Master Politiques Publiques et Développement

UNIVERSITE HASSAN 1er , Matière : Séries Temporelles

Faculté des Sciences Juridiques Année Universitaire : 2019-2020
Economiques et Sociales de Settat.

TD 1 : Modèles de Processus Stochastiques

Exercice 1
1. Soit {Xt : t ∈ Z} un processus stationnaire. On considère le processus {Zt : t ∈ Z} défini par
r
X
Zt = bi Xt−i , où b1 , · · · , br sont des constantes réelles connues.
i=0

Montrez que {Zt : t ∈ Z} est aussi un processus stationnaire.

ou
2. Soit {at : t ∈ Z} un bruit blanc et posons bt = (−1)t at , t ∈ Z.
(a) Montrez que le processus {bt : t ∈ Z} est aussi un processus stationnaire.
(b) Le processus somme at + bt , t ∈ Z est-il stationnaire ? Justifiez votre réponse.

d
Exercice 2 : Soit {Xt : t ∈ Z} et {Yt : t ∈ Z} deux processus stationnaires et non corrélés c’est à dire Cov(Xr , Ys ) = 0
pour tout r et s. Démontrer que le processus {Xt + Yt : t ∈ Z} est stationnaire avec fonction d’autocovariance égale
à la somme des fonctions d’autocovariance de {Xt : t ∈ Z} et {Yt : t ∈ Z}.
ou
Exercice 3 : Soit {Xt : t ∈ Z} un processus stationnaire. Soit le processus {Yt : t ∈ Z} défini par

Yt = a t + b + St + Xt ,

où a et b des constantes et St est une composante de saisonnalité de période 3.

ss

1. Le processus {Yt : t ∈ Z} est-il stationnaire ? Justifiez.

2. Montrez que le processus {Zt : t ∈ Z} défini par
A

Zt = (1 − B)(1 − B 3 )Yt

est stationnaire.

Exercice 4

1. Déterminez la fonction d’autocovariance { γ(k), k ≥ 0 } du processus

Xt = at − θ1 at−1 − θ2 at−2 , où at ∼ BB(0 ; σa2 ).

2. Deux statisticiens ont analysé la même série chronologique.

Le premier a obtenu le modèle

(1) Xt = at − 0.9 at−1 + 0.2 at−2 et σa2 = 10.

Le deuxième a obtenu le modèle

(2) Xt = bt − 4.5 bt−1 + 5 bt−2 et σb2 = 0.4.

(a) Vérifiez que les deux modèles admettent la même fonction d’autocovariance { γ(k), k ≥ 0 }.
(b) Si le but est d’utiliser ces modèles pour des prévisions, lequel des deux modèles retenez-vous ? Justifiez
votre réponse.

1
Exercice 5 : Pour chaque processus {Xt : t ∈ Z} ci-dessous, on demande de
1. Classer le modèle parmi la famille des processus ARIMA(p, d, q).
2. Etudier la stationnarité et l’inversibilité de {Xt }.
3. Discuter l’existence des représentations AR(∞) et MA(∞) de {Xt }.
Dans chaque cas {at : t ∈ Z} est un bruit blanc.
(a) Xt − 0.49 Xt−2 = at . (b) Xt = at − at−1 + 0.5 at−2 .
(c) Xt − 0.49 Xt−2 = at − 1.3 at−1 + 0.4 at−2 . (d) Xt − 1.2 Xt−1 + 0.2 Xt−2 = at − 0.5 at−1 .
(e) Xt − 0.7 Xt−1 − 0.3 Xt−2 = at . (f) Xt − 2 Xt−1 + Xt−2 = at − 0.008 at−3 .

Exercice 6 : Démontrer que la valeur à k = 2 de la fonction d’autocorrélation partielle d’un modèle MA(1)
Xt = at + θ at−1 avec at ∼ BB(0, σ 2 )
est
−θ2
φ22 = .
1 + θ2 + θ4

ou
Exercice 7 : On considère les processus suivants
Xt = at + 1.7 Xt−1 − 0.8 Xt−2 + 0.1 Xt−3 et Yt = Xt − Xt−1 ,
avec {at } un BB(0,1).
1. Quelle est la nature du processus {Xt } ? d
2. Etudier la stationnarité et l’inversibilité du processus {Xt }.
ou
3. Etablir l’équation vérifiée par le processus {Yt }.
4. Donner, après avoir justifié son existence, l’écriture MA(∞) de {Yt }.
5. Déterminer la fonction d’autocorrélation {ρ(k); k ≥ 0} du processus {Yt } et décrire le comportement de sa
fonction d’autocorrélation partielle.
ss

Exercice 8 : Soit le processus

Xt − 0.1 Xt−1 − 0.2 Xt−2 = at + 0.1 at−1 − 0.12 at−2 ,
avec at i.i.d.(0 , σa2 ).
A

1. Montrer que ce processus est sur-paramétré. En déduire que ce modèle peut-être réduit à un modèle ARMA(1,1).
2. Après avoir justifié son existence, établir l’écriture MA(∞) du processus réduit.
3. Calculer la variance du processus.
4. Déterminer la fonction d’autocorrélation {ρ(k), k ≥ 0} du processus.
5. Donner les deux premières autocorrélations partielles du processus.

Exercice 9 : Sur une série de 40 observations on a obtenu les résultats suivants

k 0 1 2 3 4 5 6 7 8 9 10
ρb(k) 1 0.55 0.68 0.46 0.43 0.27 0.26 0.06 0.06 -0.04 -0.03
φbkk 1 0.55 0.54 -0.02 -0.11 -0.12 0.02 -0.18 -0.06 0.04 0.06
1. Les observations constituent-elles des réalisations d’un bruit blanc ? Justifier.
2. Cette série peut-elle être modélisée par un MA(1) ? Justifier.
3. Montrer que cette série peut être modélisée par un AR(2) défini par
{at } ∼ BB 0, σ 2 .


Xt = φ1 Xt−1 + φ2 Xt−2 + at , avec

b(0) = 3.42, donner les estimateurs de Yule-Walker de φ1 , φ2 et σ 2 .

4. Sachant que γ