Académique Documents
Professionnel Documents
Culture Documents
Slim Guessoum1
ISGB (LIG_3)
1 slim.guessoum@isgb.ucar.tn.
Chapitre 1: Panorama des Méthodes Quantitatives Guessoum Slim
2
Table des matières
3
Chapitre 1: Panorama des Méthodes Quantitatives Guessoum Slim
4
Chapitre 1
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
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.
::::::::
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.
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
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
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
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
Calculs des moyennes mobiles centrées d0 ordre 4 sur une série trimestrielle
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
" #
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.
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 1.7 : Limites du modèle : Cette méthode s’applique surtout dans les cas
suivant :
6
Chapitre 1: Panorama des Méthodes Quantitatives Guessoum Slim
y^t = t 1 y0 + t 2 y1 + t 3 y2 + :::: + 0 yt 1
y^t = t h y0 + t h 1 y1 + t h 2 y2 + : : : : + 0 yt h
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.
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.
3X
1=2
j 0 1 2
y^3; h = (1 ) y3 j = (1 ) y3 + y1 + y2
j=0
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
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 :