Académique Documents
Professionnel Documents
Culture Documents
la Production
(méthodes quantitatives)
Notion de série chronologique
Définition : On appelle série chronologique ou chronique une suite (Yt) d’observations chiffrées d’un
même phénomène, ordonnées dans le temps.
Yt, t = 1, …, T 640
620
demande 600
580
560
540
520
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
périodes
demande 622 594 562 584 531 588 547 606 597 613 567 556 ? ? ?
120
100
80
60
40
20
0
1 3 5 7 9 11 13 15 17 19 21 23 25
Types de séries chronologiques
Tendance
Observations croissantes
2500 2500
2300 2300
2100 2100
1900 1900
demande
demande
1700 1700
1500 1500
1300 1300
1100 1100
900 900
1 6 11 16 21 26 31 36 1 6 11 16 21 26 31 36
période période
Observations décroissantes
Types de séries chronologiques
Variations saisonnières
La demande est saisonnière si elle présente des variations nettement plus importantes, en
hausse et en baisse, d’une manière périodique.
600
550
500
demande
450
400
350
300
1 6 11 16 21 26 31 36
période
Variations saisonnière et à tendance
T 45 . 70
i
t l40 60
r '35
a
e 50
x30
e 40
d 25
e
20 30
15
20
10
10
5
0
0
0 5 10 15 20 25 30 35 40 0 10 20 30 40 50 60
t t
Additifs Multiplicatifs
Variations Aléatoires
La position de chacune des observations est uniquement déterminée par un processus
stochastique stationnaire
120
115
110
105
demande
100
95
90
85
80
1 6 11 16 21
période
Méthodes de prévisions quantitatives
Pt= (Dt-1+Dt-2+...Dt-n)/n
Méthode des moyennes mobiles
Année Période Demande C Prévision
2010 Juillet 3000
Pjanv 2011 = (Doct 2010 + Dnov 2010 + Ddéc 2010)/3 = (3000 + 3050 + 2900)/3 = 2983,33
Pfév 2011 = (Dnov 2010 + Ddéc 2010 + Pjanv 2011)/3 = (3050 + 2900 + 2984)/3 = 2977, 77
Méthode des moyennes mobiles
Prévisions par la méthode des moyennes mobiles
3150
3100
3050
3000
2950
2900
2850
2800
Demande C Prévision
En règle générale, le nombre de périodes utilisées doit se rapporter au degré de variabilité aléatoire
des données.
Méthode des moyennes mobiles
Avantage :
Méthode très simple.
Les inconvénients :
Les nouvelles et les anciennes données sont traitées de la même manière (alors
qu'en fait, les anciennes données devraient être traitées comme étant moins
importantes).
Moyenne mobile pondérée
Lors d’une prévision, on peut affecter des poids différents aux données afin de favoriser
les plus récentes, au lieu de mettre sur le même plan les diverses valeurs.
La méthode de la moyenne mobile simple attribue des poids égaux à chaque période de la
série chronologique ; la méthode de la moyenne mobile pondérée attribue des poids
différents aux différentes observations de la série chronologique, ce qui permet de réagir
rapidement à tout changement dans la série étudiée.
𝑊𝑀𝐴𝑡 = 𝑤𝑖 𝐷𝑖
𝑖=1
𝑛
Avec 𝑖=1 𝑤𝑖 =1
Moyenne mobile pondérée
Année Priode Demande C Prévision
1 2 3
𝑃𝑗𝑎𝑛2011 = 𝐷 + 𝐷 + 𝐷 = 2966,67
6 𝑜𝑐𝑡 2010 6 𝑛𝑜𝑣 2010 6 𝑑é𝑐 2010
1 2 3
𝑃𝑓é𝑣 2011 = 𝐷𝑛𝑜𝑣 2010 + 𝐷𝑑é𝑐 2010 + 𝑃𝐽𝑎𝑛 2011 = 2958,34
6 6 6
Moyenne mobile
3150
3100
3050
3000
2950
2900
2850
2800
Demande C Prévision
Méthodes de lissage exponentiel
Lissage exponentiel simple (lissage de Brown)
Paramétrage du modèle
La qualité de la prévision dépendra :
Choisir la valeur de α qui minimise la moyenne des carrés des dernières erreurs de
prévision. Plusieurs essais seront donc à réaliser sur une base test.
𝑇𝑡 = 𝛽 𝐿𝑡 − 𝐿𝑡−1 + (1 − 𝛽)𝑇𝑡−1
𝐹𝑡+1 = 𝐿𝑡 + 𝑇𝑡
𝐹𝑡+𝑘 = 𝐿𝑡 + 𝐾 ∗ 𝑇𝑡
Les valeurs initiales:
𝐿2 = 𝐷2
𝑇2 = 𝐷2 − 𝐷1
Exemple (TP)
Lissages exponentiels triples
WINTER HOLT
La méthode du lissage exponentiel peut être employée avec deux coefficients α , β et si la
demande à une tendance et une saisonnalité (lissage exponentiel Triple).
Demande multiplicative :
𝐷𝑡
𝐿𝑡 = 𝛼 + (1 − 𝛼)(𝐿𝑡−1 + 𝑇𝑡−1 )
𝑆𝑡−𝑀
𝑇𝑡 = 𝛽 𝐿𝑡 − 𝐿𝑡−1 + (1 − 𝛽)𝑇𝑡−1
𝐷𝑡
𝑆𝑡 = 𝛾 + 1 − 𝛾 𝑆𝑡−𝑀
𝐿𝑡
𝐷3 𝐷4
𝑆3 = 𝑆4 =
𝑚𝑜𝑦𝑒𝑛𝑛𝑒 (𝐷1 , 𝐷2 , 𝐷3 , 𝐷4 ) 𝑚𝑜𝑦𝑒𝑛𝑛𝑒 (𝐷1 , 𝐷2 , 𝐷3 , 𝐷4 )
𝐷5 𝐷5 𝐷4
𝐿5 = 𝑇5 = −
𝑆1 𝑆1 𝑆4
𝐷5
En utilisant la formule : 𝑆5 = 𝛾 + (1 − 𝛾)𝑆1
𝐿5
Exemple (TP)
Lissages exponentiels triples
WINTER HOLT
Demande additive :
𝐿𝑡 = 𝛼 𝐷𝑡 − 𝑆𝑡−𝑀 + (1 − 𝛼)(𝐿𝑡−1 + 𝑇𝑡−1 )
𝑇𝑡 = 𝛽 𝐿𝑡 − 𝐿𝑡−1 + (1 − 𝛽)𝑇𝑡−1
𝑆𝑡 = 𝛾 𝐷𝑡 − 𝐿𝑡 + 1 − 𝛾 𝑆𝑡−𝑀
𝐹𝑡+1 = 𝐿𝑡 + 𝑇𝑡 + 𝑆𝑡−𝑀
𝐹𝑡+𝐾 = 𝐿𝑡 + 𝐾 ∗ 𝑇𝑡 + 𝑆𝑡−𝑀+𝐾
Valeurs initales :
Pour M = 4 (trimestrielle) :
𝐿5 = 𝐷5 − 𝑆1 ; 𝑇5 = 0
Exemple (TP)
Régression linéaire
La régression linéaire simple est une méthode statistique qui cherche à déterminer la
relation linéaire entre deux variable Y et X.
Avec y est la variable dépendante
X est la variable indépendante.
La variance :
𝑛 𝑛
1 1
𝑣 𝑥 = 𝑐𝑜𝑣 𝑥, 𝑥 = 𝑥𝑖 − 𝑋 𝑦𝑖 − 𝑌 = 𝑥𝑖2 − 𝑋 2
𝑛 𝑛
𝑖=1 𝑖=1
𝑏 = 𝑌 − 𝑎𝑋
Pour avoir une idée sur la pertinence du modèle de prévision, il faut calculer le coefficient de
détermination R2.
Décomposition
Une série chronologique peut être exprimée comme suit: Yt = f(Tt, St, Et)
Avec :
Tt : la composante tendancielle à la période t
St : la composante saisonnière à la période t
Et: la composante irrégulière ou aléatoire à la période t
Dans la suite nous traitons que la composante tendancielle et la composante
saisonnière.
Pour un modèle additif:
Yt = Tt + St
Pour un modèle Multiplicatif :
Yt= Tt × St
Moyenne Mobile centrée
𝐷𝑖 − 𝑃𝑖 2
𝑀𝑆𝐸 =
𝑛