Series Chronologiques

Universite Hassan II - Casablanca
Faculte des Sciences et Techniques
Departement
de Mathematiques
Series
chronologiques
AZIZA BELMAATI
`
Genie
2eme
annee
Mathematiques
et Informatiques
Universitaire : 2015-2016.
Annee
AZIZA BELMAATI (FSTM )
Series
chronologiques
1 / 65
Partie II
Series
chronologiques
Series
chronologiques
1 / 65
Chapitre I
Lanalyse dune serie

chronologique
Series
chronologiques
2 / 65
Introduction
Plan
1
Introduction
Les composantes dune serie

chronologique
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.
du temps des observations est consider

par les nombreux domaines
Limportance de ce domaine est illustree
dapplication, notamment :
1
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
`
`
ene,
indicees
le pas

1
Economie
: Prevision
2
Finance : Evolution
3
4
5
6
Demographie
dune population...
eorologie
climatiques...
Met
Energie
: Prevision
e...
Imagerie medicale
Series
chronologiques
4 / 65
Introduction
Definition
Definition
Une serie
`
`
ene,
indicees
le pas

1
Economie
: Prevision
2
Finance : Evolution
3
4
5
6
Demographie
dune population...
eorologie
climatiques...
Met
Energie
: Prevision
e...
Imagerie medicale
Series
chronologiques
4 / 65
Introduction
Definition
Definition
Une serie
`
`
ene,
indicees
le pas

1
Economie
: Prevision
2
Finance : Evolution
3
4
5
6
Demographie
dune population...
eorologie
climatiques...
Met
Energie
: Prevision
e...
Imagerie medicale
Series
chronologiques
4 / 65
Introduction
Definition
Definition
Une serie
`
`
ene,
indicees
le pas

1
Economie
: Prevision
2
Finance : Evolution
3
4
5
6
Demographie
dune population...
eorologie
climatiques...
Met
Energie
: Prevision
e...
Imagerie medicale
Series
chronologiques
4 / 65
Introduction
Definition
Definition
Une serie
`
`
ene,
indicees
le pas

1
Economie
: Prevision
2
Finance : Evolution
3
4
5
6
Demographie
dune population...
eorologie
climatiques...
Met
Energie
: Prevision
e...
Imagerie medicale
Series
chronologiques
4 / 65
Introduction
Definition
Definition
Une serie
`
`
ene,
indicees
le pas

1
Economie
: Prevision
2
Finance : Evolution
3
4
5
6
Demographie
dune population...
eorologie
climatiques...
Met
Energie
: Prevision
e...
Imagerie medicale
Series
chronologiques
4 / 65
Introduction
Exploration dune serie

chronologique :
chronogramme
Le premier graphique a` utiliser pour lexamen dune serie

est son
chronogramme,
Definition
On appelle chronogramme dune serie,

son graphique avec le temps en
abscisse.
Sur des exemples de differents

types de graphiques offerts par R, on va
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
?
Series
chronologiques
5 / 65
Introduction

chronologique :
chronogramme

est son
chronogramme,
Definition

abscisse.

representer
de
questions :
1
par le temps ?
bien expliquee
2
3
` ou periodique
Presence
?
?
dans letude
dune telle serie
: description
prevision
?
Series
chronologiques
5 / 65
Introduction

chronologique :
chronogramme

est son
chronogramme,
Definition

abscisse.

representer
de
questions :
1
par le temps ?
bien expliquee
2
3
` ou periodique
Presence
?
?
dans letude
dune telle serie
: description
prevision
?
Series
chronologiques
5 / 65
Introduction

chronologique :
chronogramme

est son
chronogramme,
Definition

abscisse.

representer
de
questions :
1
par le temps ?
bien expliquee
2
3
` ou periodique
Presence
?
?
dans letude
dune telle serie
: description
prevision
?
Series
chronologiques
5 / 65
Introduction

chronologique :
chronogramme

est son
chronogramme,
Definition

abscisse.

representer
de
questions :
1
par le temps ?
bien expliquee
2
3
` ou periodique
Presence
?
?
dans letude
dune telle serie
: description
prevision
?
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
Population franaise en millions d'habitants
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
Population des tats unies en millions d'habitants
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
Nombre de passagers ariens
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

chronologique
Plan
1
Introduction

chronologique
Moyenne mobile
Prevision
Prevision
par la methode
de Holt-Winters
Series
chronologiques
10 / 65

chronologique

chronologique
La tendance (zt ) ou trend : Represente

levolution
a` long terme de la grandeur
et traduit laspect gen

eral
de la serie.
etudi
ee,
cest une fonction monotone,
souvent polynomiale.
`
Les variations saisonnieres

(st ) : Sont les fluctuations periodiques
a` linterieur
et qui se reproduisent plus au moins permanente dune annee
dune annee,
`
sur lautre. Mathematiquement,
ce sont des fonctions periodiques,
cest-a-dire
quil existe un entier p appele periode,

tel que
st = st+p , t 1
`
par ses p premieres

`
Cette composantes est entierement
determin
ee
valeurs
s1 , s2 , . . . , sp .
Les fluctuations irreguli

eres/
residus/
bruit (et ) : Sont des variations de nature
`
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.
Series
chronologiques
11 / 65

chronologique

chronologique

levolution

eral
de la serie.
etudi
ee,
`

a` linterieur
dune annee,
`
cest-a-dire

tel que
st = st+p , t 1
`
par ses p premieres

`
determin
ee
valeurs
s1 , s2 , . . . , sp .

eres/
residus/
`
aleatoire
explicables). En
Series
chronologiques
11 / 65

chronologique

chronologique

levolution

eral
de la serie.
etudi
ee,
`

a` linterieur
dune annee,
`
cest-a-dire

tel que
st = st+p , t 1
`
par ses p premieres

`
determin
ee
valeurs
s1 , s2 , . . . , sp .

eres/
residus/
`
aleatoire
explicables). En
Series
chronologiques
11 / 65

chronologique

chronologique
Les variations accidentelles/observations aberrantes

: Sont des valeurs
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,
imposent une analyse separ

ee
par morceaux.
Series
chronologiques
12 / 65

chronologique

chronologique
Les variations accidentelles/observations aberrantes

: Sont des valeurs
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,
imposent une analyse separ

ee
par morceaux.
Series
chronologiques
12 / 65

chronologique
Quelques types de decomposition

` avoir detect
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
trois composantes, il secrit

sous la forme
yt = zt (1 + st )(1 + et ),
avec E(et ) = 0
Il est actuellement le plus utilise en economie.

Il est commode puisque le
logarithme de la chronique conduit au schema

additif.
` multiplicatif mixte : Il sagit la` des modeles
`
Le modele
ou` addition et
multiplication sont utilisees.

On peut supposer, par exemple, que la
` agit de facon multiplicative, alors que les
composante saisonniere
`
fluctuations irreguli
eres
sont additives :
yt = tt (1 + st ) + et ,
avec E(et ) = 0
(Toutes les autres combinaisons sont egalement

possibles....).
Series
chronologiques
13 / 65

chronologique

` avoir detect
Apres
` :
proposer un modele
1
Le modele
des differentes
sous la forme :
yt = zt + st + et ,
2
avec E(et ) = 0
erale
Le modele
des

sous la forme
yt = zt (1 + st )(1 + et ),
avec E(et ) = 0


additif.
`
Le modele
ou` addition et

`
eres
sont additives :
yt = tt (1 + st ) + et ,
avec E(et ) = 0

possibles....).
Series
chronologiques
13 / 65

chronologique

` avoir detect
Apres
` :
proposer un modele
1
Le modele
des differentes
sous la forme :
yt = zt + st + et ,
2
avec E(et ) = 0
erale
Le modele
des

sous la forme
yt = zt (1 + st )(1 + et ),
avec E(et ) = 0


additif.
`
Le modele
ou` addition et

`
eres
sont additives :
yt = tt (1 + st ) + et ,
avec E(et ) = 0

possibles....).
Series
chronologiques
13 / 65

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
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
Si lecart-type
est fonction de la moyenne : le modele
Series
chronologiques
14 / 65

chronologique
`
Choix du modele
Methode
1
2
Methode
1
2
` paralleles
`
` est additif.
: le modele
`
: le modele
` paralleles
`
` est additif.
Si les differentes
: le modele
Methode
annees,
lecart-type
ensuite, on trace
de la meme
annee,
de ces points.
1
2
` est additif.
Si lecart-type
est independant
Si lecart-type
Series
chronologiques
14 / 65

chronologique
`
Choix du modele
Methode
1
2
Methode
1
2
` paralleles
`
` est additif.
: le modele
`
: le modele
` paralleles
`
` est additif.
Si les differentes
: le modele
Methode
annees,
lecart-type
ensuite, on trace
de la meme
annee,
de ces points.
1
2
` est additif.
Si lecart-type
est independant
Si lecart-type
Series
chronologiques
14 / 65

chronologique
`
Choix du modele
Methode
1
2
Methode
1
2
` paralleles
`
` est additif.
: le modele
`
: le modele
` paralleles
`
` est additif.
Si les differentes
: le modele
Methode
annees,
lecart-type
ensuite, on trace
de la meme
annee,
de ces points.
1
2
` est additif.
Si lecart-type
est independant
Si lecart-type
Series
chronologiques
14 / 65

chronologique
`
Choix du modele
Methode
1
2
Methode
1
2
` paralleles
`
` est additif.
: le modele
`
: le modele
` paralleles
`
` est additif.
Si les differentes
: le modele
Methode
annees,
lecart-type
ensuite, on trace
de la meme
annee,
de ces points.
1
2
` est additif.
Si lecart-type
est independant
Si lecart-type
Series
chronologiques
14 / 65

chronologique
`
Choix du modele
Methode
1
2
Methode
1
2
` paralleles
`
` est additif.
: le modele
`
: le modele
` paralleles
`
` est additif.
Si les differentes
: le modele
Methode
annees,
lecart-type
ensuite, on trace
de la meme
annee,
de ces points.
1
2
` est additif.
Si lecart-type
est independant
Si lecart-type
Series
chronologiques
14 / 65

chronologique
`
Choix du modele
Methode
1
2
Methode
1
2
` paralleles
`
` est additif.
: le modele
`
: le modele
` paralleles
`
` est additif.
Si les differentes
: le modele
Methode
annees,
lecart-type
ensuite, on trace
de la meme
annee,
de ces points.
1
2
` est additif.
Si lecart-type
est independant
Si lecart-type
Series
chronologiques
14 / 65

chronologique
`
Choix du modele
Methode
1
2
Methode
1
2
` paralleles
`
` est additif.
: le modele
`
: le modele
` paralleles
`
` est additif.
Si les differentes
: le modele
Methode
annees,
lecart-type
ensuite, on trace
de la meme
annee,
de ces points.
1
2
` est additif.
Si lecart-type
est independant
Si lecart-type
Series
chronologiques
14 / 65

chronologique
`
Choix du modele
Methode
1
2
Methode
1
2
` paralleles
`
` est additif.
: le modele
`
: le modele
` paralleles
`
` est additif.
Si les differentes
: le modele
Methode
annees,
lecart-type
ensuite, on trace
de la meme
annee,
de ces points.
1
2
` est additif.
Si lecart-type
est independant
Si lecart-type
Series
chronologiques
14 / 65

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

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

chronologique
Conclusion
Pour decomposer
une serie
chronologique on doit commencer par :
1
2
Tracer son graphique

` de composition (additif ou multiplicatif)
Choisir un modele
Estimer la tendance
`
Estimer les variations saisonnieres.
Series
chronologiques
16 / 65

chronologique
Conclusion
Pour decomposer
une serie
1
2

Choisir un modele
Estimer la tendance
`
Series
chronologiques
16 / 65

chronologique
Conclusion
Pour decomposer
une serie
1
2

Choisir un modele
Estimer la tendance
`
Series
chronologiques
16 / 65

chronologique
Conclusion
Pour decomposer
une serie
1
2

Choisir un modele
Estimer la tendance
`
Series
chronologiques
16 / 65
Plan
1
Introduction

chronologique
Moyenne mobile
Prevision
Prevision
par la methode
de Holt-Winters
Series
chronologiques
17 / 65
Estimation par regression

sur le temps
Supposons que lon observe n valeurs dune serie

dont la tendance semble
etre
lineaire
comme dans lexemple de la population francaise. cette methode
ordinaire
consiste a` estimer la tendance par la methode
des moindre carres
par une fonction lineaire

:
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

non lineaire
Cependant la modelisation
lineaire
de la tendance peut etre
trop
simplificatrice. par exemple le cas de la population des etats

unis. On sattend
a` une tendance quadratique. Lorsque la tendance nest pas lineaire,
plutot
`
une technique simple consiste a` se ramener a` un ajustement lineaire
apres
un changement de variable approprie.
Exemple : Population des etats

unis
+ c
t 2 + bt
zt = a
> t2=time(uspop)2
> regus=lm(uspopt2+time(uspop))
Coefficients:
(Intercept) 2.045e+04 8.431e+02
24.25 4.81e-14 ***
t2
6.345e-03 2.387e-04
26.58 1.14e-14 ***
time(uspop) -2.278e+01 8.974e-01 -25.38 2.36e-14 ***
Series
chronologiques
19 / 65

non lineaire
lineaire
trop

unis. On sattend
plutot
`
apres

unis
+ c
t 2 + bt
zt = a
> t2=time(uspop)2
Coefficients:
(Intercept) 2.045e+04 8.431e+02
24.25 4.81e-14 ***
t2
6.345e-03 2.387e-04
26.58 1.14e-14 ***
time(uspop) -2.278e+01 8.974e-01 -25.38 2.36e-14 ***
Series
chronologiques
19 / 65

non lineaire
lineaire
trop

unis. On sattend
plutot
`
apres

unis
+ c
t 2 + bt
zt = a
> t2=time(uspop)2
Coefficients:
(Intercept) 2.045e+04 8.431e+02
24.25 4.81e-14 ***
t2
6.345e-03 2.387e-04
26.58 1.14e-14 ***
time(uspop) -2.278e+01 8.974e-01 -25.38 2.36e-14 ***
Series
chronologiques
19 / 65
Estimation non parametrique
du polynome
Dans certaines situations, il nest pas facile de trouver le degres
pour zt ou de faire le changement adequat.

Dans cette situation, on a recourt
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

chronologique
Moyenne mobile
Prevision
Prevision
par la methode
de Holt-Winters
Series
chronologiques
21 / 65
Moyenne mobile
Moyenne mobile : Definition
Definition
On appelle moyenne mobile, une transformation de Xt qui secrit

comme
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
ou` m1 ,...,m2 sont des reels

et m1 , m2 N. On appelle ordre de la moyenne
mobile la valeur m1 + m2 + 1
Remarques
1
es
dans la
Lordre represente
simplement le nombre de termes consider
somme.
2
Il est clair que la definition

ci-dessus na de sens que pour des instants t
tels que :
m1 + 1 t T m2
3
On note aussi Mm1 +m2 +1 Xt = Mm1 +m2 +1 (Xt ) = Xt . La seconde notation
masque
le(FSTM
fait) que la moyenne
est un operateur
et non une
mobile
AZIZA
BELMAATI
Series
chronologiques
22 / 65
Moyenne mobile
Definition

comme
secrit
transformee
Mm1 +m2 +1 Xt =
m2
X
i Xt+i
i=m1

Remarques
1
es
dans la
Lordre represente
somme.
2

tels que :
m1 + 1 t T m2
3
masque
le(FSTM
est un operateur
et non une
mobile
AZIZA
BELMAATI
Series
chronologiques
22 / 65
Moyenne mobile
Definition

comme
secrit
transformee
Mm1 +m2 +1 Xt =
m2
X
i Xt+i
i=m1

Remarques
1
es
dans la
Lordre represente
somme.
2

tels que :
m1 + 1 t T m2
3
masque
le(FSTM
est un operateur
et non une
mobile
AZIZA
BELMAATI
Series
chronologiques
22 / 65
Moyenne mobile
Moyenne mobile : Operateur

retard
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
si on compose B avec lui meme

on obtient B 2 = B B tel que
t Z, B 2 Xt = Xt2
On peut iterer
cette application et definir
par recurrence
B k Xt = Xtk ,
k N
par convention, B 0 est loperateur

identite I.
Series
chronologiques
23 / 65
Moyenne mobile
Moyenne mobile : Operateur

Avance
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
En factorisant par B m1 et en faisant j = i + m1 , on obtient la forme canonique

suivante
mX
m2
1 +m2
X
Mm1 +m2 +1 = B m1
jm1 F i = B m1
i F m1 +i =: B m1 P(F )
t=m1
j=0
` expression est defini
Le polynome
P intervenant dans la derniere
par
P(x) =
m2
X
i x m1 +i
t=m1
et est appele polynome

caracteristique
de la moyenne mobile Mm1 +m2 +1 . On
Series
chronologiques
24 / 65
Moyenne mobile
Moyenne mobile : Differents

types
1
2
lorsque m1 = m2 = m.
On dit que la moyenne mobile est centree
est symetrique
Une moyenne mobile centree

si et seulement si
i = i , i = 1, . . . m.
Une moyenne mobile arithmetique

est une moyenne mobile centree,
dordre (impair) 2m + 1 et telle que
i =
1
, i = m, . . . , m
2m + 1
(par definition)
une moyenne mobile arithmetique

est donc centr
et
Pm2 ee
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

types
1
2
est symetrique

si et seulement si
i = i , i = 1, . . . m.

i =
1
, i = m, . . . , m
2m + 1
(par definition)

est donc centr
et
Pm2 ee
symetrique.
=
1
et
M
Xt
2m+1
i
1
Series
chronologiques
25 / 65
Moyenne mobile

types
1
2
est symetrique

si et seulement si
i = i , i = 1, . . . m.

i =
1
, i = m, . . . , m
2m + 1
(par definition)

est donc centr
et
Pm2 ee
symetrique.
=
1
et
M
Xt
2m+1
i
1
Series
chronologiques
25 / 65
Moyenne mobile
Exercice
Calculer les series

des moyennes mobiles dordre 2, 3 et 4 de la serie
initiale
Xt suivante
t
Xt
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
Effet dune moyenne mobile sur une tendance

es
Propriet
1
Lapplication dune moyenne mobile arithmetique

(paire ou impaire) ne
modifie pas une tendance constante.

(paire ou impaire)
conserve une tendance lineaire.
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
trimestre1 trimestre2 trimestre3 trimestre4

89.658
97.593
108.906
114.157
96.205
99.399
112.763
119.185
99.602
105.192
116.556
121.911
103.272
109.644
121.208
126.508
105.637
113.428
125.641
131.147
111.118
117.215
129.776
133.000
Series
chronologiques
27 / 65
Moyenne mobile

es
Propriet
1

(paire ou impaire) ne
modifie pas une tendance constante.

(paire ou impaire)
conserve une tendance lineaire.
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

89.658
97.593
108.906
114.157
96.205
99.399
112.763
119.185
99.602
105.192
116.556
121.911
103.272
109.644
121.208
126.508
105.637
113.428
125.641
131.147
111.118
117.215
129.776
133.000
Series
chronologiques
27 / 65
Moyenne mobile

Exemple1
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
Series
chronologiques
28 / 65
Moyenne mobile

Exemple1
> 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

Exemple1
Observations
90
100
110
120
130
140
> mmseri=filter(ser,filter=c(1/8,1/4,1/4,1/4,1/8))
> lines(mmseri,col="green",lwd=3)
10
15
20
Mois
par une moyenne mobile (verte) arithmetique
F IGURE: La serie
(noire) filtree
dordre 4
Series
chronologiques
29 / 65
Moyenne mobile
Effet dune moyenne mobile sur une composante

`
saisonniere
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

chronologique dont la tendance est lineaire
`
et les variations saisonnieres

sont de periode
p font apparatre la tendance et
`
disparatre les variations saisonnieres

si leur ordre l est egale
a` la periode
p.
Series
chronologiques
30 / 65
Moyenne mobile

`
saisonniere
e
Propriet
`
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

chronologique dont la tendance est lineaire
`
et les variations saisonnieres

sont de periode
p font apparatre la tendance et
`
disparatre les variations saisonnieres

si leur ordre l est egale
a` la periode
p.
Series
chronologiques
30 / 65
Moyenne mobile

`
saisonniere
Exemple1
>
>
>
>
>
>
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)
lines(mmseri3,col="green",lwd=3)
> mmseri5=filter(ser,filter=c(1/5,1/5,1/5,1/5,1/5))
> lines(mmseri5,col="green",lwd=3)
> mmseri12=filter(ser,filter=c(1/24,rep(1/12,11),1/24))
Series
chronologiques
31 / 65
Moyenne mobile

`
saisonniere
Exemple1
>
>
>
>
>
>
par(mfrow=c(2,2))
Series
chronologiques
31 / 65
Moyenne mobile

`
saisonniere
Exemple1
>
>
>
>
>
>
par(mfrow=c(2,2))
Series
chronologiques
31 / 65
Moyenne mobile

`
saisonniere
Exemple1
Observations
90
5
10
15
20
10
15
20
Observations
90
100 110 120 130 140
Mois
moyenne mobile d'ordre 12
100 110 120 130 140
Mois
90
Observations
100 110 120 130 140
90
Observations
100 110 120 130 140
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
Cette relation peut etre
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
xij = fij + sj + eij
n represente
le nombre dannee.
coefficients saisonniers du modele
` additif.
Les termes sj sont appeles
Series
chronologiques
33 / 65
Moyenne mobile
Modelisation
` additif
Cas du modele
ft , des
La serie
`
st de periode
p (egale
a` s1 , . . . , sp ) et dune
`
ere)
et :
pour tout t = 1, . . . , T
xt = ft + st + et

`
`
i
eme
i
eme
pendant la j
periode
du i
annee.
exprimee
par
t = (i 1)p + j
eral
Le modele
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
n represente
le nombre dannee.
` additif.
Series
chronologiques
33 / 65
Moyenne mobile
Modelisation
` additif
Cas du modele
ft , des
La serie
`
st de periode
p (egale
a` s1 , . . . , sp ) et dune
`
ere)
et :
pour tout t = 1, . . . , T
xt = ft + st + et

`
`
i
eme
i
eme
pendant la j
periode
du i
annee.
exprimee
par
t = (i 1)p + j
eral
Le modele
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
n represente
le nombre dannee.
` additif.
Series
chronologiques
33 / 65
Moyenne mobile
Modelisation
` additif
Cas du modele
La difference
entre lobservation et la tendance est :
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij fij = sj + eij
` 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))
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
Series
chronologiques
34 / 65
Moyenne mobile
Modelisation
` additif
Cas du modele
La difference
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij fij = sj + eij
` peut etre
Ce modele
approxime par :
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij Mp fij sj
Exemple1
Difference
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
Series
chronologiques
34 / 65
Moyenne mobile
Modelisation
` additif
Cas du modele
La difference
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij fij = sj + eij
` peut etre
Ce modele
approxime par :
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij Mp fij sj
Exemple1
Difference
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
Series
chronologiques
34 / 65
Moyenne mobile
Modelisation
` 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
On obtient enfin les estimations definitives

des sj en centrant ces termes sj0 :
pour tout j = 1, . . . , p
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
Les estimations definitives

des sj :
s1 = 10.28261; s2 = 5.466631; s3 = 5.604744; s4 = 10.14449
Series
chronologiques
35 / 65
Moyenne mobile
Modelisation
` 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
On obtient enfin les estimations definitives

des sj en centrant ces termes sj0 :
pour tout j = 1, . . . , p
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
Les estimations definitives

des sj :
s1 = 10.28261; s2 = 5.466631; s3 = 5.604744; s4 = 10.14449
Series
chronologiques
35 / 65
Moyenne mobile
Modelisation
` additif
Cas du modele
` estimation (lissage) par moyenne mobile est donnee

par
La Serie
apres
xt = Mp fij + Mpsij
Exemple1
Series
chronologiques
36 / 65
Moyenne mobile
Modelisation
` additif
Cas du modele
` estimation (lissage) par moyenne mobile est donnee

par
La Serie
apres
xt = Mp fij + Mpsij
Exemple1
ser
90
100
110
120
130
La srie estime
10
15
20
Index
Series
chronologiques
36 / 65
Moyenne mobile
Modelisation
` multiplicatif
Cas du modele
` multiplicatif
Pour t = (i 1)p + j, i = 1, . . . , n; j = 1, . . . , p Le modele
eral
sexprime donc en gen
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij = fij (1 + sj ) + eij
n represente
le nombre dannee.
` multiplicatif.
`
` les rapports xij /fij :
Pour quantifier les variations saisonniere,
on considere
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij /fij = 1 + sj + eij /fij
Ce qui conduit a` une approximation de 1 + sj tel que :

pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
Series
chronologiques
xij /Mp fij 1 + sj = Sj
37 / 65
Moyenne mobile
Modelisation
` multiplicatif
Cas du modele
` multiplicatif
eral
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
n represente
le nombre dannee.
` multiplicatif.
`
on considere
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p

pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
Series
chronologiques
37 / 65
Moyenne mobile
Modelisation
` multiplicatif
Cas du modele
` multiplicatif
eral
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
n represente
le nombre dannee.
` multiplicatif.
`
on considere
pour tout i = 1, . . . , n
pour tout j = 1, . . . , p

pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
Series
chronologiques
37 / 65
Moyenne mobile
Modelisation
` 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

224.3705
253.2811
201.2421
248.9411
274.3802
300.1641
248.9038
298.4386
331.9657
371.4032
303.4313
365.9029
406.6326
437.9967
361.5774
444.8447
488.4166
536.5268
435.5698
549.3614
598.0016
659.2896
533.2156
669.2675
Series
chronologiques
38 / 65
Moyenne mobile
Modelisation
` 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

224.3705
253.2811
201.2421
248.9411
274.3802
300.1641
248.9038
298.4386
331.9657
371.4032
303.4313
365.9029
406.6326
437.9967
361.5774
444.8447
488.4166
536.5268
435.5698
549.3614
598.0016
659.2896
533.2156
669.2675
Series
chronologiques
38 / 65
Moyenne mobile
Modelisation
` multiplicatif
Cas du modele
Exemple2
Observations
200
300
400
500
600
Moyenne mobile d'ordre 4 et la srie brute
10
15
20
Mois
Series
chronologiques
39 / 65
Moyenne mobile
Modelisation
` 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))
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
Series
chronologiques
40 / 65
Moyenne mobile
Modelisation
` multiplicatif
Cas du modele
`
On obtient des premieres
estimations Sj0 des coefficients saisonniers en
calculant la moyenne (ou la mediane)

des rapports figurant dans chaque
` additif,
colonne. Par analogie avec les coefficients saisonniers sj du modele
dont la moyenne est egale

a` 0, on cherche des estimations definitives
Sj de
moyenne 1 :
Pn
1
On calcule Sj0 = n1 i=1 (xij /Mp fij ) On obtient
2
On calcule la moyenne ms0 = p1 (S10 + + Sp0 )
on pose Sj = Sj0 /ms0
Exemple2
S10 = 1.046695 ;S20 = 1.097236 ;S30 = 0.8539006 ;S40 = 0.9942987 avec
ms0 = 0.9980326
Les valeurs definitives

sont obtenues de facon que les Sj0 soient de moyenne
1:
S1 = 1.0487583 ;S2 = 1.0993990 ;S3 = 0.8555839 ;S4 = 0.9962587
Series
chronologiques
41 / 65
Moyenne mobile
Modelisation
` multiplicatif
Cas du modele
`

` additif,

Sj de
moyenne 1 :
Pn
1
2
Exemple2
S10 = 1.046695 ;S20 = 1.097236 ;S30 = 0.8539006 ;S40 = 0.9942987 avec
ms0 = 0.9980326

1:
S1 = 1.0487583 ;S2 = 1.0993990 ;S3 = 0.8555839 ;S4 = 0.9962587
Series
chronologiques
41 / 65
Moyenne mobile
Modelisation
` multiplicatif
Cas du modele
`

` additif,

Sj de
moyenne 1 :
Pn
1
2
Exemple2
S10 = 1.046695 ;S20 = 1.097236 ;S30 = 0.8539006 ;S40 = 0.9942987 avec
ms0 = 0.9980326

1:
S1 = 1.0487583 ;S2 = 1.0993990 ;S3 = 0.8555839 ;S4 = 0.9962587
Series
chronologiques
41 / 65
Moyenne mobile
Modelisation
` 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 appelle observation corrigee

la valeur, notee
xcvs,ij , obtenue en eliminant

leffet saisonnier sur la valeur xij . On a pour le
` additif
modele
xcvs,ij = xij sj
` multiplicatif
alors que pour le modele
xcvs,ij = xij /Sj
`
On procede
ensuite a` lestimation du terme representant
la tendance par la
methode
de regression.
Series
chronologiques
43 / 65
Moyenne mobile
Prevision
serie
xt .
Definition
`

la valeur, notee

` additif
modele
xcvs,ij = xij sj
` multiplicatif
xcvs,ij = xij /Sj
`
On procede
la tendance par la
methode
de regression.
Series
chronologiques
43 / 65
Moyenne mobile
Prevision
serie
xt .
Definition
`

la valeur, notee

` additif
modele
xcvs,ij = xij sj
` multiplicatif
xcvs,ij = xij /Sj
`
On procede
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,
tendance et celle de la composante saisonniere.

Plus precis
si on
`
`
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
Analyse des residus

` estime,
on peut controler
` par une
Une fois le modele
la pertinence du modele
analyse des residus

qui son dfinis par
t ft
t = Xt S
` est bon, il ne doit rester dans les residus
Si le modele
aucune trace du
saisonnier.
` le graphe dun
Pour le verifier,
on trace le correlogramme
des residus,
cad
estimateur de la fonction dautocorrelation.
Definition
On appelle fonction dautocovariance de X , la fonction definie

par
h Z :
(h) = cov (Xt , Xth )
Remarque
(0) = var (Xt )
(h) = (h)
Series
chronologiques
46 / 65
Moyenne mobile
Analyse des residus

` estime,
on peut controler
` par une
Une fois le modele
analyse des residus

qui son dfinis par
t ft
t = Xt S
Si le modele
aucune trace du
saisonnier.
` le graphe dun
Pour le verifier,
des residus,
cad
Definition

par
h Z :
Remarque
(0) = var (Xt )
(h) = (h)
Series
chronologiques
46 / 65
Moyenne mobile
Analyse des residus

` estime,
on peut controler
` par une
Une fois le modele
analyse des residus

qui son dfinis par
t ft
t = Xt S
Si le modele
aucune trace du
saisonnier.
` le graphe dun
Pour le verifier,
des residus,
cad
Definition

par
h Z :
Remarque
(0) = var (Xt )
(h) = (h)
Series
chronologiques
46 / 65
Moyenne mobile
Analyse des residus

` estime,
on peut controler
` par une
Une fois le modele
analyse des residus

qui son dfinis par
t ft
t = Xt S
Si le modele
aucune trace du
saisonnier.
` le graphe dun
Pour le verifier,
des residus,
cad
Definition

par
h Z :
Remarque
(0) = var (Xt )
(h) = (h)
Series
chronologiques
46 / 65
Moyenne mobile
Analyse des residus

` estime,
on peut controler
` par une
Une fois le modele
analyse des residus

qui son dfinis par
t ft
t = Xt S
Si le modele
aucune trace du
saisonnier.
` le graphe dun
Pour le verifier,
des residus,
cad
Definition

par
h Z :
Remarque
(0) = var (Xt )
(h) = (h)
Series
chronologiques
46 / 65
Moyenne mobile
Analyse des residus
Definition
On appelle fonction dautocorrelation

de X , la fonction definie
par
h Z :
(h) = p
cov (Xt , Xth )

var (Xt )var (Xth )
(h)
(0)
Remarque
1
(h) est une mesure de la dependance

de la valeur X en une date par
ee
de h intervalles de temps.
rapport a` sa valeur en une date decal
2
(0) = 1
3
1 (h) 1
Definition
La fonction dautocorrelation
empirique de la serie
Xt est definie
par
PT
(h) =
t=h+1 (Xt X )(Xth

PT
2
t=1 (Xt X )
Series
chronologiques
)
X
47 / 65
Moyenne mobile
Analyse des residus
Definition

par
h Z :
(h) = p
cov (Xt , Xth )

var (Xt )var (Xth )
(h)
(0)
Remarque
1

ee
2
(0) = 1
3
1 (h) 1
Definition
Xt est definie
par
PT
(h) =
t=h+1 (Xt X )(Xth

PT
2
t=1 (Xt X )
Series
chronologiques
)
X
47 / 65
Moyenne mobile
Analyse des residus
Definition

par
h Z :
(h) = p
cov (Xt , Xth )

var (Xt )var (Xth )
(h)
(0)
Remarque
1

ee
2
(0) = 1
3
1 (h) 1
Definition
Xt est definie
par
PT
(h) =
t=h+1 (Xt X )(Xth

PT
2
t=1 (Xt X )
Series
chronologiques
)
X
47 / 65
Moyenne mobile
Analyse des residus
Definition

par
h Z :
(h) = p
cov (Xt , Xth )

var (Xt )var (Xth )
(h)
(0)
Remarque
1

ee
2
(0) = 1
3
1 (h) 1
Definition
Xt est definie
par
PT
(h) =
t=h+1 (Xt X )(Xth

PT
2
t=1 (Xt X )
Series
chronologiques
)
X
47 / 65
Moyenne mobile
Analyse des residus
Definition

par
h Z :
(h) = p
cov (Xt , Xth )

var (Xt )var (Xth )
(h)
(0)
Remarque
1

ee
2
(0) = 1
3
1 (h) 1
Definition
Xt est definie
par
PT
(h) =
t=h+1 (Xt X )(Xth

PT
2
t=1 (Xt X )
Series
chronologiques
)
X
47 / 65
Moyenne mobile
Analyse des residus
Definition

par
h Z :
(h) = p
cov (Xt , Xth )

var (Xt )var (Xth )
(h)
(0)
Remarque
1

ee
2
(0) = 1
3
1 (h) 1
Definition
Xt est definie
par
PT
(h) =
t=h+1 (Xt X )(Xth

PT
2
t=1 (Xt X )
Series
chronologiques
)
X
47 / 65
Moyenne mobile
Effet dune moyenne mobile sur les residus
e
Propriet
Les moyennes mobile arithmetiques

dordre minimise la variance dun bruit
blanc, et on a pour une moyenne mobile dordre 2m + 1 :
2m+1h
pour h 2m
2m+1
(h) =
0
pour h > 2m
Series
chronologiques
48 / 65

Prevision
Plan
1
Introduction

chronologique
Moyenne mobile
Prevision
Prevision
par la methode
de Holt-Winters
Series
chronologiques
49 / 65

Prevision
Lissage exponentiel simple
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
ou` [0, 1] est la constante de lissage.
Ce lissage permet deffectuer des previsions

pour des series
dont la tendance
est constante et sans saisonnalite.
Series
chronologiques
50 / 65

Prevision
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
ou` [0, 1] est la constante de lissage.
Ce lissage permet deffectuer des previsions

pour des series
dont la tendance
est constante et sans saisonnalite.
Series
chronologiques
50 / 65

Prevision
Remarques
1
4
5
` fortement influencee
Si est est proche de 0, la prevision

est souple, cad
par les observations les plus recentes.
`
Dans le cas extreme
ou` = 0, la prevision
est alors egale
a` la derniere
valeur observee.

est rigide, cad
par les observations passees.
dans le cas extreme

= 1, les previsions
sont identiques.
Afin dexclure les deux cas extreme,

pratiquement, on prend ]0, 1[
Series
chronologiques
51 / 65

Prevision
Remarques
1
4
5

est souple, cad
`
Dans le cas extreme
est alors egale
a` la derniere
valeur observee.

est rigide, cad
dans le cas extreme

= 1, les previsions
sont identiques.

Series
chronologiques
51 / 65

Prevision
Remarques
1
4
5

est souple, cad
`
Dans le cas extreme
est alors egale
a` la derniere
valeur observee.

est rigide, cad
dans le cas extreme

= 1, les previsions
sont identiques.

Series
chronologiques
51 / 65

Prevision
Remarques
1
4
5

est souple, cad
`
Dans le cas extreme
est alors egale
a` la derniere
valeur observee.

est rigide, cad
dans le cas extreme

= 1, les previsions
sont identiques.

Series
chronologiques
51 / 65

Prevision
Remarques
1
4
5

est souple, cad
`
Dans le cas extreme
est alors egale
a` la derniere
valeur observee.

est rigide, cad
dans le cas extreme

= 1, les previsions
sont identiques.

Series
chronologiques
51 / 65

Prevision
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
On choisi une valeur initiale Xt (0) = X1 ou Xt (0) = (X1 + + Xl )/l

t = X
t1 (h) + (1 )Xt pour 0 t T
X
t1 = X
t pour t T + 1
X
Remarques
En pratique, si on souhaite faire une prevision

rigide on choisi [0.7, 0.99]
et si on souhaite une prevision

souple on choisi [0.01, 0.3].
Series
chronologiques
52 / 65

Prevision
La prevision
par
T (h) = X
T 1 (h) + (1 )XT
X
Algorithme de L.E.S
1
2
3

t = X
t1 (h) + (1 )Xt pour 0 t T
X
t1 = X
t pour t T + 1
X
Remarques


Series
chronologiques
52 / 65

Prevision
La prevision
par
T (h) = X
T 1 (h) + (1 )XT
X
Algorithme de L.E.S
1
2
3

t = X
t1 (h) + (1 )Xt pour 0 t T
X
t1 = X
t pour t T + 1
X
Remarques


Series
chronologiques
52 / 65

Prevision
La prevision
par
T (h) = X
T 1 (h) + (1 )XT
X
Algorithme de L.E.S
1
2
3

t = X
t1 (h) + (1 )Xt pour 0 t T
X
t1 = X
t pour t T + 1
X
Remarques


Series
chronologiques
52 / 65

Prevision
Lintervalle de confiance de la prevision

est de la forme
T (h) 1.96Ch
X
1
2
2
2
ou` Ch2 = 1 + 1+
2 [(1 + 4 + 5 ) + 2h(1 )(1 + 3) + 2h (1 )]
Exemple
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
Series
chronologiques
53 / 65

Prevision
Lintervalle de confiance de la prevision

est de la forme
T (h) 1.96Ch
X
1
2
2
2
ou` Ch2 = 1 + 1+
2 [(1 + 4 + 5 ) + 2h(1 )(1 + 3) + 2h (1 )]
Exemple
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
Series
chronologiques
53 / 65

Prevision

Exemple
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
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
moyenne des premiere

a` y1 .
2
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

Exemple
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
Lissage exponentiel double
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
avec [0, 1] est la constante de lissage.

Remarques
T dependent
T et b
Les expressions a
de S1 et S2 qui sont respectivement le
lissage exponentiel simple de la serie

initiale et le lissage exponentiel simple
de la serie
lissee.
Series
chronologiques
57 / 65

Prevision

eralise
du lissage exponentiel simple au cas ou la serie
Ce lissage gen
lidee
a
La prevision
une la tendance lineaire

et sans saisonnalite.
a` lhorizon h, se fait
par
a` laide de la formule dite formule recursive
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 (0) = (Xt Xl )/t0

t (0) = X1 et b
On choisi une valeur initiale a
0
t1 ] avec = 1 2
t = Xt + (1 )[a
t1 + b
a
t = [a
t1 avec =
t a
t1 ] + (1 )b
b
t = at + b
t
X
Series
chronologiques
1
1+
58 / 65

Prevision

eralise
Ce lissage gen
lidee
a
La prevision

par
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 (0) = (Xt Xl )/t0

t (0) = X1 et b
0
t1 ] avec = 1 2
t = Xt + (1 )[a
t1 + b
a
t = [a
t1 avec =
t a
t1 ] + (1 )b
b
t = at + b
t
X
Series
chronologiques
1
1+
58 / 65

Prevision

eralise
Ce lissage gen
lidee
a
La prevision

par
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 (0) = (Xt Xl )/t0

t (0) = X1 et b
0
t1 ] avec = 1 2
t = Xt + (1 )[a
t1 + b
a
t = [a
t1 avec =
t a
t1 ] + (1 )b
b
t = at + b
t
X
Series
chronologiques
1
1+
58 / 65

Prevision

eralise
Ce lissage gen
lidee
a
La prevision

par
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 (0) = (Xt Xl )/t0

t (0) = X1 et b
0
t1 ] avec = 1 2
t = Xt + (1 )[a
t1 + b
a
t = [a
t1 avec =
t a
t1 ] + (1 )b
b
t = at + b
t
X
Series
chronologiques
1
1+
58 / 65

Prevision

eralise
Ce lissage gen
lidee
a
La prevision

par
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 (0) = (Xt Xl )/t0

t (0) = X1 et b
0
t1 ] avec = 1 2
t = Xt + (1 )[a
t1 + b
a
t = [a
t1 avec =
t a
t1 ] + (1 )b
b
t = at + b
t
X
Series
chronologiques
1
1+
58 / 65

Prevision

eralise
Ce lissage gen
lidee
a
La prevision

par
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 (0) = (Xt Xl )/t0

t (0) = X1 et b
0
t1 ] avec = 1 2
t = Xt + (1 )[a
t1 + b
a
t = [a
t1 avec =
t a
t1 ] + (1 )b
b
t = at + b
t
X
Series
chronologiques
1
1+
58 / 65

Prevision
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
Series
chronologiques
59 / 65

Prevision
9000
9500
10000
indice
10500
11000
11500
Exemple
1982
1983
1984
1985
1986
1987
1988
Time
Series
chronologiques
60 / 65

Prevision
Lissage exponentiel double : Exemple
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
Lissage exponentiel double : Exemple
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

chronologique
Moyenne mobile
Prevision
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
lissage exponentiel double pour lequel les ponderations

dependent
de deux
`
parametres
:
T (1) X
T 1 (1)) + a
T = (1 )(X
T 1
a
bT = (1 )XT + (XT 1 (1) XT 1 (2))

ou` || < 1 et || < 1
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
valeur a` linstant t depend

dun grand nombre dobservations anterieures,
es
dans le cas contraire.
elev
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
lissage exponentiel double pour lequel les ponderations

dependent
de deux
`
parametres
:
T (1) X
T 1 (1)) + a
T = (1 )(X
T 1
a
bT = (1 )XT + (XT 1 (1) XT 1 (2))

ou` || < 1 et || < 1
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
valeur a` linstant t depend

dun grand nombre dobservations anterieures,
es
dans le cas contraire.
elev
Series
chronologiques
64 / 65
Prevision
par la methode
de Holt-Winters
Series
chronologiques
65 / 65

Series Chronologiques

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Series Chronologiques

Încărcat de

Drepturi de autor:

Formate disponibile

Universite Hassan II - Casablanca

Faculte des Sciences et Techniques

AZIZA BELMAATI (FSTM )

AZIZA BELMAATI (FSTM )

Lanalyse dune serie

AZIZA BELMAATI (FSTM )

Les composantes dune serie

AZIZA BELMAATI (FSTM )

du temps des observations est consider

AZIZA BELMAATI (FSTM )

du temps des observations est consider

AZIZA BELMAATI (FSTM )

du temps des observations est consider

AZIZA BELMAATI (FSTM )

du temps des observations est consider

AZIZA BELMAATI (FSTM )

du temps des observations est consider

AZIZA BELMAATI (FSTM )

du temps des observations est consider

AZIZA BELMAATI (FSTM )

du temps des observations est consider

AZIZA BELMAATI (FSTM )

Exploration dune serie

Le premier graphique a` utiliser pour lexamen dune serie

On appelle chronogramme dune serie,

Sur des exemples de differents

Exploration dune serie

Le premier graphique a` utiliser pour lexamen dune serie

On appelle chronogramme dune serie,

Sur des exemples de differents

Exploration dune serie

Le premier graphique a` utiliser pour lexamen dune serie

On appelle chronogramme dune serie,

Sur des exemples de differents

Exploration dune serie

Le premier graphique a` utiliser pour lexamen dune serie

On appelle chronogramme dune serie,

Sur des exemples de differents

Exploration dune serie

Le premier graphique a` utiliser pour lexamen dune serie

On appelle chronogramme dune serie,

Sur des exemples de differents

AZIZA BELMAATI (FSTM )

Population franaise en millions d'habitants

AZIZA BELMAATI (FSTM )

AZIZA BELMAATI (FSTM )

Population des tats unies en millions d'habitants

AZIZA BELMAATI (FSTM )

AZIZA BELMAATI (FSTM )

Nombre de passagers ariens

AZIZA BELMAATI (FSTM )

AZIZA BELMAATI (FSTM )

AZIZA BELMAATI (FSTM )

Les composantes dune serie

AZIZA BELMAATI (FSTM )

Les composantes dune serie

La tendance (zt ) ou trend : Represente

et traduit laspect gen

Les variations saisonnieres

quil existe un entier p appele periode,

par ses p premieres

Les fluctuations irreguli

Les composantes dune serie