ANALYSE DESCRIPTIVE DES

SERIES TEMPORELLES
LE TRAITEMENT DES EXTREMITES
DANS LE CAS DES MOYENNES
MOBILES
Classe : Sous la supervision de :

AS1 - A Dr ABY Gwladys

 MEMBRES DU GROUPE

SAWADOGO SENGUE YONKEU KAMBOU OLLO

WEND-YAM ORGUEIL
ALBERT THIERRY
 PLAN DE
L’EXPOSE
1 2

Moyenne mobile : Les cas d’extrémités

définition et utilisation
3

Traitement des
extrémités dans le cas
des moyennes mobiles
 INTRODUCTION
 Le traitement des extrémités des séries temporelles
est une étape essentielle pour obtenir des prévisions
précises et fiables.
 L’une des méthodes les plus courantes pour lisser les
fluctuations à court terme dans les extrémités des
séries temporelles est l’utilisation de moyennes
mobiles.
 Cette méthode implique de calculer une moyenne
mobile (centrée ou non) pour chaque point de
données à l’aide d’une fenêtre glissante qui peut être
fixe ou variable et faire une prévision des valeurs
manquantes.
 Moyenne mobile :

définition et utilisation

1
I. MOYENNE MOBILE : DÉFINITION ET UTILISATION

1) Définition
Une série temporelle une suite finie d’observations d’une quantité au
cours du temps qui peut être considérée de deux points de vue :
 Celui des temps où on regarde une série {Xt} comme une succession de T valeurs
observées aux instants t, t variant de 1 à T.
 Celui des fréquences, où l’on mesure pour chaque fréquence l’importance qu’elle
a dans la série.
Les moyennes mobiles sont une technique couramment utilisée pour lisser
une série chronologique en calculant la moyenne des observations sur une période
donnée.
I. MOYENNE MOBILE : DÉFINITION ET UTILISATION

2) Utilisation des moyennes mobiles

 Les moyennes mobiles peuvent aider à lisser les fluctuations à court terme dans
les extrémités des séries temporelles et à révéler des tendances sous-jacentes.

 Les moyennes mobiles estiment les principales composantes de la série,

tendance-cycle et saisonnalité.

 Les moyennes mobiles pour identifier la direction d’une tendance et à atténuer

l’action des prix (cas du trading).
Les cas d’extrémités

2
 II. LES CAS D’EXTRÉMITÉS
1) Définition
Les cas d’extrémités (ou outliers) dans les séries temporelles sont des
observations qui s’écartent considérablement du reste de la série, soit en étant
beaucoup plus grandes ou petites que les autres observations soit en étant très
différentes des tendances et des modèles prévus.

Ces cas peuvent être causés par plusieurs facteurs, notamment :

 Des erreurs de mesure ou des erreurs de saisie de données, telles que : les erreurs
d’enregistrement, de transcription ou d’échantillonnage qui peuvent entraîner des
réductions dans les données.
 II. LES CAS D’EXTRÉMITÉS
1) Définition
 Des changements soudains dans les conditions économiques ou politiques, tels
que des fluctuations du marché, des changements de politique, des élections,
etc.
 Des évènements rares, imprévus ou exceptionnels, tels que des catastrophes
naturelles, des grèves, des guerres, des pandémies, et bien d’autres, qui peuvent
avoir un impact significatif sur une série chronique et entraîner des atténuations
dans les données.
 Des effets saisonniers, tels que les variations climatiques, les vacances, les jours
fériés, etc.
 Des changements dans le comportement ou les préférences des
consommateurs, tels que des tendances de mode, des changements de goûts
alimentaires, des innovations technologies, etc.
 II. LES CAS D’EXTRÉMITÉS
1) Définition
Les extrémités d’une série peuvent être de différentes natures,
telles que :

 Des valeurs qui sont anormalement distantes des autres valeurs de la série. Ce
qu’on pourrait appeler les variations saisonnières.

 Les premières valeurs de la série et les dernières valeurs de la série

chroniques.
II. LES CAS D’EXTRÉMITÉS
2) Quelques exemples de cas d’extrémités
dans les séries temporelles
 Les ventes de jouets augmentent considérablement pendant la période des fêtes
de fin d’année, mais chutent brusquement après les vacances.

 Le prix des actions d’une entreprise chute de façon spectaculaire après l’annonce
d’une faillite ou d’un scandale financier.

 Le nombre de visiteurs dans un parc d’attraction augmente de façon significative

pendant les vacances d’été, mais diminue brusquement après la fin de la saison.

 La production de blé est considérablement réduite en raison d’une sécheresse ou

d’une inondation soudaine.
II. LES CAS D’EXTRÉMITÉS
2) Quelques exemples de cas d’extrémités
dans les séries temporelles
 L’extrapolation : cette méthode implique de prolonger la tendance actuelle
des données passées pour prédire les valeurs futures. Les méthodes
d’extrapolation courantes incluent la régression linéaire et les modèles
ARIMA.
 Les méthodes basées sur les saisons : elles prennent en compte les effets
saisonniers dans les données en ajustant les tendances saisonnières. Les
modèles saisonniers couramment utilisés incluent les moyennes mobiles de
décomposition.
 II. LES CAS D’EXTRÉMITÉS
2) Quelques exemples de cas d’extrémités
dans les séries temporelles
 L’imputation : cette méthode consiste à remplir les valeurs manquantes à l’aide
d’une valeur prédite en fonction des données existantes. Elles incluent la moyenne,
la médiane, la régression…

 L’analyse des données aberrantes : les données aberrantes ou extrêmes peuvent

avoir un impact significatif sur les extrémités des séries temporelles. Cette
méthode inclut l’exclusion des valeurs aberrantes, la transformation de données et
la modélisation robuste.

Il est donc important de sélectionner une méthode appropriée pour traiter

les extrémités des séries chronologiques en fonction des caractéristiques des données
et de l’objectif de l’analyse.
 Les Traitements des
extrémités dans le cas des
moyennes mobiles

3
 III. TRAITEMENT DES EXTRÉMITÉS DANS LE
CAS DES MOYENNES MOBILES
Les moyennes mobiles sont une technique couramment utilisée pour lisser
une série temporelle chronologique en calculant la moyenne des observations sur une
période donnée.
Un inconvénient d’une moyenne mobile d’ordre 2m + 1 vient du fait qu’on
n’obtient pas de valeurs pour les m premières ou m dernières observations.

C’est un problème particulièrement embêtant pour les valeurs les plus récentes.

Il y a donc deux approches au problème.

 Utiliser des moyennes mobiles non centrées ou centrées pour les données récentes
 Remplacer chaque observation manquante par une prévision
III. TRAITEMENT DES EXTRÉMITÉS DANS LE
CAS DES MOYENNES MOBILES
1) Moyenne mobile non centrée
Soit T la dernière observation disponible, on emploie des moyennes mobiles
de la forme :

. . .
 III. TRAITEMENT DES EXTRÉMITÉS DANS LE
CAS DES MOYENNES MOBILES
1) Moyenne mobile non centrée

Il faut trouver un ensemble de poids différents pour chacune des m

observations finales. On doit rajuster la tendance chaque fois qu’une nouvelle
observation devient disponible.

Prévisions dans le cas des moyennes mobiles non centrées

Soit une prévision de Alors on prend

III. TRAITEMENT DES EXTRÉMITÉS DANS LE
CAS DES MOYENNES MOBILES
2) Moyenne mobile centrée
Cette méthode implique de prendre la moyenne des observations à la fois
avant et après la période que nous souhaitons lisser, en accordant plus de poids aux
observations les plus proches.
 Si le nombre d’observations est impair : p = 2m+1
 Si le nombre d’observations est pair : p = 2m
III. TRAITEMENT DES EXTRÉMITÉS DANS LE
CAS DES MOYENNES MOBILES
2) Moyenne mobile centrée
Prévisions dans le cas des moyennes mobiles centrées

Soit une prévision de

 valeur t-n à valeur t-1 : les n dernières valeurs connues de la série temporelle.
 n le nombre de valeurs dans la moyenne mobile
Alors on prend :
III. TRAITEMENT DES EXTRÉMITÉS DANS LE
CAS DES MOYENNES MOBILES
3) Cas pratique avec les moyennes mobiles
centrées
Par exemple, si l’on veut lisser les observations d’une série
chronologique avec une période de sept ans, l’on peut utiliser une moyenne
mobile centrée de trois ans. Pour cela, l’on prend la moyenne de l’observation
précédente, de l’observation suivante, ainsi que de la période que l’on souhaite
lisser.
Ainsi, supposons que nous avons la série chronologique avec des
extrémités suivante :
Année 2009 2010 2011 2012 2013 2014 2015

Ventes 50 60 75 80 85 100 110

III. TRAITEMENT DES EXTRÉMITÉS DANS LE CAS DES
MOYENNES MOBILES
3) Cas pratique avec les moyennes mobiles centrées
Dans cette série chronologique, les extrémités sont la première et la
dernière années : 2009 et 2015. Si nous voulons lisser les extrémités de cette série
chronologique, nous pouvons utiliser une moyenne mobile centrée.
Par exemple, nous pouvons calculer une moyenne mobile centrée de trois
ans pour lisser les extrémités :
Année Ventes Moyenne mobile centrée
(3ans)
2009 50 Non applicable
2010 60 (50+60+75) / 3 = 61.7
2011 75 (60+75+80) / 3 = 71.7
2012 80 (75+80+85) / 3 = 80
2013 85 (80+85+100) / 3 = 88.3
2014 100 (85+100+110) / 3 = 98.3
2015 110 Non applicable
III. TRAITEMENT DES EXTRÉMITÉS DANS LE CAS
DES MOYENNES MOBILES
3) Cas pratique avec les moyennes mobiles centrées
En utilisant cette méthode de moyenne mobile centrée, nous avons lissé les
extrémités de la série chronologique, ce qui peut aider à identifier les tendances à plus
long terme dans la série.

Cependant, la première et la dernière valeurs restent indéterminées, il faut

donc les prévoir :

Pour celle de 2015 ; On a n=5 et t=7, ainsi

donc
 Conclusion

 En conclusion, les moyennes mobiles sont une méthode pour traiter les
extrémités des séries temporelles en réduisant les fluctuations à court terme et en
révélant des tendances sous-jacentes.
 Les moyennes mobiles sont largement utilisées dans de nombreux domaines, tels que la
finance, la météorologie et la production, pour prévoir les tendances futures et prendre
des décisions éclairées.

 Cependant, il est important de comprendre que les moyennes mobiles ont

également des limitations, telles que leur tendance à retarder les changements brusques
dans les données et leur sensibilité aux valeurs aberrantes.
 Il est donc essentiel de choisir la bonne fenêtre et les paramètres de moyenne mobile
pour chaque série temporelle, en fonction des caractéristiques de données et des
objectifs de l’analyse.
 En utilisant les moyennes mobiles de manière appropriée, les praticiens peuvent obtenir
des prévisions plus précise et fiables, ainsi que des insights plus profonds sur les
tendances temporelles sous-jacentes.
MERCI POUR VOTRE
ATTENTION

Questions ?