Académique Documents
Professionnel Documents
Culture Documents
Département de Mathématiques
2eme année statistique et analyse des données
Année universitaire 2019-2020
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.
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.
2
6.3 Série ajustée et variations accidentelles
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.
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.
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
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.
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
̂ ( ) ( )
̂ ( ) ( )
4-
( ) ( )
∑( ̂)
| | | |
∑| ̂|
5
Exemple
I II III IV
2017 306 344 333 373
2018 327 345 347 406
2019 362 387 382 437
3. D’après vous, cette série a-t-elle une composante de tendance, une composante
saisonnière, une composante irrégulière ?
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
9. Ajuster cette série par une droite en utilisant la méthode des moindres carrés ordinaires.
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.
6
Yt
500
450
400
350
300
250
Yt
200
150
100
50
0
0 2 4 6 8 10 12 14
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
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.
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
( ) ∑ ( )
( )
∑ ( )
( )
∑ ( ) ( )
∑ ( )
9
Par conséquent,
∑ ( ) ( )
∑ ( ) ( )
Et
∑ ( )
∑ ( )
̅ ∑
S est non nulle, on calcule les coefficients saisonniers corrigés en soustrayant à chacun des
Sj la moyenne S :
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
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