Académique Documents
Professionnel Documents
Culture Documents
Semestre : 1 2
Exercice 1 :
AR
Figure1 :…………………………………………………………………
Si la fonction ACF diminue lentement et ne s’annule pas rapidement, cela suggère une
forte autocorrélation dans la série temporelle, ce qui peut indiquer qu’un modèle AR est
approprié
Utilisez également la fonction PACF pour confirmer l’ordre optimal du modèle AR(p)
Exercice 2 :
Série X Série Y
Série 1 :
…………………………………………………………………………………………………
Non Stationnaire
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
……Série 2 :stationnaire …
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
****Si la fonction ACF décroît lentement et reste significative pour de nombreux retards,
cela suggère la présence d'une composante de moyenne mobile (AR).
ma****Si la fonction PACF décroît lentement et reste significative pour de nombreux
retards, cela suggère la présence d'une composante autorégressive (MA).
****Si à la fois la fonction ACF et la fonction PACF décroissent lentement et restent
significatives pour de nombreux retards, cela suggère la présence d'une combinaison de
composantes AR et MA (ARMA).
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
Exercice 3 :
Partie 1 :
Dans cet exercice, on se propose de modéliser une certaine série par un processus 𝐴𝑅𝑀𝐴.
Dans la figure (1), on donne le graphique de la série brute ainsi que celui de la série
différenciée.
Figure 1
1. Énoncer les étapes à suivre pour modéliser une série temporelle suivant un modèle
ARMA.
…………………………………………………………………………………………………
1/Analyse de la série temporelle
2/Stationnarité
…………………………………………………………………………………………………
3/Identification du modèle ARMA
…………………………………………………………………………………………………
4/Estimation des coefficients
…………………………………………………………………………………………………
5/Diagnostic du modèle
6/Prédictions et évaluation
…………………………………………………………………………………………………
7/Réajustement et réévaluation
…………………………………………………………………………………………….……
…………………………………………………………………………………………………
…………………………………………………….……………………………………………
…………………………………………………………………………………………………
……………
2. En observant le graphique de la série brute, dire s’il s’agit d’une série stationnaire ou non
(avec justification).
…………………………………………………………………………………………………
no c pas une séries stationnaire le graphe présente une variance qui change au fil du
………………………………………………………….………………………………………
temps
…………………………………………………………………………………………………
3. En interprétant la figure 2 donner le modèle 𝐴𝑅𝑀𝐴 candidat qui peut modéliser la série
en question.( Justifier votre réponse)
Figure 2
…………………………………………………………………………………………………
ARMA(1,1)
…………………………………………………………………………………………………
…………………………………………………………………………………………………
Partie 2 :
1. A l’aide de la fonction arima.sim de R, écrire une ligne de commande pour simuler 300
observations du processus ci-dessus avec 𝜃 = 0.8. (0.5)
…………………………………………………………………………………………………
…………………………………………………………
I. Etude descriptive :
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
2. A partir des graphes précédents, quel est le modèle qui vous semble adéquat pour la
modélisation de cette série.
…………………………………………………………………………………………………
…………………………………………………………………………………………………
II. Modélisation :
On souhaite modéliser les données pour pouvoir prédire la consommation pour les années
qui suivent :
Modèle 1 :
…………………………………………………………………………………………………
C’est un modèle pour modéliser la tendance
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
Modèle 2 :
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
R²(premier modèle)<R²(deuxième modèle) Le 2er modèle est meilleur
que le premier modèle
…………………………………………………………………………………………………
…………………………………………………………………………………………………
………………………………………………………………………………………………….
…………………………………………………………………………………………………
…………p-value<0.05 alors la série est stationnaire
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
……………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………