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.
Renforcement
S´eries Chronologiques
Exercices et TP
Agn`es Lagnoux
lagnoux@univ-tlse2.fr ISMAGMASTER 1 - MI00141X
M1 ISMAG
MI0B246X - S´eries chronologiques
Feuille d"exercices n°1 : Processus stationnaires, AR et MAExercice 1
Le but de cet exercice est de montrer que la somme de deux processus stationnaires n"est pas n´ecessairement stationnaire. Soit (ηt)t?Zun bruit blanc; v´erifier que les processus d´efinis par :Xt=ηt,?t?Zet Y t= (-1)tηt,?t?Zsont stationnaires. Montrer que leur sommeZt=Xt+Yt,?t?Z, n"est pas un processus stationnaire.Exercice 2
Parmi les s´eries chronologiques suivantes, d´eterminer celles qui sont centr´ees, stationnaires.
-Xn=1 n?n. -Xn= 0.2?n+ 0.9?n-8. -Xn=?2n+ 0.5?n-1-σ2. -Xn=?n+ 0.2n.Nota: Ici?nest un bb Gaussien de varianceσ2.
On rappelle que siYetZsont des v.a. ind´ependantes, alorsY2est ind´ependant deZ. Certains calculs peuvent ˆetre ´evit´es en reconnaissant des mod`eles connus.Exercice 3
SoitX= (Xt)t?Nun processus stationnaire et pour toutt?Z,X?tla r´egression affine de X est un bruit blanc.Exercice 4`A partir des autocorr´elations empiriques (en haut) et des autocorr´elations partielles em-
piriques (en bas), proposer, s"il y a lieu, des mod`eles pourles processus suivants de la figure 1.Exercice 5 : Etude approfondie du processus MA(1)
On consid`ere le processus (Xt)t?Zd´efini par : ?t?Z, Xt=ηt-θηt-1, o`uθest un r´eel tel que|θ|<1 et (ηt)t?Zest un bruit blanc de varianceσ2>0. 1.3. Soit
?XT(1) la pr´evision lin´eaire optimale deXT+1, c"est-`a-dire la r´egression affine de X T+1surXT,XT-1,...Calculer l"erreur de pr´evision : IE XT+1-?XT+1?
2. 20 5 10 15 20 25 30
-0.5 0.0 0.5 1.0 Lag ACFSeries ts(a)
0 5 10 15 20 25 30
-0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 Lag ACFSeries ts(m)
0 5 10 15 20 25 30
-0.6 -0.4 -0.2 0.0 0.2 0.4 LagPartial ACF
Series ts(a)
0 5 10 15 20 25 30
-0.4 -0.3 -0.2 -0.1 0.0 LagPartial ACF
Series ts(m)
Figure1 - Exemples de l"exercice 4
3Exercice 6 : Etude approfondie du processus AR(1)Soit (Xt)t?Zun processus stochastique centr´e tel que :
X t-?Xt-1=ηt,?t?Z, o`u (ηt)t?Zest un bruit blanc de varianceσ2>0 et??R. I.1. On suppose que?= 1.
a. Pourt?Zeth?N?, ´ecrireXt-Xt-hen fonction deηt,...,ηt-h+1. b. En d´eduire la valeur deIE(Xt-Xt-h)2. c. Montrer que (Xt)t?Zne peut pas ˆetre un processus stationnaire.2. On suppose que?=-1; montrer que (Xt)t?Zne peut pas ˆetre stationnaire.
II.On suppose que|?|<1 et que (Xt)t?Zest un processus stationnaire.1. Pourt?Z, ´ecrireXten fonction de (ηs)s?Z.
2. En d´eduire queηtest l"innovation du processus `a la datet.
3. Soith?N?; ´etablir une relation de r´ecurrence entreγ(h) etγ(h-1), o`uγest la
fonction d"autocovariance du processus.4. Calculerγ(0) et en d´eduire l"expression deγ(h) pour touth.
5. Calculer la fonction d"autocorr´elation du processus.
6. Calculer la fonction d"autocorr´elation partielle du processus.
7. Montrer que, pouri= 1,2,?γ(i) =1
T-iT-i?
t=1X tXt+iest un estimateur sans biais deγ(i). En d´eduire un estimateur de?.
III. On suppose que|?|>1 et que (Xt)t?Zest stationnaire.1. EcrireXten fonction de (ηs)s?Z.
2. Soit (?t)t?Zle processus d´efini par :
X t-1 ?Xt-1=?t.Ecrire?ten fonction de (ηs)s?Z.
3. Montrer que (?t)t?Zest un bruit blanc et que?test l"innovation du processus `a la
datet.Exercice 7
Soitηun bruit blanc de variance 1 etXle MA(1) d´efini selon X t=ηt-2ηt-11. Quelles sont les autocovariances deX?
2. Quelle est la relation MA(1) entreXet son bruit blanc d"innovation??
43. Quelle est la variance de??
4. Exprimez?ten fonction des valeurs pass´ees deX.
5. Exprimez les pr´evisions optimales
?Xt(1),?Xt(2),... en fonction deXt,Xt-1,...Exercice 8
Soitηun bruit blanc etXle AR(1) de variance 1 v´erifiant X t-3Xt-1=ηt1. Comment s"exprime X en fonction des valeurs pass´ees de son bruit blanc d"innovation
t?2. On suppose avoir observ´e (X-5,...,X0) = (-1,0.6,1.2,-0.6,0.75,0.27). Quelles
sont les valeurs num´eriques des pr´edictions optimales ?X0(1) et?X0(2)?3. Quelle est la variance de??
4. D´eterminer la variance deη:
(a) en utilisant la relationXt-3Xt-1=ηt; (b) apr`es avoir exprim´eXen fonction des valeurs futures deη.Exercice 9
Soit?un bruit blanc de varianceγ?etXle AR(2) v´erifiant X t-815Xt-1+115Xt-2=?t
1. On suppose queXest de variance 1. Quelles sont les ´equations de Yule-Walker reliant
?,γ0(= 1),γ1etγ2? En d´eduire les valeurs deγ?,γ1etγ2?2. D´eterminezAetBde sorte que
1 (1-13z)(1-15z)=A(1-13z)+B(1-15z).3. Donnez les valeurs dec0,c1,c2dans l"expressionXt=c0?t+c1?t-1+c2?t-2+...
4. Comment s"exprimeXt+1-?Xt(1) l"erreur de pr´ediction `a l"horizon 1 en fonction des
t+1,?t, ...? Mˆeme question pourXt+2-?Xt(2) (en fonction des?t+2,?t+1, ...).Calculer la variance deXt+2-?Xt(2)?
Exercice 10
Soitηun bruit blanc de variance 1 etXle MA(q) v´erifiant X t= 5ηt+5-10ηt-5.1. Quelle est la valeur minimale deqpour laquelleXest un MA(q)?
2. Calculer les autocovariances deX?
3. Donner la relation entreXet son bruit blanc d"innovation?.
4. Calculer la variance de?.
5M1 ISMAG
MI0B246X - S´eries chronologiques
Feuille d"exercices n°2 : Processus ARMA
Exercice 1
Soitηun bruit blanc etXle ARMA(1,1) v´erifiant X t-2Xt-1=ηt+12ηt-1
1. Quelle est la relation ARMA entreXet son bruit blanc d"innovation??
2. ExprimezXten fonction des valeurs pass´ees de?.
3. Exprimez?ten fonction des valeurs pass´ees deX.
Exercice 2
Soit?un bruit blanc etXle ARMA(1,1) v´erifiant
X t-13Xt-1=?t-12?t-1
1. SoitYle AR(1) v´erifiant
Y t-13Yt-1=?t.
Montrez queXt=Yt-1
2Yt-1. Pour cela, on poseZt=Yt-12Yt-1. Puis on montre
que (a)Zest bien stationnaire; (b)Zsatisfait la mˆeme relation queX; (c) on d´eduit queZt=Xt.2. ExprimezγX0en fonction deγY0etγY1.
3. On suppose que?est de variance 1. CalculezγY0etγY1puis d´eduisez-enγX0.
4. Retrouver ce r´esultat directement `a partir de la relation ARMA deX.
Exercice 3
SoitXun ARMA(p,q). SoitYla s´erie stationnaire d´efinie par ?t, Yt=X-t.Montrez queYest aussi un ARMA(p,q).
Exercice 4
On ´etudie ici les processus ARMA(1,1)
X t=aXt-1+?t-b?t-1, o`u|a|<1,|b|<1 et?est un bruit blanc de varianceσ2.1. Ecrire le d´eveloppement en moyenne mobile infinie de ces processus.
2. Calculerγ(0),γ(1),...`a partir de l"expression pr´ec´edente.
63. Montrer directement (sans utiliser la repr´esentation moyenne mobile infinie) que la
variance du processusγ(0) estγ(0) =σ21 +b2-2ab
1-a2.4. D´eterminer de la mˆeme fa¸con l"autocovariance d"ordre1γ(1) ainsi qu"une relation
de r´ecurrence pour les autocorr´elations d"ordrehavech >1.5. En d´eduire les autocorr´elationsρ(h) du processus.
Exercice 5
On consid`ere le processus al´eatoire suivant
X t= 10 +710Xt-1-110Xt-2+?t-510?t-1
o`u?est un bruit blanc de varianceσ2.1. Calculer l"esp´erance deXen supposant que le processus est stationnaire.
2. Trouver un nombreμtel que le processusYt=Xt-μsoit un ARMA(2,1) sans terme
constant et pr´ecisez quelle est la r´ecurrence obtenue.3. Calculer les trois premiers coefficientsψ0,ψ1etψ2de la repr´esentation moyenne
mobile infinie deYt, c"est-`a-dire que Y t=? i≥0ψ i?t-i. D´eterminer aussi une formule de r´ecurrence g´en´erale pour les coefficientsψj.4. Calculer les trois premiers coefficientsπ0,π1etπ2de la repr´esentation moyenne
mobile infinie deYt, c"est-`a-dire que t=? i≥0π iYt-i. D´eterminer aussi une formule de r´ecurrence g´en´erale pour les coefficientsπj.5. Donner une formule de r´ecurrence pour les pr´evisions deBox-JenkinsˆYt(h) deYt+h.
6. Exprimer
ˆYt(h) en fonction desYj,j= 0,...,tet des valeursY-1,Y-2...7. En d´eduire une formule g´en´erale de pr´evision pour
ˆXt(h).
7M1 ISMAG
MI0B246X - S´eries chronologiques
Feuille d"exercices n°3 : Processus ARIMA et SARIMAExercice 1 :
On consid`ere le processus ARMA(1,1) de moyenneμ= 0 (I-φB)Yt= (I-θB)ηt o`u|φ|<1 et|θ|<1.1. Montrer que la fonction de pr´evision Box-Jenkins est donn´ee parˆYt(k) =φh-1ˆYt(1)
et queYt(1) =φYt-θηt
j=0θ jYt-j = (φ-θ)(Yt+θYt-1+θ2Yt-2+...) Ces r´esultats restent-ils vrais siφ= 1 et donc pour un ARIMA(0,1,1)?2. Montrer qu"on a aussi
ˆYt(1) = (φ-θ)Yt+θˆYt-1(1).
3. On utilise ce mod`ele pour ajuster une s´erie et on obtientcomme estimations des
param`etresφ= 0.8,θ= 0.3 etμ= 0. Les dix derni`eres valeurs disponibles sont : t51 52 53 54 55 56 57 58 59 60 yt2.98 4.10 6.10 9.36 8.57 8.82 7.31 7.19 2.36 0.40 Donner les pr´evisions des trois valeurs suivantes de la s´erie. Laquelle des diff´erentes formules pourˆYt(1) ci-dessus paraˆıt la plus convenable `a appliquer?Exercice 2 :
On consid`ere un processus ARIMA(0,1,1) (aussi appel´e IMA(1,1)) et d´efini par : (I-B)Yt= (I-θB)ηt1. Si|θ|<1, d´eterminer les coefficients de la repr´esentation du bruit.
2. En remarquant que (I-B)?t-1
i=0Bi=I-Bt, montrer que Y t-Y0=ηt+ (1-θ)t-1? k=1η t-k-θη0.3. Montrer que
ˆYt(1) = (1-θ)Yt+θˆYt-1(1).
Note: La derni`ere formule redonne le lissage exponentiel quandθ?(0,1) et doncα=1-θ?(-1,0). La formule donne une moyenne ponder´ee :ˆYt(1) =αYt+ (1-α)ˆYt-1(1)
etαest la constante de lissage. Ainsi on peut voir la pr´evisionBox-Jenkins comme une g´en´eralisation du lissage exponentiel, en utilisant desparam`etres estim´es `a partir des don´ees (au-lieu de ad-hoc). 8 Exercice 3 :Consid´erons le processus ARIMA(1,1,1) (I-φB)(I-B)Yt= (I+θB)ηt, avec|φ|<1 et|θ|<1.1. Montrer que
ˆYt(1) = (1+φ)Yt-φYt-1+θηtetˆYt(k) = (1+φ)ˆYt(k-1)-φˆYt(k-2) pourk≥2.2. Montrer que
ˆYt(k) =At+Btφkpourk≥0 et trouver des expressions pourAtetBt en termes deYt,Yt-1,ηt,φetθ, en utilisantˆYt(0)[=Yt] etˆYt(1) du (1) ci-dessus.Montrer que :
Yt(k) =Yt+φ1-φk
1-φ(Yt-Yt-1) +θ1-φk1-φηt, k≥0.
Trouver la limite lim
k→∞ˆYt(k).3. Montrer que
ˆYt(1) =-θˆYt-1(1)+(1+φ+θ)Yt-φYt-1etˆYt(k) =ˆYt-1(k+1)+ψkηt.4. Montrer que
ˆYt(k) peut s"exprimer en fonction seulement des valeurs pass´ees de la s´erie. [Indication : utiliser lesπpour vous d´ebarasser deηt].5. En utilisant le mod`ele (I-0.6B)(I-B)Yt= (I+0.3B)ηt, obtenir les pr´evisions des
trois termes suivants de la s´erie : t1 2 3 4 5 6 7 8 9 10Yt14.8 12.4 9.4 7.7 7.3 9.0 10.5 11.2 10.4 11.6
t11 12 13 14 15 16 17 18 19 20Yt12.1 11.6 9.9 8.1 6.6 5.4 4.2 5.3 6.8 9.2
Exercice 4 :
Consid´erons le processus ARIMA(1,1,2)
(I-αB)(I-B)Yt= (I+θ1B+θ2B2)ηt o`u|α|<1. SoitˆYt(k) la pr´evision deYt+kau tempst.1. Montrer que
ˆYt(1) = (1 +α)Yt-αYt-1+θ1ηt+θ2ηt-1et trouver les expressions correspondantes pourˆYt(2) etˆYt(k) pourk≥3.
2. Montrer que la fonction de pr´evision peut s"exprimer sous la formeˆYt(k) =at+btαk,
k≥1 et donner la formule deat,btcomme fonctions deYt,Yt-1,ηt,ηt-1.3. Montrer que
ˆYt(k) peut s"exprimer en fonction seulement des valeurs pass´ees de la s´erie.4. Un statisticien a utilis´e le mod`ele ARIMA (1,1,2) d´ecrit ci-dessus pour une s´erie
(d´enomm´ee prix) qui exprime le prix d"une action `a la bourse pour 100 jours cons´ecutifs.
En sachant que
ˆY98(1) = 686.996 etˆY99(1) = 659.416, calculer les pr´evisionsˆY100(1) etˆY100(2) deY101etY102.
Exercice 5 : Optimalit´e du lissage exponentiel double 9 La th´eorie de la pr´evision des ARIMA(p,d,q) a montr´e queXt(k) =-p+d?
j=1φ j?Xt+k-j+q? j=1θ j?ηt+k-j,(1) avecXt+k-j=??Xt(k-j) sik > j
X et ?ηt+k-j=?0 sik > j
1) Quelle est l"expression de
?Xt(k) lorsquek > q?2) En d´eduire que
Xt(k) =p+d?
i=1b i(t)fi(k),(2)lesfi(k),i= 1,...,p+d, ´etant les solutions de ´el´ementaires de l"´equation de r´ecurrence
ayant pour polynˆome caract´eristique z p+d-p+d? i=1φ izp+d-i=zp+dφ(1 z).Lesbi(t) sont d´etermin´ees par les valeurs initiales, appel´ees dans ce contexte lesvaleurs
pivotales, `a savoir?Xt(k),k=q,q-1,...,q-p-d+ 1.3) On note
F k=??f1(k)...fp+d(k)...
f1(k+p+d-1)...fp+d(k+p+d-1)??
b(t) =??b1(t)...
b p+d(t)?? ,˜hk=??h k... h k+p+d-1??Montrer que pourk > q-p-d,
b(t) =F-1 kFk+1b(t-1) +F-1 k˜hk?t,(3) ?´etant le bruit blanc d"innovation du processus ARIMA(p,d,q),Xtet leshjayant le sens habituel. Rappelons que le lissage exponentiel double conduit `a la formule de pr´evisionXt(k) =?atk+?bt,?k >0 (4)
et aux formules de mise `a jour ?at=?at-1+ (1-β)2? X t-?Xt-1(1)? 10 et?bt=?bt-1+?at-1+ (1-β2)? X t-?Xt-1(1)? o`uβest la constante de lissage.4) Montrer que pour que (2) soit du type (4), on doit avoirφ(B) = (I-B)2.
5) Montrer alors que les formules (3) sont les mˆemes que celles rappel´ees ci-dessus si
et seulement si Θ(B) = (I-βB)26) V´erifier que le lissage exponentiel double est bien optimal pourXtsatisfaisant
2Xt= (I-βB)2?t.
11M1 ISMAG
MI0B246X - S´eries chronologiques
Feuille d"exercices n°4 : Processus ARCH et GARCHLes moments conditionnels
La d´efinition d"un processus ARCH fait intervenir la notionde variance conditionnelle. Nous avons vu que la variance conditionnelle permet de mod´eliser la variance locale du processus `a chaque instantt, en fonction des observations ant´erieures. Cette notion peutˆetre ´etendue `a tous les moments de la s´erie chronologique. Ainsi, l"esp´erance condition-
nelle du processus (Xt) au tempstest la valeur moyenne attendue du processus au temps tcalcul´ee en tenant compte des valeurs du processus observ´ees dans le pass´e. Pour illustrer ce concept, consid´erons la marche al´eatoire X t=Xt-1+?t o`u?t≂i.i.d.(0,σ2?).- L"esp´erance de ce processus a d´ej`a ´et´e calcul´ee etE(Xt) =E(X0) pour toutt; donc
l"esp´erance de ce processus est constante. - Calculons son esp´erance conditionnelle enXt, tenant compte des observations pass´ees (Xt-i,i >0) : par lin´earit´e de l"esp´erance, on peut ´ecrire : E(Xt|Xt-1,Xt-2,...) =E(Xt-1|Xt-1,Xt-2,...) +E(?t|Xt-1,Xt-2,...). Le premier des deux termes de la somme est la valeur attendue deXt-1sachant (Xt-i,i >0). Comme on connaitXt-1, ce terme est l"esp´erance d"une valeur fix´ee X t-1. C"est doncXt-1. En ce qui concerne le deuxi`eme terme, il faut observer que tne d´epend pas des r´ealisations pass´ees du processus (Xt-i,i >0) (car le processus (?t) est i.i.d.). La connaissance du pass´e ne modifie donc pas lavaleur attendue de tet on peut ´ecrire :E(Xt|Xt-1,Xt-2,...) =Xt-1+E(?t) =Xt-1.
L"esp´erance conditionnelle d"une marche al´eatoire entest donc la valeur du proces- sus ent-1.Interpr´etation: On peut interpr´eter ce r´esultat en´enon¸cant que le meilleur pr´edicteur
lin´eaire de la valeur moyenne d"une marche al´eatoire est r´ealis´e en r´ep´etant sa derni`ere
valeur observ´ee.La notion de variance conditionnelle est naturellement d´efinie `a partir de celle de l"esp´erance
conditionnelle, par la d´efinition de la variance en fonction de l"esp´erance.Var(Xt|Ft-1) =E(X2t|Ft-1)-E(Xt|Ft-1)2.
Par extension, on d´efinit ´egalement tous les moments conditionnels d"ordrer >1.Exercice 1 :
Consid´erons le processus AR(1)
X t=c+φXt-1+?t 12 o`u?t≂i.i.d.(0,σ2?) et|φ|<1. Montrer les moments et moments conditionnels suivants :E(Xt|Ft-1) =c+φXt-1E(Xt) =c
1-φ
Var(Xt|Ft-1) =σ2?Var(Xt) =σ2?
1-φ2
Exercice 2 :
Consid´erons le processus MA(1)
X t=?t+θt-1 avec?t≂i.i.d.(0,σ2?). Montrer les moments et moments conditionnels suivants :E(Xt|Ft-1) =θ?t-1E(Xt) = 0
Var(Xt|Ft-1) =σ2?Var(Xt) = (1 +θ2)σ2?
Exercice 3 :
Consid´erons le processus ARMA(1,1)
X t=φXt-1+?t+θ?t-1 avec?t≂i.i.d.(0,σ2?). Montrer les moments et moments conditionnels suivants :E(Xt|Ft-1) =φXt-1+θ?t-1E(Xt) = 0
quotesdbs_dbs12.pdfusesText_18[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