1. La principale différence entre série statistique et série temporelle réside 14.

14. Un nuage de points est une représentation graphique bidimensionnelle(x,y)

dans la nature de la variable d’observation. Une série statistique présente des qui permet de visualiser la relation entre deux variables quantitatives ,servant
données observées sur différents individus ou unités à un moment donné, tandis à visualiser la relation entre deux variables.
qu’une série temporelle présente des observations d’une même variable mesurée 15. Une droite de régression est une droite qui ajuste au mieux un nuage de
à des moments différents dans le temps. points selon le critère des moindres carrés, permettant de modéliser la relation
2. Exemples de séries temporelles : - Le cours de l’action d’une entreprise linéaire entre deux variables.
relevé quotidiennement - La température moyenne mensuelle d’une ville 16. Un QQ-plot compare les quantiles théoriques d’une distribution de référence
Objectifs d’étude : - Analyser l’évolution et les tendances - Prévoir les valeurs aux quantiles empiriques des données observées permettant de tester si les
futures -les températures journalières d’une ville -les ventes mensuelles d’un données suivent cette distribution.
magasin 17. Étudier une série temporelle comme série statistique bi-variée permet
3. Pour ajuster les modèles de séries temporelles, on peut : - Utiliser des d’analyser la relation entre la variable d’intérêt et le temps, facilitant l’identifi-
transformations (logarithme, différenciation) - Appliquer des méthodes de lis- cation de tendances.
sage - Identifier et éliminer les composantes saisonnières -prévision des tendances 18. Pour une série temporelle (X1 , X2 , . . . , Xn ), l’auto-covariance empirique
futures -analyse des variations saisonnières à un décalage h est donnée par :
4. Les composantes habituelles d’une série temporelle sont : - La tendance
n−h
-saisonnalité -bruit aléatoire. 1 X
5. Les étapes de l’approche de modélisation des séries temporelles : - Analyse γ̂(h) = (Xt+h − X̄)(Xt − X̄)
n t=1
exploratoire des données - Identification du modèle approprié - Estimation des
paramètres - Validation du modèle - Prévision où : Pn
6. Méthodes d’estimation et d’élimination de la tendance : - Méthode des — X̄ = n1 t=1 Xt est la moyenne empirique,
moindres carrés -maximum de vraisemblance -lissage exponentiel méthode d’élimination : — h est le décalage (lag), avec 0 ≤ h < n.
-décomposition additive ou multiplicative. L’auto-corrélation empirique à un décalage h est définie par :
7. Types de variables aléatoires dans les séries temporelles : - Variables
γ̂(h)
stationnaires - Variables non-stationnaires - Variables intégrées ρ̂(h) =
8. Le principe de construction d’un histogramme consiste à diviser l’étendue γ̂(0)
des données en intervalles de classe et à représenter graphiquement la fréquence où : Pn
de chaque classe par des rectangles dont l’aire est proportionnelle à la fréquence. — γ̂(0) = n1 t=1 (Xt − X̄)2 est la variance empirique.
9. La fonction de répartition empirique Fn (x) est définie par : 19. Pour une série temporelle, ρh (t) = −1, 0, 1 correspond respectivement à
n
une corrélation parfaitement négative, nulle, ou parfaitement positive entre Xt
1X et Xt+h .
Fn (x) = 1X ≤x
n i=1 i 20.Expression de la moyenne
D’après la définition du cours :
où 1Xi ≤x est la fonction indicatrice. la fonction de répartition empirique donne n n
la proportion de données inférieures ou égales à une valeur donnée dans un 1X 1X
x̄ = xt = (at + b)
échantillon, par exemple pour un échantillon 1, 2, 3, elle vaut 1/3 à 1, 2/3 à 2, n t=1 n t=1
et 1 à 3.
10. Mesures de tendance centrale : - Moyenne arithmétique - Médiane - Développement du calcul :
Mode n n
aX bX
11. Mesures de dispersion : - Variance - Écart-type - Étendue x̄ = t+ 1
12. Une boı̂te à moustaches se construit en utilisant les quartiles Q1 , Q2 n t=1 n t=1
(médiane), et Q3 , ainsi que les valeurs aberrantes potentielles situées au-delà de a n(n + 1)
Q1 − 1.5 × IQR et Q3 + 1.5 × IQR. = · +b
n 2
13. La covariance mesure la variation conjointe et le degré de dépendance a(n + 1)
linéaire entre deux variables , tandis que le coefficient de corrélation normalise = +b
2
cette mesure entre -1 et 1 indique la force et la direction de cette relation linéaire.

1 2

Pn
Indépendance par rapport à a et b Soit le critère à minimiser : Sn = t=1 (Xt − X̂t )2
La condition d’optimalité donne :
Calculons l’auto-covariance :
n
X
∂Sn
1 X
n−k = −2 (Xt − X̂t ) = 0
σ̂n (k) = (xt − x̄)(xt+k − x̄) ∂ X̂t t=1
n − k t=1
D’où l’estimateur optimal :
a(n+1)
En substituant xt = at + b et x̄ = 2 +b : n
1X
X̂t = X̄n = Xt
1 X
n−k
n+1

n+1
 n t=1
σ̂n (k) = at + b − b − aa(t + k) + b − b − a
n−k 2 2
t=1 Par la loi des grands nombres :
n−k   
1 X n+1 n+1
= at − a a(t + k) − a lim X̄n = E[Xt ] = µ
n − k t=1 2 2 n→∞

n−k    L’erreur quadratique asymptotique :

a2 X n+1 n+1
= t− t+k−
n − k t=1 2 2 1 1X
n
lim Sn = lim (Xt − X̄n )2 = Var(Xt )
n→∞ n n→∞ n
La variance empirique : t=1

n
1X Cette variance est minimale car pour tout autre estimateur X̃t :
σ̂n (0) = (xt − x̄)2
n t=1
E[(Xt − X̃t )2 ] = Var(Xt ) + E[(µ − X̃t )2 ] ≥ Var(Xt )
n  2
1X n+1
= at + b − b − a Donc quand n → ∞, l’estimateur des moindres carrés X̂t → µ réalise l’ap-
n t=1 2
proximation optimale. □ 23. Raisons d’être du lissage exponentiel : - Simplicité
n  2
1X n+1 de calcul - Adaptation aux changements récents - Pondération décroissante des
= at − a observations anciennes
n t=1 2
n  2 24. Différences entre les trois lissages exponentiels : - Simple : tendance
a2 X n+1 constante - Double : tendance linéaire - Triple : tendance et saisonnalité
= t−
n t=1 2 25. La formule générale du lissage exponentiel simple : St = αXt +(1−α)St−1
avec α ∈]0, 1[.
L’auto-corrélation : 26. L’équation de mise à jour : St = St−1 + α(Xt − St−1 ).
Pn−k

27. Le lissage exponentiel simple forme récursive :
a2 n+1 n+1
σ̂n (k) n−k t=1 t− 2 t+k− 2
ρ̂n (k) = = Pn

σ̂n (0) a2 n+1 2 x̂n = αxn + (1 − α)x̂n−1 (1)
n t=1 t− 2
29. La formule de calcul de l’erreur de prédiction du lissage exponentiel
Simplification :
simple : et = Xt − St−1 .
1
Pn−k n+1

n+1

30. La procédure pour avoir une estimation de la valeur du paramètre qui
n−k t=1 t− 2 t+k− 2
ρ̂n (k) = Pn
permet d’avoir la meilleure prédiction consiste à minimiser la somme des carrés
1 n+1 2
n t=1 t− 2 des erreurs de prévision ou utiliser la validation croisée.
31. L’analyse des courbes d’auto-corrélation empiriques permet d’identifier :
On constate que les termes en a2 se simplifient, et que b n’apparaı̂t pas dans - La présence de tendance - Les patterns saisonniers - Le type de modèle appro-
l’expression finale. 22.Quand n → ∞, l’estimateur des moindres carrés converge prié
vers l’approximation optimale. Courbe A :
Démonstration : On observe une décroissance progressive et lente de l’auto-corrélation. Cela

3 4
 — C : saisonnalité ou périodicité (stationnaire ou faiblement non station-
naire)

suggère la présence d’une tendance dans la série temporelle, c’est-à-dire que

les valeurs successives sont fortement corrélées. Ce comportement est typique
d’un processus non stationnaire, souvent dû à une tendance linéaire dans les
données.
Courbe B :
La courbe montre une auto-corrélation nulle ou quasi nulle pour presque tous
les retards, sauf un pic au retard zéro. Cela indique que la série est composée
uniquement de bruit blanc : il n’y a ni tendance, ni saisonnalité, ni structure
dans les données. Chaque valeur est indépendante des autres.
Courbe C :
On observe une décroissance progressive mais oscillante de l’auto-corrélation, ce
qui suggère la présence d’une saisonnalité ou d’un composant périodique
dans la série temporelle. L’alternance de signes dans les coefficients d’auto-
corrélation est typique de ce type de structure.
Conclusion :

— A : tendance (non stationnaire)

— B : bruit blanc (stationnaire)

5 6