Université Mohammed V de Rabat Département génie mécanique
Ecole Mohammadia d’Ingénieurs Gestion de production
AU 2019- 2020 Sanae Kouismi
Handout 2 : Chapitre 2. Méthodes de prévision
1. Terminologie de la prévision
1.1 Paramètres de la prévision
Paramètres de la prévision
Prévision à moyen
Prévision à long Prévision à court
terme : à l’ordre de 6
terme > 3 ans terme : jusqu’à 6 mois
mois à 2 ans)
Nouveaux Ajout d’une Ajustement des
produits, machine, activités
investissement ou embauche du planifiées, gestion
désinvestissement personnel des stocks
en équipements,
construction
d’une usine
1.2 Objectif de la prévision
L’objectif de la prévision est de définir ce qu’il faut produire et quand il faut
produire
Données : Pour faire des prévisions, on démarre avec des données historiques
(archivées) ou tirées à partir des études (du marché, des experts, des sondages)
1.3 Types de demandes :
Demande à tendance
Demande saisonnière
Demande saisonnière et à tendance
Demande erratique
2. Méthodes de prévision
Méthodes de prévision
Méthodes de lissage
Ajustement linéaire Méthodes de lissage
exponentiel
Méthode des Coefficients Lissage
points extrêmes saisonniers exponentiel simple.
Lissage
Méthode des
Moyennes mobiles exponentiel de
points moyens
HOLT.
Lissage
Méthode des
exponentiel de
moindre carrés
WINTER
1.2 Ajustement linéaire
Méthode des points extrêmes
La méthode des points extrêmes est une méthode d’ajustement linéaire d’équation
y = ax + b déterminée à partir des coordonnées des deux points extrêmes d’une série
d’observations sur la période analysée.
Soient A et B, les points situés aux extrémités du nuage de points et la droite d’ajustement
déterminée à partir de l’équation de la forme y = ax + b. Celle-ci doit passer par ces deux
points.
Etapes à suivre:
Soient les deux points extrêmes de coordonnées : A(XA, YA) ; B(XB, YB).
1. Formuler le système des deux équations à partir des deux points extrêmes de
coordonnées A(XA, YA) et B(XB, YB) : (1) YA = aXA + b et
(2) YB = aXB + b et résoudre le système de deux équations YA et YB ;
2. Formuler l’équation de la droite d’ajustement ;
3. Utiliser cette équation de tendance pour effectuer les prévisions pour les périodes
futures
Exemple
Soit la série statistique suivante :
Année 2013 2014 2015 2016 2017 2018 2019
Ventes 120 155 125 202 180 235 240
(kdhs)
1. Représenter graphiquement la série par un nuage de points.
2. Déterminer l’équation de la droite de tendance.
3. Représenter cette équation sur le même graphique.
4. Déterminer la prévision pour le rang 8.
Méthode des points moyens
La méthode des points moyens, appelée aussi méthode Mayer, retient les coordonnées des
points moyens de la série d’observations.
Etapes à suivre:
1. Diviser la série d’observation en deux groupes G1, G2 d’égale importance ;
2. Déterminer les coordonnées du point moyen de chaque groupe
G1(x1 , y1 ) et G2 (x2 , y2 ) et formuler le système d’équations
y1 = ax1 + b et y2 =a x2 + b
3. Résoudre le système d’équations pour déterminer la valeur de a et b
4. Utiliser cette droite de tendance pour la prévision des ventes des périodes à venir.
Méthode des moindres carrés
La droite d’ajustement des moindres carrés cherche à minimiser la somme des carrés des
distances entre la valeur observée et la valeur ajustée: ∑ 2
càd ∑ 2
Le coefficient de corrélation une mesure de l'intensité et du sens de la relation
linéaire entre deux variables :
Tel que : −1 ≤ rxy ≤ 1,
Pour déterminer la droite d’ajustement, il s’agit de déterminer les paramètres a et b
de la droite d’ajustement qui est de la forme y = ax + b.
Les coefficients a et b qui minimisent le critère des moindres carrés sont donnés
par:
{
̅ ̅ ̅ ̅
Exercice: (corrigé à la classe)
Considérons dans une entreprise, la variable X : les dépenses en milliers de dirhams en
publicité et Y : les ventes en milliers de dirhams des articles produits
1. Représentez graphiquement l’évolution des ventes en fonction des dépenses
publicitaire.
2. Vérifier s’il existe une dépendance linéaire entre X et Y , si oui déterminer la
droite de tendance de cette série par la méthode des moindres carrés. Représenter
la droite dans le même graphique.
3. Combien on va pouvoir vendre d’articles si on dépense 5,2 K MAD en publicité ?
4. Mesurer la qualité de cet ajustement.
Eléments de réponse :
120
100 y = 34,492x - 2,5448
R² = 0,9649
80
60
40
20
0
0 1 2 3 4
Y=35,5 X -2,55
Pour 5,2 de dépenses : 176,85 k MAD = 35,5 * 5,2 – 2,55
2.2 Méthodes de lissage
Coefficients saisonniers
Les coefficients saisonniers permettent de constater et d’analyser les variations
saisonnières des ventes de l’entreprise. On peut calculer les coefficients saisonniers à
partir de données mensuelles, trimestrielles ou semestrielles
Formule de coefficient saisonnier d’un trimèstre:
𝑚 𝑚 𝑚
𝑚 𝑔é é 𝑔é é
Exemple
Ventes mensuelles de 2018 et 2019 de la société SSK
janvier février mars avril mai juin juillet août septembre octobre novembre décembre
2018 34000 47500 50000 60300 61200 57000 42000 45000 46000 57400 63400 90900
2020 38600 46000 53000 61000 65000 60000 36000 42000 43000 57100 65000 88300 totaux
totaux
Trimrstre
2018 131500 178500 133000 211700 654700
totaux
Trimrstre
2019 137600 186000 121000 210400 655000
totaux 269100 364500 254000 422100 1309700
coefficient 0,21 0,28 0,19 0,32
Coefficient saisonner du mois de mars = 269 100 ÷ 1 309 700=0,21
Ce calcul permet de constater que pour la société SSK, le premier trimestre représente 21
% du CA, le troisième trimestre seulement 19 % du CA.
Moyennes mobiles
Les moyennes mobiles permettent de corriger les variations saisonnières d’une série
La formule de la moyenne pour trois valeurs :
𝑣 𝑚 𝑚– 1 + 𝑣 𝑚 𝑚 + 𝑣 𝑚 𝑚 + 1
𝑚 𝑚
3
𝑚 𝑚
3.2 Méthodes de lissage exponentiel
Caractéristiques des méthodes de lissage exponentiel
Simplicité des calculs ;
Petit nombre des données à garder en mémoire ;
Qualité des prévisions obtenues.
Les différents lissages exponentiels
Le lissage exponentiel simple dépend d'un seul paramètre de lissage ;
Le lissage de Holt dépend de deux paramètres : l'un relatif au niveau, l'autre à la
tendance ;
Le lissage de Winters dépend de trois paramètres : l'un relatif au niveau, un autre
relatif à la tendance, et le dernier à la saisonnalité.
saisonnalité
Non Oui
tendance
Le lissage
Le lissage de
Non exponentiel
Winters
simple
Le lissage de
Oui Le lissage de Holt
Winters
Historique sans Historique avec Historique
tendance ni tendance sans avec tendance
saisonnalité saisonnalité et saisonnalité
Un changement
Lissage exponentiel simple
La prévision pour la période n est celle de la période n-1 corrigée proportionnellement à
l’écart Dn-1 -Pn-1 entre la demande réelle et la prévision qui avait été faite pour la période
précédente:
Pt 𝑃 1 + 𝛼 Dt-1 -Pt-1 )
Tels que: = Dt-1 -Pt-1
Pt = prévision au temps t.
Pt-1 = Prévision au temps t-1 (période antérieure)
Dt-1 = la demande réelle à l’instant t
= l’erreur entre la demande réelle et la prévision
= facteur de pondération (ou constante de lissage) 0 ≤ ≤ 1
Choix du facteur de pondération
- proche de 0 : ∈[0.01; 0.3] , prévision souple : fortement influencée par les
observations les plus récentes.
- proche de 1 : ∈[0.7; 0.99] , prévision rigide: l’influence des observations
passées est d’autant plus importante.
Choix de la valeur initiale
La première observation de la série chronologique
La moyenne de la série chronologique.
Exemple
Calculer les prévisions à l’aide du lissage exponentiel simple avec
α = 0,20 puis α = 0,40 en utilisant une prévision initiale de 100.
janvier février mars avril mai juin Juillet août septembre octobre novembre décembre
demande
104 104 100 92 105 95 95 104 104 107 110 109
réelle
PFévrier = PJanvier + 𝛼( YJanvier- PJanvier) = 100 + 0,2 ( 104-100) = 100,8
janvier février mars avril mai juin Juillet août septembre octobre novembre décembre Erreur de
prévision
"Erreur
demande
104 104 100 92 105 95 95 104 104 107 110 109 Absolue
réelle
Moyenne"
Prévision =0,2 100 100,80 101,44 101,15 99,32 100,46 99,37 98,49 99,59 100,48 101,78 103,42 5,29
faite en
t-1 pour
t =0,7 100,00 102,80 103,64 101,09 94,73 101,92 97,08 95,62 101,49 103,25 105,87 108,76 4,68
115
110
105
100
95
90
0 2 4 6 8 10 12 14
demande réelle 0,2 0,7
Pour un paramètre de lissage =0,7 , on s'adapte beaucoup plus vite au changement de
niveau que pour un paramètre =0,2.
Conclusion: on s'adapte beaucoup plus rapidement à un changement de niveau avec un
paramètre de lissage élevé.
