 65

Moyenne mobile

Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele

Exemple2

Observations

200

300

400

500

600

Modle multiplicatif

10

15

20

Mois

AZIZA BELMAATI (FSTM )

Series
chronologiques

42 / 65

Moyenne mobile

Prevision
Estimation de la tendance

on retranche lestimation de la
Une fois les coefficients saisonniers estimes,

serie
xt .

Definition
des variations saisonnieres
`

on appelle observation corrigee


la valeur, notee

xcvs,ij , obtenue en eliminant


leffet saisonnier sur la valeur xij . On a pour le
` additif
modele
xcvs,ij = xij sj
` multiplicatif
alors que pour le modele
xcvs,ij = xij /Sj
`

On procede
ensuite a` lestimation du terme representant
la tendance par la

methode
de regression.

AZIZA BELMAATI (FSTM )

Series
chronologiques

43 / 65

Moyenne mobile

Prevision
Estimation de la tendance

on retranche lestimation de la
Une fois les coefficients saisonniers estimes,

serie
xt .

Definition
des variations saisonnieres
`

on appelle observation corrigee


la valeur, notee

xcvs,ij , obtenue en eliminant


leffet saisonnier sur la valeur xij . On a pour le
` additif
modele
xcvs,ij = xij sj
` multiplicatif
alors que pour le modele
xcvs,ij = xij /Sj
`

On procede
ensuite a` lestimation du terme representant
la tendance par la

methode
de regression.

AZIZA BELMAATI (FSTM )

Series
chronologiques

43 / 65

Moyenne mobile

Prevision
Estimation de la tendance

on retranche lestimation de la
Une fois les coefficients saisonniers estimes,

serie
xt .

Definition
des variations saisonnieres
`

on appelle observation corrigee


la valeur, notee

xcvs,ij , obtenue en eliminant


leffet saisonnier sur la valeur xij . On a pour le
` additif
modele
xcvs,ij = xij sj
` multiplicatif
alors que pour le modele
xcvs,ij = xij /Sj
`

On procede
ensuite a` lestimation du terme representant
la tendance par la

methode
de regression.

AZIZA BELMAATI (FSTM )

Series
chronologiques

43 / 65

Moyenne mobile

Prevision

Exemple2
> ss
[1] 1.0487583 1.0993990 0.8555839 0.9962587
> reg=as.vector(t(serm))/rep(ss,6)
> lm(regseq(1:24))
Call:
lm(formula = reg seq(1:24))
Coefficients:
(Intercept)
160.97

AZIZA BELMAATI (FSTM )

seq(1:24)
19.01

Series
chronologiques

44 / 65

Moyenne mobile

Prevision

Afin de prevoir
les valeurs futures de la serie,
on utilise lestimation de la
`
ement,

tendance et celle de la composante saisonniere.


Plus precis
si on

`
`
souhaite prevoir une valeur de la serie a linstant T + h, ou` h 1, cest-a-dire
a` lhorizon h, on utilise on pose
T (h) = fT +h + Sj , T + h j[p]
X
Exemple3

On etudie
les ventes dun produit sur 3 annees.
2005

Trim
1
2
3
4

AZIZA BELMAATI (FSTM )

Ventes
860
794
1338
1148

2006

Trim
1
2
3
4

Ventes
1096
1021
1705
1505

Series
chronologiques

2007

Trim
1
2
3
4

Ventes
1436
1363
2319
2047

45 / 65

Moyenne mobile

Analyse des residus


` estime,
on peut controler

` par une
Une fois le modele
la pertinence du modele

analyse des residus


qui son dfinis par
t ft
t = Xt S
` est bon, il ne doit rester dans les residus

Si le modele
aucune trace du
saisonnier.

` le graphe dun
Pour le verifier,
on trace le correlogramme
des residus,
cad

estimateur de la fonction dautocorrelation.

Definition

On appelle fonction dautocovariance de X , la fonction definie


par
h Z :

(h) = cov (Xt , Xth )

Remarque
(0) = var (Xt )
(h) = (h)
AZIZA BELMAATI (FSTM )

Series
chronologiques

46 / 65

Moyenne mobile

Analyse des residus


` estime,
on peut controler

` par une
Une fois le modele
la pertinence du modele

analyse des residus


qui son dfinis par
t ft
t = Xt S
` est bon, il ne doit rester dans les residus

Si le modele
aucune trace du
saisonnier.

` le graphe dun
Pour le verifier,
on trace le correlogramme
des residus,
cad

estimateur de la fonction dautocorrelation.

Definition

On appelle fonction dautocovariance de X , la fonction definie


par
h Z :

(h) = cov (Xt , Xth )

Remarque
(0) = var (Xt )
(h) = (h)
AZIZA BELMAATI (FSTM )

Series
chronologiques

46 / 65

Moyenne mobile

Analyse des residus


` estime,
on peut controler

` par une
Une fois le modele
la pertinence du modele

analyse des residus


qui son dfinis par
t ft
t = Xt S
` est bon, il ne doit rester dans les residus

Si le modele
aucune trace du
saisonnier.

` le graphe dun
Pour le verifier,
on trace le correlogramme
des residus,
cad

estimateur de la fonction dautocorrelation.

Definition

On appelle fonction dautocovariance de X , la fonction definie


par
h Z :

(h) = cov (Xt , Xth )

Remarque
(0) = var (Xt )
(h) = (h)
AZIZA BELMAATI (FSTM )

Series
chronologiques

46 / 65

Moyenne mobile

Analyse des residus


` estime,
on peut controler

` par une
Une fois le modele
la pertinence du modele

analyse des residus


qui son dfinis par
t ft
t = Xt S
` est bon, il ne doit rester dans les residus

Si le modele
aucune trace du
saisonnier.

` le graphe dun
Pour le verifier,
on trace le correlogramme
des residus,
cad

estimateur de la fonction dautocorrelation.

Definition

On appelle fonction dautocovariance de X , la fonction definie


par
h Z :

(h) = cov (Xt , Xth )

Remarque
(0) = var (Xt )
(h) = (h)
AZIZA BELMAATI (FSTM )

Series
chronologiques

46 / 65

Moyenne mobile

Analyse des residus


` estime,
on peut controler

` par une
Une fois le modele
la pertinence du modele

analyse des residus


qui son dfinis par
t ft
t = Xt S
` est bon, il ne doit rester dans les residus

Si le modele
aucune trace du
saisonnier.

` le graphe dun
Pour le verifier,
on trace le correlogramme
des residus,
cad

estimateur de la fonction dautocorrelation.

Definition

On appelle fonction dautocovariance de X , la fonction definie


par
h Z :

(h) = cov (Xt , Xth )

Remarque
(0) = var (Xt )
(h) = (h)
AZIZA BELMAATI (FSTM )

Series
chronologiques

46 / 65

Moyenne mobile

Analyse des residus

Definition

On appelle fonction dautocorrelation


de X , la fonction definie
par
h Z :

(h) = p

cov (Xt , Xth )


var (Xt )var (Xth )

(h)
(0)

Remarque
1

(h) est une mesure de la dependance


de la valeur X en une date par
ee
de h intervalles de temps.
rapport a` sa valeur en une date decal
2
(0) = 1
3
1 (h) 1

Definition

La fonction dautocorrelation
empirique de la serie
Xt est definie
par
PT
(h) =
AZIZA BELMAATI (FSTM )

t=h+1 (Xt X )(Xth


PT
2
t=1 (Xt X )

Series
chronologiques

)
X

47 / 65

Moyenne mobile

Analyse des residus

Definition

On appelle fonction dautocorrelation


de X , la fonction definie
par
h Z :

(h) = p

cov (Xt , Xth )


var (Xt )var (Xth )

(h)
(0)

Remarque
1

(h) est une mesure de la dependance


de la valeur X en une date par
ee
de h intervalles de temps.
rapport a` sa valeur en une date decal
2
(0) = 1
3
1 (h) 1

Definition

La fonction dautocorrelation
empirique de la serie
Xt est definie
par
PT
(h) =
AZIZA BELMAATI (FSTM )

t=h+1 (Xt X )(Xth


PT
2
t=1 (Xt X )

Series
chronologiques

)
X

47 / 65

Moyenne mobile

Analyse des residus

Definition

On appelle fonction dautocorrelation


de X , la fonction definie
par
h Z :

(h) = p

cov (Xt , Xth )


var (Xt )var (Xth )

(h)
(0)

Remarque
1

(h) est une mesure de la dependance


de la valeur X en une date par
ee
de h intervalles de temps.
rapport a` sa valeur en une date decal
2
(0) = 1
3
1 (h) 1

Definition

La fonction dautocorrelation
empirique de la serie
Xt est definie
par
PT
(h) =
AZIZA BELMAATI (FSTM )

t=h+1 (Xt X )(Xth


PT
2
t=1 (Xt X )

Series
chronologiques

)
X

47 / 65

Moyenne mobile

Analyse des residus

Definition

On appelle fonction dautocorrelation


de X , la fonction definie
par
h Z :

(h) = p

cov (Xt , Xth )


var (Xt )var (Xth )

(h)
(0)

Remarque
1

(h) est une mesure de la dependance


de la valeur X en une date par
ee
de h intervalles de temps.
rapport a` sa valeur en une date decal
2
(0) = 1
3
1 (h) 1

Definition

La fonction dautocorrelation
empirique de la serie
Xt est definie
par
PT
(h) =
AZIZA BELMAATI (FSTM )

t=h+1 (Xt X )(Xth


PT
2
t=1 (Xt X )

Series
chronologiques

)
X

47 / 65

Moyenne mobile

Analyse des residus

Definition

On appelle fonction dautocorrelation


de X , la fonction definie
par
h Z :

(h) = p

cov (Xt , Xth )


var (Xt )var (Xth )

(h)
(0)

Remarque
1

(h) est une mesure de la dependance


de la valeur X en une date par
ee
de h intervalles de temps.
rapport a` sa valeur en une date decal
2
(0) = 1
3
1 (h) 1

Definition

La fonction dautocorrelation
empirique de la serie
Xt est definie
par
PT
(h) =
AZIZA BELMAATI (FSTM )

t=h+1 (Xt X )(Xth


PT
2
t=1 (Xt X )

Series
chronologiques

)
X

47 / 65

Moyenne mobile

Analyse des residus

Definition

On appelle fonction dautocorrelation


de X , la fonction definie
par
h Z :

(h) = p

cov (Xt , Xth )


var (Xt )var (Xth )

(h)
(0)

Remarque
1

(h) est une mesure de la dependance


de la valeur X en une date par
ee
de h intervalles de temps.
rapport a` sa valeur en une date decal
2
(0) = 1
3
1 (h) 1

Definition

La fonction dautocorrelation
empirique de la serie
Xt est definie
par
PT
(h) =
AZIZA BELMAATI (FSTM )

t=h+1 (Xt X )(Xth


PT
2
t=1 (Xt X )

Series
chronologiques

)
X

47 / 65

Moyenne mobile

Effet dune moyenne mobile sur les residus

e
Propriet

Les moyennes mobile arithmetiques


dordre minimise la variance dun bruit
blanc, et on a pour une moyenne mobile dordre 2m + 1 :
 2m+1h
pour h 2m
2m+1
(h) =
0
pour h > 2m

AZIZA BELMAATI (FSTM )

Series
chronologiques

48 / 65


Prevision
par lissage exponentiel

Plan
1

Introduction

Les composantes dune serie


chronologique

Analyse de la tendance

Moyenne mobile

Prevision
par lissage exponentiel

Prevision
par la methode
de Holt-Winters

AZIZA BELMAATI (FSTM )

Series
chronologiques

49 / 65


Prevision
par lissage exponentiel

Lissage exponentiel simple

Definition
T (h), fornie par la methode

La prevision
de la serie
a` lhorizon h, X
de lissage
par
exponentiel simple est donnee
T (h) = (1 )
X

T
1
X

j XT j

j=0

ou` [0, 1] est la constante de lissage.

Ce lissage permet deffectuer des previsions


pour des series
dont la tendance

est constante et sans saisonnalite.

AZIZA BELMAATI (FSTM )

Series
chronologiques

50 / 65


Prevision
par lissage exponentiel

Lissage exponentiel simple

Definition
T (h), fornie par la methode

La prevision
de la serie
a` lhorizon h, X
de lissage
par
exponentiel simple est donnee
T (h) = (1 )
X

T
1
X

j XT j

j=0

ou` [0, 1] est la constante de lissage.

Ce lissage permet deffectuer des previsions


pour des series
dont la tendance

est constante et sans saisonnalite.

AZIZA BELMAATI (FSTM )

Series
chronologiques

50 / 65


Prevision
par lissage exponentiel

Lissage exponentiel simple

Remarques
1

4
5

` fortement influencee

Si est est proche de 0, la prevision


est souple, cad

par les observations les plus recentes.

`
Dans le cas extreme
ou` = 0, la prevision
est alors egale
a` la derniere

valeur observee.

` fortement influencee

Si est est proche de 1, la prevision


est rigide, cad

par les observations passees.

dans le cas extreme


= 1, les previsions
sont identiques.

Afin dexclure les deux cas extreme,


pratiquement, on prend ]0, 1[

AZIZA BELMAATI (FSTM )

Series
chronologiques

51 / 65


Prevision
par lissage exponentiel

Lissage exponentiel simple

Remarques
1

4
5

` fortement influencee

Si est est proche de 0, la prevision


est souple, cad

par les observations les plus recentes.

`
Dans le cas extreme
ou` = 0, la prevision
est alors egale
a` la derniere

valeur observee.

` fortement influencee

Si est est proche de 1, la prevision


est rigide, cad

par les observations passees.

dans le cas extreme


= 1, les previsions
sont identiques.

Afin dexclure les deux cas extreme,


pratiquement, on prend ]0, 1[

AZIZA BELMAATI (FSTM )

Series
chronologiques

51 / 65


Prevision
par lissage exponentiel

Lissage exponentiel simple

Remarques
1

4
5

` fortement influencee

Si est est proche de 0, la prevision


est souple, cad

par les observations les plus recentes.

`
Dans le cas extreme
ou` = 0, la prevision
est alors egale
a` la derniere

valeur observee.

` fortement influencee

Si est est proche de 1, la prevision


est rigide, cad

par les observations passees.

dans le cas extreme


= 1, les previsions
sont identiques.

Afin dexclure les deux cas extreme,


pratiquement, on prend ]0, 1[

AZIZA BELMAATI (FSTM )

Series
chronologiques

51 / 65


Prevision
par lissage exponentiel

Lissage exponentiel simple

Remarques
1

4
5

` fortement influencee

Si est est proche de 0, la prevision


est souple, cad

par les observations les plus recentes.

`
Dans le cas extreme
ou` = 0, la prevision
est alors egale
a` la derniere

valeur observee.

` fortement influencee

Si est est proche de 1, la prevision


est rigide, cad

par les observations passees.

dans le cas extreme


= 1, les previsions
sont identiques.

Afin dexclure les deux cas extreme,


pratiquement, on prend ]0, 1[

AZIZA BELMAATI (FSTM )

Series
chronologiques

51 / 65


Prevision
par lissage exponentiel

Lissage exponentiel simple

Remarques
1

4
5

` fortement influencee

Si est est proche de 0, la prevision


est souple, cad

par les observations les plus recentes.

`
Dans le cas extreme
ou` = 0, la prevision
est alors egale
a` la derniere

valeur observee.

` fortement influencee

Si est est proche de 1, la prevision


est rigide, cad

par les observations passees.

dans le cas extreme


= 1, les previsions
sont identiques.

Afin dexclure les deux cas extreme,


pratiquement, on prend ]0, 1[

AZIZA BELMAATI (FSTM )

Series
chronologiques

51 / 65


Prevision
par lissage exponentiel

Lissage exponentiel simple

La prevision
a` lhorizon h, se fait a` laide de la formule dite formule recursive
par
de mise a` jour, donnee
T (h) = X
T 1 (h) + (1 )XT
X

Algorithme de L.E.S
1
2
3

On choisi une valeur initiale Xt (0) = X1 ou Xt (0) = (X1 + + Xl )/l


t = X
t1 (h) + (1 )Xt pour 0 t T
X
t1 = X
t pour t T + 1
X

Remarques

En pratique, si on souhaite faire une prevision


rigide on choisi [0.7, 0.99]

et si on souhaite une prevision


souple on choisi [0.01, 0.3].

AZIZA BELMAATI (FSTM )

Series
chronologiques

52 / 65


Prevision
par lissage exponentiel

Lissage exponentiel simple

La prevision
a` lhorizon h, se fait a` laide de la formule dite formule recursive
par
de mise a` jour, donnee
T (h) = X
T 1 (h) + (1 )XT
X

Algorithme de L.E.S
1
2
3

On choisi une valeur initiale Xt (0) = X1 ou Xt (0) = (X1 + + Xl )/l


t = X
t1 (h) + (1 )Xt pour 0 t T
X
t1 = X
t pour t T + 1
X

Remarques

En pratique, si on souhaite faire une prevision


rigide on choisi [0.7, 0.99]

et si on souhaite une prevision


souple on choisi [0.01, 0.3].

AZIZA BELMAATI (FSTM )

Series
chronologiques

52 / 65


Prevision
par lissage exponentiel

Lissage exponentiel simple

La prevision
a` lhorizon h, se fait a` laide de la formule dite formule recursive
par
de mise a` jour, donnee
T (h) = X
T 1 (h) + (1 )XT
X

Algorithme de L.E.S
1
2
3

On choisi une valeur initiale Xt (0) = X1 ou Xt (0) = (X1 + + Xl )/l


t = X
t1 (h) + (1 )Xt pour 0 t T
X
t1 = X
t pour t T + 1
X

Remarques

En pratique, si on souhaite faire une prevision


rigide on choisi [0.7, 0.99]

et si on souhaite une prevision


souple on choisi [0.01, 0.3].

AZIZA BELMAATI (FSTM )

Series
chronologiques

52 / 65


Prevision
par lissage exponentiel

Lissage exponentiel simple

La prevision
a` lhorizon h, se fait a` laide de la formule dite formule recursive
par
de mise a` jour, donnee
T (h) = X
T 1 (h) + (1 )XT
X

Algorithme de L.E.S
1
2
3

On choisi une valeur initiale Xt (0) = X1 ou Xt (0) = (X1 + + Xl )/l


t = X
t1 (h) + (1 )Xt pour 0 t T
X
t1 = X
t pour t T + 1
X

Remarques

En pratique, si on souhaite faire une prevision


rigide on choisi [0.7, 0.99]

et si on souhaite une prevision


souple on choisi [0.01, 0.3].

AZIZA BELMAATI (FSTM )

Series
chronologiques

52 / 65


Prevision
par lissage exponentiel

Lissage exponentiel simple

Lintervalle de confiance de la prevision


est de la forme
T (h) 1.96Ch
X
1
2
2
2
ou` Ch2 = 1 + 1+
2 [(1 + 4 + 5 ) + 2h(1 )(1 + 3) + 2h (1 )]
Exemple

Considerons
une serie
de vente dune entreprise, sur 16 mois

> vente=c(1293,1209,1205,1273,1220,1290,1243,1203,1390,
1360,1353,1343,1364,1330,1377,1332)
> vente=ts(vente,start=c(1998,1),frequency=12)
> vente
Jan Feb Mar Apr May Jun Jul Aug Sep Oct
1998 1293 1209 1205 1273 1220 1290 1243 1203 1390 1360
1999 1364 1330 1377 1332
Nov Dec
1998 1353 1343
1999
AZIZA BELMAATI (FSTM )

Series
chronologiques

53 / 65


Prevision
par lissage exponentiel

Lissage exponentiel simple

Lintervalle de confiance de la prevision


est de la forme
T (h) 1.96Ch
X
1
2
2
2
ou` Ch2 = 1 + 1+
2 [(1 + 4 + 5 ) + 2h(1 )(1 + 3) + 2h (1 )]
Exemple

Considerons
une serie
de vente dune entreprise, sur 16 mois

> vente=c(1293,1209,1205,1273,1220,1290,1243,1203,1390,
1360,1353,1343,1364,1330,1377,1332)
> vente=ts(vente,start=c(1998,1),frequency=12)
> vente
Jan Feb Mar Apr May Jun Jul Aug Sep Oct
1998 1293 1209 1205 1273 1220 1290 1243 1203 1390 1360
1999 1364 1330 1377 1332
Nov Dec
1998 1353 1343
1999
AZIZA BELMAATI (FSTM )

Series
chronologiques

53 / 65


Prevision
par lissage exponentiel

Lissage exponentiel simple


Exemple

1300
1200

1250

vente

1350

> plot.ts(vente,lwd=3)

1998.0

1998.2

1998.4

1998.6

1998.8

1999.0

1999.2

Time

AZIZA BELMAATI (FSTM )

Series
chronologiques

54 / 65


Prevision
par lissage exponentiel

Lissage exponentiel simple

Exemple

On note y1 , . . . , y2 la serie
lissee.
Mise a` jour de lalgorithme :
1
` valeur (T = 0), on considere
` comme valeur initiale une
Pour la premiere
` valeurs observees
ou egale

moyenne des premiere


a` y1 .
2

a` fixe,
on utilise la relation de mise a` jour
Pour construire la serie
lissee,
yj = (1 )yj + yj1
> ventep=c(vente[1],rep(0,15))
> for(j in 2:16)
+ {ventep[j]=0.7*vente[j]+0.3*ventep[j-1]}

AZIZA BELMAATI (FSTM )

Series
chronologiques

55 / 65


Prevision
par lissage exponentiel

Lissage exponentiel simple


Exemple

1300
1200

1250

vente

1350

> ventp=ts(ventep,start=c(1998,1),frequency=12)
> plot.ts(vente,lwd=3)
> lines(ventp,col="red",lwd=3)

1998.0

1998.2

1998.4

1998.6

1998.8

1999.0

1999.2

Time

AZIZA BELMAATI (FSTM )

Series
chronologiques

56 / 65


Prevision
par lissage exponentiel

Lissage exponentiel double

Definition
T (h), fournie par la methode

La prevision
de la serie
a` lhorizon h, X
de lissage
par
exponentiel double est donnee
T (h) = b
T h + a
T
X
T ) est donnee
T , b
par
ou` le couple (a


T = 1 (S1 (T ) S2 (T ))
b

T = 2S1 (T ) S2 (T )
a

avec [0, 1] est la constante de lissage.


Remarques
T dependent
T et b

Les expressions a
de S1 et S2 qui sont respectivement le

lissage exponentiel simple de la serie


initiale et le lissage exponentiel simple

de la serie
lissee.
AZIZA BELMAATI (FSTM )

Series
chronologiques

57 / 65


Prevision
par lissage exponentiel

Lissage exponentiel double


eralise

du lissage exponentiel simple au cas ou la serie

Ce lissage gen
lidee
a

La prevision

une la tendance lineaire


et sans saisonnalite.
a` lhorizon h, se fait

par
a` laide de la formule dite formule recursive
de mise a` jour, donnee
T 1 (1)) + a
T
T + b
T = (1 2 )(XT X
a
2

bT = bT 1 + (1 )(XT XT 1 (1))
Algorithme de L.E.D
1
2

t (0) = (Xt Xl )/t0


t (0) = X1 et b
On choisi une valeur initiale a
0
t1 ] avec = 1 2
t = Xt + (1 )[a
t1 + b
a

t = [a
t1 avec =
t a
t1 ] + (1 )b
b

t = at + b
t
X

AZIZA BELMAATI (FSTM )

Series
chronologiques

1
1+

58 / 65


Prevision
par lissage exponentiel

Lissage exponentiel double


eralise

du lissage exponentiel simple au cas ou la serie

Ce lissage gen
lidee
a

La prevision

une la tendance lineaire


et sans saisonnalite.
a` lhorizon h, se fait

par
a` laide de la formule dite formule recursive
de mise a` jour, donnee
T 1 (1)) + a
T
T + b
T = (1 2 )(XT X
a
2

bT = bT 1 + (1 )(XT XT 1 (1))
Algorithme de L.E.D
1
2

t (0) = (Xt Xl )/t0


t (0) = X1 et b
On choisi une valeur initiale a
0
t1 ] avec = 1 2
t = Xt + (1 )[a
t1 + b
a

t = [a
t1 avec =
t a
t1 ] + (1 )b
b

t = at + b
t
X

AZIZA BELMAATI (FSTM )

Series
chronologiques

1
1+

58 / 65


Prevision
par lissage exponentiel

Lissage exponentiel double


eralise

du lissage exponentiel simple au cas ou la serie

Ce lissage gen
lidee
a

La prevision

une la tendance lineaire


et sans saisonnalite.
a` lhorizon h, se fait

par
a` laide de la formule dite formule recursive
de mise a` jour, donnee
T 1 (1)) + a
T
T + b
T = (1 2 )(XT X
a
2

bT = bT 1 + (1 )(XT XT 1 (1))
Algorithme de L.E.D
1
2

t (0) = (Xt Xl )/t0


t (0) = X1 et b
On choisi une valeur initiale a
0
t1 ] avec = 1 2
t = Xt + (1 )[a
t1 + b
a

t = [a
t1 avec =
t a
t1 ] + (1 )b
b

t = at + b
t
X

AZIZA BELMAATI (FSTM )

Series
chronologiques

1
1+

58 / 65


Prevision
par lissage exponentiel

Lissage exponentiel double


eralise

du lissage exponentiel simple au cas ou la serie

Ce lissage gen
lidee
a

La prevision

une la tendance lineaire


et sans saisonnalite.
a` lhorizon h, se fait

par
a` laide de la formule dite formule recursive
de mise a` jour, donnee
T 1 (1)) + a
T
T + b
T = (1 2 )(XT X
a
2

bT = bT 1 + (1 )(XT XT 1 (1))
Algorithme de L.E.D
1
2

t (0) = (Xt Xl )/t0


t (0) = X1 et b
On choisi une valeur initiale a
0
t1 ] avec = 1 2
t = Xt + (1 )[a
t1 + b
a

t = [a
t1 avec =
t a
t1 ] + (1 )b
b

t = at + b
t
X

AZIZA BELMAATI (FSTM )

Series
chronologiques

1
1+

58 / 65


Prevision
par lissage exponentiel

Lissage exponentiel double


eralise

du lissage exponentiel simple au cas ou la serie

Ce lissage gen
lidee
a

La prevision

une la tendance lineaire


et sans saisonnalite.
a` lhorizon h, se fait

par
a` laide de la formule dite formule recursive
de mise a` jour, donnee
T 1 (1)) + a
T
T + b
T = (1 2 )(XT X
a
2

bT = bT 1 + (1 )(XT XT 1 (1))
Algorithme de L.E.D
1
2

t (0) = (Xt Xl )/t0


t (0) = X1 et b
On choisi une valeur initiale a
0
t1 ] avec = 1 2
t = Xt + (1 )[a
t1 + b
a

t = [a
t1 avec =
t a
t1 ] + (1 )b
b

t = at + b
t
X

AZIZA BELMAATI (FSTM )

Series
chronologiques

1
1+

58 / 65


Prevision
par lissage exponentiel

Lissage exponentiel double


eralise

du lissage exponentiel simple au cas ou la serie

Ce lissage gen
lidee
a

La prevision

une la tendance lineaire


et sans saisonnalite.
a` lhorizon h, se fait

par
a` laide de la formule dite formule recursive
de mise a` jour, donnee
T 1 (1)) + a
T
T + b
T = (1 2 )(XT X
a
2

bT = bT 1 + (1 )(XT XT 1 (1))
Algorithme de L.E.D
1
2

t (0) = (Xt Xl )/t0


t (0) = X1 et b
On choisi une valeur initiale a
0
t1 ] avec = 1 2
t = Xt + (1 )[a
t1 + b
a

t = [a
t1 avec =
t a
t1 ] + (1 )b
b

t = at + b
t
X

AZIZA BELMAATI (FSTM )

Series
chronologiques

1
1+

58 / 65


Prevision
par lissage exponentiel

Lissage exponentiel double

Lintervalle de confiance
de prevision
est donne par
q
2

XT (h) 1.96 +1
Exemple
` la serie

On considere
suivante, correspondante a` un indice dactivite

> indice=c(9050,9380,9378,9680,10100,10160,10469,10738,10910
11058,11016,10869,11034,11135,10845,11108,11115,11424,10895,
11437,11352,11381,11401,11507,11453,11561)
> indice=ts(indice,start=c(1982,2),frequency=4)
> indice
Qtr1 Qtr2 Qtr3 Qtr4
1982
9050 9380 9378
1983 9680 10100 10160 10469
1984 10738 10910 11058 11016
1985 10869 11034 11135 10845
1986 11108 11115 11424 10895
1987 11437 11352 11381 11401
1988 11507 11453 11561
AZIZA BELMAATI (FSTM )

Series
chronologiques

59 / 65


Prevision
par lissage exponentiel

Lissage exponentiel double

9000

9500

10000

indice

10500

11000

11500

Exemple

1982

1983

1984

1985

1986

1987

1988

Time

AZIZA BELMAATI (FSTM )

Series
chronologiques

60 / 65


Prevision
par lissage exponentiel

Lissage exponentiel double : Exemple

9500

10000

indice

10500

11000

11500

> iindice=c(indice[1],rep(0,25))
> pindice=c((indice[10]-indice[1])/10,rep(0,25))
> for(j in 2:26){
iindice[j]=(1-0.72)*indice[j]
+(0.72*(iindice[j-1]+pindice[j-1]))
pindice[j]=(0.3/1.3)*(iindice[j]-iindice[j-1])
+(1-(0.3/1.3))*pindice[j-1]}
> indicp=iindice+pindice

AZIZA BELMAATI (FSTM )

Series
chronologiques

61 / 65


Prevision
par lissage exponentiel

Lissage exponentiel double : Exemple

9500

10000

indice

10500

11000

11500

> iindice=c(indice[1],rep(0,25))
> pindice=c((indice[10]-indice[1])/10,rep(0,25))
> for(j in 2:26){
iindice[j]=(1-0.72)*indice[j]
+(0.72*(iindice[j-1]+pindice[j-1]))
pindice[j]=(0.3/1.3)*(iindice[j]-iindice[j-1])
+(1-(0.3/1.3))*pindice[j-1]}
> indicp=iindice+pindice

AZIZA BELMAATI (FSTM )

Series
chronologiques

61 / 65

Prevision
par la methode
de Holt-Winters

Plan
1

Introduction

Les composantes dune serie


chronologique

Analyse de la tendance

Moyenne mobile

Prevision
par lissage exponentiel

Prevision
par la methode
de Holt-Winters

AZIZA BELMAATI (FSTM )

Series
chronologiques

62 / 65

Prevision
par la methode
de Holt-Winters

La methode
de Holt-Winters

Cette methode
permet deffectuer des previsions
sur des series
assez

`
`
irreguli
eres
et soumises ou non a` des variations saisonnieres
selon un
` additif ou multiplicatif
modele

AZIZA BELMAATI (FSTM )

Series
chronologiques

63 / 65

Prevision
par la methode
de Holt-Winters

La methode
de Holt-Winters

`
La methode
non saisonniere

Holt et Winters ont propose une version des formules de mise a` jour pour le

lissage exponentiel double pour lequel les ponderations


dependent
de deux
`
parametres
:
T (1) X
T 1 (1)) + a
T = (1 )(X
T 1
a

bT = (1 )XT + (XT 1 (1) XT 1 (2))


ou` || < 1 et || < 1

par
La prevision
par cette methode
est donnee
T (h) = aT h + b
T
X
Remarque
` que la
On peut choisir les coefficients arbitrairement faibles si lon considere

valeur a` linstant t depend


dun grand nombre dobservations anterieures,
es
dans le cas contraire.
elev

AZIZA BELMAATI (FSTM )

Series
chronologiques

64 / 65

Prevision
par la methode
de Holt-Winters

La methode
de Holt-Winters

`
La methode
non saisonniere

Holt et Winters ont propose une version des formules de mise a` jour pour le

lissage exponentiel double pour lequel les ponderations


dependent
de deux
`
parametres
:
T (1) X
T 1 (1)) + a
T = (1 )(X
T 1
a

bT = (1 )XT + (XT 1 (1) XT 1 (2))


ou` || < 1 et || < 1

par
La prevision
par cette methode
est donnee
T (h) = aT h + b
T
X
Remarque
` que la
On peut choisir les coefficients arbitrairement faibles si lon considere

valeur a` linstant t depend


dun grand nombre dobservations anterieures,
es
dans le cas contraire.
elev

AZIZA BELMAATI (FSTM )

Series
chronologiques

64 / 65

Prevision
par la methode
de Holt-Winters

AZIZA BELMAATI (FSTM )

Series
chronologiques

65 / 65