Chapitre 4:

Statistiques à deux variables

 I Introduction
1) Objectifs
• Description plus poussée (X*X ou Y*Y) (à
éviter!!!)
• Déterminer quelles sont les variables
susceptibles d’expliquer Y (Y*X)
Y varie avec X ou pas?

• Identifier les forces et les faiblesses

Quelles valeurs de X permet un Y élevé, un Y bas?
2) Les tests statistiques

• Quand Y varie avec X :

Exemple : Taux de satisfaction des Français : 60%
Taux de satisfaction des Allemands : 55%
 La satisfaction varie selon la nationalité?

Différences dues à des erreurs

d’échantillonnage ou pas? significatives ou
pas?
 Tests statistiques
 H 0 : Les différences sont dues à des erreurs
 d’échantillonnage, elles ne sont pas

 significatives, Y ne varie pas avec X

 H a : Les différences ne sont pas dues à des erreurs
d’échantillonnage, elles sont significatives, Y varie
avec X

Objectif du test statistique : Confronter ses deux

hypothèses

Si les différences sont suffisamment importantes,

dépassent un certain seuil, alors on pourra dire que les
différences sont significatives
Mais quel seuil? A partir de quand les différences sont
jugées significatives?

Þ Mobilisation de la théorie probabiliste

Rappel: Erreurs d’échantillonnage suivent une Loi
Normale

La Loi Normale nous permet de connaitre la valeur de ses

seuils….
…et de nous donner la probabilité de nous tromper si on
rejette Ho
Þ La p_value

H 0 : Les différences ne sont pas significatives


H a : Les différences sont significatives

• P_value > 0,10 : plus de 10% de chance de se tromper si on

rejette Ho donc on ne rejette pas Ho
• 0,05< P_value < 0,10 : on rejette Ho, les différences sont
significatives à 90%, elles sont faiblement significatives
• 0,01< P_value < 0,05 : on rejette Ho, les différences sont
significatives à 95%, elles sont significatives
• P_value < 0,01 : on rejette Ho, les différences sont
significatives à 99%, elles sont très significatives
2 types d’erreurs dans les tests statistiques:
- Dire que Ho est vraie alors que c’est faux:
Dire que X ne joue pas sur Y alors qu’il a un effet. Donc ne rien
changer dans l’organisation alors qu’il y aurait des éléments pour
l’améliorer. Dommage!

- Dire que Ha est vraie alors que c’est faux:

Dire que X joue sur Y alors qu’il n’a pas effet. Donc mettre en place
des changements dans l’organisation (qui seront forcément
couteux) alors qu’ils seront inefficaces. Très grave!!!

Þ Principe des tests: Tant que Ha n’est pas vérifiée avec

un seuil de confiance > à 90% alors on accepte Ho.
Þ Humilité dans la portée des résultats statistiques
3) Les trois types d’analyses

• Variable quantitative*variable quantitative

• Variable qualitative*variable qualitative

• Variable quantitative*Variable qualitative

• Cas particulier :
Variable quantitative*temps
(données chronologique, saisonnalité)
 II variable quantitative*variable
quantitative

1) Indicateurs statistiques

• Coefficient de corrélation linéaire: Rho

1   y,x  1

• Nuages de points et corrélation

3 cas: corrélation positive, négative, absence de
corrélation (voir schéma)
 2) Interprétations
- Le signe
- La valeur

-1 - 0,75 - 0,5 - 0,25 0 0,25 0,5 0,75 1

Corrélation forte Absence de Corrélation faible

Corrélation faible Corrélation forte
négative corrélation positive
négative positive
3) Tests statistiques

Test de pearson
H 0 :   0

H a :   0
4) Limites

• Corrélation linéaire uniquement

Pour détecter des corrélations non

linéaires entre des variables quantitatives
il faut transformer ces variables
quantitatives en variables qualitatives,
autrement dit faire des classes
• Corrélation fortuite

Pour savoir si la corrélation entre les variables

traduit une vraie relation entre les variables ou
si elle n’est que fortuite il faut faire un modèle
économétrique
Ex:
Z: la consommation de glace en litre
Y: la consommation de lunettes de soleil
Corrélation très forte entre Z et Y…
….et pourtant pas de lien…
X: Température extérieure
X agit sur Z et X agit sur Y
5) Représentation graphique

Nuage de points
CA en euros CA en euros par âge
80000

70000

60000

50000

40000

30000

20000

10000

0
20 25 30 35 40 45 50 55

Âge en année
• Y en ordonnées (vertical) ; X en abscisse

• Mettre les unités et nommer les graphes

• Modifier les valeurs minimums et maximums

des axes

• Introduire éventuellement une courbe de

tendance
 III variable qualitative*variable
qualitative
Exemple:
Population: Elèves de Terminale
Echantillon: n = 20 000 élèves
Question: Est-ce qu’il y a des différences dans
le choix de la série au bac selon le sexe?
Est-ce que le sexe est un facteur expliquant le
choix de la série au bac?

Y: Série au bac ; X: Sexe

1) Indicateurs statistiques

• Tris croisés : 4 types de statistiques

- Effectifs
- Fréquence absolue
- Fréquence conditionnelle du point de vue
de X selon Y
- Fréquence conditionnelle du point de vue
de Y selon X
 ( 4200 / 20000 ) x 100 = 21% ( 2800 / 20000 ) x 100 = 14%

  Filles Garçon Total   Filles Garçon Total

L 4200 1800 6000 L 21 9 30

ES 4200 2800 7000 ES 21 14 35

S 3500 3500 7000 S 17,5 17,5 35

Total 12000 8000 20000 Total 60 40 100

Effectifs Fréquence absolue

Il y a 4200 bacheliers filles en bac L 21% des bacheliers sont des filles en bac L
14% des bacheliers sont des garçons en bac ES

( 4200 / 6000 ) x 100 = 70% (2800/ 7000 ) x 100 = 40% ( 4200 / 12000 ) x 100 = 35% (2800/ 8000 ) x 100 = 35%

  Filles Garçon Total   Filles Garçon Total

L 70 30 100 L 35 22,5 30

ES 60 40 100 ES 35 35 35

S 50 50 100 S 29,2 43,8 35

Total 100 100 100

Total 60 40 100

Fréquence conditionnelle du point de vue du Fréquence conditionnelle du point de vue du

bac selon le sexe sexe selon le bac
70% des bac L sont des filles 35% des filles sont en bac L
40% des bac ES sont des garçons 35% des garçons sont en bac ES
2) Interprétation

• Fréquence conditionnelle du point de vue

du Y selon le X
Bac préféré des filles? Des garçons? Indifférence selon le sexe?
  Filles Garçon Total

L 70 30 100

ES 60 40 100

S 50 50 100

Total 60 40 100

Comparer les fréquences conditionnelles avec le profil moyen

- Bac L est préféré par les filles
- Bac ES est autant apprécié par les filles que les garcons
- Bac S est préféré des garcons
• Fréquence conditionnelle du point de vue
du X selon le Y
Bac préféré des filles? Des garçons? Indifférence selon le sexe?

  Filles Garçon Total

L 35 22,5 30

ES 35 35 35

S 29,2 43,8 35

Total 100 100 100

Comparer les fréquences conditionnelles avec le profil moyen

- Bac L est préféré par les filles
- Bac ES est autant apprécié par les filles que les garcons
- Bac S est préféré des garcons
Autre exemple

• Fréquence conditionnelle du point de vue

du Y selon le X
Qui sont les plus satisfaits? Les plus insatisfaits?
  Francais Allemand Total

Satisfait 70 30 100

Insatisfait 85 15 100

Total 80 20 100

Comparer les fréquences conditionnelles avec le profil moyen

- Les plus satisfaits : Les Allemands
- Les plus insatisfaits : Les Français
3) Tests statistiques

Ecart avec le profil moyen: erreurs

d’échantillonnage?
Test du  2
(Chi-deux, Chi-square, Khi-square)

H 0 : Indépendance entre Y et X, pas de lien entre

 X et Y. Les écarts avec le profil moyen sont

 dues à des erreurs d’échantillonnage, pas
 significatives
 H a : Dépendance entre Y et X, lien entre X et Y.
Les écarts avec le profil moyen ne sont pas
dues à des erreurs d’échantillonnage, elles
sont significatives
Principe du test du Chi-deux:
• Données observées (effectif ou fréquence
absolue)

• Données théoriques (Multiplication des marges)

30x60/100 30x40/100

Filles Garçon Total

L 18 12 30
ES 21 14 35
S 21 14 35
Total 60 40 100

35x60/100
• La valeur du Chi-deux est la somme des
carrés des écarts entre les valeurs observées
et théoriques:
Observées Théoriques
Filles Garçon Total
L 18 12 30
ES 21 14 35
S 21 14 35
Total 60 40 100

 2  (21  18)²  (9  12)²  (21  21)² 

 (14  14)²  (17,5  21)²  (17,5  14)²
• Cette valeur est comparée à une valeur de
référence obtenue dans la table du Chi-
deux qui varie selon le seuil de confiance
voulue (0,05 si on veut un test à 95%) et un
degré de liberté

• Le degré de liberté est : (le nombre de

modalité de la 1ière variable -1) x (le nombre
de modalité de la 2ième variable -1)

Ex: Bac: 3 modalités ;

Sexe: 2 modalités
Degré de liberté: (3-1)x(2-1)=2x1=2
• P_value > 0,10 : plus de 10% de chance de se
tromper si on rejette Ho donc on ne rejette pas Ho

• 0,05< P_value < 0,10 : on rejette Ho, les

différences sont significatives à 90%, elles sont
faiblement significatives

• 0,01< P_value < 0,05 : on rejette Ho, les

différences sont significatives à 95%, elles sont
significatives

• P_value < 0,01 : on rejette Ho, les différences

sont significatives à 99%, elles sont très
significatives
4) Limites
• Le test du Chi-deux ne peut s’appliquer que si il y
a au moins 5 observations dans chaque « case »
(Voir données en effectif)
  Filles Garçon Total

L 4200 1800 6000

ES 4200 2800 7000

S 3500 3500 7000

Total 12000 8000 20000

• D’où l’importance d’avoir une taille d’échantillon suffisamment grande ou

d’avoir des variables qualitatives avec peu de modalités
• Alternative: Faire des regroupements de modalités :
Les « très satisfait » et « satisfait »
Les « insatisfaits » et « très insatisfaits »
 5) Représentation graphique
Fréquence conditionnelle du pont de vue du sexe
selon la série au bac
50
La part relative des bac ES est la
45
40
même entre les filles et les
35 garçons
Filles
30 Garçon
25
20
15
10
5
0 Fréquence conditionnelle du point de vue du bac
L ES S
selon le sexe
80

70

La part relative des filles baisse 60

L
ES
entre les bac L, ES et S 50
S
40

30

20

10

0
Filles Garçon
 Commentaires des représentations graphiques

Les hauteurs Fréquence conditionnelle du point de vue du bac

selon le sexe
représentent la
80
part relative des 70
filles 60
L
50 ES
On compare ses 40
S

hauteurs et on 30
regarde pour 20

quelle série la 10

hauteur est la plus 0

Filles Garçon
élevés Variable
de condition

Ex: - La part relative des filles est la plus forte chez les bacs L Variable
- La part relative des garçons est la plus faible en bac L de répartition
Autre exemple : Durée de séjour et âge
• Fréquence conditionnelle du point de vue de la durée
selon l’âge   -30 ans 30-50 ans +50 ans Total
Court 50 25 25 100
Inter 62 32 6 100
ou Long 63 30 7 100
Total 60 30 10 100

• Fréquence conditionnelle du point de vue de l’âge selon

la durée   -30 ans 30-50 ans +50 ans Total
Court 17 17 50 20
Inter 52 53 30 50
Long 32 30 20 30
Total 100 100 100 100
 Représentation graphique
Fréquence conditionnelle du point de vue de la durée selon
l'âge
70

60
Court
50
Inter
40 Long

30

20

10

0
-30 ans 30-50 ans +50 ans

60 Fréquence conditionnelle du point de vue de l'âge

selon la durée
50

40

- 30 ans
30 30-50 ans
+ 50 ans

20

10

0
Court Inter Long
 Autre exemple : Durée de séjour et âge
• Fréquence conditionnelle du point de vue de la durée
selon l’âge   -30 ans 30-50 ans +50 ans Total
Court 50 25 25 100
Inter 62 32 6 100
ou Long 63 30 7 100
Total 60 30 10 100

• Fréquence conditionnelle du point de vue de l’âge selon

la durée   -30 ans 30-50 ans +50 ans Total
Court 17 17 50 20
Inter 52 53 30 50
Long 32 30 20 30
Total 100 100 100 100
Les longs séjours sont préférés des jeunes.
Les courts séjours sont préférés par les plus de 50 ans.
Les séjours intermédiaires sont préférés des 30-50 ans
 Représentation graphique
Fréquence conditionnelle du point de vue de la durée selon
l'âge
70 La part relative des -30 ans
60
Court
augmentent avec la durée de
50
Inter
Long
séjour et inversement la part
40

30
relative des +50 ans baisse avec
20
la durée de séjour
10

0
-30 ans 30-50 ans +50 ans

60 Fréquence conditionnelle du point de vue de l'âge

selon la durée
50

40

La part relative des séjours - 30 ans

30 30-50 ans
courts augmentent avec l’âge et + 50 ans
inversement la part relative des 20
séjours longs baisse avec l’âge
10

0
Court Inter Long
 IV variable quantitative*variable
qualitative
1) Indicateurs statistiques

• Indicateurs statistiques de la variable

quantitative pour chaque modalité de la
variable qualitative
 Moyenne par sous population
2) Interprétation
• Ex:
Y : les dépenses d’achat
X : la nationalité (Français, Allemands,
Anglais)

Þ Dépenses moyennes des français, des

allemands et des anglais
xFR  3600 x ANG  3400 x ALL  3700
Þ Les Allemands sont ceux qui dépensent le
plus
Þ les Anglais sont ceux qui dépensent le moins
3) Tests statistiques
• Ecarts significatifs ou dus à des erreurs
d’échantillonnage?

• 2 cas:
- Variable qualitative a plus de 2
modalités : Test Anova
- Variable qualitative a 2 modalités:
Test de Student
- Variable qualitative a plus de 2 modalités :
Test Anova

Principe:
 H 0 : xFR  x ANG  x ALL


H : x  x x ALL  x ANG
 a FR ANG ou x FR  x ALL ou

Si la p-value est inférieure à 0,10 alors on rejette

H0 et donc les différences sont
significatives….mais où???....voir test de Student
- Variable qualitative a 2 modalités : Test de
Student
Ex: Dépenses entre les Femmes et les
Hommes
Principe:
 H 0 : xF  xH


H : x  x
 a F H
 • Comment le test de Student procède?
1ier exemple Femme Homme

570 465

590 480

610 520

640 525

Moyenne 602,5 497,5

Ecart-type 29,9 29,6

• Le test de Student calcule les différences de moyennes

entre les deux populations (rapportés aux écart-types)
et compare cette valeur à une valeur de référence
obtenue dans la table de Student qui varie en fonction
du seuil de confiance voulu (0,05 si on veut un test à
95%) et un degré de liberté (n-1)
• P_value > 0,10 : plus de 10% de chance de se
tromper si on rejette Ho donc on ne rejette pas Ho

• 0,05< P_value < 0,10 : on rejette Ho, les

différences sont significatives à 90%, elles sont
faiblement significatives

• 0,01< P_value < 0,05 : on rejette Ho, les

différences sont significatives à 95%, elles sont
significatives

• P_value < 0,01 : on rejette Ho, les différences

sont significatives à 99%, elles sont très
significatives
 • Comment le test de Student procède?
1ier exemple Femme Homme

570 465

590 480
Ecart-types (variances) égaux 610 520
ou proches!
640 525

Moyenne 602,5 497,5

Ecart-type 29,9 29,6

• Le test de Student calcule les différences de moyennes

entre les deux populations (rapportés aux écart-types)
et compare cette valeur à une valeur de référence
obtenue dans la table de Student qui varie en fonction
du seuil de confiance voulu (0,05 si on veut un test à
95%) et un degré de liberté (n-1)
• 2ième exemple:
2ième exemple Femme Homme

570 570

590 590
Ecart-types (variances) très
610 610
différents !
1050 630

Moyenne 705 600

Ecart-type 230,6 25,8

• Le test de Student et les valeurs de référence à comparer

dans la table ne sont pas les mêmes entre le cas où les écart-
types (variances) sont égaux ou pas.

• Il faut faire un test d’égalité des variances au préalable pour

pouvoir faire le test de Student approprié
- Test d’égalité des variances
H 0 :  F   H


H :   
 a F H

• Si la p_value > 0,10 les variances sont égales

• Si la p_value <0,10 le variances ne sont pas
égales
• Généralement les logiciels statistiques font les deux
tests automatiquement en même temps

• Pour excel, regardez juste les écart-types et spécifier

quel test de student faire
4) Limites

Si la variable qualitative a beaucoup de

modalités, fastidieux de faire les tests pour
comparer chaque modalité

 Privilégier des variables avec peu de

modalités
5) Représentation graphique
• Boite à moustache pour chaque sous population
 Conclusion : En pratique

• Quantitative * Quantitative : corrélation +

test de Pearson (facultatif)

• Qualitative * Qualitative : fréquence

conditionnelle du point de vue de Y selon X
+ test du Chi-deux

• Quantitative * Qualitative (avec 2

modalités) : comparaison des moyennes +
test de Student
• Interprétation des tests statistiques:

• P_value > 0,10 : les différences ne sont pas

significatives

• P_value < 0,10 : les différences sont

significatives (avec les nuances: faiblement
significatives, significatives, très
significatives)
 IV Cas particulier: Variable
quantitative*Temps
1) Cas d’application
• Données en série chronologiques

• Variable quantitative

• Périodicité
- Année
- Trimestre
- Mois
- Semaine
- Jour
- Heure
 Mois Production Temps
janv-02 52 1
févr-02 31 2
mars-02 40
3
avr-02 20
… 4
…
… … …
déc-02 60 …
janv-03 55 12
févr-02 34 13
mars-03 46 14
avr-03 23 15
… … 16
déc-03 66
 
… …
… … 24
déc-08 88  
 
84
2) Objectifs

• Savoir quelle relation lie la variable Y et le

temps….(1ière étape)

• …afin de modéliser cette relation….(2ième

étape)

• …pour faire des prévisions (3ième étape)

3) Types de relation

• 4 cas:
- Linéaire
- Exponentielle
- Logistique
- Saisonnier
 Linéaire
Y

Temps
 Exponentielle
Y

Temps
 Logistique
Y

Temps
 Saisonnier 1
Y

Temps
 Saisonnier 2
Y

Temps
4) Les 3 étapes

a) 1ière étape: Savoir quelle relation lie Y et le

temps

• Représentation graphique

• Coefficient de corrélation linéaire pour

détecter une relation linéaire
1   y,x  1
 Interprétations
- Le signe
- La valeur

-1 - 0,75 - 0,5 - 0,25 0 0,25 0,5 0,75 1

Relation linéaire Absence de Relation linéaire

Relation linéaire Relation linéaire
forte Relation linéaire faible
faible forte

Relation décroissante Relation croissante

b) 2ième étape: Modéliser la relation
 Linéaire
Y

y  a  Temps  b

y  a  Temps  b
Par sous périodes avec test de
Temps Chow pour identifier les points
de ruptures

 Voir Chapitre 5: Econométrie

 Exponentielle
Y

y  y0 (1  r )Temps
r: le taux de croissance
périodique

Phénomènes qui évoluent

avec un taux de variation à
peu près constant dans le
temps
Temps

 Voir Chapitre 5: Econométrie

 Logistique
Y

1
y
1  e ( aTemps b )

Modélise :
- l’évolution dans le temps
des ventes d’un produit
depuis sa création
- Le taux d’équipement des
ménages en biens durables
Temps

 Voir Chapitre 5: Econométrie

 Saisonnier 1
Y

Temps

 Voir 5): Analyse de la saisonnalité

c) 3ième étape: Faire des prévisions

 Voir Chapitre 5: Econométrie

5) Analyse des relations avec saisonnalités
• Les composantes d’une série chronologique
- Le Trend : la tendance, mouvement de longue période à
la hausse, à la baisse ou stationnaire
- Les variations saisonnières: mouvements significatifs
qui se produisent au même moment, de court terme.
+ Se répète à l’identique à chaque période
+ Sur la période les variations se compensent
 saison : j sur la période : m
Ex: Trimestre (j=1,2,3,4) sur une période (m) d’un an / Mois (j=1,…,12) sur une période d’un an
/ Jour (j=1,…,7) sur une période d’une semaine / Heure (j=1,…,24) sur une période d’une
journée
- Les variations accidentelles : chocs, résidu, aléa,
mouvements exceptionnels, irréguliers et imprévisibles
• 2 modélisations possibles
Y Modèle additif y  Trend  Saison  
m

S
j 1
j 0
Choc, Aléa
Trend

Saison

Temps
• 2 modélisations possibles
Y

Trend

Modèle multiplicatif

y  Trend  Saison  
ou
y  Trend  Saison  
Temps

 Transforme en logarithme pour retrouver un Modèle

additif ln y  ln Trend  ln Saison  ln 
• Le calcul du trend

- Méthode analytique :
Econométrie – Modèle de régression linéaire avec
application des Moindres Carrés Ordinaires
y  a  Temps  b
Þ A éviter, souvent imprécises

- Méthode empirique :
Méthode des moyennes mobiles
Avec j impair (ex: jour; j=7)
Avec j pair (ex: trimestre; j=4)
 Méthode des moyennes mobiles
J est impair
Temps Production Moyenne Mobile
Lundi 236
Mardi 197 Vide y  y  ...  y
1 2 j
Mercredi 262 y' j 1 
Jeudi
Vendredi
163
217
211
205 2 j
Samedi 220 207
Dimanche 183 … Exemple: j=7
Lundi 193 …
…
Mardi 210 236  197  262  163  217  220  183
… y '   211
Mercredi 257 4
7
Jeudi 211 217
Vendredi 156 197  262  163  217  220  183  193
y '5   205
Samedi 261 Vide 7
Dimanche 231
 Méthode des moyennes mobiles
J est pair
Temps Production Moyenne Mobile
Trim 1 236
y y
 y  ... 
Vide 1 J 1
Trim 2 197
212,2 2
 2 2
Trim 3 262
Trim 4 163 212,6 y' j 2
Trim 1 217 205,6
2 j
Trim 2 220
Trim 3 183 … Exemple: j=4
Trim 4 193 …
… 236 217
Trim 1 210  197  262  163 
Trim 2 257 213 y '3  2 2  212,2
Trim 3 211 4
Vide 197 220
Trim 4 156  262  163  217 
y '4  2 2  212,6
4
• Le calcul des coefficients saisonniers

- Calcul des différences entre les valeurs observés (y)

et les valeurs obtenues pour le trend (y’)
Dt  yt  yt '
 Moyenne
Temps Production Mobile Différences
Trim 1 236
Trim 2 197
Trim 3 262 212,1 49,9
Trim 4 163 212,6 -49,6
Trim 1 217 205,6 11,4
Trim 2 220 199,5 20,5
Trim 3 183 202,4 -19,4
Trim 4 193 206,1 -13,1
Trim 1 210 214,3 -4,3
Trim 2 257 213,1 43,9
Trim 3 211 212,3 -1,3
Trim 4 156 208,9 -52,9
Trim 1 240 202,9 37,1
Trim 2 200 205,1 -5,1
Trim 3 220
Trim 4 165
• Le calcul des coefficients saisonniers

- Calcul des différences entre les valeurs observés (y)

et les valeurs obtenues pour le trend (y’)
Dt  yt  yt '
- Calcul des coefficients saisonniers : la moyenne (ou
la médiane) des différences (D) pour chaque saison
(j)
 Temps Différences
Trim 1
Trim 2
Trim 3 49,9
Trim 4 -49,6
Trim 1 11,4
Trim 2 20,5
Trimestre Moyenne
Trim 3 -19,4
Trim 1 = (11,4-4,3+37,1)/3 = 14,8
Trim 4 -13,1
Trim 1 -4,3 Trim 2 = (20,5+43,9-5,1)/ 3 = 19,8
Trim 2 43,9 Trim 3 9,8
Trim 3 -1,3 Trim 4 -38,5
Trim 4 -52,9
Trim 1 37,1
Trim 2 -5,1
Trim 3
Trim 4
• Le calcul des coefficients saisonniers

- Calcul des différences entre les valeurs observés (y)

et les valeurs obtenues pour le trend (y’)
Dt  yt  yt '
- Calcul des coefficients saisonniers : la moyenne des
différences (D) pour chaque saison (j)

- Calcul des coefficients saisonniers corrigés : la

somme des coefficients saisonniers doit être égale à
0.
Si ce n’est pas le cas: on divise cette somme par j (le
nombre de saison) et on le soustrait aux coefficient
saisonniers
 Temps Différences
Trim 1
Trim 2
Trim 3 49,9
Trim 4 -49,6
Trim 1 11,4
Trim 2 20,5 Trimestre Coef Saisonnier Coef saisonnier
Corrigé
Trim 3 -19,4
Trim 1 14,8 =14,8-1,4 = 13,3
Trim 4 -13,1
Trim 2 19,8 = 19,8-1,4 = 18,3
Trim 1 -4,3
Trim 3 9,8 8,3
Trim 2 43,9
Trim 3 Trim 4 -38,5 -40
-1,3
Trim 4 -52,9 Total 5,7 0
Trim 1 37,1 Moyenne =5,7/4= 1,4
Trim 2 -5,1
Trim 3
Trim 4
• Le calcul de l’aléa et des coefficients
saisonniers corrigés

- Calcul de l’erreur (choc, aléa)

- Calcul des coefficients saisonniers corrigés