la série chro-

Élaboré par :
nologique NESRINE EL BAZ

SALMA BKARE

MERIEM FERRI

HANANE BAYANE

ZAMRI ISMAIL

Master spécialisé : management de la chaine logistique

Année : 2021/2022
 Plan
Généralités de la série chronologique

Analyse de la tendance

Lissage par Moyenne mobile

Décomposition de la série chronologique

Le lissage exponentiel
Introduction
Introduction
Série chronologique : vocabulaire et exemples
1. Definition de la série chronologique
 
 
SERIE CHRONOLOGIQUE
=
Suite d’observations indicées par le temps
y ’ t= 1,……..T
t

 
En général, dates d’observations régulières :
t= heure…
Jour…
Mois…
Années…
 2 ,Représentation graphique de la série chronologique

Un exemple : Evolution de L’indice harmonisé de la production industrielle (IHPI) de Burkina

 3.Les domaines d’application de la série chronologique
La théorie des séries chronologiques (ou temporelles) est appliquée de nos jours dans des do-
maines aussi variés que :

En démographie

Figure 1. Taille de la population (en million d’habitants) des USA

entre les années 1790 et 1990
 3.Les domaines d’application de la série chronologique

En écologie

Figure 2. Nombre de lynx capturés au Canada de 1821 à 1934

 3.Les domaines d’application de la série chronologique

En économie

Figure 3. Nombre mensuel de passagers (en milliers) entre les années

1949 et 1960 dans les lignes aériennes.
4.Description d’une série chronologique

• la tendance (ou trend) (T)

• la composante saisonnière (ou saisonnalité) (S)
• la composante résiduelle (ou bruit ou résidu)
• Des phénomènes accidentels
• phénomène cyclique

5.Les objectifs de la série chronologique

• Analyser un phénomène
« Décrire/comprendre/Juger l’évolution de la serie ».
• Prévision

« Prévoir les valeurs futures de Yt » .

 II. Modélisation déterministe
1. Modèle additif de série chronologique.

   pour tout t = 1, …,T x t = c t + s t + et  

   
   

2. Modèle multiplicatif de série chronologique.

   pour tout t = 1, …, T xt = ct (1 + st) + et  

   
   
Exemple de modèle additif et multiplicatif

Modèle additif Modèle multiplicatif

III. Description schématique de l’étude complète d’une série
chronologique

Les étapes de traitement de la série chronologique :

1. Correction des données
2. Observation de la série
3. Modélisation
4. Analyse de la série à partir de ses composantes
5. Diagnostic du modèle
6. Prédiction
ANALYSE DE
LA TEN-
DANCE
Ajustement tendanciel linéaire par moindres carrés

F(t)= at + b
Ajustement tendanciel linéaire par moindres carrés
La méthode des moindres carres consiste à estimer la tendance par une fonction
linéaire : Y = t +.
 Ajustement tendanciel linéaire par moindres carrés
Le coefficient de corrélation

 Le coefficient de corrélation est compris entre -1−1.

 Plus le coefficient est proche de 1, plus la relation linéaire positive entre les variables est forte.

 Plus le coefficient est proche de -1, plus la relation linéaire négative entre les variables est forte.

 Plus le coefficient est proche de 0, plus la relation linéaire entre les variables est faible.
Ajustement tendanciel linéaire par moindres carrés
 AJUSTEMENT TENTANCIEL NON LINIERE

Ajustement exponentiel

ln y =ln(b )

Ln y =ln b + ln

Ln y = ax +ln b

en pose Y = ln y et b= ln b

Y=ax+b
 AJUSTEMENT TENTANCIEL NON LINIERE

Ajustement puissance

ln y =ln(b)
ln y =ln b +ln
ln y =a ln x +ln b
en pose Y=ln y x=ln x b=ln b
 
Y=ax+b

 
Lissage par
moyennes
mobiles 
Lissage par moyennes mobiles 
Une moyenne mobile permet de lisser une série de valeurs exprimées en fonction du temps (série
chronologique). Elle permet d'éliminer les fluctuations les moins significatives. On calcule des
moyennes mobiles d'ordre 3, 4, 5, etc
 
Objectif
L’objectif d’un lissage par moyenne mobile est de faire apparaitre l’allure de la tendance :
-En éliminant la composante saisonnières ;  
-En atténuant les fluctuations irrégulières.
 
 
● Suppression de la composante saisonnière
● Atténuation de la composante résiduelle
● Conservation de la tendance
 1. Moyennes mobiles
Deux choses à faire :
a) Calculer des moyennes d’ordre p d’une série ( Yt )
b) Affecter ces moyennes mobiles à une date : c'est-à-dire à la date milieu de la période de p

 
Exercice : Calculer les séries des moyennes-mobiles d’ordre 2, 3 et 4 de la série initiale (yi ) trimestrielle suivante :

ti 1 2 3 4 5 6 7 8
               
         

yi 30 15 5 30 36 18 9 36
 
ti 9 10 11 12 13 14 15 16

yi 45 15 10 60 48 16 8 72
 (ti ) (yi ) MM(2) MM(3) MM(4)
Solution   
1
 
30      
    22.5    
2 15   16.67  
    10   20
3 5   16.67  
    17.5   21.5
4 30   23.67  
    33   22.25
5 36   28  
    27   23.25
6 18   21  
    13.5   24.75
7 9   21  
    22.5   27
8 36   30  
 
9
 
45  
40.5
   
32  
26.25

    30   26.5
10 15   23.33  
    12.5   32.5
11 10   28.33  
    35   33.25
12 60   39.33  
    54   33.5
13 48   41.33  
    32   33
14 16   24
 
    12  
36
15 8   32
    40
16 72
 2.Moyennes mobiles centrées
Pour comparer la série lissée avec la série initiale, on cherchera à obtenir les valeurs pour les mêmes dates d'obser-
vation.

Dans tous les cas on fait la moyenne de p observations (1/p). Pour obtenir une moyenne mobile pour le temps t, on
retiendra 2k + 1 observations, en pondérant les deux extrêmes par ½

Formule de la moyenne mobile centrée d'ordre pair

Exemple de calcul d'une moyenne mobile centrée d'ordre p = 4, pour t = 3

Exercice : Reprendre la série de l’exercice (E.1) et calculer les séries des moyennes-mobiles
centrées d’ordre 2 et 4
Solution :
(ti ) (yi ) MM(2) MMC (2) MM(3) MM(4) MMC (4)
1 30
         
22.5
           
2 15 16.25 16.67
     
10 20
         
3 5 13.75 16.67 20.75
   
17.5 21.5
         
4 30 25.25 23.67 21.875
   
33 22.25
         
5 36 30 28 22.75
   
27 23.25
         
6 18 20.25 21 24
   
13.5 24.75
         
7 9 18 21 25.875
   
22.5 27
         
8 36 31.5 30 26.625
   
40.5 26.25
         
9 45 35.25 32 26.375
   
30 26.5
         
10 15 21.25 23.33 29.5
   
12.5 32.5
         
11 10 23.75 28.33 32.875
   
35 33.25
         
12 60 44.5 39.33 33.375
   
54 33.5
         
13 48 43 41.33 33.25
   
32 33
         
14 16 22 24 34.5
   
12 36
         
15 8 26 32
Série initiale (en bleu) −− MM(2) (en rouge) Série initiale (en bleu) −− MMC(2) (en rouge)

Série initiale (en bleu) −− MM(4) (en rouge) Série initiale (en bleu) −− MMC(4) (en rouge)
 3.Choix pratique de l'ordre d'une moyenne mobile

Rappel.
Le but d’un lissage par moyenne mobile est de faire apparaitre l’allure de la ten-
dance.
Lorsque des fluctuations périodiques et/ou irrégulières sont présentes, on aimerait
par conséquent réaliser les trois objectifs suivants :
 Supprimer la composante périodique ;
 Réduire le plus possible l’amplitude des fluctuations irrégulières ;
 Et bien sur, ne pas trop modifier la tendance !
4. Exemple des représentations graphiques des moyennes mobiles

Lorsque l'on représente la série initiale et la moyenne mobile d'ordre 4 sur le même
graphique on constate que la courbe des moyennes mobiles représente la tendance.
On peut interpréter cette courbe comme la moyenne trimestrielle des ventes de l'an-
née qui entoure chaque valeur.
 Graphe des moyennes d'ordre 4 des ventes d'huîtres

A titre d'illustration, il est possible de calculer les moyennes mobiles d'ordre 2 et 3 de la

même façon.
On constate sur le graphique suivant que seul l'ordre 4 donne une série lissée.
Illustrations avec des moyennes mobiles de différents ordres
La décomposition d’une série chrono-
logique

Plan
• La série lissée par moyenne mobile
• Estimation de la saisonnalité
• Estimation de la tendance
• Les prévisions
 Application :
Les ventes d’un produit X pendant les 3 années :

  T1 T2 T3 T4
2019 24 25 29 24
2020 24 27 30 26
2021 27 29 32 29
Le graphique
 1 moyenne mobile :

Donc dans l’exercice les données sont trimestrielles

1 1 1
M4(t)=
4
∗ ቂ2 ∗ Xሺt − 2ሻ+ xሺt − 1ሻ+ xሺtሻ+ xሺt + 1ሻ+ 2 ∗ x(t + 2)ቃ
 1 moyenne mobile :

  T1 T2 T3 T4

2007 _ _ 25,5 25,75

2008 26.125 26.5 27.125  

2009 28.75 28.875 _ _

Estimation de la saisonnalité
Estimation de la tendance
Les prévisions
Le lissage ex-
ponentiel
simple
Le lissage exponentiel simple
 La prévision de la période t est basée sur la prévision de la période t-1 corrige
en fonction de l’erreur commise.

 α = la constante de lissage et 0 < α < 1

 Le plus souvent, la constante de lissage est définie par un logiciel prévisionnel.
Le lissage exponentiel simple exemple
On considère un lissage avec α=0,3
Mois Demande réels Prévision

1 492
2 470
Nous avons besoin de:
3 485 1. Facteur de pondération α
4 493 2. La prévision pour la période précédente
3. La demande réelle pour cette même période
5 498
6 492
7 ?
8
Le lissage exponentiel simple exemple
On considère un lissage avec α=0,3
Mois Demande réels Prévision

1 492
2 470 492
3 485 485,4 = 492 +0.3*(470-492)
4 493 485,28
5 498 487,6
6 492 490,72
7 491,1 = 490.72 +0.3*(492-490,72)
8
Merci de votre
attention