Contactez-nous
  • Statistique inférentielle
  • Série temporelle
  • Langage R
  • Langage Python

Modélisation et prévision des séries chronologiques

Mis à jour le

Responsable(s) : Mme Feriel BOUHADJERA

  • Cours + travaux pratiques
Code Cnam : STA116-PAR
Téléchargez le PDF
  • Durée : 50 heures (+/- 10%)
  • A la carte
  • 6 crédits
  • Distanciel

Présentation

Public, conditions d'accès et prérequis

Prérequis

Avoir réussi les UE : STA102 (Modèles linéaires),  STA104 (Statistique mathématique)  et STA118 (Outils informatiques de la statistique) ou des examens équivalents.

Objectifs

But du cours : Ajustement des séries temporelles à l'aide de modèles basés sur des propriétés statistiques. Savoir choisir un modèle. Prévision à court-terme des séries temporelles

Compétences et débouchés

Compétences

Être en mesure, à l’issue de l’enseignement, de produire des études statistiques de la validation des données à la rédaction d’un rapport et mettant en œuvre des techniques spécifiques aux séries chronologiques.

Informations pratiques

Contact

Logo école santé Cnam

Programme

Contenu

Introduction : exemples, vocabulaires, description 

Modèles de régression 

Décomposition des séries chronologiques Lissages exponentiels : simple, double, Holt-Winters 

Etude de la tendance et de la saisonnalité 

Modélisation des séries stationnaires : AR, MA, ARMA. Estimation, choix de modèle et prévision. 

Extension aux séries non stationnaires : ARIMA et SARIMA. 

 

 

 

Modalités d'évaluation

Un examen écrit et un projet personnel sanctionneront la fin des cours. Le projet personnel devra mettre en application les techniques décrites en cours. Il pourra faire l'objet d'un présentation orale.

Bibliographie

  • P. Brockwell and R. Davis . Time Series : Theory and Methods. Springer Series in Statistics. Springer, second edition, 1991
  • Aragon, Y. (2016) . Séries temporelles avec R Collection Pratique R. EDP Sciences
  • Robert H. Shumway , David S. Stoffer . Time Series Analysis and Its Applications With R. Examples Springer Cham 2025, 5e edition,
  • Jonathan D. Cryer Kung-Sik Chan . Time Series Analysis With Applications in R Springer Science+Business Media 2008, 2nd edition

Formation mère

Modélisation et prévision des séries chronologiques

Ces formations pourraient vous intéresser