Ce projet a été réalisé sous la

supervision de M. CHASSEM
Narcisse, Ingénieur Statisticien
Economiste.

PROJET DE
SERIES
TEMPORELLE
S
Modelisation du prix de l’huile
de palme

KAMENI FOKAM, MASTER1 ACTUARIAT

 PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

SOMMAIRE
INTRODUCTION ..................................................................................................................................................... 2
I. PRESENTATION ET VISUALISATION DE LA SERIE ......................................................................... 2
II. VISUALISATION DE LA SERIE TEMPORELLE :.................................................................................. 3
III. ETUDE DE LA STATIONNARITE ......................................................................................................... 3
IV. VISUALISATION DE LA TENDANCE AVEC LES MOYENNES MOBILES ................................ 5
V. MODELE 1. X(T) = T(T) + S(T) + ARMA(P,Q) ..................................................................................... 6
V.1 ESTIMATION TENDANCE AVEC LA REGRESSION .................................................................. 6
V.2 ETUDE DE LA SAISONNALITÉ ........................................................................................................ 8
V.3 CALCUL DES RÉSIDUS ........................................................................................................................ 9
V.4 CHOIX DU MODELE ........................................................................................................................... 12
V.5 ALTERNATIVES .................................................................................................................................. 13
V.6 PREDICTION ........................................................................................................................................ 17
VI. MODELE 2. X(T) = ARMA(P,Q) .......................................................................................................... 18
VI.1 DIFFERENCIATION DE LA SERIE A L’ORDRE 1 ..................................................................... 18
VI.2 CHOIX DU MODELE DU MEILLEUR MODELE ......................................................................... 20
VI.3 LES AUTRES ALTERNATIVES ........................................................................................................ 20
VI.4 PRÉVISION DU DEUXIÈME MODÈLE .......................................................................................... 22
CONCLUSION ......................................................................................................................................................... 23
ANNEXES ................................................................................................................................................................ 24

~1~
 PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

INTRODUCTION
Une série temporelle, ou série chronologique, est une suite de valeurs numériques
représentant l’évolution d’une quantité spécifique au cours du temps. De telles suites de
variables aléatoires peuvent être exprimées mathématiquement afin d’en analyser le
comportement, généralement pour comprendre son évolution passée et pour en prévoir le
comportement futur. Une telle transposition mathématique utilise le plus souvent des
concepts de probabilités et de statistique.
Les séries temporelles sont considérées à tort comme étant une branche exclusive de
l’économétrie. Cette dernière est une discipline qui est relativement jeune alors que les
séries temporelles ont été utilisées bien avant, par exemple en astronomie (1906) et en
météorologie (1968).
L’objet des séries temporelles est l’étude des variables au cours du temps. Même s’ils n’ont
pas été à l’origine de cette discipline, ce sont les économètres qui ont assuré les grandes
avancées qu’a connues cette discipline (beaucoup de « Prix Nobel » d’économie sont des
économètres).
Parmi ses principaux objectifs figurent la détermination de tendances au sein de ces séries
ainsi que la stabilité des valeurs (et de leur variation) au cours du temps.
Le but de cette étude est d’analyser la série temporelle portant sur l’évolution des prix de
l’huile de palme dans un contexte supposé, afin de construire le modèle de prédiction le
plus optimal possible.

I. PRESENTATION ET VISUALISATION DE LA SERIE

La série que nous étudions porte sur l’évolution des prix de l’huile de palme ($/mt). L’huile
de palme est une ressource très indispensable dans le monde moderne. Suivre l’évolution
des cours des prix de l’huile de palme est une problématique très intéressante pour les
économistes et les mathématiciens. C’est la raison pour laquelle nous avons entamé cette
étude.
Nous disposons des données allant de Janvier 2009 a Décembre 2018. Dans la suite nous
désignerons cette série par price_oil, et le logiciel R sera dans tous qui suit. Nous disposons
de données sur 120 prix. Les données ont été collectées de janvier 2009 à Décembre 2019.
Les donnes se présentent comme suit :

~2~
 PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

Péri 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009
ode M01 M02 M03 M04 M05 M06 M07 M08 M09 M10

Prix 658.5 655.6 660.4 799.7 872.6 788.5 698.4 746.0 703.8 724.6
5 6 8 0 1 7 8 5 5 6

Péri 2009 2009 2010 2010 2010 2010 2010 2010 2010 2010
ode M11 M12 M01 M02 M03 M04 M05 M06 M07 M08

Prix 763.3 821.8 830.8 830.0 862.8 862.7 855.3 825.6 844.4 943.7
3 1 8 0 3 1 1 8 3 3
Table 1: Les 20 premieres donnees

II. VISUALISATION DE LA SERIE TEMPORELLE :

VISUALISATION DES PRIX DE
L'HUILE DE PALME
1400.00
1200.00
Palm oil ($/mt)

1000.00
800.00
600.00
400.00
200.00
0.00
55
13
19
25
31
37
43
49

61
67
73
79
85
91
97
103
109
115
121
127
1
7

Periode

Table 2: Price_Oil
Ce graphique présentant l’évolution du prix de l’huile de palme ($/mt) entre 2009 et 2018.
Les prix semblent diminuer au fil du temps, cela pourrait s’expliquer par l’augmentation de
la production due au progrès techniques et scientifiques.

III. ETUDE DE LA STATIONNARITE

Nous allons réaliser le corrélogramme pour avoir une idée sur le résultat et ensuite utiliser
un test de Dickey-Fuller pour le confirmer.

~3~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

##
## Augmented Dickey-Fuller Test
##

~4~
 PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

## data: price_oil
## Dickey-Fuller = -2.1262, Lag order = 4, p-value = 0.5242
## alternative hypothesis: stationary

D’après le diagramme d’autocorrélation simple nous pouvons dire que la série n’est pas
stationnaire, en effet si elle l’était on observerait une décroissance rapide vers la valeur
zéro ce qui n’est pas le cas. Cette observation sera conforte par le test de stationnarité de
Dickey-Fuller qui a une p-value de 0.5242:

IV. VISUALISATION DE LA TENDANCE AVEC LES MOYENNES

MOBILES

~5~
 PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

Table 3: ESTIMATION DE LA TENDANCE PAR MOYENNES MOBILES

V. MODELE 1. X(T) = T(T) + S(T) + ARMA(P,Q)

V.1 ESTIMATION TENDANCE AVEC LA REGRESSION

##
## Call:
## lm(formula = price_oil ~ poly(t, 3))
##
## Coefficients:
## (Intercept) poly(t, 3)1 poly(t, 3)2 poly(t, 3)3
## 840.8 -1097.1 -702.2 973.9

D’après ce qui précède, on peut modéliser notre tendance par le polynome de

degré 3 suivant :

𝑻𝒓𝒆𝒏𝒅(𝒕) = 𝟖𝟒𝟎. 𝟖 − 𝟏𝟎𝟗𝟕. 𝟏 ∗ 𝒕 − 𝟕𝟎𝟐. 𝟐 ∗ 𝒕𝟐 + 𝟗𝟕𝟑. 𝟗 ∗ 𝒕𝟑

~6~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

Table 4: ESTIMATION DE LA TENDANCE PAR REGRESSION

~7~
 PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

V.2 ETUDE DE LA SAISONNALITÉ

Table 5: TESTE GRAPHIQUE DE LA SAISONNALITE

~8~
 PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

En observant les différents graphiques obtenus précédemment, nous pouvons écarter

l’hypothèse de la présence de saisonnalité dans notre série.

V.3 CALCUL DES RÉSIDUS

Le calcul des résidus se déduit sur R a partir du modèle de Régression avec la fonction
*Residuals(nom du modèle de régression) , on précise que nous sommes en absence de
saisonnalité.
## 1 2 3 4 5
## 9.28602989 -20.32307674 -41.14670281 73.48880948 122.85711791
## 6 7 8 9 10
## 16.30188028 -95.29324561 -68.23460198 -129.96853103 -127.73137497
## 11 12 13 14 15
## -106.68947600 -64.90917633 -71.62681817 -87.39874373 -68.58129520
## 16 17 18 19 20
## -81.85081481 -101.55364476 -142.65612724 -134.56460448 -45.12541868
## 21 22 23 24 25
## -49.05491204 19.58057323 117.54469493 213.99111083 276.80347875
## 26 27 28 29 30
## 295.02545646 204.82070177 178.62287247 185.71562634 145.19262119
## 31 32 33 34 35
## 134.09751481 154.56396499 85.35562951 -7.55383381 61.21923280
## 36 37 38 39 40
## 70.01848714 73.21758701 97.67019019 148.94995449 189.88053769
## 41 42 43 44 45
## 84.38559758 -9.32120803 19.75377864 -6.32578462 -22.55624001
## 46 47 48 49 50
## -132.79392973 -150.11519600 -163.90638103 -116.77382701 -75.24387616
## 51 52 53 54 55
## -96.56287068 -106.85715278 -94.26306467 -89.31694855 -131.34514663
## 56 57 58 59 60
## -131.17400112 -116.04985423 -74.29904815 -21.40792511 -30.56282730
## 61 62 63 64 65
## -45.41009693 5.18392378 63.63289264 45.51046744 26.42030597
## 66 67 68 69 70
## -0.95393398 0.05140538 -65.74001815 -74.47454677 -61.63852270
## 71 72 73 74 75
## -52.13828814 -88.15018530 -79.12055639 -66.77574361 -82.11208917
## 76 77 78 79 80
## -89.49593528 -66.30362414 -49.30149797 -66.93589896 -137.46316932
## 81 82 83 84 85
## -131.44965127 -86.60168700 -107.61561874 -101.24778867 -90.06453901
## 86 87 88 89 90
## -15.87221198 27.26285024 92.35430543 76.48581137 46.61102588
## 91 92 93 94 95
## 11.59360673 109.07721172 140.13549865 95.85212531 116.42074948
## 96 97 98 99 100

~9~
 PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

## 163.81502897 179.91862157 165.53518507 137.13837726 111.50185594

## 101 102 103 104 105
## 122.66927889 94.99430392 79.71058881 75.98179136 110.49156936
## 106 107 108 109 110
## 100.63358061 79.68148289 26.32893400 46.28959174 47.28711389
## 111 112 113 114 115
## 38.35515826 26.95738262 5.81744478 -32.68099747 -81.64428634
## 116 117 118 119 120
## -92.40876404 -112.17077276 -138.48665473 -200.97275214 -217.67540721

Table 6: LES RESIDUS

##
## Box-Pierce test
##
## data: residu
## X-squared = 96.533, df = 1, p-value < 2.2e-16

##
## Shapiro-Wilk normality test
##
## data: residu
## W = 0.96701, p-value = 0.004823

~ 10 ~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

~ 11 ~
 PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

Les résidus obtenus ne sont pas de Bruits Blanc. Cela se confirme a travers le tests de
Box.test() et le test shapiro.test().

V.4 CHOIX DU MODELE

## ME RMSE MAE MPE MAPE MASE

ACF1
## Training set -1.181273 41.04462 31.25096 206.8806 252.6936 0.91857 0.00746
5605

##
## Call:
## arima(x = residu, order = c(1, 0, 1))
##
## Coefficients:
## ar1 ma1 intercept
## 0.8614 0.3966 -9.9317
## s.e. 0.0497 0.0847 36.0322
##

~ 12 ~
 PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

## sigma^2 estimated as 1684: log likelihood = -617.05, aic = 1242.1

##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -0.1747493 41.03146 31.22894 222.1189 267.5405 0.9179228
## ACF1
## Training set 0.007403932

##
## Box-Pierce test
##
## data: residuals(mod)
## X-squared = 0.0065782, df = 1, p-value = 0.9354

##
## Shapiro-Wilk normality test
##
## data: residuals(mod)
## W = 0.9907, p-value = 0.5981

Le modèle optimale pour modéliser les résidus est le modèle ARMA(1,1). Nous appuyons ce
Résultat avec le test Box-Pierce et le Test de Shapiro-Wilk. Les p-value respectives sont :
0.9354 et 0.5981.

V.5 ALTERNATIVES
ARMA (1,5), ARMA (1,7), ARMA (1,6), ARMA (1,7), ARMA (2,7) et ARMA (2,8).
Pour chacun des modèles nous avons effectués successivement le test Box-Pierce et le Test
de Shapiro-Wilk.
##
## Call:
## arima(x = residu, order = c(1, 0, 5))
##
## Coefficients:
## ar1 ma1 ma2 ma3 ma4 ma5 intercept
## 0.7640 0.4964 0.0939 0.0881 0.3302 0.1534 -10.3649
## s.e. 0.1043 0.1331 0.1399 0.1261 0.1257 0.1088 32.1615
##
## sigma^2 estimated as 1576: log likelihood = -613.25, aic = 1242.5
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
ACF1
## Training set 0.130583 39.69274 31.06016 130.418 179.0235 0.9129619 0.00715
8717

~ 13 ~
 PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

##
## Box-Pierce test
##
## data: residuals(mod1)
## X-squared = 0.0061497, df = 1, p-value = 0.9375

##
## Shapiro-Wilk normality test
##
## data: residuals(mod1)
## W = 0.99427, p-value = 0.9086

##
## Call:
## arima(x = residu, order = c(1, 0, 6))
##
## Coefficients:
## ar1 ma1 ma2 ma3 ma4 ma5 ma6 intercept
## 0.7836 0.4764 0.0671 0.0696 0.3138 0.1246 -0.0268 -10.5949
## s.e. 0.1455 0.1703 0.2015 0.1602 0.1522 0.1907 0.1495 32.8463
##
## sigma^2 estimated as 1575: log likelihood = -613.24, aic = 1244.47
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 0.1077297 39.68721 31.02397 138.7728 187.4799 0.9118979
## ACF1
## Training set 0.008151886

##
## Box-Pierce test
##
## data: residuals(mod2)
## X-squared = 0.0079744, df = 1, p-value = 0.9288

##
## Shapiro-Wilk normality test
##
## data: residuals(mod2)
## W = 0.99358, p-value = 0.8594

##
## Call:
## arima(x = residu, order = c(1, 0, 7))
##
## Coefficients:
## ar1 ma1 ma2 ma3 ma4 ma5 ma6 ma7 inter
cept
## 0.7536 0.5065 0.1062 0.1053 0.3437 0.1533 0.0017 0.029 -10.
2374
## s.e. 0.2380 0.2554 0.3160 0.2644 0.2353 0.2706 0.2278 0.142 32.

~ 14 ~
 PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

0936
##
## sigma^2 estimated as 1574: log likelihood = -613.21, aic = 1246.43
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 0.1267427 39.67628 31.02028 156.9468 205.6891 0.9117896
## ACF1
## Training set 0.008449665

##
## Box-Pierce test
##
## data: residuals(mod3)
## X-squared = 0.0085676, df = 1, p-value = 0.9263

##
## Shapiro-Wilk normality test
##
## data: residuals(mod3)
## W = 0.99369, p-value = 0.8679

##
## Call:
## arima(x = residu, order = c(2, 0, 7))
##
## Coefficients:

## Warning in sqrt(diag(x$var.coef)): NaNs produced

## ar1 ar2 ma1 ma2 ma3 ma4 ma5 ma6

ma7
## 0.9754 -0.1672 0.2844 -0.0063 0.0822 0.3203 0.0758 -0.0334 0
.0285
## s.e. NaN NaN NaN NaN NaN NaN NaN NaN
NaN
## intercept
## -10.2290
## s.e. 29.6928
##
## sigma^2 estimated as 1574: log likelihood = -613.22, aic = 1248.44
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
ACF1
## Training set 0.118774 39.67917 31.02269 153.9923 202.7447 0.9118605 0.0086
30256

##
## Box-Pierce test
##

~ 15 ~
 PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

## data: residuals(mod4)
## X-squared = 0.0089378, df = 1, p-value = 0.9247

##
## Shapiro-Wilk normality test
##
## data: residuals(mod4)
## W = 0.99364, p-value = 0.864

##
## Call:
## arima(x = residu, order = c(2, 0, 8))
##
## Coefficients:
## ar1 ar2 ma1 ma2 ma3 ma4 ma5 ma6
ma7
## 1.1134 -0.8754 0.0566 0.4931 0.8470 0.9111 0.4441 0.4114 0.4
388
## s.e. 0.0770 0.0829 0.1191 0.1015 0.0999 0.1179 0.1290 0.1012 0.1
065
## ma8 intercept
## 0.2934 -6.2940
## s.e. 0.1102 21.9924
##
## sigma^2 estimated as 1467: log likelihood = -611.18, aic = 1246.36
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
ACF1
## Training set 0.148259 38.30099 30.17166 294.0684 341.5571 0.8868457 0.0464
5855

##
## Box-Pierce test
##
## data: residuals(mod5)
## X-squared = 0.25901, df = 1, p-value = 0.6108

##
## Shapiro-Wilk normality test
##
## data: residuals(mod5)
## W = 0.98957, p-value = 0.4965

~ 16 ~
 PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

V.6 PREDICTION

ANNEE 2019 PREDICTIONS

121 430.7287337
122 461.1185507
123 488.505185
124 513.3930787
125 536.2183633
126 557.3583257
127 577.1395626
128 595.8450049
129 613.7199684
130 630.9773667
131 647.802201
132 664.355428
Table 7: PREDICTIONS

Visualisation de la prediction
prix de l'huile de Palme PREDICTIONS

1400.00
1200.00
1000.00
800.00
PRICE

600.00
400.00
200.00
0.00
91
97
103
109
115
121
127
1
7
13
19
25
31
37
43
49
55
61
67
73
79
85

PERIODE

Table 8: VISUALISATIO DES PREVISIONS

~ 17 ~
 PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

VI. MODELE 2. X(T) = ARMA(P,Q)

VI.1 DIFFERENCIATION DE LA SERIE A L’ORDRE 1

Table 9: DIFFERENTIATION
## Warning in adf.test(price, alternative = "stationary"): p-value smaller th
an
## printed p-value

##
## Augmented Dickey-Fuller Test
##
## data: price
## Dickey-Fuller = -4.6841, Lag order = 4, p-value = 0.01
## alternative hypothesis: stationary

La série obtenue est bien stationnaire, la p-value du test de Dickey-Fuller est de 0.01 au seul
5%. Nous ne disposons pas d’assez d’éléments pour rejeter l’hypothèse de la stationnarité.

~ 18 ~
 PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

##
## Box-Pierce test
##

~ 19 ~
 PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

## data: price
## X-squared = 8.2821, df = 1, p-value = 0.004004

VI.2 CHOIX DU MODELE DU MEILLEUR MODELE

Le meilleurs modèle dans le cadre de notre étude est le modelé ARIMA(0,1,1). C’est bien un
Bruit Blanc, on confirme cela comme vus précédemment avec le test de Box-Pierce et Celui
de Shapiro.
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set -0.7381032 42.66014 31.89736 Inf Inf 0.6523576 -0.02177251

## Series: price
## ARIMA(0,0,1) with zero mean
##
## Coefficients:
## ma1
## 0.3554
## s.e. 0.0861
##
## sigma^2 = 1835: log likelihood = -615.56
## AIC=1235.12 AICc=1235.22 BIC=1240.68

##
## Box-Pierce test
##
## data: residuals(mod_bon)
## X-squared = 0.056947, df = 1, p-value = 0.8114

##
## Shapiro-Wilk normality test
##
## data: residuals(mod_bon)
## W = 0.98578, p-value = 0.241

VI.3 LES AUTRES ALTERNATIVES

Les autres modèles envisages sont le modèle ARIMA(1,1,1) et ARIMA(2,1,1).
##
## Call:
## arima(x = price, order = c(1, 1, 1))
##
## Coefficients:
## ar1 ma1
## 0.2655 -0.9840
## s.e. 0.0931 0.0392
##
## sigma^2 estimated as 1917: log likelihood = -614.83, aic = 1235.67
##
## Training set error measures:

~ 20 ~
 PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

## ME RMSE MAE MPE MAPE MASE ACF1

## Training set -4.878198 43.59898 32.4025 Inf Inf 0.7880067 0.04280716

##
## Box-Pierce test
##
## data: residuals(mod_1)
## X-squared = 0.21806, df = 1, p-value = 0.6405

##
## Shapiro-Wilk normality test
##
## data: residuals(mod_1)
## W = 0.98037, p-value = 0.07952

##
## Call:
## arima(x = price, order = c(2, 1, 1))
##
## Coefficients:
## ar1 ar2 ma1
## 0.2974 -0.2270 -0.9554
## s.e. 0.0953 0.0941 0.0486
##
## sigma^2 estimated as 1834: log likelihood = -611.98, aic = 1231.97
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set -4.062851 42.63951 31.53399 Inf Inf 0.7668851 0.01119537

##
## Box-Pierce test
##
## data: residuals(mod_2)
## X-squared = 0.014915, df = 1, p-value = 0.9028

##
## Shapiro-Wilk normality test
##
## data: residuals(mod_2)
## W = 0.97982, p-value = 0.07078

~ 21 ~
 PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

VI.4 PRÉVISION DU DEUXIÈME MODÈLE

ANNEE 2019 PREDICTIONS

121 539.4927
122 539.4927
123 539.4927
124 539.4927
125 539.4927
126 539.4927
127 539.4927
128 539.4927
129 539.4927
130 539.4927
131 539.4927
132 539.4927
Table 10: PREDICTION MODELE 2

~ 22 ~
 PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

CONCLUSION
Apres avoir modéliser la série temporelle décrivant l’évolution des prix de l’huile de palme
par deux modèles diffèrent, il en ressort que le modèles tenant compte de la tendance s’en
sors le mieux. L’autre modèle étant stationnaire n’est tout simplement pas en phase avec la
conjoncture économique et la réalité. De plus en se basant sur le critère AIC le modèle
tenant compte de la tendance est le meilleur.

~ 23 ~
 PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT

ANNEXES

Table 1: Les 20 premieres donnees................................................................................................................ 3

Table 2: Price_Oil ................................................................................................................................................... 3
Table 3: ESTIMATION DE LA TENDANCE PAR MOYENNES MOBILES ............................................. 6
Table 4: ESTIMATION DE LA TENDANCE PAR REGRESSION .............................................................. 7
Table 5: TESTE GRAPHIQUE DE LA SAISONNALITE ............................................................................... 8
Table 6: LES RESIDUS ........................................................................................................................................ 10
Table 7: PREDICTIONS ...................................................................................................................................... 17
Table 8: VISUALISATIO DES PREVISIONS.................................................................................................. 17
Table 9: DIFFERENTIATION............................................................................................................................ 18
Table 10: PREDICTION MODELE 2 ............................................................................................................... 22

~ 24 ~