SCSP

Chapitre 3: Séries chronologiques
Arnaud Rousselle
[email protected]
http://arousselle.perso.math.cnrs.fr/
Année universitaire 2023-2024

Semestre 2
Arnaud Rousselle Séries chronologiques Année universitaire 2023-2024, S2 1 / 35

1 Définitions et motivations
2 Analyse d’une série chronologique
3 Estimation des composantes
4 Prédiction

Définitions et motivations
Définition
On appelle série chronologique ou série temporelle toute suite (finie) y
d’observations numériques d’une grandeur effectuées au cours de plusieurs années
à intervalle de temps réguliers, appelés saisons.
Notations
On note :
▶ yt la valeur de la t e observation,
▶ n le nombre d’années,
▶ p le nombre de saisons (périodes) dans une année.

Exemple 1
On a relevé les chiffres d’affaires trimestriels, exprimés en K¤, d’une entreprise au

cours des années 2012 à 2015. Ceux-ci sont présentés dans le tableau suivant.
XXX
XXX Trimestre
XXX 1 2 3 4
Année XX X
2012 20 25 50 70
2013 35 30 65 105
2014 40 34 75 135
2015 50 37 80 170

Exemple 1 (en image)
y
•
150
•
100 •
• •
• •
50 • •
• • • • •
• •
t
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Figure – Chiffres d’affaires yt (en K¤) de la t e période (Exemple 1).
Ici, le nombre d’années est n = 4, le nombre de périodes par année est p = 4 et on

a y1 = 20, y2 = 25, y3 = 50, y4 = 70, y5 = 35, . . ., y16 = 170.
Exemple 2
On a relevé la consommation mensuelle en eau, exprimée en Hm3 , d’un

producteur de melons au cours des années 2013 à 2015. Les relevés sont présentés
dans le tableau suivant.
HH Janv. Fév. Mars Avr. Mai Juin Juil. Août Sept. Oct. Nov. Déc.
H
2013 1 1,5 3 5 10 20 45 50 30 2 1 0,5
2014 3,5 3 5,5 9 11 24 49 50 31 4 4 3,5
2015 7 6 8 9 15 25 52 55 37 7 5 6

Exemple 2 (en image)
y
•
•
50 • •••
•
40 •
30 •
• •
20 •
•
10 • •• • •• •••
•
•••••
• ••• •
••• t
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
Figure – Consommation d’eau yt (en Hm3 ) au cours du t e mois (Exemple 2).
Ici, le nombre d’années est n = 3, le nombre de périodes par année est p = 12 et

on a y1 = 1, y2 = 1, 5,. . ., y12 = 0, 5, y13 = 3, 5, . . ., y36 = 6.

Motivations et ...
Pour toute série chronologique, trois questions essentielles se posent :

▶ Une tendance générale (≪ trend ≫) se dégage-t-elle de la série ? Quelle est
l’évolution de la série en temps long ?
▶ Peut-on détecter des phénomènes saisonniers ? L’évolution de la série
présente-t-elle des caractéristique se répétant d’année en année ?
▶ Peut-on prévoir des valeurs futures de la série ?
Composantes d’une série chronologique :
▶ la tendance générale (appelée ≪ trend ≫),
▶ une composante saisonnière,
▶ une composante aléatoire (imprévisible).

objectifs
Pour répondre aux questions posées ci-dessus, nous fournirons des méthodes
permettant :
▶ de décomposer une série chronologique en composantes générale, saisonnière
et aléatoire afin de l’analyser (voir Section 2) ;
▶ d’estimer les composantes de la série chronologique (voir Section 3) ;
▶ prédire les valeurs futures de la série (voir Section 4).

Analyse d’une série chronologique
4 Prédiction

Décomposition d’une série chronologique
On veut écrire toute valeur yt d’une série chronologique sous la forme :
yt = f (gt , st , at ),
où f est une certaine fonction et :

▶ gt désigne la composante ≪ tendance générale ≫ de la série au temps t,
▶ st désigne la composante ≪ saisonnière ≫ de la série au temps t,
▶ at désigne la composante ≪ aléatoire ≫ de la série au temps t.
Différentes fonctions f conduisent à des modèles différents. Dans la suite, on
s’intéressera aux modèles additif et multiplicatif.

Exemple 1 (suite)
Graphiquement, on constate que les chiffres d’affaires ont tendance à augmenter

d’année en année. Rigoureusement, on peut justifier ce fait en faisant une
régression linéaire. On constate que la tendance générale à une faible courbure, ce
qui rend légitimes les calculs que nous ferons dans la suite.
On voit que le chiffre d’affaire présente des ≪ pics positifs ≫ au 4e trimestre de

chaque année et des ≪ pics négatifs ≫ lors des deux premiers trimestres de chaque
année. On cherchera, dans la suite, à décrire l’impact d’une saison (ici un
trimestre) sur la série chronologique. On supposera que la composante saisonnière
est périodique de période p (sk+p = sk , pour tout k) et a une influence nulle sur
une année.
La composante aléatoire est plus délicate à visualiser. Elle correspond aux

irrégularités des cycles de la série. Nous supposerons par la suite que celle-ci est
négligeable.

Modèle additif
Définition
On parle de modèle additif si yt = gt + st + at où gt désigne la composante
≪ tendance générale ≫, st désigne la composante saisonnière et at désigne la
composante aléatoire de la série au temps t.
Remarque
▶ composante saisonnière
p-périodique : sk+p = sk , pour tout k
d’influence nulle sur une année : s1 + s2 + · · · + sp = 0
▶ composante aléatoire négligeable : at ≃ 0, pour tout t.
Critère
Pour savoir si le modèle additif est adapté, on trace les lignes polygonales passant
par les pics ≪ positifs ≫ d’une part et ≪ négatifs ≫ d’autre part. Si celles-ci sont
proches de droites et si la largeur de la bande délimitée par celles-ci est
essentiellement constante, on choisit d’utiliser le modèle additif.
Exemple 2 (suite)
Le modèle additif est adapté pour l’Exemple 2.

y
•
•
50 • •••
•
40 •
30 •
• •
20 •
•
10 • •• •••• •••
• • •••
••• ••••• t
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
Figure – Consommation d’eau yt (en Hm3 ) au cours du t e mois de l’Exemple 2 (bleu) et

les lignes polygonales passant par les pics ≪ positifs ≫ (rouge) et ≪ négatifs ≫ (vert).

Modèle multiplicatif
Définition
On parle de modèle multiplicatif si yt = gt × st × at où gt désigne la composante
≪ tendance générale ≫, st désigne la composante saisonnière et at désigne la
composante aléatoire de la série au temps t.
Remarque
▶ composante saisonnière
p-périodique :sk+p = sk , pour tout k
d’influence nulle sur une année : s1 × s2 × · · · × sp = 1
▶ composante aléatoire négligeable : at ≃ 1, pour tout t.
Critère
Pour savoir si le modèle multiplicatif est adapté, on trace les lignes polygonales
passant par les pics ≪ positifs ≫ d’une part et ≪ négatifs ≫ d’autre part. Si celles-ci
sont proches de droites et si la largeur de la bande délimitée par celles-ci est
clairement croissante ou décroissante, on choisit d’utiliser le modèle multiplicatif.
Exemple 1 (suite)
Le modèle multiplicatif est adapté pour l’Exemple 1.
y
•
150
•
100 •
• •
• •
50 • •
• • • • •
• •
t
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Figure – Chiffres d’affaires yt (en K¤) du t e trimestre de l’Exemple 1 (bleu) et les lignes
polygonales passant par les pics ≪ positifs ≫ (rouge) et ≪ négatifs ≫ (vert).

Estimation des composantes
4 Prédiction

Estimation de la tendance générale
Une première méthode possible pour estimer la tendance générale gt est

d’effectuer une régression de yt en fonction de t. Celle-ci conduit à des calculs
assez simples mais n’est pas toujours adaptée à cause des effets saisonniers. Nous
détaillons ici une autre méthode basée sur l’utilisation de moyennes mobiles pour
estimer la tendance générale.
Définition
Soit y une série chronologique portant sur n années décomposées en p saisons et
soit k ∈ {2, . . . , np}. On appelle moyenne mobile (ou glissante) d’ordre k au
temps t ∈ {1 + ⌊ k2 ⌋, . . . , np − ⌊ k2 ⌋} la quantité :

 1 y k−1 + · · · + yt + · · · + y k−1 si k est impair
(k)
Mt =
k
yt−k 2 t+ 2
yt+ k .
t−
 1
2 + yt− k +1 + · · · + yt + · · · + yt+ k −1 + 2 si k est pair
2 2
k 2 2

Moyennes mobiles (exemples)
(2) 1 yt−1 yt+1

Mt = + yt + ,
2 2 2
(3) 1
Mt = (yt−1 + yt + yt+1 ) ,
3
(4) 1 y t−2 yt+2
Mt = + yt−1 + yt + yt+1 +
4 2 2
et
(5) 1
Mt = (yt−2 + yt−1 + yt + yt+1 + yt+2 ) .
5
Remarque
1 L’utilisation des moyennes mobiles permet de lisser la courbe et
≪ supprimer ≫ la composante aléatoire par moyennisation.
2 Lorsque k est un multiple de p, la composante saisonnière n’influe pas sur la

moyenne mobile d’ordre k.
3 Il est nécessaire de choisir convenablement l’ordre k des moyennes mobiles
utilisées. En général, on choisit k = p (le nombre de période dans l’année).
Estimation de la tendance générale
Proposition
Soit y une série chronologique dont la tendance générale est notée gt .
Alors, un estimateur de gt est donné par :
(k)
ĝt = Mt .
Autrement dit, on peut considérer que :

(k)
gt ≃ ĝt = Mt .
Remarque
L’estimation de la tendance générale ne dépend pas du fait que l’on utilise un
modèle additif ou multiplicatif.

Exemple 1 (suite)
L’estimation de la tendance des chiffres d’affaires trimestriels de l’Exemple 1 par

des moyennes mobiles d’ordre 4 est donnée dans le tableau suivant et représentée
dans la figure suivante.
XXX
XXX Trimestre
XXX 1 2 3 4
Année XX X
2012 43,125 45,625
2013 48,125 54,375 59,375 60,5
2014 62,25 67,25 72,25 73,875
2015 74,875 79,875

Exemple 1 (suite et image)
y
•
150
•
100 •
• • • • • •
• • •
• • • • •
50 • • • • • •
• •
• •
t
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Figure – Chiffres d’affaires yt (en K¤) du t e trimestre (bleu, Exemple 1) et estimation

(4)
de la tendance gt par ĝt = Mt (rouge).

Exemple 2 (suite)
Les valeurs approchées à une décimale de l’estimation de la tendance la

consommation mensuelle d’eau de l’Exemple 2 par des moyennes mobiles d’ordre 7
sont données dans le tableau suivant et représentées dans la figure suivante.
H Janv. Fév. Mars Avr. Mai Juin Juil. Août Sept. Oct. Nov. Déc.
H
H
2013 12,2 19,2 23,3 23,1 22,6 21,2 18,9 12,9 6,5
2014 3,5 4,8 8,1 15 21,6 25,6 25,4 24,7 23,6 21,2 15,1 9,1
2015 5,9 7,5 10,5 17,4 24,3 28,7 28,6 28 26,7

Exemple 2 (suite en image)
y
•
•
50 • •••
•
40 •
30 • ••••
•••• •••• ••
20 •• •• •
• ••
• • •
•• •
10 ••••
• •••
•
•••••
•• •••
•• •• •
••• •
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
t
Figure – Consommation d’eau yt (en Hm3 ) au cours du t e mois (bleu, Exemple 2) et

(7)
estimation de la tendance gt par ĝt = Mt (rouge).

Estimation de la composante saisonnière
L’estimation de la composante saisonnière st dépend du fait que l’on utilise un

modèle additif ou multiplicatif.

Estimation de la composante saisonnière dans le modèle additif

On veut écrire les éléments de la série sous la forme :
yt = gt + st + at
avec la composante aléatoire at négligeable donc
yt ≃ ĝt + ŝt .
On effectue les étapes suivantes :
1 pour t ∈ {1 + ⌊ k2 ⌋, . . . , np − ⌊ k2 ⌋}, on calcule les écarts entre la valeur de la
série et l’estimation de la tendance au temps t : et = yt − ĝt ;
2 pour t ∈ {1, . . . , p}, on calcule la moyenne arithmétique ēt des écarts
correspondant à la même période de l’année, i.e. des et+kp ;
ē +···+ē
3 on calcule la moyenne arithmétique ē des ēt : ē = 1 p p ;
4 pour t ∈ {1, . . . , p}, on calcule les coefficients saisonniers normalisés
ŝt = ēt − ē.
Proposition
Dans le cadre d’un modèle additif, une estimation de la composante saisonnière
est donnée par ŝt défini ci-dessus.
Exemple 2 (suite)
Le tableau suivant donne les valeurs approchées à une décimale près des écarts
et = yt − ĝt obtenus pour chaque période t ∈ {4, . . . , 33}, celles des moyennes ēt
des écarts correspondant à chacun des mois d’une année :
e13 + e25 e15 + e27 e4 + e16 + e28 e9 + e21 + e33
ē1 = , . . . , ē3 = , ē4 = , . . . , ē9 = ,
2 2 3 3
e10 + e22 e12 + e24
ē10 = , . . . , ē12 = ,
2 2
ainsi que l’estimation de la composante saisonnière ŝt = ēt − ē où
ē = ē1 +ē2 +···+ē
12
12
≃ 0, 05.
HH Janv. Fév. Mars Avr. Mai Juin Juil. Août Sept. Oct. Nov. Déc.
H
2013 -7,2 -9,2 -3,3 21,9 27,4 8,8 -16,9 -11,9 -6
2014 0 -1,8 -2,6 -6 -10,6 -1,6 23,6 25,3 7,4 -17,2 -11,1 -5,6
2015 1,1 -1,5 -2,5 -8,4 -9,3 -3,7 23,4 27 10,3
ēt 0,5 -1,6 -2,5 -7,2 -9,7 -2,9 23 26,6 8,8 -17 -11,5 -5,8
ŝt 0,5 -1,7 -2,6 -7,2 -9,8 -2,9 22,9 26,5 8,8 -17,1 -11,5 -5,8

Estimation de la composante saisonnière dans le modèle multiplicatif

On veut écrire les éléments de la série sous la forme :
yt = gt × st × at
avec la composante aléatoire at négligeable donc
yt ≃ ĝt × ŝt .
Pour cela, on effectue les étapes suivantes :
1 pour t ∈ {1 + ⌊ k2 ⌋, . . . , np − ⌊ k2 ⌋}, on calcule les ratios entre la valeur de la
série et l’estimation de la tendance au temps t : rt = ĝytt ;
2 pour t ∈ {1, . . . , p}, on calcule la moyenne géométrique r¯t des ratios
correspondant à la même période de l’année, i.e. des rt+kp ;
√
3 on calcule la moyenne géométrique r¯ des r¯t : r¯ = p r¯1 × · · · × r¯p ;
r¯t
4 pour t ∈ {1, . . . , p}, on calcule les coefficients saisonniers normalisés ŝt = r¯ .
Proposition
Dans le cadre d’un modèle multiplicatif, une estimation de la composante
saisonnière est donnée par ŝt défini ci-dessus.
Exemple 1 (suite)
Le tableau suivant donne les valeurs approchées à deux décimales près des ratios
rt = ĝytt obtenus pour chaque période t ∈ {3, 4, . . . , 14}, celles des moyennes r¯t des
ratios correspondant à chacun des trimestres d’une année :
√ √ √ √
r¯1 = 3 r5 r9 r13 , r¯2 = 3 r6 r10 r14 , r¯3 = 3 r3 r7 r11 , et r¯4 = 3 r4 r8 r12 ,
ainsi√que l’estimation de la composante saisonnière ŝt = r¯r¯t où

r¯ = 4 r¯1 r¯2 r¯3 r¯4 ≃ 0, 89.
XX
XXTrimestre
XXX
1 2 3 4
Année XXX
XX
2012 1,16 1,53
2013 0,73 0,55 1,09 1,74
2014 0,64 0,51 1,04 1,83
2015 0,67 0,46
r¯t 0,68 0,51 1,10 1,69
ŝt 0,76 0,57 1,23 1,90

Prédiction
4 Prédiction

Prédiction
Prédiction
Étant donnée une série chronologique y portant sur n années découpées en p

saisons, on souhaite prédire les valeurs futures de la série. Pour cela, on effectue la
démarche suivante.
(k)
1 On estime la tendance à l’aide de moyennes mobiles ĝt = Mt ,
t ∈ {1, . . . , np}.
2 On estime la composante saisonnière par ŝt .
3 On effectue une régression linéaire sur les ĝt pour prédire leurs valeurs futures
.
4 On en déduit des prédictions des valeurs futures de la série en utilisant que :
yt ≃ ĝt + ŝt si l’on utilise un modèle additif,
yt ≃ ĝt × ŝt si l’on utilise un modèle multiplicatif.

Prédiction
Exemple 1 (suite)
En utilisant les résultats déjà obtenus dans les sections précédentes, on obtient
que la droite de régression de ĝt en t a pour équation :
y = ĝt = 3, 37t + 33, 15.
On en déduit les prédictions suivantes pour l’année 2016 :
y17 ≃ (3, 37 × 17 + 33, 15)ŝ17 ≃ (3, 37 × 17 + 33, 15) × 0, 76 ≃ 68, 73,
y18 ≃ (3, 37 × 18 + 33, 15)ŝ18 ≃ (3, 37 × 18 + 33, 15) × 0, 57 ≃ 53, 47,

y19 ≃ (3, 37 × 19 + 33, 15)ŝ19 ≃ (3, 37 × 19 + 33, 15) × 1, 22 ≃ 118, 56,
y20 ≃ (3, 37 × 20 + 33, 15)ŝ20 ≃ (3, 37 × 20 + 33, 15) × 1, 89 ≃ 190, 04.
Celles-ci sont représentées dans la figure suivante.

Prédiction
Exemple 1 (suite et fin en image)

y
200
•
•
150
•
•
100 •
• •
• • •
50 • • •
• • • • •
• •
t
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Figure – Chiffres d’affaires yt (en K¤) de la t e période de l’Exemple 1 (bleu) et

prédictions pour l’année 2016 (rouge).

Prédiction
Exemple 2 (suite)
En utilisant les résultats déjà obtenus dans les sections précédentes, on obtient
que la droite de régression de ĝt en t a pour équation :
y = ĝt = 0, 04t + 17, 1.
On en déduit les prédictions pour l’année 2016, en calculant, pour

t ∈ {37, . . . , 48},
yt ≃ 0, 04t + 17, 1 + ŝt .
Les prédictions sont les suivantes et sont représentées dans la figure suivante :
y37 ≃ 19, 08, y38 ≃ 16, 92, y39 ≃ 16, 06, y40 ≃ 11, 4, y41 ≃ 8, 94, y42 ≃ 15, 88,
y43 ≃ 41, 72, y44 ≃ 45, 36, y45 ≃ 27, 65, y46 ≃ 1, 84, y47 ≃ 7, 48, y48 ≃ 13, 19.

Prédiction
Exemple 2 (suite et fin en image)
y
•
•
50 • •••
• •
40 •
•
30 • •
• •
20 • ••
• • •
•• •
10 • •• • •• •• • •
•
•••••
• •• • •
••• • t
1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930313233343536373839404142434445464748
Figure – Consommation d’eau yt (en Hm3 ) au cours du t e mois de l’Exemple 2 (bleu) et

prévisions pour l’année 2016 (rouge).
Exercice : Reprendre l’Exemple 2 en effectuant un choix correct de l’ordre des

moyennes mobiles et constater l’amélioration de la prédiction.

SCSP

Transféré par

Droits d'auteur :

Formats disponibles

SCSP

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

SCSP

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 3: Séries chronologiques

Année universitaire 2023-2024

Arnaud Rousselle Séries chronologiques Année universitaire 2023-2024, S2 1 / 35

2 Analyse d’une série chronologique

3 Estimation des composantes

Arnaud Rousselle Séries chronologiques Année universitaire 2023-2024, S2 2 / 35

Arnaud Rousselle Séries chronologiques Année universitaire 2023-2024, S2 3 / 35

On a relevé les chiffres d’affaires trimestriels, exprimés en K¤, d’une entreprise au

Arnaud Rousselle Séries chronologiques Année universitaire 2023-2024, S2 4 / 35

Exemple 1 (en image)

Figure – Chiffres d’affaires yt (en K¤) de la t e période (Exemple 1).

Ici, le nombre d’années est n = 4, le nombre de périodes par année est p = 4 et on

On a relevé la consommation mensuelle en eau, exprimée en Hm3 , d’un

Arnaud Rousselle Séries chronologiques Année universitaire 2023-2024, S2 6 / 35

Exemple 2 (en image)

Figure – Consommation d’eau yt (en Hm3 ) au cours du t e mois (Exemple 2).

Ici, le nombre d’années est n = 3, le nombre de périodes par année est p = 12 et

Arnaud Rousselle Séries chronologiques Année universitaire 2023-2024, S2 7 / 35

Pour toute série chronologique, trois questions essentielles se posent :

Arnaud Rousselle Séries chronologiques Année universitaire 2023-2024, S2 8 / 35

Arnaud Rousselle Séries chronologiques Année universitaire 2023-2024, S2 9 / 35

2 Analyse d’une série chronologique

3 Estimation des composantes

Arnaud Rousselle Séries chronologiques Année universitaire 2023-2024, S2 10 / 35

Décomposition d’une série chronologique

On veut écrire toute valeur yt d’une série chronologique sous la forme :

où f est une certaine fonction et :

Arnaud Rousselle Séries chronologiques Année universitaire 2023-2024, S2 11 / 35

Graphiquement, on constate que les chiffres d’affaires ont tendance à augmenter

On voit que le chiffre d’affaire présente des ≪ pics positifs ≫ au 4e trimestre de

La composante aléatoire est plus délicate à visualiser. Elle correspond aux

Arnaud Rousselle Séries chronologiques Année universitaire 2023-2024, S2 12 / 35

composante aléatoire de la série au temps t.

Le modèle additif est adapté pour l’Exemple 2.

Figure – Consommation d’eau yt (en Hm3 ) au cours du t e mois de l’Exemple 2 (bleu) et

Arnaud Rousselle Séries chronologiques Année universitaire 2023-2024, S2 14 / 35

composante aléatoire de la série au temps t.

Arnaud Rousselle Séries chronologiques Année universitaire 2023-2024, S2 16 / 35

2 Analyse d’une série chronologique

3 Estimation des composantes

Arnaud Rousselle Séries chronologiques Année universitaire 2023-2024, S2 17 / 35

Estimation de la tendance générale

Une première méthode possible pour estimer la tendance générale gt est

Arnaud Rousselle Séries chronologiques Année universitaire 2023-2024, S2 18 / 35

Moyennes mobiles (exemples)

(2) 1  yt−1 yt+1 

2 Lorsque k est un multiple de p, la composante saisonnière n’influe pas sur la

Estimation de la tendance générale

Autrement dit, on peut considérer que :

Arnaud Rousselle Séries chronologiques Année universitaire 2023-2024, S2 20 / 35

L’estimation de la tendance des chiffres d’affaires trimestriels de l’Exemple 1 par

Arnaud Rousselle Séries chronologiques Année universitaire 2023-2024, S2 21 / 35

Exemple 1 (suite et image)

Figure – Chiffres d’affaires yt (en K¤) du t e trimestre (bleu, Exemple 1) et estimation

Arnaud Rousselle Séries chronologiques Année universitaire 2023-2024, S2 22 / 35

Les valeurs approchées à une décimale de l’estimation de la tendance la

Arnaud Rousselle Séries chronologiques Année universitaire 2023-2024, S2 23 / 35

Exemple 2 (suite en image)

Figure – Consommation d’eau yt (en Hm3 ) au cours du t e mois (bleu, Exemple 2) et

Arnaud Rousselle Séries chronologiques Année universitaire 2023-2024, S2 24 / 35

(2) 1 yt−1 yt+1