L’AJUSTEMENT TENDANCIEL

• La détermination de la tendance générale

O U
d’une s.c est un problème d’ajustement en-
tre une variable mesurable et le temps.

UD
• L’ajustement consiste à rechercher la meilleure

S O
relation possible entre les deux variables.

A S
• Graphiquement cela revient à trouver la
courbe la plus proche possible de l’ensemble
des points de coordonnées (t , xt) de nuage
de points.

23
• A cet effet, on utilise

O U
– soit des méthodes analytiques qui sup-
posent qu’on a une idée sur la fonction

UD
mathématique qui représente la tendance
générale de la série,

S O
– soit des méthodes empiriques qui con-

A S
sistent à réduire les irrégularités de la
série, il s’agit principalement de la méthode
de lissage par moyennes mobiles.

24
I) Ajustement de la tendance par
des méthodes analytiques

On utilise généralement dans ce type d’ajustement

la méthode des moindres carrés ou la méthode
des trois points.

O U
Il existe plusieurs modèles d’ajustements par
exemple

UD
O
• modèle linéaire : xt = a t + b,

S
A S
• modèle quadratique : xt = a t2 + b t + c,

• modèle exponentiel : xt = b at,

• modèle logarithmique : xt = a ln(t) + b,

• modèle puissance : xt = b ta,

25
 • modèle exponentiel modifié : xt = α β t + γ,

• modèle logistique : xt =
1
b at + c
,

O U
UD
• modèle Gompertz : xt = exp(b at + c)),

S O
Ces méthodes analytiques sont simples, mais

A S
reposent sur l’hypothèse d’une tendance évoluant
selon une fonction analytique déterminée, hy-
pothèse qu’on ne peut pas fréquement faire,
même à la suite d’une transformation de vari-
able.

26
1) Ajustement par la droite de Mayer

Cette méthode consiste à

O U
• Ranger les points At(t, xt) du nuage dans
l’ordre croissant de leurs abscisses.

UD
• Partager le nuage en deux sous-nuages ayant

O
le ”même” nombre de points.

S
A S
• Calculer les coordonnées du point moyen
de chaque nuage : G1 et G2.

• La droite de Mayer passe alors par ces deux

points G1 et G2.

27
Exemple : Reprenons l’exemple de la livraison
d’essence au Maroc (page 8).



 t1 =
1 + 2 + ··· + 8
O U
• Premier sous-nuage : {A1, A2, · · · , A8}.

= 4.5

D



8
G1




 x1 =

O U
109 + 108 + · + 122
8
= 120.

S S
• Deuxième sous-nuage : {A9, A10, · · · , A16}.

A G2


 t2


 =
9 + 10 + · · · + 16
8
= 12.5.

 115 + 122 + · · · + 137


 x2 = = 130.5.
8

28
La droite de Mayer passe par G1 et G2 :
 
 4.5 a + b
 = 120  a ≈ 1.31


 12.5 a + b = 130.5

⇒


O U
 b ≈ 114.09

donc
UD
La tendance estimée par la droite de Mayer est

S O
fbt = 1.31 t + 114.09.

A S
Remarque

Afin de limiter l’influence des valeurs aberrantes,

on peut calculer les points médians au lieu des
points moyens.

29
2) Ajustement par la méthode des moindres
carrés

a) Tendance linéaire

• Supposons que l’on observe les n valeurs

ft = a t + b.
O U
d’une s.c dont la tendance semble être linéaire,

UD
• La méthode des moindres carrés consiste à

S O
trouver a et b qui minimisent la quantité
n

A S X

t=1
(xt − a t − b)2.

• Une estimation de la tendance de la s.c est

donnée par la droite des moindres carrés
fbt = a
bt+b
b,
où a
b et b
b sont les solutions du problème de
minimisation ci-dessus,

30
 Cov(t, xt)
a
b= et b=x−a
b b t,
V(t)
avec

• t=
1 Xn
t et x=
1 Xn
xt ,
O U
n t=1

UD n t=1

S
• Cov(t, xt) =
O
1 Xn

n t=1
(t − t)(xt − x)

A S =
1 Xn

n t=1
txt − t x,

n n
1 X 1
(t − t)2 = t2 − t2 .
X
• V(t) =
n t=1 n t=1

31
Remarque

• La droite des moindres carrés passe par le

point moyen (t, x).

O U
par
UD
• Le cœfficient de corrélation linéaire est défini

S O
r(t, xt) = q
Cov(t, xt)
.

S
q
V(t) V(x)

A• La corrélation linéaire entre la date t et la

variable mesurée est d’autant plus impor-
tante que |(r(t, xt)| est proche de 1.

32
Exemple : Reprenons l’exemple de la livraison
d’essence au Maroc (page 8).

Les calculs nécessaires pour estimer la ten-

dance linéaire de la s.c par la méthode des
moindres carrés, se présentent ainsi.

t xt t2 txt
1
2
3
109
108
137
1
4
9
109
216
411
O U
4
5
UD
114
111
16
25
456
555

S
6
7 O119
140
36
49
714
980

A S 8
9
10
122
115
122
64
81
100
976
1035
1220
11 140 121 1540
12 130 144 1560
13 125 169 1625
14 125 196 1750
15 150 225 2250
16 137 256 2192
136 2004 1496 17589
33
Nous avons ainsi

136 2004
• t= = 8.5 et x= = 125.25
16 16

17589
• Cov(t, xt) = −8.5×125.25 = 34.6875

1496
16

O U
• V(t) =
16

UD
− (8.5)2 = 21.25.

D’où

S O
A• a=
b S
34.6875
21.25
≈ 1.63

• bb = 125.25 − 1.63 × 8.5 = 111.38.

Le trend est alors donné par

fbt = 1.63 t + 111.38.
34
b) Tendance exponentielle

Si la forme du nuage de points (t, xt) suggère

un ajustement exponentiel

xt = b a t ,

O U
on peut se ramener à un ajustement linéaire
par transformation logarithmique de xt (ln ou
log au choix).

UD
xt = b at ⇒ log(xt) = log b + t log a.
On pose

S O
A S
yt = log(xt), A = log a et B = log b.
Ce qui donne

yt = A t + B.
les cœfficients Ab et B
b sont déterminés alors par
la méthode des moindres carrés;
Cov(t, y) b =y−A
Ab = et B b t.
V(t)
35
Ensuite on calcule a
b et b
b :

b = eA et b
a b = eB si on utilise ln
b b

ou

b = 10A et b
b = 10B si on utilise log .

U
a
b b

Exemple :Soit la s.c suivante :

D O
U
t 1 2 3 4 5 6
xt 255 330 435 570 740 960

S O
A S
• Un graphique usuel permet de proposer une
tendance exponentielle pour cette série.

• En effet, la représentation des données à

l’aide d’un graphique semi-logarithmique met
en évidence une forme allongée du nuage
de points transformé.

36
Les calculs se présentent ainsi

t xt yt = log(xt) t yt t2
1 255 2.41 2.41 1
2 330 2.52 5.04 4
3 435 2.64 7.92 9
4
5
570
740
2.76
2.87
11.04
14.35
O U
16
25
6
21
960
—–

UD
2.98
16.18
17.88
58.64
36
91

O
Finalement, on trouve

S
A S Ab = 0.11 et B
b = 2.32.

b = 0.11 ⇒ a
Ab = log a b = 1.29.

B b = 2.32 ⇒ bb = 208.93.
b = log b

Ainsi la tendance ajustée a pour équation

fbt = 208.93 × (1.29) t.

37
c) Tendance quadratique

On peut utiliser la méthode des moindres carrés

afin d’ajuster une courbe parabolique d’équation

xt = a t2 + b t + c.

O U
S=
n
X D
Il s’agit donc minimiser la somme

U
(xt − (a t2 + b t + c))2.

S
t=1
O
On doit resoudre le système

A











∂S
∂ a
S= −2
X

t
t2 (x − (a t2 + b t + c)) = 0
t

 ∂S

t(xt − (a t2 + b t + c)) = 0
X
= −2



∂b t



 ∂S X
2 + b t + c))
−2 −



 ∂c
 = (x t (a t =0
t

38
Ce qui revient à résoudre le système suivant
d’inconnues a, b et c.

4 3 2 2x
 X X X X


 a t + b t + c t = t t

U





3 2
X X X X
a t +b t +c t = txt







 a
X
2
t +b
X

D
t + nc =
X
xt O
O U
Exemple :Soit la s.c suivante :

S S
A t
xt
1
101
2
156
3
216
4
212
5
177
6
122

En représentant graphiquement le nuage de

7
47

cette série, il est possible d’envisager un ajuste-

ment de la tendance par une parabole d’équation

ft = a t2 + b t + c.

39
Les calculs permettant de résoudre le système
précédent sont donnés par le tableau suivant.

O U
1
t xt
101
t2
1
UDt3
1
t4
1
t xt
101
t2 xt
101

O
2 156 4 8 16 312 624

S
3 216 9 27 81 648 1 944

S
4 212 16 64 256 848 3 392
5 177 25 125 625 885 4 425

A6
7
28
122
47
1 031
36
49
140
216
343
784
1296
2 401
4 676
732
329
3 855
4 392
2 303
17 181

40
Finalement, on a le système suivant à résoudre.

U


 4676 a + 784 b + 140 c = 17181

O



784 a + 140 b + 28 c = 3855

D




U
 140 a + 28 b + 7 c

= 1031

On trouve
S O
A S
b = −15.32, b
a b = 112.96 et cb = 1.85.
La tendace ajustée est alors donnée par la re-
lation

fbt = −15.32 t2 + 112.96 t + 1.85.

41
3) Ajustement par la méthode des trois
points

Cette méthode est utilisée pour l’ajustement

des courbes à trois paramètres.

a) Exemples de courbes à trois paramètres

a) Courbe exponentielle modifiée

O U
D
xt = α β t + γ.

U
S O
b) Courbe de Gompertz
t
xt = eα β +γ ,

A S 0 < β < 1.
Remarque : ln(xt) = α β t + γ.

c) Courbe logistique
1
xt = t
, 0 < β < 1, α > 0, γ > 0.
αβ + γ
1
Remarque : = α β t + γ.
xt

42
b) Principe de la méthode

Supposons la donnée d’une série chronologique

x = (x1, · · · , xn) et que la tendance ait la forme
d’une exponentielle modifiée.
xt = α β t + γ.

étapes suivantes :
O U
La méthode des trois points consiste en les

UD
a) Répartir les données dans l’ordre du temps
en trois sous ensembles I, II et III, approxima-

S O
tivement de même taille, de telle sorte que
les moyennes des temps tI , tII et tIII soient

A S
équidistantes.

i) si n est multiple de 3 (n = 3k), alors chaque

sous ensemble sera de taille k.

ii) si n est multiple de 3 plus 1 (n = 3k + 1),

mettre l’ensemble de taille k + 1 en II et les
deux ensembles de taille k en I et en III.

43
 iii) si n est multiple de 3 plus 2 (n = 3k + 2),
mettre l’ensemble de taille k en II et les
deux ensembles de taille k + 1 en I et en
III.

b) Calculer les médianes des valeurs de x pour

les trois sous ensembles. Ces médianes sont
notées xI , xII et xIII , respectivement.

O U
UD
c) Résoudre le système de trois équations non
linéaires à trois inconnues suivant :

S
xI =
Oα β tI + γ
= α β tII + γ
(1)

A S xII
xIII = α β tIII + γ
(2)
(3)

d)i) Effectuer les différences membre à membre

des équations (3) et (2) et des équations
(2) et (1) :
 
xIII − XII = α β tIII − β tII (4)
 
xII − XI t
= α β II − β It (5)
44
d)ii) Diviser membre à membre l’équation (4)
par l’équation (5) en notant

∆ = tIII − tII = tII − tI ,

 
t ∆
β II β − 1
xIII − xII β tIII − β tII
xII − xI
= t
β II − β tI
= 
U
β tI β ∆ − 1

O
 = β ∆,

D
d’où

U
!
1 xIII − xII
ln(β) = ln .

S O ∆ xII − xI

A S
d)iii) Déterminer β puis, revenant à l’équation
(4),
xIII − xII
α= t
β III − β tII
et grâce à l’équation (1) :

γ = xI − α β t I .

45
Remarque

Les formules s’adaptent immédiatement dans

le cas de la courbe de Gompertz et de la courbe
logistique en remplaçant les xt par ln(xt) et par
1/xt, respectivement.

O U
Exemple : Le produit intérieur brut d’un pays
entre 1999 et 2006 est donné par le tableau

D
suivant.

O
1999U
Année t
1
xt
31.3

S S 2000
2001
2
3
36.7
44.4

A 2002
2003
2004
2005
4
5
6
7
49.8
59.6
68.0
74.4
2006 8 79.0

Effectuer l’ajustement des courbes exponen-

tielle modifiée, logistique et de Gompertz par
la méthode des trois points.
46
 t xt 1/xt ln(xt)
1 31.3 0.03195 3.4436
2 36.7 0.02725 3.6028
3 44.4 0.02252 3.7932
4 49.8 0.02008 3.9080
5 59.6 0.01678 4.0877
6 68.0 0.01471 4.2195
7
8
74.4
79.0
0.01344
0.01266
4.3095
4.3694
O U
UD
Calculs intermédiaires pour l’estimation
des paramètres pour les trois courbes.

S O
A S
Sous groupes
I
II
III
t
2
4.5
7
xt
36.7
54.7
74.4
1/xt
0.02725
0.01843
0.01344
ln(xt)
3.6028
3.9978
4.3095

Paramètre Exp.modifiée logistique Gompertz

β 1.0367 0.796217 0.909464
α 177.31 0.032028 -2.26145
γ -153.8 0.006943 5.473285

47
• La courbe exponentielle modifiée ajustée a
pour équation

O U
b t = 177.31 × (1.0367)t − 153.8.

UD
• La courbe logistique ajustée a pour équation

x
bt =

S O 1
t
0.032028 × (0.796217) + 0.006943
.

A S
• La courbe de Gompertz ajustée a pour équation
 
t
b t = exp −2.26145 × (0.909464) + 5.473285 .
x

48
II) Ajustement de la tendance par des
méthodes empiriques

Ces méthodes permettent d’amortir ou de ”lisser”

les fluctuations d’une s.c en remplaçant un en-
semble de points voisins par un seul point.

O U
Le but d’un lissage est de faire apparaı̂tre l’allure

UD
de la tendance. il s’agit donc de faire dis-
paraı̂tre la saisonnalité et de réduire au maxi-

O
mum l’effet résiduel.

S S
Les opérations de lissage sont essentiellement

A
utilisées

• en absence de référence à un modèle précis

pour la tendance,

• ou lorsque le nombre de paramètres à es-

timer est grand et les calculs fastidieux.

49
1) Méthode des moyennes échelonnées

La méthode des moyennes échelonnées d’ordre

O U
ou de longueur p consiste à remplacer ”p” valeurs
consécutives de la s.c par leur moyenne arithmétique.

UD
Elle permet de lisser la s.c, en réduisant les

O
variations saisonnières pour obtenir la tendance.

S
S p
On notera par MEt (x) cette moyenne calculée

A
sur la s.c (xt)t=1,··· ,n au temps t.

Les moyennes échelonnées d’ordre p (p < n) se

calculent en fonction de la parité de p.

50
a) Si p est impair : p = 2k + 1

p x + x2 + · · · + xp
• MEk+1(x) = 1
p
,

O U
p
• ME3k+2(x) =
UD
xp+1 + xp+2 + · · · + x2p
,

S O p

A
p
S
• ME5k+3(x) =
x2p+1 + x2p+2 + · · · + x3p
p
,

• et ainsi de suite.

51
b) Si p est pair : p = 2k

x1 xp+1
+ x2 + · · · + xp +
p
• MEk+1(x) = 2
p
2 ,

O U
p
UD
xp+1
2
+ xp+2 + · · · + x2p +
x2p+1
2

O
• ME3k+1(x) = ,
p

S S x2p+1 x3p+1

A p
• ME5k+1(x) = 2
+ x2p+2 + · · · + x3p +
p
2 ,

• et ainsi de suite.

52
Remarque

• Cette méthode nécessite la possession d’un

nombre important d’observations : En rem-

U
plaçant p points par un seul, plusieurs points
sont ”perdus”.

D O
O U
• Le nombre de points ”perdus” dépend du
choix de l’ordre p.

S S
• Lorsque le choix de l’ordre p n’est pas im-

A posé, en général on fait correspondre cet

ordre à la durée d’une période, par exemple

– si la s.c est trimestrielle on prend p = 4,

– si la s.c est mensuelle on prend p = 12.

53
2) Méthode des moyennes mobiles

C’est la méthode empirique la plus couram-

ment utilisée pour estimer la tendance d’une
s.c.

O U
Elle permet aussi de lisser la chronique en rem-

D
plaçant un nombre p de valeurs consécutives de

U
la s.c par leur moyenne arithmétique.

S O
Contrairement à la méthode précédente, seules

A S
les observations au début et à la fin de la séries
disparaissent.

p
On notera par MMt (x) cette moyenne calculée
sur la s.c (xt)t=1,··· ,n au temps t.

Les moyennes mobiles d’ordre p (p < n) se cal-

culent en fonction de la parité de p.

54
a) Si p est impair : p = 2k + 1

La méthode consiste à remplacer chaque valeur

observée par la moyenne de p valeurs : les k
valeurs qui la précèdent, la valeur elle même et
les k valeurs qui lui succèdent.

O U
p
• MMk+1(x) =

UD
x1 + x2 + · · · + xp
p
,

S O
x2 + x3 + · · · + xp+1

A
p

S
• MMk+2(x) =
p
,

p x3 + x4 + · · · + xp+2
• MMk+3(x) = ,
p

• et ainsi de suite.

55
b) Si p est pair : p = 2k

Dans ce cas, la moyenne mobile ne correspond

pas à une abscisse existante, mais elle chevauche
entre deux valeurs. On procède alors au cen-
trage des moyennes en calculant deux moyennes
successives.

x1
O U
xp+1
p
• MMk+1(x) = 2

UD
+ x2 + · · · + xp +
p
2 ,

S x2 O xp+2

A
p
S
• MMk+2(x) = 2
+ x3 + · · · + xp+1 +
p
2 ,

x3 xp+3
+ x4 + · · · + xp+2 +
p
• MMk+3(x) = 2 2 ,
p

• et ainsi de suite.

56
Remarque : Pour les deux cas, on perd 2k
valeurs : k au début et k et à la fin de la série.

Propriétés des moyennes mobiles

• La moyenne mobile est un outil simple à

U
mettre en œuvre qui fait apparaı̂tre l’allure
de la tendance en supprimant le mouve-
O
UD
ment saisonnier et en atténuant la variance
de la composante résiduelle.

S O
• Si la période du mouvement saisonnier est

A S
p alors la moyenne mobile de longueur p
supprime la composante saisonnière.

• La moyenne mobile conserve la composante

tendancielle de la forme ft = a t + b,

• La moyenne mobile réduit les amplitudes

du mouvement résiduel.

57
Exemple : Calculons les moyennes échelonées
et mobiles pour estimer le trend de la s.c con-
cernant la livraison d’essence au Maroc.

t xt ME4t (x) MM3t (x) MM4

t (x)
1
2
3
109
108
137
—–
—–
117.25
—–
118
119.667
O U
—–
117.25
4
5
6
114
111
119
—–
—–
—–
UD 120.667
114.667
123.333
118.875
120.625
122
7 140

S O
123.5 127 123.5

S
8 122 —– 125.667 124.375
9 115 —– 119.667 124.75

A 10
11
12
122
140
130
—–
128
—–
125.667
130.667
131.667
125.75
128
129.625
13 125 —– 126.667 131.25
14 125 —– 133.333 133.75
15 150 118.625 137.333 —–
16 137 —– —–

58
Remarque :

• La méthode des moyennes mobiles ne four-

nit pas d’estimation de la tendance pour

servées.

O U
les k premières et k dernières valeurs ob-

UD
Pour pallier cet inconvénient, on peut si le
p
nuage des points (t,MMt (x)) est allongé

O
par exemple, faire un ajustement linéaire.

S
S
On aura alors des estimées de la tendance
aux dates t = 1, · · · , k et t = n−k+1, · · · , n.

A• On peut remplacer la moyenne par la médiane

et on obtient un lissage par médianes mo-
biles. Rappelons que la médiane étant in-
sensible aux valeurs aberrantes.

59
IV) Critères usuels pour réaliser le meilleur
ajustement

Supposons qu’on dispose de n prévisions

b1, · · · , x
x bn

qui correspondent aux données

x1 , · · · , x n .
O U
On note

UD
e1, · · · , en

S O
les n erreurs de prévision; (ei = xi − x
b i).

A S
les critères suivants sont utilisés pour juger la
validité de la méthode d’ajustement.

1. L’écart type (”Standard deviation”)

v
u1 X
u n
Std(e) = t (ei − e)2.
n i=1

60
2. L’erreur quadratique moyenne (”Root Mean
Square Error”)
v
n

U
u1 X
u
RM SE(e) = t e2
i.
n i=1

D O
O U
3. L’erreur absolue moyenne en pourcentage
(”Mean Absolute Percentage Error”)

S S M AP E(e) =
1 Xn
| ei |
n i=1 xi
.

A
La courbe qui donne la plus petite valeur du
critère utilisé réalise alors le meilleur ajuste-
ment.

61
Exemple : Dans l’exemple de la page 46,
déterminer la courbe qui réalise le meilleur ajuste-
ment au sens du critère MAPE.

Résultats de l’ajustement par les trois courbes

t xt Exp.Mod Logistique
O U
Gompertz
1
2
31.3
36.7
30.0
36.7
UD 30.8
36.7
30.5
36.7

O
3 44.4 43.7 43.3 43.5
4
5
6
S S
49.8
59.6
68.0
51.0
58.5
66.3
50.5
58.2
66.2
50.7
58.3
66.3

A7
8
74.4
79.0
MAPE
74.4
82.8
2.2 %
74.4
82.5
1.9 %
74.4
82.7
2 %

Le critère MAPE montre qu’une courbe logis-

tique semble réaliser un meilleur ajustement
pour les données observées.

62
V) Test de Fisher pour détecter la présence
d’une tendance

1) La loi de Fisher-Snedecor

O U
• C’est une loi de probabilité continue qui

UD
dépend de deux paramètres appelés degrés
de liberté (ddl).

S O
• Si X et Y sont deux v.a indépendantes dis-

A S
tribuées selon des lois de khi-deux respec-
tivement à ν1 et ν2 ddl, la variable
X/ν1
F =
Y /ν2
est dite suivre une loi de Fisher à ν1 et ν2
degrés de liberté. On la note F (ν1, ν2).

63
Remarque :

• Cette loi est particulièrement utilisée, en

échantillonnage, pour le test de comparai-
son des variances d’échantillons indépendants
ou pour les tests de régression.

O U
UD
• Dans la pratique de cette distribution, il
faut faire très attention à l’ordre des deux

S O
paramètres ν1 et ν1. La loi de Fisher à ν1

A S
et ν2 ddl n’est pas la même que la loi de
Fisher à ν2 et ν1 ddl.

• Si on permute les paramètres on obtient

une autre loi de Fisher :
1
si F → F (ν1, ν2) alors → F (ν2, ν1).
F

64
2) Table de la loi de Fisher-Snedecor (α = 5%)

Le risque de première espèce α étant fixé, la ta-

ble suivante permet de déterminer, pour quelques
valeurs de ν1 et ν2, la valeur de f telle que
P (F ≥ f ) = 0.05.

O U
UD
S O
A S

65
 3) Test de Fisher

• On cherche à tester l’influence du facteur

ligne (année).

tendance.
O U
• L’hypothèse nulle testée est l’absence de

D
H0 : la chronique n’est pas affectée d’une tendance

U
S O ou encore

A S
H0 : pas d’influence du facteur année

• L’hypothèse alternative est la présence de

tendance.

H1 : la chronique est affectée d’une tendance.

Le test se déroule comme suit :

66
a) Calcul des sommes des carrés

On considère les données de la chronique sous

forme d’un tableau à N lignes et p colonnes.
Moyennes
1 ··· j ··· p
années
1 x11 x1j x1p x1
...

N
i
...
xi1

xN 1
xij

xN j
xip

xN p
O Uxi

xN 
Moyennes
périodes
p
x1

UD xj xp x

• xi =

S
1 X
p j=1
O
xij : moyenne de l’année i,

A S
• xj =
1 XN
xij : moyenne de la période j,
N i=1

N X p
1 X
• x = xij : moyenne générale
N × p i=1 j=1
de la chronique sur toutes les observations.

67
Soit ST la somme totale des carrés
p
N X
(xij − x)2.
X
ST =
i=1 j=1
L’écart xij − x peut s’écrire

xij −x = (xi−x)+(xj −x)+(xij −xi−xj +x).

O U
Après avoir élevé au carré et fait la somme de

D
tous les indices, on obtient

avec
O U
ST = SA + Sp + SR ,

S S
SA = p
N
X
(xi − x)2,

A Sp = N
i=1
Xp
(xj − x)2, .
j=1
N Xp
(xij − xi − xj + x)2
X
SR =
i=1 j=1

68
b) Règle de décision

• On calcule le Fisher empirique Fcal :

SA
Fcal = N −1 ,
SR
(N − 1)(p − 1)

O U
UD
• On détermine Ftab valeur tabulée de Fisher
à ν1 = N − 1 et ν2 = (N − 1)(p − 1) ddl.

S O
A S
• On compare Ftab au Fisher lu dans la table
Ftab

– Si Fcal < Ftab, on accepte H0 et la série

n’est pas affectée d’une tendance.

– Si Fcal ≥ Ftab, on rejette H0 au risque

de 5% et la série est affectée d’une ten-
dance.

69
 Exemple : On reprend l’exemple de la livraison
d’essence au Maroc (page 8).

Le tableau donnant les moyennes par année et

trimestre est le suivant :

T1 T2 T3 T4 xi
1974 109 108 137 114 117,00
1975
1976
1977
111
115
125
119
122
125
140
140
150
122
130
137
O U 123,00
126,75
134,25
xj 115,00

UD
118,50 141,75 125,75 x = 125.25

Les différentes sommes des carrés sont résumées

comme suit :

S O
A
Source deS
variation
Lignes
Sommes
des carrés
ddl
Carrés
moyens
SA = 625, 5 N −1=3 208,5
(années)
Colonnes
Sp = 1692, 5 p−1=3 564,17
(trimestres)
Total ST = 2403 N p − 1 = 15 160,2
Résidu SR = 85 (N − 1)(p − 1) = 9 9,44

Remarque : SR = ST − SN − Sp.
70
On teste l’hypothèse

H0 : pas d’influence du facteur année.

• Calcul du Fisher empirique

SA
N −1 208, 5
O U
Fcal =
SR

UD
(N − 1)(p − 1)
=
9, 44
≈ 22, 08.

S O
• Détermination du Fisher lu dans la table à

A S
ν1 = 3 et ν2 = 9 degrés de liberté (page
65). On trouve Ftab = 3, 86.

• On vérifie que Fcal ≥ Ftab, on rejette H0

au risque de 5%. La série est alors affectée
d’une tendance.

71