Vous êtes sur la page 1sur 3

- Séries Temporelles Univariées - Master 1 ESA - 2014-2015 - Semestre 1, session 1

Aucun document autorisé à l’exception des tables statistiques

Gilbert Colletaz 13 janvier 2015 - durée : 3 heures

Exercice 1 ( 2 points [1+1])

On considère le processus autorégressif suivant :

(1 2.0L + 0.96L 2 )x t = u t

L est l’opérateur de retard usuel et u t un bruit blanc de variance σ

2

u .

(1)

1. Ce processus est-il stationnaire (justifiez votre réponse) ?

2. Proposez une éventuelle transformation de la série x en une série y telle qu’un processus ARMA pourrait être ajusté sur la série y . Vous illustrerez votre proposition en indiquant les valeurs des y t associées aux 5 observations de x qui vous sont données dans la table 1.

Exercice 2 (3 points [1.5+1.5])

On considère trois aléatoires, x t , y t , et z t définies selon :

u t est un bruit blanc de variance σ

2

u .

  x t =

 

(1 θ)

y t = θu t

z t = x t + y t

t

j=0 u j ,

(2)

1. Quelles sont les espérance et variance de x. Le processus gouvernant x t est-il stationnaire ? Dans l’écriture ARIMA(p, d, q), précisez les valeurs des paramètres p, d et q qui le définissent.

2. Le processus gouvernant z t est-il stationnaire (justifiez votre réponse) ? Dans l’écriture ARIMA(p, d, q), précisez les valeurs des paramètres p, d et q qui le définissent.

Exercice 3 ( 5 points [2+1+2])

On considère l’équation suivante :

x t = φx t1 + u t θu t4

avec θ = φ 4 et u t un processus en bruit blanc de variance σ

2

u .

1

(3)

1.

Vérifiez que les polynômes (1 φL) et (1 θL 4 ) possèdent une racine commune et déduisez en conséquence l’écriture ARMA minimale pour x. Écrivez l’équation de cette écriture minimale.

2. Quelle(s) condition(s) faudrait-il imposer au coefficient φ pour avoir la stationarité de x t ?

3. Donnez les expressions des 4 premiers coefficients de la fonction d’autocorrélation de x .

Exercice 4 (4 points [2+1+1])

Un ensemble d’observations journalières obéit au processus suivant :

(4)

1. Donnez les expressions des ρ y (i), coefficients de corrélation entre y t et y ti , pour i = 1,

2. Quelles sont les expressions des deux premiers coefficients de la fonction d’autocorrélation partielle de la série y.

3. Application numérique avec θ 1 = 0.8, θ 2 = 0.6 et σ u = 100. On vous donne également dans la table 2 les valeurs des 7 dernières innovations connues. Avec ces éléments, quelles prévisions optimales formulez-vous pour le mardi 13, le mercredi 14 , le samedi 31 janvier et le dimanche 1er février (rappelez au passage en quoi ces prévisions sont optimales). En plus de la prévision ponctuelle, donnez un encadrement à 95% de confiance pour ces prévisions.

y t = 100 + (1 θ 1 L)(1 θ 2 L 7 )u t

, 10.

2

Exercice 5 (3 points [1+2])

On a estimé sur une série observée pendant 263 mois les corrélations, corrélations partielles et corrélations inverses jusqu’à l’ordre 18. Les résultats sont présentés dans la table 3 ci-après. Au moyen de ces informations,

1. Diriez-vous que la série en question est stationnaire ou non stationnaire, et pourquoi ?

2. Quelle proposition de filtre feriez-vous (justifiez votre choix en 4 ou 5 lignes)

Exercice 6 (3 points [0.5+0.5+2])

On considère un processus ARMA(1,1) que l’on sait être stationnaire et inversible

(1 φL)(x t μ) = (1 θL)u t

u t est un bruit blanc de variance σ

2

u .

(5)

1. Quelle est l’espérance de x t ?

2. Donnez l’équation de la prévision de x pour un horizon d’une période, i.e. t xˆ t+1 , en fonction des informa- tions connues en t et des paramètres du processus ARMA(1,1).

3. Donnez l’équation de la fonction de prévision pour un horizon de prévision h positif quelconque, i.e. exprimez la valeur de t xˆ t+h en fonction des informations connues en t et des paramètres du processus

ARMA(1,1).

2

t

x t

1

12

2

24

3

30

4

27

5

42

Table 1 – 5 premières réalisations du processus x t

jour

u

t

lundi 5 janvier

20

mardi 6 janvier

16

mercredi 7 janvier

8

jeudi 8 janvier

-12

vendredi 9 janvier

10

samedi 10 janvier

-9

dimanche 11 janvier

13

lundi 12 janvier

18

Table 2 – dernières innovations connues du processus y t

   

ˆ

 

k

r

k

φ

kk

cor. inverse

1

-0.46

-0.46

0.52

2

0.03

-0.22

0.31

3

0.06

-0.03

0.021

4

-0.11

-0.12

0.24

5

0.07

-0.04

0.19

6

0.03

0.04

0.19

7

-0.09

-0.05

0.18

8

0.05

-0.03

0.20

9

0.00

0.01

0.16

10

-0.05

-0.04

0.19

11

0.27

0.28

0.26

12

-0.53

-0.40

0.51

13

0.21

-0.26

0.23

14

-0.00

-0.26

0.23

15

-0.00

-0.16

0.13

16

0.03

-0.07

0.10

17

-0.00

-0.02

0.08

18

-0.05

-0.03

0.07

Table 3 – corrélations, corrélations partielles et corrélations inverses estimées à l’ordre k

3