Techniques de prévisions

Slim Guessoum1

ISGB (LIG_3)

1 slim.guessoum@isgb.ucar.tn.
Chapitre 1: Panorama des Méthodes Quantitatives Guessoum Slim

2
Table des matières

1 Panorama des Méthodes Quantitatives de Prévision les plus usuelles 1

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 La méthode de Moyenne Mobile . . . . . . . . . . . . . . . . . . . . . 2
1.2.1 Calcule de la moyenne d’ordre k . . . . . . . . . . . . . . . . . 2
1.3 La méthode de lissage exponentiel . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Formules récursives de mise à jour . . . . . . . . . . . . . . . . 8

3
Chapitre 1: Panorama des Méthodes Quantitatives Guessoum Slim

4
Chapitre 1

Panorama des Méthodes

Quantitatives de Prévision les plus
usuelles

1.1 Introduction
On entend par méthodes de prévisions, l’ensemble des techniques, outils et mé-
thodologies permettant d’établir des prévisions. Ces méthodes doivent être orientées
vers l’anticipation de situations futures sous la forme de scénario construits sur la
base d’hypothèses ou de données historiques.
En général, les méthodes de prévisions sont utilisées pour établir des prévisions
de la demande d’un produit / service, pour établir des probabilités sur l’occurence
d’une situation concrète ou pour déterminer les prévisions de ventes. Les méthodes
de prévisions doivent permettre de mesurer, avec une marge d’erreur contrôlée, des
indicateurs pour tracer le comportement d’un individu, d’une population ou d’un
échantillon.
Nous partons d’une série d’observations à travers le temps portant sur une va-
riable y quelconque, de l’instant 1 jusqu’à l’instant t ; il s’agit d’une série chronolo-
gique ou encore d’une série temporelle. Nous cherchons à prévoir la valeur qui sera
atteinte par y à un instant futur t + h, ou encore à l’horizon h.
Plusieurs méthodes de prévision existent, elles peuvent être regroupées en deux
grandes classes :
1. Méthodes extrapolatives (courbes de croissance, lissage par les moyennes mobiles,
modélisation ARMA. . . ) : Ces méthodes utilisent le passé de la variable elle-
même. Seul le passé de la variable est utilisé en vue de la prévoir sans apport
d’information extérieure.
2. Méthodes explicatives (régression linéaire, systèmes d’équations simultanées. . . ) :
Celles ci utilisent les valeurs passées et présentes d’une ou de plusieurs variables

1
 Chapitre 1: Panorama des Méthodes Quantitatives Guessoum Slim

pour prévoir y. L’ensemble d’information utilisé comporte des facteurs exté-

rieurs qui peuvent in‡uencer le futur de y en plus du passé de la variable y
elle-même.

1.2 La méthode de Moyenne Mobile

Les moyennes mobiles sont à la base d’une méthode de prévision qui consiste à
utiliser la moyenne des q dernières observations disponibles comme prévision pour la
date suivante. On parle alors de méthode de prévision par moyenne mobile d’ordre
q.

Remarque 1.1 : Une moyenne représente toujours le prix moyen sur une période
donnée, par exemple 20 périodes. Lorsqu’une nouvelle période arrive, la 21ième pé-
riode sort de la formule de calcul. À chaque nouvelle période la valeur de la moyenne
est recalculée. La formule se déplace avec le temps, elle est donc mobile.

Dans le processus de moyenne mobile d’ordre q, chaque observation yt est générée

par une moyenne pondérée d’aléas "t jusqu’à la q-ième période :

M A (1) : yt = "t 1 "t 1 ;

M A (2) : yt = "t 1 "t 1 2 "t 2 ;

::::::::
M A (q) : yt = "t 1 "t 1 2 "t 2 :::::: q "t q

où 1 ; 2 ; ::::; q sont des paramètres pouvant être positifs ou négatifs et "t est
un aléa gaussien ou résidu. Nous pouvons interpréter le modèle M A comme étant
représentatif d’une série chronologique ‡uctuant autour de sa moyenne de manière
aléatoire, d’où le terme de moyenne mobile car celle-ci, en lissant la série, gomme le
bruit créé par l’aléa.

1.2.1 Calcule de la moyenne d’ordre k

On considérer les k premières valeurs de la série et en calcule la moyenne, puis
des k valeurs précédentes, on supprime la première valeur et on considère la valeur
qui suit la dernière valeur considérée à l’étape précédente, et on calcule la moyenne
de ces valeurs . . . On répète ceci tant que l’on a k valeurs consécutives.
p
p 1 1X
M t+ = yt+k t = 0; 1; ::::; n p
2 p k=1

Remarque 1.2 : Il est à noter que cette moyenne mobile d’ordre trois ne peut être
calculée que pour t = 2 à t 1 (t étant le nombre d’observations), car on ne dispose
pas d’observations précédant y1 et suivant yt .

2
Chapitre 1: Panorama des Méthodes Quantitatives Guessoum Slim

y1 + y2 + y3 y2 + y3 + y4 y3 + y4 + y5
Exemple 1.1 : moyenne mobile d’ordre 3 : ; ; ;
3 3 3

Nous distinguons deux cas :

P est impaire : P = 2k + 1

1 Xk
M M (t) = yt+i
2k + 1 i= k

P est paire : P = 2k
1 X
k
M M (t) = yt+i
2k i= k+1

dans ce cas, on peut calculer la MMC par la formule suivante :

" #
1 1 X1
i=k
1
M M C (t) = yt k + yt+i + yt+k
2k 2 i= k+1
2

M M (t)
1 Xk
P est impaire P = 2k + 1 yt+i
2k + 1 i= k

" #
1 X1
i=k
1
P est paire P = 2k y
2 t k
+ yt+i + 12 yt+k
2k i= k+1

Exemple 1.2 : MM(3)

Calculs de moyennes mobiles d0 ordre 3 sur une série annuelle

t y(t) M M (3)
1990 118 -
1991 113 112
1992 105 107.67
1993 105 104.33
1994 103 102.33
1995 99 100
1996 98 99.33
1997 101 99.67
1998 100 102.67
1999 107 -

323
M M (3) : (118 + 113 + 105) =3 = 112; (113 + 105 + 105) =3 = : 107: 67
3

3
 Chapitre 1: Panorama des Méthodes Quantitatives Guessoum Slim

1 X
1
1
Ou bien pour t = 1994 : M M1994 (3) = y1994+k = y1994+( 1) + y1994+0 + y1994+1
3 k= 1 3

1 1
M M1994 (3) = (y1993 + y1994 + y1995 ) = (105 + 103 + 99) = 102:33:
3 3
Erreure de prévision eb = yt yb3t

Exemple 1.3 : MM(4)

Calculs des moyennes mobiles centrées d0 ordre 4 sur une série trimestrielle

t y(t) M M (4) M M C(4) et =erreur de prévision

1985 2
0:5
3:5 1:75
1 2:5 2:125 1 2:5 = 1: 5
1986 5 2:875 2:6875 5 2:875 = 2: 125
2 3:25 3:0625 2 3:25 = 1: 25
5 3:875 3:5625 5 3:875 = 1: 125
3:5 4:25 4:0625 3:5 4:25 = 0:75
1987 6:5 4:75 4:5 6:5 4:75 = 1: 75
4 5:375 5:0625 4 5:375 = 1: 375
7:5 5:75 5:5625 7:5 5:75 = 1: 75
5

4
Chapitre 1: Panorama des Méthodes Quantitatives Guessoum Slim

1 X2
1
1985
Pour t = 2; M M (4) = yt+i = (yt 1 + yt + yt+1 + yt+2 )
4 i= 2+1= 1
4
1
M M 1985 (4) = (y1 + y2 + y3 + y4 ) = (2 + :5 + 3:5 + 1) =4 = 1: 75
4
1 X2
1
1985
Pour t = 3, on a : M M (4) = yt+i = (yt 1 + yt + yt+1 + yt+2 )
4 i= 2+1= 1 4

1 1
M M 1985 (4) = (y2 + y3 + y4 + y5 ) = (0:5 + 3:5 + 1 + 5) = 2: 5;
4 4

1985 1985
M M C3;4 (4) = (1: 75 + 2: 5) =2 = 2: 125; M M C4;5 (4) = (2: 5 + 2:875) =2 = 2:
687 5

Ou bien pour l’année 1985 et t = 3 (troisiémme trimestre)

" #
p 4 1 1 X
1
1
P = 2k; k = = = 2: M M3 (4) = yt 2 + yt+i + yt+2
2 2 2k 2 i= 1
2

" #
1 1 X
1
1 1 1
M M C31985 (4) = yt 2 + yt+i + yt+2 = y
2 1
+ y2 + y3 + y4 + 21 y5
2 2 2 i= 1
2 4

1 1 1
M M C31985 (4) = (2) + 0:5 + 3:5 + 1 + (5) = 2: 125
4 2 2

1 1 1
M M C41985 (4) = (0:5) + 3:5 + 1 + 5 + (2) = 2: 687 5
4 2 2

Remarque 1.3 : Le calcul de la MMC n’est dé…ni que dans le cas ou k est paire.

Remarque 1.4 : On peut calculer la MM et la MMC en fonction de son ordre :

1X
P
M M (t) = yt+k t = 0; 1; 2; ::::::; n p
p k=1

1X
2
M M C (t) = M Mt+k
2 k=1

Pour M M C (t), on e¤ectue une moyenne mobile d’ordre 2 sur la série des moyennes
mobiles d’ordre p.

1X 1X
P 4
4+1
Exemple 1.4 : Pour t = 0; M M (0) = yt+k = M M 2
= 2:5 = yk
p k=1 4 k=1

5
 Chapitre 1: Panorama des Méthodes Quantitatives Guessoum Slim

1X
4
1 1
M M (0) = yk = (y1 + y2 + y3 + y4 ) = (2 + :5 + 3:5 + 1) = 1: 75
4 k=1 4 4
1X
4
1 1
Pour t = 1; M M (1) = y1+k = (y2 + y3 + y4 + y5 ) = (:5 + 3:5 + 1 + 5) =
4 k=1 4 4
2: 5
1X
2
On peut alors déduire la M M C des deux périodes : M M C (t) = M Mt+k
2 k=1
1X
2
1 1
Pour t = 0; M M C (t = 0) = M Mk = (M M1 + M M2 ) = (1:75 + 2: 5) =
2 k=1 2 2
2: 125:
1X
4
1 1
Pour t = 2; M M (2) = y2+k = (y3 + y4 + y5 + y6 ) = (3:5 + 1 + 5 + 2) =
4 k=1 4 4
2: 875
1X
2
1 1
Pour t = 1; M M C (t = 1) = M M1+k = (M M2 + M M3 ) = (2: 5 + 2:875) =
2 k=1 2 2
2: 687 5
On calcule l’erreur de prévision et = y(t) M M (4)

Remarque 1.5 : La série MMC conte un terme de moins que celle MM.

Remarque 1.6 : A partir d’une série contenant n valeurs, on obtient n –p + 1 ou

n – p moyennes mobiles d’ordre p, selon la parité de p.

Remarque 1.7 : Limites du modèle : Cette méthode s’applique surtout dans les cas
suivant :

* On fait de la prévision à court terme.

* Les ‡uctuations sont généralement peu importantes à court terme.
* Une certaine loi se dissimule dans les valeurs observées, a¤ectée de ‡uctuation
aléatoires.
* On veut prévoir une seule période.

Exercice 1.1 : Construiser une série chronologique X, composée par 16 observa-

tions dé…nie par :
xt = 2t + 100

calculer alors les MM(3) , MM(4) et MMC(4) de cette série ?

6
Chapitre 1: Panorama des Méthodes Quantitatives Guessoum Slim

1.3 La méthode de lissage exponentiel

Le lissage exponentiel est une classe de méthodes de lissage de séries chronolo-
giques dont l’objectif est la prévision à court terme. Ces méthodes sont fondées sur
une hypothèse fondamentale : chaque observation à l’instant t dépend des obser-
vations précédentes et d’une variation accidentelle, et cette dépendance est plus ou
moins stable dans le temps. On dispose d’une série chronologique y = (y1 ; y2 ; ...., yt )
de longueur t enregistrée aux dates 1; :::; t. On se situe à la date t et on souhaite
prévoir la valeur yt+h non encore observée à l’horizon h. On note cette prévision :
y^t; h . L’estimation y^t de la série à l’instant t connaissant yt 1 est donc obtenue par
une formule de la forme :

y^t = t 1 y0 + t 2 y1 + t 3 y2 + :::: + 0 yt 1

On peut généraliser cette formule au cas où seule l’observation yt h est connue :

y^t = t h y0 + t h 1 y1 + t h 2 y2 + : : : : + 0 yt h

Dans le premier cas, on peut prévoir à l’horizon 1 : sachant yt , on prévoit yt+1 ,

l’observation suivante, et dans le cas général, on peut prévoir à l’horizon h : sachant
yt , on prévoit yt+h . On peut penser que plus l’horizon h est faible, meilleure est la
prévision. Les méthodes de lissage exponentiel consistent à choisir les coe¢ cients
j en fonction de la série étudiée. Dans le cas où la série est stationnaire (on ne

distingue pas de tendance à la hausse ni à la baisse), on utilise le lissage exponentiel

simple. Les coe¢ cients j sont de la forme :

j
j =
(1 )

1
où est la constante de lissage choisie de façon empirique entre 0 et 1. La valeur
est parfois appelée âge moyen du lissage.

Dé…nition 1.1 : la prévision y^t+h est construite en prenant en compte toute l’his-
toire de la chronique, de sorte que, plus on s’éloigne de la base t de la prévision,
moins l’in‡uence des observations correspondantes est importante. Cette décrois-
sance de l’in‡uence est de type exponentiel. De là vient le nom de la technique.

On se donne , appelé constante de lissage, avec 0 1, et on dé…nit (la

prévision y^t+h ne dépend pas de h) :

X
t 1
j
y^t; h = (1 ) yt j
j=0

7
 Chapitre 1: Panorama des Méthodes Quantitatives Guessoum Slim

Remarquons que plus est voisin de 1, plus l’in‡uence des observations éloignées
dans le temps t est grande. L’inclusion de la constante (1 ) fait en sorte que la
somme des poids est inférieure ou égale à 1. Plus tend vers 1, plus la prévision
sera in‡uencée par les observations éloignées dans le temps. D’ailleurs, on dit que la
prévision est plus rigide à mesure que tend vers 1 dans la mesure où la prévision
n’est pas sensible aux ‡uctuations à court terme. Plus tend vers 0, plus la prévision
est in‡uencée par les observations récentes.

Exemple 1.5 : Soit = 0:10 et t = 3. On a :

3X
1=2
j 0 1 2
y^3; h = (1 ) y3 j = (1 ) y3 + y1 + y2
j=0

y^3; h = (1 0:1) y3 + (0:1)1 y1 + (0:1)2 y2

y^3 = 0:90 y3 + 0:90 0:10 y2 + 0:90 0:102 y1

y^3 = 0:90 y3 + 0:09 y2 + 0:009 y1

1.3.1 Formules récursives de mise à jour

L’écriture précédante y^t; h véri…e les formules de récurrences suivantes

y^t; h = y^t 1; h + (1 ) yt
y^t; h = y^t 1; h + (1 ) (yt y^t 1; h )

ou encore
y^t; h = yt + (1 ) y^t 1; h = (yt y^t 1; h ) + y^t 1; h

Par conséquent, la connaissance de la prévision à l’horizon sur la base t 1, soit y^t 1; h

et l’observation yt su¢ sent pour calculer immédiatement la prévision suivante y^t; h :
Cependant, l’utilisation des formules récursives nécessite d’initialiser la récurrence en
prenant par exemple y^t; 1 = y1 , on remarque que pour t assez grand la valeur initiale
a peu d’in‡uence. La di¤érence et; h = yt y^t 1; h est appelé erreur de prévision.
X
t 2
j
Démonstration : y^t 1; h = (1 ) yt j 1
j=0
1 2 t 3 t 2
y^t 1; h = (1 ) (yt 1+ yt 2+ yt 3 + :::: + y2 + y1 )
1 2 3 t 2 t 1
y^t 1; h = ( yt 1 + yt 2 + yt 3 + :::: + y2 + y1 )

1 X
t 1
j
y^t 1; h = yt j
j=1
X
t 1
j
y^t 1; h = (1 ) yt j
j=1

8
Chapitre 1: Panorama des Méthodes Quantitatives Guessoum Slim

!
X
t 1 X
t 1
j j
y^t; h y^t 1; h = (1 ) yt j + yt j
j=0 j=1
y^t; h y^t 1; h = (1 ) yt () y^t; h = y^t 1; h + (1 ) yt :

Exemple 1.6 : On donne la série suivante :

Jours Patients Prévision Erreur de prévision

1 9 - -
2 11 9 2
3 10 10 0
4 12 10 2
5 8 11 -3
6 7 9.5 -2.5
7 8.25

1. Déterminer par LES les prévisions des 6 périodes pour = 0:5 ?

Pour t = 6; on a : y^5; 1 = y5 + (1 ) y^5; 1 = 0:5 8 + :5 11 = 9: 5
2. En déduire la prévision de la période 7 ?
y^6; 1 = y6 + (1 ) y^6; 1 = 0:5 7 + 0:5 9:5 = 8: 25
3. Calculer l’erreure de prévision ?