Documente Academic
Documente Profesional
Documente Cultură
Departement
de Mathematiques
Series
chronologiques
AZIZA BELMAATI
`
Genie
2eme
annee
Mathematiques
et Informatiques
Universitaire : 2015-2016.
Annee
Series
chronologiques
1 / 65
Partie II
Series
chronologiques
Series
chronologiques
1 / 65
Chapitre I
Series
chronologiques
2 / 65
Introduction
Plan
1
Introduction
Analyse de la tendance
Moyenne mobile
Prevision
par lissage exponentiel
Prevision
par la methode
de Holt-Winters
Series
chronologiques
3 / 65
Introduction
Definition
Definition
Une serie
temporelle, ou serie
chronologique, est une succession
`
par le temps. Par hypothese,
`
dobservations dun phenom
ene,
indicees
le pas
e constant : lheure, le mois, lannee.
Economie
: Prevision
dindices economiques...
2
Finance : Evolution
des cours de la bourse...
3
4
5
6
Demographie
: Analyse de levolution
dune population...
eorologie
climatiques...
Met
: Analyse de donnees
Energie
: Prevision
de la consommation delectricit
e...
Imagerie medicale
: Analyse delectrocardiogramme...
Series
chronologiques
4 / 65
Introduction
Definition
Definition
Une serie
temporelle, ou serie
chronologique, est une succession
`
par le temps. Par hypothese,
`
dobservations dun phenom
ene,
indicees
le pas
e constant : lheure, le mois, lannee.
Economie
: Prevision
dindices economiques...
2
Finance : Evolution
des cours de la bourse...
3
4
5
6
Demographie
: Analyse de levolution
dune population...
eorologie
climatiques...
Met
: Analyse de donnees
Energie
: Prevision
de la consommation delectricit
e...
Imagerie medicale
: Analyse delectrocardiogramme...
Series
chronologiques
4 / 65
Introduction
Definition
Definition
Une serie
temporelle, ou serie
chronologique, est une succession
`
par le temps. Par hypothese,
`
dobservations dun phenom
ene,
indicees
le pas
e constant : lheure, le mois, lannee.
Economie
: Prevision
dindices economiques...
2
Finance : Evolution
des cours de la bourse...
3
4
5
6
Demographie
: Analyse de levolution
dune population...
eorologie
climatiques...
Met
: Analyse de donnees
Energie
: Prevision
de la consommation delectricit
e...
Imagerie medicale
: Analyse delectrocardiogramme...
Series
chronologiques
4 / 65
Introduction
Definition
Definition
Une serie
temporelle, ou serie
chronologique, est une succession
`
par le temps. Par hypothese,
`
dobservations dun phenom
ene,
indicees
le pas
e constant : lheure, le mois, lannee.
Economie
: Prevision
dindices economiques...
2
Finance : Evolution
des cours de la bourse...
3
4
5
6
Demographie
: Analyse de levolution
dune population...
eorologie
climatiques...
Met
: Analyse de donnees
Energie
: Prevision
de la consommation delectricit
e...
Imagerie medicale
: Analyse delectrocardiogramme...
Series
chronologiques
4 / 65
Introduction
Definition
Definition
Une serie
temporelle, ou serie
chronologique, est une succession
`
par le temps. Par hypothese,
`
dobservations dun phenom
ene,
indicees
le pas
e constant : lheure, le mois, lannee.
Economie
: Prevision
dindices economiques...
2
Finance : Evolution
des cours de la bourse...
3
4
5
6
Demographie
: Analyse de levolution
dune population...
eorologie
climatiques...
Met
: Analyse de donnees
Energie
: Prevision
de la consommation delectricit
e...
Imagerie medicale
: Analyse delectrocardiogramme...
Series
chronologiques
4 / 65
Introduction
Definition
Definition
Une serie
temporelle, ou serie
chronologique, est une succession
`
par le temps. Par hypothese,
`
dobservations dun phenom
ene,
indicees
le pas
e constant : lheure, le mois, lannee.
Economie
: Prevision
dindices economiques...
2
Finance : Evolution
des cours de la bourse...
3
4
5
6
Demographie
: Analyse de levolution
dune population...
eorologie
climatiques...
Met
: Analyse de donnees
Energie
: Prevision
de la consommation delectricit
e...
Imagerie medicale
: Analyse delectrocardiogramme...
Series
chronologiques
4 / 65
Introduction
Definition
Definition
Une serie
temporelle, ou serie
chronologique, est une succession
`
par le temps. Par hypothese,
`
dobservations dun phenom
ene,
indicees
le pas
e constant : lheure, le mois, lannee.
Economie
: Prevision
dindices economiques...
2
Finance : Evolution
des cours de la bourse...
3
4
5
6
Demographie
: Analyse de levolution
dune population...
eorologie
climatiques...
Met
: Analyse de donnees
Energie
: Prevision
de la consommation delectricit
e...
Imagerie medicale
: Analyse delectrocardiogramme...
Series
chronologiques
4 / 65
Introduction
Definition
representer
le chronogramme de la serie,
puis se poser une serie
de
questions :
1
par le temps ?
Tendance : est-ce quon observe une serie
bien expliquee
2
3
` ou periodique
Presence
dune composante saisonniere
?
Juxtaposition de differents
comportements au cours du temps ?
explication eventuelle
?
dans letude
Objectifs recherches
dune telle serie
: description
prevision
?
AZIZA BELMAATI (FSTM )
Series
chronologiques
5 / 65
Introduction
Definition
representer
le chronogramme de la serie,
puis se poser une serie
de
questions :
1
par le temps ?
Tendance : est-ce quon observe une serie
bien expliquee
2
3
` ou periodique
Presence
dune composante saisonniere
?
Juxtaposition de differents
comportements au cours du temps ?
explication eventuelle
?
dans letude
Objectifs recherches
dune telle serie
: description
prevision
?
AZIZA BELMAATI (FSTM )
Series
chronologiques
5 / 65
Introduction
Definition
representer
le chronogramme de la serie,
puis se poser une serie
de
questions :
1
par le temps ?
Tendance : est-ce quon observe une serie
bien expliquee
2
3
` ou periodique
Presence
dune composante saisonniere
?
Juxtaposition de differents
comportements au cours du temps ?
explication eventuelle
?
dans letude
Objectifs recherches
dune telle serie
: description
prevision
?
AZIZA BELMAATI (FSTM )
Series
chronologiques
5 / 65
Introduction
Definition
representer
le chronogramme de la serie,
puis se poser une serie
de
questions :
1
par le temps ?
Tendance : est-ce quon observe une serie
bien expliquee
2
3
` ou periodique
Presence
dune composante saisonniere
?
Juxtaposition de differents
comportements au cours du temps ?
explication eventuelle
?
dans letude
Objectifs recherches
dune telle serie
: description
prevision
?
AZIZA BELMAATI (FSTM )
Series
chronologiques
5 / 65
Introduction
Definition
representer
le chronogramme de la serie,
puis se poser une serie
de
questions :
1
par le temps ?
Tendance : est-ce quon observe une serie
bien expliquee
2
3
` ou periodique
Presence
dune composante saisonniere
?
Juxtaposition de differents
comportements au cours du temps ?
explication eventuelle
?
dans letude
Objectifs recherches
dune telle serie
: description
prevision
?
AZIZA BELMAATI (FSTM )
Series
chronologiques
5 / 65
Introduction
Exemples
Les exemples quon va traiter sont disponible sous R via les packages
caschrono et timeseries.
Exemple 1
> data(popfr)
> plot.ts(popfr,xlab=ann
ee,ylab=population,
main="Population franc
aise en millions dhabitants")
Series
chronologiques
6 / 65
Introduction
Exemples
Les exemples quon va traiter sont disponible sous R via les packages
caschrono et timeseries.
Exemple 1
> data(popfr)
> plot.ts(popfr,xlab=ann
ee,ylab=population,
main="Population franc
aise en millions dhabitants")
39
36
37
38
population
40
41
1860
1880
1900
1920
1940
anne
Series
chronologiques
6 / 65
Introduction
Exemples
Exemple 2
> plot.ts(uspop,xlab="ann
ee",ylab="population",
main="Population des
etats unis en millions dhabitants")
Series
chronologiques
7 / 65
Introduction
Exemples
Exemple 2
> plot.ts(uspop,xlab="ann
ee",ylab="population",
main="Population des
etats unis en millions dhabitants")
100
0
50
population
150
200
1800
1850
1900
1950
anne
Series
chronologiques
7 / 65
Introduction
Exemples
Exemple 3
> data("trafmensu")
> plot.ts(trafmensu,xlab="ann
ee",ylab="Nombre
de passagers",main="Nombre de passagers a
eriens")
Series
chronologiques
8 / 65
Introduction
Exemples
Exemple 3
> data("trafmensu")
> plot.ts(trafmensu,xlab="ann
ee",ylab="Nombre
de passagers",main="Nombre de passagers a
eriens")
400
300
Nombre de passagers
500
1995
2000
2005
anne
Series
chronologiques
8 / 65
Introduction
Exemples : Conclusion
Lexamen de la serie
permet de degager
un certain nombre de composantes
fondamentales de levolution
de la grandeurs etudi
ee.
Il faut donc analyser ces composantes, en les dissociant les unes des autres,
`
cest-a-dire
en considerant
une serie
comme resultante
de la combinaison de
differentes
composantes, tel que chacun delles ait une evolution
simple.
Series
chronologiques
9 / 65
Introduction
Exemples : Conclusion
Lexamen de la serie
permet de degager
un certain nombre de composantes
fondamentales de levolution
de la grandeurs etudi
ee.
Il faut donc analyser ces composantes, en les dissociant les unes des autres,
`
cest-a-dire
en considerant
une serie
comme resultante
de la combinaison de
differentes
composantes, tel que chacun delles ait une evolution
simple.
Series
chronologiques
9 / 65
Les composantes dune serie
chronologique
Plan
1
Introduction
Analyse de la tendance
Moyenne mobile
Prevision
par lissage exponentiel
Prevision
par la methode
de Holt-Winters
Series
chronologiques
10 / 65
Les composantes dune serie
chronologique
etudi
ee,
cest une fonction monotone,
souvent polynomiale.
`
dune annee,
`
sur lautre. Mathematiquement,
ce sont des fonctions periodiques,
cest-a-dire
`
aleatoire
(ce qui signifie quelle ne sont pas completement
explicables). En
effet, elles ne sont pas clairement apercevables dans les graphiques, a` cause
de leur faible intensite par rapport aux autres composantes.
AZIZA BELMAATI (FSTM )
Series
chronologiques
11 / 65
Les composantes dune serie
chronologique
etudi
ee,
cest une fonction monotone,
souvent polynomiale.
`
dune annee,
`
sur lautre. Mathematiquement,
ce sont des fonctions periodiques,
cest-a-dire
`
aleatoire
(ce qui signifie quelle ne sont pas completement
explicables). En
effet, elles ne sont pas clairement apercevables dans les graphiques, a` cause
de leur faible intensite par rapport aux autres composantes.
AZIZA BELMAATI (FSTM )
Series
chronologiques
11 / 65
Les composantes dune serie
chronologique
etudi
ee,
cest une fonction monotone,
souvent polynomiale.
`
dune annee,
`
sur lautre. Mathematiquement,
ce sont des fonctions periodiques,
cest-a-dire
`
aleatoire
(ce qui signifie quelle ne sont pas completement
explicables). En
effet, elles ne sont pas clairement apercevables dans les graphiques, a` cause
de leur faible intensite par rapport aux autres composantes.
AZIZA BELMAATI (FSTM )
Series
chronologiques
11 / 65
Les composantes dune serie
chronologique
ees
ou faibles de courte duree.
Ces variations
isolees,
anormalement elev
eralement
brusques de la serie
sont gen
explicables. La plupart du temps, ces
es
dans la serie
`
accidents sont integr
des bruits (les fluctuations irreguli
eres).
`
Points de changement : Ce sont des points ou` la serie
change completement
dallure, par exemple de tendance. Ils sont normalement explicables, et
de la serie,
Series
chronologiques
12 / 65
Les composantes dune serie
chronologique
ees
ou faibles de courte duree.
Ces variations
isolees,
anormalement elev
eralement
brusques de la serie
sont gen
explicables. La plupart du temps, ces
es
dans la serie
`
accidents sont integr
des bruits (les fluctuations irreguli
eres).
`
Points de changement : Ce sont des points ou` la serie
change completement
dallure, par exemple de tendance. Ils sont normalement explicables, et
de la serie,
Series
chronologiques
12 / 65
Les composantes dune serie
chronologique
Apres
e graphiquement quelles sont les composantes, il faut
` :
proposer un modele
1
` additif : Ce modele
` suppose lindependance
Le modele
des differentes
composantes, il secrit
sous la forme :
yt = zt + st + et ,
2
avec E(et ) = 0
` multiplicatif : Ce modele
` suppose linteraction gen
erale
Le modele
des
avec E(et ) = 0
`
fluctuations irreguli
eres
sont additives :
yt = tt (1 + st ) + et ,
avec E(et ) = 0
Series
chronologiques
13 / 65
Les composantes dune serie
chronologique
Apres
e graphiquement quelles sont les composantes, il faut
` :
proposer un modele
1
` additif : Ce modele
` suppose lindependance
Le modele
des differentes
composantes, il secrit
sous la forme :
yt = zt + st + et ,
2
avec E(et ) = 0
` multiplicatif : Ce modele
` suppose linteraction gen
erale
Le modele
des
avec E(et ) = 0
`
fluctuations irreguli
eres
sont additives :
yt = tt (1 + st ) + et ,
avec E(et ) = 0
Series
chronologiques
13 / 65
Les composantes dune serie
chronologique
Apres
e graphiquement quelles sont les composantes, il faut
` :
proposer un modele
1
` additif : Ce modele
` suppose lindependance
Le modele
des differentes
composantes, il secrit
sous la forme :
yt = zt + st + et ,
2
avec E(et ) = 0
` multiplicatif : Ce modele
` suppose linteraction gen
erale
Le modele
des
avec E(et ) = 0
`
fluctuations irreguli
eres
sont additives :
yt = tt (1 + st ) + et ,
avec E(et ) = 0
Series
chronologiques
13 / 65
Les composantes dune serie
chronologique
`
Choix du modele
Methode
de la bande : On utilise le graphe de la serie
et la droite passant
par les minima et celle passant par les maxima.
1
2
Methode
du profil : On utilise le graphe des courbes superposees.
1
2
` paralleles
`
` est additif.
Si ces 2 droites sont a` peu pres
: le modele
`
` est multiplicatif.
Si ces 2 droites ne sont pas paralleles
: le modele
` paralleles
`
` est additif.
Si les differentes
courbes sont a` peu pres
: le modele
` est multiplicatif.
Si les pics et les creux saccentuent : le modele
Methode
du tableau de Buys-Ballot : On calcule pour chacune des
annees,
la moyenne et lecart-type,
puis on trace les points dabscisse la
lecart-type
ensuite, on trace
moyenne et dordonnee
de la meme
annee,
de ces points.
la droite des moindres carres
1
2
` est additif.
Si lecart-type
est independant
de la moyenne : le modele
` est multiplicatif.
Si lecart-type
est fonction de la moyenne : le modele
Series
chronologiques
14 / 65
Les composantes dune serie
chronologique
`
Choix du modele
Methode
de la bande : On utilise le graphe de la serie
et la droite passant
par les minima et celle passant par les maxima.
1
2
Methode
du profil : On utilise le graphe des courbes superposees.
1
2
` paralleles
`
` est additif.
Si ces 2 droites sont a` peu pres
: le modele
`
` est multiplicatif.
Si ces 2 droites ne sont pas paralleles
: le modele
` paralleles
`
` est additif.
Si les differentes
courbes sont a` peu pres
: le modele
` est multiplicatif.
Si les pics et les creux saccentuent : le modele
Methode
du tableau de Buys-Ballot : On calcule pour chacune des
annees,
la moyenne et lecart-type,
puis on trace les points dabscisse la
lecart-type
ensuite, on trace
moyenne et dordonnee
de la meme
annee,
de ces points.
la droite des moindres carres
1
2
` est additif.
Si lecart-type
est independant
de la moyenne : le modele
` est multiplicatif.
Si lecart-type
est fonction de la moyenne : le modele
Series
chronologiques
14 / 65
Les composantes dune serie
chronologique
`
Choix du modele
Methode
de la bande : On utilise le graphe de la serie
et la droite passant
par les minima et celle passant par les maxima.
1
2
Methode
du profil : On utilise le graphe des courbes superposees.
1
2
` paralleles
`
` est additif.
Si ces 2 droites sont a` peu pres
: le modele
`
` est multiplicatif.
Si ces 2 droites ne sont pas paralleles
: le modele
` paralleles
`
` est additif.
Si les differentes
courbes sont a` peu pres
: le modele
` est multiplicatif.
Si les pics et les creux saccentuent : le modele
Methode
du tableau de Buys-Ballot : On calcule pour chacune des
annees,
la moyenne et lecart-type,
puis on trace les points dabscisse la
lecart-type
ensuite, on trace
moyenne et dordonnee
de la meme
annee,
de ces points.
la droite des moindres carres
1
2
` est additif.
Si lecart-type
est independant
de la moyenne : le modele
` est multiplicatif.
Si lecart-type
est fonction de la moyenne : le modele
Series
chronologiques
14 / 65
Les composantes dune serie
chronologique
`
Choix du modele
Methode
de la bande : On utilise le graphe de la serie
et la droite passant
par les minima et celle passant par les maxima.
1
2
Methode
du profil : On utilise le graphe des courbes superposees.
1
2
` paralleles
`
` est additif.
Si ces 2 droites sont a` peu pres
: le modele
`
` est multiplicatif.
Si ces 2 droites ne sont pas paralleles
: le modele
` paralleles
`
` est additif.
Si les differentes
courbes sont a` peu pres
: le modele
` est multiplicatif.
Si les pics et les creux saccentuent : le modele
Methode
du tableau de Buys-Ballot : On calcule pour chacune des
annees,
la moyenne et lecart-type,
puis on trace les points dabscisse la
lecart-type
ensuite, on trace
moyenne et dordonnee
de la meme
annee,
de ces points.
la droite des moindres carres
1
2
` est additif.
Si lecart-type
est independant
de la moyenne : le modele
` est multiplicatif.
Si lecart-type
est fonction de la moyenne : le modele
Series
chronologiques
14 / 65
Les composantes dune serie
chronologique
`
Choix du modele
Methode
de la bande : On utilise le graphe de la serie
et la droite passant
par les minima et celle passant par les maxima.
1
2
Methode
du profil : On utilise le graphe des courbes superposees.
1
2
` paralleles
`
` est additif.
Si ces 2 droites sont a` peu pres
: le modele
`
` est multiplicatif.
Si ces 2 droites ne sont pas paralleles
: le modele
` paralleles
`
` est additif.
Si les differentes
courbes sont a` peu pres
: le modele
` est multiplicatif.
Si les pics et les creux saccentuent : le modele
Methode
du tableau de Buys-Ballot : On calcule pour chacune des
annees,
la moyenne et lecart-type,
puis on trace les points dabscisse la
lecart-type
ensuite, on trace
moyenne et dordonnee
de la meme
annee,
de ces points.
la droite des moindres carres
1
2
` est additif.
Si lecart-type
est independant
de la moyenne : le modele
` est multiplicatif.
Si lecart-type
est fonction de la moyenne : le modele
Series
chronologiques
14 / 65
Les composantes dune serie
chronologique
`
Choix du modele
Methode
de la bande : On utilise le graphe de la serie
et la droite passant
par les minima et celle passant par les maxima.
1
2
Methode
du profil : On utilise le graphe des courbes superposees.
1
2
` paralleles
`
` est additif.
Si ces 2 droites sont a` peu pres
: le modele
`
` est multiplicatif.
Si ces 2 droites ne sont pas paralleles
: le modele
` paralleles
`
` est additif.
Si les differentes
courbes sont a` peu pres
: le modele
` est multiplicatif.
Si les pics et les creux saccentuent : le modele
Methode
du tableau de Buys-Ballot : On calcule pour chacune des
annees,
la moyenne et lecart-type,
puis on trace les points dabscisse la
lecart-type
ensuite, on trace
moyenne et dordonnee
de la meme
annee,
de ces points.
la droite des moindres carres
1
2
` est additif.
Si lecart-type
est independant
de la moyenne : le modele
` est multiplicatif.
Si lecart-type
est fonction de la moyenne : le modele
Series
chronologiques
14 / 65
Les composantes dune serie
chronologique
`
Choix du modele
Methode
de la bande : On utilise le graphe de la serie
et la droite passant
par les minima et celle passant par les maxima.
1
2
Methode
du profil : On utilise le graphe des courbes superposees.
1
2
` paralleles
`
` est additif.
Si ces 2 droites sont a` peu pres
: le modele
`
` est multiplicatif.
Si ces 2 droites ne sont pas paralleles
: le modele
` paralleles
`
` est additif.
Si les differentes
courbes sont a` peu pres
: le modele
` est multiplicatif.
Si les pics et les creux saccentuent : le modele
Methode
du tableau de Buys-Ballot : On calcule pour chacune des
annees,
la moyenne et lecart-type,
puis on trace les points dabscisse la
lecart-type
ensuite, on trace
moyenne et dordonnee
de la meme
annee,
de ces points.
la droite des moindres carres
1
2
` est additif.
Si lecart-type
est independant
de la moyenne : le modele
` est multiplicatif.
Si lecart-type
est fonction de la moyenne : le modele
Series
chronologiques
14 / 65
Les composantes dune serie
chronologique
`
Choix du modele
Methode
de la bande : On utilise le graphe de la serie
et la droite passant
par les minima et celle passant par les maxima.
1
2
Methode
du profil : On utilise le graphe des courbes superposees.
1
2
` paralleles
`
` est additif.
Si ces 2 droites sont a` peu pres
: le modele
`
` est multiplicatif.
Si ces 2 droites ne sont pas paralleles
: le modele
` paralleles
`
` est additif.
Si les differentes
courbes sont a` peu pres
: le modele
` est multiplicatif.
Si les pics et les creux saccentuent : le modele
Methode
du tableau de Buys-Ballot : On calcule pour chacune des
annees,
la moyenne et lecart-type,
puis on trace les points dabscisse la
lecart-type
ensuite, on trace
moyenne et dordonnee
de la meme
annee,
de ces points.
la droite des moindres carres
1
2
` est additif.
Si lecart-type
est independant
de la moyenne : le modele
` est multiplicatif.
Si lecart-type
est fonction de la moyenne : le modele
Series
chronologiques
14 / 65
Les composantes dune serie
chronologique
`
Choix du modele
Methode
de la bande : On utilise le graphe de la serie
et la droite passant
par les minima et celle passant par les maxima.
1
2
Methode
du profil : On utilise le graphe des courbes superposees.
1
2
` paralleles
`
` est additif.
Si ces 2 droites sont a` peu pres
: le modele
`
` est multiplicatif.
Si ces 2 droites ne sont pas paralleles
: le modele
` paralleles
`
` est additif.
Si les differentes
courbes sont a` peu pres
: le modele
` est multiplicatif.
Si les pics et les creux saccentuent : le modele
Methode
du tableau de Buys-Ballot : On calcule pour chacune des
annees,
la moyenne et lecart-type,
puis on trace les points dabscisse la
lecart-type
ensuite, on trace
moyenne et dordonnee
de la meme
annee,
de ces points.
la droite des moindres carres
1
2
` est additif.
Si lecart-type
est independant
de la moyenne : le modele
` est multiplicatif.
Si lecart-type
est fonction de la moyenne : le modele
Series
chronologiques
14 / 65
Les composantes dune serie
chronologique
` : Methode
Choix du modele
du profil
cp<-window(serie,start=c(1,1),end=c(1,12))
v=as.numeric(cp)
plot(c(1:12),v,type="l",,xlim=c(0,13),ylim=c(0,800))
for(i in 2:15){
cp=window(serie,start=c(i,1),end=c(i,12))
v=as.numeric(cp)
lines(v)
}
Series
chronologiques
15 / 65
Les composantes dune serie
chronologique
` : Methode
Choix du modele
du profil
200
400
600
800
cp<-window(serie,start=c(1,1),end=c(1,12))
v=as.numeric(cp)
plot(c(1:12),v,type="l",,xlim=c(0,13),ylim=c(0,800))
for(i in 2:15){
cp=window(serie,start=c(i,1),end=c(i,12))
v=as.numeric(cp)
lines(v)
}
10
12
c(1:12)
Series
chronologiques
15 / 65
Les composantes dune serie
chronologique
Conclusion
Pour decomposer
une serie
chronologique on doit commencer par :
1
2
Estimer la tendance
`
Estimer les variations saisonnieres.
Series
chronologiques
16 / 65
Les composantes dune serie
chronologique
Conclusion
Pour decomposer
une serie
chronologique on doit commencer par :
1
2
Estimer la tendance
`
Estimer les variations saisonnieres.
Series
chronologiques
16 / 65
Les composantes dune serie
chronologique
Conclusion
Pour decomposer
une serie
chronologique on doit commencer par :
1
2
Estimer la tendance
`
Estimer les variations saisonnieres.
Series
chronologiques
16 / 65
Les composantes dune serie
chronologique
Conclusion
Pour decomposer
une serie
chronologique on doit commencer par :
1
2
Estimer la tendance
`
Estimer les variations saisonnieres.
Series
chronologiques
16 / 65
Analyse de la tendance
Plan
1
Introduction
Analyse de la tendance
Moyenne mobile
Prevision
par lissage exponentiel
Prevision
par la methode
de Holt-Winters
Series
chronologiques
17 / 65
Analyse de la tendance
etre
lineaire
comme dans lexemple de la population francaise. cette methode
ordinaire
consiste a` estimer la tendance par la methode
des moindre carres
t + b
zt = a
regfr=lm(popfrtime(popfr))
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -66.324681
8.084040 -8.204 7.88e-08 ***
time(popfr)
0.055236
0.004258 12.974 3.38e-11 ***
--Residual standard error: 0.6335 on 20 degrees of freedom
Multiple R-squared: 0.8938,Adjusted R-squared: 0.8885
F-statistic: 168.3 on 1 and 20 DF, p-value: 3.384e-11
Series
chronologiques
18 / 65
Analyse de la tendance
Cependant la modelisation
lineaire
de la tendance peut etre
trop
plutot
`
une technique simple consiste a` se ramener a` un ajustement lineaire
apres
Series
chronologiques
19 / 65
Analyse de la tendance
Cependant la modelisation
lineaire
de la tendance peut etre
trop
plutot
`
une technique simple consiste a` se ramener a` un ajustement lineaire
apres
Series
chronologiques
19 / 65
Analyse de la tendance
Cependant la modelisation
lineaire
de la tendance peut etre
trop
plutot
`
une technique simple consiste a` se ramener a` un ajustement lineaire
apres
Series
chronologiques
19 / 65
Analyse de la tendance
du polynome
a` la theorie
non parametrique
de lestimation de la tendance qui ne suppose
rien sur celle-ci a priori et on approxime la tendance par ce quon appelle la
moyenne mobile.
Series
chronologiques
20 / 65
Moyenne mobile
Plan
1
Introduction
Analyse de la tendance
Moyenne mobile
Prevision
par lissage exponentiel
Prevision
par la methode
de Holt-Winters
Series
chronologiques
21 / 65
Moyenne mobile
Definition
combinaison lineaire
des valeurs de la serie
correspondant a` des dates
secrit
entourant t. La serie
transformee
Mm1 +m2 +1 Xt =
m2
X
i Xt+i
i=m1
es
dans la
Lordre represente
simplement le nombre de termes consider
somme.
2
masque
le(FSTM
fait) que la moyenne
est un operateur
et non une
mobile
AZIZA
BELMAATI
Series
chronologiques
22 / 65
Moyenne mobile
Definition
combinaison lineaire
des valeurs de la serie
correspondant a` des dates
secrit
entourant t. La serie
transformee
Mm1 +m2 +1 Xt =
m2
X
i Xt+i
i=m1
es
dans la
Lordre represente
simplement le nombre de termes consider
somme.
2
masque
le(FSTM
fait) que la moyenne
est un operateur
et non une
mobile
AZIZA
BELMAATI
Series
chronologiques
22 / 65
Moyenne mobile
Definition
combinaison lineaire
des valeurs de la serie
correspondant a` des dates
secrit
entourant t. La serie
transformee
Mm1 +m2 +1 Xt =
m2
X
i Xt+i
i=m1
es
dans la
Lordre represente
simplement le nombre de termes consider
somme.
2
masque
le(FSTM
fait) que la moyenne
est un operateur
et non une
mobile
AZIZA
BELMAATI
Series
chronologiques
22 / 65
Moyenne mobile
On peut re ecrire
la moyenne mobile en termes doperateurs.
On definit
pour
cela loperateur
B, appele operateur
retard, qui a` tout processus (Yt )tZ defini
par
t Z, Yt = BXt = Xt1
On peut iterer
cette application et definir
par recurrence
B k Xt = Xtk ,
k N
Series
chronologiques
23 / 65
Moyenne mobile
Loperateur
B est lineaire
est inversible. Son inverse B 1 = F est defini
par
t Z, FXt = Xt+1
Loperateur
F est appele operateur
avance.
On peut re ecrire
la moyenne mobile en terme doperateurs
B et F :
Mm1 +m2 +1 =
m2
X
i B
i=m1
m2
X
i F i
i=m1
j=0
Le polynome
P intervenant dans la derniere
par
P(x) =
m2
X
i x m1 +i
t=m1
Series
chronologiques
24 / 65
Moyenne mobile
1
2
lorsque m1 = m2 = m.
On dit que la moyenne mobile est centree
est symetrique
1
, i = m, . . . , m
2m + 1
(par definition)
symetrique.
On a en particulier dans ce cas t=m
=
1
et
M
Xt
2m+1
i
1
apparat comme la moyenne des observations Xtm , . . . , Xt+m .
Series
chronologiques
25 / 65
Moyenne mobile
1
2
lorsque m1 = m2 = m.
On dit que la moyenne mobile est centree
est symetrique
1
, i = m, . . . , m
2m + 1
(par definition)
symetrique.
On a en particulier dans ce cas t=m
=
1
et
M
Xt
2m+1
i
1
apparat comme la moyenne des observations Xtm , . . . , Xt+m .
Series
chronologiques
25 / 65
Moyenne mobile
1
2
lorsque m1 = m2 = m.
On dit que la moyenne mobile est centree
est symetrique
1
, i = m, . . . , m
2m + 1
(par definition)
symetrique.
On a en particulier dans ce cas t=m
=
1
et
M
Xt
2m+1
i
1
apparat comme la moyenne des observations Xtm , . . . , Xt+m .
Series
chronologiques
25 / 65
Moyenne mobile
Exercice
1
30
2
15
3
5
4
30
5
36
6
18
7
9
8
36
9
45
Series
chronologiques
10
15
11
10
12
60
13
48
14
16
15
8
16
72
26 / 65
Moyenne mobile
Propriet
1
Exemple1
trimestriellement
Nous etudions
la serie
chronologique suivante observee
pendant 6 ans :
> seri
Ann
ee1
Ann
ee2
Ann
ee3
Ann
ee4
Ann
ee5
Ann
ee6
Series
chronologiques
27 / 65
Moyenne mobile
Propriet
1
Exemple1
trimestriellement
Nous etudions
la serie
chronologique suivante observee
pendant 6 ans :
> seri
Ann
ee1
Ann
ee2
Ann
ee3
Ann
ee4
Ann
ee5
Ann
ee6
Series
chronologiques
27 / 65
Moyenne mobile
110
90
100
Observations
120
130
> plot.ts(ser,xlab="Mois",ylab="Observations",lwd=3)
> lines(1:24,ser[1:24],type="h",col="red")
10
15
20
Mois
F IGURE: La serie
brute
AZIZA BELMAATI (FSTM )
Series
chronologiques
28 / 65
Moyenne mobile
> mmseri=filter(ser,filter=c(1/8,1/4,1/4,1/4,1/8))
> plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
> lines(mmseri,col="green",lwd=3)
Series
chronologiques
29 / 65
Moyenne mobile
Observations
90
100
110
120
130
140
> mmseri=filter(ser,filter=c(1/8,1/4,1/4,1/4,1/8))
> plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
> lines(mmseri,col="green",lwd=3)
10
15
20
Mois
F IGURE: La serie
(noire) filtree
dordre 4
AZIZA BELMAATI (FSTM )
Series
chronologiques
29 / 65
Moyenne mobile
e
Propriet
`
les moyennes mobiles dune serie
soumise a` des variations saisonnieres
de
`
periode
p ne sont pas soumises a` ces variations saisonnieres
si leur ordre l
eralement
est egale
a` la periode
p, et plus gen
si leur ordre est un multiple de
la periode.
Conclusion
Series
chronologiques
30 / 65
Moyenne mobile
e
Propriet
`
les moyennes mobiles dune serie
soumise a` des variations saisonnieres
de
`
periode
p ne sont pas soumises a` ces variations saisonnieres
si leur ordre l
eralement
est egale
a` la periode
p, et plus gen
si leur ordre est un multiple de
la periode.
Conclusion
Series
chronologiques
30 / 65
Moyenne mobile
par(mfrow=c(2,2))
mmseri=filter(ser,filter=c(1/8,1/4,1/4,1/4,1/8))
plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
lines(mmseri,col="green",lwd=3)
plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
lines(mmseri3,col="green",lwd=3)
> mmseri5=filter(ser,filter=c(1/5,1/5,1/5,1/5,1/5))
> plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
> lines(mmseri5,col="green",lwd=3)
> mmseri12=filter(ser,filter=c(1/24,rep(1/12,11),1/24))
> plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
> lines(mmseri12,col="green",lwd=3)
AZIZA BELMAATI (FSTM )
Series
chronologiques
31 / 65
Moyenne mobile
par(mfrow=c(2,2))
mmseri=filter(ser,filter=c(1/8,1/4,1/4,1/4,1/8))
plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
lines(mmseri,col="green",lwd=3)
plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
lines(mmseri3,col="green",lwd=3)
> mmseri5=filter(ser,filter=c(1/5,1/5,1/5,1/5,1/5))
> plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
> lines(mmseri5,col="green",lwd=3)
> mmseri12=filter(ser,filter=c(1/24,rep(1/12,11),1/24))
> plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
> lines(mmseri12,col="green",lwd=3)
AZIZA BELMAATI (FSTM )
Series
chronologiques
31 / 65
Moyenne mobile
par(mfrow=c(2,2))
mmseri=filter(ser,filter=c(1/8,1/4,1/4,1/4,1/8))
plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
lines(mmseri,col="green",lwd=3)
plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
lines(mmseri3,col="green",lwd=3)
> mmseri5=filter(ser,filter=c(1/5,1/5,1/5,1/5,1/5))
> plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
> lines(mmseri5,col="green",lwd=3)
> mmseri12=filter(ser,filter=c(1/24,rep(1/12,11),1/24))
> plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140)
> lines(mmseri12,col="green",lwd=3)
AZIZA BELMAATI (FSTM )
Series
chronologiques
31 / 65
Moyenne mobile
Observations
90
5
10
15
20
10
15
20
Observations
90
Mois
Mois
90
Observations
90
Observations
10
15
20
Mois
10
15
20
Mois
Series
chronologiques
32 / 65
Moyenne mobile
Modelisation
et desaisonnalisation
` additif
Cas du modele
ft , des
La serie
chronologique xt se decompose
en une tendance notee
`
variations saisonnieres
st de periode
p (egale
a` s1 , . . . , sp ) et dune
`
composante accidentelle (irreguli
ere)
et :
pour tout t = 1, . . . , T
xt = ft + st + et
Remarque : La t ieme
observation, xt , correspond a` la valeur de la serie
`
`
i
eme
i
eme
periode
du i
annee.
exprimee
pendant la j
par
t = (i 1)p + j
` additif sexprime donc en gen
eral
de la facon suivante :
Le modele
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
n represente
le nombre dannee.
coefficients saisonniers du modele
` additif.
Les termes sj sont appeles
AZIZA BELMAATI (FSTM )
Series
chronologiques
33 / 65
Moyenne mobile
Modelisation
et desaisonnalisation
` additif
Cas du modele
ft , des
La serie
chronologique xt se decompose
en une tendance notee
`
variations saisonnieres
st de periode
p (egale
a` s1 , . . . , sp ) et dune
`
composante accidentelle (irreguli
ere)
et :
pour tout t = 1, . . . , T
xt = ft + st + et
pendant la j
periode
du i
annee.
exprimee
par
t = (i 1)p + j
` additif sexprime donc en gen
eral
de la facon suivante :
Le modele
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
n represente
le nombre dannee.
coefficients saisonniers du modele
` additif.
Les termes sj sont appeles
AZIZA BELMAATI (FSTM )
Series
chronologiques
33 / 65
Moyenne mobile
Modelisation
et desaisonnalisation
` additif
Cas du modele
ft , des
La serie
chronologique xt se decompose
en une tendance notee
`
variations saisonnieres
st de periode
p (egale
a` s1 , . . . , sp ) et dune
`
composante accidentelle (irreguli
ere)
et :
pour tout t = 1, . . . , T
xt = ft + st + et
pendant la j
periode
du i
annee.
exprimee
par
t = (i 1)p + j
` additif sexprime donc en gen
eral
de la facon suivante :
Le modele
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
n represente
le nombre dannee.
coefficients saisonniers du modele
` additif.
Les termes sj sont appeles
AZIZA BELMAATI (FSTM )
Series
chronologiques
33 / 65
Moyenne mobile
Modelisation
et desaisonnalisation
` additif
Cas du modele
La difference
entre lobservation et la tendance est :
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
` peut etre
Ce modele
approxime par :
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij Mp fij sj
Exemple1
Difference
entre les observations et la moyenne mobile dordre 4 de la serie
> seri-t(matrix(mmseri,4,6))
trimestre1 trimestre2 trimestre3 trimestre4
Ann
ee1
NA
NA
5.509125
9.71600
Ann
ee2 -8.943875 -6.860500
5.450375
10.72362
Ann
ee3 -10.057625 -5.282500
5.282000
9.62175
Ann
ee4 -10.155250 -4.939375
5.754375
10.28575
Ann
ee5 -11.612375 -4.955375
5.992625
10.34012
Ann
ee6 -10.679125 -5.330625
NA
NA
AZIZA BELMAATI (FSTM )
Series
chronologiques
34 / 65
Moyenne mobile
Modelisation
et desaisonnalisation
` additif
Cas du modele
La difference
entre lobservation et la tendance est :
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
` peut etre
Ce modele
approxime par :
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij Mp fij sj
Exemple1
Difference
entre les observations et la moyenne mobile dordre 4 de la serie
> seri-t(matrix(mmseri,4,6))
trimestre1 trimestre2 trimestre3 trimestre4
Ann
ee1
NA
NA
5.509125
9.71600
Ann
ee2 -8.943875 -6.860500
5.450375
10.72362
Ann
ee3 -10.057625 -5.282500
5.282000
9.62175
Ann
ee4 -10.155250 -4.939375
5.754375
10.28575
Ann
ee5 -11.612375 -4.955375
5.992625
10.34012
Ann
ee6 -10.679125 -5.330625
NA
NA
AZIZA BELMAATI (FSTM )
Series
chronologiques
34 / 65
Moyenne mobile
Modelisation
et desaisonnalisation
` additif
Cas du modele
La difference
entre lobservation et la tendance est :
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
` peut etre
Ce modele
approxime par :
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij Mp fij sj
Exemple1
Difference
entre les observations et la moyenne mobile dordre 4 de la serie
> seri-t(matrix(mmseri,4,6))
trimestre1 trimestre2 trimestre3 trimestre4
Ann
ee1
NA
NA
5.509125
9.71600
Ann
ee2 -8.943875 -6.860500
5.450375
10.72362
Ann
ee3 -10.057625 -5.282500
5.282000
9.62175
Ann
ee4 -10.155250 -4.939375
5.754375
10.28575
Ann
ee5 -11.612375 -4.955375
5.992625
10.34012
Ann
ee6 -10.679125 -5.330625
NA
NA
AZIZA BELMAATI (FSTM )
Series
chronologiques
34 / 65
Moyenne mobile
Modelisation
et desaisonnalisation
` additif
Cas du modele
Les difference
xij Mp fij sont donc des approximations des coefficients sj .
`
Leur moyenne (ou leur mediane),
pour chaque colonne j, donne une premiere
estimation
n
1X
sj0 =
(xij Mp fij )
n
i=1
sj = sj0 ms0
avec
ms 0 =
1 0
(s + + sp0 )
p 1
Exemple1
s10 = 10.28965; s20 = 5.473675; s30 = 5.5977; s40 = 10.13745
La moyenne des sj0 est : ms0 = 0.00704375
Series
chronologiques
35 / 65
Moyenne mobile
Modelisation
et desaisonnalisation
` additif
Cas du modele
Les difference
xij Mp fij sont donc des approximations des coefficients sj .
`
Leur moyenne (ou leur mediane),
pour chaque colonne j, donne une premiere
estimation
n
1X
sj0 =
(xij Mp fij )
n
i=1
sj = sj0 ms0
avec
ms 0 =
1 0
(s + + sp0 )
p 1
Exemple1
s10 = 10.28965; s20 = 5.473675; s30 = 5.5977; s40 = 10.13745
La moyenne des sj0 est : ms0 = 0.00704375
Series
chronologiques
35 / 65
Moyenne mobile
Modelisation
et desaisonnalisation
` additif
Cas du modele
Series
chronologiques
36 / 65
Moyenne mobile
Modelisation
et desaisonnalisation
` additif
Cas du modele
ser
90
100
110
120
130
La srie estime
10
15
20
Index
Series
chronologiques
36 / 65
Moyenne mobile
Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele
` multiplicatif
Pour t = (i 1)p + j, i = 1, . . . , n; j = 1, . . . , p Le modele
eral
de la facon suivante :
sexprime donc en gen
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
n represente
le nombre dannee.
coefficients saisonniers du modele
` multiplicatif.
Les termes sj sont appeles
`
` les rapports xij /fij :
Pour quantifier les variations saisonniere,
on considere
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
pour tout j = 1, . . . , p
Series
chronologiques
37 / 65
Moyenne mobile
Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele
` multiplicatif
Pour t = (i 1)p + j, i = 1, . . . , n; j = 1, . . . , p Le modele
eral
de la facon suivante :
sexprime donc en gen
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
n represente
le nombre dannee.
coefficients saisonniers du modele
` multiplicatif.
Les termes sj sont appeles
`
` les rapports xij /fij :
Pour quantifier les variations saisonniere,
on considere
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
pour tout j = 1, . . . , p
Series
chronologiques
37 / 65
Moyenne mobile
Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele
` multiplicatif
Pour t = (i 1)p + j, i = 1, . . . , n; j = 1, . . . , p Le modele
eral
de la facon suivante :
sexprime donc en gen
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
n represente
le nombre dannee.
coefficients saisonniers du modele
` multiplicatif.
Les termes sj sont appeles
`
` les rapports xij /fij :
Pour quantifier les variations saisonniere,
on considere
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
pour tout j = 1, . . . , p
Series
chronologiques
37 / 65
Moyenne mobile
Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele
Exemple2
` la serie
On considere
chronologique ci-dessous :
> serm
Ann
ee1
Ann
ee2
Ann
ee3
Ann
ee4
Ann
ee5
Ann
ee6
Series
chronologiques
38 / 65
Moyenne mobile
Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele
Exemple2
` la serie
On considere
chronologique ci-dessous :
> serm
Ann
ee1
Ann
ee2
Ann
ee3
Ann
ee4
Ann
ee5
Ann
ee6
Series
chronologiques
38 / 65
Moyenne mobile
Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele
Exemple2
Observations
200
300
400
500
600
10
15
20
Mois
Series
chronologiques
39 / 65
Moyenne mobile
Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele
Exemple2
> mmserm=filter(as.vector(t(serm)),filter=c(1/8,1/4,1/4,1/4,
[,1]
[,2]
[,3]
[,4]
[1,]
NA
NA 238.2099 250.3215
[2,] 262.1396 274.2845 287.6699 303.7729
[3,] 319.4938 334.7427 352.5091 370.1667
[4,] 385.7591 402.8951 422.9858 445.5251
[5,] 467.0904 489.4041 516.1668 545.2102
[6,] 572.7613 599.9553
NA
NA
> serm/t(matrix(as.vector(mmserm),4))
trimestre1 trimestre2 trimestre3 trimestre4
Ann
ee1
NA
NA 0.8448099 0.9944855
Ann
ee2
1.046695
1.094353 0.8652411 0.9824397
Ann
ee3
1.039037
1.109518 0.8607757 0.9884814
Ann
ee4
1.054110
1.087123 0.8548215 0.9984728
Ann
ee5
1.045657
1.096286 0.8438548 1.0076139
Ann
ee6
1.044068
1.098898
NA
NA
AZIZA BELMAATI (FSTM )
Series
chronologiques
40 / 65
Moyenne mobile
Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele
`
On obtient des premieres
estimations Sj0 des coefficients saisonniers en
Exemple2
S10 = 1.046695 ;S20 = 1.097236 ;S30 = 0.8539006 ;S40 = 0.9942987 avec
ms0 = 0.9980326
Series
chronologiques
41 / 65
Moyenne mobile
Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele
`
On obtient des premieres
estimations Sj0 des coefficients saisonniers en
Exemple2
S10 = 1.046695 ;S20 = 1.097236 ;S30 = 0.8539006 ;S40 = 0.9942987 avec
ms0 = 0.9980326
Series
chronologiques
41 / 65
Moyenne mobile
Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele
`
On obtient des premieres
estimations Sj0 des coefficients saisonniers en
Exemple2
S10 = 1.046695 ;S20 = 1.097236 ;S30 = 0.8539006 ;S40 = 0.9942987 avec
ms0 = 0.9980326
Series
chronologiques
41 / 65
Moyenne mobile
Modelisation
et desaisonnalisation
` multiplicatif
Cas du modele
Exemple2
Observations
200
300
400
500
600
Modle multiplicatif
10
15
20
Mois
Series
chronologiques
42 / 65
Moyenne mobile
Prevision
Estimation de la tendance
on retranche lestimation de la
Une fois les coefficients saisonniers estimes,
serie
xt .
Definition
des variations saisonnieres
`
On procede
ensuite a` lestimation du terme representant
la tendance par la
methode
de regression.
Series
chronologiques
43 / 65
Moyenne mobile
Prevision
Estimation de la tendance
on retranche lestimation de la
Une fois les coefficients saisonniers estimes,
serie
xt .
Definition
des variations saisonnieres
`
On procede
ensuite a` lestimation du terme representant
la tendance par la
methode
de regression.
Series
chronologiques
43 / 65
Moyenne mobile
Prevision
Estimation de la tendance
on retranche lestimation de la
Une fois les coefficients saisonniers estimes,
serie
xt .
Definition
des variations saisonnieres
`
On procede
ensuite a` lestimation du terme representant
la tendance par la
methode
de regression.
Series
chronologiques
43 / 65
Moyenne mobile
Prevision
Exemple2
> ss
[1] 1.0487583 1.0993990 0.8555839 0.9962587
> reg=as.vector(t(serm))/rep(ss,6)
> lm(regseq(1:24))
Call:
lm(formula = reg seq(1:24))
Coefficients:
(Intercept)
160.97
seq(1:24)
19.01
Series
chronologiques
44 / 65
Moyenne mobile
Prevision
Afin de prevoir
les valeurs futures de la serie,
on utilise lestimation de la
`
ement,
`
`
souhaite prevoir une valeur de la serie a linstant T + h, ou` h 1, cest-a-dire
a` lhorizon h, on utilise on pose
T (h) = fT +h + Sj , T + h j[p]
X
Exemple3
On etudie
les ventes dun produit sur 3 annees.
2005
Trim
1
2
3
4
Ventes
860
794
1338
1148
2006
Trim
1
2
3
4
Ventes
1096
1021
1705
1505
Series
chronologiques
2007
Trim
1
2
3
4
Ventes
1436
1363
2319
2047
45 / 65
Moyenne mobile
` par une
Une fois le modele
la pertinence du modele
Si le modele
aucune trace du
saisonnier.
` le graphe dun
Pour le verifier,
on trace le correlogramme
des residus,
cad
Definition
Remarque
(0) = var (Xt )
(h) = (h)
AZIZA BELMAATI (FSTM )
Series
chronologiques
46 / 65
Moyenne mobile
` par une
Une fois le modele
la pertinence du modele
Si le modele
aucune trace du
saisonnier.
` le graphe dun
Pour le verifier,
on trace le correlogramme
des residus,
cad
Definition
Remarque
(0) = var (Xt )
(h) = (h)
AZIZA BELMAATI (FSTM )
Series
chronologiques
46 / 65
Moyenne mobile
` par une
Une fois le modele
la pertinence du modele
Si le modele
aucune trace du
saisonnier.
` le graphe dun
Pour le verifier,
on trace le correlogramme
des residus,
cad
Definition
Remarque
(0) = var (Xt )
(h) = (h)
AZIZA BELMAATI (FSTM )
Series
chronologiques
46 / 65
Moyenne mobile
` par une
Une fois le modele
la pertinence du modele
Si le modele
aucune trace du
saisonnier.
` le graphe dun
Pour le verifier,
on trace le correlogramme
des residus,
cad
Definition
Remarque
(0) = var (Xt )
(h) = (h)
AZIZA BELMAATI (FSTM )
Series
chronologiques
46 / 65
Moyenne mobile
` par une
Une fois le modele
la pertinence du modele
Si le modele
aucune trace du
saisonnier.
` le graphe dun
Pour le verifier,
on trace le correlogramme
des residus,
cad
Definition
Remarque
(0) = var (Xt )
(h) = (h)
AZIZA BELMAATI (FSTM )
Series
chronologiques
46 / 65
Moyenne mobile
Definition
(h) = p
(h)
(0)
Remarque
1
Definition
La fonction dautocorrelation
empirique de la serie
Xt est definie
par
PT
(h) =
AZIZA BELMAATI (FSTM )
Series
chronologiques
)
X
47 / 65
Moyenne mobile
Definition
(h) = p
(h)
(0)
Remarque
1
Definition
La fonction dautocorrelation
empirique de la serie
Xt est definie
par
PT
(h) =
AZIZA BELMAATI (FSTM )
Series
chronologiques
)
X
47 / 65
Moyenne mobile
Definition
(h) = p
(h)
(0)
Remarque
1
Definition
La fonction dautocorrelation
empirique de la serie
Xt est definie
par
PT
(h) =
AZIZA BELMAATI (FSTM )
Series
chronologiques
)
X
47 / 65
Moyenne mobile
Definition
(h) = p
(h)
(0)
Remarque
1
Definition
La fonction dautocorrelation
empirique de la serie
Xt est definie
par
PT
(h) =
AZIZA BELMAATI (FSTM )
Series
chronologiques
)
X
47 / 65
Moyenne mobile
Definition
(h) = p
(h)
(0)
Remarque
1
Definition
La fonction dautocorrelation
empirique de la serie
Xt est definie
par
PT
(h) =
AZIZA BELMAATI (FSTM )
Series
chronologiques
)
X
47 / 65
Moyenne mobile
Definition
(h) = p
(h)
(0)
Remarque
1
Definition
La fonction dautocorrelation
empirique de la serie
Xt est definie
par
PT
(h) =
AZIZA BELMAATI (FSTM )
Series
chronologiques
)
X
47 / 65
Moyenne mobile
e
Propriet
Series
chronologiques
48 / 65
Prevision
par lissage exponentiel
Plan
1
Introduction
Analyse de la tendance
Moyenne mobile
Prevision
par lissage exponentiel
Prevision
par la methode
de Holt-Winters
Series
chronologiques
49 / 65
Prevision
par lissage exponentiel
Definition
T (h), fornie par la methode
La prevision
de la serie
a` lhorizon h, X
de lissage
par
exponentiel simple est donnee
T (h) = (1 )
X
T
1
X
j XT j
j=0
Series
chronologiques
50 / 65
Prevision
par lissage exponentiel
Definition
T (h), fornie par la methode
La prevision
de la serie
a` lhorizon h, X
de lissage
par
exponentiel simple est donnee
T (h) = (1 )
X
T
1
X
j XT j
j=0
Series
chronologiques
50 / 65
Prevision
par lissage exponentiel
Remarques
1
4
5
` fortement influencee
`
Dans le cas extreme
ou` = 0, la prevision
est alors egale
a` la derniere
valeur observee.
` fortement influencee
Series
chronologiques
51 / 65
Prevision
par lissage exponentiel
Remarques
1
4
5
` fortement influencee
`
Dans le cas extreme
ou` = 0, la prevision
est alors egale
a` la derniere
valeur observee.
` fortement influencee
Series
chronologiques
51 / 65
Prevision
par lissage exponentiel
Remarques
1
4
5
` fortement influencee
`
Dans le cas extreme
ou` = 0, la prevision
est alors egale
a` la derniere
valeur observee.
` fortement influencee
Series
chronologiques
51 / 65
Prevision
par lissage exponentiel
Remarques
1
4
5
` fortement influencee
`
Dans le cas extreme
ou` = 0, la prevision
est alors egale
a` la derniere
valeur observee.
` fortement influencee
Series
chronologiques
51 / 65
Prevision
par lissage exponentiel
Remarques
1
4
5
` fortement influencee
`
Dans le cas extreme
ou` = 0, la prevision
est alors egale
a` la derniere
valeur observee.
` fortement influencee
Series
chronologiques
51 / 65
Prevision
par lissage exponentiel
La prevision
a` lhorizon h, se fait a` laide de la formule dite formule recursive
par
de mise a` jour, donnee
T (h) = X
T 1 (h) + (1 )XT
X
Algorithme de L.E.S
1
2
3
Remarques
Series
chronologiques
52 / 65
Prevision
par lissage exponentiel
La prevision
a` lhorizon h, se fait a` laide de la formule dite formule recursive
par
de mise a` jour, donnee
T (h) = X
T 1 (h) + (1 )XT
X
Algorithme de L.E.S
1
2
3
Remarques
Series
chronologiques
52 / 65
Prevision
par lissage exponentiel
La prevision
a` lhorizon h, se fait a` laide de la formule dite formule recursive
par
de mise a` jour, donnee
T (h) = X
T 1 (h) + (1 )XT
X
Algorithme de L.E.S
1
2
3
Remarques
Series
chronologiques
52 / 65
Prevision
par lissage exponentiel
La prevision
a` lhorizon h, se fait a` laide de la formule dite formule recursive
par
de mise a` jour, donnee
T (h) = X
T 1 (h) + (1 )XT
X
Algorithme de L.E.S
1
2
3
Remarques
Series
chronologiques
52 / 65
Prevision
par lissage exponentiel
Considerons
une serie
de vente dune entreprise, sur 16 mois
> vente=c(1293,1209,1205,1273,1220,1290,1243,1203,1390,
1360,1353,1343,1364,1330,1377,1332)
> vente=ts(vente,start=c(1998,1),frequency=12)
> vente
Jan Feb Mar Apr May Jun Jul Aug Sep Oct
1998 1293 1209 1205 1273 1220 1290 1243 1203 1390 1360
1999 1364 1330 1377 1332
Nov Dec
1998 1353 1343
1999
AZIZA BELMAATI (FSTM )
Series
chronologiques
53 / 65
Prevision
par lissage exponentiel
Considerons
une serie
de vente dune entreprise, sur 16 mois
> vente=c(1293,1209,1205,1273,1220,1290,1243,1203,1390,
1360,1353,1343,1364,1330,1377,1332)
> vente=ts(vente,start=c(1998,1),frequency=12)
> vente
Jan Feb Mar Apr May Jun Jul Aug Sep Oct
1998 1293 1209 1205 1273 1220 1290 1243 1203 1390 1360
1999 1364 1330 1377 1332
Nov Dec
1998 1353 1343
1999
AZIZA BELMAATI (FSTM )
Series
chronologiques
53 / 65
Prevision
par lissage exponentiel
1300
1200
1250
vente
1350
> plot.ts(vente,lwd=3)
1998.0
1998.2
1998.4
1998.6
1998.8
1999.0
1999.2
Time
Series
chronologiques
54 / 65
Prevision
par lissage exponentiel
Exemple
On note y1 , . . . , y2 la serie
lissee.
Mise a` jour de lalgorithme :
1
` valeur (T = 0), on considere
` comme valeur initiale une
Pour la premiere
` valeurs observees
ou egale
a` fixe,
on utilise la relation de mise a` jour
Pour construire la serie
lissee,
yj = (1 )yj + yj1
> ventep=c(vente[1],rep(0,15))
> for(j in 2:16)
+ {ventep[j]=0.7*vente[j]+0.3*ventep[j-1]}
Series
chronologiques
55 / 65
Prevision
par lissage exponentiel
1300
1200
1250
vente
1350
> ventp=ts(ventep,start=c(1998,1),frequency=12)
> plot.ts(vente,lwd=3)
> lines(ventp,col="red",lwd=3)
1998.0
1998.2
1998.4
1998.6
1998.8
1999.0
1999.2
Time
Series
chronologiques
56 / 65
Prevision
par lissage exponentiel
Definition
T (h), fournie par la methode
La prevision
de la serie
a` lhorizon h, X
de lissage
par
exponentiel double est donnee
T (h) = b
T h + a
T
X
T ) est donnee
T , b
par
ou` le couple (a
T = 1 (S1 (T ) S2 (T ))
b
T = 2S1 (T ) S2 (T )
a
Les expressions a
de S1 et S2 qui sont respectivement le
de la serie
lissee.
AZIZA BELMAATI (FSTM )
Series
chronologiques
57 / 65
Prevision
par lissage exponentiel
Ce lissage gen
lidee
a
La prevision
par
a` laide de la formule dite formule recursive
de mise a` jour, donnee
T 1 (1)) + a
T
T + b
T = (1 2 )(XT X
a
2
bT = bT 1 + (1 )(XT XT 1 (1))
Algorithme de L.E.D
1
2
t = [a
t1 avec =
t a
t1 ] + (1 )b
b
t = at + b
t
X
Series
chronologiques
1
1+
58 / 65
Prevision
par lissage exponentiel
Ce lissage gen
lidee
a
La prevision
par
a` laide de la formule dite formule recursive
de mise a` jour, donnee
T 1 (1)) + a
T
T + b
T = (1 2 )(XT X
a
2
bT = bT 1 + (1 )(XT XT 1 (1))
Algorithme de L.E.D
1
2
t = [a
t1 avec =
t a
t1 ] + (1 )b
b
t = at + b
t
X
Series
chronologiques
1
1+
58 / 65
Prevision
par lissage exponentiel
Ce lissage gen
lidee
a
La prevision
par
a` laide de la formule dite formule recursive
de mise a` jour, donnee
T 1 (1)) + a
T
T + b
T = (1 2 )(XT X
a
2
bT = bT 1 + (1 )(XT XT 1 (1))
Algorithme de L.E.D
1
2
t = [a
t1 avec =
t a
t1 ] + (1 )b
b
t = at + b
t
X
Series
chronologiques
1
1+
58 / 65
Prevision
par lissage exponentiel
Ce lissage gen
lidee
a
La prevision
par
a` laide de la formule dite formule recursive
de mise a` jour, donnee
T 1 (1)) + a
T
T + b
T = (1 2 )(XT X
a
2
bT = bT 1 + (1 )(XT XT 1 (1))
Algorithme de L.E.D
1
2
t = [a
t1 avec =
t a
t1 ] + (1 )b
b
t = at + b
t
X
Series
chronologiques
1
1+
58 / 65
Prevision
par lissage exponentiel
Ce lissage gen
lidee
a
La prevision
par
a` laide de la formule dite formule recursive
de mise a` jour, donnee
T 1 (1)) + a
T
T + b
T = (1 2 )(XT X
a
2
bT = bT 1 + (1 )(XT XT 1 (1))
Algorithme de L.E.D
1
2
t = [a
t1 avec =
t a
t1 ] + (1 )b
b
t = at + b
t
X
Series
chronologiques
1
1+
58 / 65
Prevision
par lissage exponentiel
Ce lissage gen
lidee
a
La prevision
par
a` laide de la formule dite formule recursive
de mise a` jour, donnee
T 1 (1)) + a
T
T + b
T = (1 2 )(XT X
a
2
bT = bT 1 + (1 )(XT XT 1 (1))
Algorithme de L.E.D
1
2
t = [a
t1 avec =
t a
t1 ] + (1 )b
b
t = at + b
t
X
Series
chronologiques
1
1+
58 / 65
Prevision
par lissage exponentiel
Lintervalle de confiance
de prevision
est donne par
q
2
XT (h) 1.96 +1
Exemple
` la serie
On considere
suivante, correspondante a` un indice dactivite
> indice=c(9050,9380,9378,9680,10100,10160,10469,10738,10910
11058,11016,10869,11034,11135,10845,11108,11115,11424,10895,
11437,11352,11381,11401,11507,11453,11561)
> indice=ts(indice,start=c(1982,2),frequency=4)
> indice
Qtr1 Qtr2 Qtr3 Qtr4
1982
9050 9380 9378
1983 9680 10100 10160 10469
1984 10738 10910 11058 11016
1985 10869 11034 11135 10845
1986 11108 11115 11424 10895
1987 11437 11352 11381 11401
1988 11507 11453 11561
AZIZA BELMAATI (FSTM )
Series
chronologiques
59 / 65
Prevision
par lissage exponentiel
9000
9500
10000
indice
10500
11000
11500
Exemple
1982
1983
1984
1985
1986
1987
1988
Time
Series
chronologiques
60 / 65
Prevision
par lissage exponentiel
9500
10000
indice
10500
11000
11500
> iindice=c(indice[1],rep(0,25))
> pindice=c((indice[10]-indice[1])/10,rep(0,25))
> for(j in 2:26){
iindice[j]=(1-0.72)*indice[j]
+(0.72*(iindice[j-1]+pindice[j-1]))
pindice[j]=(0.3/1.3)*(iindice[j]-iindice[j-1])
+(1-(0.3/1.3))*pindice[j-1]}
> indicp=iindice+pindice
Series
chronologiques
61 / 65
Prevision
par lissage exponentiel
9500
10000
indice
10500
11000
11500
> iindice=c(indice[1],rep(0,25))
> pindice=c((indice[10]-indice[1])/10,rep(0,25))
> for(j in 2:26){
iindice[j]=(1-0.72)*indice[j]
+(0.72*(iindice[j-1]+pindice[j-1]))
pindice[j]=(0.3/1.3)*(iindice[j]-iindice[j-1])
+(1-(0.3/1.3))*pindice[j-1]}
> indicp=iindice+pindice
Series
chronologiques
61 / 65
Prevision
par la methode
de Holt-Winters
Plan
1
Introduction
Analyse de la tendance
Moyenne mobile
Prevision
par lissage exponentiel
Prevision
par la methode
de Holt-Winters
Series
chronologiques
62 / 65
Prevision
par la methode
de Holt-Winters
La methode
de Holt-Winters
Cette methode
permet deffectuer des previsions
sur des series
assez
`
`
irreguli
eres
et soumises ou non a` des variations saisonnieres
selon un
` additif ou multiplicatif
modele
Series
chronologiques
63 / 65
Prevision
par la methode
de Holt-Winters
La methode
de Holt-Winters
`
La methode
non saisonniere
Holt et Winters ont propose une version des formules de mise a` jour pour le
par
La prevision
par cette methode
est donnee
T (h) = aT h + b
T
X
Remarque
` que la
On peut choisir les coefficients arbitrairement faibles si lon considere
Series
chronologiques
64 / 65
Prevision
par la methode
de Holt-Winters
La methode
de Holt-Winters
`
La methode
non saisonniere
Holt et Winters ont propose une version des formules de mise a` jour pour le
par
La prevision
par cette methode
est donnee
T (h) = aT h + b
T
X
Remarque
` que la
On peut choisir les coefficients arbitrairement faibles si lon considere
Series
chronologiques
64 / 65
Prevision
par la methode
de Holt-Winters
Series
chronologiques
65 / 65