Exercices sur le chapitre 8
On considère les séries chronologiques ci-dessous (fichier ex1chap8.par) :
t |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
xt |
102.26 |
103.38 |
102.82 |
103.14 |
103.19 |
104.33 |
103.57 |
103.81 |
105.98 |
106.26 |
t |
11 |
12 |
13 |
14 |
15 |
16 |
17 |
18 |
19 |
20 |
xt |
105.26 |
107.18 |
108.04 |
107.86 |
107.80 |
108.41 |
107.80 |
110.78 |
108.12 |
110.69 |
Série X
t |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
yt |
100.32 |
99.11 |
99.40 |
104.39 |
102.33 |
104.71 |
105.45 |
104.07 |
105.90 |
108.26 |
t |
11 |
12 |
13 |
14 |
15 |
16 |
17 |
18 |
19 |
20 |
yt |
108.64 |
109.90 |
110.45 |
112.43 |
113.91 |
116.07 |
116.41 |
119.89 |
120.16 |
123.74 |
Série Y
1) Représenter graphiquement ces deux séries chronologiques. Existe-t-il des variations saisonnières ? Que peut-on dire des tendances ?
2) Calculer les moyennes mobiles de longueur 5 de la série X, et les moyennes mobiles de longueur 7 de la série Y. Les représenter graphiquement sur le graphique précédent. Comparer chaque série à celle de ses moyennes mobiles.
3) Ajuster la série X par une droite. étudier les résidus et conclure.
4) Ajuster la série Y par une droite et par un polynôme de degré 2. étudier les résidus et conclure.
Les deux séries chronologiques ci-dessous donnent un indice trimestriel de production xt et un indice trimestriel de consommation d’énergie yt d’une usine du groupe Mich&Lin de 1998 à 2001 :
1) Calculer les moyennes mobiles de façon à visualiser la tendance de chaque série.
2) Choisir un modèle pour chacune de ces séries.
3) Calculer les coefficients saisonniers de la productivité suivant le modèle choisi.
· on suppose que x5,1 est égale à 104.05. La comparer à l'observation x4,4.
· on suppose que x5,2 est égale à 123.12. La comparer à l'observation x4,4.
4) Calculer les coefficients saisonniers de la consommation d’énergie
suivant le modèle choisi.
1er trimestre |
2e trimestre |
3e trimestre |
4e trimestre |
|
Année 1 |
86.87944 |
110.9876 |
107.0395 |
99.15375 |
Année 2 |
96.05067 |
117.4270 |
110.3310 |
105.5378 |
Année3 |
103.9236 |
120.8415 |
116.4962 |
104.3187 |
Année 4 |
101.3419 |
124.5749 |
117.3786 |
111.8404 |
Indice de productivité (base 100 : année 1995)
|
1er trimestre |
2e
trimestre |
3e
trimestre |
4e
trimestre |
Année 1 |
194.6345 |
239.5826 |
206.1430 |
274.2622 |
Année 2 |
238.7344 |
294.5928 |
247.0071 |
335.1415 |
Année3 |
288.4445 |
355.6006 |
306.0863 |
411.2641 |
Année 4 |
352.7192 |
434.5286 |
369.4310 |
497.9561 |
Indice de consommation d’énergie (base 100 : année 1995)
5) On considère toujours l’indice de consommation d’énergie. Calculer le nombre xa,1 tel que :
· si x5,1 > xa,1, la tendance reste analogue.
· si x5,1 < xa,1, on peut penser que la tendance s'inverse.
On considère les séries chronologiques trimestrielles suivantes (fichier de paramètres chrosim.par du cédérom) :
|
1 |
2 |
3 |
4 |
|
|
1 |
2 |
3 |
4 |
1 |
115.9 |
106.1 |
89.5 |
99.3 |
|
1 |
229.8 |
266.1 |
202.8 |
207.9 |
2 |
121.2 |
107.8 |
91.3 |
101.5 |
|
2 |
272.1 |
323.8 |
248.6 |
244.9 |
3 |
120.1 |
113.5 |
97.0 |
107.0 |
|
3 |
329.8 |
402.9 |
309.8 |
310.8 |
4 |
129.5 |
116.6 |
102.5 |
108.4 |
|
4 |
401.8 |
474.3 |
382.1 |
372.7 |
5 |
132.4 |
122.3 |
105.5 |
111.8 |
|
5 |
499.6 |
593.5 |
449.7 |
470.5 |
6 |
137.5 |
124.0 |
111.9 |
119.6 |
|
6 |
593.2 |
714.8 |
563.8 |
566.6 |
|
|
Série |
1 |
|
|
|
|
Série |
2 |
|
I. On suppose que la série 1 suit le modèle additif de période 4.
1) Calculer les moyennes mobiles manquantes. Le modèle additif est-il vraisemblable ?
2) En déduire les coefficients saisonniers. On justifiera rapidement les choix effectués.
3) Les observations de l’année 7 sont les suivantes :
7 |
138.5 |
126.0 |
119.9 |
129.6 |
Calculer les valeurs désaisonnalisées. Que peut-on dire de la tendance ?
II. On considère maintenant la série 2.
1) Le modèle multiplicatif est-il vraisemblable ? Calculer les coefficients saisonniers suivant ce modèle.
2) Quelles sont les propriétés que la série doit posséder pour qu’on puisse effectuer des prévisions par le filtre de Buys Ballot ? Les résultats numériques de l’ajustement sur les observations initales sont les suivants :
Coeff. de régression b |
= |
19.12196 |
Coeff.constant |
= |
153.9713 |
Coeff. de corrélation r |
= |
0.98597 |
Variance des résidus S² |
= |
538.6254 |
s1 |
= |
23.40378 |
s2 |
= |
79.13182 |
s3 |
= |
-43.09015 |
s4 |
= |
-59.44545 |
Effectuer les prévisions pour l’année 7 et
comparer aux observations données ci-dessous :
7 |
683.2 |
788.8 |
653.8 |
656.6 |
4) Compléter le tableau des résidus obtenus à l’issue de l’ajustement. Quel est le coefficient de corrélation entre les résidus et le temps t ? Conclure en examinant la représentation graphique des résidus.
Série 1
|
1 |
2 |
3 |
4 |
1 |
|
|
103.362 |
104.237 |
2 |
104.675 |
105.175 |
105.312 |
105.887 |
3 |
107.312 |
108.712 |
110.575 |
112.137 |
4 |
113.212 |
114.075 |
114.612 |
115.687 |
5 |
116.775 |
117.575 |
118.637 |
119.487 |
6 |
120.500 |
122.275 |
|
|
Moyennes mobiles de la série 1 (longueur 4)
|
1 |
2 |
3 |
4 |
1 |
|
|
-13.862 |
-4.937 |
2 |
16.525 |
2.625 |
-14.012 |
-4.387 |
3 |
12.787 |
4.787 |
-13.57 |
-5.137 |
4 |
16.287 |
2.525 |
-12.112 |
-7.287 |
5 |
15.625 |
4.725 |
-13.137 |
-7.687 |
6 |
17.000 |
1.725 |
|
|
Différences entre observations et moyennes mobiles
Série 2
|
1 |
2 |
3 |
4 |
1 |
|
|
231.937 |
244.437 |
2 |
257.375 |
267.725 |
279.562 |
296.662 |
3 |
314.200 |
330.087 |
347.325 |
365.250 |
4 |
383.212 |
399.987 |
419.950 |
447.075 |
5 |
470.425 |
491.100 |
515.025 |
541.887 |
6 |
571.312 |
597.587 |
|
|
Moyennes mobiles de la série 2 (longueur 4)
|
1 |
2 |
3 |
4 |
1 |
|
|
0.874 |
0.850 |
2 |
1.057 |
1.209 |
0.889 |
0.825 |
3 |
1.049 |
1.220 |
0.891 |
0.850 |
4 |
1.048 |
1.185 |
0.909 |
0.833 |
5 |
1.062 |
1.208 |
0.873 |
0.868 |
6 |
1.038 |
1.196 |
|
|
Rapports des observations aux moyennes mobiles
|
1 |
2 |
3 |
4 |
1 |
|
-5.247 |
34.553 |
36.886 |
2 |
-0.884 |
|
3.865 |
-2.601 |
3 |
-19.672 |
-21.422 |
-11.422 |
-13.189 |
4 |
-24.160 |
-26.510 |
|
-27.777 |
5 |
-2.848 |
16.201 |
-24.498 |
-6.465 |
6 |
14.263 |
61.013 |
13.113 |
|
Résidus (filtre de Buys Ballot)
|
1 |
2 |
3 |
4 |
1 |
|
|
20.600 |
13.978 |
2 |
7.794 |
-0.978 |
-8.263 |
10.284 |
3 |
11.869 |
15.103 |
16.988 |
18.185 |
4 |
19.344 |
21.691 |
20.851 |
12.848 |
5 |
-8.620 |
-7.067 |
-2.264 |
5.477 |
6 |
15.780 |
22.933 |
|
|
Moyennes mobiles des résidus (longueur 4)
Nous étudions ici la série 2 du chapitre 8 par le filtre de Buys Ballot (fichier de paramètres chro2.par). On utilisera un tableur pour effectuer les calculs.
1) Calculer les moyennes annuelles. En
déduire l’équation de la droite de régression sur les moyennes annuelles par le
temps, la moyenne de l’année 1 étant fixée à l’instant t = 2.5, de
l’année 2 à l’instant t = 6.5 etc.
2) La tendance étant définie par cette
droite, calculer les coefficients saisonniers non centrés suivant le modèle
additif. Calculer la moyenne des coefficients saisonniers, et en déduire
l’équation finale du modèle en ajoutant la moyenne des coefficients saisonniers
à la constante de la droite de régression et en centrant les coefficients
saisonniers. On admettra que l’on obtient ainsi les coefficients estimés du
filtre de Buys Ballot.
3) Compléter le tableau des résidus donnés ci-dessous. Calculer la moyenne des résidus de chaque trimestre. En déduire leur moyenne totale et leur variance.
4) Calculer la variance totale des observations xt. Déduire de cette variance et de celle des résidus le carré du coefficient de corrélation entre les valeurs observées et les valeurs estimées par le modèle. Que peut-on dire de la qualité de l'ajustement ?
5) Construire l'histogramme de leur répartition en 5 classes de même amplitude. Peut-on considérer que cette répartition est à peu près gaussienne ? (on se limitera à une interprétation graphique).
6) Calculer les moyennes annuelles des
résidus. Représenter simultanément les résidus et ces moyennes, que l'on
reportera en ordonnées, l'axe des abscisses représentant le temps. Que sait-on
du coefficient de corrélation entre les résidus et le temps ? Que peut-on dire
de la représentation graphique ?
7) Calculer les prévisions de chaque trimestre de l'année 7 de la série 2. Quel degré de confiance peut-on leur accorder compte tenu de l'ensemble des informations précédentes ?
Annexe :
Somme des et2 |
= |
12 757.6968 |
Somme des valeurs xt |
= |
9543.125 |
Somme des xt2 |
= |
4 235 716 |
|
1er trimestre |
2e trimestre |
3e trimestre |
4e trimestre |
Année 1 |
26.39756 |
16.15911 |
43.24036 |
8.80333 |
Année 2 |
|
-12.68653 |
15.17342 |
-17.42781 |
Année3 |
|
|
-6.02771 |
-25.69215 |
Année 4 |
-18.52625 |
-26.31120 |
|
-22.47899 |
Année 5 |
-12.47089 |
-3.50974 |
-25.34649 |
|
Année 6 |
21.38547 |
43.52442 |
-3.42933 |
50.48654 |
Résidus obtenus après ajustement de la série 2
par le filtre de Buys Ballot
Le chiffre d’affaires trimestriel de l’entreprise de ventes par
correspondance Les Trois Redoutes est donné dans le tableau ci-dessous, avec
comme base 100 celui de de l’année 1990 (le calcul de l’indice est effectué en
francs constants).
|
|
1er trimestre |
2e trimestre |
3 e trimestre |
4 e trimestre |
1997 |
1 |
90.53 |
94.73 |
104.94 |
110.28 |
1998 |
2 |
92.46 |
96.18 |
103.49 |
114.17 |
1999 |
3 |
86.09 |
99.60 |
103.97 |
111.46 |
2000 |
4 |
90.27 |
96.35 |
106.06 |
116.49 |
2001 |
5 |
91.83 |
97.75 |
103.76 |
115.61 |
Commande trimestrielle des Trois Redoutes (1997-2001)
1) Choisir un modèle à l’aide de la
représentation graphique et des résultats numériques partiels.
2) On choisit le modèle additif. En déduire
les coefficients saisonniers. La commande au premier trimestre de l’année 2002
est égale à 94.51. La comparer à la commande du trimestre précédent.
3) On choisit le modèle multiplicatif. Même
question.
4) On décide d’utiliser le filtre de Buys Ballot pour effectuer des prévisions. Est-ce la méthode adaptée dans le cas de ces données ? Calculer l’équation de la droite de régression et les coefficient saisonniers sj. En déduire les commandes prévues pour chaque trimestre de l’année 2002.
5) Quelle est la moyenne des résidus ?
Leur variance ? Que peut-on dire de la prévision du premier trimestre 2002
et de la valeur observée donnée en question 2 ?
|
1er
trim. |
2e
trim. |
3 e
trim. |
4 e
trim. |
1 |
|
|
|
100.78375 |
2 |
100.78375 |
101.08875 |
100.77875 |
100.41000 |
3 |
100.89125 |
100.60625 |
100.79000 |
100.90625 |
4 |
100.76750 |
101.66375 |
102.48750 |
102.85750 |
5 |
102.74500 |
|
|
|
Moyennes mobiles
|
1er trim. |
2e
trim. |
3 e
trim. |
4 e trim. |
1 |
|
|
4.57875 |
9.49625 |
2 |
-8.32375 |
-4.90875 |
2.71125 |
13.76000 |
3 |
-14.80125 |
-1.00625 |
3.13000 |
10.55375 |
4 |
-10.49750 |
-5.31375 |
3.57250 |
13.63250 |
5 |
|
-4.59750 |
|
|
Différences Observations - Moyennes mobiles
|
1er
trim. |
2e
trim. |
3 e
trim. |
4 e
trim. |
1 |
|
|
1.04562 |
1.09422 |
2 |
0.91741 |
0.95144 |
1.02690 |
1.13704 |
3 |
0.85330 |
0.99000 |
1.03105 |
1.10459 |
4 |
0.89582 |
0.94773 |
1.03486 |
1.13254 |
5 |
|
0.95508 |
|
|
Rapports Observations / Moyennes mobiles
|
par année |
|
par trimestre |
1 |
100.12000 |
1 |
90.23600 |
2 |
101.57500 |
2 |
96.92200 |
3 |
100.26750 |
3 |
104.43400 |
4 |
102.29250 |
4 |
113.60200 |
5 |
102.23750 |
|
|
Moyennes annuelles |
trimestrielles |
|
1er
trim. |
2e
trim. |
3 e
trim. |
4 e
trim. |
1 |
1.2845 |
|
1.4965 |
-2.3315 |
2 |
2.7192 |
-0.2468 |
-0.4488 |
1.0632 |
3 |
-4.1460 |
2.6780 |
-0.5140 |
-2.1420 |
4 |
-0.4612 |
-1.0672 |
1.1308 |
2.3928 |
5 |
0.6035 |
-0.1625 |
-1.6645 |
1.0175 |
Résidus du filtre de Buys Ballot
La société « Le Premier Jour » commercialise par correspondance et par l’intermédiaire de magasins d’exposition des vêtements, des accessoires et des services (photographies, repas, bals …) pour cérémonies (mariages, naissances, baptêmes, communions…). Elle envisage d’étendre son réseau dans la région Centre, et étudie auparavant le nombre trimestriel de mariages pour évaluer le marché à venir.
Les observations sont connues de 1982 à 1986 : nous les étudions jusqu’en 1985 pour pouvoir effectuer les prévisions de l'année 1986 et les comparer aux valeurs réelles.
1er trim. |
2e trim. |
3e trim. |
4e
trim. |
|
1982 |
1357 |
3818 |
4814 |
2255 |
1983 |
1342 |
3672 |
4634 |
2086 |
1984 |
1315 |
3765 |
4220 |
1745 |
1985 |
1160 |
3605 |
4211 |
1641 |
1986 |
1080 |
3481 |
4340 |
1640 |
Tableau 1 : nombres
trimestriels de mariages dans la région Centre
de 1972 à 1986
1) Représenter simultanément les observations et les moyennes mobiles de longueur 4 (figure 9). Quelle est la période des variations saisonnières ? Choisir le modèle et préciser la nature de la tendance.
2) On décide d’ajuster la série par le filtre
de Buys Ballot. Calculer l’équation de la droite de régression, les
coefficients saisonniers, le coefficient de corrélation et la variance des
résidus.
3) Construire un histogramme des résidus.
Calculer leur coefficient d’autocorrélation. Conclure sur la validité du
modèle.
4) En déduire les prévisions pour l’année
1986 que l’on comparera aux observations réelles.