Attention ! Ne pas confondre la moyenne et la médiane.
Définition : C'est la somme de toutes les valeurs du caractère divisée par le nombre total des valeurs. Elle est notée ? .
SAVOIR FAIRE La notion de propension en économie Activités pour
La propension moyenne à épargner L'INSEE a calculé le revenu et la consommation annuelle moyenne des ménages ... Définition d'unité de consommation :.
Agence Nationale pour la Promotion de la Petite et Moyenne
champ d'intervention de l'ANPME due en particulier à la difficulté liée à la définition de la PME si bien que la loi 53-00 formant "Charte de la PME" du 23
Physiologie : la pression artérielle moyenne
pas symétriques autour de la moyenne : reflet de la pression circulatoire moyenne. ... Enfin rappelons que la définition de valeurs.
Les processus AR et MA
c cos(?h)d? = 0 si h = 0 ce qui est la définition d'un bruit blanc faible. • moyenne mobile d'ordre 1: MA(1). Soit Xt = ?t + ??t?1:.
Séries Chronologiques
définition de la moyenne mobile. De mani`ere équivalente m1 est donc le plus grand exposant de B et. ?m2 le plus petit. Vocabulaire :.
Intégrale de Riemann
Définition 1.1 (Subdivision). Soit a et b deux réels tels que a < b. Définition 1.3 (Somme de Riemann) ... Définition 2.10 (Valeur moyenne).
STATISTIQUE : ESTIMATION
Définition d'une région de confiance. 13. 2. Construction de régions de confiance Estimation de la moyenne quand la variance est inconnue.
OECD iLibrary
définition élargie de sorte que la modélisation repose sur l'ancienne mesure du salaire de rémunération moyenne ne repose ni sur le salaire moyen.
Moyenne Moyenne pondérée Définition : Pour calculer la moyenne
Définition : Pour calculer la moyenne des valeurs d'une série : ? on additionne toutes les valeurs de la série ;. ? puis on divise par l'effectif total de
Les processus AR et MA
MAP-STA2 : Séries chronologiques
Yannig Goude yannig.goude@edf.fr
2020-2021
Contents
Théorème de représentation de Wold 1
Représentation spectrale2
Opérateurs retard et avance 5
Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5Inversion de polynômes enL. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .6
Processus auto-régressif (AR) 7
Processus moyennes mobiles (MA) 10
Processus autorégressifs moyennes mobiles (ARMA) 13 Identification et estimation de modèles ARMA 15Théorème de représentation de WoldCe théorème motive les résultats présentés dans ce chapitre. Nous n"en ferons pas la démonstration pour des
raisons de temps. théorème soit(Xt)t?Z)un processus centré et stationnaire du second ordre, alors on a la décomposition suivante: X t=+∞? j=0ψ jεt-j+Ct, t?Z où •ψ0= 1et?+∞ j=0|ψj|<+∞ •εtest le processus d"innovation deXt •Ctest un processus déterministeles moyennes mobiles s"avèrent donc intéressantes pour modéliser des processus stationnaires. La question
reste alors l"estimation des coefficientsψ. Nous verrons par la suite que certaines familles de modèles
permettent une représentation parcimonieuse de cette moyenne mobile. 1Représentation spectraleNous avons jusqu"à présent étudié les processus stationnaires du second ordre dans leur représentation
temporelle. On peut également s"intéresser à leur représentation dans le domaine des fréquences, approche
largement considérée en traitement du signal, en décomposant le processus en composantes périodiques
aléatoires. Considérons, pour simplifier, le cas des moyennes mobiles infinies. X t=? i?Zθ iεt-i,? i?Z|θi|<+∞ etεtest un bruit blanc de varianceσ2.Ce processus a pour fonction de covariance:
γ(h) =σ2?
i?Zθ iθi-h la sérieγ(h)est absolument sommable (à vérifier). la densité spectrale du processus est la fonction définie par: f(ω) =12π? h?Zγ(h)eiωh,?ω?R cette fonction existe car la série(γ(h)eiωh)h?Zest absolument sommable. D"autre part c"est une fonction réelle carγest paire: f(ω) =12π[γ(0) ++∞? h=1γ(h)(eiωh+e-iωh)] f(ω) =γ(0)2π+1π h=1γ(h)cos(ωh) =12π+∞? h=-∞γ(h)cos(ωh) propriétéconnaitre la fonction d"auto-covariance d"un processus est équivalent à connaitre sa densité
spectrale et on a:γ(h) =?
-πf(ω)cos(ωh)dω=? -πf(ω)eiωhdω preuveà faire propriété soient(Xt)t?Zun processus moyenne mobile infinieXt=? i?Zθiεt-iet(Yt)t?Zle processus défini parYt=? j?ZθjXt-javec? i?Z|θi|<+∞alors on a la relation suivante entre les deux densités spectrales deXetY: f y(ω) =fx(ω)|? j?Zθ jeiωj|2 preuveà faire exemples 2 •bruit blanc: la densité spectrale d"un bruit blanc de varianceσ2est constante et vaut: f(ω) =12π? inversement, siXest un processus stationnaire de densité spectrale constantef(ω) =con a:γ(h) =?
-πccos(ωh)dω= 0,sih?= 0 ce qui est la définition d"un bruit blanc faible. •moyenne mobile d"ordre 1: MA(1). SoitXt=εt+θεt-1: f(ω) =σ22π(1 +θ2+ 2θcos(ω)) •moyenne mobile infinie: MA(∞). soitXt=? j?Zθjεt-j, on a alors:γ(h) =σ2?
j?Zθ2j+|h|
et f(ω) =σ22π|Θ(eiω)|2 avecΘ(z) =?+∞ j=0θjzj,z?C. d"ou:f(ω) =σ22π1|1-θeiω|=σ22π11 +θ2-2θcos(ω)ci-dessous un exemple de densités spectrales obtenues pour deux processus AR(1), de coefficientsθ= 0.3et
θ= 0.9. Le casθ= 0.9fait clairement apparaitre une prédominance des basses fréquentes.set.seed(131)
n<- 1000sigma<- 1/2 eps<-rnorm(n,0,sd=sigma) y03<-arima.sim(n =n, list(ar =c(0.3)),innov=eps) y09<-arima.sim(n =n, list(ar =c(0.9)),innov=eps) par(mfrow=c(2,2)) plot(y03,type=?l?,ylim=range(y03,y09)) spectrum(y03,kernel("daniell",c(3,3 ))) plot(y09,type=?l?) spectrum(y09,kernel("daniell",c(3,3 ))) 3 Time y03
02004006008001000
-4 0 40.00.10.20.30.40.5
0.1 0.5 frequency spectrumSeries: x
Smoothed Periodogram
bandwidth = 0.00284 Time y0902004006008001000
-4 0 40.00.10.20.30.40.5
0.05 5.00 frequency spectrumSeries: x
Smoothed Periodogram
bandwidth = 0.00284Un autre exemple avec le processus:Xt= 2cos(2πt/10) + cos(8πt/10) +εt: 4020406080100
-2 0 2 4 Index X10.00.10.20.30.40.5
0.2 0.5 1.0 2.0 5.0 frequency spectrumSeries: x
Smoothed Periodogram
bandwidth = 0.0284Opérateurs retard et avanceDéfinition
définitionon appelle opérateur retardLl"opérateur qui associe à un processus(Xt)t?Zle processus(Yt)t?Z
tel queYt=LXt=Xt-1. Cet opérateur est: •linéaire •inversible: son inverse estL-1=Ftel queFXt=Xt+1et est appelé l"opérateur avanceDe plus on a:
L nXt=Xt-n et p? i=1a iLi)Xt=p? i=1a iXt-i séries en Lon peut définir à l"aide de cet opérateur des séries enL(ouF). Soit un processus stationnaire
(Xt)t?Zet une suite(ai)i?Zde nombres réels absolument sommable? i?Z|ai|<∞, alors le processus défini par: Y t=? i?Za iXt-i= (? i?Za iLi)Xt 5 est stationnaire (voir le cours précédant).Inversion de polynômes enL
Avec ces notations le processus AR(1)Yt=aYt-1+εt, avec|a|<1s"écrit ainsi:(1-aL)Yt=εtainsiYt= (1-aL)-1εtet l"écriture moyenne mobile de ce processus peut-être vue comme un problème
d"inversion du polynômex→1-ax. En se rappelant qu"au voisinage de0:11-ax= 1 +ax+a2x2+...+akxk+...
on a: Y t= (∞? i=0a iLi)εtPlus rigoureusement,1-aLest une application de l"ensemble des processus stationnaires dans lui même. La
série?∞ i=0aiétant absolument sommable, la série?∞ i=0aiLiest défnie (|a|<1) et nous avons: i=0a iLi)(1-aL) =∞? i=0a iLi-ai+1Li+1=L0= 11-aLest donc inversible et son inverse vaut(1-aL)-1=?∞
i=0aiLi. Remarquons que le processusXt=?∞
i=0aiYt-iest l"unique processus stationnaire satisfaisant(1-aL)Xt=Ytmais pas le seul processus. En effet, siZest une v.a. quelconque,Zatest solution (non-stationnaire!) de(1-aL)Xt= 0.Si|a|>1,1-aL=-aL(1-1a
F),-aLest inversible et son inverse est-1a
F. D"autre part, la série?∞
i=01a iFi existe et est l"inverse de1-F/a.On a donc:
11-aL= (-1a
F)(∞?
i=01a iFi) =∞? i=11a iFiDans le cas|a|= 1,1-aLn"est pas inversible. Si par exemplea= 1, tout processus constant est annulé par
l"opérateur1-L, l"application1-Ln"est donc pas injective. Plus généralement, si l"on considère un polynôme:Φ(z) = 1 +φ1z+φ2z2+...+φpzp
de racineszj= 1/ajde modules supérieurs à 1. Alors on sait qu"il existe une série entièreΨ(z) =?
i?Zψizi telle que i=0|ψi|<∞etΦ(z)Ψ(z) = 1En appliquant ce résultat aux séries enL,Φ(L) = 1 +φ1L+φ2L2+...+φpLpest inversible et son inverse
estΨ(L). 6 Pour déterminer les coefficientsφion utilisera une des 3 méthodes suivantes:•expliciter la relationΦ(z)Ψ(z) = 1en identifiant les coefficients de même degré et donc résoudre le
système récursif suivant: 0= 11+φ1= 0
2+φ1ψ1+φ2 = 0
p+φ1ψp-1+...+φp-1φ1 +φp= 0 n+φ1ψn-1+...+φp-1ψn-p+1+φpψn-p= 0?n > p •effectuer la division de 1 parΦ(x)selon les puissances croissantes.décomposer en éléments simples la fraction1/Φ(x), puis on écrit le développement en série de chaun
des termes de la décomposition. Ainsi, si toutes les racinesλideΦsont réelles distinctes on a:
1Φ(x)=1?
p i=1(1-λix)=p? i=1a i1-λix=p? i=1a i∞ j=0λj izj=∞? j=0[p? i=1a iλj i]zjL"inverse deΦexiste dès que ses racines sont de module différent de 1. En effet, supposons que lesrpremières
racines soient de module supérieur à 1 et que lesp-rdernières de module inférieur à 1, on a de même que
pour1-aL:Φ(L) =p?
i=1(1-λiL) =r? i=1(1-λiL)p? i=r+1(1-Aλ iF)p? i=r+1(-λiL) Soit:Φ(L) = Φ1(L)Φ2(F)λLp-r
1etΦ2sont inversibles (racines de module >1) doncΦ(L)est inversible et son inverse vaut:
1Φ(L)=1Φ
1(L)1Φ
2(F)1λ
Fp-rProcessus auto-régressif (AR)
définition on appelle processus autorégressif d"ordrep, usuellement noté AR(p), un processus stationnaire (Xt)t?Zvérifiant une relation du type: X t+p? i=1φ iXt-i=εt,?t?Z avecφi?Retεtun bruit blanc de varianceσ2.Cette relation s"écrit également:
Φ(L)Xt=εt
7 oùΦ(L) = 1 +φ1L+...+φpLpEcriture moyenne mobile infiniela définition du processsus AR(p) proposée n"implique pas forcément
que cette équation a une solution unique stationnaire. Pour celà, il faut relier ce problème à la question de
l"inversion du polynôme enL:Φ(L)vu précédemment.siΦa toutes ses racines de module différent de 1 on peut inverserΦ(L)et l"équation a une unique
solution avec une écriture moyenne mobile infinie: X t= Φ(L)-1εt=+∞? j=-∞h jεt-j,+∞? j=-∞|hj|<+∞on voit que dans ce cas la valeur deXtpeut dépendre des valeurs passées, présentes et futures deεt. Dans
le cas ou les racines deΦsont de module strictement supérieur à 1,Φ-1(L)ayant un développement ne
contenant que des puissances positives deL, la valeur deXtne dépend que des valeurs passées deεt:
X t=+∞? j=0h jεt-j,+∞? j=0|hj|<+∞, h0= 1on voit donc queXt-1ne dépend (linéairement) que deεt-1,εt-2... Commeεest un bruit blanc,Xt-1est
donc non corrélée àεt. La projection linéaire deXtsur son passé s"écrit donc: PM-∞
t-1(Xt) =-p? i=1φ iXt-i et X t-PM-∞ t-1(Xt) =εtLe bruit blancεtest appelé le processus des innovations associé àX. Lorsqueεtest un bruit blanc fort,
l"indépendance des innovations implique quePM-∞ t-1(Xt)est non-seulement la régression linéaire deXtsur son passé mais aussi son espérance conditionnelle.Modification des racines
lorsque les racines deΦsont de module différent de 1 on peut montrer que,quitte à change de bruit blanc générateur, on peut supposer que ces racines sont de module supérieur à 1.
En utilisant la densité spectrale on a:
22π=fX(ω)|1 +p?
j=1φ jeiωj|2 et fX(ω) =σ22π|1 +?p
en notantzjles racines deΦ, on a: fX(ω) =σ22π|?p
j=1(1-eiωz j|2 8supposons que lesrpremières racines deΦsoient de module supérieur à 1 et lesp-rde module inférieur à
1. On note:
?=r? j=1(1-Lz j)p? j=r+1(1-Lzj)le polynôme construit en remplaçant les racines de module inférieur à 1 par leur inverse dansΦ.
Le processus:
t= Φ?Xt est un bruit blanc: fη(ω) =|Φ?(eiω)|2fX(ω)
σ22πp
j=r+1|1-eiωzj|2|1-eiωz j|2=σ22πp j=r+1|zj|2 ce qui est bien indépendant deω. Doncηtest bien un bruit blanc de varianceσ2?p j=r+1|zj|2, varianceinférieure àσ2variance deε. Cette nouvelle représentation deXtfait donc intervenir un bruit blanc
s"interprétant comme l"innovation (on peut développerXten moyenne mobile infinie ne dépendant que du
passé deηt) et dont la variance est plus faible que celle du bruit blanc initial.On voit donc qu"en choisissant une racine ou son inverse on peut obtenir de nombreuses représentations deXt.
On appelle la représentation dans laquelle toutes les racines sont de module supérieur à 1 la représentation
canonique du processusXt, celle dans laquelle le bruit blanc générateur est l"innovation. Fonction d"autocorrélation d"un AR(p)soit un processus stationnaireAR(p)défini parΦ(L)Xt=Xt+p?
i=1φ iXt-i=εt dont les racines sont de modules>1.Alors la fonction d"autocorrélation:
ρ(h) +p?
j=1φ jρ(h-j) = 0, h= 1,2...est donc définie comme la solution d"une suite récurrente d"ordrep, donc racines non-nulles de l"équation:
p+p? j=1φ jλp-j= 0 soit: 9 1 + p? j=1φjλ-j= 0c"est à dire que1λest racine deΦdonc|λ|<1. On sait donc queρ(h)est une combinaison de différentes
composantes: exponentielles décroissantes pour les racines réelles, sinusoïdes amorties pour les racines
complexes, exponentielles décroissantes et termes polynomiaux pour les racines multiples. Par conséquent,
ρ(h)tend exponentiellement vers 0 avech.
Remarquons également qu"on a la relation matricielle (équation de Yule-Walker): (-φ1... -φp) )= [ρ(i-j)]-1( (ρ(1)ρ(p))
Ce qui donne un algorithme d"estimation des coefficients d"un processus AR(p) en remplaçantρ(h)par leur
autocorrélation empirique. Remarquons également que la variance de ce processus vaut:γ(0) =-p?
j=1φ jγ(j) +σ2=σ21 + ?p j=1φjρ(j) Fonction d"autocorrélation partielle d"un AR(p)soit un processus stationnaireAR(p)défini parΦ(L)Xt=Xt+p?
i=1φ iXt-i=εt dont les racines sont à l"extérieur du disque unité.On a que l"autocorrélation partieller(h) = 0sih≥p+ 1car la projection deXtsurM(Xt-1,...,Xt-h)est
-?p j=1φjXt-jet le coefficient associé àXt-hest nul.Cette propriété est très utile en pratique lorsque l"on cherche à identifier l"ordre d"un processus AR. On
peut ainsi calculer les autocorrélation partielles empiriques et regarder quand celles-ci sont négligeables
(non-significativement différentes de 0). Notons également quer(p) =-φp.Processus moyennes mobiles (MA)
définition on appelle processus moyene mobile d"ordreq, usuellement noté MA(q) (moving average), un processus(Xt)t?Zdéfini par: X où lesθisont des réels etεtest un bruit blanc de varianceσ2. De même que pour les processus autorégressifs cette relation s"écrit: X t= (1 +θ1L+...+θqLq)εt= Θ(L)εtContrairement à l"AR(p) la définition du MA(q) est explicite et le processusXtest stationnaire.
10Ecriture autorégressive infiniepar analogie avec ce qu"on a vu pour les AR(p), siΘ(z)a des racines de
modules différents de 1, on peut écrire: i=-∞π iXt-i=εt,avec+∞? i=-∞|π|<+∞si les racines sont toutes de module supérieur à 1,πi= 0pouri <0etεtest l"innovation du processusXt
(démonstration similaire à celle effectuée pour les AR, à faire en exercice). On dit dans ce cas que le processus
est inversible.Modification des racines
siΘ(z)à certaines de ses racines à l"intérieur du disque unité, on peut, quitte à changer de bruit blanc, se ramener à une moyenne mobile inversible.Par exemple, si
X t= Θ(L)εt= (1-z1L)(1-z2L)...(1-zqL) oùz-11,...,z-1qqont les racines deΘ. Supposons que lesrpremières racines soient de module>1.La densité spectrale deXest donnée par:
fquotesdbs_dbs47.pdfusesText_47[PDF] Moyenne Du troisieme trimestre
[PDF] moyenne en anglais
[PDF] moyenne en seconde générale
[PDF] moyenne en seconde pour passer en es
[PDF] moyenne et absence
[PDF] moyenne et durées
[PDF] Moyenne et écart type
[PDF] Moyenne et médiane
[PDF] Moyenne général
[PDF] moyenne générale
[PDF] moyenne intervalle statistique
[PDF] moyenne maths
[PDF] moyenne meaning
[PDF] moyenne minimum pour passer en 1ere es