Techniques de Prévision

Techniques de prévision
Réalisé par : Pr. EN-NAIMANI Zakariae
Académie internationale Mohammed VI de l'aviation civile
20 avril 2022
Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision

Motivation et Objectifs
Pourquoi vouloir prévoir ?
Comment prévoir ?
Peut on prévoir parfaitement bien ?
De quelles méthodes dispose-t-on pour prévoir ?

Comment prévoir ?

Comment prévoir ?

Comment prévoir ?

Très souvent pour des raisons économiques.
Faire des Stratégies pour le futur.
Projeter dans l'avenir.
Prévoir sur l'évolution (comportement) d'une série des mesures d'un

phénomène naturel.

Aviation civile
Total mondial des passagers aériens.
Objectif : prévoir le comportement (futur) des passagers aériens à
partir de données mesurées précédemment.
Total mondial des passagers aériens par mois entre 1949 et 1960.
Énergétique
Consommation d'électricité sur un pays.
Objectif : ajuster au mieux la production.
Solution : prévoir le comportement (futur) de la consommation
d'électricité à partir de données mesurées précédemment.

Comment prévoir ?
S'appuyer sur ce qui s'est passé avant l'instant à partir duquel

démarre la prévision.
C'est-à-dire, dans la prévision pour le temps j + 1 on s'appuiera sur

l'évolution durant le passé j, j − 1, ....
Mais on tiendra compte aussi, éventuellement, d'indices exogènes (la

conjoncture économique, certains événements récents inattendus
etc....).

Jamais.
Il y a toujours une erreur de prévision.
Les bonnes méthodes fournissent non pas une prévision, mais un

intervalle de prévision.
Il arrive souvent qu'une amélioration minime de la qualité de la

prévision ait une grosse incidence sur les coûts.

Ils existent plusieurs modèles mathématiques que l'on pourra utiliser :

1 Vous connaissez la plus rudimentaire, qui consiste à faire une
régression et à se baser sur elle pour prévoir. Par exemple on ajuste
sur la série x1 ,...,xT un modèle de type polynômial :
On suppose que xt est polynomial en t , par exemple
xt = α2 t 2 + α1 t + α0 + t (avec t un bruit aléatoire).
On estime les coecients par α̂2 , α̂1 , α̂0 par une méthode de
régression. On valide le modèle, puis on fera la prévision
x̂T +h = α̂2 (T + h)2 + α̂1 (T + h) + α̂0 de la valeur xT +h .
2 Les lissages exponentiels sont une batterie de procédures

extrêmement simples à mettre en oeuvre.
3 Les méthodes de prévision classiques les plus populaires depuis une
trentaine d'années sont celles liées à la modélisation ARMA.

Dés :
Les dés à relever (dans l'ordre) :

1 Dénir un modèle avec un nombre ni de paramètres.
2 Estimer les paramètres du modèle.
3 Vérier la qualité de l'ajustement du modèle, et comparer les

diérents modèles (on pourra découper les données en un
échantillon d'apprentissage et un échantillon de test).
4 Eectuer des prédictions.

Domaines d'application de prévision
La prédiction est présentée dans de nombreux domaines d'application :

L'étude de la prévision correspond à l'analyse statistique
d'observations régulièrement espacées dans le temps.
Elle a été utilisée en astronomie ("on the periodicity of sunspots",
1906).
En météorologie ("time-series regression of sea level on weather",
1968).
En théorie du signal ("Noise in FM receivers", 1963).
En biologie ("the autocorrelation curves of schizophrenic brain waves
and the power spectrum", 1960).
En économie ("time-series analysis of imports, exports and other
economic variables", 1971), ...etc.

Chapitre 1 : Introduction au Sé-
rie Temporelle

Série Temporelle ?
L'objectif est de modéliser l'évolution dans le temps, ici supposé discret,
d'un phénomène aléatoire. On parle de série temporelle.
Dénition
Une série temporelle, appelée aussi série chronologique ou chronique, est
une variable statistique dont les observations sont repérées dans le temps.
i.e. Une suite d'observations régulièrement espacées dans le temps x1 ,
x2 ,..., xt ,..., xT .
Le temps d'observation t , nommé la période des relevés d'une série tem-
porelle peut être :
Annuelles, trimestrielles, mensuelles, hebdomadaires, journalières et
même infra-journalières...

Exemple 1 : Création d'entreprises
Voici quelques exemples de séries temporelles :

Soit la série statistique suivante qui indique le nombre mensuel de
créations d'entreprises dans un pays de janvier à juin 2018 :
Nombre de créations d'entreprises
janvier 2496
février 2694
mars 2680
avril 2568
mai 2505
juin 2656
On prend x1 = 2496, x2 = 2694, x3 = 2680, x4 = 2568, x5 = 2505, x6 = 2656
Problème :
Analyser la série de sorte de pouvoir faire des prévisions

série temporelle ?
Deux repérages des données dans le temps

Les données d'une série temporelle trimestrielle, mensuelle, journalière
sont
soit repérées à l'aide d'un seul indice t qui représente le nombre de
mois entre la première observation et l'observation de la donnée en
question+1, (la première observation étant x1 ).
soit repérées à l'aide de deux indices i et j, où i représente l'année de
l'observation, j son "mois". Le "mois" peut être un trimestre, un
mois, un jour.
On notera indiéremment la série (xt ) et (xi,j ).
Remarque :
Les séries temporelles formées par des observations irrégulièrement
espacées peuvent être étudiées par des méthodes plus complexes.

Exemple 2 : Chire d'aaires d'une entreprise
Considérons la série donnant le chire d'aaires réalisé par une entreprise
entre le mois de janvier 2016 et le mois de décembre 2017.
mois / année 2016 2017
Jan. 8 10
Fev. 15 17
Mars 18 22
Avr. 29 35
Mai 44 52
Juin 49 60
Juil. 19 23
Aout 14 16
Sep. 10 13
Oct. 6 9
Nov. 7 11
Déc. 15 20
1 On peut voir cette série comme le couple (t, xt ).
2 On peut la voir comme une série double (mj , ai , xj,i ) tel que i ∈ {1, 2} et
j ∈ {1, ....., 12}.
Problème :
Analyser la série de sorte de pouvoir faire des prévisions
Domaines d'application : Études Démographiques
Le graphique de la gure ci-après, extrait d'une étude de l'Institut

Nationale d'Études Démographiques, montre l'évolution de la
population des États-Unis (une donnée tous les 10 ans, de 1790 à
1980, soit 21 points). Le seul phénomène évident est la croissance
qui semble non-linéaire.du nombre des hommes depuis l'an zéro.

Décomposition d'une série temporelle
An de réaliser l'objectif de prévision, une première étape de

modélisation de la série est nécessaire.
Cette étape consiste à sélectionner, parmi une famille de modèles

correspondant à des approximations de la réalité, celui qui décrit le
mieux la série en question.
Le but de la décomposition d'une série temporelle est de distinguer

dans l'évolution de la série, une tendance "générale", des variations
saisonnières qui se répètent chaque période (année....), et des
variations accidentelles imprévisibles.
L'intérêt de ceci est d'une part de mieux comprendre, de mieux

décrire l'évolution de la série, et d'autre part de prévoir son évolution
(à partir de la tendance et des variations saisonnières).

Décomposition d'une série temporelle
Reprendre les séries temporelles illustrées dans les gures
précédentes et les comparer. Que vous voyez ?
Quelle structures pourrait-on déceler sur chacune d'entre elles ?
On pourra donc, considérer les notions comme la tendance, la
saisonnalité.
On pourra aussi les comparer à la série d'un bruit blanc gaussien
illustrée par la gure suivante.

Tendance
La tendance correspond à l'évolution à long terme de la série, l'évolution
fondamentale de la série.
Dénition
On dit que la série admet une tendance si on peut écrire xt = f (t) + t ,
avec f une fonction xée et (t ) des bruits aléatoires.
Si f (t) = α + βt , on parle de tendance linéaire.
Plus généralement, f (t) = pi=0 αi t i , on dit que la tendance est
P
polynomiale.
Transport annuel de passagers par Air France sur des vols

internationaux de 1982 à 2008.
Exemple : Ajustement ane (Droite de Mayer)
Dénition :
Soit (t, xt ) un groupe de T points associé à une série temporelle. On
partage la série en deux groupes de points et on détermine les points
moyens, notés G1 et G2 , de ces groupes
On appelle droite de Mayer l'unique droite passant par G1 et G2 .
On calcule la droite de Mayer pour la série de l'exemple 1.

N. Entreprises
Jan. 2496
Fév. 2694
Mars 2680
Avr. 2568
Mai 2505
Juin 2656
Représenter graphiquement la série et leur tendance via la droite de Mayer.

Est ce que vous pouvez prédire le nombre d'entreprises crées en mois Décembre ?

Exemple : Ajustement ane (moindres carrés)
Dénition :
Soit (t, xt ) un groupe de T points associé à une série chronologique. On
trouve l'ajustement par la droite d'équation x = at + b avec :
Cov (Ti ,X )
a= V (Ti )
b = X̄ − aT̄i
On reprend l'exemple 1.
N. Entreprises
Jan. 2496
Fév. 2694
Mars 2680
Avr. 2568
Mai 2505
Juin 2656
Représenter graphiquement la série et leur tendance via la droite ajustée par la

méthode des moindres carrés.
Est ce que vous pouvez prédire le nombre d'entreprises crées en mois Décembre ?
Tendance
De même, on pourra dénir des tendances logarithmiques,

exponentielles ect...
Ce graphe semble présenter une tendance polynômiale ou

exponentielle.
Pour trancher entre les deux, on peut tracer le graphe du logarithme
des données et voir s'il présente une tendance linéaire.

Tendance
La tendance peut être multiplicative dans certaines séries :

xt = f (t)t
Le logarithme des données (s'elles sont positives) qui présente une

tendance additive.

Indices descriptifs d'une série tem-
porelle

Indices descriptifs d'une série temporelle
Dans cette partie, on va décrire des indices numériques qui résument une
série temporelle (x1 , ..., xT ).
Indices de tendance centrale
On trouve, classiquement, la moyenne et la médiane. Dans ce cours c'est
la moyenne qui sera systématiquement utilisée.
1X
T
x̄T = xt
T t=1
Indices de dispersion
Les plus courants sont la variance empirique et l'étendue.
Dans ce cours c'est la variance empirique qui sera utilisée :
1X
T
σ̂T (0) = (xt − x̄T )2
T t=1

Indices de dépendance
Auto-covariances empiriques
Ces indices σ̂T (1), σ̂T (2),... donnent une idée de la dépendance entre les
données. Plus exactement
−1
1 T
σ̂T (1) =
X
(xt − x̄T )(xt+1 − x̄T )
T −1 t=1
indique la dépendance entre deux données successives.

−2
1 T
σ̂T (2) =
X
(xt − x̄T )(xt+2 − x̄T )
T −2 t=1
indique la dépendance entre deux données écartées de deux unités de

temps et ainsi de suite jusqu'à
σ̂T (T − 1) = (x1 − x̄T )(xT − x̄T )

Remarque
L'indice σ̂T (T − 1), qui ne fait intervenir que la première et la
dernière donnée, n'a pas grand sens statistique, surtout si la
longueur T de la série est grande.
Le bon sens, ainsi que des considérations de convergence dépassant
la limite de ce cours, recommandent de ne prendre en considération
que les auto-covariances empiriques σ̂T (1),...,σ̂T (h) pour un h "pas
trop grand" par rapport à la longueur de la série.

Auto-corrélations empiriques
Ce sont les quotients des covariances par la variance :
σ̂T (k)
ρ̂T (k) = , k = 0, ..., h
σ̂T (0)
Évidemment ρ̂T (0) = 1, si bien qu'en passant des auto-covariances

aux auto-corrélations on perd une information : la dispersion de la
série autour de sa moyenne.
Il faut garder ce fait en mémoire. Ceci dit, ce sont ces
auto-corrélations qui caractérisent les dépendances. Pour le voir, il
faut remarquer par exemple que
P T −1
t=1 (xt − x̄T )(xt+1 − x̄T )
ρ̂T (1) =
2
PT
t=1 (xt − x̄T )
est presque le coecient de corrélation entre la série

(x1 , x2 , ..., xT −1 ) et la série décalée d'une unité de temps
(x2 , x3 , ..., xT ).
Visualisation graphique des auto-corrélations empiriques

On peut déduire que le "nuage" N1 de points (xj , xj+1 ),
j = 1, ..., T − 1 (autre représentation de la série), constitue une
bonne illustration de la valeur de ρ̂T (1).
Même illustration (en remplaçant ρ̂T (1) par ρ̂T (k)) peut être fait
pour les nuages Nk pour k = 2, ..., h :
(xj , xj+k ), j = 1, ..., T − k

Série temporelle étudiée

Nuage de points Nk pour k = 1, ..., 8 et auto-corrélation

Série temporelle étudiée

Nuage de points Nk pour k = 1, ..., 8 et auto-corrélation

Comment utiliser l'auto-corrélation ?
L'auto-corrélation est surtout utilisée sur les séries résiduelles en qui

s'ajoutent aux tendances et aux saisonnalités.
La démarche habituelle consiste à retirer de la série la tendance que
l'on a détectée, puis, s'il y a lieu, de la désaisonnaliser.
Cependant il est très utile de comprendre quelle sera l'allure de cette
auto-corrélation sur une série brute, comportant tendance ou/et
saisonnalité. C'est le but des propositions qui suivent.
Proposition
On considère une tendance linéaire pure :
xt = at + b t = 1, ..., T
Pour k xé, ρ̂T (k) → 1 quand T tend vers l'inni.

Le résultat est le même pour toute tendance polynômiale.

Comment utiliser l'auto-corrélation ?
Proposition
On considère une série périodique pure :
2tπ
xt = a cos( ) t = 1, ..., T
P
Pour k xé, ρ̂T (k) → cos( 2Pkπ ) quand T tend vers l'inni.
Remarque
On admet ensuite que
Si l'auto-corrélation d'une série est constante, c'est qu'elle a une
tendance linéaire.
Si cette auto-corrélation est périodique de période P, alors la série a
une composante périodique de période P.
Les convergences décrites dans les propositions précédentes sont plus
lentes quand h est grand.
On se limitera à h 20.
Variation saisonnière
Les variations saisonnières sont des uctuations périodiques à
l'intérieur d'une période (année....), et qui se reproduisent de façon
plus ou moins permanente d'une période sur l'autre.
Le facteur saisonnier, noté st , se répète à intervalles de temps égaux
avec une forme à peu près constante. Il peut être dû au rythme des
saisons ou à des facteurs humains. Sa période est de 12 pour des
séries mensuelles, de 4 pour des séries trimestrielles ?
Dénition :
Si p désigne la période du mouvement saisonnier :
st = st+p = st+2p = ...
Le facteur saisonnier est donc totalement déterminé par p
coecients saisonniers : s1 , ..., sj , ...., sp
On note k le nombre de périodes, alors :
1X
k
1X
k
sj = xj,i = xp(i−1)+j
k k
i=1 i=1

Exemple : Chire d'aaires d'une entreprise
Reprenons l'exemple 2 qui considère une série temporelle indexée par les
mois.
mois / année 2016 2017
Jan. 8 10
Fev. 15 17
Mars 18 22
Avr. 29 35
Mai 44 52
Juin 49 60
Juil. 19 23
Aout 14 16
Sep. 10 13
Oct. 6 9
Nov. 7 11
Déc. 15 20
On constate que le chire d'aaires aux mois de mai et juin des deux années
2016 et 2017 sont nettement plus importants que ceux des autres mois.
De la même façon, on constate que les chires d'aaires aux mois d'octobre
sont moins importants que pour les autres mois.
Cela révèle que le chire d'aaires évolue dans le temps de façon périodique.
Exemple : Chire d'aaires d'une entreprise
Lorsqu'on réalise un ajustement ane de la série, on fait disparaître

cette information
Pour récupérer cette information, on dénit les coecients de
variations saisonnières.
Note : On va voir que le calcule des coecients de variations
saisonniers dépend de type de modèle de composition de la série.

Modèles de composition de ces trois composantes
modèle additif
On suppose que les trois composantes : tendance, variations
saisonnières et variations accidentelles sont indépendantes les unes
des autres.
On considère que la série xt s'écrit comme suit :
xt = f (t) + st + t
Graphiquement, l'amplitude des variations est constante autour de la
tendance
Dénition :
On appelle coecients de variations saisonnières sj = sj − s̄ dans le cas
0
du modèle additif. Avec s̄ = p1 pj=1 sj

P

Modèles de composition de ces trois composantes
modèle multiplicatif
On suppose que les variations saisonnières dépendent de la tendance.
On considère que la série xt s'écrit de la manière suivante :
xt = f (t) × st + t
Graphiquement, l'amplitude des variations (saisonnières) varie.
Dénition :
On appelle coecients de variations saisonnières sj = dans le cas du
0 sj
s̄
modèle multiplicatif.

Exercice d'application : Trac d'une ligne aérienne - en
nombre de passagers
La compagnie aérienne régionale Air-Hub désire connaître la structure du
trac aérien d'une de ses ligne. Pour cela la compagnie vous donne la série
mensuelle du nombre de passagers entre 2011 et 2015.
2011 2012 2013 2014 2015
janvier 713 1026 1006 1092 1080
février 556 989 1037 1081 1067
mars 1042 1161 1220 1284 1279
avril 903 1074 1227 1236 1228
mai 905 980 1040 1068 1059
juin 1240 1480 1730 1910 2160
juillet 812 1010 1034 1203 1190
août 160 570 540 490 430
septembre 997 1110 1203 1282 1278
octobre 1180 1248 1310 1360 1282
novembre 1160 1220 1340 1370 1163
décembre 1022 1120 1140 1160 1365
1 Représenter graphiquement la série pour les années 2011 et 2012.
2 Déceler les informations dans cette illustration.
3 Calculer les coecients des variations saisonnières de la série.
Série corrigée des variations saisonnières
Dénition :
On dénit la série corrigée des variations saisonnières, notée (yt ) par :
Cas additif : yp(i−1)+j = xp(i−1)+j − sj
0
Cas multiplicatif : yp(i−1)+j = xp(i−s 01)+j

j

Prévisions
On commence par prédire les valeurs de la série corrigée des

variations saisonnières (yt ), pour t T . Plus précisément on
eectue les prévisions suivantes, pour t T
yt = at + b
On corrige cette série, en prenant en considération les variations

saisonnières (opération inverse du calcul de la série corrigée des
variations saisonnières). c'est à dire que l'on pose
0
xp(i−1)+j = yp(i−1)+j × sj
ou bien, 0
xp(i−1)+j = yp(i−1)+j + sj
Pour (i, j) tel que t = p(i − 1) + j T .

Exercice d'application : Chire d'aaires de TrucNet
Le tableau ci-dessous donne le chire d'aaires d'une entreprise TrucNet

sur la période 1994 à 1997.
t 1 2 3 4 5 6 7 8
xt 120 181 71 119 128 190 73 124
t 9 10 11 12 13 14 15 16
xt 140 196 84 133 145 206 96 142
1 Dénir la série corrigée des variations saisonnières (yt ).

2 Représenter cette série graphiquement dans la gue précédente.
3 Eectuer les prévisions pour t = 17, 18, 19, 20.

Chapitre 2 : Lissages exponen-
tiels

Lissage exponentiel simple
Les méthodes de lissages consistent à extrapoler une série en vue de
faire de la prévision.
Or comme on le voit sur la gure ci-dessous, une extrapolation
simple (linéaire en l'occurrence) dépend fortement du type de
résultats que l'on cherche à avoir : prévision à court, moyen, ou long
terme
Ces trois méthodes dièrent suivant le poids que l'on accorde aux
observations passées.
On dispose de x1 ,...,xT et on veut estimer xN+h , h ∈ N∗ et N = 1, ..., T .
On dénit la prévision x̂N (h) par la méthode de lissage exponentiel
simple, dont α ∈]0, 1[ la constante de lissage, par :
X1
N−
x̂N (h) = α (1 − α)t xN−t
t=0
On peut voir ça comme une moyenne pondérée des observations

passées.
On donne un poids d'autant moins important que les observations
sont loin (dans le passé), avec une décroissance exponentielle :
α proche de 0 : prise en compte de tout le passé
α proche de 1 : prise en compte d'avantage des valeurs récentes
(plus sensible aux uctuations )
Remarque
Si α ne dépend pas de h, x̂N (h) ne dépend pas de h, dont
x̂N (h) = x̂N .
Cette valeur x̂N est la prévision faite en N de la valeur en N+1.
Proposition
On peut calculer par récurrence à l'aide de la formule de mise à jour :
x̂N = αxN + (1 − α)x̂N−1
Ces formules permettent de calculer rapidement (en limitant la

complexité).
Lemme
x̂N peut être vu comme une régression sur une constante, avec des
pondérations exponentielles.
Cette prévision est donc asymptotiquement la solution de
X1
N−
x̂N = argmin (1 − α)t (xN−t − c)2
c
t=0
C'est un problème de moindres carrés.

Lissage exponentiel simple : Exemple 1
On présente une série chronologique (xt ) :
t xt
1 130
2 121
3 120
4 127
5 122
6 129
7 124
8 120
9 139
10 136
11 135
12 134
13 136
14 133
15 138
16 133
Appliquer la méthode de lissage exponentiel simple avec α = 0, 4 et α = 0, 5.

Initialisation
Puisque on peut voir la méthode de LES comme un processus
itératif, alors on doit initialiser ce dernier.
On prend généralement, x̂1 = x1 .
Ou bien, x̂1 = x̄ .
Cette valeur aura moins d'inuence lorsque T sera grand.

Choix de la constante de lissage
Pour choisir α, on peut se servir de la remarque précédente ou
calculer, pour tout α, les estimateurs calculés avec le paramètre α :
x̂t (α). On regarde ensuite l'erreur quadratique moyenne de la
prévision :
−1
1 T
(xt+1 − x̂t (α))2
X
EQM = E2 (α) =
T −1 t=1
Si cette erreur est petite, c'est que le paramètre α produit des

prédictions performantes, au vu des données x1 ,...,xT . On peut
choisir entre plusieurs paramètres α1 ,...,αp en prenant
α = argmin E2 (αi )
α1 ,...,αp
On peut calculer aussi l'erreur absolue moyenne de la prévision :

−1
1 T
X
EAM = E1 (α) = |xt+1 − x̂t (α)|
T −1 t=1
Lissage exponentiel simple : Exemple 2
La demande d'un certain article a été relevée au cours de 15 mois consé-

cutifs :
Mois Demande
1 37
2 41
3 39
4 40
5 42
6 39
7 41
8 39
9 42
10 41
11 40
12 42
13 43
14 40
15 42

Lissage exponentiel simple : Exemple
1 Appliquez un lissage exponentiel simple à cette série chronologique

en prenant α = 0, 6 jusqu'au 6e mois inclus et α = 0, 3 pour les
mois suivants. Tracez sur le même graphique la chronique initiale et
la série lissée.
2 Justiez le changement de valeur de la constante de lissage α.
3 Calculez l'erreur moyenne, l'erreur absolue moyenne et l'erreur
quadratique moyenne.
4 Donnez les prévisions de la demande pour les trois mois suivants.

On considère la série trimestrielle du taux de variation du taux de chômage
(CVS) en France sur la période allant du 1er trimestre 1984 au 4ème
trimestre 2001. Cette série est donnée dans le tableau suivant.
Année Trimestre Taux de chômage Taux de variation du taux de chômage
2000 1 9.8 -0.06
2 9.5 -0.03
3 9.4 -0.01
4 9 -0.04
2001 1 8.7
2 8.6
3 8.9
4 9
Exemple 1 :
Calculez les taux de variation du taux de chômage pour les quatre trimestres
2001.
Prévision par lissage exponentiel simple :
Justiez le recours au lissage exponentiel simple pour la prévision du
taux de variation du taux de chômage.
Complétez le tableau ci-dessous et donnez les prévisions du taux de
variation du taux de chômage pour les deux premiers trimestres 2002.
Principe de lissage exponentiel double
On dispose de x1 ,...,xT et on veut estimer xN+h , h ∈ N∗ et N = 1, ..., T .
Le lissage exponentiel simple est adapté à des séries pouvant être
ajustée par une constante au voisinage de N .
Le principe de lissage exponentiel double permet l'ajustement par
une droite, à savoir approcher xt par yt d'équation :
yt = b + a(t − N)
.
Pour α ∈]0, 1[, on peut dénir la prévision par lissage exponentiel
double comme suit :
x̂N (h) = b̂N + âN h
Ou (âN , b̂N ) solution de
X1
N−
(âN , b̂N ) = argmin (1 − α)t (xN−t − (b + at))2
a,b t=0

Lissage exponentiel double
Théorème
Les solutions du problème de minimisation ci-dessus sont
(asymptotiquement)
b̂N = −L2 (N) + 2L1 (N)
α
âN = 1−α (−L2 (N) + L1 (N))
Ou
PN−1
L1 (N) = α t=0 (1 − α)t xN−t
PN−1
L2 (N) = α t=0 (1 − α)t L1 (N − t)
Remarque
On remarque qu'on a ici deux lissages exponentiels successifs. Parce que
L2 est un lissage exponentiel de L1 qu'on parle lissage exponentiel double.

La quantité L1 (N) résultant du lissage exponentiel simple de la série

(xN ).
Et la quantité L2 (N) résultant du lissage exponentiel simple de la
série (LN ).
D'ou le nom de lissage exponentiel double.
Proposition
Les formules de mise à jour sont données par :
L1 (N) = αxN + (1 − α)L1 (N − 1)
L2 (N) = αL1 (N) + (1 − α)L2 (N − 1)
Avec l'initialisation :
L1 (1) = x1
L2 (2) = L1 (2)

Proposition
En développant les égalités obtenus, on obtient les formules de mise à
jour des coecients :
b̂(N) = b̂(N − 1) + â(N − 1) + (1 − (1 − α)2 )(xN − x̂N−1 (1))
â(N) = â(N − 1) + α2 (xN − x̂N−1 (1))
Avec l'initialisation :
b̂(2) = x1
â(2) = x2 − x1
Remarque
Comme pour le lissage exponentiel simple, le choix de la constante de
lissage α peut se faire par la minimisation d'un critère choisi.

Lissage exponentiel double (LED) : Exemple 1

t xt
1 52
2 50
3 54
4 55
5 58
6 57
7 60
8 61
9 64
10 62
11 64
12 65
Appliquer la méthode de lissage exponentiel double avec α = 0, 4.

Calculer les prévisions pour t = 13, 14.

On considère la série trimestrielle du taux de variation du taux de chômage
(CVS) en France sur la période allant du 1er trimestre 1984 au 4ème
trimestre 2001. Cette série est donnée dans le tableau suivant.
Année Trimestre Taux de chômage Taux de variation du taux de chômage
2000 1 9.8 -0.06
2 9.5 -0.03
3 9.4 -0.01
4 9 -0.04
2001 1 8.7
2 8.6
3 8.9
4 9
Exemple 1 :
Calculez les taux de variation du taux de chômage pour les quatre trimestres
2001.
Prévision par lissage exponentiel double :
Justiez le recours au lissage exponentiel double pour la prévision du
taux de variation du taux de chômage.
Complétez le tableau ci-dessous et donnez les prévisions du taux de
variation du taux de chômage pour les deux premiers trimestres 2002.
Méthode de Holt-Winters : Cas non saisonnière
Cette méthode est une généralisation de la méthode de lissage
exponentiel.
De la même façon que pour le lissage exponentiel double,
l'ajustement se fait de façon linéaire au voisinage de N , la nuance se
faisant au niveau de formules de mise à jour,
On cherche à ajuster, à l'instant N , une droite d'équation :
yt = b + a(t − N). La prévision en N + h sera :
x̂N (h) = b̂ + âh
On choisit deux constantes de lissage α et β dans ]0, 1[. Les â, b̂
sont calculés récursivement par
b̂(N) = αxN − (1 − α)(b̂(N − 1) + â(N − 1))
â(N) = β(b̂(N) − b̂(N − 1)) + (1 − β)â(N − 1)
Remarques :
Cette méthode est plus souple que la précédente. Le α joue un rôle
dans l'estimée de l'ordonnée en N et le β joue un rôle dans l'estimée
de la pente.
Plus α et β sont petits, plus on tient compte du passé lointain.
Méthode de Holt-Winters : Cas non saisonnière
Lemme
Pour obtenir un lissage exponentiel double de paramètre 1 − α0 , il sut
de faire un lissage de Holt-Winters sans composante saisonnière avec
α = 1 − (α0 )2
1−α0
β= 1+α0
On retrouve le lissage exponentiel simple de paramètre α 6= 0 et β = 0.

Méthode de Holt-Winters : Cas non saisonnière : Exemple 1

t xt
1 52
2 50
3 54
4 55
5 58
6 57
7 60
8 61
9 64
10 62
11 64
12 65
Appliquer la Méthode de Holt-Winters de Cas non saisonnière avec α = 0, 4 et

β = 0.5.
Calculer les prévisions pour t = 13, 14.

Méthode de Holt-Winters : Saisonnière additive
On cherche, au voisinage de N , à ajuster une courbe d'équation

yt = b + a(t − N) + st
Avec (s périodique, de période p ). Il faut choisir α, β , γ dans ]0, 1[

et (aussi p ).
Les formules de récursion sont
b̂(N) = α(xN − ŝN−p ) + (1 − α)(b̂(N − 1) + â(N − 1))
â(N) = β(b̂(N) − b̂(N − 1)) + (1 − β)â(N − 1)
ŝN = γ(xN − b̂(N)) + (1 − γ)ŝN−p
La prévision prend la forme :
x̂T (h) = b̂(T ) + hâ(T ) + ŝT +h−p , 1 h p
x̂T (h) = b̂(T ) + hâ(T ) + ŝT +h−2p , p + 1 h 2p
....

Méthode de Holt-Winters : Saisonnière additive
Les valeurs initiales suivantes permettent de commencer le calcul à p + 1

b̂(p + 1) = xp+1
â(p + 1) = p+1p 1
x −x
ŝj = xj − (x1 + (p − 1)â(p + 1)), 1 j p .

Exercice d'application : Chire d'aaires de TrucNet
Le tableau ci-dessous donne le chire d'aaires d'une entreprise TrucNet

sur la période 1994 à 1997.
t 1 2 3 4 5 6 7 8
xt 120 181 71 119 128 190 73 124
t 9 10 11 12 13 14 15 16
xt 140 196 84 133 145 206 96 142
Appliquer la Méthode de Holt-Winters de saisonnière additive avec α = 0, 4 et

β = 0.5 et γ = 0.4.
Eectuer les prévisions pour t = 17, 18, 19, 21, 22.

Méthode de Holt-Winters : Saisonnière multiplicative
On cherche, au voisinage de N , à ajuster une courbe d'équation

yt = (b + a(t − N))st
Avec (s périodique, de période p ). Il faut choisir α, β , γ dans ]0, 1[

et (aussi p ).
Les formules de récursion sont
b̂(N) = (1 − α) ŝN−p
xN
+ α(b̂(N − 1) + â(N − 1))
â(N) = (1 − β)(b̂(N) − b̂(N − 1)) + β â(N − 1)
ŝN = (1 − γ) b̂(N)
xN
+ γŝN−p
La prévision prend la forme :
x̂T (h) = (b̂(T ) + hâ(T ))ŝT +h−p , 1 h p
x̂T (h) = (b̂(T ) + hâ(T ))ŝT +h−2p , p + 1 h 2p
....

Méthode de Holt-Winters : Saisonnière multiplicative
Initiation :c'est très dur mais on peut se contenter de mettre les

premiers â = 0 et b̂ = 1 et le système se corrige par la suite.
Remarque :
Les deux méthodes (saisonnière additive et saisonnière
multiplicative) ne peuvent être mises en place que si nous disposons
d'un certain nombre de période pour estimer la partie périodique (le
nombre de données est susant).
On choisit la méthode saisonnière additive ou saisonnière
multiplicative en fonction de l'aspect graphique des données.
En gros : amplitudes constantes implique l'utilisation de la méthode
saisonnière additive. En revanche, les amplitudes non constantes
implique l'utilisation de la méthode saisonnière multiplicative.

Exercice d'application : Trac d'une ligne aérienne - en
nombre de passagers
La compagnie aérienne régionale Air-Hub désire connaître la structure du
trac aérien d'une de ses ligne. Pour cela la compagnie vous donne la série
mensuelle du nombre de passagers entre 2011 et 2015.
2011 2012 2013 2014 2015
janvier 713 1026 1006 1092 1080
février 556 989 1037 1081 1067
mars 1042 1161 1220 1284 1279
avril 903 1074 1227 1236 1228
mai 905 980 1040 1068 1059
juin 1240 1480 1730 1910 2160
juillet 812 1010 1034 1203 1190
août 160 570 540 490 430
septembre 997 1110 1203 1282 1278
octobre 1180 1248 1310 1360 1282
novembre 1160 1220 1340 1370 1163
décembre 1022 1120 1140 1160 1365
Appliquer la Méthode de Holt-Winters de Cas saisonnière multiplicative avec

α = 0, 3 et β = 0.2 et γ = 0.6.
Eectuer les prévisions pour t = 25, 26, 27.
Chapitre 3 : Désaisonnalisation
par la Méthode des Moyennes Mo-
biles

Introduction
On considère une série temporelle (xt ) admettant une décomposition
xt = ft + st + t pour t = 1, ..., T
Le but est de trouver une transformation de la série temporelle xt

qui annule la composante saisonnière st .
on cherche un "ltre" φ tel que yt = φ(xt ) = ft + t
L'utilisation des moyennes mobiles est relativement ancienne
puisqu'elle remonte à Poynting (1884) puis Hooker (1901) qui, les
premiers, ont tenté d'oter (et de distinguer ) la tendance et la
composante cyclique pour des séries de prix en considérant des
moyennes glissantes.
En 1930, Macauley a introduit une méthode pour désaisonnaliser les
séries au sein de la Réserve Fédérale américaine, basée sur
l'utilisation de moyennes mobiles centrées d'ordre 12, pour obtenir
une estimation de la tendance.
Dans les années 50, le bureau du Census aux Etats Unis a commencé
à développer des modèles basés sur l'utilisation de moyennes
mobiles, modèles qui ont abouti à la méthode X11 en 1965.
Filtrage
En l'absence de référence à un modèle précis pour la tendance, on préférera
utiliser une méthode non-paramétrique qui ltre la tendance en éliminant
le facteur saisonnier tout en réduisant les irrégularités. Cette méthode entre
dans le cadre de Filtrage.
Dénition
On appelle Filtre une sorte de "boîte noir" régularisant une série
temporelle X en la transformant en une autre série temporelle Y .
La série Y est considérée une approximation de la composante
tendancielle de la série originale X .

Généralités sur les Moyennes Mobiles
Notion d'opérateur
On appellera opérateur retard L (=lag, ou B =backward) l'opérateur
linéaire déni par
L : xt 7→ L(xt ) = Lxt = xt−1
Et opérateur avance F (=forward)

F : xt 7→ F (xt ) = Fxt = xt+1
Remarque
L ◦ F = F ◦ L = I (opérateur identité) et on notera par la suite F = L−1
et L = F −1

Polynômes d'opérateurs L
Il est possible de composer les opérateurs : L2 = L ◦ L, et plus
généralement,
Lp = L ◦ L... ◦ L p fois , p ∈ N
Avec la convention L0 = I. On notera que Lp (xt ) = xt−p .

Soit A le polynôme, A(X ) = a0 + a1 z + a2 z 2 + ... + ap z p . On notera
A(L) l'opérateur
p
X
A(L) = ai Li
i=1
Soit (xt ) une série temporelle. La série (yt ) dénie par yt = A(L)xt
vérie p X
yt = ai xt−i
i=1

Proposition
Pour toutes moyennes mobiles A et B, alors
A(L)+B(L)=(A+B)(L)
α ∈ R αA(L)=(αA)(L)
A(L) ◦ B(L) = (AB)(L) = B(L) ◦ A(L)

Les moyennes mobiles permettent de lisser directement la série sans

hypothèse a priori sur la forme du modèle sous-jacent.
La méthode est donc valable quel que soit le modèle de
décomposition.
Pour cette raison, on classe ce type de lissage dans les méthodes
non-paramétriques (par opposition aux méthodes paramétriques
abordées précédemment).
Avantages
Outil simple à mettre en oeuvre qui met en évidence l'allure de la
tendance en supprimant la composante saisonnière et en atténuant
le bruit.

Moyennes Mobiles
Propriétés d'un lissage par moyennes mobiles :

Suppression de la composante saisonnière : Si la série xt possède une
composante saisonnière de période p alors l'application d'une
moyenne mobile d'ordre p supprime cette saisonnalité. La série
Mp (t) ne possède plus de composante saisonnière de période p .
Atténuation de la composante résiduelle : Par construction, une
moyenne mobile consiste à faire des moyennes partielles de proche
en proche. On obtient donc un "lissage" de la série. L'eet de la
composante irrégulière est d'autant plus atténué que l'ordre de la
moyenne mobile est grand.
Conservation de la tendance : Pour des moyennes mobiles simples ou
centrées, l'application d'une moyenne mobile (d'ordre quelconque)
ne modie pas une tendance constante. En particulier l'application
d'une moyenne mobile conserve une tendance linéaire.

Moyennes Mobiles
Dénition
Une moyenne mobile est un opérateur linéaire, combinaison linéaire
d'opérateurs retard
m2
X
M= θi L−i ou m1 , m2 ∈ N
i=−m1
qui peut s'écrire

1 +m2
mX 1 +m2
mX
M = Lm1 θi−m1 L−i = Lm1 θi−m1 F i = Lm1 Θ(F )
i=0 i=0
Ou Θ(.) est un polynôme appelé polynôme caractéristique de M, de

degré m1 + m2 , et m1 + m2 + 1 sera appelé ordre de M
(correspondant au nombre (théorique) de terme de M).

Moyennes Mobiles
Dénition
Si m1 = m2 = m, la moyenne mobile sera dite centrée.
De plus, si M est centrée, et que pour tout i, θi = θ−i alors la
moyenne mobile est dite symétrique.
Exemple 1
La moyenne mobile M1 (xt ) = xt +xt−1
2
Soit M1 = 2 = L 2 est de degré 1, d'ordre 2 et n'est pas
(L+I) [I+F ]
centrée (ni symétrique).
Exemple 2
xt+1 +2xt +xt−1
La moyenne mobile M2 (xt ) = 4
−1 2
Soit M2 = (L +42I+L) = L [I+2F4+F ] est de degré 2, d'ordre 3, est
centrée et symétrique.

Moyennes Mobiles
Dénition
Si m1 = m2 = m, la moyenne mobile sera dite centrée.
De plus, si M est centrée, et que pour tout i, θi = θ−i alors la
moyenne mobile est dite symétrique.
Exemple 1
La moyenne mobile M1 (xt ) = xt +xt−1
2
Soit M1 = 2 = L 2 est de degré 1, d'ordre 2 et n'est pas
(L+I) [I+F ]
centrée (ni symétrique).
Exemple 2
xt+1 +2xt +xt−1
La moyenne mobile M2 (xt ) = 4
−1 2
Soit M2 = (L +42I+L) = L [I+2F4+F ] est de degré 2, d'ordre 3, est
centrée et symétrique.

Moyennes mobiles simples
La série des moyennes mobiles d'ordre p , notée Mp (t), est la série
des moyennes de p observations consécutives et elle prend ses
valeurs aux dates moyennes correspondantes.
Plus précisément, on calcule les moyennes de p termes consécutifs.
Si p est impair : p = 2m + 1 , la série moyenne mobile est calculée
aux mêmes instants que les observations initiales :
1 X
+m
Mp (t) = xt+k
p
k=−m
Cas de p pair
Lorsque p est pair, p = 2m , la moyenne mobile est calculée entre
les dates d'observations t = 1, 5; 2, 5; 3, 5; 4, 5; ...
Par exemple, si m = 1, la moyenne mobile d'ordre 2 (p = 2m) pour
t = 1, 5 sera
1
M2 (1, 5) = (x1 + x2 )
2
Cette moyenne mobile est de peu d'intérêt
Moyennes mobiles centrées
Pour comparer la série lissée avec la série initiale, on cherchera à

obtenir les valeurs pour les mêmes dates d'observation.
On dénit les moyennes mobiles centrées pour pallier l'inconvénient
des moyennes mobiles d'ordre pair.
Dans tous les cas on fait la moyenne de p observations p1 . Pour
obtenir une moyenne mobile pour le temps t , on retiendra 2m + 1
observations, en pondérant les deux extrêmes par 12 .

Moyennes mobiles centrées
On appelle moyennes mobiles centrées de longueur p (p ≺ T ) de la série

{xt , t = 1, ..., T }, les moyennes successives calculées en fonction de la
parité de p selon les formules qui suivent :
Premier cas, p impair, p = 2m + 1 :
1 X
+m
Mp (t) = xt+k
p
k=−m
Il y a alors ,(T − p + 1) moyennes mobiles centrées de longueur

impaire p .
Deuxième cas, p pair, p = 2m :
1 xt−m X1
+m−
xt+m
Mp (t) = ( + xt+k + )
p 2 2
k=−m+1

Dénition d'une moyenne mobile
La moyenne mobile centrée M2m (t) apparaît comme la moyenne

pondérée de valeurs de la série encadrant à l'instant t avec les
coecients de pondération égaux à 21p pour les deux valeurs
extrêmes xt−m et xt+m et égaux à p1 pour les (p − 2) valeurs
intermédiaires xt−m+1 à xt+m−1 .
Elle comporte donc (p + 1) termes :
Valeurs xt−m xt−m+1 ... xt ... xt+m−1 xt+m
Pondérations 1 1 ... 1 ... 1 1
2p p p p 2p
Il y a (T − p) moyennes mobiles centrées de longueur paire p .

Pour simplier, la longueur p de la moyenne mobile étant xée, on notera
désormais yt la moyenne mobile centrée de longueur p à l'instant t .

Exemples : Les moyennes mobiles de diérent ordres
Ordre 3
Cette moyenne mobile a pour coecients 13 , 31 , 1
3 :
1
M3 (xt ) = (x + x + xt+1 )
3 t−1 t
Ordre 9
Cette moyenne mobile a pour coecients 19 , 91 ,...., 1
9 :
1
M9 (xt ) = (x +x + ... + xt + ... + xt+4 )
9 t−4 t−3
Ordre 2 x 4
1 1 1 1
Cette moyenne mobile a pour coecients 16 , 8 ,..., 8 , 16 :
1
M8 (xt ) = (x + 2xt−3 + ... + 2xt + ... + 2xt+3 + xt+4 )
16 t−4
Ordre 3
3 :
1
M3 (xt ) = (x + x + xt+1 )
3 t−1 t
Ordre 9
9 :
1
M9 (xt ) = (x +x + ... + xt + ... + xt+4 )
9 t−4 t−3
Ordre 2 x 4
1 1 1 1
1
M8 (xt ) = (x + 2xt−3 + ... + 2xt + ... + 2xt+3 + xt+4 )
16 t−4
Ordre 3
3 :
1
M3 (xt ) = (x + x + xt+1 )
3 t−1 t
Ordre 9
9 :
1
M9 (xt ) = (x +x + ... + xt + ... + xt+4 )
9 t−4 t−3
Ordre 2 x 4
1 1 1 1
1
M8 (xt ) = (x + 2xt−3 + ... + 2xt + ... + 2xt+3 + xt+4 )
16 t−4
Moyennes Mobiles centrées : Exemple applicatif
Le tableau suivant donne la série chronologique bimestrielle du transport
des voyageurs sur le réseau d'une compagnie Aérienne (en milliards de
passagers-km) de 2012 à 2015.
Jan.-Fév. Mars-Avr. Mai-Juin Juil.-Août Sep.-Oct. Nov.-Déc.
2012 13.3 15.1 14.8 16.3 14.8 14.2
2013 13.8 14.2 14.1 17.0 15.2 14.8
2014 14.4 16.0 16.2 18.5 16.2 15.3
2015 15.4 16.8 17.4 19.9 17.9 17.4
1 On choisit de modéliser cette chronique par un schéma additif. Justiez ce choix.

2 Déterminez la tendance de cette chronique par la suite des moyennes mobiles de
longueur adaptée, et représentez-la sur le même graphique que la série initiale.
3 Calculez les coecients saisonniers.
4 Calculez la série corrigée des variations saisonnières. Ajustez cette chronique par
une droite en utilisant la méthode des moindres carrés.
5 Au vu des résultats, quelles prévisions pouvait-on faire n 2015 pour
janvier-février, mars-avril et mai-juin 2016 ?
6 Sachant qu'on a observé 17.2 milliards de passagers-km en janvier-février 2016,
18.5 en mars-avril et 18.6 en mai-juin, calculez l'erreur absolue moyenne et
l'erreur quadratique moyenne de prévision.
Voici pour ses trois premiers mois d'ouverture, le nombre de place xt ven-
dues par semaine par le cinéma A (t désignant le numéro de la semaine
varie de 1 à 12 )
t 1 2 3 4 5 6
xt 3428 3295 3376 3195 3573 3334
t 7 8 9 10 11 12
xt 3434 3300 3703 3411 3545 3327
1 Représentez cette chronique graphiquement. A-t-elle une composante

saisonnière ? si oui, de quelle période ?
2 Calculez la suite des moyennes mobiles de longueur adaptée pour évaluer la
tendance de la chronique. Représentez-la sur le graphique précédent.
3 On choisit un modèle multiplicatif. Calculez les coecients saisonniers.
4 Calculez la série corrigée des variations saisonnières (CVS) et représentez-la sur
le graphique précédent. Calculez la série des résidus.
5 Ajustez la série CVS par une droite en utilisant la méthode des moindres carrés.
Représentez cette droite sur le graphique précédent.
6 Donnez une prévision pour le nombre de places vendues pendant les deux
premières semaines du quatrième mois.
On veut appliquer la méthode des moyennes mobiles d'ordre 4 sur la série
des ventes d'un produit pétrolier dans une entreprise durant les années
entre 2010 et 2013. Cette série est donnée dans le tableau suivant.
Année Trimestre Ventes en Tonnes
2010 1 52
2 36
3 69
4 89
2011 1 65
2 45
3 86
4 111
2012 1 81
2 56
3 108
4 139
2013 1 102
2 70
3 135
4 174

Exemple Applicatif
Questions :
1 Tracer la série chronologique X .
2 Quel modèle peut-on appliquer sur la série chronologique X ?
3 Après avoir justier la longueur de la moyenne mobile à employer,
calculer la série Mp des moyenne mobiles et représenter les deux

courbes sur un même graphique.
4 Calculer les écarts saisonniers (s ).
t
5 Calculer les coecients des variations saisonnières de la série.
6 Dénir la série corrigée des variations saisonnières (CVS) (y ).

t
7 Représenter cette série graphiquement dans la gue précédente.
8 Eectuer les prévisions pour t = 17, 18, 19, 20.

Chapitre 4 : Suites Stationnaires
de variables aléatoires

Suites Stationnaires
Cette partie est un premier pas vers la représentation de la série
résiduelle par un modèle théorique qui se prête bien à la prévision.
Il va permettre par la suite de travailler sur la série (x1 , x2 , ..., xT )
comme si elle était la réalisation des T premiers termes d'une suite
innie (X1 , X2 , ...) de variables aléatoires.
Pour mieux comprendre ce qui suit, il faut se rendre compte que
pour pouvoir prévoir de façon ecace le futur d'une suite nie
(X1 , X2 , ..., XT ) de variables aléatoires, il faut que ces variables
admettent entre elles un peu de dépendance.
Ce n'est par exemple pas la peine d'essayer de prévoir ce que va
donner le cinquantième lancer d'une pièce de monnaie lorsqu'on a
les résultats des quarante neuf précédents. L'erreur de prévision sera
de toutes façons de 50%.
Par contre, si on sait que la donnée T+1 dépend des données
précédentes, et si par chance on a une idée de la nature de cette
dépendance, on pourra rechercher une procédure de prévision
adaptée.
Voilà pourquoi il faut consacrer quelque temps aux suites de
variables dépendantes.
Dénition
On dit qu'une suite de variables aléatoires (..., X−1 , X0 , X1 , ...) est
stationnaire si les espérances sont constantes
E(Xt ) = µ ∀t
et si les covariances sont stables par translation du temps c'est-à-dire,

pour tout h,
Cov (Xt , Xt+h ) = σ(h) ∀t
où la covariance est dénie par
Cov (Xt , Xt+h ) = E(Xt Xt+h )−E(Xt )E(Xt+h ) = E((Xt −EXt )(Xt+h −EXt+h ))
Une telle suite est appelée processus stationnaire.

Remarque
On remarque que Var (Xt ) = σ(0) pour tout t. Donc la variance est
constante.
Si l'espérance µ est nulle on dit que le processus est centré.
Dans la suite, nos processus seront centrés. C'est bien normal si on
pense qu'ils sont censés modéliser des résidus.

Auto-covariance et auto-corrélation
Dénition
La suite σ(h) est appelée fonction d'auto-covariance du processus
stationnaire.
La suite ρ(h) = σ(h)
σ(0) est sa fonction d'auto-corrélation.
σ(h) et ρ(h) ont les propriétés élémentaires suivantes :
Ces suites sont symétriques : pour tout h 0, σ(h) = σ(−h) ;
même chose pour ρ(h).
Puisque c'est une variance, σ(h) 0.
Par dénition, ρ(0) = 1.
Auto-covariance et auto-corrélation
Remarque
L'égalité à zéro de la variance σ(0) est possible mais tout à fait sans
intérêt, car alors la probabilité que Xt = µ est égale à 1 : la suite est
constante.
On supposera dans la suite que σ(0) 0, ce qui justie l'utilisation
de la corrélation.

Bruits blancs
Ce sont les processus stationnaires les plus élémentaires.

Ils ont une fonction d'auto-covariance nulle (en dehors de σ(0)).
Peu intéressants en eux-mêmes pour la prévision, ils servent de base
à la construction de tous les modèles présentés dans ce cours.
Dénition
Un bruit blanc est une suite de variables aléatoires non corrélées et
d'espérance et de variance constante. Autrement dit, pour tout t
E(Xt ) = µ, Var (Xt ) = σ 2 et Cov (Xt , Xt+h ) = 0 pour h 6= 0
Si l'espérance µ est nulle, on dit que le bruit blanc est centré.

Le cas particulier le plus courant est la suite de variables aléatoires
gaussiennes standard (espérance nulle et variance égale à 1) et
indépendantes.

Exemple
Soit X un processus centré tel que
Xt = 0.7Xt−1 + t
Avec un bruit blanc gaussaien centré et réduit et t indépendant de Xk

pour tout k ≺ t .
Calculer la covariance de X1 et X2 .
Calculer la corrélation de X1 et X2 .

Série stationnaire
On peut vérier qu'une série temporelle est stationnaire par la transforma-

tion de la série et la notion des racines unitaire.
Racines unitaires
Une série temporelle est stationnaire si les racines de l'équation
caractéristique de la série se situent à l'extérieur de la cercle unité.
Exemple
Soit X un processus centré tel que
Xt = 0.7Xt−1 + t
Avec un bruit blanc gaussaien centré et réduit et t indépendant de Xk

pour tout k ≺ t .
La série Xt est stationnaire.

Moyennes mobiles
Ce sont des processus obtenus à partir d'un bruit blanc.
Dénition
Soit (t )t=±1,... un bruit blanc centré de variance σ 2 . On appelle
moyenne mobile un processus de la forme
Xt = t + a1 t−1 + ... + aq t−q
Ou q est un nombre entier xé non nul, appelé l'ordre de la moyenne

mobile.
Un processus moyenne mobile est évidemment stationnaire, et on a
σ(0) = σ 2 (1 + a12 + ... + aq2 )
σ(1) = σ 2 (a1 + a1 a2 + ... + aq−1 aq )
....
σ(q) = σ 2 a1 aq
σ(q + 1) = σ(q + 2) = ... = 0

Processus auto-régressif d'ordre 1
C'est l'exemple le plus simple de toute une famille qui sera introduite au
chapitre suivant.
Dénition
Soit (t )t=±1,... un bruit blanc centré de variance σ 2 et a ∈] − 1, 1[ un
paramètre xé. Un processus auto-régressif d'ordre 1 est un processus
stationnaire centré qui vérie les équations de récurrence
Xt = aXt−1 + t ∀t = 0, ±1, ...
Tout lecteur attentif aura remarqué que cette dénition implicite
demande au moins une information supplémentaire, à savoir :
existe-t-il un processus stationnaire centré solution de l'équation de
récurrence précédente ?
La réponse est oui, et la solution la plus intéressante est le processus
déni comme une suite de sommes de séries :
∀t, Xt = t + at−1 + a2 t−2 + ...
En regardant l'expression de cette solution, on voit qu'un tel
processus n'est guère qu'un processus moyenne mobile d'ordre inni.
Processus auto-régressif d'ordre 1
Pour son espérance et son auto-covariance, on peut utiliser cette expression

(la diérence par rapport au paragraphe précédent est que les sommes nies
sont transformées ici en sommes de séries). On voit par exemple que
E(Xt ) = 0
1
Var (Xt ) = σ 2 (1 + a2 + a4 + ...) = σ 2 1−a 2
σ(h) = σ(−h) = σ 2 (ah + ah+2 + ...) = σ 2 1−a ∀h 0

h
a
2
Cov (Xt , t+k ) = 0 ∀n et ∀k 0

Chapitre 4 : Méthodes d'ARMA

Modèle ARMA
Processus aléatoire stationnaire

Un processus aléatoire est une suite de variables aléatoires (xt )
indicées par le temps. Nous limitons au cas d'un temps discret
t =...,−i ,...,−1, 0, 1...,j ,...
Le processus (xt ) est stationnaire lorsque sa structure probabiliste
est stable au cours du temps : La loi de probabilité de tout t-uple
(x1 , ..., xt ) est la même que celle du t-uple (x1+h , ..., xt+h ) pour tout
décalage h.
Ainsi, pour un processus stationnaire (xt ), tous ont même moyenne,
même variance, et les auto-corrélations sont indépendantes de
l'instant t pour tout décalage h.

Modèle ARMA
Toujours, on a une série chronologique (xt ).

Cette série, est comme d'habitude présente une tendance et
saisonnalité.
Objectif
Stabiliser la série (xt ).
Stabiliser la série
Il faut transformer la série observée de manière à :
Enlever la tendance.
Enlever la saisonnalité.
De plus, stabiliser la variance.

Enlever la tendance
Dans le but d'enlever la tendance, on va faire des diérences

régulière d'ordre d.
On considère un opérateur retard B dénit comme suit :
Bxt = xt−1
Si d = 1, on a yt = xt − xt−1 = (1 − B)xt .
Si d = 2, on a yt = (1 − B)xt − (1 − B)xt−1 = (1 − B)2 xt .
à l'ordre d
yt = (1 − B)d xt
Dans le cas pratique d = 0, 1, et rarement qu'on a d = 2

Enlever la saisonnalité
Le but d'enlever la saisonnalité, on a l'ordre de la saisonnalité p.

Alors, on va faire des diérences régulière d'ordre D.
Si D = 1, on a yt = xt − xt−p = (1 − B p )xt avec B p xt = xt−p .

Si D = 2, on a yt = (1 − B p )xt − (1 − B p )xt−p = (1 − B p )2 xt .
à l'ordre D
yt = (1 − B p )D xt
De même, le cas pratique D = 0, 1, et rarement qu'on a D = 2

Enlever la tendance et la saisonnalité
Formule générale
yt = (1 − B)d (1 − B p )D xt
On peut choisir d et D minimisant l'écart-type de yt .
Exemple
p = 12, d = 1 et D = 1
yt = (1 − B)(1 − B 12 )xt = (xt − xt−12 ) − (xt−1 − xt−13 )

Exercice d'application : Chire d'aaires
Le tableau ci-dessous donne le chire d'aaires d'une entreprise sur la

période 1994 à 1997.
t 1 2 3 4 5 6 7 8
xt 120 181 71 119 128 190 73 124
t 9 10 11 12 13 14 15 16
xt 140 196 84 133 145 206 96 142
1 Enlever la tendance de la série (xt ).

2 Enlever la saisonnalité de la série (xt ).
3 Enlever au même temps la tendance et la saisonnalité de (xt ).
4 Déterminer le Tableau des indicateurs statistiques pour les quatre séries
obtenues.

Développement de la série (xt )
Développement
De
yt = (1 − B)(1 − B p )xt = (xt − xt−p ) − (xt−1 − xt−p−1 )
On déduit
xt = xt−p + (xt−1 − xt−p−1 ) + yt
Avec xt−p valeur une période avant.
Et (xt−1 − xt−p−1 ) évaluation de la tendance d'une période avant.
Et yt terme aléatoire.
Objectif
Modéliser la série "stationnaire" yt .

Modèle statistique
On suppose que la série stabilisé (y1 , ..., yT ) provient d'un processus sta-
tionnaire (yt ) qui vérie :
Conditions
On a l'indépendance de t
E (yt ) = µ.
Var (yt ) = σy2 .
ρk = cor (yt , yt−k )
Résultats
Dans des conditions assez générales tout processus stationnaire peut être
approché par des modèles AR(s), MA(q) ou ARMA(s,q)

Modèle AR(s) : Auto-régressif d'ordre s
Parmi les procédures courantes qui permettent de modéliser des

séries, dont on ne connaît pas les variables explicatives mais dont on
peut penser qu'elles suivent des lois temporels, est celle des modèles
auto-régressifs.
Un processus auto-régressif d'ordre s est celui où l'observation
présente yt est générée par une moyenne pondérée des observations
passées jusqu'à la s-ème période sous la forme suivante :
AR(1) : yt = θ1 yt−1 + t
AR(2) : yt = θ1 yt−1 + θ2 yt−2 + t
....
AR(s) : yt = θ1 yt−1 + θ2 yt−2 + ... + θs yt−s + t
Où θ1 , ..., θs sont des paramètres à estimer positifs ou négatifs, t
est un bruit blanc.

Modèle AR(s) : Auto-régressif d'ordre s
Bruit blanc
Un bruit (t ) est un processus stationnaire tel que :
E (t ) = 0,
V (t ) = σ 2 ,
ρk = cor (t , t−k ) = 0 pour tout k 0
En introduisant l'opérateur retard B , l'équation précédente peut

aussi s'écrire comme :
AR(s) : (1 − θ1 B − θ2 B 2 − ... − θs B s )yt = t

Modèle MA (Moving Average) d'ordre q
Dans le processus de moyenne mobile d'ordre q à chaque fois que l'obser-

vation yt est générée par une moyenne pondérée d'aléas jusqu'à la q-ème
période.
MA(1) : yt = t − α1 t−1
MA(2) : yt = t − α1 t−1 − α2 t−2
....
MA(q) : yt = t − α1 t−1 − α2 t−2 − ... − αq t−q
Où α1 , ..., αq sont des paramètres à estimer positifs ou négatifs, t
est un bruit blanc.
En introduisant l'opérateur retard B , l'équation précédente peut
aussi s'écrire comme :
MA(q) : (1 − α1 B − α2 B 2 − ... − αq B q )t = yt

Modèle ARMA d'ordre (s,q)
Dans le processus d'ARMA d'ordre (s, q) on a :

ARMA(s,q) :
yt = θ1 yt−1 +θ2 yt−2 +...+θs yt−s +t −α1 t−1 −α2 t−2 −...−αq t−q
Question
Comment choisir le modèle correspondant le mieux aux données
étudiées ?
Réponse
On utilise les auto-corrélations ρk et les auto-corrélations partielles
φk,k .

Auto-corrélation
ρk = cor (yt , yt−k )

PT
t=k+1 (yt −ȳT )(yt−k −ȳT )
ρˆk = PT 2 = rk
t=1 (yt −ȳT )
Exemple :
Déterminer les auto-corrélations rk de la série de l'exemple
précédent.

Auto-corrélation et Modèle MA(q)
Les auto-corrélations donnent l'estimation des paramètres du modèle MA(q),

alors
MA(q) : yt = t − ρ1 t−1 − ρ2 t−2 − ... − ρq t−q
Avec q correspond à la dernière valeur du corrélation non nulle.
Exemple :
Déterminer MA(1) et MA(2) de la série précédente.

Auto-corrélation partielle
les auto-corrélations partielles sont données par :
φ̂1 = r1
r2 −r12
φ̂2 = 1−r12
....
1 r1 ... rk−2 r1

1

r1 ... rk−3 r2

.. .. . ..

..

. . .

...

rk−1 rk−2 ... r1 rk
φ̂k =
1 r1 ... rk−2 rk−1

1

r1 ... rk−3 rk−2

.. .. .. ..

. . . .

...

1

rk−1 rk−2 ... r1
Exemple :
Déterminer les auto-corrélations partielles φ̂1 , φ̂2 et φ̂3 de la série de
l'exemple précédent.
Auto-corrélation partielle et Modèle AR(s)
Les auto-corrélations partielles donnent l'estimation des paramètres du mo-

dèle AR(s), alors
AR(s) : yt = φ̂1 yt−1 + φ̂2 yt−2 + ... + φ̂s yt−s + t
Avec s correspond à la dernière valeur du corrélation partielle non
nulle.
Exemple :
Déterminer AR(1) et AR(2) de la série précédente.

Calcul des prévisions et des erreurs
On va prendre le modèle MA(1)
Prévision :
Voila le modèle qu'on a :
xt = xt−p + xt−1 − xt−p−1 + t − α1 t−1
Alors, la prévision de xt réalisée en t − 1

x̂t = xt−p + xt−1 − xt−p−1 − α1 t−1
Avec t−1 = yt−1

Et l'erreur de prévision à l'horizon 1 :
t = xt − x̂t
Exemple :
Eectuer les prévisions de la série précédente avec le modèle MA(1).
Calcul des prévisions et des erreurs
On va prendre le modèle AR(1)
Prévision :
Voila le modèle qu'on a :
xt = xt−p + xt−1 − xt−p−1 + t − θ1 yt−1
Alors, la prévision de xt réalisée en t − 1

x̂t = xt−p + xt−1 − xt−p−1 − θ1 yt−1
Et l'erreur de prévision à l'horizon 1 :

t = xt − x̂t
Exemple :
Eectuer les prévisions de la série précédente avec le modèle AR(1).

Questions ?

Techniques de Prévision

Transféré par

Droits d'auteur :

Formats disponibles

Techniques de Prévision

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Techniques de Prévision

Transféré par

Droits d'auteur :

Formats disponibles

Techniques de prévision

Réalisé par : Pr. EN-NAIMANI Zakariae

Académie internationale Mohammed VI de l'aviation civile

Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision

Pourquoi vouloir prévoir ?

Peut on prévoir parfaitement bien ?

De quelles méthodes dispose-t-on pour prévoir ?

Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision

Pourquoi vouloir prévoir ?

Peut on prévoir parfaitement bien ?

De quelles méthodes dispose-t-on pour prévoir ?

Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision

Pourquoi vouloir prévoir ?

Peut on prévoir parfaitement bien ?

De quelles méthodes dispose-t-on pour prévoir ?

Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision

Pourquoi vouloir prévoir ?

Peut on prévoir parfaitement bien ?

De quelles méthodes dispose-t-on pour prévoir ?

Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision

Très souvent pour des raisons économiques.

Faire des Stratégies pour le futur.

Projeter dans l'avenir.

Prévoir sur l'évolution (comportement) d'une série des mesures d'un

Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision

Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision

S'appuyer sur ce qui s'est passé avant l'instant à partir duquel

C'est-à-dire, dans la prévision pour le temps j + 1 on s'appuiera sur

Mais on tiendra compte aussi, éventuellement, d'indices exogènes (la

Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision

Il y a toujours une erreur de prévision.

Les bonnes méthodes fournissent non pas une prévision, mais un

Il arrive souvent qu'une amélioration minime de la qualité de la

Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision

Ils existent plusieurs modèles mathématiques que l'on pourra utiliser :

2 Les lissages exponentiels sont une batterie de procédures

Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision

Les dés à relever (dans l'ordre) :

2 Estimer les paramètres du modèle.

3 Vérier la qualité de l'ajustement du modèle, et comparer les

4 Eectuer des prédictions.

Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision

La prédiction est présentée dans de nombreux domaines d'application :

Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision

Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision

Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision

Voici quelques exemples de séries temporelles :

On prend x1 = 2496, x2 = 2694, x3 = 2680, x4 = 2568, x5 = 2505, x6 = 2656

Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision

Deux repérages des données dans le temps

Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision

Le graphique de la gure ci-après, extrait d'une étude de l'Institut

Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision

An de réaliser l'objectif de prévision, une première étape de

Cette étape consiste à sélectionner, parmi une famille de modèles

Le but de la décomposition d'une série temporelle est de distinguer

L'intérêt de ceci est d'une part de mieux comprendre, de mieux

Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision

Réalisé par : Pr. EN-NAIMANI Zakariae Techniques de prévision

Transport annuel de passagers par Air France sur des vols

Les dés à relever (dans l'ordre) :

3 Vérier la qualité de l'ajustement du modèle, et comparer les

4 Eectuer des prédictions.

Le graphique de la gure ci-après, extrait d'une étude de l'Institut

An de réaliser l'objectif de prévision, une première étape de

De même, on pourra dénir des tendances logarithmiques,

est presque le coecient de corrélation entre la série

Pour k xé, ρ̂T (k) → 1 quand T tend vers l'inni.

Lorsqu'on réalise un ajustement ane de la série, on fait disparaître

Le tableau ci-dessous donne le chire d'aaires d'une entreprise TrucNet

1 Dénir la série corrigée des variations saisonnières (yt ).