Université Batna2

Département de Mathématiques
2eme année statistique et analyse des données
Année universitaire 2019-2020

Introduction aux séries

chronologiques
(Partie 4)
6 Décomposition d’une série chronologique.

6.1 Série désaisonnalisée ou série CVS

6.1.1 Définition
On appelle série désaisonnalisée ou série corrigée des variations saisonnières notée série
CVS, la série chronologique Yt à laquelle on a enlevé les variations saisonnières.

Dans le cas du modèle additif :

La série désaisonnalisée est

YCVS,t = Yt – St ou encore YCVS,ij =Yij – Sj’.

Dans le cas du modèle multiplicatif :

La série désaisonnalisée est

ou encore

6.2 Intérêts
 La particularité de la série CVS est que les données de Dt sont directement
comparables: on a enlevé l’effet des saisons et donc le caractère propre de chaque mois
on peut donc par exemple comparer les données de premier trimestre et cellede
troisième trimestre.

La série (Yt) et la série désaisonnalisée

10
9
8
7
6
yt
5
YCVS
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13

 A partir de la série CVS, on peut réévaluer la tendance par ajustement ou lissage

(moindres carrés ou Mayer sur Dt, ou moyennes mobiles sur Dt …), afin d’avoir une
meilleure estimation de la tendance.

2
6.3 Série ajustée et variations accidentelles

6.3.1 Série ajustée

La série ajustée, notée ̂ , est obtenue en recomposant les deux composantes estimées : la
tendance et les variations saisonnières selon le modèle qui a été choisi.

Dans le cas du modèle additif :

̂ = Ct + St ou encore ̂ = Cij + Sj’.

Dans le cas du modèle multiplicatif :

̂ = Ct × St ou encore ̂ = Cij × Sj’.

Ce qu’elle représente :

La série ajustée représente l’évolution qu’aurait subi la grandeur observée, si les variations
saisonnières avaient été parfaitement périodiques (s’étaient répétées à l’identique d’une
année sur l’autre) et s’il n’y avait pas eu de variations accidentelles.

6.3.2 Variations accidentelles ou résiduelles

Dans le cas du modèle additif , la différence entre la série Yt et sa série ajustée
représente les variations accidentelles ou résiduelles ̂

Dans le cas du modèle multiplicatif) , le rapport entre la série Yt et sa série ajustée Y

représente les variations accidentelles ou résiduelles : ̂

Conclusion : Pour décomposer une série chronologique (Yt).

1)On trace le graphe de (Yt) et le graphique des courbes superposées.

2)On estime la tendance Ct, et on la trace.

3)On choisit le modèle de composition : additif ou multiplicatif.

4)On estime les variations saisonnières St.

5)On calcule la série CVS Dt et on la trace.

6) réévaluer la tendance a partir de la série CVS

7)On calcule la série ajustée ̂ ..

8)On estime les variations accidentelles εt.

6.3.3 Itération de la procédure

On procède parfois à une itération de la procédure : on estime à nouveau la tendance à
partir de la série YCVS,t en utilisant une moyenne mobile d’ordre différent de celui utilisé a
l’étape 2.

3
 Cette estimation. On retranche a la série Yt cette tendance et on revient éventuellement à
l’étape 4 pour une seconde estimation du saisonnier.

Une décomposition est correcte (bon choix de tendance dans le cas d’un ajustement, bon
calcul de Mp’(t) dans le cas d’un lissage, bon choix de modèle, estimation correcte de
chaque composante) lorsque la série ajustée est « proche » de la série Yt.

6.4 Prévisions dans le cas où la tendance est ajustée

Lorsque la tendance est ajustée (moindres carrés ou méthode de Mayer), on a une
expression de Ct en fonction de t, il est alors facile de faire des prévisions pour les mois
suivants :

Pour avoir une prévision pour la date T il suffit

- de calculer la tendance à la date T :CT à l’aide de l’expression de la tendance en fonction de t,

- puis d’additionner CT et le coefficient saisonnier du mois en question si le modèle est additif, ou

de multiplier CT et le coefficient saisonnier du mois si le modèle est multiplicatif.

Cela se ramène à poursuivre le calcul de la série ajustée pour les mois suivants.

Remarque :

• On fait des prévisions en supposant que la tendance va suivre la même évolution (linéaire,
exponentielle, polynomiale…), et que les variations saisonnières seront identiques.

On obtient ainsi une estimation de l’évolution de la grandeur observée, on ne peut pas tenir
compte des variations accidentelles.

Intérêt :

•On peut faire des prévisions pour l’année qui suit la dernière année d’observation, afin de
prévoir par exemple des investissements.

•On peut faire des prévisions pour des années qui ont été observées, dans le but de
comparer les prévisions (faites à partir des années précédentes) et les données réelles. Cela
permet de voir l’impact d’un événement (ex : campagne publicitaire, catastrophe naturelle,
crise boursière…).

4
Exemple

Reprendre les données de l’exemple précédent

1- calculer la série CVS .

2- Ajuster cette série par une droite en utilisant la méthode des moindres carrés
ordinaires.

3- quelles prévisions pouvions-nous faire pour les deux premiers trimestres 2020.

4- Sachant que les deux premiers trimestres 2020 ont pris les valeurs 8 et 4.5 calculer
l'erreur quadratique moyenne et l’erreur absolue moyenne de prévision.

1- calculer la série CVS .

t yt Sj’ CVS
1 5 0,421875 4,578125
2 3 -2,828125 5,828125
3 7 1,796875 5,203125
4 6 0,609375 5,390625
5 6 0,421875 5,578125
6 3 -2,828125 5,828125
7 8 1,796875 6,203125
8 7 0,609375 6,390625
9 7 0,421875 6,578125
10 4 -2,828125 6,828125
11 9 1,796875 7,203125
12 8 0,609375 7,390625

2- y = 0,2218t + 4,6416

3- T1 2020= 13 ;T2 2020= 14

̂ ( ) ( )

̂ ( ) ( )

4-

( ) ( )
∑( ̂)

| | | |
∑| ̂|

5
Exemple

On considère la série suivante :

I II III IV
2017 306 344 333 373
2018 327 345 347 406
2019 362 387 382 437

1. Représenter graphiquement cette série

2. Tracer le graphique des courbes superposées

3. D’après vous, cette série a-t-elle une composante de tendance, une composante
saisonnière, une composante irrégulière ?

4. justifier l’existence d’une saisonnalité avec le tableau de de Buys-Ballot classé

5. D´déterminer s’il s’agit d’un modèle additif ou multiplicatif par les trois méthodes, Méthode
de la bande, Méthode du profil et la Méthode du tableau de Buys et Ballo

6. Calculez la séries des Moyennes mobiles centrée d'ordre 4 M4’(t) de la série initiale

7. Calculez les variations saisonnières

8. calculer la série CVS .

9. Ajuster cette série par une droite en utilisant la méthode des moindres carrés ordinaires.

10. quelles prévisions pouvions-nous faire pour l’année 2020.

11. Sachant que l’année 2020 a pris les valeurs 385,412,407 et459 pour les 4 trimestre. calculer
l'erreur quadratique moyenne et l’erreur absolue moyenne de prévision.

1. Représenter graphiquement la série

6
 Yt
500
450
400
350
300
250
Yt
200
150
100
50
0
0 2 4 6 8 10 12 14

1. Tracer le graphique des courbes superposées

460

440

420

400
2017
380
2018
360 2019
340

320

300
0 1 2 3 4 5

2. D’après vous, cette série a-t-elle une composante de tendance, une composante
saisonnière, une composante irrégulière ?

Oui La série manifeste une tendance régulière à la hausse avec des variations saisonnières
assez marquées. Et une composante irrégulière

3. justifier l’existence d’une saisonnalité avec le tableau de de Buys-Ballot classé

I II III IV
T4 T2 T3 T1
T4 T3 T2 T1
T4 T2 T3 T1

7
 Au vu du tableau ci-dessus nous pouvons émettre l’hypothèse d’être en présence d’une
saisonnalité rigide. Le quatrième trimestre le plus fort et premier trimestre le plus faible.

4. D´déterminer s’il s’agit d’un modèle additif ou multiplicatif par les trois méthodes,
Méthode de la bande, Méthode du profil et la Méthode du tableau de Buys et Ballot.

vu le graphique des courbes superposées ,les différentes courbes sont à peu près parallèles
,le modèle est additif.

Yt
500
450
400
350
300
250 Yt
200
150
100
50
0
0 2 4 6 8 10 12 14

Au vu du graphique ci-dessus, la droite passant par les minima et celle passant par les
maxima. sont à peu près parallèles : le modèle est additif.

tableau de Buys et Ballot.

2017 2018 2019

I 306 327 362
II 344 345 387
III 333 347 382
IV 373 406 437
moyenne 339 356,25 392
Ecartype 24,0104144 29,7605023 27,6134025

La pente (a) de la droite des moindres carrés est très proche de 0. l’écart type est
indépendant de la moyenne le modèle est additif.
5. Calculez la séries des Moyennes mobiles centrée d'ordre 4 M4’(t) de la série initiale

( ) ∑

8
 ( ) ∑ ( )

( )
∑ ( )

( )
∑ ( ) ( )

t y M4’(t) di Si' CVS Ct ̂ ε

1 306 -18,15625 324,15625 325,6957 307,53945 -1,53945
2 344 -3,71875 347,71875 332,3714 328,65265 15,34735
3 333 341,625 -8,625 -10,71875 343,71875 339,0471 328,32835 4,67165
4 373 344,375 28,625 32,59375 340,40625 345,7228 378,31655 -5,31655
5 327 346,25 -19,25 -18,15625 345,15625 352,3985 334,24225 -7,24225
6 345 352,125 -7,125 -3,71875 348,71875 359,0742 355,35545 -10,35545
7 347 360,625 -13,625 -10,71875 357,71875 365,7499 355,03115 -8,03115
8 406 370,25 35,75 32,59375 373,40625 372,4256 405,01935 0,98065
9 362 379,875 -17,875 -18,15625 380,15625 379,1013 360,94505 1,05495
10 387 388,125 -1,125 -3,71875 390,71875 385,777 382,05825 4,94175
11 382 -10,71875 392,71875 392,4527 381,73395 0,26605
12 437 32,59375 404,40625 399,1284 431,72215 5,27785
13 385 -18,15625 405,8041 387,64785 -2,64785
14 412 -3,71875 412,4798 408,76105 3,23895
15 407 -10,71875 419,1555 408,43675 -1,43675
16 459 32,59375 425,8312 458,42495 0,57505

6. Calculez les variations saisonnières

a. Calcul des données sans tendance.

Les données sans tendance sont DT= Yt – Ct.

b. Calcul des coefficients saisonniers Sj.

∑ ( )

9
 Par conséquent,

∑ ( ) ( )

∑ ( ) ( )

Et

∑ ( )

∑ ( )

c. Correction des coefficients saisonniers.

̅ ∑

S est non nulle, on calcule les coefficients saisonniers corrigés en soustrayant à chacun des
Sj la moyenne S :

Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4

2017 -8,625 28,625

2018 -19,25 -7,125 -13,625 35,75

2019 -17,875 -1,125

Sj -18,5625 -4,125 -11,125 32,1875 ̅=-0,40625

Sj’ -18,15625 -3,71875 -10,71875 32,59375 0

7. calculer la série CVS .

CVS = Yt – St

8. Ajuster cette série par une droite en utilisant la méthode des moindres carrés ordinaires.

10
 ∑ ∑
̅ ̅

∑ ̅̅

∑ ̅
̅ ̅

t Ct ty tt
1 325,6957 325,6957 1
2 332,3714 664,7428 4
3 339,0471 1017,1413 9
4 345,7228 1382,8912 16
5 352,3985 1761,9925 25
6 359,0742 2154,4452 36
7 365,7499 2560,2493 49
8 372,4256 2979,4048 64
9 379,1013 3411,9117 81
10 385,777 3857,77 100
11 392,4527 4316,9797 121
12 399,1284 4789,5408 144
6,5 362,41205 2435,23042 54,1666667

Ct = 6,6757t + 319,02

9. quelles prévisions pouvions-nous faire pour l’année 2020.

La série ajusté est

La provision pour l’année 2020. (y4, 1 ,y4, 2 ,y4, 3 ,y4, 4)

Yi j= y(i – 1) × p + j

Y4 ,1 = y(4-1) x 4 + 1 = y13 , Y4, 2 = y(4-1) x 4 + 2 = y14 , Y4, 3 = y(4-1) x 4 + 3 = y15 , Y4, 4 = y(4-1) x 4 + 4= y16

̂ ( ) ( )

̂ ( ) ( )

̂ ( ) ( )

̂ ( ) ( )

11
 Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4
2017 306 344 333 373
2018 327 345 347 406
2019 362 387 382 437
2020* 387,65 408,76 408,44 458,43

10.Sachant que l’année 2020 a pris les valeurs 385,412,407 et459 pour les 4 trimestre. calculer
l'erreur quadratique moyenne et l’erreur absolue moyenne de prévision.

t y ̂ ε ε2 | |
13 385 387,64785 -2,64785 7,01 2,65
14 412 408,76105 3,23895 10,49 3,24
15 407 408,43675 -1,43675 2,06 1,44
16 459 458,42495 0,57505 0,33 0,58
Somme -0,27 19,90 7,90

∑( ̂)

∑| ̂|

12