Chapitre 5

Indices et
Séries
Temporelles

Bezzaa.A 5-1
 Chapitre 5
Indices et Séries Temporelles
Agenda
5.1 Les indices simples

5.2 Introduction à la prévision

5.3 Les techniques de lissage

5.4 La prévision avec régression

5.5 La prévision avec saisonnalité

Bezzaa.A 5-2
 5.1 Les indices simples

Les indices donnent un aperçu sur l’évolution

des prix ou des quantités d’un produit donné
ou d’un panier de produits au fil du temps.
Leur analyse permet seulement une
description de l’évolution d’un phénomène.

Bezzaa.A 5-3
 Définition

Mesure le changement au fil du temps par

rapport à la période de base
L’indice de prix mesure le changement au
niveau du prix
• e.x.: L’indice des prix à la consommation
(IPC)
L’indice de quantité mesure les changements
au niveau de la quantité
• e.x.: Nombre de voitures produites par an
Bezzaa.A 5-4
 Indice simple

Un indice simple est basé sur les

changements relatifs (au fil du temps) du
prix ou de la quantité d’un seul produit.

Bezzaa.A 5-5
 Indice simple

Formule pour l’indice simple:

æ Yt ö
I t = ç ÷100
è Y0 ø
Où:
It : l’indice à l’instant t
Yt : valeur de la série temporelle à l’instant t
Y0 : valeur de la série temporelle à la base

Bezzaa.A 5-6
 Indice simple de prix

Exemple:
Le tableau montre les prix de l’essence (gallon)
entre 1990 et 2003 aux Etats-Unis. Année
1990
Prix ($)
1,299

Utiliser 1990 comme période de base. 1991

1992
1,098
1,087

Calculer l’indice simple pour 1990, 1998. 1993 1,075

1994 1,111
1995 1,224
1996 1,199
1997 1,03
1998 1,136
1999 1,484
2000 1,42
2001 1,345
2002 1,561
2003 1,852

Bezzaa.A 5-7
 Indice simple de prix

Indice pour 1990

𝑃𝑟𝑖𝑥 1990 1,299
× 100 = × 100 = 100
𝑃𝑟𝑖𝑥 1990 1,299

Indice pour 1998

𝑃𝑟𝑖𝑥 1998 1,03

× 100 = × 100 = 79,3
𝑃𝑟𝑖𝑥 1990 1,299

Ce qui indique une diminution de 20,7% (100 –

79.3) entre 1990 et 1998.
Bezzaa.A 5-8
 Les statistiques en pratique
La prévision des ventes
• Vous avez été promu au poste de Directeur des ventes chez la
succursale de Ford à Marrakech.
• L'une des principales responsabilités de votre nouvel emploi est de
prédire ou de prévoir le nombre de voitures neuves qui seront
vendues au cours des prochains trimestres.
• Ces informations seront utilisées pour décider du nombre et des
types de ressources humaines dont la société aura besoin dans un
proche avenir. Heureusement, ce chapitre vous fournira les outils
nécessaires pour prendre une telle décision.

Bezzaa.A 5-9
 5.2 Introduction à la prévision

La prévision qualitative est une technique

subjective qui repose principalement sur
l'intuition et le jugement d'une personne bien
informée pour prédire les événements futurs.
Ce chapitre introduit la prévision quantitative:
l’utilisation des données passées et quelques
formules mathématiques pour prédire les
données futures.

Bezzaa.A 5-10
 Introduction à la prévision
Dans une série temporelle chaque point de donnée
est associé à un point spécifique sur l’échelle du
temps. Tableau 1 : Nombre de voitures vendues sur 12 trimestres
Période Ventes
1 97
2 142
3 108
4 135
5 120
6 164
7 126
8 150
9 123
10 151
11 141
12 142

Bezzaa.A 5-11
 Introduction à la prévision

Les données de séries temporelles sont

souvent affichées à l’aide d’un nuage de
points, l'axe horizontal représentant le
temps.

Bezzaa.A 5-12
 Une série temporelle, c’est quoi?

Une série statistique enregistrée dans le temps,

où le temps est considéré comme un aspect
important.
L’aspect du temps est sur un intervalle régulier.
La plupart des méthodes de séries
chronologiques utilisent des valeurs
antérieures pour prédire les valeurs futures.
L’objectif principal est de fournir des prévisions
de valeurs futures

Bezzaa.A 5-13
 Les composantes d’une série
temporelle
Une série temporelle peut contenir aucune,
une ou plusieurs des composantes suivantes :
Série Temporelle

La tendance ou La composante La composante La composante

le trend saisonnière cyclique résiduelle

Un mouvement Un modèle Fluctuations Bruit, mouvements

général des constant dans d’ordre d’une série
données vers le les données, économique sur temporelle qu’on
haut ou vers le associé à la une période ne peux pas
bas période longue de attribuer aux
plusieurs années autres
composantes

Bezzaa.A 5-14
 Les composantes d’une série
temporelle
Les
composantes
de la série Série temporelle
temporelle
« Demande de
nouvelles
voitures » Tendance/Trend

Saisonnalité

Résidu

Bezzaa.A 5-15
 Modeliser une série temporelle

Deux types de méthodes:

• Les techniques de lissage : supprimer la
composante irrégulière.
• La régression

Bezzaa.A 5-16
 5.3 Les techniques de lissage

Objectif: faire la moyenne , ou lisser. Supprimer la

composante résiduelle d’une série temporelle. L’objectif
est la prévision à l’horizon 1.
• Les techniques de lissage donnent mieux avec les
séries qui sont homogènes au fil du temps(série sans
tendance, ni saisonnalité, ni composante cyclique
majeure).
Les techniques de lissage

Moyenne Moyennes Lissage Lissage

mobile simple mobiles exponential exponentiel
pondérées simple double

Bezzaa.A 5-17
 La prévision par la moyenne mobile
simple (MMS)
Les techniques de lissage

Moyenne Moyennes Lissage Lissage

mobile simple mobiles exponential exponentiel
pondérées simple double

Une prévision par moyenne mobile simple est

obtenue en faisant la moyenne des p valeurs les
plus récentes d’une série temporelle.

Bezzaa.A 5-18
 La prévision par la moyenne mobile
simple (MMS)
Exemple: Faire les prévisions des ventes du 1er trimestre
2019.
Choisir p = 3 et puis faire la prévision du trimestre en faisant la
moyenne des valeurs observés des trois derniers trimestres:
Période Année Trimestre Ventes Période Année Trimestre Ventes
1 2016 1 97 7 2017 3 126
2 2016 2 142 8 2017 4 150
3 2016 3 108 9 2018 1 123
4 2016 4 135 10 2018 2 151
5 2017 1 120 11 2018 3 141
6 2017 2 164 12 2018 4 142

151 + 141 + 142

𝑀𝑀𝑆3 = = 144,7
3
≈ 145

La prévision des ventes pour le premier trimestre 2019 est environ 145
voitures.
Bezzaa.A 5-19
 La prévision avec la MMS
La précision de cette prévision peut être évaluée
pour chaque période en soustrayant les prévisions
des données observées.
• L’écart absolu moyen (EAM) est une erreur
moyenne de prévision:
∑|𝐴𝑡 − 𝑃𝑡 |
𝐸𝑀𝐴 =
𝑛
Où:
EAM = Ecart absolu moyen
At = La valeur actuelle pour la période t
Pt = La valeur de prévision pour la période t
At - Pt = L’erreur de prévision pour la période t
| At – Pt | = la valeur absolue de l’erreur de prévision
n = le nombre d’erreurs de prévision
Bezzaa.A 5-20
 La prévision avec la MMS
Tableau 2 : Calculer l'écart absolu moyen

𝑃é𝑟𝑖𝑜𝑑𝑒 𝑉𝑒𝑛𝑡𝑒𝑠 𝑎𝑐𝑡𝑢𝑒𝑙𝑙𝑒𝑠 𝑃𝑟é𝑣𝑖𝑠𝑖𝑜𝑛 𝑑𝑒𝑠 𝑣𝑒𝑛𝑡𝑒𝑠 𝐸𝑟𝑟𝑒𝑢𝑟 𝑑𝑒 𝑝𝑟é𝑣𝑖𝑠𝑖𝑜𝑛 Erreur de

t 𝐴𝑡 𝑃𝑡 𝐴𝑡 − 𝑃𝑡 prévision
absolue
|𝐴𝑡 − 𝑃𝑡 |
1 97
2 142
3 108
4 135 115,7 19,3 19,3
5 120 128,3 -8,3 8,3
6 164 121 43 43
7 126 139,7 -13,7 13,7
8 150 136,7 13,3 13,3 L’erreur de
9 123 – 146,7 = -23,7 23,7
prévision est la
10 151 133 18 18
11 141 141,3 -0,3 0,3 différence entre la
12 142 138,3 3,7 3,7 valeur actuelle des
∑|𝑨𝒕 − 𝑷𝒕 | = 143,3
ventes et la valeur
prévisionnelle des
ventes.

Bezzaa.A 5-21
 La prévision avec la MMS

n = 9 = nombre d’erreurs

∑|𝐴𝑡 − 𝑃𝑡 |
𝐸𝑀𝐴 =
𝑛
143.3
=
9
= 15,9

Bezzaa.A 5-22
 La prévision avec la MMS

L’Ecart absolu moyen (EAM) mesure la

précision d’une prévision en calculant l’erreur
moyenne absolue de prévision par période
d’une série temporelle.
• Avec un EAM= 15,9 pour notre exemple, on
estime l’erreur moyenne de prévision
d’être 16 voitures par trimestre.

Bezzaa.A 5-23
 La prévision avec la MMS

Calcul des MM avec un ordre p = 4.

Période t Ventes 𝐴! Prévisions 𝑃! Erreur de prévision Erreur absolue de prévision
1 97
2 142 n = 8 = nombre d’erreurs
3 108
4 135
5 120 120,5 -0,5 0,5
6 164 126,25 37,75 37,75
7 126 131,75 -5,75 5,75
8 150 136,25 13,75 13,75
9 123 140 -17 17
10 151 140,75 10,25 10,25
11 141 137,5 3,5 3,5 ∑ 𝐴" − 𝑃"
𝐸𝐴𝑀 = =
12 142 141,25 0,75 0,75 𝑛
89,25
! 𝑨𝒕 − 𝑷𝒕 = 89,25 = 11,156
8

Bezzaa.A 5-24
 La prévision avec la MMS

Avec un EAM= 11,156 on estime l’erreur

moyenne de prévision d’être 11 voitures
par trimestre.
On augmentant l’ordre des moyennes
mobiles, on obtient un meilleur lissage.
Toutefois, il est moins sensible au
changements. Obtenir un EAM inférieur
n’est pas automatique.

Bezzaa.A 5-25
 La prévision avec la MMS
On augmentant le nombre de périodes, le lissage
devient meilleur.

𝑀𝑀𝑆! 𝑀𝑀𝑆"

Toute chose étant égale par ailleurs, il faut choisir la prévision

ayant une valeur EAM minimale.
Bezzaa.A 5-26
 La prévision avec les moyennes
mobile pondérées (MMP)
Les techniques de lissage

Moyennes Moyennes Lissage Lissage

mobiles mobiles exponential exponentiel
simples pondérées simple double

Une moyenne mobile pondérée est une

technique de lissage dans laquelle des
pondérations sont appliquées aux données
historiques lors du calcul d'une prévision.

Bezzaa.A 5-27
 La prévision avec les MMP
Il est courant d'attribuer une pondération plus
élevée aux données plus récentes et une
pondération moindre aux données plus anciennes.
• Si des données plus récentes sont plus
pertinentes, elles devraient avoir une
pondération plus importante dans les prévisions.
Exemple :
• Avec p = 3, on utilise les poids 3, 2, et 1.
• La période la plus récente obtient le poids 3.
• La période la plus éloignée obtient le poids 1.
Bezzaa.A 5-28
 La prévision avec les MMP
Ventes
de 151(1) + 141(2) + 142(3)
Période 𝑀𝑀𝑃3 =
voitures 1+2+3
=
1 97 143,2
2 142 ≈ 143
3 108
4 135
5 120
6 164
7 126
8 150 Le dénominateur est la
9 123 Poids somme des poids de la
10 151 1 prévision avec les MMP.
11 141 2
12 142 3
13 143
Bezzaa.A 5-29
 La prévision avec les MMP
Tableau 3 : Calculer l'écart moyen absolu pour MMP d’ordre 3
L’EAM pour la 𝑷é𝒓𝒊𝒐𝒅𝒆 𝑽𝒆𝒏𝒕𝒆𝒔 𝒂𝒄𝒕𝒖𝒆𝒍𝒍𝒆𝒔 𝑷𝒓é𝒗𝒊𝒔𝒊𝒐𝒏 𝒅𝒆𝒔 𝒗𝒆𝒏𝒕𝒆𝒔 𝑬𝒓𝒓𝒆𝒖𝒓 𝒅𝒆 𝒑𝒓é𝒗𝒊𝒔𝒊𝒐𝒏 Erreur de
prévision avec la t 𝑨𝒕 𝑷𝒕 𝑨𝒕 − 𝑷𝒕 prévision
absolue
MMP d’ordre 3 et |𝑨𝒕 − 𝑷𝒕 |

les poids 1,2, et 3 1

2
97
142 Poids : 1, 2, 3
est: 3 108
4 135 117,5 17,5 17,5
5 120 127,2 -7,2 7,2
∑|𝐴𝑡 − 𝑃𝑡 |
𝐸𝑀𝐴 = 6 164 123 41 41
𝑛 7 126 144,5 -18,5 18,5

137.5 8 150 137,7 12,3 12,3

= 9 123 144,3 -21,3 21,3
9 10 151 132,5 18,5 18,5

= 15,3 11 141 141,5 -0,5 0,5

12 142 141,3 0,7 0,7
∑|𝑨𝒕 − 𝑷𝒕 | = 137,5

Nombre des moyennes

mobiles pondérées

Bezzaa.A 5-30
 La prévision avec les MMP
Différents ordres et différents poids peuvent être
combinés pour vérifier si la valeur de l’EAM peut
être réduite.
• On peut essayer différentes combinaisons pour arriver à une
erreur de prévision acceptable.
Les techniques de moyennes mobiles sont
efficaces dans le cadre de prévision de la valeur
d’une seule période à venir.
• Cela nécessite des calculs relativement simples
• S'il existe une forte tendance ou une composante saisonnière,
les prévisions seront biaisées.

Bezzaa.A 5-31
 La prévision par lissage exponentiel
simple (LES)
Les techniques de lissage

Moyennes Moyennes Lissage Lissage

mobiles mobiles exponential exponentiel
simples pondérées simple double

Le lissage exponentiel ajuste la prévision

précédente avec une partie de l'erreur de
prévision de la période précédente.

Bezzaa.A 5-32
 La prévision par LES

Formule pour la prévision de lissage

exponentiel simple:

𝑷𝒕 = 𝑷𝒕−𝟏 + 𝜶(𝑨𝒕−𝟏 − 𝑷𝒕−𝟏 )

où:
Pt = La valeur de la prévision pour la période t
At –1 = la valeur actuelle pour la période t – 1
Pt –1 = la valeur de la prévision pour la période t – 1
α = le paramètre de lissage

Bezzaa.A 5-33
 La prévision par LES

La valeur du paramètre de lissage, α, varie de

0 à 1 (inclus).
• Lorsque α est proche de 1, l'erreur de prévision
de la période précédente a un effet important sur
la prévision actuelle.
• Lorsque α est proche de 0, l'erreur de prévision
précédente a peu d'impact sur la prévision
actuelle.

Bezzaa.A 5-34
 La prévision par LES

Exemple (suite) utilisant les ventes de voitures:

Calculer la prévision de la période 13 avec le lissage
exponentiel de paramètre α = 0.6.

𝑷𝟏𝟐 = 𝑷𝟏𝟏 + 𝜶(𝑨𝟏𝟏 − 𝑷𝟏𝟏 )

P13 ne peut être trouvée que si nous connaissons P12, et P12

dépend de P11 (et ainsi de suite…), nous devons donc
commencer par le début de la série et avancer vers le bas.
Commençons par définir P1 comme étant égal à A1.

Bezzaa.A 5-35
 La prévision par LES
Tableau 4 : Prévision avec lissage exponentiel simple (α=0.6)

𝑷é𝒓𝒊𝒐𝒅𝒆 𝑽𝒆𝒏𝒕𝒆𝒔 𝒂𝒄𝒕𝒖𝒆𝒍𝒍𝒆𝒔 𝑷𝒓é𝒗𝒊𝒔𝒊𝒐𝒏 𝒅𝒆𝒔 𝒗𝒆𝒏𝒕𝒆𝒔 𝑬𝒓𝒓𝒆𝒖𝒓 𝒅𝒆 𝒑𝒓é𝒗𝒊𝒔𝒊𝒐𝒏 Erreur de

t 𝑨𝒕 𝑷𝒕 𝑨𝒕 − 𝑷𝒕 prévision
absolue
|𝑨𝒕 − 𝑷𝒕 |
1 97
Remarquez
2 142 97,0 45,0 45,0
3 108
l’absence
124,0 -16,0 16,0
4 135
d’erreur pour
114,4 20,6 20,6
5 120 la période 1
126,8 -6,8 6,8
6 164 122,7 41,3 41,3
puisque P1 =A1
7 126 147,5 -21,5 21,5
8 150 134,6 15,4 15,4
9 123 143,8 -20,8 20,8
10 151 131,3 19,7 19,7
11 141 143,1 -2,1 2,1
12 142 141,9 0,1 0,1
∑|𝑨𝒕 − 𝑷𝒕 | = 209,4 Exemple:
𝑷𝟏𝟐 = 𝑷𝟏𝟏 + 𝜶(𝑨𝟏𝟏 − 𝑷𝟏𝟏 )
= 𝟏𝟒𝟑. 𝟏 + 𝟎. 𝟔 × (𝟏𝟒𝟏 − 𝟏𝟒𝟑. 𝟏)
= 𝟏𝟒𝟏. 𝟖

Bezzaa.A 5-36
 La prévision par LES
EAM pour la prévision par lissage exponentiel
avec α = 0.6:
∑|𝐴𝑡 − 𝑃𝑡 | 209,4
𝐸𝑀𝐴 = = = 19,0
𝑛 11

• Comme on peut le constater, la technique de lissage

est moins précise que la technique des Moyennes
Mobiles.

Bezzaa.A 5-37
 La prévision par LES
On trace sur le même graphique les données réelles
avec les données lissées pour apprécier la qualité de
lissage.

Bezzaa.A 5-38
 Lissage exponentiel double

Les techniques de lissage

Moyennes Moyennes Lissage Lissage

mobiles mobiles exponential exponentiel
simples pondérées simple double

Le lissage exponentiel double est une technique

qui compense une prévision par lissage
exponentiel par la tendance détectée dans les
données.

Bezzaa.A 5-39
 Lissage exponentiel double

Les formules pour le lissage exponentiel double:

𝑷𝑨𝑻𝒕 = 𝑷𝒕 + 𝑻𝒕
𝑷𝒕 = 𝑷𝑨𝑻𝒕−𝟏 + 𝜶(𝑨𝒕−𝟏 − 𝑷𝑨𝑻𝒕−𝟏 )
𝑻𝒕 = 𝜷(𝑷𝒕 − 𝑷𝒕−𝟏 ) + (𝟏 − 𝜷)𝑻𝒕−𝟏

Où:
PATt= La prévision avec tendance t
Pt = prévision exponentiellement lissée pour la période t
Tt = tendance exponentiellement lissée pour la période t
At – 1 = La valeur actuelle pour la période t – 1
α = paramètre de lissage pour la prévision
β = paramètre de lissage pour la tendance

Bezzaa.A 5-40
 Lissage exponentiel double

On introduit un nouveau paramètre de lissage

β.
• β varie entre 0 to 1 (inclus).
L’ajustement de tendance pour la période
courante dépend de la tendance la plus
récente (Pt – Pt -1) et la tendance cumulée sur
toute la série (Tt -1).
• La tendance récente est pondérée par β.
• La tendance cumulée est pondérée par (1 – β).

Bezzaa.A 5-41
 Lissage exponentiel double

• Si β est proche de 1, l’ajustement de

tendance est plus affecté par la tendance
récente.
• Si β est proche de 0, l’ajustement de
tendance est plus affecté par la tendance
cumulée sur la totalité de la série temporelle.
• Les valeurs de l’EAM permettent de choisir
les valeurs idéales pour α et β pour une série
temporelle.

Bezzaa.A 5-42
 Lissage exponentiel double

Exemple: (suite) Ventes de voitures

On attribue les valeurs pour la période 1

comme suit:
P1 = A1 T1 = 0 PAT1 = P1 + T1

Ensuite, on procède aux calculs de:

P2, T2, PAT2
P3, T3, PAT3
etc.
Bezzaa.A 5-43
 Lissage exponentiel double

Exemple: 𝑻𝟏𝟐 = 𝜷 𝑷𝟏𝟐 − 𝑷𝟏𝟏 + 𝟏 − 𝜷 𝑻𝟏𝟏

= 𝟎, 𝟏 𝟏𝟒𝟒, 𝟖 − 𝟏𝟒𝟑, 𝟔 + 𝟏 − 𝟎. 𝟏 𝟐, 𝟗
= 𝟐, 𝟕

Bezzaa.A 5-44
 Lissage exponentiel double

On peut calculer la prévision de la période 13

avec les valeurs de période 12:

Bezzaa.A 5-45
 Lissage exponentiel double

EAM pour le lissage exponentiel double, avec α =

0.3 et β = 0.1:
∑|𝐴𝑡 − 𝑃𝐴𝑇𝑡 | 181,8
𝐸𝑀𝐴 = = = 16,5
𝑛 11

• Nous pouvons remarquer que le fait d’inclure la

tendance dans les prévisions a permis de réduire
l’EAM de 19 to 16,5.

Bezzaa.A 5-46
 Résumé des méthodes de prévision avec
lissage
Les quatre techniques utilisées:

• Pour les ventes de voitures, la meilleure prévision est 139

voitures, qui est obtenue avec les MMS d’ordre 4, parce
que cette méthode obtient l’EAM le plus faible.

Bezzaa.A 5-47
 5.4 La prévision avec la régression

Les techniques de régression abordées au

chapitre quatre peuvent aussi être utilisées dans
le cadre de la prévision d’une série temporelle.
• Si la série temporelle se caractérise par une
tendance ou une saisonnalité, ces techniques
permettent d’obtenir des résultats
satisfaisants.

Bezzaa.A 5-48
 Estimation de la tendance

L’estimation de la tendance est une technique

de prévision qui projette dans l’avenir une
droite de régression linéaire qui ajuste au mieux
une série temporelle.
• On estime une ligne de tendance avec la
méthode des moindres carrés.
• On utilise le temps (t) comme variable
indépendante (x).

Bezzaa.A 5-49
 Estimation de la tendance
Exemple: Estimer une droite de tendance avec la régression
où = La valeur estimée de y étant donné t
= La période t
= L’ordonnée de la droite de tendance
= La pente de la droite de tendance

La pente de la droite de tendance: L’ordonnée de la droite de tendance:

Bezzaa.A 5-50
 Estimation de la tendance
Exemple: (suite) vente de voitures
Estimer une droite de tendance avec la technique de
régression
Tableau 7 : Les calculs nécessaires pour l'estimation de la tendance

𝑃é𝑟𝑖𝑜𝑑𝑒, 𝑡 𝑉𝑒𝑛𝑡𝑒𝑠, 𝑦 𝑡𝑦 𝑡2
1 97 97 1
2 142 284 4
3 108 324 9
4 135 540 16
5 120 600 25
6 164 984 36
7 126 882 49
8 150 1200 64
9 123 1107 81
10 151 1510 100
11 141 1551 121
12 142 1704 144

/ 𝒕 = 𝟕𝟖 / 𝒚 = 𝟏𝟓𝟗𝟗 / 𝒕𝒚 = 𝟏𝟎𝟕𝟖𝟑 / 𝒕𝟐 = 𝟔𝟓𝟎

Bezzaa.A 5-51
 Estimation de la tendance
Estimation de la pente : Estimation de l’ordonnée :

12 × 10783 − 78 × 1599 1599 78

𝑏1 = 𝑏0 = − 2,7238 ×
12 × 650 − 782 12 12

𝑏1 = 2,7238 𝑏0 = 115,5453

Bezzaa.A 5-52
 Estimation de la tendance
Le modèle de tendance linéaire :
𝑦"𝑡 = 115,5453 + 2,7238𝑡

Demande de nouvelles voitures

170
Selon ce résultat, les 160
ventes augmentent 150

par 2,7238 voitures

Ventes de voitures

140

par trimestre. 130

120

110

100

90

80
0 2 4 6 8 10 12 14
Période

Bezzaa.A 5-53
 Estimation de la tendance
Prévision pour la période 13:

𝑦"𝑡 = 115,5453 + 2,7238 × 13

≈ 151 𝑣𝑜𝑖𝑡𝑢𝑟𝑒𝑠
Demande de nouvelles voitures
170

160 150,9545455
150
Ventes de voitures (y)

140

130

120

110

100

90

80
0 2 4 6 8 10 12 14
Période (t)

Bezzaa.A 5-54
 Estimation de la tendance
Plus nous projetons notre courbe de tendance
dans le futur, moins la valeur estimée sera
fiable.
Les résidus décrivent la différence entre les
valeurs réelles et estimées des variables
dépendantes dans une analyse de régression.
On peut utiliser les résidus pour calculer l’EAM.
• Le résidu pour ième observation dans le futur est
obtenu comme suit :

Bezzaa.A 5-55
 Estimation de la tendance
Calcul des erreurs de prévisions :
Tableau 8 : Les prévisions des ventes de voitures avec la régression

𝑃é𝑟𝑖𝑜𝑑𝑒, 𝑡 𝑉𝑒𝑛𝑡𝑒𝑠, 𝑦 𝑃𝑟é𝑣𝑖𝑠𝑖𝑜𝑛 𝑦0𝑡 𝐸𝑟𝑟𝑒𝑢𝑟 𝐸𝑟𝑟𝑒𝑢𝑟 𝑎𝑏𝑠𝑜𝑙𝑢𝑒

𝑦𝑡 − 𝑦0𝑡 |𝑦𝑡 − 𝑦0𝑡 |
1 97 118,3 -21,3 21,3
2 142 121,0 21,0 21,0
3 108 123,7 -15,7 15,7
4 135 126,4 8,6 8,6
5 120 129,2 -9,2 9,2
6 164 131,9 32,1 32,1
7 126 134,6 -8,6 8,6
8 150 137,3 12,7 12,7
9 123 140,1 -17,1 17,1
10 151 142,8 8,2 8,2
11 141 145,5 -4,5 4,5
12 142 148,2 -6,2 6,2
∑|𝒚𝒕 − 𝒚
;𝒕 | =165,1

∑|𝑦𝑡 − 𝑦+𝑡 | 165,1

𝐸𝑀𝐴 = = = 13.8
𝑛 12

Bezzaa.A 5-56
 L’estimation de la tendance avec
Excel
1. Entrer les données
2. Données > Utilitaire
d’analyse > Régression
linéaire.

Bezzaa.A 5-57
 L’estimation de la tendance avec
Excel
3. Sur la fenêtre
Régression,
sélectionner les
Données Y et X.
4. Choisir une plage de
sortie pour les résultats.
5. Sélectionner Résidus.
6. Cliquer sur OK.

Bezzaa.A 5-58
 L’estimation de la tendance avec
Excel
L’ordonnée et la pente de
l’équation de régression
R²= SCR/SCT

Même si on a obtenu un EAM faible , on remarque que le R² de 26% n’est pas

élevé ce qui voudrait dire que la régression linéaire n’est pas idéale dans ce
cas.
Bezzaa.A 5-59
 L’estimation de la tendance avec
Excel
Excel produit aussi un tableau d’Analyse des Résidus:

Par exemple pour la prévision de la première observation :

𝑦"1 = 115,5453 + 2,7238 × 1
𝑦"1 = 118,2691

Bezzaa.A 5-60
 5.5 La prévision avec saisonnalité

• Pour rappel, les composantes d’une série

temporelle :
Série temporelle

Trend Composante Composante Composante

saisonnière cyclique résiduelle

Une composante saisonnière est présente dans

une série temporelle lorsqu'on observe une
tendance régulière liée à la saisonnalité ou au
calendrier.
Bezzaa.A 5-61
 Les deux modèles de décomposition
d’une série
Formule pour le modèle Formule pour le modèle
de décomposition de décomposition
additif: multiplicatif:

𝑦𝑡 = 𝑇𝑡 + 𝑆𝑡 + 𝑅𝑡

où:
yt = La série temporelle à la période t
Tt = Le trend à la période t
St = La composante saisonnière à la période t
Rt = La composante résiduelle à la période t

Bezzaa.A 5-62
 Les deux modèles de
décomposition d’une série
Les modèles de décomposition :
Modèle Modèle
additif multiplicatif

Amplitudes croissantes

Graphiquement, on remarque que les amplitudes, ou variances,

sont stables sur le modèle additif et croissantes sur le modèle
multiplicatif.
Bezzaa.A 5-63
 La décomposition d’un modèle
multiplicatif
Pour décomposer un modèle multiplicatif, il faut
suivre ces étapes :
1. Identifier la composante saisonnière.
2. Désaisonnaliser la série originale de cette
composante saisonnière.
3. Identifier le trend de la série désaisonnalisée.
4. Utiliser le trend et la composante saisonnière pour
effectuer des prévisions.

Bezzaa.A 5-64
 La décomposition d’un modèle
multiplicatif
1. Identifier la composante saisonnière.
Le nombre de composantes saisonnières est
égal au nombre de saisons d’un année civile.
Exemple: Les données des ventes de voitures
sont trimestrielles.
• Puisqu’il y a 4 saisons par an, on commence par une
Moyenne mobile d’ordre 4.
• On faisant la moyenne des périodes 1, 2, 3, et 4 on
obtient une valeurs centrée à la période 2,5.
• On faisant la moyenne des périodes 2, 3, 4 et 5 on obtient
une valeur centrée à la période 3,5.
• Etc.
Bezzaa.A 5-65
 La décomposition d’un modèle
multiplicatif
Moyenne Moyenne
de la mobile
Trimestre Ventes période d’ordre 4
1 97 2.5 120.50
2 142 3.5 126.25
3 108 4.5 131.75
4 135 5.5 136.25
5 120 6.5 140.00
6 164 7.5 140.75
7 126 etc…
8.5 137.50
8 150 9.5 141.25
9 123 10.5 139.25
10 151
11 141 • Chaque moyenne mobile correspond à la
12 142
moyenne de 4 trimestres successifs.
Bezzaa.A 5-66
 La décomposition d’un modèle
multiplicatif
Les moyennes de
période d’ordre 2,5 Moyenne Moyenne Moyenne
ou 3,5 ne de la mobile Période mobile
correspondent pas période d’ordre 4 centrée centrée
aux données 2.5 120.50 3 123.375
originales 3.5 126.25 4 129.000
trimestrielles 4.5 131.75 5 134.000
(1,2,3,4), on fait 5.5 136.25 etc… 6 138.125
donc la moyenne de 6.5 140.00 7 140.375
ces 2 moyennes pour 7.5 140.75 8 139.125
obtenir des périodes
8.5 137.50 9 139.375
et des moyennes
9.5 141.25 10 140.250
mobiles centrées.
10.5 139.25

Bezzaa.A 5-67
 La décomposition d’un modèle
multiplicatif
On a calculé une moyenne mobile d’ordre 4 pour
supprimer la composante saisonnière, St , de la série
temporelle.
• Chaque Moyenne calculée inclue les quatre saisons.
• La moyenne de deux périodes successives supprime la
composante résiduelle Rt , car on suppose que les
fluctuations aléatoires vont s’annuler sur le temps.
• Avec la saisonnalité et le résidu éliminés, les valeurs des
moyennes mobiles centrées correspondent au Trend (Tt).

𝑀𝑀𝐶𝑡 = 𝑇𝑡

Bezzaa.A 5-68
 La décomposition d’un modèle
multiplicatif
Le ratio à la moyenne mobile correspond aux
composantes saisonnières et résiduelles dans
les données originales et est obtenu en
divisant la valeur de la série temporelle par sa
moyenne mobile centrée.
• Formule pour le ratio à la moyenne mobile :

𝑌𝑡 𝑦𝑡
𝑅𝑀𝑀𝑡 = 𝑆𝑡 × 𝑅𝑡 = =
𝑇𝑡 𝑀𝑀𝐶𝑡

Bezzaa.A 5-69
 La décomposition d’un modèle
multiplicatif
On calcule les ratios aux moyennes mobiles :
Tableau 9 : Le ratio aux moyennes mobiles pour la vente de voitures

Moyenne
Période
Trimestre Ventes mobile Ratio
centrée
centrée
3 2016-T3 108 123.375 0.8754
4 2016-T4 135 129.000 1.0465 Exemple:
5 2017-T1 120 134.000 0.8955
6 2017-T2 164 138.125 1.1873
7 2017-T3 126 140.375 0.8976
8 2017-T4 150 139.125 1.0782
9 2018-T1 123 139.375 0.8825
10 2018-T2 151 140.250 1.0766

Bezzaa.A 5-70
 La décomposition d’un modèle
multiplicatif
Les coefficients saisonniers (CSj) sont obtenus en
faisant la moyenne des ratios aux moyenne mobiles
pour chaque saison.
Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4

0,8955 1,1873 0,8754 1,0465

0,8825 1,0766 0,8976 1,0782

0,8890 1,1320 0,8865 1,0624

Moyenne CS1 CS2 CS3 CS4

Bezzaa.A 5-71
 La décomposition d’un modèle
multiplicatif
Les coefficients saisonniers normalisés (CSNt) sont
des coefficients saisonniers corrigés dont la somme
est équivalente au nombre de saisons d’une série
temporelle, c’est-à-dire 4 dans notre exemple.
4
𝐶𝑆𝑁1 = × 𝐶𝑆1 = (1.0076) × (0.8890) = 0.8958
CS1 = 0.8890 3.9699
CS2 = 1.1320 4
𝐶𝑆𝑁2 = × 𝐶𝑆2 = (1.0076) × (1.1320) = 1.1406
3.9699
CS3 = 0.8865
4
CS4 = 1.0624 𝐶𝑆𝑁3 = × 𝐶𝑆3 = (1.0076) × (0.8865) = 0.8932
3.9699
Total = 3.9699 4
𝐶𝑆𝑁4 = × 𝐶𝑆4 = (1.0076) × (1.0624) = 1.0704
3.9699

Ce total doit être equivalent à 4. Total = 4.0000

Bezzaa.A 5-72
 La décomposition d’un modèle
multiplicatif
Tableau 10 : La composante saisonnière, 𝑺𝒕, par trimestre pour la vente de nouvelles voitures

Période Année Trimestre Composante

saisonnière
1 2016 1 0,8958 Les ventes du
2 2016 2 1,1406 trimestre 1
3 2016 3 0,8932 constituent en
moyenne 89.58%
4 2016 4 1,0704
des ventes par
5 2017 1 0,8958 trimestre sur
6 2017 2 1,1406 l’année.
7 2017 3 0,8932
8 2017 4 1,0704
9 2018 1 0,8958 Les ventes du
10 2018 2 1,1406 trimestre 2 sont
11 2018 3 0,8932 en moyenne
12 2018 4 1,0704 supérieures de
14,06% aux
ventes
trimestrielles
sur l’année

Bezzaa.A 5-73
 La décomposition d’un modèle
multiplicatif
2. Désaisonnaliser la série temporelle
• Supprimer l’effet de saisonnalité de la série
avec la composante calculée.
• Formule pour la série désaisonnalisée:

Bezzaa.A 5-74
 La décomposition d’un modèle
multiplicatif

Exemple:

Bezzaa.A 5-75
 La décomposition d’un modèle
multiplicatif
La série désaisonnalisée graphiquement:

Bezzaa.A 5-76
 La décomposition d’un modèle
multiplicatif
3. Identifier le trend avec la série
désaisonnalisée.
Objectif: Identifier le trend linéaire de la série désaisonnalisée avec
la régression simple.

L’équation de regression
estimera le trend pour le
modèle de prévision avec
décomposition.

Bezzaa.A 5-77
 La décomposition d’un modèle
multiplicatif
La fonction régression linéaire sur Excel:

Bezzaa.A 5-78
 La décomposition d’un modèle
multiplicatif
Rapport détaillé d’Excel pour la régression:

Bezzaa.A 5-79
 La décomposition d’un modèle
multiplicatif
4. Générer des prévisions avec le trend et la
composante saisonnière.
Formule de prévision avec le modèle
multiplicatif:

𝑌!! = 𝑇! ×𝑆!

Bezzaa.A 5-80
 La décomposition d’un modèle
multiplicatif
Prévision pour la période 13:
On calcule d’abord le trend pour t = 13:

On corrige par la saisonnalité:

• La période 13 est le trimestre numéro 1 de 2019.
• La composante saisonnière est S1 = 0.8958
• La prévision pour la période 13 est de 134 voitures:
𝑌!"# = 𝑇"# ×𝑆"# = 149,65×0,8958 ≈ 134

Bezzaa.A 5-81
 La décomposition d’un modèle
multiplicatif
Prévisions pour l’année 2019:

• Les erreurs de prévision auront tendance à augmenter si

l’horizon de prévision s’agrandit.

Bezzaa.A 5-82
 La décomposition d’un modèle
multiplicatif
Tableau 13 : Les calculs de l’EMA pour la décomposition multiplicative

On calcule 𝑷é𝒓𝒊𝒐𝒅𝒆
t
𝑽𝒆𝒏𝒕𝒆𝒔 𝒂𝒄𝒕𝒖𝒆𝒍𝒍𝒆𝒔
𝑨𝒕
𝑻𝒓𝒆𝒏𝒅
𝑻𝒕
𝑺𝒂𝒊𝒔𝒐𝒏𝒂𝒍𝒊𝒕é
𝑺𝒕
𝑷𝒓é𝒗𝒊𝒔𝒊𝒐𝒏
𝑷𝒕
Erreur
absolue
l’EAM pour |𝑨𝒕 − 𝑷𝒕 |

évaluer la 1 97 119,4 0,8958 107,0 10,0

précision de la 2 142 121,9 1,1406 139,0 3,0

prévision: 3 108 124,4 0,8932 111,1 3,1

4 135 126,9 1,0704 135,8 0,8
5 120 129,5 0,8958 116,0 4,0
∑|𝑦𝑡 − 𝑃𝑡 |
𝐸𝑀𝐴 = 6 164 132,0 1,1406 150,6 13,4
𝑛
7 126 134,5 0,8932 120,1 5,9
84,1 8 150 137,0 1,0704 146,6 3,4
=
12 9 123 139,6 0,8958 125,1 2,1
= 7,0 10 151 142,1 1,1406 162,1 11,1
11 141 144,6 0,8932 129,2 11,8
12 142 147,1 1,0704 157,5 15,5
∑|𝑨𝒕 − 𝑷𝒕 | = 84,1

Bezzaa.A 5-83
 Comparaison entre les techniques de
prévision
Résumé des valeurs de l’Erreur Moyenne Absolue (EAM) pour les
différentes techniques de prévision étudiées dans ce chapitre:
Tableau 14 : Résumé de l’EMA pour les différentes techniques de prévision

TECHNIQUE PRÉVISION EMA

t=13
Moyennes mobiles 145 15,9 Le modèle de
simple, p = 3 décomposition
Moyennes mobiles 139 11,1 permet
simple, p = 4
d’obtenir
Moyennes mobiles 143 15,3
pondérées, p = 3 (3,2,1) l’EAM le plus
Lissage exponentiel 142 19,0 faible.
simple, α = 0,6
Lissage exponentiel 148 16,5
double, α = 0,3, β = 0,1
Estimation de la 151 13,8
tendance
Décomposition 134 7,0

Bezzaa.A 5-84
 Comparaison entre les techniques
de prévision

La prévision avec
saisonnalité(en vert) avec un
EAM de 7, correspondant à la
décomposition, suit le mieux
le mouvement de la série
originale (en bleu).

Bezzaa.A 5-85
 Notions clés (1 de 4)

Les indices :
Description de l’évolution au fil du temps du
prix ou de la quantité

Bezzaa.A 5-86
 Notions clés (2 de 4)

Les composantes d’une série temporelles:

- Tendance ou Trend
- Composante saisonnière
- Composante cyclique
- Composante résiduelle

Bezzaa.A 5-87
 Notions clés (3 de 4)

Les techniques de lissage :

- Comparer l’EAM de plusieurs techniques
avant d’en choisir une pour la prévision
- Si la série exhibe une tendance, la
méthode de régression ou le lissage
exponentiel double sont de meilleurs
techniques
- La prévision se fait uniquement à
l’horizon h+1

Bezzaa.A 5-88
 Notions clés (4 de 4)

La Décomposition :
Si la série exhibe une tendance et une
saisonnalité, la décomposition du modèle
est une approche nécessaire avant de
pouvoir effectuer des prévisions.
On extrait d’abord la composante
saisonnière, par moyennes mobiles.
Ensuite, on extrait la tendance par
méthode de régression sur la série
désaisonnalisée.
Bezzaa.A 5-89