Faculté des Sciences de Rabat 2021–2022

Département de Mathématiques Master Statistique et Économétrie II

Méthodes de Prévision *
TDs & TPs

Exercice 1. Méthode classique

On veut modéliser un phénomène par la méthode classique. Les prélèvements pendant 3
ans sur 4 trimestres sont donnés dans le tableau suivant

Année T 1 T 2 T 3 T 4
2014 2 0.5 3.5 1
2015 5 2 5 3.5
2016 6.5 4 7.5 5

1) Vérifier la saisonnalité.
2) Déterminer l’équation de la Trend et les coefficients saisonniers.
3) Faire une prévision pour le troisième trimestre en 2017.
4) Retrouver les résultats sur R en utilisant la commande decompose().

Exercice 2. Bruit Blanc

On rappelle qu’bruit blanc gaussien est une suite de variables aléatoires indépendantes et
identiquement distribuées (εt )t∈N de loi normale centrée réduite.
1) Quelle est la fonction d’autocorrélation d’un bruit blanc ?
2) Simuler des bruits blancs gaussiens de tailles 100, 1000, 10000, ... et représenter les
graphiquement.
3) Tracer la fonction d’autocorrélation et d’autocorrélation partielle.
4) Interpréter la variabilité des résultats.
5) Soit (εt )t∈N un bruit blanc gaussien de taille 1000,
a) simuler la série chronologique Xt = 0.5t + 2εt ,
b) représenter graphiquement la série et interpréter la qualitativement.
c) Faire de même pour Xt = 0.5t + εt + 3 cos(πt).
d) Interpréter les résultats.

Exercice 3. Modèle Auto-Régressif AR(1)

Soit le modèle AR(1) suivant : Xt = µ + 0.6Xt−1 + at , où (at )t est un bruit blanc.
1) Montrer que les autocorrélations ne dépendent pas de µ.
Supposant que µ = 0,
2) Le processus Xt est-il stationnaire ? inversible ?
3) Calculer les autocorrélations partielles.
4) Simuler (plusieurs tailles) et représenter la série chronologique ainsi son autocorrélogramme
et son autocorrélogramme partiel.
5) Interpréter les résultats.

Exercice 4. Modèle Auto-Régressif AR(2)

Soit Xt le processus AR(2),
5 1
Xt − Xt−1 + Xt−2 = 3 + at , at ∼ bb(0, σa2 )
6 6

*. m.fihri@gmail.com

1
 1) Quelle est la moyenne de Xt ?
2) Le processus Xt est-il inversible ? stationnaire ?
3) Donner la décomposition M A(∞) de Xt , puis préciser les 3 premières valeurs ψi , i =
1, 2, 3.
4) Calculer les autocorrélations et les les autocorrélations partielles.
5) Simuler une série chronologique de taille 500 suivant le modèle AR(2) donné ci-dessus.
Tracer la série, les ACF et les PACF. Interpréter les résultats.

Exercice 5. Stationnarité
Soit Xt le processus tel que Xt = at + at−1 , où les at sont indépendants identiquement
distribués de loi normale centrée et réduite. Le processus Xt est-il SSL ? SSS ?

Exercice 6. Modèle Moyenne Mobile M A(4)

Donner la définition du processus moyenne mobile d’ordre 4 non centré, ainsi que sa
fonction d’autocorrélation ρk .

Exercice 7. Modèle Moyenne Mobile M A(1)

Soit le modèle M A(1) suivant :Xt = at − 0.8at1 , où (at )t est un bruit blanc.
1) Le modèle est-il inversible ? stationnaire ?
2) Calculer la moyenne de la série chronologique
3) Déterminer la Fonction d’autocorrélation et la fonction d’autocorrélation partielle.
4) Simuler, une taille de 200, le modèle M A(1) précédent et répondre aux questions de
l’exercice.

Exercice 8. Modèle Moyenne Mobile M A(2)

Considérons le modèle M A(2) suivant

Xt = (1 − 0.8B + 0.15B 2 )at , at ∼ bb(0, σa2 )

1) Quelle est la moyenne de Xt ?

2) Le processus Xt est-il inversible ? stationnaire ?
3) Donner la décomposition AR(∞) de Xt , puis préciser les 3 premières valeurs πi , i =
1, 2, 3.
4) Calculer les autocorrélations et les les autocorrélations partielles.
5) Simuler une série chronologique de taille 500 suivant le modèle M A(2) donné ci-dessus.
Tracer la série, les ACF et les PACF. Interpréter les résultats.

Exercice 9. Modèle Moyenne Mobile ARM A(1, 1)

1) Etudier le modèle suivant

Xt = 10 + 0.8Xt−1 + at + 0.5at−1 , at ∼ bb(0, σa2 ).

2) Simuler 100 réalisations du processus ARM A(1, 1) précédant où a est un processus
bruit blanc gaussien de variance 4.
3) Tracer les ACF et les PACF, interpréter.

2
Exercice 10. Tests d’hypothèses
A partir d’une série chronologique Xt de longueur n = 250, on a obtenu les autocorrélations
(ACF) et les autocorrélations partielles (PACF) suivants :

k 1 2 3 4 5 6 7 8 9 10
rk -0.70 0.62 -0.48 0.41 -0.37 0.32 -0.30 0.27 -0.20 0.15
φkk -0.70 0.26 0.07 0.03 -0.08 0.00 -0.04 0.03 0.06 -0.05

(i) Tester l’hypothèse : Xt est un M A(2).

(ii) Tester l’hypothèse : Xt est un AR(2).

Exercice 11. Identification d’un modèle

Soit Xt une série chronologique de longueur 100. Les tableaux suivants ont été obtenus
respectivement pour Xt et (1 − B)Xt .

k 1 2 3 4 5 6 7 8 9 10
rk 0.95 0.90 0.86 0.80 0.76 0.71 0.66 0.61 0.57 0.52
φkk 0.95 0.02 -0.02 -0.06 0.00 -0.02 -0.02 -0.01 -0.02 -0.04

k 1 2 3 4 5 6 7 8 9 10
rk 0.01 0.09 0.17 0.02 -0.04 -0.01 -0.24 -0.18 -0.03 0.08
φkk 0.01 0.09 0.17 0.01 -0.08 -0.04 -0.25 0.18 0.02 0.14

En donnant les justifications nécessaires, identifier un modèle pour la série Xt .

Exercice 12. Modèle SARIM A

Soit le processus ARIM A saisonnier multiplicatif (0, 1, 1) × (0, 1, 1)12 „ :
(1 − B)(1 − B 12 )Xt = θ0 + (1 − 0.4B)(1 − 0.6B 12 )at , avec at ∼ bb(0, σa2 )
1) Le processus Wt = (1 − B)(1 − B 12 )Xt est-il stationnaire ? inversible ?
2) Tracer le corrélogramme du processus Wt .

Exercice 13. Manipulation de R

1) Simuler un processus : AR(1), M A(2), ARM A(2, 2) (arima.sim()).
2) En utilisant la fonction auto.arima() fournie par le package forecast, identifier le
modèle optimal et estimer les coefficients en une étape.
3) Vérifier le diagnostic du modèle (tsdiag(); ggtsdiag() du package ggfortify).
4) Écrire une fonction permettant de tester significativité des coefficients.
5) Tracer la série brute et la série ajustée.
6) Donner quelques prévisions (predict()).

Exercice 14. Application : AirPassengers

La série AirPassengers représente le total mondial des passagers aériens par mois entre
1949 et 1960. Les données sont disponibles dans R.
1. Représenter graphiquement la série. Est-elle stationnaire ? Présente-t-elle des tendances
et saisonnalités ?
2. Identifier le modèle SARIM A(p, d, q)(P, D, Q)[s] le plus adéquat à cette série.
3. Donner quelques prévisions.

„. noté aussi SARIM A(0, 1, 1) × (0, 1, 1)12