31-1-2005

Séries chronologiques
Nino Silverio

Support de cours provisoire pour

l’unité de valeur “Mathématiques
et statistiques” destiné aux classes
du BTS Comptabilité-Gestion de
l’ECG.

Introduction

DÉFINITION Une série chronologique est une série statistique ordonnée en fonction
du temps. Exemples : le cours journalier en bourse (à la clôture) d’une
action, la température extérieure relevée à un même endroit à 15h, etc.
L’étude de ces séries est intéressante car elle peut permettre de prévoir
l’évolution du phénomène observé dans le temps.

Voici une série chronologique (source Statec) indiquant le nombre de

victimes dans des accidents de la route au Luxembourg :
Nombre de Nombre de
Année Année
victimes victimes
1970 2497 1991 1725
1980 2380 1992 1725
1981 2239 1993 1720
1982 2034 1994 1616
1983 2193 1995 1730
1984 2185 1996 1609
1985 2075 1997 1559
1986 2062 1998 1575
1987 1749 1999 1588
1988 1946 2000 1331
1989 1914 2001 1246
1990 1846

1
 Introduction

Cette série chronologique peut être représentée graphiquement de la

façon suivante :

COMPOSANTES Sur la représentation graphique d’une série chronologique, on peut

distinguer les composantes fondamentales suivantes :
• le mouvement de tendance générale ou trend indiquant l’évolution
générale du phénomène étudié
• les mouvements cycliques sur une grande période autour du trend.
Ces mouvements peuvent être périodiques (exemple : récession et
expansion économique, etc.)
• les mouvements saisonniers ou variations saisonnières sont des
variations se reproduisant périodiquement à des moments bien
déterminés (exemple : vente de mazout avant l’hiver, etc.)
• les mouvements accidentels ou résiduels sont dus à des facteurs
exceptionnels pour la plupart imprévisibles (grève, risque de
guerre, etc.)

2 Séries chronologiques
 Estimation de la tendance

Estimation de la tendance

Il est clair qu’afin de pouvoir estimer la tendance, c’est-à-dire le

mouvement d’un phénomène observé sur un grand intervalle de
temps, il faut disposer d’une série statistique sur une longue période.

Disposant de ces données, le premier travail consiste à effectuer une

représentation graphique adéquate permettant d’avoir une vue globale
du phénomène étudié.

MOYENNES MOBILES Afin d’éliminer ou d’amortir les mouvements cycliques, saisonniers et

accidentels, on utilise la technique des moyennes mobiles. On procède
ainsi en quelque sorte au lissage de la courbe.

Le principe de cette méthode est de construire une nouvelle série

obtenue en calculant des moyennes arithmétiques successives de
longueur p fixe à partir des données originales. Chacune de ces
moyennes obtenues correspondra au “milieu” de la période pour
laquelle la moyenne arithmétique vient d’être calculée.

Exemple : le tableau ci-dessous contient des mesures d’un phénomène

relevées à 9 instants différents.

t1 t2 t3 t4 t5 t6 t7 t8 t9
4 6 5 3 7 5 4 3 6

Si nous calculons les moyennes mobiles d’ordre 3, nous obtenons les

valeurs suivantes :

t1 t2 t3 t4 t5 t6 t7 t8 t9
4 6 5 3 7 5 4 3 6
5.00 4.67 5.00 5.00 5.33 4.00 4.33

+ 5 + 4- = 16
La moyenne mobile d’ordre 3 pour t 6 vaut 7-------------------- ------ ≈ 5.33 On
3 3
constate que, vu la façon de calculer ces moyennes, les deux valeurs
extrêmes pour t 1 et t 9 ont disparu, c’est-à-dire une de chaque côté.

En calculant les moyennes mobiles d’ordre 5, nous aurons :

t1 t2 t3 t4 t5 t6 t7 t8 t9
4 6 5 3 7 5 4 3 6
5 5.2 4.8 4.4 5

Séries chronologiques 3
 Estimation de la tendance

Exemple : la valeur pour t 4 vaut 6---------------------------------------

+ 5 + 3 + 7 + 5- = 26 ------ = 5.2 Cette
5 5
fois-ci les deux valeurs extrêmes de la série sont perdues. On constate
que si p est impair, donc de la forme p = 2k + 1 , à chaque extrémité k
valeurs sont perdues.

En représentant graphiquement ces résultats, nous remarquons bien la

tendance au “lissage” de la représentation orginale avec l’utilisation de
la technique des moyennes mobiles.

En choississant p pair, nous sommes confrontés au problème que les

moyennes obtenues ne correspondront pas à une abscisse existante,
mais chevaucheront entre deux de ces valeurs.

Exemple : dans la série chronolgique précédente, si nous calculons les

moyennes mobiles d’ordre 4, nous obtenons des valeurs pour t 2.5 ,
t 3.5 , etc., ce qui n’est pas pratique. C’est pour cette raison qu’on
calcule une moyenne sur 5 valeurs mais en prenant soin de pondérer
les deux valeurs extrêmes par 1 ⁄ 2 au lieu de 1 pour les autres valeurs.
Il faut quand même veiller à diviser par 4 (et non par 5) ! Ceci nous
garantit que chaque valeur n’est prise en compte qu’une seule fois.

4 Séries chronologiques
 Estimation de la tendance

Nous aurons donc les moyennes mobiles d’ordre 4 suivantes :

t1 t2 t3 t4 t5 t6 t7 t8 t9
4 6 5 3 7 5 4 3 6
4.88 5.13 4.88 4.75 4.63

Pour mieux comprendre, voici le calcul pour t 3 de la moyenne mobile

1
4 ⋅ 1--- + 6 + 5 + 3 + 7 ⋅ ---
2 2
- = 39
d’ordre 4 : t 3 = ------------------------------------------------------- ------ = 4.875
4 8

AJUSTEMENT ANALYTIQUE Si les données (brutes ou lissées) sur le graphique se présentent sous
une forme ressemblant à une courbe connue (droite, parabole,
exponentielle, etc.), on peut essayer de dégager une forme analytique
pour cette courbe.

Nous ajustons cette courbe avec les méthodes étudiées au chapitre

précédent.

Le graphique ci-dessus représente les mêmes données que dans

l’exemple initial du chapitre, mais cette fois-ci, le graphique contient
une approximation linéaire du trend réalisée automatiquement par
Excel ainsi que les deux droites de régression calculées avec les
formules vues dans le chapitre précédent.

Séries chronologiques 5
 Estimation des mouvements saisonniers

Estimation des mouvements saisonniers

MODÈLE ADDITIF, Pour effectuer l’analyse des mouvements saisonniers, on essaie

MODÈLE MULTIPLICATIF
d’abord de déterminer si on est en présence d’une série dans laquelle
pour une observation O donnée :
• la variation saisonnière S s’ajoute simplement à la résultante des
autres composantes R ; O = R + S
c’est le modèle additif
• la variation saisonnière S est proportionnelle à la résultante des
autres composantes R :
S = cR et alors O = S + R = cR + R = R ( 1 + c )
c’est le modèle multiplicatif.

Afin de faire cette distinction, on peut se baser sur une méthode

graphique ou utiliser une méthode analytique. Nous étudions ces
méthodes sur un exemple concret en nous basant sur la série
chronologique “Nouvelles immatriculations de voitures particulières,
commerciales et utilitaires neuves selon le mois (source Statec)” :

Septembre

Novembre

Décembre
Octobre
Janvier

Février
Année

Juillet
Mars

Avril

Août
Juin
Mai

1996 2006 3224 3789 4153 3100 2527 3015 1504 1847 2314 1673 1602
1997 2247 3862 3586 4047 2838 2727 2730 1648 2007 2450 1966 1695
1998 2433 3723 4325 4493 3399 3083 3247 1928 2377 2831 2388 2126
1999 3127 4437 5478 4384 3552 3678 3611 2260 2699 3071 2510 2182
2000 3016 4671 5218 4746 4814 3545 3341 2439 2637 3085 2737 2055

MÉTHODE DU PROFIL Pour faire cette détermination (modèle additif, multiplicatif)

graphiquement, on peut par exemple superposer les saisons
représentées par des droites de profil sur un même graphique. Si ces
droites sont parallèles, le modèle est additif, autrement le modèle est
multiplicatif.

Sur le graphique de notre exemple, les droites de profil ne sont pas

parallèles pour toutes les saisons, le modèle est multiplicatif. Ceci est
confirmé en utilisant une autre méthode graphique : la méthode de la
bande.

MÉTHODE DE LA BANDE On fait un graphique représentant la série chronologique, puis on trace

une droite passant respectivement par les minima et par les maxima de
chaque saison. Si ces deux droites sont parallèles, nous sommes en

6 Séries chronologiques
Estimation des mouvements saisonniers

présence d’un modèle additif. Dans le cas contraire, c’est un modèle

multiplicatif.

Sur cet exemple, nous constatons que les deux droites ne sont pas
parallèles, nous sommes donc en présence d’un modèle multiplicatif.

Séries chronologiques 7
 Correction des variations saisonnières

MÉTHODE ANALYTIQUE On calcule les moyennes et écarts-types pour chacune des périodes
considérées et on calcule la droite des moindres carrés σ = ax + b . Si
a est nul, c’est un modèle additif, si a ≠ 0 , le modèle est multiplicatif.
Moyenne Écart-type
1996 2562.8 850.7
1997 2650.3 782.3
1998 3029.4 803.6
1999 3415.8 946.6
2000 3525.3 1023.4

En calculant la droite des moindres carrés, on obtient a = 0.195 et

b = 289.037, ce qui confirme encore une fois que pour cet exemple,
nous sommes bien en présence d’un modèle multiplicatif.

Correction des variations saisonnières

DONNÉES Dans beaucoup de situations, il est préférable de travailler sur des

DÉSAISONNALISÉES données qui ne sont pas affectées par un mouvement saisonnier. C’est
pour cela que l’on transforme la série chronologique initiale en
données désaisonnalisées ou corrigées des variations saisonnières.

MODÈLE ADDITIF Considérons la série statistique des chiffres d’affaires trimestriels (en
milliers d’€) d’une entreprise [3].

Trim 1 Trim 2 Trim 3 Trim 4 Trim 1 Trim 2 Trim 3 Trim 4 Trim 1 Trim 2 Trim 3 Trim 4 Trim 1 Trim 2 Trim 3 Trim 4

120 181 71 119 128 190 73 124 140 196 84 133 145 206 96 142

Le modèle de la série statistique est bien additif, pour s’en convaincre,

il suffit d’employer la méthode de la bande et de constater que la
droite qui passe par les maxima et celle qui passe par les minima sont
parallèles.

Calculons les moyennes mobiles d’ordre 4 (puisque nous sommes en

présence d’une série dont la périodicité est de 4 trimestres).

Ensuite nous déterminons les différences saisonnières, c’est-à-dire les

différences entre les valeurs de la série statistique de départ et les
valeurs des moyennes mobiles correspondantes.

8 Séries chronologiques
 Correction des variations saisonnières

Ces différences vont nous

servir pour obtenir les
cœfficients saisonniers non
corrigés trimestriels.

Les cœfficients saisonniers

ne sont en fait que les
moyennes des différences
saisonnières pour chacun des
trimestres.

Par exemple pour le premier

trimestre, nous obtenons :
(------------------------------------------------
0.75 + 5.38 + 1.50 )-
≈ 2.54
3

Nous calculons de cette manière les

quatre cœfficients saisonniers.

Nous supposons que la composante

saisonnière est strictement périodique.
L’effet net de la composante
saisonnière sur une période doit être
nul car il est repris dans la tendance générale de la série
chronologique. Ceci nous amène donc à rectifier les cœfficients
saisonniers non corrigés en leur retranchant la moyenne des
cœfficients saisonniers pour toutes les périodes.

Séries chronologiques 9
 Correction des variations saisonnières

Disposant maintenant des cœfficients

saisonniers corrigés, nous pouvons
désaisonnaliser la série chronologique
en retranchant de chacune des valeurs
initiales la valeur du cœfficient
saisonnier correspondant.

Le graphique ci-dessous reprend la série

chronologique de départ ainsi que la
série chronologique désaisonnalisée.

MODÈLE MULTIPLICATIF Nous verrons deux techniques pour désaisonnaliser une série
statistique dans l’hypothèse d’un modèle multiplicatif, de loin le plus
fréquent en pratique.

MÉTHODE DES MOYENNES En utilisant la méthode des moyennes mobiles, nous calculons les
MOBILES moyennes mobiles d’ordre égal au nombre de périodes de la saison
(mois, trimestre, année, etc.).
Tableau des moyennes mobiles d'ordre 12
Septembre

Novembre

Décembre
Octobre
Janvier

Février
Année

Juillet
Mars

Avril

Août
Juin
Mai

1996 2573 2610 2628 2615 2599 2597

1997 2593 2587 2600 2612 2630 2646 2658 2660 2685 2734 2776 2815

10 Séries chronologiques
 Correction des variations saisonnières

1998 2851 2884 2911 2942 2976 3011 3058 3117 3195 3238 3240 3271
1999 3311 3340 3368 3391 3406 3413 3411 3416 3415 3419 3487 3534
2000 3517 3514 3518 3516 3526 3531

Après avoir calculé ces moyennes, on calcule les rapports saisonniers

qui sont égaux aux données de la série d’origine divisées par les
moyennes mobiles correspondantes.
Tableau des rapports saisonniers

Septembre

Novembre

Décembre
Octobre
Janvier

Février
Année

Juillet
Mars

Avril

Août
Juin
Mai
1996 1.17 0.58 0.70 0.88 0.64 0.62
1997 0.87 1.49 1.38 1.55 1.08 1.03 1.03 0.62 0.75 0.90 0.71 0.60
1998 0.85 1.29 1.49 1.53 1.14 1.02 1.06 0.62 0.74 0.87 0.74 0.65
1999 0.94 1.33 1.63 1.29 1.04 1.08 1.06 0.66 0.79 0.90 0.72 0.62
2000 0.86 1.33 1.48 1.35 1.37 1.00

CŒFFICIENTS Nous effectuons ensuite les moyennes des rapports saisonniers pour
SAISONNIERS chacune des périodes de la saison. Ces moyennes sont les cœfficients
saisonniers.
Cœfficients saisonniers
Septembre

Novembre

Décembre
Octobre
Février
Janvier

Juillet
Mars

Avril

Août
Juin
Mai

Somme

0.88 1.36 1.49 1.43 1.16 1.03 1.08 0.62 0.75 0.89 0.70 0.62 12.012

On admet en général que la somme des cœfficients saisonniers est

égale au nombre de périodes de la saison, dans notre exemple égale à
12 ou que la moyenne des cœfficients saisonniers est égale à 1. Dans
notre cas, elle vaut 1.001.

Nous corrigeons les valeurs calculées en les divisant par cette

moyenne.
Cœfficients saisonniers corrigés
Septembre

Novembre

Décembre
Octobre
Janvier

Février

Juillet
Mars

Avril

Août
Juin
Mai

Somme

0.88 1.36 1.49 1.43 1.16 1.03 1.08 0.62 0.75 0.89 0.70 0.62 12.00

Séries chronologiques 11
 Correction des variations saisonnières

Disposant des cœfficients saisonniers corrigés, l’obtention de la série

chronologique désaisonnalisée est immédiate : il suffit de diviser
chaque valeur de la série d’origine par le cœfficient saisonnier corrigé
de la période correspondante.
Série chronologique corrigée des variations saisonnières

Septembre

Novembre

Décembre
Octobre
Janvier

Février

Juillet
Mars

Avril

Août
Juin
Mai
Année

1996 2281 2372 2539 2908 2681 2447 2795 2432 2478 2608 2385 2580
1997 2555 2842 2403 2834 2455 2640 2531 2665 2692 2761 2803 2730
1998 2766 2740 2899 3146 2940 2985 3010 3118 3189 3190 3405 3424
1999 3555 3265 3671 3070 3072 3561 3348 3655 3621 3461 3578 3514
2000 3429 3437 3497 3323 4164 3432 3097 3944 3538 3476 3902 3309

Voici une représentation graphique sur laquelle nous avons reporté les
données originales ainsi que les données corrigées des variations
saisonnières.

MÉTHODE DES RAPPORTS Une autre façon de procéder pour désaisonnaliser une série
À LA TENDANCE chronologique consiste à calculer la droite de régression des données
en fonction des n périodes de la saison.

12 Séries chronologiques
 Correction des variations saisonnières

Dans notre exemple, nous établissons la droite de régression des

ventes par rapport aux 60 (12 fois 5 saisons) périodes. Cette droite est
d’équation y = 14.64x + 2590.08 .

Calculons alors les valeurs pour chacune des périodes en nous basant
sur la droite de régression que nous venons d’établir. Nous obtenons le
tableau suivant :
Valeurs basées sur la droite de régression
y = 14.64x + 2590.08

Septembre

Novembre

Décembre
Octobre
Janvier

Février

Juillet
Mars

Avril

Août
Juin
Mai
Année

1 2 3 4 5 6 7 8 9 10 11 12
1996 2605 2619 2634 2649 2663 2678 2693 2707 2722 2737 2751 2766
1997 2780 2795 2810 2824 2839 2854 2868 2883 2898 2912 2927 2942
1998 2956 2971 2985 3000 3015 3029 3044 3059 3073 3088 3103 3117
1999 3132 3147 3161 3176 3190 3205 3220 3234 3249 3264 3278 3293
2000 3308 3322 3337 3352 3366 3381 3395 3410 3425 3439 3454 3469

Pour obtenir les rapports saisonniers, il suffit de diviser les valeurs

originales par celles obtenues en se basant sur la droite de régression.
Tableau des rapports saisonniers
Septembre

Novembre

Décembre
Octobre
Janvier

Février

Juillet
Mars

Avril

Août
Juin
Mai

Année

1996 0.77 1.23 1.44 1.57 1.16 0.94 1.12 0.56 0.68 0.85 0.61 0.58
1997 0.81 1.38 1.28 1.43 1.00 0.96 0.95 0.57 0.69 0.84 0.67 0.58
1998 0.82 1.25 1.45 1.50 1.13 1.02 1.07 0.63 0.77 0.92 0.77 0.68
1999 1.00 1.41 1.73 1.38 1.11 1.15 1.12 0.70 0.83 0.94 0.77 0.66
2000 0.91 1.41 1.56 1.42 1.43 1.05 0.98 0.72 0.77 0.90 0.79 0.59

Nous calculons ensuite la moyenne pour chaque période obtenant

ainsi les cœfficients saisonniers.
Cœfficients saisonniers
Septembre

Novembre

Décembre
Octobre
Janvier

Février

Juillet
Mars

Avril

Août
Juin
Mai

Somme

0.86 1.34 1.49 1.46 1.17 1.02 1.05 0.63 0.75 0.89 0.72 0.62 12.00

Séries chronologiques 13
 Correction des variations saisonnières

Nous n’avons pas besoin d’ajuster ces cœfficients puisque leur somme
vaut 12 (nombre de périodes par saison).

Finalement, nous obtenons de la même façon que précédemment les

valeurs de la série chronologique corrigées des variations
saisonnières :
Série chronologique corrigée des variations saisonnières

Septembre

Novembre

Décembre
Octobre
Janvier

Février

Juillet
Mars

Avril

Août
Juin
Mai
Année

1996 2326 2412 2539 2846 2657 2471 2875 2371 2466 2605 2319 2590
1997 2606 2890 2403 2774 2432 2667 2603 2598 2679 2758 2725 2740
1998 2821 2786 2899 3079 2913 3015 3096 3039 3173 3187 3310 3437
1999 3626 3320 3671 3005 3044 3597 3443 3563 3603 3457 3479 3528
2000 3497 3495 3497 3253 4125 3467 3186 3845 3520 3473 3793 3322

Voici pour terminer une représentation graphique de la série originale,

de la droite de régression et de la série désaisonnalisée.

14 Séries chronologiques
Exercices non résolus

Exercices non résolus

1. En vous basant sur la série chronologique suivante (source
BelgoStat), que pouvez vous dire sur la consommation de gaz-oil et
fuel léger en Belgique ? Quelles sont vous prévisions pour les six
premiers mois de l’année 2002 ?
Pétrole (milliers de tonnes) Gas-oil et fuel-oil léger
déc-01 1083 déc-00 1087 déc-99 962
nov-01 921 nov-00 964 nov-99 1032
oct-01 753 oct-00 946 oct-99 993
sept-01 1106 sept-00 735 sept-99 793
août-01 883 août-00 840 août-99 808
juil-01 776 juil-00 635 juil-99 637
juin-01 708 juin-00 664 juin-99 683
mai-01 773 mai-00 811 mai-99 729
avr-01 950 avr-00 915 avr-99 806
mars-01 1071 mars-00 973 mars-99 1168
févr-01 939 févr-00 1048 févr-99 1135
janv-01 1199 janv-00 993 janv-99 1002
2. Voici une série statistique trimestrielle (source BelgoStat) sur le
degré d'utilisation de la capacité de production en % dans les
secteurs briques, ciment, céramique pour le bâtiment et l'industrie,
verre plat. Quelles conclusions pouvez-vous en tirer ?
1995T1 86 1999T1 75.7
1995T2 86 1999T2 81.8
1995T3 85.6 1999T3 80.9
1995T4 84.6 1999T4 84.8
1996T1 80.9 2000T1 72
1996T2 79.7 2000T2 78.5
1996T3 81.6 2000T3 81.8
1996T4 81.5 2000T4 81.4
1997T1 77.5 2001T1 83.2
1997T2 77.6 2001T2 82.6
1997T3 79.9 2001T3 84.1
1997T4 88.1 2001T4 82.7
1998T1 82.3 2002T1 77.9
1998T2 87 2002T2 79
1998T3 85 2002T3 83.6
1998T4 84.7 2002T4 83.6

Séries chronologiques 15
 Références

Références
[1] Michel Janvier, Statistique descriptive avec ou sans tableur,
Dunod, 1999
[2] David M. Levine, Mark L. Berenson, David Stephan, Statistics for
managers, Prentice Hall, 1999
[3] J.-L. Monino, J.-M. Kosianski, F. Le Cornu, Statistique
descriptive, Dunod, 2000
[4] M. Boissonade, A. M. Halbique, Statistique et probabilités, Ligel,
1968

16 Séries chronologiques