Vous êtes sur la page 1sur 8

Universit de Nantes UFR des Sciences et Techniques e Dpartement de Mathmatiques e e

Master 2 professionel

Sries Temporelles e A. Philippe Etude prliminaire dune srie temporelle e e Quelques fonctions utiles : ts [objet R pour reprsenter une srie temporelle], e e acf [auto corrlations/covariances], e diff [calcul des dirences xt xth o` h est le lag], e u filter [par exemple pour la simulation des mod`les AR tudis dans lexercice 3 ] e e e Ex 1. On consid`re une srie chronologique (x1 , , xn ) de longueur n et on note x (h) la e e n suite des auto-corrlations empiriques e 1) Soit ( n ) un bruit blanc centr et de variance 1. Calculer et reprsenter les covae e riances empiriques n (h) pour les sries zj = j + j pour j {1, , n} (mod`le additif ) e e et wj = j j pour j {1, , n} (mod`le multiplicatif ). e 2) Commentez les rsultats obtenus dans cet exercice. e Ex 2. 1) Ecrire une fonction qui retourne une srie de la forme e yj = a cos(j) + bj +
j

2) Pour a = 0 et b R, simuler une trajectoire, puis reprsenter e 2-1) la srie et sa suite dauto-corrlations empiriques e e 2-2) la suite des auto-corrlations empiriques associe ` la srie Xn Xn1 e e a e 2-3) la srie Xn Xn1 e 3) Pour b = 0 et = /6 simuler une trajectoire, puis reprsenter e 3-1) la srie et sa suite des auto-corrlations empiriques e e 3-2) la suite des auto-corrlations empiriques associe ` la srie Xn Xn12 e e a e 3-3) la srie Xn Xn12 e Ex 3. 1) Simuler des trajectoires de processus dni par e Xn + aXn1 =
n

o` ( n ) est une suite de variables alatoires centres iid. u e e 2) Pour |a| = 0, .5, .9, tracer la trajectoire simule et sa suite des auto-corrlations e e empiriques.

Ex 4. Donnes des ventes de champagne e Le chier champ.asc est disponible sur le web ` ladresse suivante a http://www.math.sciences.univ-nantes.fr/~philippe/lecture/champ.asc On note (Ct ) la srie. e 1) Tracer la srie (Ct ) et sa suite des auto-corrlations empiriques. e e 2) En utilisant les rsultats de lexercice prcdent, peut-on dtecter la prsence dune e e e e e fonction priodique ou dune tendance dans cette srie. e e 3) Tracer la srie (log(Ct )) et sa suite des auto-corrlations empiriques. e e 4) Simuler des sries de longueur 100 de la forme e at + b cos et at + b cos 2t 12 2t 12 + c cos 2t 6 2t 6 + b sin 2t 12 2t 12 + c sin 2t 6 2t 6

+ c cos

+ b sin

+ c sin

(1)

o` ( t ) est une suite de variables alatoires i.i.d. N (0, 1) u e 5) Tracer les sries simules pour direntes valeurs des param`tres (a, b, c) et come e e e parer avec la srie des ventes de champagne ou sur la srie (log(Ct )). e e 6) On ajuste sur la srie des ventes de champagne ou sur la srie (log(Ct )) le mod`le e e e dni en (1). Calculer les estimateurs de (a, b, c) par la mthode des moindres carrs. Que e e e peut-on dire de la qualit du mod`le. Peut on modliser la srie des rsidus par un bruit e e e e e blanc ?

Universit de Nantes UFR des Sciences et Techniques e Dpartement de Mathmatiques e e

Master 2 professionel

Sries Temporelles e A. Philippe Ex 5. Visualiser les proprits du priodogramme ee e 1) Tracer le priodogramme des suites nies suivantes pour direntes valeurs de n : e e 1-1) xt0 = et xt = 0 pour tout t = t0 , t {1, , n} 1-2) xt = pour tout t {1, , n} 1-3) xt = at pour tout t {1, , n}. 1-4) xt = aeit pour tout t {1, , n}. Comparer les priodogrammes lorsque e est une frquence de Fourier et lorsque nest pas une frquence de Fourier. e e 1-5) xt = b cos(t) + at 2) Tracer le priodogramme dune suite de variables alatoires indpendantes gause e e siennes et mettre en vidence la proprit suivante e ee Le priodogramme dun bruit blanc gaussien aux frquences de Fourier forme e e une suite de variables alatoires indpendantes et identiquement distribues e e e suivant une loi exponentielle. 3) Ex 6. Reprendre les exemples prcdents en ajoutant un bruit blanc aux sries. e e e Tendance et saisonnalit : tude de la srie de vente de voitures e e e

http://www.math.sciences.univ-nantes.fr/~philippe/lecture/voiture.dat On conserve uniquement le dbut de la srie avant la rupture. e e 1) A laide du priodogramme et de la suite des covariances empiriques, mettre en e vidence la prsence dune tendance et dune composante saisonni`re dans cette srie. e e e e Approche 1 2) Estimer la tendance et la composante saisonni`re de cette srie. e e 3) Eliminer la tendance et la composante saisonni`re ` partir de vos estimations. On e a note (Rj )j la srie obtenue. e 4) La srie (Rj )j peut elle tre modlise par un bruit blanc ? Discuter le rsultat. e e e e e Approche 2 5) Eliminer la tendance et la composante saisonni`re en appliquant un ou plusieurs e s d ltres linaires de la forme (I L ) . On note (Rj )j la srie obtenue. e e 6) La srie (Rj )j peut elle tre modlise par un bruit blanc ? Discuter le rsultat. e e e e e Conclusion

Universit de Nantes UFR des Sciences et Techniques e Dpartement de Mathmatiques e e

Master 2 professionel

Sries Temporelles e A. Philippe Processus ARMA. Processus L2 Ex 7. Slection de mod`les e e Le graphique suivant, reprsente les autocorrlations et autocorrlations partielles eme e e piriques de processus ARMA simuls (les trajectoires sont de longueur 500). A partir de e ces graphes, identier les processus AR, MA et ARMA (prciser les ordres). e

serie 1
0.5 0.0 0.5 1.0 0.1 0.1

serie 1

Partial ACF
0 5 Lag 10 15

ACF

0.4

8 Lag

10

12

14

serie 2

serie 2

Partial ACF
0 5 Lag 10 15

0.5

ACF

0.5

0.6

0.2

8 Lag

10

12

14

serie 3
0.2 0.2

serie 3

0.5

Partial ACF
0 5 Lag 10 15

ACF

0.5

0.8

8 Lag

10

12

14

serie 4
0.5 1.0 0.2

serie 4

Partial ACF
0 5 Lag 10 15

0.5

0.6 0.2

ACF

8 Lag

10

12

14

serie 5
0.8

serie 5

Partial ACF
0 5 Lag 10 15

ACF

0.4

0.0

0.2

0.2

8 Lag

10

12

14

Indication : ARMAacf pour le calcul des autocorrlations et des autocorrlations partielles e e arima.sim pour simuler les trajectoires des processus ARMA arima ou ar pour estimer les param`tres dun mod`le ARMA ou AR e e Ex 8. On consid`re le mod`le AR2 dni par e e e Xt + a1 Xt1 + a2 Xt2 =
t

(2)

o` ( t )t est une suite iid suivant la loi standard gaussienne. u Pour les trois situations suivantes a1 = 5 et a2 = 1 6 6 a1 = 5 et a2 = .9 6 a1 = 1.12 et a2 = 0.5 1) calculer les racines du polynme caractristique. (voir polyroot) o e 2) simuler une trajectoire de longueur n (par exemple n = 500) 3) reprsenter la trajectoire, ses auto-corrlations empiriques, ses auto-corrlations e e e partielles empiriques et son priodogramme. e 4) calculer les estimateurs de Yule Walker des param`tres a1 , a2 . e Ex 9. On consid`re la srie des lynx au Canada ( data(lynx)) note (Lyt )t . On cherche ` e e e a modliser les 109 premi`res valeurs de cette srie par un processus stationnaire. Les 5 e e e derni`res valeurs sont conserves pour valuer les performances des prvisions ralises. e e e e e e Modlisation e 1) Tracer la srie (Lyt ), ses autocorrlations empiriques, ses autocorrlations pare e e tielles empiriques et son priodogramme. Commenter. e 2) Modliser cette srie par un processus AR dordre p. e e 3) Peut on valider la modlisation obtenue. (Indication : tester si la suite (t )t est e bien un bruit blanc). 4) Calculer et reprsenter les racines du polynme caractristique. e o e Comparaison avec une srie simule suivant le mod`le estime e e e e 5) Simuler une trajectoire de longueur 109 suivant le mod`le autorgressif obtenu ` e e a la question 2). 6) Tracer la srie simule, ses autocorrlations empiriques et ses autocorrlations e e e e partielles empiriques. Commenter. Prvision e ` 7) A partir du mod`le estim, calculer les prvisions Ly 110 , , Ly 114 . Reprsenter e e e e sur un mme graphique les prvisions, les valeurs de la srie et lintervalle de prvision. e e e e

Universit de Nantes UFR des Sciences et Techniques e Dpartement de Mathmatiques e e

Master 2 professionel

Sries Temporelles e A. Philippe Processus ARMA. Processus L2 [SUITE] Ex 10. crit`re AIC e La fonction ar estime lordre et les coecients dun processus AR. Le mod`le slece e tionn minimise le crit`re AIC. Pour valuer les performances du crit`re AIC, estimer e e e e a ` laide dune mthode de Monte Carlo, la distribution de lordre slectionn pour les e e e mod`les suivants : e 1. AR(1) avec a1 = .75, puis a1 = .9 2. AR(2) avec a1 = 5 et a2 = 1 6 6 a1 = 5 et a2 = .9 6 Comparer les rsultats pour direntes valeurs de n, par exemple 25, 50, 100, 500 e e Ex 11. Le chier http://www.math.sciences.univ-nantes.fr/~philippe/lecture/arima.txt contient une srie simule de longueur 150. e e 1) Tracer les autocorrlations et autocorrlations partielles empiriques. Commenter e e 2) Si on suppose que le processus est un processus stationnaire ARMA, proposer un mod`le et estimer les param`tres. e e 3) Calculer les racines du (des) polynme(s) caractristique(s). o e 4) A la lumi`re des rsultats obtenus, proposer une alternative ` la modlisation e e a e ARMA.

Universit de Nantes UFR des Sciences et Techniques e Dpartement de Mathmatiques e e

Master 2 professionel

Sries Temporelles e A. Philippe Processus ARMA. Processus L2 [SUITE] Ex 12. Prvision ARMA e 1) Simuler une trajectoire de longueur 505 dun processus ARMA(2,1) donn par e Xt 1.3Xt1 + 0.5Xt2 =
t

+ 0.5

t1

o` ( t )t1, ,n est un bruit blanc gaussien centr rduit. On consid`re uniquement les 500 u e e e premi`res valeurs dans la suite de lexercice. Les 5 derni`res valeurs sont conserves pour e e e valuer les performances des prvisions ralises. e e e e 2) Tracer les autocorrlations et autocorrlations partielles empiriques. e e 3) A partir des 500 premi`res observations, donner une estimation des param`tres e e du processus ARMA(2,1). 4) Valider le mod`le. e 5) A partir du mod`le estim, calculer les prvisions X501 , , X505 . Reprsenter e e e e sur un mme graphique les prvisions, les valeurs de la srie et les tubes de onance. e e e Commenter ...

Universit de Nantes UFR des Sciences et Techniques e Dpartement de Mathmatiques e e

Master 2 professionel

Sries Temporelles e A. Philippe Processus SARIMA Un processus SARIMA (p, d, q), (P, D, P )s est Ap (L)P (Ls )Yt = Q (Ls )Bq (L) avec Yt = (I L)d (I Ls )D Xt Ex 13. 1) Sur la srie de vente de voitures (avant la rupture), montrer que la mode e lisation SARIMA ne fournit pas une solution satisfaisante. www.math.sciences.univ-nantes.fr/~philippe/lecture/voiture.txt Ex 14. On souhaite prvoir le nombre dusagers de la SNCF pour les 12 mois de lanne e e 2001. Pour raliser la prvision, on dispose des donnes mensuelles sur 11 annes entre e e e e 1990 et 2000. Ces donnes sont disponibles dans le chier suivant e www.math.sciences.univ-nantes.fr/~philippe/lecture/donnees-sncf-1990-2000.txt 1) Justier le choix dune modlisation SARIMA sur cette srie ` laide de quelques e e a graphiques. En dduire une estimation de (d, D, s) e 2) Valider un ou plusieurs mod`les SARIMA sur cette srie. e e 3) Pour les mod`les SARIMA valids ` la question prcedente, calculer les prvie e a e e sions mensuelles pour lanne 2001. Representer les dierentes prvisions et les rgions de e e e conance. 4) Evaluer la qualit de vos prvisions en les comparant avec les valeurs observes e e e 12 en 2001. Vous pouvez par exemple calculer les erreurs quadratiques h=1 (n:h xn+h )2 . x Elles sont disponibles dans le chier www.math.sciences.univ-nantes.fr/~philippe/lecture/donnees-sncf-2001.txt 5) conclure
t