Chapitre 4:

Les séries chronologiques

 INTRODUCTION
Une série chronologique est une distribution statistique qui
décrit l’évolution d’une grandeur au cours du temps. Cette
évolution peut être relativement régulière, mais elle peut
aussi présenter des variations à la hausse ou à la baisse qui
se reproduisent à certaines périodes, voire des variations
exceptionnelles liées à des évènements ponctuels.

L’étude d’une série chronologique a pour objectif l’analyse

de cette évolution en mettant en évidence les différents
mouvements qui l’affectent. Elle peut contribuer à élaborer,
pour cette série, des prévisions conjoncturelles.
I. Définition et principes de base 1. Définition

 SERIE CHRONOLOGIQUE:
Définition: On appelle série chronologique, ou chronique, ou série
temporelle, une suite d’observation chiffrées, ordonnées dans le temps.
Une série chronologique peut également être définie comme une distribution à
deux variables dont l’une est le temps.
La variable étudiée est notée « Y » et le temps est souvent repéré par la lettre
« t ».
- t prend les valeurs 𝑡1 , … , 𝑡𝑛 .
- « Y » prend les valeurs 𝑦1 , … , 𝑦𝑛 .

Elle est représentée graphiquement en portant en abscisse le temps et en

ordonnée les valeurs de Y. Les points du graphique sont le plus souvent reliés
par des segments de droite.
La représentation graphique d’une série chronologique permet de mettre en
évidence ses composantes.
I. Définition et principes de base 1. Définition

 SERIE CHRONOLOGIQUE:
Exemples:
• Phénomènes naturels (Température des océans, concentration en dioxyde
de carbone de l’atmosphère, taux de glucose dans le sang,…).
• Séries économiques (taux de chômage, prix de matières premières, ventes
réalisées d’un produit, …).
• Séries financières (cours boursiers, taux de change, …)
• Données démographiques (population d’un pays, taux de natalité, …).
• ….
I. Définition et principes de base 1. Définition

 SERIE CHRONOLOGIQUE:
Exemples: On a relevé les chiffres d’affaires trimestriels, exprimés en 104 dhs,
d’une entreprise au cours des années 2012 à 2015. Ceux-ci sont présentés
dans le tableau suivant:

Chiffres d’affaires yi (en 104 dhs) sur la période 2012-2015

I. Définition et principe de base 2.Composantes

Lorsqu’on étudie une série chronologique, il est nécessaire de repérer les

grands caractères de l’évolution globale : le phénomène étudié a-t-il tendance
à croitre ou à décroitre? Les hausses et les baisses de courtes périodes sont-
elles régulières?

Y a-t-il des fluctuations exceptionnelles et peut-on les expliquer?

Il s’agit, en somme, de déterminer les éléments constitutifs de l’évolution
globale. Ces éléments portent le noms de « composantes ».
I. Définition et principe de base 2.Composantes

 COMPOSANTES

L’étude d’une série chronologique consiste à la « décomposer » en

« composantes » modélisant chacune une partie des variations de la série. Ces
composantes sont la tendance et, lorsqu’elles existent, les variations
cycliques, les variations saisonnières et les variations résiduelles.
I. Définition et principe de base 2.Composantes

 TREND
SER01 SER02
110 2.6

105 2.5

100 2.4

95 2.3

90 2.2

85 2.1

80 2.0

75 1.9

70 1.8
1986 1988 1990 1992 1994 1996 1998 2000 2004 2005 2006 2007
Pro
Graphe1: Production d’énergie en milliards d’euros, Graphe 2: Nombre de demandes d’emplois, en France
en France, de 1986 à 2000 de 2004 à 2007

La courbe 1 traduit globalement une augmentation de la quantité produite d’énergie

tandis que le graphe 2 fait apparaitre une baisse du nombre de demandeurs
d’emploi. On dit que la tendance générale est à la hausse dans un cas et à la
baisse dans l’autre.
I. Définition et principe de base 2.Composantes

 TREND

Graphe 2: Nombre de demandes d’emplois, en France

en France, de 1986 à 2000de 2004 à 2007

Définition 1 : La tendance (également nommée trend) indique l’évolution

globale et le mouvement de long terme du phénomène étudié. Ce mouvement
est traditionnellement représenté par des formes analytiques simples
(polynomiales, logarithmiques, exponentielles, logistiques, etc.) qui ajustent
l’ensemble des points du nuage de points.
I. Définition et principe de base 2.Composantes

 VARIATIONS SAISONNIERES

Le graphe fait apparaitre également des variations régulières à la hausse ou à la baisse:

chaque année, le nombre de demandeurs d’emplois diminue de janvier à juin, il
augmente ensuite, puis se stabilise, en décembre il baisse, puis connait à nouveau une
hausse en janvier. La hausse du nombre de demandeurs d’emploi à partir de juillet
s’explique principalement par la fin de l’année scolaire et universitaire.
Définition 2 : On nomme variations saisonnières les variations qui résultent de
répétitions d’évènements plus ou moins réguliers se reproduisant de façon plus où moins
identique de période en période inférieures à l’année. La S.C. correspondant au
mouvement saisonnier est supposée rigoureusement périodique, c’est à dire qu’il existe
un entier p, appelé période, tel que St = St+p , t = 1, . . . , n.
I. Définition et principe de base 2.Composantes

 VARIATIONS SAISONNIERES

Définition 3 : Une période est un ensemble de saisons. Lorsque les données

sont mensuelles, chaque mois est une saison et une période peut être, selon le
phénomène étudié, une année, un semestre ou un trimestre; si elles sont
trimestrielles, chaque trimestre est une saison et une période peut être un
semestre ou une année.
I. Définition et principe de base 2.Composantes

 VARIATIONS RESIDUELLES
Définition 4 : Ce sont toutes celles qui ne peuvent être expliquées par la
tendance et les variations saisonnières. Elles sont liées à des évènements
imprévisibles dont l’influence sur les valeurs observées peut être plus ou moins
prononcée : accidents conjoncturels tels que grèves, incendies, inondations,
épidémies, etc., évènements qui peuvent être de grande ampleur, ou bien
aléas dont l’influence est mineure. Une variation accidentelle de grande
ampleur se traduit graphiquement par un « pic » ou un « creux » à caractère
exceptionnel qui rompt la régularité de l’évolution de l’ensemble.
I. Définition et principe de base 2.Composantes

 FLUCTUATIONS CYCLIQUES
Définition 5 : Elles correspondent à des oscillations autour de la tendance,
irrégulières en amplitude et en durée. Le cycle économique « prospérité,
dépression, récession et reprise » est un exemple de fluctuation cyclique.
Les fluctuations cycliques sont souvent intégrées à la tendance et ne sont pas
étudiées indépendamment du trend.

Remarque: On notera que l’une ou l’autre des composantes présentées peut

éventuellement être absente de la série.
II. Objectifs et étapes d’analyse d’une S.C.

 DEUX OBJECTIFS PRINCIPAUX

1. Décrire et identifier la nature du phénomène représenté par une
séquence d'observations.
2. Réaliser des prévisions (avoir une idée des valeurs que la variable de
la série chronologique devrait prendre dans le futur pour anticiper,
élaborer des stratégies, …).

 LA DÉMARCHE D’ANALYSE D’UNE S.C.

1. Représentation graphique de la série:
On représente graphiquement la S.C. en dessinant le nuage formé par les
points (ti , yi)1≤i≤n et en reliant les points entre eux par des segments de droites.
Préalable essentiel à la modélisation de la série chronologique, la
représentation graphique permet de repérer:
• Une tendance.
• Un phénomène périodique ou saisonnier.
• Des variations accidentelles ou des fluctuations irrégulières.
• Un cycle.
II. Objectifs et étapes d’analyse d’une S.C.

 DEUX OBJECTIFS PRINCIPAUX

1. Décrire et identifier la nature du phénomène représenté par une
séquence d'observations.
2. Réaliser des prévisions (avoir une idée des valeurs que la variable de
la série chronologique devrait prendre dans le futur pour anticiper,
élaborer des stratégies, …).

 LA DÉMARCHE D’ANALYSE D’UNE S.C.

1. Représentation graphique de la série:
On représente graphiquement la S.C. en dessinant le nuage formé par les
points (ti , yi)1≤i≤n et en reliant les points entre eux par des segments de droites.
Préalable essentiel à la modélisation de la série chronologique, la
représentation graphique permet de repérer:
• Une tendance.
• Un phénomène périodique ou saisonnier.
• Des variations accidentelles ou des fluctuations irrégulières.
• Un cycle.
II. Objectifs et étapes d’analyse d’une S.C.

 LA DÉMARCHE D’ANALYSE D’UNE S.C.

2. Modélisation
Elle consiste à traduire en langage mathématique (équations, fonctions,…) une
situation ou un phénomène. Le modèle issu de la modélisation sert à expliquer
le phénomène, le comprendre et à faire des prévisions.

Il existe principalement deux types de modèles:

 Les modèles déterministes:

Ils consistent à supposer que l’observation de la série à la date t est une
fonction du temps t et d’une variable εt faisant office d’erreur au modèle,
représentant la différence entre la réalité et le modèle proposé :
Yt = g(t, εt)

La fonction g est choisie dans une classe de fonctions simples et le bruit εt est
une série de fluctuations aléatoires indépendantes les unes des autres
d'espérance nulle.
II. Objectifs et étapes d’analyse d’une S.C.

 LA DÉMARCHE D’ANALYSE D’UNE S.C.

2. Modélisation
 Les modèles déterministes:
Les deux types de modèles de ce type les plus utilisés sont:
 Le modèle additif. C’est le modèle classique de décomposition d’une
S.C. La variable Yt s’écrit comme la somme de trois termes:
yt = ft + st + εt
où ft représente la tendance déterministe, St la saisonnalité (déterministe
aussi) et εt les composantes résiduelles aléatoires (erreurs au modèle).

 Le modèle multiplicatif. La variable Yt s’écrit comme le produits des

trois composantes tendancielle, saisonnière et résiduelle:
yt = ft × 𝐬t × εt
II. Objectifs et étapes d’analyse d’une S.C.

 LA DÉMARCHE D’ANALYSE D’UNE S.C.

2. Modélisation
 Les modèles stochastiques:
La modélisation porte ici sur la forme du processus εt. Les modèles
stochastiques sont en effet du même type que les modèles déterministes à ceci
près que les variables de bruit εt possèdent une structure de corrélation non
nulle. εt est une fonction des valeurs passées et d’un terme d’erreur 𝛈𝐭.
εt = g(εt -1, εt -2, ..., 𝛈𝐭).
La classe de modèles de ce type la plus utilisée est la classe des modèles
ARIMA ("Auto-Regressive – Integrated – Moving Average"). Cette catégorie de
modèles a été popularisée et formalisée par Box et Jenkins (1976).
Ce deuxième type de modélisation ne sera pas traité dans ce cours.
II. Objectifs et étapes d’analyse d’une S.C.

 LA DÉMARCHE D’ANALYSE D’UNE S.C.

2. Modélisation
Schématiquement, on s’intéresse tout d’abord à la tendance et à la
saisonnalité éventuelle(s) que l’on cherche à modéliser. Puis on les élimine de
la série : ces deux opérations s’appellent la détendancialisation et la
désaisonnalisation de la série. Une fois ces composantes éliminées, on
obtient la série aléatoire εt :
 Pour les modelés déterministes, cette série sera considérée comme
décorrélée et il n’y a plus rien à faire.
 Pour les modèles stochastiques (non abordés dans le présent module), on
obtient une série stationnaire qu’il s’agit de modéliser.
II. Objectifs et étapes d’analyse d’une S.C.

 LA DÉMARCHE D’ANALYSE D’UNE S.C.

3. Prévisions
Une fois ces différentes étapes réalisées, nous sommes en mesure de prédire
les valeurs futures Yn+1, Yn+2 , …
III. Modèles théoriques d’analyse d’une S.C.

Les techniques traditionnelles de traitement des S.C. procèdent par

décomposition puis reconstitution de la chronique. Cette approche suppose
que la structure de la chronique peut être décomposée en éléments simples,
modélisables. Ces éléments sont les composantes de la S.C.

On étudiera les deux principaux modèles déterministes :

• Le modèle additif.
• Le modèle multiplicatif.
III. Modèles théoriques d’analyse d’une S.C.

 NOTATIONS
On considère une série chronologique de longueur n.
t1, t2, …, tn sont les n instants successifs d'observation,
et yj est la valeur mesurée a l'instant ti ,
On notera la série chronologique {Yt} t∈T où T est l'ensemble ordonné des
instants d'observation, T = {t1, t2,…, tn}.
III. Modèles théoriques d’analyse d’une S.C.

Dans les modèles théoriques d’analyse des séries chronologiques, la variable

Y est fonction de 3 variables :

-Une variable f associée à la composante tendancielle,

-Une variable s associée à la composante saisonnière,
-Une variable ε associée à la composante résiduelle.

On étudiera deux modèles de décomposition déterministes :

 le modèle additif
 le modèle multiplicatif
combinant chacun une tendance (f), une composante saisonnière (s) et une
composante résiduelle (ε).
III. Modèles théoriques d’analyse d’une S.C.

 LA DÉCOMPOSITION ADDITIVE
Dans un modèle de type additif, on considère que le phénomène étudié en
fonction du temps se décompose en éléments (les composantes) indépendants
les uns des autres.
Le modèle additif s’applique à une variable dont l’amplitude du mouvement
saisonnier est constante; les composantes f, S et R sont alors indépendantes
les unes des autres.
III. Modèles théoriques d’analyse d’une S.C.

 LA DÉCOMPOSITION ADDITIVE

Le modèle additif combine une tendance, une saisonnalité de période p et une

composante résiduelle. Il permet de décomposer chaque donnée brute 𝑦𝑖 en
une somme de trois valeurs :

yi = fi + si + εi pour i=1,…n

𝑝 𝑛
Avec si = 0 et εi = 0
𝑖=1 𝑖=1
I. Modèles théoriques d’analyse d’une S.C.

 LA DÉCOMPOSITION ADDITIVE

• f est une composante tendancielle déterministe qui donne le

comportement de la variable observée sur le long terme (croissance ou
décroissance linéaire, quadratique...). Cette composante peut aussi avoir
une expression différente pour différentes périodes (affine par morceaux
par exemple).
• s est une suite périodique qui correspond à une composante saisonnière
résultant d’événements réguliers, fluctuants, et de même nature, se
répétant à l’identique de période en période.
• ε représente une composante irrégulière et aléatoire, le plus souvent de
faible amplitude par rapport à la composante saisonnière. Cette
composante est considérée comme décorrélée dans le cas des modèles
déterministes.
I. Modèles théoriques d’analyse d’une S.C.

LA DÉCOMPOSITION MULTIPLICATIVE

Dans un modèle de type multiplicatif, on considère que le phénomène étudié
en fonction du temps se décompose en éléments dépendants les uns des
autres : la composante saisonnière, et éventuellement la composante
accidentelle, sont proportionnelles au trend.
Le modèle multiplicatif s’applique à une variable dont l’amplitude du
mouvement saisonnier croît ou décroît avec la tendance.
I. Modèles théoriques d’analyse d’une S.C.

LA DÉCOMPOSITION MULTIPLICATIVE

Le modèle multiplicatif combine une tendance, une saisonnalité de période p et

une composante résiduelle. Il permet de décomposer chaque donnée brute en
un produit de trois valeurs:

yi = fi . si . εi pour i=1,…n

𝑝 𝑛
1
Avec si = 1 et εi = 0
𝑝
𝑖=1 𝑖=1
I. Modèles théoriques d’analyse d’une S.C.

CHOIX DU MODÈLE
La méthode graphique
Elle consiste à tracer une droite qui passe le plus près possible des minima et
une droite qui passe le plus près possible des maxima et à regarder si l’on
obtient deux droites à peu près parallèles ou non. Si oui, comme ci-dessous,
cela signifie que l’amplitude des variations saisonnières est à peu près
constante; on choisit alors le modèle additif. Sinon, on opte pour le modèle
SER02
multiplicatif.
2.6

2.5

2.4

2.3

2.2

2.1

2.0

1.9

1.8
2004 2005 2006 2007
I. Modèles théoriques d’analyse d’une S.C.

CHOIX DU MODÈLE
La méthode algébrique (méthode de Buys et Ballot)
Cette méthode consiste, à partir de la série des données brutes, à calculer
pour chaque période la moyenne et l’écart-type des données. Si les écarts-
types sont approximativement constants d’une période à l’autre, le modèle est
additif, sinon il est multiplicatif.
I. Modèles théoriques d’analyse d’une S.C.

 APPLICATIONS

Modèle additif :

Le chiffre d’affaires trimestriel d’une entreprise (en milliers de dhs) a évolué de

la manière suivante de 2004 à 2007 :

Année Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4

2004 116 110 108 114
2005 129 122 119 126
2006 140 133 130 137
2007 153 146 143 150

Soit T le rang du trimestre. Les valeurs de T vont de 1 (1er trimestre de l’année

2004) à 16 (4ème trimestre de l’année 2007).
Si l’on trace une droite qui passe le plus près possible des minima et une droite
qui passe le plus près possible des maxima, on obtient deux droites qui
semblent à peu près parallèles. La représentation graphique suggère donc un
modèle additif.
I. Modèles théoriques d’analyse d’une S.C.

 APPLICATIONS SER01
160

150

140

130

120

110

100
04Q1 04Q3 05Q1 05Q3 06Q1 06Q3 07Q1 07Q3
I. Modèles théoriques d’analyse d’une S.C.

 APPLICATIONS

Est-ce que la méthode de Buys et Ballot le confirme? Calculons les moyennes et

les écarts-types du chiffre d’affaire de chaque année. En 2004 :
4
𝑖=1 𝑦𝑖 116+110+108+114
Moyenne du chiffre d’affaires : 𝑦 = = = 112.000
4 4
Variance de Y :
4 2
𝑖=1 𝑦𝑖 1162 + 1102 + 1082 + 1142
𝑉 𝑌 = 4
− 𝑦2 = 4
− 1122 = 10.000.000
D’où 𝜎 𝑌 = 3.162.
On calcule de même les moyennes et les écarts-types des années suivantes. Les
résultats figurent dans le tableau ci-dessous :
2004 2005 2006 2007
Moyennes (*103) 112 124 135 148
Ecarts-type (*103) 3,162 3,808 3,808 3,808

L’écart-type est quasiment stable d’une année à l’autre. C’est donc bien le modèle
additif qu’il faut choisir.
I. Modèles théoriques d’analyse d’une S.C.

 APPLICATIONS

Modèle multiplicatif :

Le résultat net trimestriel (en milliers de dirhams) d’un restaurant situé dans
une station balnéaire a évolué comme suit a court de la période 2004-2007 :
Année Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4
2004 63 73 80 69
2005 61 66 72 64
2006 56 60 65 57
2007 52 56 59 54

En portant en abscisse le rang du trimestre, la représentation graphique de

cette série est la suivante:
I. Modèles théoriques d’analyse d’une S.C.

 APPLICATION
Y
85

80

75

70

65

60

55

50
04Q1 04Q3 05Q1 05Q3 06Q1 06Q3 07Q1 07Q3
I. Modèles théoriques d’analyse d’une S.C.

 APPLICATIONS

Les écarts entre les points les plus bas et les points les plus hauts diminuent :
l’amplitude du mouvement saisonnier décroît. Le modèle est multiplicatif.
Calculons les écarts-types du résultat net:

2004 2005 2006 2007

Moyenne (*103) 71,25 65,75 59,5 55,25
Ecart-type (*103) 6,180 4,023 3,500 2,586

L’écart-type du résultat net décroît nettement chaque année : la méthode de

Buys et Ballot confirme le modèle multiplicatif.
I. Modèles théoriques d’analyse d’une S.C.

Après avoir identifié le modèle adapté à la série, on étudie ses composantes

les unes après les autres et on s’intéresse tout d’abord à la tendance et à la
saisonnalité éventuelle(s) que l’on isole.
On cherche à les modéliser, les estimer.
I. Modèles théoriques d’analyse d’une S.C.

AJUSTEMENT DE LA TENDANCE
On distingue deux types de méthodes :
Les méthodes paramétriques:
Elles sont utilisées lorsque la tendance a l’allure d’une fonction connue.
On suppose dans ce cas que la tendance (fi)i=1,…,n est de la forme (f𝛼 (ti )) i=1,…,n
𝛼 étant un paramètre à estimer à l’aide des observations.Il nous faut alors
choisir une famille de fonctions f𝛼 dans une collection donnée de fonctions
paramétriques. f𝛼 peut être:
 Affine : ft = a0 + a1t
 Quadratique : ft = a0 + a1t + a2t 2

 Polynomiale : ft = a0 + a1t +a2t + : : : + ant

2 n

 Exponentielle : ft = 𝐚𝐞𝐛𝐭
𝟏
 Logistique : ft =
𝒂+𝒃𝛃𝒕
 Ou combinaisons des fonctions précédentes.
I. Modèles théoriques d’analyse d’une S.C.

AJUSTEMENT DE LA TENDANCE
Les méthodes paramétriques:
En général, c'est l'analyse graphique de la série chronologique qui détermine la
famille de fonctions paramétriques à considérer.
Une fois la famille choisie, on détermine la valeur de 𝛼 à l'aide du critère des
moindres carrés, à savoir, la valeur de 𝛼 qui rend minimale:

(𝑦𝑖 − f𝛼(ti ))2

𝑖=1
I. Modèles théoriques d’analyse d’une S.C.

AJUSTEMENT DE LA TENDANCE
Les méthodes non-paramétriques:
On y a recours lorsqu’il n’est pas facile de trouver le degré du polynôme
d’ajustement pour ft ou il lorsqu’il n’est pas possible d’utiliser la méthode des
moindres carrés ou encore lorsqu’on ne sait pas déterminer l’allure de la
tendance.
La tendance est alors estimée par:
 Moyenne mobile.
 Lissage exponentielle.
 Méthode de Holt-Winters.
 Les méthodes d’estimation fonctionnelle par noyau.
I. Modèles théoriques d’analyse d’une S.C.

AJUSTEMENT DE LA TENDANCE
Ajustement linéaire
Supposons que l’on observe n valeurs d’une série dont l’allure de la tendance
semble être une droite. Il convient dans ce cas d’ajuster les données par une
droite et de donc modéliser la tendance par une fonction de la forme :
fα 𝑡 = 𝑎𝑡 + 𝑏 avec α = (𝑎, 𝑏)
La méthode des moindres carrés que l’on décrira dans ce qui suit permet cette
modélisation.

Cette méthode consiste à choisir les coefficients a et b de sorte que la quantité

soit minimale.
I. Modèles théoriques d’analyse d’une S.C.

AJUSTEMENT DE LA TENDANCE
Ajustement linéaire
On cherche donc les paramètres a et b solutions du système:

Cov(t,Yt)
Ce problème de minimisation a pour solution : a = et
V(t)
b = 𝑦 − 𝑎𝑡
I. Modèles théoriques d’analyse d’une S.C.

AJUSTEMENT DE LA TENDANCE
Ajustement linéaire
On peut apprécier la qualité de l'ajustement linéaire à l'aide du coefficient de
corrélation linéaire noté r et défini par :
𝑛
𝑛 𝑛
(𝑦𝑖 − 𝑦)(𝑡𝑖 − 𝑡))/( ( 𝑡𝑖 − 𝑡 )2 × ( 𝑦𝑖 − 𝑦)2)
𝑖=1 𝑖=1
𝑖=1

La corrélation linéaire entre la date t et la variable Yt est d’autant plus

importante que |r| est proche de 1. Dans ce cas de figure, la dispersion des
points du nuage autour de la droite est quasi nulle et l’ajustement de ces points
par la droite déterminée par la méthode des moindres carrées est un excellent
ajustement.
Arbitrairement, on considèrera la corrélation linéaire faible lorsque
|r|<0,3,moyenne lorsque 0, 3 ≤ |r| ≤ 0, 7 et forte lorsque |r| > 0, 7.
I. Modèles théoriques d’analyse d’une S.C.

AJUSTEMENT DE LA TENDANCE
Ajustement linéaire
En pratique, il faut commencer par tracer le nuage de points puis calculer
r(X,Y) et ce n’est que si la corrélation linéaire est assez forte que l’on cherchera
à déterminer la droite de régression de Yt en t.
Modèles théoriques d’analyse d’une S.C.

LISSAGE PAR MOYENNES MOBILES

Moyennes mobiles simples
Objectif :
L'objectif d'un lissage par moyenne mobile est de faire apparaître l'allure de la
tendance en éliminant la composante saisonnière et en atténuant les
fluctuations irrégulières.

Le principe: il consiste à construire, à partir des données originales brutes,

une nouvelle série obtenue en calculant des moyennes arithmétiques
successives centrées de longueur k fixe (ordre choisi).
Modèles théoriques d’analyse d’une S.C.

LISSAGE PAR MOYENNES MOBILES

Moyennes mobiles simples

Définition: On appelle série des moyennes mobiles d'ordre k de la série

chronologique (ti, yi)1 ≤ 𝑖 ≤ 𝑛 , la série des moyennes de k observations
consécutives prenant ses valeurs aux dates moyennes correspondantes.
Plus précisément, on calcule les moyennes de k termes consécutifs:

pour les dates:

Modèles théoriques d’analyse d’une S.C.

LISSAGE PAR MOYENNES MOBILES

Moyennes mobiles simples
La série lissée est donc définie par:
 La série des instants moyens ti 1 𝑖 avec:
≤ ≤ 𝑛−𝑘+1

𝑡𝑖 + 𝑡𝑖 + 1 + ⋯ + 𝑡𝑖 + 𝑘 − 1
𝑡𝑖 =
𝑘

 La série yi 1 𝑖 𝑛 𝑘 1 des moyennes empiriques de k observations

≤ ≤ − +
consécutives avec:

𝑦𝑖 + 𝑦𝑖 + 1 + ⋯ + 𝑦𝑖 + 𝑘 − 1
𝑦𝑖 =
𝑘
Modèles théoriques d’analyse d’une S.C.

LISSAGE PAR MOYENNES MOBILES

Moyennes mobiles simples
Modèles théoriques d’analyse d’une S.C.

LISSAGE PAR MOYENNES MOBILES

Moyennes mobiles simples
 Si k est impair et vaut 2m+1, alors la séries des moyennes mobiles d’ordre
k est calculée aux instants d’observation:
(𝑡𝑖 )𝑚 + 1 ≤ i ≤ 𝑛 − 𝑚

et vaut: 𝑦𝑖 − 𝑚 + ⋯ + 𝑦𝑖 + ⋯ + 𝑦𝑖 + 𝑚 𝑖 = 𝑚 + 1; … . ; 𝑚 − 𝑛
𝑀𝑀 𝑘 𝑡𝑖 =
2𝑚 + 1
 Si k est pair et vaut 2m, alors la séries des moyennes mobiles d’ordre k est
calculée aux instants d’observation:
𝑡𝑖 +𝑡𝑖 1
( + )
2 𝑚 ≤ i ≤ 𝑛−𝑚

𝑦𝑖 − 𝑚 + 1 + ⋯ + 𝑦𝑖 + ⋯ + 𝑦𝑖 + 𝑚
et vaut: 𝑀𝑀 𝑘 𝑡𝑖 =
2𝑚
Modèles théoriques d’analyse d’une S.C.

LISSAGE PAR MOYENNES MOBILES

Moyennes mobiles simples
Remarque 1 : Si k est impair : k=2m+1, la série moyenne mobile est calculée
aux mêmes instants que les observations initiales (t=2, 3, 4 ,5…). En revanche,
lorsque k est pair k=2m, la moyenne mobile est calculée entre les dates
d'observations (t=1,5 ; 2,5 ; 3,5 ; 4,5 ; 5,5).

Remarque 2 : On perd (k−1) observations avec une moyenne mobile d'ordre k.

Modèles théoriques d’analyse d’une S.C.

LISSAGE PAR MOYENNES MOBILES

Moyennes mobiles simples
Exemple : Le tableau suivant présente les moyennes mobiles d'ordre 2, 3 et 4
d'une même série.
Modèles théoriques d’analyse d’une S.C.

LISSAGE PAR MOYENNES MOBILES

Moyennes mobiles simples
Propriétés des moyennes mobiles
1. Si la S.C. possède une composante saisonnière de période p, alors
l'application d'une moyenne mobile d'ordre p supprime cette
saisonnalité.
Modèles théoriques d’analyse d’une S.C.

LISSAGE PAR MOYENNES MOBILES

Moyennes mobiles simples
Propriétés des moyennes mobiles
2. Une moyenne mobile atténue l'amplitude des fluctuations irrégulières
d'une chronique. Plus l'ordre de la moyenne mobile est élevé, et plus
cette atténuation est importante. Donc en appliquant une moyenne
mobile sur une série chronologique on obtient un lissage de la série.
Modèles théoriques d’analyse d’une S.C.

LISSAGE PAR MOYENNES MOBILES

Moyennes mobiles simples
Propriétés des moyennes mobiles
Modèles théoriques d’analyse d’une S.C.

LISSAGE PAR MOYENNES MOBILES

Moyennes mobiles simples
Choix pratique de l’ordre de la moyenne mobile
En pratique, on applique une moyenne mobile d’ordre p pour supprimer la
composante périodique dans un premier temps, puis on compose
éventuellement une ou plusieurs moyennes mobiles d'ordre peu élevé, jusqu'a
l'obtention d'une série suffisamment lisse, mais telle que les détails
intéressants de la tendance ne soient pas effacés.
De manière générale:
• lorsque les observations sont annuelles, k=3 ou 5,

• lorsque les observations sont mensuelles, k=12,

• lorsque les observations sont trimestrielles, k=4,

Modèles théoriques d’analyse d’une S.C.

DÉTERMINATION DE LA COMPOSANTE SAISONNIÈRE

L’objectif est de déterminer la composante saisonnière S qui correspond pour
chaque « saison » des périodes observées à un coefficient qui mesure
l’influence saisonnière correspondante. Ce coefficient est appelé coefficient
saisonnier, et noté 𝑆j.
A titre d’exemple, pour une série de données trimestrielles observées sur 4
années et en considérant l’année comme étant la période, il faudra calculer 4
coefficients saisonniers, chacun correspondant à un trimestre des 4 années.
Pour des données mensuelles, il y a douze saisons donc on déterminera douze
coefficients saisonniers.
Modèles théoriques d’analyse d’une S.C.

DÉTERMINATION DE LA COMPOSANTE SAISONNIÈRE

Pour analyser la S.C., il faut estimer à la place des variations saisonnières
observées 𝑆𝑡, des variations périodiques identiques chaque années (mois par
mois ou trimestre par trimestre, …) qu’on appelle coefficients saisonniers.
On les note 𝑆𝑗
Deux principes fondamentaux sont à la base de la détermination des
coefficients saisonniers dans un modèle théorique:
1. Le premier est la répétition à l’identique : on suppose que, dans un
modèle théorique, toute variation saisonnière se répète à l’identique de
période en période. Si la série est donnée en trimestres, on considère que:
𝑆1 = 𝑆5 = 𝑆9 … etc.
Donc 𝑆𝑡 = 𝑆𝑡 + 4
Si les données sont mensuelles, on aura :
𝑆𝑡 = 𝑆𝑡 + 12
En général, si la période est p :
𝑆𝑡 = 𝑆𝑡 + 𝑝
Modèles théoriques d’analyse d’une S.C.

DÉTERMINATION DE LA COMPOSANTE SAISONNIÈRE

2. Le deuxième principe est la neutralité de l’influence des variations
saisonnières sur chaque période. Autrement dit, les variations
saisonnières se compensent.
On considère que dans le modèle théorique, sur une période, les 𝑆𝑡 se
compensent, les pointes sont compensées par les creux. Donc sur le
graphe ci-dessous, la surface au dessus du trend doit être parfaitement
égale à celle en dessous du trend.
Modèles théoriques d’analyse d’une S.C.

DÉTERMINATION DE LA COMPOSANTE SAISONNIÈRE

Cas de la décomposition additive
Dans le cas du modèle additif, on a vu que chaque donnée brute 𝑦𝑡 s’écrit comme
la somme de trois composantes : 𝑦𝑡 = 𝑓𝑡 + 𝑠𝑡 + ℰ𝑡
Le 2ème principe énoncé dans la diapositive précédente (principe de
conservation des aires implique que sur chaque période :
𝑝

𝑆𝑖 = 0
𝑖=1
Modèles théoriques d’analyse d’une S.C.

DÉTERMINATION DE LA COMPOSANTE SAISONNIÈRE

Cas de la décomposition additive
Détails du calcul pratique des coefficients saisonnier (Sj)

Soit une série brute yt observée sur n année (i=1, 2,…, n) par période « p ».
p=12 mois (j=1, 2,…, 12) si les données sont mensuelles ou 4 trimestres
(j=1,,…, 4) si les données sont trimestrielles. On suppose pour simplifier que
les variations accidentelles sont soit intégrées au trend soit inexistantes.

1ère étape: On calcule pour chaque date t les variations saisonnières ou écarts
saisonniers 𝑆𝑖𝑗 que l’on notera aussi es𝑡 qui sont égales, par hypothèse du
modèle additif, à la différence entre la donnée brute ou la donnée observée 𝑦𝑡
et la valeur de la tendance 𝑓𝑡 déterminée par l’une des méthodes vues
précédemment. es𝑡 = 𝑦𝑡 − 𝑓𝑡

On obtient donc 𝑛 × 𝑗 valeurs de es𝑡 qu’on peut aussi écrire 𝑆𝑖𝑗

Modèles théoriques d’analyse d’une S.C.

DÉTERMINATION DE LA COMPOSANTE SAISONNIÈRE

Cas de la décomposition additive
Détails du calcul pratique des coefficients saisonnier (Sj)
2ème étape: On calcule pour chaque saison j, la moyenne arithmétique des
écarts saisonniers correspondant et on note 𝑺𝒋 cette moyenne. C’est le
coefficient saisonnier de la saison j.
𝑛
1
𝑆𝑗 = 𝑆𝑖𝑗
𝑛
𝑖=1

Si les données sont trimestrielles et observées sur 4 années, on aura 4

coefficients saisonniers. Si elles sont mensuelles, les coefficients saisonniers
seront au nombre de 12.
Modèles théoriques d’analyse d’une S.C.

DÉTERMINATION DE LA COMPOSANTE SAISONNIÈRE

Cas de la décomposition additive
Détails du calcul pratique des coefficients saisonnier (Sj)
Modèles théoriques d’analyse d’une S.C.

DÉTERMINATION DE LA COMPOSANTE SAISONNIÈRE

Cas de la décomposition additive
Détails du calcul pratique des coefficients saisonnier (Sj)
3ème étape: On s’assure que le principe de neutralité de l’influence des
variations saisonnières sur chaque période est bien vérifié. Pour cela, la
somme des coefficients saisonniers doit être nulle sur une période. Or, bien
souvent, cette somme est approximativement nulle mais pas exactement. Dès
lors, on calcul un coefficient correcteur:
𝑝
1
𝜌= 𝑆𝑗
𝑝
𝑗=1

Et l’on retient en définitive, comme coefficient saisonnier corrigé:

𝑺𝒋′ = 𝑺𝒋 − 𝝆
Modèles théoriques d’analyse d’une S.C.

DÉTERMINATION DE LA COMPOSANTE SAISONNIÈRE

Cas de la décomposition multiplicative
On applique de même, les deux principes fondamentaux à la base de la
détermination des coefficients saisonniers, ce qui implique, notamment :

𝑝
1
𝑆𝑖 = 1
𝑝
𝑖=1
Modèles théoriques d’analyse d’une S.C.

DÉTERMINATION DE LA COMPOSANTE SAISONNIÈRE

Cas de la décomposition multiplicative
Détails du calcul pratique des coefficients saisonnier (Sj)
On considère une série brute yt observée sur n année (i=1, 2,…, n) par période
« p ». p=12 mois (j=1, 2,…, n) si les données sont mensuelles ou 4 trimestres
si les données sont trimestrielles. On suppose pour simplifier que les variations
accidentelles sont soit intégrées au trend soit inexistantes.

Dans le cas du modèle multiplicatif, on a vu que chaque donnée 𝑦𝑡 s’écrit

comme le produit de trois composantes: 𝑦𝑡 = 𝑓𝑡 . 𝑠𝑡 . ℰ𝑡
Le calcul des coefficients saisonniers s’effectue de même en trois étapes.
Modèles théoriques d’analyse d’une S.C.

DÉTERMINATION DE LA COMPOSANTE SAISONNIÈRE

Cas de la décomposition multiplicative
Détails du calcul pratique des coefficients saisonnier (Sj)
1ère étape: On calcul, pour chaque date t, les rapports saisonniers 𝑆𝑡 ou rapport
à la tendance qui sont égaux, par hypothèse du modèle multiplicatif, au rapport
de la donnée brute ou la donnée observée 𝑦𝑡 à la valeur de la tendance 𝑓𝑡
déterminée par l’une des méthodes vues précédemment.
𝑦𝑡
𝑆𝑡 =
𝑓𝑡
Il est recommandé de les calculer avec une précision d’au moins trois chiffres
après la virgule.
Détermination de la composante saisonnière

 CAS DU MODELE MULTIPLICATIF

2ème étape : On calcule, pour chaque saison et pour l’ensemble des périodes
observées, la moyenne arithmétique des rapports saisonniers correspondant à
cette saison et on note 𝑆𝑗 cette moyenne.
𝑛
1
𝑆𝑗 = 𝑆𝑖𝑗
𝑛
𝑖=1

3ème étape : On s’assure que le principe de neutralité de l’influence des variations

saisonnières est bien vérifié, c’est-à-dire que:

𝑝
1
𝑆𝑖 = 1
𝑝
𝑖=1
Modèles théoriques d’analyse d’une S.C.

DÉTERMINATION DE LA COMPOSANTE SAISONNIÈRE

Cas de la décomposition additive
Détails du calcul pratique des coefficients saisonnier (Sj)
3ème étape (suite): En pratique, le plus souvent cette moyenne est
approximativement égale à 1 mais pas exactement égale à 1. Il faut alors
calculer un coefficient correcteur
𝑝
1
𝜌= 𝑆𝑗
𝑝
𝑗=1

Et l’on retient en définitive, comme coefficient saisonnier corrigé:

𝑺𝒋
𝑺 𝒋′ =
𝝆
Modèles théoriques d’analyse d’une S.C.

SERIE CORRIGEE DES VARIATIONS SAISONNIERES (CVS)

La correction des variations saisonnières vise à éliminer l’effet des fluctuations
saisonnières (infra-annuelles) pour mettre en évidence les évolutions de fond
du phénomène étudié et ses évolutions les plus significatives qui sont
contenues dans la tendance et la composante irrégulière.
La série désaisonnalisée ou série CVS est la série obtenue à partir de la série
brute après élimination de la composante saisonnière. Elle ne comprend donc
que deux composantes: le trend et les variations accidentelles.
La série CVS exprime ce qu’aurait été la réalité du phénomène s’il n y’avait pas
eu de variations saisonnières.
I. Modèles théoriques d’analyse d’une S.C.

SERIE CORRIGEE DES VARIATIONS SAISONNIERES (CVS)

Cas de la décomposition additive
′
La série CVS est obtenue en soustrayant 𝑺𝒋 à 𝑦𝑡 .
Soit 𝑦𝑡 CVS, la variable associée à la série CVS. Alors,

𝑦𝑡 CVS = 𝑦𝑡−𝑺𝒋′ j étant la saison associée à la date t

Cas de la décomposition multiplicative

′
La série CVS est obtenue en divisant 𝑦𝑡 par 𝑺𝒋 . Soit 𝑦𝑡 CVS, la variable associée
à la série CVS. Alors,

𝑦𝑡
𝑦𝑡 CVS = j étant la saison associée à la date t
𝑆𝑗 ′
Modèles théoriques d’analyse d’une S.C.

SERIE AJUSTEE
La série ajustée que l’on notera 𝒚𝒕, est la série obtenue à partir de la tendance
générale en intégrant la composante saisonnière. Elle exprime l’évolution
qu’aurait connu le phénomène étudié si le mouvement saisonnier avait été
parfaitement régulier de période en période.
Lorsque la tendance a été déterminée par la méthode des moindres carrés, la
série ajustée est utilisée pour effectuer des prévisions.

Cas de la décomposition additive

𝒚𝒕 = 𝑓𝑡+𝑺𝒋′ j étant la saison associée à la date t

Cas de la décomposition multiplicative

𝒚𝒕 = 𝑓𝑡×𝑺𝒋′ j étant la saison associée à la date t
Modèles théoriques d’analyse d’une S.C.

DETRMINATION DES VARIATIONS RESIDUELLES

Il suffit d’enlever à la série CVS l’influence du trend ( 𝑓𝑡 ) pour obtenir la
composante résiduelle εt. Celle-ci peut également être calculée en utilisant la
série ajustée. Elles correspondent dans ce cas aux écarts entre les valeurs
observées et les valeurs ajustées.

Cas de la décomposition additive

εt = 𝑦𝑡 CVS −𝑓𝑡 = 𝑦𝑡 −𝒚𝒕

Cas de la décomposition multiplicative

𝑦𝑡 𝑦𝑡 cvs
εt = =
𝒚𝒕 𝑓𝑡
Modèles théoriques d’analyse d’une S.C.

 APPLICATION
On reprend l’exemple de la série du chiffre d’affaire trimestriel d’une entreprise
(en milliers de dhs) qui a évolué de la manière suivante de 2004 à 2007 :

Année Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4

2004 116 110 108 114
2005 129 122 119 126
2006 140 133 130 137
2007 153 146 143 150

1) Calculer le trend analytiquement.

2) Calculer les coefficients saisonniers.
3) Etablir la série CVS.
4) Etablir la série ajustée et prévoir le CA au 3ème trimestre de l’année 2009.
Les résultats doivent être présentés dans des tableaux.
I. Modèles théoriques d’analyse d’une S.C.

 APPLICATION
Estimation de la tendance par la méthode des moindres carrés
Soit f = at + b l’équation de la tendance déterminée par un ajustement affine de
Y en t.
𝐶𝑜𝑣(𝑡,𝑦𝑡)
Les coefficients a et b vérifient : 𝑎 = et b = 𝑦𝑡 − 𝑎𝑡
𝑉(𝑇)
1 𝑛 1 1 𝑛 1
𝑡=𝑛 𝑖=1 𝑡𝑖 = 16 (136)) = 8,5 et 𝑦=𝑛 𝑖=1 𝑦𝑖 = 16 (2076) = 129750
𝑛 2
𝑖=1 𝑡𝑖 1496
𝑉 𝑡 = − 𝑡2 = − 8,5² = 21,25
𝑛 16
1 𝑛 1
𝐶𝑜𝑣 𝑡, 𝑦𝑡 = (𝑛 𝑖=1 𝑡𝑖 𝑦𝑖 ) − 𝑡𝑦 = 18576 − (8,5)(129,75)= 58,125
16
58,125
D’où : a = = 2,735 et b = 129,75 – (2,735)(8,5) = 106,50.
21,25
L’équation de la tendance s’écrit : f = 2,74t +106,50.
III. Détermination de la tendance

Application:

X
160

150
f = 2,74t + 106,5
140

130

120

110

100
I II III IV I II III IV I II III IV I II III IV
2004 2005 2006 2007
I. Modèles théoriques d’analyse d’une S.C.

 APPLICATION
Calcul des coefficients saisonniers
Pour chaque trimestre, le tableau suivant reprend la donnée brute et donne la
valeur de la tendance et de l’écart saisonnier 𝑺𝒕 (𝒆𝒔𝒕 ).
I. Modèles théoriques d’analyse d’une S.C.

Année t 𝒚𝒕 𝒇𝒕 = 𝟐, 𝟕𝟒𝒕 + 𝟏𝟎𝟔, 𝟓𝟎 𝑒𝑠𝑡 = 𝒚𝒕 − 𝒇𝒕

2004 1 116 109,24 6,76
2 110 111,98 -1,98
3 108 114,72 -6,72
4 114 117,46 -3,46
2005 1 129 120,20 8,80
2 122 122,94 -0,94
3 119 125,68 -6,68
4 126 128,42 -2,38
2006 1 140 131,16 8,84
2 133 133,90 -0,90
3 130 136,64 -6,64
4 137 139,38 -2,38
2007 1 153 142,12 10,88
2 146 144,86 1,14
3 143 147,60 -4,60
4 150 150,34 -0,34
I. Modèles théoriques d’analyse d’une S.C.

 APPLICATION
Calcul des coefficients saisonniers
Chaque coefficient 𝑆𝑗 est égal à la moyenne des écarts saisonniers du trimestre
correspondant :
𝑆1 = (𝑒𝑠1 +𝑒𝑠5 + 𝑒𝑠9 + 𝑒𝑠13 ) / 4 = (6,76 + 8,80 +8,84 +10,88) / 4 = 8,82
𝑆2 = (𝑒𝑠2 +𝑒𝑠6 + 𝑒𝑠10 + 𝑒𝑠14 ) / 4 = (-1,98 – 0,94 – 0,90 +1,14) / 4 = - 0,67
𝑆3 = (𝑒𝑠3 +𝑒𝑠7 + 𝑒𝑠11 + 𝑒𝑠15 ) / 4 = (-6,72 – 6,68 – 6,64 – 4,6) / 4 = - 6,16
𝑆4 = (𝑒𝑠4 +𝑒𝑠6 + 𝑒𝑠12 + 𝑒𝑠16 ) / 4 = (-3,46 – 2,42 – 2,38 – 0,34) / 4 = - 2,15

La somme de ces coefficients n’est pas nulle mais égale à – 0,16. Il faut donc
les corriger en soustrayant à chacun d’eux la moyenne de leur somme, soit -
0,04. On obtient :
𝑆1′ = 8,86 ; 𝑆2′ = −0,63; 𝑆3′ = −6,12; 𝑆4 ′ = −2,11

La valeur positive ou négative des coefficients saisonniers nous renseigne sur

la position des données brutes par rapport à la tendance. Le coefficient 𝑆1′ est
nettement supérieur à 0 : la série des données brutes est au dessus de la
tendance au 1er trimestre; le coefficient 𝑆2′ est légèrement inférieur à 0 : les
données brutes sont plutôt au dessous de la tendance et proches de la
tendances ; etc.
I. Modèles théoriques d’analyse d’une S.C.

 APPLICATION
Série CVS et série ajustée
t 𝒚𝒕 𝒇𝒕 = 𝟐, 𝟕𝟒𝒕 + 𝟏𝟎𝟔, 𝟓𝟎 𝑺𝒋′ 𝑦𝑡 CVS = 𝑦𝑡−𝑺𝒋′ 𝒚𝒕 = 𝑓𝑡+𝑺𝒋′
1 116 109,24 8,86 107,14 118,10
2 110 111,98 -0,63 110,63 111,35
3 108 114,72 -6,12 114,12 108,60
4 114 117,46 -2,11 116,11 115,35
5 129 120,20 8,86 120,14 129,06
6 122 122,94 -0,63 122,63 122,31
7 119 125,68 -6,12 125,12 119,56
8 126 128,42 -2,11 128,11 126,31
9 140 131,16 8,86 131,14 140,02
10 133 133,90 -0,63 133,63 133,27
11 130 136,64 -6,12 136,12 130,52
12 137 139,38 -2,11 139,11 137,27
13 153 142,12 8,86 144,14 150,98
14 146 144,86 -0,63 146,63 144,23
15 143 147,60 -6,12 149,12 141,48
16 150 150,34 -2,11 152,11 148,23
I. Modèles théoriques d’analyse d’une S.C.

 APPLICATION
Série CVS et série ajustée
Série CVS: s’il n’y avait pas eu de variations saisonnières, le CA aurait été égal
à 107,14 au 1er trimestre 2004, 110,63 au 2ème trimestre, …

Série ajustée: la série reconstituée à l’aide de la tendance et des coefficients

saisonniers donne pour le 1er trimestre 2004 un CA de 118,10 donc supérieur
de 2,10 au CA observé, il en est de même pour la valeur ajustée du CA du 2ème
trimestre de la même année, etc. le modèle ne traduit donc pas exactement
l’évolution de la variable observée et c’est évidemment le cas le plus fréquent.

La série ajustée 𝒚𝒕 est utilisée pour prévoir le CA de l’entreprise.

Par exemple, au 3ème trimestre de l’année 2009, soit t=23, le CA vaut: