USTO-MB/FMI/Dept.

Informatique/Master
Matière : AND 2025–2026

TD N°4

Exercise 1 :

1. Dans le cas de la droite de régression : y = a0 + a1 x

cov(x, y)
ˆ Démontrer que a0 = ȳ − a1 x̄ et a1 =
var(x)
ˆ Ajuster une courbe de régression pour les données suivantes :

X -1 0 1 2
Y 9 1 1 9

Solution:

1. Démonstration des formules

Pour la droite de régression y = a0 + a1 x, on a le système d’équations normales :
(
n · a0 + a1 ni=1 xi = ni=1 yi
P P

a0 ni=1 xi + a1 ni=1 x2i = ni=1 xi yi

P P P

De la première équation :
n
X n
X
n · a0 + a1 xi = yi
i=1 i=1
Pn Pn
i=1 yi i=1 xi
⇒ a0 = − a1
n n

⇒ a0 = ȳ − a1 x̄

Substituons a0 dans la deuxième équation :

n
X n
X n
X
(ȳ − a1 x̄) x i + a1 x2i = xi y i
i=1 i=1 i=1

Divisons les deux côtés par n :

Pn Pn Pn
i=1 xi i=1 x2i i=1 x i yi
(ȳ − a1 x̄) + a1 =
n n n
1
 ⇒ (ȳ − a1 x̄)x̄ + a1 x2 = xy

Développons :

ȳx̄ − a1 (x̄)2 + a1 x2 = xy

⇒ ȳx̄ + a1 (x2 − (x̄)2 ) = xy

⇒ a1 (x2 − (x̄)2 ) = xy − x̄ȳ

xy − x̄ȳ
⇒ a1 =
x2 − (x̄)2

Or, on sait que :

n n
1X 1X
Cov(x, y) = (xi − x̄)(yi − ȳ) = xi yi − x̄ȳ = xy − x̄ȳ
n i=1 n i=1

n n
1X 1X 2
Var(x) = (xi − x̄)2 = x − (x̄)2 = x2 − (x̄)2
n i=1 n i=1 i

Donc :

Cov(x, y)
a1 = et a0 = ȳ − a1 x̄
Var(x)

2. Ajustement d’une courbe de régression pour les données

Ajustement linéaire
Équation d’une droite : yi = a0 + a1 xi
( P P
N · a0 + a1 · x i = y i
a0 · xi + a1 · x2i =
P P P
xi y i

P
X -1 0 1 2 xi = 2
P
Y 9 1 1 9 yi = 20
X2 X2 = 6
P
1 0 1 4
P
X ·Y -9 0 1 18 X · Y = 10

(
4a0 + 2a1 = 20 (1)
2a0 + 6a1 = 10 (2)

2
 Résolution du système :
De (1) : 4a0 + 2a1 = 20
De (2) : 2a0 + 6a1 = 10
Multiplions (2) par 2 : 4a0 + 12a1 = 20 (3)
Soustrayons (1) de (3) : (4a0 + 12a1 ) − (4a0 + 2a1 ) = 20 − 20
10a1 = 0 ⇒ a1 = 0
Substituons dans (1) : 4a0 + 2(0) = 20 ⇒ a0 = 5

yi = a0 + a1 xi ⇒ yCalc = 5 + 0 · xi = 5

X -1 0 1 2
Y 9 1 1 9
yCalc 5 5 5 5

N
X N
X
d2i = (yCalc − yi )2 = (5 − 9)2 + (5 − 1)2 + (5 − 1)2 + (5 − 9)2 = 16 + 16 + 16 + 16 = 64
i=1 i=1

Ajustement quadratique
Équation d’une courbe : yi = a0 + a1 xi + a2 x2i

xi + a2 · x2i = yi
P P P
N · aP
 0 + a1 ·
a0 · xi + a1 · x2i + a2 · x3i =
P P P
xi y i
 P 2 P 3 P 4 P 2
a0 · x i + a1 · x i + a2 · x i = xi y i


P
X -1 0 1 2 xi = 2
P
Y 9 1 1 9 yi = 20
X2 X2 = 6
P
1 0 1 4
X3 X3 = 8
P
-1 0 1 8
X4 X 4 = 18
P
1 0 1 16
P
X ·Y -9 0 1 18 X · Y = 10
X2 · Y X 2 · Y = 46
P
9 0 1 36


4a0 + 2a1 + 6a2 = 20 (1)

2a0 + 6a1 + 8a2 = 10 (2)

6a0 + 8a1 + 18a2 = 46 (3)


3
Résolution du système :
De (1) : 4a0 + 2a1 + 6a2 = 20
De (2) : 2a0 + 6a1 + 8a2 = 10
De (3) : 6a0 + 8a1 + 18a2 = 46
Multiplions (2) par 2 : 4a0 + 12a1 + 16a2 = 20 (4)
Soustrayons (1) de (4) : (4a0 + 12a1 + 16a2 ) − (4a0 + 2a1 + 6a2 ) = 20 − 20
10a1 + 10a2 = 0 ⇒ a1 = −a2 (5)
Multiplions (1) par 3 : 12a0 + 6a1 + 18a2 = 60 (6)
Multiplions (3) par 2 : 12a0 + 16a1 + 36a2 = 92 (7)
Soustrayons (6) de (7) : (12a0 + 16a1 + 36a2 ) − (12a0 + 6a1 + 18a2 ) = 92 − 60
10a1 + 18a2 = 32 (8)
Substituons (5) dans (8) : 10(−a2 ) + 18a2 = 32 ⇒ 8a2 = 32 ⇒ a2 = 4
De (5) : a1 = −4
De (1) : 4a0 + 2(−4) + 6(4) = 20 ⇒ 4a0 − 8 + 24 = 20 ⇒ 4a0 = 4 ⇒ a0 = 1

yi = a0 + a1 xi + a2 x2i ⇒ yCalc = 1 − 4xi + 4x2i

X -1 0 1 2
Y 9 1 1 9
yCalc 1 − 4(−1) + 4(1) = 9 1−0+0=1 1−4+4=1 1 − 8 + 16 = 9

N
X N
X
d2i = (yCalc − yi )2 = (9 − 9)2 + (1 − 1)2 + (1 − 1)2 + (9 − 9)2 = 0
i=1 i=1

Exercise 2 :
La vente semestrielle d’un article agricole est présentée en quintaux dans le tableau suivant :

2023 2023 2024 2024 2025 2025

1er sem 2ème sem 1er sem 2ème sem 1er sem 2ème sem
Ventes 8 20 12 24 16 28

1. Ajuster aux données une courbe de régression avec composante saisonnière.

2. Donner une prévision des ventes du 1er et 2ème semestre 2026.

Solution:

4
Ajuster aux données une courbe de régression avec composante saisonnière
Le modèle de la série chronologique avec composante saisonnière (Modèle additif).

2023 2023 2024 2024 2025 2025

1er sem 2ème sem 1er sem 2ème sem 1er sem 2ème sem
t 1 2 3 4 5 6
y(t) 8 20 12 24 16 28

t y(t) Z(t) Z(t)-Z(t-1) Z(t)/Z(t-1)

1 8 - - -
2 20 15 - -
3 12 17 2 1.13
4 24 19 2 1.12
5 16 21 2 1.11
6 28 - - -
Le nombre de saison = 2 La moyenne mobile :
Tendance linéaire ⇒ X(t) = a · t + b

Cov(t, y) = t · y − t̄ · ȳ



n2 − 1



V ar(t) =


12
 
b = ȳ − a · t̄


 
 1 PN
y =a·t+b→ Cov(t, y) → t̄ = N i=1 ti
a =
 
V ar(t) 
 1 PN
ȳ = yi


N i=1




t · y = 1 PN ti · yi



N i=1
 1+2+3+4+5+6
 t̄ = = 3.5
6




 8 + 20 + 12 + 24 + 16 + 28
→ ȳ = = 18

 6
t · y = (1 × 8) + (2 × 20) + (3 × 12) + (4 × 24) + (5 × 16) + (6 × 28) = 71.33



6

2 2
V ar(t) = n − 1 = 6 − 1 = 2.92 a = 8.33 = 2.85


→ 12 12 → 2.92
Cov(t, y) = t · y − t̄ · ȳ = 71.33 − 3.5 × 18 = 8.33 b = 18 − 2.85 × 3.5 = 8.03
 

=⇒ y = a · t + b =⇒ y = 2.85 × t + 8.03

=⇒ X(t) = 2.85 × t + 8.03 : tendance

Composante saisonnière (modèle additif) : Y (t) = X(t) + S(t) ⇒ S(t) = Y (t) − X(t) = ∆(t)

5
 t Y(t) X(t) ∆(t)
S1 1 8 10.88 -2.88
S2 2 20 13.73 +6.27
S1 3 12 16.58 -4.58
S2 4 24 19.43 +4.57
S1 5 16 22.28 -6.28
S2 6 28 25.13 +2.87

Calcul des moyennes saisonnières :

−2.88 − 4.58 − 6.28

M oy(S1 ) = = −4.58
3

6.27 + 4.57 + 2.87

M oy(S2 ) = = +4.57
3
P
Série additif =⇒ Si = 0
P
Si = M oy(S1 ) + M oy(S2 ) = (−4.58 + 4.57)/2 = −0.01/2 = −0.005 = C ̸= 0

Ajustement :

M oy(S1 ) ← M oy(S1 ) − C =⇒ −4.58 − (−0.005) = −4.575

M oy(S2 ) ← M oy(S2 ) − C =⇒ 4.57 − (−0.005) = 4.575

P
Si = M oy(S1 ) + M oy(S2 ) = −4.575 + 4.575 = 0

Le modèle de la série chronologique :




 Y (t) = X(t) + S(t) → Modèle Additif



X(t) = 2.85 × t + 8.03 → Tendance





 S(1) = −4.575 et S(2) = +4.575



S(t + 2) = S(t)

Donner une prévision des ventes du 1er et 2ème semestre 2026

1er semestre 2026 : t = 7


 X(7) = 2.85 × 7 + 8.03 = 27.98


t = 7 =⇒ S(1) = −4.575



Y (7) = X(7) + S(7) = 27.98 − 4.575 = 23.405 ≈ 24 quintaux


6
 2ème semestre 2026 : t = 8


 X(8) = 2.85 × 8 + 8.03 = 30.83


t = 8 =⇒ S(2) = +4.575



Y (8) = X(8) + S(8) = 30.83 + 4.575 = 35.405 ≈ 36 quintaux


Exercise 3 :
Le tableau suivant représente le nombre de personnes atteintes d’une maladie contagieuse dans une
ville donnée.

2023 2023 2024 2024 2025

1er sem 2ème sem 1er sem 2ème sem 1er sem
Malades 3 21 51 165 483

1. Donner le modèle de la série chronologique avec composante saisonnière.

2. Quelle sera le nombre de personnes atteintes à la fin de l’année 2025.

3. La ville entière est mise en quarantaine si le nombre de malades est supérieur ou égal à cinquante
mille (≥ 50000). Quand est-ce que ceci risque de se reproduire ?

Solution:

1. Donner le modèle de la série chronologique avec composante saisonnière

Le modèle de la série chronologique avec composante saisonnière (Modèle Multiplicatif).

t Y(t) Z(t) Z(t)-Z(t-1) Z(t)/Z(t-1)

1 3 - - -
2 21 24 - -
3 51 72 48 3
4 165 216 144 3
5 483 - - -

Le nombre de saison = 2 La moyenne mobile :

Tendance exponentielle ⇒ X(t) = at · b ⇒ ln(X(t)) = ln(at · b) ⇒ ln(X(t)) = ln(at ) + ln(b)

A = ln(a) ⇒ a = eA
′
⇒ ln(X(t)) = t × ln(a) + ln(b) ⇒ X (t) = A · t + B ⇒
B = ln(b) ⇒ b = eB

X ′ (t) = A · t + B → ln(y) = A · t + B

7
 
B = ln(y) − A · t̄

ln(y) = A · t + B → Cov(t, ln(y))
A =

V ar(t)


 Cov(t, ln(y)) = t · ln(y) − t̄ · ln(y)


n2 − 1



V ar(t) =


12




 1 PN
→ t̄ = ti

 N i=1

 1 PN
ln(y) = ln(yi )




 N i=1
t · ln(y) = 1 PN ti · ln(yi )



N i=1

t Y(t) Ln(Y(t))
1 3 1.099
2 21 3.045
3 51 3.932
4 165 5.106
5 483 6.18
 1+2+3+4+5
 t̄ = =3
5




 1.099 + 3.045 + 3.932 + 5.106 + 6.18
→ ln(y) = = 3.872

 5
t · ln(y) = (1 × 1.099) + (2 × 3.045) + (3 × 3.932) + (4 × 5.106) + (5 × 6.18) = 14.061



5

2 2
V ar(t) = n − 1 = 5 − 1 = 2

→ 12 12
Cov(t, ln(y)) = t · ln(y) − t̄ · ln(y) = 14.061 − 3 × 3.872 = 2.445


A = 2.445 = 1.223


→ 2
B = 3.872 − 1.223 × 3 = 0.203



A = ln(a) ⇒ a = eA = e1.223 = 3.397
B = ln(b) ⇒ b = eB = e0.203 = 1.221

⇒ X(t) = at · b ⇒ X(t) = (3.397)t × 1.221

Y (t)
Composante saisonnière : Y (t) = X(t) × S(t) ⇒ S(t) = = Q(t)
X(t)

8
 t Y(t) X(t) Q(t)
S1 1 3 4.148 0.723
S2 2 21 14.09 1.49
S1 3 51 47.863 1.066
S2 4 165 162.592 1.015
S1 5 483 552.323 0.875
Calcul des moyennes saisonnières :

0.723 + 1.066 + 0.875

M oy(S1 ) = = 0.888
3

1.49 + 1.015
M oy(S2 ) = = 1.2525
2
P
Série multiplicatif =⇒ Si = Nbr Saison
P
Si = M oy(S1 ) + M oy(S2 ) = 0.888 + 1.2525 = 2.1405 ̸= 2
2.1405 − Nbr saison 2.1405 − 2
C= = = 0.07
Nbr saison 2
Ajustement :

M oy(S1 ) ← M oy(S1 ) − C ⇒ 0.888 − 0.07 = 0.818

M oy(S2 ) ← M oy(S2 ) − C ⇒ 1.2525 − 0.07 = 1.182

P
Si = M oy(S1 ) + M oy(S2 ) = 0.818 + 1.182 = 2

Le modèle de la série chronologique :




 Y (t) = X(t) × S(t) → Modèle Multiplicatif


X(t) = (3.397)t × 1.221 → Tendance






 S(1) = 0.818 et S(2) = 1.182



S(t + 2) = S(t)

2. Quelle sera le nombre de personnes atteintes à la fin de l’année 2025

La fin de l’année 2025 - 2ème semestre t = 6


 X(6) = (3.397)6 × 1.221 = 1876.24


t = 6 ⇒ S(2) = 1.182



Y (6) = X(6) × S(6) = 1876.24 × 1.182 = 2217.72 ≈ 2218 Contaminés


9
3. La ville entière est mise en quarantaine si le nombre de malades est
supérieur ou égal à cinquante mille (≥ 50000). Quand est-ce que ceci risque
de se reproduire ?
Y (t) ≥ 50000 ⇒ X(t) × S(t) ≥ 50000

X(t) × S1 ≥ 50000 → (1)
X(t) × S ≥ 50000 → (2)
2

  
50000

 ln
1.221 × 0.818


(1) ⇒ t ≥ ⇒ t ≥ 8.548



ln(3.397)
→   ⇒t≥9
 50000

 ln
1.221 × 1.182


(2) ⇒ t ≥ ⇒ t ≥ 8.849


ln(3.397)

9
t ≥ 9 ⇒ 2023 + − 1 = 2025.5 ≈ 2026 et t = 9 ⇒ S(1)
2
Ou

t 1 2 3 4 5 6 7 8 9
S S(1) S(2) S(1) S(2) S(1) S(2) S(1) S(2) S(1)

Donc 1er semestre 2026 la ville sera en quarantaine



 X(9) = (3.397)9 × 1.221 = 73548.80


t = 9 ⇒ S(1) = 0.818



Y (9) = X(9) × S(9) = 73548.80 × 0.818 = 60162.92 ≈ 60163 ≫ 50000


10