See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/341255392

Modélisation de la prévision des pluies du bassin de la Seybouse avec ARIMA

utilisant l'auto-régression et les moyennes mobiles

Conference Paper · June 2019

CITATION READS

1 372

1 author:

Balah Belkacem
Université Larbi Ben Mhidi
13 PUBLICATIONS 13 CITATIONS

SEE PROFILE

All content following this page was uploaded by Balah Belkacem on 08 May 2020.

The user has requested enhancement of the downloaded file.

 Modélisation de la prévision des pluies du bassin de la Seybouse avec
ARIMA utilisant l'auto-régression et les moyennes mobiles.
BALAH Belkacem. Dépt d’hydraulique, Pôle de technologie, Ain Beida 04200 wilaya d’Oum El
Bouaghi- Algérie. E- mail. : balahbelkacem@hotmail.fr, b.balah@univ-oeb.dz

Résumé

Cette communication est consacrée au calcul de la prévision des séries des pluies mensuelles de cent vingt
observations (1998 à 2007) avec le modèle ARIMA utilisant l'auto-régression et les moyennes mobiles, pour les
cinq stations pluviométriques représentatives du bassin versant de la Seybouse du Nord Est Algérien. Dans la
première étape de ce travail, rassemble toutes les propriétés des séries chronologiques étudiées : normalité,
transformation de Cox-Box, stationnarité et homogénéité. Dans la deuxième étape, elle s’intéresse beaucoup plus
au calage des paramètres du modèle à travers l’analyse des deux fonctions d’auto corrélation et d’auto
corrélations partielle. Et la dernière étape est une application de critère Bayésien d’information pour validé les
modèles construits pour des niveaux de significations fixé à l’avance. L’ensemble des résultats obtenus,
montrent que les modèles construits pour les stations représentatives de la zone d’études sont les suivants :
stations de Guelma, Annaba et Oum El Bouaghi est (0.0.0), la station de Souk Ahras est (0.0.1) et la station de
Constantine est (0.0.13). Le test de Ljung-Box sur les résidus accepte l’hypothèse de nullité, et montre que les
modèles construits sont valides pour un niveau de signification α=5%.

Mots Clés : Prévision, séries, ARIMA, résidu.

Introduction

Selon DIMOPOULOS. (2009) Dans la modélisation et la prévision des paramètres de climat, plusieurs
approches ont étés employées, notamment les réseaux de neurones, lissage exponentiel, les ondelettes
et ARIMA. Le choix d’une technique pour la prévision repose d’une part, sur la disponibilité des
informations que l’on veut exploiter. D’autre part, de la linéarité (technique de filtre Kalman FK, Box
et Jenkins., 1970) ou de la non linéarité entre les différents paramètres.
Quelques traces de la modélisation et de la prévision des paramètres hydrologique avec ARIMA telles
que : les travaux de Alain Mangain (1983), qui étudie les systèmes hydrologiques à partir des analyse
des corrélatoire et spectrale (cité par Delcor L. et al., 2008) dans les travaux de Ping Han et al (2016),
pour la prévision de l’indice de la sécheresse, les travaux de P.K. Kenabatho et al., (2015) pour la
prévision des pluies, les travaux de GUY MORIN et al., (1987) pour la prévision des températures de
l'eau en rivière, de Celso Augusto et al. (2014) pour la prévision des débits et autres.
Selon MATEESCU et al. (2004) les séries des pluies journalières ne sont pas la règle dans l’analyse
des séries chronologiques climatiques. La plupart des études traitent des valeurs moyennes, mensuelles
et annuelles. Dans cette communication nous utilisons les cumuls des pluies mensuelles.
Selon Noël Ben., (1998), Dominique D., (2005) et Roch Roy et al. (2016), les prévisions avec le
modèle non linéaire tel qu’ARIMA permet de trouver des meilleures performances. Elle permet aussi
de combiner trois types de processus temporels: les processus auto régressifs (AR- Auto régressif), les
processus intègres (I- integrated), et les moyennes mobiles (MA- Moving Average). Du moment que
les modèles sont construits, un jugement de validité pour une valeur de probabilité « p » est comparé
au seuil α = 5%, d’où toutes les valeurs de probabilités qui sont supérieures à zéro sont acceptables. A
travers cette brève introduction, la communication est construite d’une façon à prédire et à optimiser
les pluies mensuelles par le modèles ARIMA à travers les critères d’optimisations.
Données et zone d’étude
Les données utilisées sont les cumules mensuelles des pluies en (mm). Les données ont été utilisées
puisqu'il s'agit d'une série chronologique et que les observations ont été collectées de manière
séquentielle dans le temps (mensuelle). Cinq stations synoptique représentatives du bassin versant de
la Seybouse de Nord Est Algérien ; La station 1) d’Annaba dont les coordonnées sont : l’Altitude : 03
m, Latitude : 36°50 N et Longitude : 07°48 E, 2) celle de Constantine dont les coordonnées sont :
l’Altitude :693 m, Latitude : 36°17 N et Longitude : 06°37 E, 3) la station de Guelma dont les
coordonnées sont : l’Altitude : 227 m, Latitude : 36°28 N et Longitude : 07°28 E, 4) celle de Souk
Ahras dont les cordonnées sont : l’Altitude : 590 m, Latitude : 965.25 km et Longitude : 342.25 km et
5) la station d’Oum El Bouaghi dont les cordonnées sont : l’Altitude 889 m, Latitude : 35°52 N et
Longitude : 07°07 E.
Ce bassin est le lieu de naissance de plusieurs recherches, études et travaux scientifiques. Il s’étend
entre la longitude 6°48’W et 7°59’E, et de latitude 35°53’ Sud à 36°57’ Nord. La cartographie des
stations avec la forme du réseau hydrographie est représentée sur la figure 1.

Annaba

Legende : N
limites du BV.
cours d'eau permanent
cours d'eau non permanent
nom de la station
Guelma
a
Bridi
El

ka Rhira ne
ka
Se
a

Souk Ahras
H.Boumia

R'bib
El Mellah

l
u
djo
A
be
ida

Constantine

0 8 Km
Oum El Bouaghi

Figure 1 : Localisation des stations climatique étudiées.

Méthodologie

Le point de départ de ce travail, est l’étude de la normalité des séries. Pour les variables qui présentent
des distributions dissymétriques à travers l’étude des deux coefficients de dissymétrie (β1) et
d’aplatissement (β2) soient de Pearson 3 ou de Ficher, pour la majorité des travaux d’hydrologies,
mettre en face l’obligation de chercher à définir une nouvelle fonction qui rend la distribution est
sensiblement dit augmenter la normalité. Ces fonctions sont soient de types logarithmique, puissance
fractionnaire ou de type Cox- Box (1964). L’existence de quelques valeurs nulles dans les séries des
pluies étudiées, rend l’application de la dernière transformation cité en -dessus impossible, pour
ressortir de cette impasse, nous remplaçons arbitrairement le zéro dans chaque séries étudiées par leur
moyenne afin d’obtenir une série à terme positif. L’expression mathématique de cette transformation
s’écrite selon MELARD G., (1979) par :

Yt → avec X t ≥ 0 et λ > 0 (1)

Ln (X) avec X t > 0 et λ = 0.

Avec est une constante qui rend la courbe de distribution normale dans sa valeur optimale
permettant de maximiser la vraisemblance.
Un test de normalité de Jarque- Bera, basés sur les coefficients dissymétrie (β1) et d’aplatissement
(β2) (Régie B., 2008 et KHARBOUCH O., 2018) est appliqué sur les séries étudiées pour vérifier la
compatibilité d’une distribution expérimentale transformée par rapport à une distribution théorique.
La structure du modèle ARIMA s’écrit sous la forme suivante : (p, d, q) dont les paramètres : p est
l'ordre de la partie autorégressive du modèle, q est l'ordre de la partie moyenne mobile du modèle, d :
est l'ordre de différentiation du modèle.
Après la normalisation des données, on va construire les deux courbes d’auto corrélation et d’auto
corrélation partielle afin de déterminer les paramètres du modèle (p, d, d). Selon KHARBOUCH Omar
(2018), les principales caractéristiques temporelles d’un processus sont données par l’auto corrélation
(FAC) et l’auto corrélation partielle (FACP); la fonction d’auto corrélation est la fonction qui mesure
la dépendance de la série statistique avec elle-même décalée de (k) périodes et déceler des liaisons
interne à la série. Selon Régie Bourbonnais (2008), le décalage maximum « k » admissible pour que le
coefficient d’auto corrélation ait un sens, se situe en général entre ≤k≤ où « n » est le nombre

d’observations temporelles. Pour n ≥ 150, on prendra K = .

La fonction d’auto corrélation d’ordre k est donnée par :

∑ ( ).( ) (2)

∑ ( ) . ∑ .

Avec ̅ est la moyenne de la série calculée sur les « n » observations.

De même, pour créer un modèle ARIMA les données doivent être stationnaires, c'est-à-dire que le
procédé ne doit présenter aucune tendance, ni à la hausse, ni à la baisse. Un examen du non
stationnarité par la recherche de la racine unitaire avec DICKEY et Fuller, est appliqué sur les séries
pour accepter l’hypothèse de nullité (H0), pour que le processus étudié ne soit pas stationnaire. De
même les deux tests de Pettitt et de Buishand sont appliqués pour vérifier l’homogénéisation et
l’existence d’une tendance dans les séries, pour un niveau de signification α = 5%.
Dominique D., (2005) a cité les critères d’optimisations ci-dessous (équations 4 à 8), pour évaluer les
modèles construits.
L’erreur quadratique moyenne RMSE = ∑ e (3)

L’erreur absolue moyenne MAE = . ∑ |e | (4)

L’erreur absolue moyenne en pourcentage MAPE = . ∑ . 100 (5)

L’erreur absolue maximale maxAE = max| | (6)

L’erreur absolue maximale en pourcentage maxAPE = max . 100 (7)

Le critère Bayésien d’information BIC = - 2log(L) + 2 k ln(n) (8)

Avec « L » : est la vraisemblance, k : le nombre de paramètres et n : la taille de l’échantillon.
Est le meilleur modèle correspond à la plus faible valeur.
L’erreur absolue moyenne accorde moins d'importance aux erreurs élevées que l'erreur quadratique
moyenne.
Les résidus d'un bon modèle présentent diverses propriétés : normalité, linéarité, homoscédasticité,
et indépendance. Dans ce travail, la vérification des modèles construits peut être faite par une analyse
du résidu avec le test de Ljung-Box. (1978) (équation n° 9), le résidu est défini comme une différence
entre les valeurs observées et prédites. Le test de Ljung-Box appliqué sur les résidus des modèles
obtenus pour vérifier l’effet d’hétéroscédasticité, reste un outil décisif pour l’adaptabilité des modèles
construits pour un niveau de signification prédéfini. Comme les résidus sont normalement distribués et
non corrélés, on en déduit que le modèle correspond à la réalité.

Q = n.(n+2).∑ (9)

Avec : est la fonction d’auto corrélation, k : le décalage, n : taille de la série et h : degré de liberté.
Autres informations concernant les variables indépendantes moteurs dans la prévision pour réussir la
construction des modèles sont : l’évaporation, l’humidité, température moyenne, l’ensoleillement et la
vitesse du vent.
Résultats et interprétations

Les paramètres hydrologiques tels que : la moyenne ( ), l’écart type (σ), le coefficient de variation
(Cv), les valeurs maximales (X max) et minimales (X min) et les coefficients de dissymétrie (β1) et
d’aplatissement (β2) de Pearson 3, des séries des pluies pour les stations pluviométriques étudiées
(tableau 1), présentent des distributions nettement dissymétrie, d’où la normalité n’est pas vérifiée.
Une transformation est effectuée sur les séries pour rendre les distributions suit une loi normale. Le
choix de la transformation est arrêté à la fonction de Cox –Box.
L’ensemble des résultats du test de normalité de Jarque- Bera, montrent qu’avant la transformation la
distribution des séries des pluies étudiées ne suit pas la loi normale. Par contre, juste après la
transformation la distribution à suivre la loi normale pour toutes les séries des pluies, d’ou
l’hypothèse de nullité H0 est acceptée pour un niveau de signification α égal à 5% (tableau 1), avec le
rejet de l’hypothèse alternative Ha.
Tableau 1 : Paramètres initiaux des données pour chaque station.
paramètre Nom de la station
Annaba Constantine Guelma Oum El Bouaghi Souk Ahras
59,794 79.26 45,2 34.1 50,6
σ 63,55 136.46 46,19 31.54 55,62
Cv 1,063 1.722 1,021 0.926 1,099
X max 258,9 679.7 219,5 152.2 298,6
X min 0 0 0 0 0
β1 1,277 3,031 1,488 1,574 1,845
β2 0,661 8,679 1,999 2,407 3,980
Test de normalité 0.3579 0.9928 0.7538 0.8675 0.399

Concernant les meilleures valeurs optimales des coefficients pour une meilleure approximation de
la courbe de distribution normale sont les suivantes : la station de Guelma est 0.299, la station de
Annaba est 0.274 la station de Constantine est 0.052, la station de Souk Ahras est 0.176 et la station
d’Oum El Bouaghi est 0.147.
Les résultats de test de normalité de Jarque- Bera appliqués aux séries transformées, montrent que
toutes les séries de données suivent une loi normale et le risque de rejeter l'hypothèse nulle H0 alors
qu'elle est vraie, il est égal à 40% pour la station de Souk Ahras, 91.9% pour la station de Guelma,
86.2% pour la station de Oum El Bouaghi, 34.7% pour la station d’Annaba et 99.3% pour la station de
Constantine.
L’examen des données avec le test Dickey-Fuller, montre l’acceptation de l’hypothèse alternative
(Ha), alors que les séries des pluies sont stationnaires, et le risque de rejeter l'hypothèse nulle H0 alors
qu'elle est vraie est inférieur à : 0,001% pour la station de Souk Ahras, 0,004% pour la station d’Oum
El Bouaghi, 0,0001% pour la stations de Guelma, 0.0003% pou la station de Constantine et inférieur à
0.0001% pour la station d’Annaba et l’ensemble des séries des données montrent l’existence de la
racine unitaire.
Les résultats de test d’homogénéisation respectivement de Pettitt et Buishand des séries des pluies
initiales, montrent que les séries des pluies étudiées sont homogènes, et le risque de rejeter l'hypothèse
nulle H0 alors qu'il est vraie est de 77,95% et 35,68% pour la station de Souk Ahras, 28,86% et
45,67% pour la station de Guelma, 45,3% et 14,88% pour la station d’Oum El Bouaghi, 38,81% et
38,23% pour la station d’Annaba et 74,22% et 78,88% pour la station de Constantine. Ces résultats
montrent que les données ne présentent aucune tendance ni à la hausse ni à la baisse.
Sur les stations étudiées, deux variables indépendantes sont sélectionnées par le modélisateur expert
pour construit le meilleur modèle ARIMA des stations de Souk Ahras, Oum El Bouaghi et Guelma,
quatre variables pour la station de Constantine et aucune variable choisie comme indépendante pour
construire le modèle de la station d’Annaba (tableau 2).
L’analyse des valeurs de différenciation « d » de la fonction d’auto- corrélation (FAC) et de la
fonction d’auto- corrélation partielle des séries saisonnières, montrent que toutes les valeurs sont
nulles pour les modèles construits avec les modélisateurs experts, qu’elles justifient clairement que les
séries employées sont stationnaires.
L’étape la plus importante dans cette communication est la validation des modèles construits.
Les valeurs du test de Ljung-Box, dit test portemanteau, les résidus (tableau 2) sont égales à 24.7%,
49.8%, 89.5%, 77.9% et de 45.2% respectivement pour les stations d’Annaba, d’Oum El Bouaghi,
Guelma, de Souk Ahras et de Constantine, montrent que l’hypothèse de nullité (H0)
d’homoscédasticité est acceptable pour un seuil α = 5% des cinq stations. Nous constatons que les
processus étudiés ne sont pas des processus de bruits blanc. Ces résultats montrent que les résidus des
modèles obtenus ne sont pas auto corrélés et signifiant une homoscédasticité. Et nous pouvons
confirmer que l’estimation des modèles ARIMA du tableau (2) construits des séries des pluies
représentatives du bassin étudié sont valides. De même, les valeurs de critère d’information Bayésian
(BIC) minimales et maximales pour la zone d’étude pour que les modèles sélectionnés le plus
vraisemblable sont acceptables au seuil cité ci- dessus, sont limitées entre 0.662 pour la station d’Oum
El Bouaghi et de 2.097 pour la station de Guelma, sont aussi conforme aux valeurs minimales et
maximales de l’erreur quadratique moyenne RMSE, l’erreur absolue moyenne MAE et de l’erreur
absolue maximale MaxAE. Cette proportionnalité entre les valeurs de BIC et les erreurs soulignées
n’ont pas universelles sur la zone d’étude.
Dans cette contribution nous faisons l’accent sur les valeurs des erreurs absolues moyennes qui sont
plus faibles par rapport aux valeurs d’autres erreurs (tableau 2) dans toutes les stations. D’autre coté,
les coefficients de corrélations avec transformation sont limités entre 0.388 cas de la station de
Constantine à 0.628 pour la station d’Annaba.
Juste à la fin de construction et de la validation des modèle ARIMA, on va élaborer les diagrammes
des pluies observées et prédites (figure 2) après l’enlèvement de la transformation, les coefficients de
corrélations du couple pour la station de Constantine est égal à 0.51, d’Annaba est égal à 0.56, de
Guelma est égal à 0.432, d’Oum El Bouaghi est égal à 0.624 et pour la station de Souk Ahras est égal
à 0.494. Ces derniers résultats signifient que la corrélation est forte et renforcent l’acceptation des
modèles conçus. Dans cette étude, nous faisons un accent très particulier sur l’échéance de prévision
qui à de court terme pour l’ensemble des modèles construits qui reste un caractère et une spécificité de
la prévision avec cette dite technique. Le nombre des variables indépendantes introduites à la
construction des modèles sont d’ordre de zéro pour la station de Constantine, d’ordre de un pour les
stations d’Annaba, Guelma et Souk Ahras et d’ordre de quatre pour la station d’Oum El Bouaghi.
Les statistiques des modèles de prévisions construits avec celle de la technique de prévision choisie
sont représentées dans le tableau (2). L’ensemble des diagrammes séquentiels et régressions des pluies
prédites et observées sont représentés dans la figure n° 2.
 Tableau 2 : Détermination des ordres du processus ARIMA.

nom de la station
modèle Souk ahras Oum El Guelma Constantine Annaba
résultats ARIMA Bouaghi
(0.0.1) (0.0.0) (0.0.0) (0.0.13) (0.0.0)
Nombre de variables
indépendantes 1 4 1 0 1
R-deux 0.194 0.285 0.198 0.151 0.394
RMSE 1.834 1.228 2.795 1.558 2.575
Statistiques
de qualité MAPE 47.405 30.313 63.832 71.635 111.573
d'ajustement MAE 1.528 0.968 2.346 1.232 2.136
du modèle MaxAPE 565.95 347.79 736.53 1863.6 3844.59
MaxAE 4.448 2.908 6.732 4.137 6.61
BIC standardisé 1.336 0.662 2.097 0.967 1.971
Statistiques 12.334 17.441 10.991 17.038 21.662
Ljung-Box Q DDL 17 18 18 17 18
Sig. 0.779 0.498 0.895 0.452 0.247

Figure 2 : Diagrammes séquentiels et les régressions entre des pluies observées et prédites des cinq
stations :
(a) Annaba, (b) Constantine, (c) Guelma, (d) Oum El Bouaghi et (e) Souk Ahras.
300,00
250,00 prédites
200,00 observées

150,00
100,00
50,00
0,00
MAY 1998

MAY 1999

MAY 2000

MAY 2001

MAY 2002

MAY 2003

MAY 2004

MAY 2005

MAY 2006

MAY 2007
janv-98

janv-99

janv-00

janv-01

janv-02

janv-03

janv-04

janv-05

janv-06

janv-07
sept-98

sept-99

sept-00

sept-01

sept-02

sept-03

sept-04

sept-05

sept-06

sept-07

300
pluies
250 observées R² = 0,314
200
150
100
50
pluies prédites
0
0 20 40 60 80 100 120 140 160

(a)
 0
100
150
200
250

50
0
100
200
300
400
500
600
700
800

50,00
100,00
150,00
200,00
250,00

0,00
0,00
100,00
200,00
300,00
400,00
500,00
600,00
700,00
800,00

0
0
juil-98 janv-99
nov-98 MAY 1999
mars-99 sept-99

pluies
10
pluies
janv-00

10
juil-99

observées
observées
nov-99 MAY 2000
mars-00 sept-00
janv-01

20
juil-00

20
nov-00 MAY 2001
sept-01
mars-01
janv-02

30
juil-01
MAY 2002

30
nov-01
sept-02
mars-02
janv-03
juil-02

40
MAY 2003
nov-02 sept-03

40

(c)
(b)
mars-03 janv-04
juil-03 MAY 2004

50
nov-03 sept-04
mars-04

50
janv-05
juil-04 MAY 2005

60
nov-04 sept-05
mars-05 janv-06

60
juil-05 70 MAY 2006
nov-05 sept-06
mars-06 janv-07
juil-06 MAY 2007

70
sept-07
80

nov-06
janv-08

R² = 0,187
mars-07
MAY 2008
juil-07
R² = 0,291

sept-08
pluies prédites

80
prédites

90

nov-07
observées

prédites
observées janv-09

pluies prédites
 0
100
150
200
250
300
350

50
20
40
60
80

0
100
120
140
160

50,00
100,00
150,00
200,00
250,00
300,00
350,00

0,00
100,00
120,00
140,00
160,00

0,00
20,00
40,00
60,00
80,00

0
0
MAY 1998 AUG 1998
sept-98 DEC 1998
janv-99 APR 1999

pluies
10
pluies
MAY 1999

observées
AUG 1999

observées

20
sept-99 DEC 1999
janv-00 APR 2000

20
MAY 2000 AUG 2000
sept-00 DEC 2000
janv-01 APR 2001

40
30
MAY 2001 AUG 2001
sept-01 DEC 2001
janv-02 APR 2002

40
MAY 2002 AUG 2002
sept-02 DEC 2002

60

(e)
(d)
janv-03 APR 2003
MAY 2003 AUG 2003

50
sept-03 DEC 2003
janv-04 APR 2004
AUG 2004

80
MAY 2004

60
sept-04 DEC 2004
janv-05 APR 2005
MAY 2005 AUG 2005
70
sept-05 DEC 2005

R² = 0,244
APR 2006

100
janv-06
MAY 2006 AUG 2006
80

sept-06 DEC 2006

APR 2007

pluies prédites
janv-07
MAY 2007 AUG 2007
pluies prédites
prédites

120
90

DEC 2007
observées

sept-07
prédites
R² = 0,390

observées
 Conclusion

Les pluies mensuelles des cinq stations pluviométriques représentatives du bassin versant de la
Seybouse sont modélisées avec le modèle ARIMA sur une période de 1998 à 2007. Pour que les séries
étudiées soient modélisable il faut la normalité, la stationnarité l’homogénéité soit vérifiée pour un
niveau de signification de 5%. Un problème a été rencontré pour rendre l’emploi de la transformation
de Cox- Box nécessaire pour rendre la distribution expérimentale des séries des pluies compatible à
une distribution théorique. Juste après la construction des modèles, nous sommes remarqués que les
modèles construits sont tous de type ARMA au lieu d’ARIMA pour les raisons que le paramètre « d »
est nul. De même, sont valides, optimaux et moyennement proche de la réalité avec un niveau de
signification de 5%.
Il faut cependant se rappeler que ces résultats et ces conclusions de cette dite technique peuvent
pratiquement être utilisés pour réaliser les futurs ouvrages hydrauliques avec d’autres données
récentes.
Références bibliographiques

1. Celso Augusto et al. 2014, Prévision des débits journaliers utilisant des modèles hybrides de transformées en
ondelettes et de réseaux de neurones artificiels. Hydrological Sciences Journal – Journal des Sciences
Hydrologiques, 59 (2) 2014.
2. Delcor L. et al (2008). Analyse de la variabilité par les modèles ARIMA : une source d’information pour la
compréhension des processus mnésique, l’année psychologique, 2008, 699- 720.
3. DIMOPOULOS., S LEK., J LAUGA., Décembre 2009. Modélisation de la relation pluie – débit par les
réseaux connexionnistes et le filtre de Kalman, journal des sciences hydrologiques 41 (2) april 1996.
4. Dominique DESBOIS, (2005).- Une introduction à la méthodologie de Box et Jenkins : l’utilisation de
modèles ARIMA avec SPSS, Revue MODULAD n°33, 24p.
5. GUY MORIN et al., 1987. Prévision des températures de l'eau en rivière à l'aide d'un modèle conceptuel.
Journal - des Sciences Hydrologique, DOI: 10.1080/02626668709491160.
6. KHARBOUCH Omar .2018. L’étude de la normalité et des caractéristiques stochastiques des distributions de
rentabilité des fonds d’investissement marocains, Revue du Contrôle de la Comptabilité et de l’Audit ISSN:
2550-469X, LABORATOIRE : Management : Finance, Comptabilité Faculté des sciences juridiques,
économiques et sociales, Université Ibn Tofail, Kénitra, Maroc. Sept. 2018. 24p.
7. MATEESCU M. et I. HAIDU. Janvier 2007, la méthode des ondelettes comme outil de test d’homogénéité
le cas des précipitations à CLUJ, Romanie. XXème Colloque de l Association Internationale de Climatologie.
369-374.
8. MELARD Guy 1979, modèle ARIMA pour les séries chronologiques non homogènes, statistiques et analyse
des données, tome 2 (1979), p. 41-50.
9. Noël Beneuil, (1998).- traitement des données manquantes dans les séries issues des registres paroissieux,
Population, 53 année, n°1-2, 1998. Population et histoire. pp. 249-270.
10. Pin Han et al. (22 j ul 2016). Application of ARIMA models in drought forecasting using the standardized
precipitation index. HAL Id : hal-01348118. Submited on 22 jul 2016.
11. P.K. Kenabatho et al., mars 2015. Analyse de la pluie et de prédicteurs à grande échelle utilisant un modèle
stochastique et un réseau de neurones artificiels pour des applications hydrologiques en Afrique du Sud.
Hydrological Sciences Journal. DOI: 10.1080/02626667.2015.1040021.
12. Régie Bourbonnais (2008), exercice pédagogique d’économétrie avec corrigés et rappels synthétiques de
cours. ISBN 978-2-7178-5526-5.
13. Roch Roy et Thien Vo- Da (2016). Sur L’erreur De Prévision Avec Un Modèle RIMA lorsqu’il Y A Des
Données Manquantes. NFOR: Information Systems and Operational Research. vol. 17, no. 3, August 1979.
287-295, DOI: 10.1080/03155986.1979.11731742.

View publication stats