Cours de Statistique
UE MA 131
Siméon FOTSO
Département de Mathématiques
Ecole Normale Supérieure
Université de Yaoundé 1
e-mail : [email protected]
Yaoundé, le 14 novembre 2022
Table des matières
1 Introduction 2
2 Présentation des données et représentations graphiques 3
3 Resumés numériques d’une distribution statistique 4
4 Etude de quelques distributions théoriques à une variable 5
5 Distributions statistiques à 2 variables 6
6 Caractéristiques globales d’une distribution à 2 variables 7
7 Etude descriptive des séries chronologiques 8
7.1 Dé…nition et exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
7.2 Représentations graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . 9
7.3 Modèles de composition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
7.3.1 Les composantes d’une série chronologique . . . . . . . . . . . . . . 9
7.3.2 Les modèles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
7.4 Les méthodes de décomposition . . . . . . . . . . . . . . . . . . . . . . . . 10
7.4.1 Les méthodes analytiques . . . . . . . . . . . . . . . . . . . . . . . 10
7.4.2 Les méthodes empiriques : la méthode des moyennes mobiles . . . . 11
7.5 Estimation des paramètres . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
7.5.1 Schema additif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
7.5.2 Schema multiplicatif . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1
Chapitre 1
Introduction
2
Chapitre 2
Présentation des données et
représentations graphiques
3
Chapitre 3
Resumés numériques d’une
distribution statistique
4
Chapitre 4
Etude de quelques distributions
théoriques à une variable
5
Chapitre 5
Distributions statistiques à 2
variables
6
Chapitre 6
Caractéristiques globales d’une
distribution à 2 variables
7
Chapitre 7
Etude descriptive des séries
chronologiques
L’objet de ce chapitre est de présenter les méthodes descriptives des séries chronolo-
giques.
7.1 Dé…nition et exemples
Dé…nition 7.1 Une série chronologique est une suite d’observations ordonnées en fonc-
tion du temps. Les observations sont celles d’une variable statistique économique faites à
intervalles réguliers (année, semestre, trimestre, mois, jour, heure,...).
Notation 7.1 La série chronologique x(1); x(2); :::; x(T ) sera notée X.
Exemple 7.1 (i) Production mensuelle d’énergie électrique à la centrale hydro-électrique
d’Edéa.
(ii) Chi¤re d’a¤aire mensuel d’une entreprise.
(iii) Nombre de tonnes chargées chaque semaine par une entreprise de transport terrestre.
(iv) Nombre d’appels reçus par heure à un standard téléphonique.
(iv) Indice trimestriel de la production industrielle au cameroun.
Généralement on considère une série chronologique comme une distribution à 2 va-
riables dont l’une est le temps. C’est ainsi qu’on les présente sous la forme :
Exemple 7.2 Indice trimestriel de la production industrielle au Cameroun de 2001 à
2004.
T rimestre
Annee n 1 2 3 4
2001 98.5 98.7 102.5 102.1
2002 98.1 102.5 103 104
2003 101.3 102.7 106 107.2
2004 105.5 106.3 108.2 110.3
Ces données peuvent être présentées sous forme d’une distribution à deux variables :
Année 2001 2002 2003
trim (t) 1 2 3 4 5 6 7 8 9 10 11 12
x(t) 98.5 98.7 102.5 102.1 98.1 102.5 103 104 101.3 102.7 106 107.2
2004
13 14 15 16
105.5 106.3 108.2 110.3
8
ENS, Département de Maths UE MA 131, Statistique
Exemple 7.3 Montants des ventes trimestrielles en millions de francs CFA d’un magazin
entre 2012 et 2014.
T rimestre
Annee n 1 2 3 4
2012 48 41 60 65
2013 58 52 68 74
2014 60 56 75 78
Ces données peuvent être présentées sous la forme
t 1 2 3 4 5 6 7 8 9 10 11 12
x(t) 48 41 60 65 58 52 68 74 60 56 75 78
La périodicité des observations est variable. Le plus souvent les séries chronologiques
sont mensuelles, trimestrielles, ou annuelles. Elles sont aussi hebdomadaires, journalières,
comme horaires. Parfois elles peuvent être biennales, decennales (par exemple les recen-
sements de la population dans de nombreux pays).
7.2 Représentations graphiques
Dans les exemples précedents, à chaque trimestre t correspond une et une seule valeur
x(t): La représentation graphique de la série est alors la courbe passant par les points
(t; x(t)):
Lorsque la série est observée sur plusieurs années, on peut superposer ou recoller les
représentations graphiques annuelles de la série. En général quelques précautions sont
nécessaires :
– S’il s’agit de représenter un stock, l’e¤ectif d’une population par exemple, à une date
déterminée, le point (t; x(t)) se place exactement à l’aplomb de la date de reference.
– S’il s’agit d’un ‡ux comme la production mensuelle d’energie électrique ou le nombre
d’appels téléphoniques reçus par heure, le point (t; x(t)) se rattache à l’ensemble de
la période t et sera …xé à la verticale du milieu de cette plage.
7.3 Modèles de composition
7.3.1 Les composantes d’une série chronologique
Nous admettons qu’une série chronologique possède 3 composantes :
– la composante extra saisonnière ou conjoncturelle, notée c(t) ; elle est appelée ten-
dance ou trend,
– la composante saisonnière, notée s(t) et
– les variations aléatoires ou residus notées "(t).
La tendance (trend) donne le comportement de la série sur une longue période. Elle
indique l’évolution à long terme de la série.
La composante saisonnière rend compte des phénomènes qui se repètent à intervalle de
temps reguliers (périodiques) et qui in‡uencent la série. En général ce sont des phénomènes
saisonniers.
Les variations aléatoires ou composante résiduelle correspond aux ‡uctuations irregu-
lières de faible intensité, de nature aléatoire. En fait c’est la part de la série qui n’est pas
prise en compte par la tendance et la composante saisonnière.
Page 9
ENS, Département de Maths UE MA 131, Statistique
7.3.2 Les modèles
Il existe 2 modèles de composition d’une série chronologique : le modèle additif et le
modèle multiplicatif.
Schema additif
Le modèle dans ce cas s’écrit
x(t) = c(t) + s(t) + "(t)
où
– s(t) est une fonction périodique de période égale à la périodicité des observations
x(t) et telle que la somme des composantes saisonnières sur une période est nulle.
– "(t); t = 1; 2; :::; T est une suite de v.a.r indépendantes de moyenne nulle et de
variance constante.
Schema multiplicatif
La composante saisonnière du modèle est proportionnelle à la tendance. Donc le modèle
s’écrit
x(t) = c(t) + c(t)s(t) + "(t)
= c(t)(1 + s(t)) + "(t):
En posant
S(t) = 1 + s(t)
on obtient
x(t) = c(t)S(t) + "(t)
avec p
X
S(t) = p
t=1
où p est la période.
Notons que le modèle additif est utilisé lorsque l’amplitude est constante dans le temps
et le modèle multiplicatif lorsque l’amplitude est croissante ou décroissante dans le temps.
7.4 Les méthodes de décomposition
Décomposer une série chronologique, c’est estimer pour chaque date d’observation, les
valeurs de la composante conjoncturelle c(t) et de la composante saisonnière s(t): Il existe
2 grandes catégories de méthodes : les méthodes analytiques et les méthodes empiriques.
7.4.1 Les méthodes analytiques
On suppose que la composante conjoncturele ou trend est une fonction a¢ ne du temps,
c(t) = at + b. Dans le cas d’un modèle additif
x(t) = at + b + s(t) + "(t)
Il ne faut pas oublier que s(t + p) = s(t) où p est la périodicité des observations, donc
s(t) = s(t + p) = j; j = 1; 2; :::; p
Page 10
ENS, Département de Maths UE MA 131, Statistique
et on obtient
x(t) = at + b + j + "(t):
En posant b+ j = bj ; on obtient
x(t) = at + bj + "(t):
L’analyse des séries chronologiques par la méthode analytique apparait donc comme un
cas particulier de l’ajustement linéaire : on recherche a et bj ; j = 1; :::; p tels que
X
T
(x(t) at bj )2
t=1
soit minimum.
7.4.2 Les méthodes empiriques : la méthode des moyennes mo-
biles
Elles ne supposent aucune hypothèse sur l’allure du mouvement conjoncturel. La dé-
termination du trend et la recherche des coé¢ cients saisonniers se fait par la technique
des moyennes mobiles.
Dé…nition d’une moyenne mobile
Soit la série chronologique X : x(1); x(2); :::; x(T ): On appelle moyenne mobile de
longueur p de la série X; la nouvelle série Z obtenue à partir de X; par calcul d’une suite
de moyennes successives.
Cas où p est impair La suite des moyennes mobiles est dé…nie par :
1
z(t) = (x(l + 1) + x(l + 2) + :::x(l + p))
p
p
1X
= x(l + i)
p i=1
p+1
= z l+
2
l = 0; 1; :::; T p:
Chaque moyenne est a¤ectée à la date t correspondant au milieu de la période s’éten-
dant entre l’instant l + 1 et l + p : 12 ((l + 1) + (l + p)) = l + p+1
2
:
Exemple 7.4 Calcul des moyennes mobiles d’ordre 3 et d’ordre 5
Cas où p est pair
Pour calculer les moyennes mobiles de longueur p = 2n correspondant à une date
d’observation t; on calcule la moyenne pondérée des 2n + 1 observations encadrant la date
t en a¤ectant les poids
1
2
aux 2 observations extrêmes
1 aux 2n 1 observations intermédiaires,
Page 11
ENS, Département de Maths UE MA 131, Statistique
donc
1 1 1
z(t) = z(l + n) = x(l) + (x(l + 1) + x(l + 2) + ::: + x(l + 2n 1)) + x(l + 2n)
p 2 2
l = 1; 2; :::; T p:
Exemple 7.5 Moyennes mobile de longueur 2 et moyennes mobiles de longueur 4.
Notation 7.2 Nous noterons l’opération moyenne mobile de longueur p par Mp : Ainsi si
Z est la série moyenne mobile de longueur p de la série X, on note Z = Mp (X) ou encore
z(t) = Mp (x(t)):
L’on véri…e facilement que l’opération moyenne mobile de longueur p; Mp ; est linéaire.
Ainsi dans le cas d’un schema additif, si
x(t) = c(t) + s(t) + "(t)
avec s(t) périodique, de période p;
Mp (x(t)) = Mp (c(t)) + Mp (s(t)) + Mp ("(t));
comme "(t); t = 1; 2; :::; T est une suite de v.a.r de moyenne nulle et de variance constante,
on peut négliger Mp ("(t)); de sorte que
Mp (x(t)) = Mp (c(t)) + Mp (s(t)):
P
p
– Si de plus on impose la contrainte s(t) = 0; on obtient Mp (s(t)) = 0 et on a
t=1
Mp (x(t)) = Mp (c(t)):
– Si en outre c(t) = at + b; on obtient
Mp (x(t)) = Mp (c(t)) = Mp (at + b) = at + b:
En resumé, l’opération moyenne mobile appliquée à une série chronologique permet :
– d’éliminer la composante saisonnière dans la mesure où celle-ci est rigoureusement
périodique.
– de conserver approximativement la composante extra-saisonnière (conjoncturelle)
pour autant que celle-ci n’a pas une forte courbure (elle est alors proche d’une
droite).
7.5 Estimation des paramètres
7.5.1 Schema additif
Estimation du trend
Compte tenu des propriétés de la moyenne mobile ennoncés ci-dessus, si la composante
extra-saisonnière ne présente pas une forte courbure (dû à un retournement de tendance
trop marqué), on a :
Mp (x(t)) = Mp (c(t)) c(t)
où p est la périodicité des observations.
Page 12
ENS, Département de Maths UE MA 131, Statistique
Estimation de la composante saisonnière
Pour chaque temps t à l’intérieur d’une période , on calcule lorsque c’est possible, la
di¤érence saisonnière
x(t) c(t):
Une première estimation s0 (t) de s(t); t = 1; :::; p est obtenue en prenant la médiane
des di¤érences saisonnières relatives à t (ou leur moyenne en prenant soin d’éliminer les
di¤érences aberrantes). En général on prend la médiane si le calcul est fait à la main.
– On calcule ensuite la moyenne des p estimations s0 (t);
p
1X 0
s0 (t) = s (t):
p t=1
– s(t) est alors estimé par
s(t) = s0 (t) s0 (t):
Série corrigée des variations aisonnières
La série corrigée des variations saisonnières (ou CVS) issue de X est la série X déterminée
par la formule
x (t) = x(t) s(t):
X est une bonne approximation des tendances d’évolution de la série chronologique X:
Prévision
Pour faire des prévisions, il faut pouvoir "estimer" c(t) à chaque période. Dans ces
conditions on suppose que le trend est linéaire, donc c(t) = at + b; a et b sont alors
déterminés par la méthode des moindres carrés. D’où
Cov(c(t); t)
a= 2
et b = c(t) at:
t
La valeur de la série X à une période t est alors estimée par
x(t ) = at + b + s(t ):
7.5.2 Schema multiplicatif
Estimation du trend
La composante extra-saisonnière est estimée par
c(t) Mp (x(t)) = Mp (c(t))
où p est la périodicité des observations.
Estimation de la composante saisonnière
Pour chaque temps t à l’intérieur d’une période , on calcule lorsque c’est possible, le
rapport saisonnier
x(t)
r(t) = :
c(t)
Une première estimation S 0 (t) des coé¢ cients saisonniers S(t); t = 1; :::; p est faite en
prenant la médiane des rapports saisonniers relatifs à t; ou leur moyenne en prenant soin
d’éliminer les rapports aberrants.
Page 13
ENS, Département de Maths UE MA 131, Statistique
– On calcule ensuite la moyenne des p estimations S 0 (t);
p
1X 0
S 0 (t) = S (t):
p t=1
– Le coé¢ cient S(t) est alors estimé par
S 0 (t)
S(t) = ;
S 0 (t)
P
p
compte tenu de la contrainte S(t) = p:
t=1
Série corrigée des variations aisonnières
La série corrigée des variations saisonnières (ou CVS) issue de X est la série X déterminée
par la formule
x(t)
x (t) = :
S(t)
X est une bonne approximation des tendances d’évolution de la série chronologique X:
Prévision
Pour faire des prévisions, il faut pouvoir "estimer" c(t) à chaque période. Dans ces
conditions on suppose que le trend est linéaire, donc c(t) = at + b; a et b sont alors
déterminés par la méthode des moindres carrés. D’où
Cov(c(t); t)
a= 2
et b = c(t) at:
t
La valeur de la série X à une période t est alors estimée par
x(t ) = (at + b)S(t ):
Page 14
