Aller au contenu
Séries temporelles et analyse prédictive · L3

Leçon 1 sur 5

Composantes : tendance, saisonnalité et bruit

Je sais décomposer une série temporelle en tendance, saisonnalité et bruit, choisir entre un modèle additif et un modèle multiplicatif, et produire une première prévision par extrapolation de la tendance.

  • 1 h 20
  • 6 exercices corrigés
  • QCM de 7 questions

À la fin de la leçon, vous saurez :

  • Définir une série temporelle et ses principales composantes
  • Choisir entre un schéma additif et un schéma multiplicatif à partir du graphique
  • Calculer une moyenne mobile centrée et des coefficients saisonniers
  • Désaisonnaliser une série et ajuster une tendance linéaire par les moindres carrés
  • Prévoir une valeur future en recomposant tendance et saisonnalité

Avant de commencer : Statistique descriptive, régression linéaire simple (moindres carrés) et notions de base de Python.

1Je découvre

Mariama vient de terminer sa licence et a fondé à Conakry un petit cabinet d'analyse de données, que nous appellerons Nafa Analytics. Son premier client est une coopérative de producteurs de pommes de terre du Fouta, près de Timbi-Madina. Le président de la coopérative lui tend un cahier : les ventes de la coopérative, en tonnes, trimestre par trimestre, depuis trois ans.

« Chaque année, c'est la même chose, dit-il. Certains trimestres, on manque de sacs et de camions ; d'autres, les magasins débordent. On aimerait savoir combien on vendra l'an prochain, trimestre par trimestre, pour réserver les camions à l'avance. »

Mariama remarque deux choses en recopiant les chiffres : les ventes augmentent d'année en année, et le quatrième trimestre est toujours le plus fort. Mais d'un trimestre à l'autre, il reste aussi des petites variations sans explication évidente.

Comment séparer, dans une suite de mesures datées, ce qui relève de la tendance, ce qui revient à chaque saison et ce qui n'est que du hasard, pour pouvoir prévoir ?

2Je comprends

1. Qu'est-ce qu'une série temporelle ?

Une série temporelle (ou chronologique) est une suite d'observations y1, y2, …, yn d'une même grandeur, mesurée à des dates régulièrement espacées : chaque heure, chaque jour, chaque mois, chaque trimestre. L'indice t est le temps ; l'ordre des observations porte de l'information et ne peut pas être modifié.

C'est la grande différence avec un échantillon classique : en statistique descriptive, on suppose souvent des observations indépendantes. Ici, au contraire, la valeur d'aujourd'hui dépend en général de celle d'hier. C'est cette dépendance temporelle que l'on exploite pour prévoir.

DomaineExemple de sérieFréquencePériode saisonnière s
Agricultureventes de la coopérativetrimestrielle4
Climatpluie tombée à une station de Labémensuelle12
Commerceprix du sac de riz au marché de Madinamensuelle12
Énergieconsommation d'un mini-réseau à Kankanhoraire24 (et 168 pour la semaine)
Santéconsultations dans un centre de santé de Kindiahebdomadaire52 environ

La première chose à faire, toujours, est de tracer la série (le temps en abscisse) : on voit immédiatement une éventuelle tendance, des cycles réguliers, des valeurs aberrantes ou des ruptures.

2. Les quatre composantes

On décrit classiquement une série comme la combinaison de quatre composantes :

ComposanteNotationCe qu'elle représenteExemple
TendanceTtévolution de fond, à long termehausse régulière de la production
CycleCtfluctuations longues, non périodiques (plusieurs années)conjoncture économique
SaisonnalitéStmotif qui se répète avec une période fixe spic de ventes au 4e trimestre
Bruit (résidu, aléa)εtvariations irrégulières, imprévisiblesune panne de camion, une pluie inhabituelle

Sur des séries courtes, on ne peut pas distinguer le cycle de la tendance : on les regroupe en une seule composante « tendance-cycle », notée Tt.

Deux schémas de composition sont utilisés :

  • schéma additif : yt = Tt + St + εt. L'amplitude des variations saisonnières est constante dans le temps. Les coefficients saisonniers s'expriment dans l'unité de la série (des tonnes) et leur somme sur une période vaut 0.
  • schéma multiplicatif : yt = Tt × St × εt. L'amplitude saisonnière grandit avec le niveau de la série. Les coefficients sont sans unité (par exemple 1,15 signifie « 15 % au-dessus de la tendance ») et leur moyenne sur une période vaut 1.
Schéma additif                    Schéma multiplicatif
   |   *       *       *            |                     *
   |  * *     * *     * *           |           *        * *
   | *   *   *   *   *   *          |  *       * *      *   *
   |*     * *     * *     *         | * *     *   *    *     *
   |       *       *                |*   *  **     ****
   +------------------------> t     +------------------------> t
   écarts saisonniers constants      écarts qui grandissent avec le niveau

Passer au logarithme transforme un schéma multiplicatif en schéma additif : ln yt = ln Tt + ln St + ln εt. C'est une astuce très utilisée pour les prix et les séries économiques.

3. Estimer la tendance par moyenne mobile

Une moyenne mobile remplace chaque valeur par la moyenne des valeurs qui l'entourent. Si l'on prend une fenêtre égale à la période s, chaque moyenne contient exactement une fois chaque saison : la saisonnalité disparaît et le bruit est atténué. Il reste une estimation de la tendance.

Quand s est pair (4 trimestres, 12 mois), une moyenne de 4 valeurs tombe « entre deux dates ». On utilise alors la moyenne mobile centrée d'ordre 4, qui donne un poids 12 aux deux extrémités :

Mt = 14(12yt-2 + yt-1 + yt + yt+1 + 12yt+2)

On perd deux valeurs au début et deux à la fin de la série. Voici les ventes de la coopérative (en tonnes) :

AnnéeT1T2T3T4
202342302551
202446332857
202550373162

Exemple

Calcul de la première moyenne mobile centrée (t = 3, troisième trimestre 2023) :

  1. Valeurs utilisées : y1 = 42, y2 = 30, y3 = 25, y4 = 51, y5 = 46.
  2. M3 = (0,5 × 42 + 30 + 25 + 51 + 0,5 × 46) / 4 = (21 + 30 + 25 + 51 + 23) / 4 = 150 / 4 = 37,5.
  3. De même : M4 = 38,375 ; M5 = 39,125 ; M6 = 40,25 ; M7 = 41,5 ; M8 = 42,5 ; M9 = 43,375 ; M10 = 44,375.
  4. Les moyennes mobiles croissent régulièrement : la tendance est à la hausse, d'environ 1 tonne par trimestre.

4. Coefficients saisonniers et série désaisonnalisée

Dans le schéma additif, l'écart yt - Mt contient la saisonnalité et le bruit. En faisant la moyenne de ces écarts pour une même saison, le bruit se compense : on obtient le coefficient saisonnier de cette saison.

Méthode

  1. Calculer les moyennes mobiles centrées M_t (période s).
  2. Calculer les écarts d_t = y_t − M_t (schéma additif) ou les rapports y_t / M_t (schéma multiplicatif).
  3. Pour chaque saison j, faire la moyenne des écarts disponibles : S_j provisoire.
  4. Normaliser : retrancher la moyenne des S_j (additif, somme nulle) ou diviser par leur moyenne (multiplicatif, moyenne égale à 1).
  5. Désaisonnaliser : CVS_t = y_t − S_j (additif) ou y_t / S_j (multiplicatif).
  6. Ajuster une tendance sur la série CVS, puis prévoir en recomposant : prévision = tendance + S_j.

Exemple

Coefficients saisonniers de la coopérative (schéma additif) :

  1. Écarts y_t − M_t : T3 2023 : 25 − 37,5 = −12,5 ; T4 2023 : 12,625 ; T1 2024 : 6,875 ; T2 2024 : −7,25 ;

T3 2024 : −13,5 ; T4 2024 : 14,5 ; T1 2025 : 6,625 ; T2 2025 : −7,375.

  1. Moyennes par trimestre :

T1 : (6,875 + 6,625) / 2 = 6,75 T2 : (−7,25 − 7,375) / 2 = −7,3125

T3 : (−12,5 − 13,5) / 2 = −13 T4 : (12,625 + 14,5) / 2 = 13,5625

  1. Somme : 6,75 − 7,3125 − 13 + 13,5625 = 0. Aucune correction n'est nécessaire ici.
  2. Lecture : au 4e trimestre, on vend en moyenne 13,6 tonnes de plus que la tendance ; au 3e, 13 tonnes de moins.

La série corrigée des variations saisonnières (CVS) s'obtient en retirant le coefficient de chaque trimestre. Pour 2023 : 42 - 6,75 = 35,25 ; 30 + 7,3125 = 37,3125 ; 25 + 13 = 38 ; 51 - 13,5625 = 37,4375. La série CVS est celle que publient les instituts statistiques quand ils comparent un mois au mois précédent : elle permet de savoir si une hausse est « réelle » ou simplement saisonnière.

5. Ajuster la tendance et prévoir

On ajuste sur la série CVS une droite Tt = a + b t par la méthode des moindres carrés (régression de la CVS sur le temps t = 1, …, n) :

b = Σ (t - t)(CVSt - CVS)Σ (t - t)2, a = CVS - b t

Exemple

Tendance et prévisions pour 2026 :

  1. Ici n = 12, moyenne de t : 6,5 ; moyenne de la série CVS : 41.
  2. Somme des produits croisés : 145,875 ; somme des (t − 6,5)² : 143.
  3. b = 145,875 / 143 ≈ 1,0201 tonne par trimestre ; a = 41 − 1,0201 × 6,5 ≈ 34,369.
  4. Tendance prolongée : t = 13 → 47,63 ; t = 14 → 48,65 ; t = 15 → 49,67 ; t = 16 → 50,69.
  5. Recomposition (tendance + coefficient saisonnier) :

T1 2026 : 47,63 + 6,75 ≈ 54,4 t T2 2026 : 48,65 − 7,31 ≈ 41,3 t

T3 2026 : 49,67 − 13 ≈ 36,7 t T4 2026 : 50,69 + 13,56 ≈ 64,3 t

  1. Conseil à la coopérative : prévoir environ 197 tonnes sur l'année, dont un tiers au 4e trimestre.

Les résidus CVSt - Tt (ici entre -1,6 et +1,8 tonne) estiment le bruit. S'ils sont petits et sans structure visible, la décomposition est satisfaisante. S'ils montrent encore un motif, il reste de l'information à modéliser : c'est l'objet des leçons 3 et 4.

6. La décomposition avec Python

En pratique, on n'effectue pas ces calculs à la main. Le code suivant, qui n'utilise que pandas et numpy, reproduit les étapes précédentes :

import numpy as np
import pandas as pd

y = pd.Series([42, 30, 25, 51, 46, 33, 28, 57, 50, 37, 31, 62], dtype=float)
# Moyenne mobile centrée d'ordre 4 : poids 1/8, 1/4, 1/4, 1/4, 1/8
poids = np.array([0.5, 1, 1, 1, 0.5]) / 4
M = y.rolling(5, center=True).apply(lambda v: np.dot(v, poids))
d = y - M
trimestre = np.arange(len(y)) % 4
S = d.groupby(trimestre).mean()
S = S - S.mean()                       # somme nulle
cvs = y - S.values[trimestre]
t = np.arange(1, len(y) + 1)
b, a = np.polyfit(t, cvs, 1)           # pente puis ordonnée à l'origine
prev = [a + b * h + S.values[(h - 1) % 4] for h in range(13, 17)]
print(S.round(4).tolist(), round(a, 3), round(b, 4), np.round(prev, 1))

La bibliothèque statsmodels propose la même chose en une ligne : seasonal_decompose(y, model="additive", period=4), ainsi que la méthode STL, plus robuste aux valeurs aberrantes.

3Je retiens

Je retiens

Une série temporelle est une suite d'observations datées à intervalles réguliers ; l'ordre compte.

Composantes : tendance (et cycle), saisonnalité de période s, bruit.

Additif : y = T + S + ε, amplitude saisonnière constante, coefficients de somme nulle.

Multiplicatif : y = T × S × ε, amplitude proportionnelle au niveau, coefficients de moyenne 1.

Le logarithme transforme un modèle multiplicatif en modèle additif.

Une moyenne mobile centrée d'ordre s supprime la saisonnalité et estime la tendance.

Série CVS = série brute corrigée de la saisonnalité ; prévision = tendance prolongée + coefficient saisonnier.

4Erreurs fréquentes

  • Commencer les calculs sans avoir tracé la série : on rate les ruptures, les valeurs aberrantes et le bon schéma.
  • Utiliser une moyenne mobile d'ordre 4 non centrée pour une période paire : elle est décalée d'un demi-trimestre.
  • Oublier de normaliser les coefficients saisonniers (somme nulle en additif, moyenne 1 en multiplicatif).
  • Ajuster la tendance sur la série brute au lieu de la série CVS : la pente est faussée par la saisonnalité.
  • Choisir le schéma additif alors que les écarts saisonniers grandissent avec le niveau de la série.
  • Prolonger une tendance linéaire très loin dans le futur : une extrapolation ne vaut que pour un horizon court.

5Je m’exerce

1Exercice 1

(Questions de cours)

a) Qu'est-ce qui distingue une série temporelle d'un échantillon statistique ordinaire ?

b) Citez les composantes d'une série et donnez un exemple guinéen pour chacune.

c) Comment reconnaît-on graphiquement un schéma multiplicatif ?

Voir le corrigéCacher le corrigé

a) Dans une série temporelle, les observations sont ordonnées dans le temps et généralement dépendantes les unes des autres ; on ne peut pas les mélanger. Dans un échantillon ordinaire, on suppose souvent les observations indépendantes et l'ordre est sans importance.

b) Tendance (hausse de la production de pommes de terre au fil des ans) ; cycle (période de forte croissance économique sur plusieurs années) ; saisonnalité (pic de ventes de fournitures scolaires à la rentrée d'octobre) ; bruit (baisse ponctuelle due à une coupure de route).

c) Les oscillations saisonnières sont de plus en plus amples quand le niveau de la série monte : l'écart entre le pic et le creux est proportionnel au niveau.

2Exercice 2

Pour chaque série, donnez la période saisonnière s la plus probable : a) consommation électrique horaire d'un quartier de Kankan ; b) prix mensuel du sac de riz ; c) nombre trimestriel de touristes ; d) fréquentation quotidienne d'un marché qui se tient chaque semaine.

Voir le corrigéCacher le corrigé

a) s = 24 (cycle jour-nuit), avec souvent une seconde saisonnalité hebdomadaire s = 168.

b) s = 12 (cycle annuel des récoltes et de la période de soudure).

c) s = 4.

d) s = 7 (cycle hebdomadaire du jour de marché).

3Exercice 3

Une boulangerie de Kindia a vendu en moyenne, par jour, les quantités de pains suivantes, trimestre par trimestre sur deux ans : 120, 150, 90, 140, puis 130, 160, 100, 150. Calculez les moyennes mobiles centrées d'ordre 4 disponibles.

Voir le corrigéCacher le corrigé

Les moyennes mobiles centrées existent pour t = 3 à t = 6.

M3 = (0,5 × 120 + 150 + 90 + 140 + 0,5 × 130)/4 = (60 + 380 + 65)/4 = 505/4 = 126,25.

M4 = (0,5 × 150 + 90 + 140 + 130 + 0,5 × 160)/4 = (75 + 360 + 80)/4 = 515/4 = 128,75.

M5 = (0,5 × 90 + 140 + 130 + 160 + 0,5 × 100)/4 = (45 + 430 + 50)/4 = 525/4 = 131,25.

M6 = (0,5 × 140 + 130 + 160 + 100 + 0,5 × 150)/4 = (70 + 390 + 75)/4 = 535/4 = 133,75.

La tendance augmente de 2,5 par trimestre.

4Exercice 4

Dans un schéma multiplicatif trimestriel, on a obtenu les coefficients provisoires 1,20 ; 0,90 ; 0,80 ; 1,14.

a) Normalisez-les.

b) Au 2e trimestre, les ventes brutes valent 72 tonnes. Quelle est la valeur CVS ?

Voir le corrigéCacher le corrigé

a) Moyenne des coefficients : (1,20 + 0,90 + 0,80 + 1,14)/4 = 4,04/4 = 1,01. On divise chaque coefficient par 1,01 : 1,1881 ; 0,8911 ; 0,7921 ; 1,1287 (arrondis). Leur moyenne vaut bien 1.

b) CVS = 72 / 0,8911 ≈ 80,8 tonnes. Sans l'effet saisonnier défavorable du 2e trimestre, les ventes seraient d'environ 80,8 tonnes.

5Exercice 5

À partir de la décomposition de la coopérative (leçon), calculez la valeur CVS du 4e trimestre 2025 et le résidu correspondant. Que vaut la prévision du 4e trimestre 2027 ?

Voir le corrigéCacher le corrigé

CVS12 = 62 - 13,5625 = 48,4375. Tendance en t = 12 : 34,369 + 1,0201 × 12 ≈ 46,61. Résidu : 48,44 - 46,61 ≈ 1,83 tonne.

Le 4e trimestre 2027 correspond à t = 20 : tendance 34,369 + 1,0201 × 20 ≈ 54,77 ; prévision 54,77 + 13,56 ≈ 68,3 tonnes. Cette prévision à deux ans reste fragile : il faudra la mettre à jour avec les données de 2026.

6Exercice 6

(Type examen) Une pharmacie de N'Zérékoré enregistre ses ventes trimestrielles de moustiquaires (en centaines) : 2024 : 8, 14, 18, 10 ; 2025 : 10, 16, 20, 12.

a) Justifiez le choix d'un schéma additif.

b) Calculez les moyennes mobiles centrées d'ordre 4, puis les coefficients saisonniers.

c) Ajustez une tendance linéaire a + bt sur la série CVS et prévoyez le 1er trimestre 2026.

d) Proposez une explication de la saisonnalité observée.

Voir le corrigéCacher le corrigé

a) Les écarts entre trimestres restent les mêmes d'une année à l'autre (le 3e dépasse le 1er de 10 en 2024 comme en 2025) alors que le niveau monte : l'amplitude est constante, donc schéma additif.

b) Moyennes mobiles centrées : M3 = (4 + 14 + 18 + 10 + 5)/4 = 51/4 = 12,75 ; M4 = (7 + 18 + 10 + 10 + 8)/4 = 53/4 = 13,25 ; M5 = (9 + 10 + 10 + 16 + 10)/4 = 55/4 = 13,75 ; M6 = (5 + 10 + 16 + 20 + 6)/4 = 57/4 = 14,25.

Écarts : T3 2024 : 18 - 12,75 = 5,25 ; T4 2024 : 10 - 13,25 = -3,25 ; T1 2025 : 10 - 13,75 = -3,75 ; T2 2025 : 16 - 14,25 = 1,75.

Un seul écart par trimestre : S1 = -3,75 ; S2 = 1,75 ; S3 = 5,25 ; S4 = -3,25. Somme : 0, aucune correction.

c) Série CVS : 11,75 ; 12,25 ; 12,75 ; 13,25 ; 13,75 ; 14,25 ; 14,75 ; 15,25. Elle augmente exactement de 0,5 par trimestre : b = 0,5 et a = 11,75 - 0,5 = 11,25. Pour le 1er trimestre 2026 (t = 9) : tendance 11,25 + 4,5 = 15,75 ; prévision 15,75 - 3,75 = 12, soit environ 1 200 moustiquaires.

d) Les 2e et 3e trimestres correspondent à la saison des pluies, période où les moustiques sont les plus nombreux et où la demande de moustiquaires augmente.

Cherchez d’abord seul, sur votre cahier, puis ouvrez le corrigé pour comparer.

6Je vérifie

Choisissez une réponse pour chaque question : la correction s’affiche aussitôt.

1Dans un schéma additif trimestriel, les coefficients saisonniers :
Voir la réponse

Réponse B : ont une somme égale à 0. En additif, les effets saisonniers se compensent sur une année : leur somme est nulle.

2Pour estimer la tendance d'une série mensuelle, on utilise de préférence :
Voir la réponse

Réponse B : une moyenne mobile centrée d'ordre 12. Une fenêtre égale à la période contient chaque mois une fois : la saisonnalité disparaît.

3Si l'amplitude des oscillations saisonnières augmente avec le niveau de la série, on choisit :
Voir la réponse

Réponse B : un schéma multiplicatif. L'effet saisonnier est alors proportionnel au niveau : y = T × S × ε.

4Une série CVS est :
Voir la réponse

Réponse A : la série dont on a retiré l'effet saisonnier. CVS : corrigée des variations saisonnières ; elle contient encore la tendance et le bruit.

5La période saisonnière d'une consommation électrique horaire est principalement :
Voir la réponse

Réponse C : 24. Le cycle jour-nuit se répète toutes les 24 heures.

6Quelle transformation rend additif un schéma multiplicatif ?
Voir la réponse

Réponse B : le logarithme. ln(T × S × ε) = ln T + ln S + ln ε.

7Les résidus d'une bonne décomposition doivent :
Voir la réponse

Réponse C : être petits et sans structure visible. S'il reste une structure, une partie de l'information n'a pas été modélisée.

Karamö, votre enseignant

Il a lu cette leçon. Posez-lui votre question : il vous répond ici.

Connectez-vous pour poser vos questions à Karamö.

Vous avez fini la leçon ?

Avec un compte Kharandi gratuit, vous cochez les leçons terminées et vous suivez votre progression, cours par cours.

Karamö
Un point pas clair ? Dites à Karamö ce qui vous bloque dans cette leçon : il vous l’explique autrement, pas à pas, sans faire le travail à votre place. Demander à Karamö
Signaler une erreur dans cette leçon

Toutes les leçons de Séries temporelles et analyse prédictive

Pose ta question à Karamö