Exercice
4) Calculer la fonction d'autocorrélation du signal carré obtenu par répétition de la fonction porte à tous les instants kT' avec T'=2T et k entier. 5) Montrer
TD : signaux aléatoires et autocorrélation Table des mati`eres
Exercice 2. — Signal harmonique modulé. Soit le signal. Y (t) = X(t) cos(2πν0t + ϕ) avec X(t) un signal stationnaire de moyenne nulle de fonction
Correction dexercice
Calculer la fonction d'autocorrélation γ : Ê → du signal Z notée γz et définie par : γz(τ) def. = lim. T→+∞. 1. T ∫. T. −T. Z(t)Z(t − τ)∗dt. Solution :.
Correction TRAITEMENT DU SIGNAL
EXERCICE 5. (Exercice fait et corrigé en TD). Considérons un SLIT ayant pour Autocorrélation et intercorrélation des fonctions à énergie non finie.
Sciences de gestion - Synthèse de cours exercices corrigés
Autocorrelation Consistent Covariance Matrix dans Econometrica
3. Indices dautocorrélation spatiale
2017 proposent de contourner cette difficulté en appliquant une correction des « Local spatial autocorrelation statistics : distributional issues and an ...
Théorie du signal Exercices corrigés 2 : Représentation vectorielle
Exercice 4. 1. Calculer la fonction d'autocorrelation γrect(τ) de la fonction rectangulaire. 2. Montrer que si x(t) est un signal réel `a énergie finie et
11_TD4_2020_SA_Traitement du signal 2019-2020
Exercice 3 : On considère le signal s(t) = x(t) + A cos (2 f0 t) avec x(t) 3- Calculer la fonction d'autocorrélation du signal s(t) puis sa valeur moyenne ...
Correction Fiche TD 7 - Econométrie - Autocorrelation et tests d
Correction Fiche TD 7 - Econométrie - Autocorrelation et tests d'hypothèses. Thomas Chuffart - thomas.chuffart@univ-amu.fr. December 8 2013. 1 Théorie.
Introduction à lÉtude des Séries Temporelles
13 avr. 2017 Estimation de la fonction d'auto-covariance. Exercice 3.4. • Que proposeriez-vous comme estimateur de la fonction variance du processus.
TD : signaux aléatoires et autocorrélation Table des mati`eres
Exercice 2. — Signal harmonique modulé. Soit le signal. Y (t) = X(t) cos(2??0t + ?) avec X(t) un signal stationnaire de moyenne nulle de fonction
Exercice
Exercice. Calculer l'amplitude de la dérivée d'un signal sinusoïdal Exercice. 1) Calculer la fonction d'autocorrélation d'un signal porte défini par.
Correction dexercice
Calculer la fonction d'autocorrélation ? : Ê ? Tout d'abord et ce d'apr`es le résultat de l'exercice 1
Séries temporelles
Solution succincte de l'exercice 1.2 (Stationnarité et stationnarité stricte). 1. Condi. Calculer la fonction d'autocorrélation du processus (Zt).
Séries chronologiques (avec R) (Cours et exercices)
Jan 6 2020 CORRIGÉ DE LA FEUILLE D'EXERCICES NUMÉRO 1. 11. Figure 1.4.5. Par année. Figure 1.4.7. Autocorrélation du bruit blanc.
1 Convolution et corrélation.
Exercice : démontrer que le produit est commutatif : f ? g = g ? f. Un outil indispensable en physique est le concept d'auto-corrélation.
Renforcement Séries Chronologiques
Le but de cet exercice est de montrer que la somme de deux processus stationnaires n'est Calculer la fonction d'autocorrélation partielle du processus.
Séries chronologiques (avec R) (Cours et exercices) M1 IM 2021
1.4. CORRIGÉ DE LA FEUILLE D'EXERCICES NUMÉRO 1. 11. Figure 1.4.5. Par année. Figure 1.4.7. Autocorrélation du bruit blanc.
INTRODUCTION AU SIGNAL DETERMINISTE Exercices
Calculer la fonction d'autocorrélation et la densité spectrale de puissance (DSP) d'un signal rectangulaire périodique. ?. ?. ?. = Zk. )kTt(
Correction TRAITEMENT DU SIGNAL
(Exercice inspiré des annales d'examen SY53) (Exercice fait et corrigé en TD) ... Autocorrélation et intercorrélation des fonctions à énergie.
[PDF] Correction dexercice
Calculer la fonction d'autocorrélation ? : Ê ? Tout d'abord et ce d'apr`es le résultat de l'exercice 1 réécrivons la définition de ?z
[PDF] Exercice
4) Calculer la fonction d'autocorrélation du signal carré obtenu par répétition de la fonction porte à tous les instants kT' avec T'=2T et k entier 5) Montrer
[PDF] exercices-avec-correctionpdf - Séries temporelles
Calculer la fonction d'autocorrélation du processus (Zt) Solution succincte de l'exercice 3 5 (Produit d'ARMA) 1 Il s'agit de la causalité
[PDF] TD : signaux aléatoires et autocorrélation
Exercice 4 — Détection d'un signal harmonique L'objectif de ce probl`eme est de montrer comment la fonction d'autocorrélation peut être utilisée
[PDF] Correction TRAITEMENT DU SIGNAL - Moodle UTBM
Le sujet contient un formulaire en annexe (Exercice inspiré des annales d'examen SY53) (Exercice fait et corrigé en TD)
[PDF] INTRODUCTION AU SIGNAL DETERMINISTE Exercices - qrocimtfr
Calculer la fonction d'autocorrélation et la densité spectrale de puissance (DSP) d'un signal rectangulaire périodique ? ? ? = Zk )kTt(
[PDF] Examen du 10/03/2020 corrigé
10 mar 2020 · Exercice 1 (/3) Soit Zt un processus stationnaire de moyenne nulle et de fonction d'autocovariance ? Soit mt une tendance
[PDF] TRAVAUX DIRIGES - F2School
Exercice 1 : avaux dirigés avec éléments de corrigé Calculer la fonction d'auto corrélation de ce signal Exercice 4 :
[PDF] 2019-2020 TD de Traitement du signal -:: UMI E-Learning ::
Exercice 1 : (Examen juin 2015) Exercice 2: (Examen janvier 2014) 3- Calculer la fonction d'autocorrélation du signal s(t) puis sa valeur moyenne
[PDF] Renforcement Séries Chronologiques
Exercice 4 `A partir des autocorrélations empiriques (en haut) et des autocorrélations partielles em- piriques (en bas) proposer s'il y a lieu
Comment calculer l'autocorrélation d'un signal ?
l'autocorrélation en 0 est la valeur maximale de l'autocorrélation (puisque c'est pour un décalage nul que le signal se ressemble le plus à lui-même). C'est par ailleurs l'énergie du signal : R x ( 0 ) = ? ? ? + ? x ( t ) 2 d t .- Définition 1 On dit qu'un signal aléatoire est stationnaire si ses propriétés statistiques sont invariantes par translation dans le temps. (n) X . On en déduit donc que tous les moments sont indépendants du temps.
Examen du 10/03/2020, corrigé
MAP-STA2 : Séries chronologiques
Yvenn Amara-Ouali -yvenn.amara-ouali@universite-paris-saclay.fr, Ajmal Loodally - ajmaloodally@hotmail.com; Y. Goude - yannig.goude@edf.fr
Exercice 1 (/3)SoitZtun processus stationnaire de moyenne nulle et de fonction d"autocovarianceγ. Soitmtune tendance
etstune composante saisonnière de périodep.Calculer, pour tout entiert, l"espérance et la variance deXtet sa covarianceγXdans les cas suivants. Préciser
à chaque fois le type de modèle dont il est question.1.Xt=mt+st+Zt(/1)
2.Xt=mtst+Zt(/1)
3.Xt=mtst(1 +zt)(/1)
Correction:
1.E(Xt) =mt+st,cov(Xt,Xt+k) =γ(k)
2.E(Xt) =mtst, ,cov(Xt,Xt+k) =γ(k)
3.E(Xt) =mtst,cov(Xt,Xt+k) =mtmt+kstst+kγ(k)
Exercice 2 (/2)
SoitXle processus défini par:
X t-φXt-1=εtavec|φ|<1etεest un processus aléatoire stationnaire blanc de moyenne nulle et d"écart-typeσ. Montrer
que la seule solution stationnaire de cette équation est causale. Quel est le nom du processus ainsi défini?
Correction:
C"est un processus AR(1). Cf cours.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.Exercice 3 (/4)
1.Soit un processusXtdéfini parXt=εt+ 1.5εt-1-εt-2ouεtest un bruit blanc faible de moyenne
nulle et de varianceσ2. Quel est le nom de ce processus? Calculer sa fonction d"autocovariance. (/1)
12.Calculer la densité sp ectraled"un pro cessusAR(1) e tcelle d"un pro cessusMA(1) (/1)
3.SoitXtun processusMA(∞). Exprimer sa densité spectrale. Montrer que connaitre la fonction
d"auto-covariance de ce processus est équivalent à connaitre sa densité spectrale. (/1) 4.SoientXtetYtdes processus stationnaires centrés indépendants de densités spectrales respectivesfX
etfY. Calculer la densité spectrale du processusZt=Xt+Yten fonction defXetfY. (/1)Correction:
1. pro cessusMA(2), γ(0) =σ2(2 + 1.52),γ(1) = 0,γ(2) =-σ2 2. la densité sp ectraled"un pro cessusest la fonc tiondéfinie par: f(ω) =12π? h?Zγ(h)eiωh,?ω?R •Soit le processus MA(1):Xt=εt+θεt-1, sa densité spectrale est f(ω) =σ22π(1 +θ2+ 2θcos(ω))Soit le processus AR(1):Xt=εt+φεt-1, si|φ|<1il est causal et de sa décompositionMA(∞)on
en déduit:γ(k) =σ2φk1-φ2. Si|φ|>1, on aXt=-?∞ i=1φ-iεt+i,γ(0) =σ2φ-21-φ-2,γ(k) =σ2φ-kφ 2-1.3.Connaitre 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)eiωhdωPour un processusMA(∞):
f(ω) =σ22π|Θ(eiω)|24.γZ(k) =E[(Xt+Yt)(Xt+k+Yt+k)] =γX(k) +γY(k), d"ou
fZ(ω) =12π+∞?
k=-∞e -iωk(γX(k) +γY(k)) =fX(ω) +fY(ω)Exercice 4 (/12)
Un statisticien étudie un jeux de données composé de 4 séries temporelles pour lesquelles il a représenté/calculé
les statistiques suivantes: 2 X1 Time X0100200300400500
-10 -5 0 5 10 150510152025
0.0 0.2 0.4 0.6 0.8 1.0 Lag ACF X10510152025
-0.4 0.0 0.4 0.8 LagPartial ACF
X1 X2 Time X050100150200
10 20 3001020304050
0.0 0.6 Lag ACF X201020304050
-0.4 0.4 Lag ACF diff(X2)01020304050
-0.2 0.2 LagPartial ACF
diff(X2)3050100150200
-20 0 X3 Index X05101520
-0.4 0.2 0.8 Lag ACF X3 X4 Time X0100200300400500
-10 -5 0 5 10 150510152025
-0.5 0.0 0.5 1.0 Lag ACF X40510152025
-0.5 -0.3 -0.1 0.1 LagPartial ACF
X41.Prop oserune démarc hede mo délisationp ourc hacunede ces séries, justifier. (/4)Série 1: la série ne présente pas de comportement évident de type tendance ou saisonnalité. Sa variance
semble également stable dans le temps. De plus l"acf décroit rapidement vers 0 (décroissance exponentiel)
et on peut donc supposer que c"est un processus stationnaire. D"autre part la pacf indique que le processus peut être modélisé par un AR(3).Série 2: au vu de la décroissance lente de l"ACF la série n"est pas stationnaire, cela est également
visible sur la réprésentation graphique du processus qui indique la présence d"une tendance additive.
En différenciant une fois la série, on élimine la composante de tendance linéaire. Il apparait ainsi dans
l"ACF une composante périodique additive de période 10 qu"il faudrait modéliser par une régression sur
série de fourier. Le choix du nombre d"harmoniques pourra se faire par une méthode de sélection de
variable de type AIC ou selon des performances obtenues sur un échantillon test (sur la série corrigée
de la tendance). Sur la série corrigée de la tendance et de la saisonnalité, il faudra représenter l"ACF et
la PACF pour rechercher l"existance d"autocorrélation dans la série et ainsi préciser l"ordre d"un modèle
ARMA.Série 3: le graphique de la série montre clairement l"existance d"une saisonnalité additive de période 10,
cela est également visible sur l"ACF. On distingue également une tendance multiplicative par morceaux
(augmentation de l"amplitude des oscillations jusqu"à t=100, puis diminution brutale et croissance
jusqu"à t=200). Cette tendance est à modéliser en passant au log puis en effectuant une régression
spline. Sur la série corrrigée de la tendance la saisonnalité est à modéliser par une régression sur série
de fourier. Le choix du nombre d"harmoniques pourra se faire par une méthode de sélection de variable
4de type AIC ou selon des performances obtenues sur un échantillon test (sur la série corrigée de la
tendance).Série 4: la série ne présente pas de comportement évident de type tendance ou saisonnalité. Elle
semble homoscédastique. De plus l"acf décroit rapidement vers 0 et on peut donc supposer que c"est
un processus stationnaire. D"autre part l"ACF s"anule à partir du rang 5 inclu ce qui indique que le
processus peut être modélisé par un MA(4). Notre statisticien s"intéresse ensuite à une autre sérieX5treprésentée ci-dessous. Time X5050100150200250300
2040Il propose et cherche ensuite à valider un modèle. Il obtient les sorties suivantes:
## pvalue student-test: ## ar1 ar2 ar3 ar4 ma1 ma2 ma3 ma4 ma5 ## 0.00 0.79 0.00 0.62 0.01 0.45 0.00 0.00 0.00 2. Préciser et commen terle mo dèlec hoisipar notre statisti cien.(/1)Le modèle choisie est un ARIMA (p=4, d=1, q=5) intégrant la constante. L"ordre de différenciation de 1 est
une bonne idée car cela permet d"éliminer la composante de tendance linéaire visible sur la trajectoir de la
sérieX5. De même intégrer la constante semble une bonne idée car l"ordonnée à l"origine n"est pas nulle.
3. A quoi correspond "sigmaˆ2"? Que signifie l"option "method = c("ML")"? A quoi correspondent les p-values affichées? (1.5)"sigmaˆ2"" est l"estimateur de la variance de l"innovation par maximum de vraisemblance. l"option "ML"
signifie que les paramètres du modèle sont obtenus par maximum de vraisemblance gaussienne. Les p-values
affichées correspondent au test de student de significativité des coefficients du modèle au seuil 0.05:
?φp|σ ?φp<1.96 4.Il décide de tester un modèle ARIMA(5,1,6) et obtient pour ce modèle une log-vraisemblance de-627.4,
cela vous parait-il logique? Quel est l"AIC de ce modèle? (/1.5)La log vraisemblance du premier modèle est -629.03 pour un modèle comprenantp+q+ 1 = 10paramètres.
En ajoutant 2 paramètres il est normal que la log vraisemblance augmente (l"erreur quadratique diminue car
le modèle ayant plus de paramètres il s"ajuste mieux aux données). L"AIC obtenu par ce nouveau modèle est
2?627.4 + 2?12 = 1278.8ce qui est supérieur à l"AIC du premier modèle.
5. A uvu de ces résultats que doit faire notre statisticien? (/1)L"hypothèse de nullité du coefficient AR(4) n"est pas rejettée au seuil 5%. Il faut donc réduire séquentiellement
l"ordre du modèle et réeffectuer un test. 6.Il souhaite ensuite v aliderson mo dèle,quels autres outi lsde diagnostique lui prop osezv ous?(/1.5)
5 plusieurs pistes sont à regarder pour valider son modèle:quotesdbs_dbs13.pdfusesText_19[PDF] en quoi le monde est il inégal dans le domaine de la santé
[PDF] les inégalités face ? la santé dans le monde synthèse
[PDF] déclaration de dons de sommes d'argent
[PDF] article 790 g du code général des impôts
[PDF] declaration de don manuel n° 2735
[PDF] formulaire 2734
[PDF] formulaire cerfa 2731 pdf
[PDF] don manuel exceptionnel
[PDF] cerfa 2731 ou 2735
[PDF] don manuel plafond
[PDF] des souris et des hommes livre complet
[PDF] des souris et des hommes livre audio
[PDF] des souris et des hommes extrait
[PDF] des souris et des hommes audio mp3 gratuit