Tendance,stationnarité, autocovariance,opérateurretard
2/45 1 Tendance,stationnarité,autocovariance,opérateurretard temps température 1920 1925 1930 1935 1940 30 40 50 60 année passagers 1950 1952 1954 1956 1958 1960
Corrig´e de l’examen de s´eries chronologiques du 5 juin 2006
Exercice 1 Soit {X n} un processus stationnaire au second ordre On suppose que {X n} est un processus AR(1), qui v´erifie l’´equation X n = aX n−1 + n, ou` { n} est une suite de variables i i d centr´ees de variance σ2 et a
Renforcement S´eries Chronologiques - univ-toulouse
Feuille d’exercices n˚1 : Processus stationnaires, AR et MA Exercice 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∈Z un bruit blanc; v´erifier que les processus d´efinis par : Xt = ηt, ∀t∈ Z et Yt = (−1)tηt, ∀t∈ Z sont stationnaires
M1 ISMAG MIS243Y - S´eries chronologiques
Feuille d’exercices n˚1 : Processus stationnaires, AR et MA Exercice 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∈Z un bruit blanc; v´erifier que les processus d´efinis par : Xt = ηt, ∀t ∈ Z et Yt = (−1)tηt, ∀t ∈ Z sont stationnaires
Université Kairouan ISMAI - e-monsite
Corrigé de l'examen Janvier 2013 - Série temporelle (voir Exercice 1) Exercice 4 : Le processus X donc le processus est stationnaire et inversible Ainsi
Travaux dirig´es - Université Grenoble Alpes
Exercice 2 2 Soient A et B deux variables al´eatoires r´eelles centr´ees ind´ependantes, de mˆeme variance 1 Montrer que le processus X = (Xt)t∈Z d´efini par Xt = Acos(π 3 t)+Bsin(π 3 t), est stationnaire au sens large 2 Trouver sa fonction d’autocovariance 3 Tracer une trajectoire de ce processus (choisir A et B) pour t = 1
Dur´ee : 1 h 15 - LAAS
1- Montrer que x(t) est stationnaire au sens large 2- Montrer que le processus est `a moyenne et `acorr´elation ergodiques Exercice 5 : On d´efinit une certaine classe de signaux y(t) par : y(t)=rx(t)cos(ω pt+φ) o`u x(t) est un signal al´eatoire stationnaire modulant une porteuse sinusoidale rcos(ω pt + φ) La moyenne de x(t) est
Master 1 ESA Econométrie et Statistique Appliquée TD SERIES
EXERCICE 3: Etude d’un Processus MA(1) – suite On considère à présent le processus MA(1) suivant : xt = (1 − 0 5 L)ut 1 Reprendre les questions 3) et 4) de l’exercice précédent pour ce processus 2 Ci-dessous, sont représentées les fonctions d’autocorrélation totale et partielle des deux processus de l’exercice 2 et 3
Processus al eatoires et applications
1 1 EXEMPLES DE CHA^INES DE MARKOV 5 1 2=3 1=3 2=31 Figure 1 3 Le mod ele d’urnes d’Ehrenfest, dans le cas de 3 boules On peut a nouveau d ecrire le syst eme par une cha^ ne de Markov, cette fois sur l’espace
Exercices : des exemples classiques, quelques calculs
Exercice 4 Un jeu organis e par une compagnie consiste a r eunir une collection compl ete de ncoupons a n d’obtenir un lot On suppose que le client qui cherche a collectionner consomme chaque jour un paquet du produit vendu par la compagnie et re˘coit du coup chaque jour un nouveau coupon, qu’on supposera choisi uniform ement parmi les n,
[PDF] examen séries temporelles
[PDF] econometrie des series temporelles pdf
[PDF] économétrie des séries temporelles cours et exercices
[PDF] trucs et astuces un monde ? lire
[PDF] le paysage dans le cadre des portières
[PDF] correction bac francais 2017
[PDF] série numérique cours exo7
[PDF] séries numériques exercices corrigés avec rappels cours
[PDF] série numérique exercices corrigés pdf
[PDF] cours series numeriques résumé pdf
[PDF] série numérique convergence
[PDF] séries numériques l2
[PDF] serie de bertrand exercice corrigé
[PDF] série ln(n)/n
M1 BIBS OrsayAnalyse spectrale et S´eries Chro.2010-2011
Travaux dirig
´es
Statistique descriptive
Exercice 1.1On consid`ere deux s´eriesx= (x1,...,xn) ety= (y1,...,yn). On appelleay/xlecoefficient directeur de la droite de r´egression du nuage (xi,yi)i=1,...,netax/ycelui de la droite
de r´egression du nuage (yi,xi)i=1,...,n.1. Donneray/xetax/yen fonction des (xi)i=1,...,net (yi)i=1,...,n.
2. Montrer queay/xax/y= corr(x,y)2.
3. interpr´eter les cas corr(x,y) = 0, corr(x,y) = 1 et corr(x,y) =?1.
Exercice 1.2On consid`ere la m´ethode de l"ajustement polynomial par moindres carr´es ordi- naires.1. On suppose que la s´erie peut se d´ecomposer en
x t=a1t2+a2t+a3+et, t= 1,2,...,n. Donner dans le cadre de l"ajustement polynomial, les valeurs dea1,a2eta3en fonction des observations dex.2. SoitqN?. On suppose que sur chaque intervalle de longueur 2q+ 1, la s´erie peut ˆetre
approch´ee par un polynˆome de degr´e 2 : x t+i=a1(t)i2+a2(t)i+a3(t)+et+i, i ?q,?q+1,...,q?1,q, t=q+1,2,...,n?q. Comment proc´ederiez-vous pour d´eterminer les valeurs dea1,a2eta3en fonction des observations dex? Illustrer cette m´ethode avecq= 2. Exercice 1.3On consid`ere une s´erie chronologiquex= (x1,...,xn) qui s"´ecrit : x t=mt+et, t= 1,2,...,n o`u (mt)test une tendance et (et)test stationnaire de moyenne nulle. SoitqN?.1. Montrer que sitmtest lin´eaire alors la s´erie obtenue par
t 1,...,n, wt=12q+ 1q
j=-qx t-j assure que t q+ 1,...,n?q, wtmt. En particulier montrer que cette transformation permet de conserver la tendance. Montrer que cette transformation ne conserve pas les tendances polynomiales de degr´e 2.2. Soit (θ-q,θ-q+1,...,θ-1,θ0,θ1,...,θq-1,θq) une suite de 2q+ 1 coefficients tels que
j 0,...,q, θj=θ-j. A partir de la s´eriex, on consid`ere la s´erie t 1,...,n, wt=12q+ 1q
j=-qθ jxt-j.a) Quelles sont les conditions que l"on doit imposer sur (θ-q,θ-q+1,...,θ-1,θ0,θ1,...,θq-1,θq)
pour que cette transformation conserve les tendances constantes?b) Quelles sont les conditions que l"on doit imposer sur (θ-q,θ-q+1,...,θ-1,θ0,θ1,...,θq-1,θq)
pour que cette transformation conserve les tendances lin´eaires? Exercice 1.4Construire une moyenne mobile sym´etrique d"ordre 5 qui ´elimine les composantesp´eriodiques de p´eriode 3 et laisse passer les polynˆomes de degr´e inf´erieur ou ´egal `a 2. Remarque :
cette moyenne mobile doit donc s"´ecrireM=a2B-2+a1B-1+a0I+a1B+a2B2. Un indice : une base des fonctions de p´eriode 3 et de moyenne nulle sur toute p´eriode est donn´ee par (s1,s2), avec : s1(0) = 1, s1(1) =?1 ets2(0) = 1,s2(2) =?1.
M1 BIBS OrsayAnalyse spectrale et S´eries Chro.2010-2011Travaux dirig
´es
Processus stationnaires - ARMA
Exercice 2.1SoitZ= (Zt)t?Zune suite de variables al´eatoires gaussiennes i.i.d centr´ees, de variance communeσ2eta,betctrois constantes r´eelles. Parmi les processus suivants, lesquels sont stationnaires au sens large? Donner alors l"expression de leur fonction d"autocovariance. (a)Yt=ZtZt-1(b)Yt=t+Zt (c)Yt=tZt(d)Yt=a+bZt+cZt-1Exercice 2.2SoientAetBdeux variables al´eatoires r´eelles centr´ees ind´ependantes, de mˆeme
variance.1. Montrer que le processusX= (Xt)t?Zd´efini par
X t=Acos(π3t) +Bsin(π3t),
est stationnaire au sens large.2. Trouver sa fonction d"autocovariance.
3. Tracer une trajectoire de ce processus (choisirAetB) pourt= 1,...,50. Commenter.
Exercice 2.3SoientXetYdeux variables al´eatoires r´eelles de carr´e int´egrableetρleur
coefficient de corr´elation :ρ=Cov(X,Y)
Var(X)Var(Y).
1. Montrer queρ[?1;1].
2. Montrer que
ρ= 1il existe (a,b)R2tels queX=aY+b p.s.
Calculeraetben fonction deρ,Var(X),Var(Y),E(X) etE(Y).3. Que vautρquandXetYsont ind´ependantes?
4. SoitAune variable al´eatoire suivant une loi uniforme sur [0;1].On poseX= cos(2πA)
etY= sin(2πA). Calculerρ. Montrer queXetYne sont pas ind´ependantes. Exercice 2.4SoientX,YetZtrois variables gaussiennes centr´ees r´eduites et ind´ependantes.On poseU=X+Y?ZetV=aX+bY, o`uaetbsont dansR.
1. Quelle est la loi de (U,V)? D´eterminer la loi deUet la loi deV.
2. D´eterminer les lois deU+VetU?V. A quelle conditionU+VetU?Vsont-elles
ind´ependantes?3. Peut-on avoirUetVind´ependantes ainsi queU+VetU?V?
Exercice 2.5SoientXune variable al´eatoire r´eelle gaussienne centr´ee r´eduite etYune variable
al´eatoire r´eelle ind´ependante deX, ne prenant que les valeurs +1 et?1 avecP(Y= 1) =p (0?p?1). On poseZ=XY.1. Quelle est la loi deZ? Le couple (X,Z) est-il gaussien?
2. Montrer que pour toutp[0;1],XetZne sont pas ind´ependantes. Montrer cependant
que pourpbien choisi,Cov(X,Z) = 0. Exercice 2.6Soit (X,Y) un vecteur gaussien de matrice de covarianceK=1ρ
ρ1 o`uρ[0;1]. Montrer queX+YetX?Ysont deux variables al´eatoires gaussiennes ind´ependantes.Exercice 2.7SoitMune moyenne mobile de la forme :
M=q i=-qθ iBi, et telle que :1. la variance d"un bruit blanc soit r´eduite au maximum;
2. les constantes soient conserv´ees.
Montrer queMest la moyenne mobile arithm´etique qui est de la forme suivante : M=12q+ 1q
i=-qB -i. Remarquer ´egalement queMlaisse invariantes les tendances lin´eaires. Exercice 2.8On s"int´eresse `a l"effet d"une moyenne mobile sur un bruit blanc. SoitMune moyenne mobile de la forme : M=m 2 i=-m1θ iB-i, et (Zt, tZ) un bruit blanc de moyenne nulle et varianceσ2. On pose : tZ, Yt=MZt.1. Montrer que pour touttZ,E[Yt] = 0 et, pour touttZet toutkZ,
Cov[Yt,Yt+k] =σ2
j?Zθ jθj-k=γ(k),(1) o`u on a pos´eθj= 0 sij m2.2. SoitXt=mt+st+Zt, avecmtune tendance quadratique etstune saisonnalit´e de
p´eriodep. On suppose queMlaisse invariantes les tendances quadratiques et absorbe les saisonnalites de p´eriodep. Que vautMXt? Le bruit dans la s´erieMXtest-il un bruit blanc? Que vaut sa variance, et sous quelle condition est-elle plus faible queσ2?3. Montrer queγv´erifie :
k?Zγ(k)zk=σ2M(z)M(1 z), o`uM(z) = j?Zθjzjest la fonction de transfert du filtre constitu´e par la moyenne mobile M. M1 BIBS OrsayAnalyse spectrale et S´eries Chro.2010-2011Travaux dirig
´es
Pr´ediction et mod`eles non stationnaires
Exercice 3.1SoientXetYdeux variables al´eatoires r´eelles de carr´e int´egrableetρleur
coefficient de corr´elation. Dans cet exercice, on s"int´eresse `a la meilleure approximation deX
par une fonction affine deYau sensL2(P). C"est `a dire que l"on rechercheaetbde sorte que E[(X?(aY+b))2] soit minimale. On noteXcette meilleure approximation.1. On suppose queYn"est pas constante p.s. En utilisant queE[(X?X)Y] = 0 etE[(X?X)] = 0, montrer que
X=E(X) +ρ
Var(X)
Var(Y)(Y?E(Y)).
2. Montrer que la pr´ecision de l"approximation est donn´eepar :
E[(X?X)2] =Var(X)(1?ρ2).
Exercice 3.2SoitUun bruit blanc de varianceσ2. SoitXun processus AR(1), c"est-`a-dire queXt?aXt-1=Ut, avecaR. On suppose quea = 1.1. Prouver que sia<1, alors
tZ, Xt= k?0a kUt-k. En d´eduire que l"espace vectoriel ferm´eHnXengendr´e par les variablesXp, p?nest ´egal `a l"espace vectoriel ferm´eHnUengendr´e par les variablesUp, p?n. Calculer la fonction de covariance deX.2. Prouver que sia>1, alors
tZ, Xt=? k?1a -kUt+k.Calculer la fonction de covariance deX.
Exercice 3.3 Pr´ediction d"unARMA(1,1)
SoitX= (Xt)t?Zun processusARMAsatisfaisant
tZ, Xt?12Xt-1=Ut?13Ut-1,(2)
o`uU= (Ut)t?Zest un bruit blanc de varianceσ2. On noteγsa fonction de covariance.1. En calculant pourl?2,E(XtXt-l), montrer alors que
l?2, γ(l) = 2-l+1γ(1).2. Montrer que
tZ, Xt=Ut+13+∞
k=12 -kUt-k puis que tZ,lZ, Xt-l=Ut-l+13+∞
k=12 -kUt-l-k.(3)3. En utilisant l"´equation (3) avecl= 0 etl= 1 ainsi que l"´equation (2), calculerγ(0) et
γ(1) en fonction deσ2.
4. Calculer la meilleure pr´ediction deXn+1en fonction deHXn=
vect(Xp, p?n).5. On suppose que le processusWest gaussien. Donner un intervalle de confiance `a 95%
pourXn+1.6. Calculer la meilleure pr´ediction deXn+jen fonction deHXn=
vect(Xp, p?n) pour tout j?1.7. Calculer, `a l"aide d"un ordinateur, les coefficients de lapr´ediction lin´eaire deXn+1en
fonction de (X0,...,Xn-1). M1 BIBS OrsayAnalyse spectrale et S´eries Chro.2010-2011Travaux dirig
´es
Statistique sur les ARMA et mod
`eles non stationnairesExercice 4.1
1. Soitφun r´eel tel queφ<1,Zun bruit blanc de varianceσ2etXl"AR(1) causal d´efini
par : X t=φXt-1+Zt. Pouri?0, calculerPφ(XiXi-1,...,X0), la pr´ediction lin´eaire deXisachantXi-1,...,X0, etri(φ) la variance de l"erreur de pr´ediction : r i(φ) =E[(Xi?Pφ(XiXi-1,...,X0))2].2. On observe maintenant une s´erie chronologique al´eatoireX0,...,Xn-1, et on fait l"hy-
poth`ese que c"est unAR(1) causal d´efini par une valeurφinconnue. Si on pr´edit s´equentiellement
X iparPφ(XiXi-1,...,X0, on note : S n(φ,X) =n-1 i=0(Xi?Pφ(XiXi,...,Xi-1))2 ri(φ)la somme des carr´es des erreurs de pr´ediction standardis´ees. Calculerφ(1)la valeur deφ
qui minimiseSn(φ,X).3. Dans le mˆeme cadre que la question pr´ec´edente, on note
φ(2)l"estimateur du maximum
de vraisemblance deφ. Montrer que siφ(1)= 0, alorsφ(2)=φ(1). Exercice 4.2Soitφun r´eel tel queφ<1,Zun bruit blanc de varianceσ2,Yl"AR(1) causal d´efini par : Y t=φYt-1+Zt, et (Xt)t?0l"ARIMA(1,1,0) d´efini par une variableX0d´ecorr´el´e de (Zt)t?Zet : t?1, Xt=Xt-1+Yt. D´eterminer la pr´ediction lin´eaire `a un pas deXtsachantX0,...,Xt-1pourt?1.Exercice 4.3Soientα1etα2deux nombres r´eels, et (xt)t?0une suite d´eterministe d´efinie par
la r´ecurrence suivante : x0etx1donn´es t?2, xt=α1xt-1+α2xt-2 SoitZtun bruit blanc. On consid`ere un processusYtd´efini par : t?0, Yt=φ1Yt-1+φ2Yt-2+a1xt-1+a2xt-2+Zt+θ1Zt-1.Ecrire un mod`ele d"´etat pourY.
M1 BIBS OrsayAnalyse spectrale et S´eries Chro.2010-2011Travaux dirig
´es
Analyse spectrale
Exercice 5.1Calculer les transform´ees de Fourier discr`etes des s´eries sur0,...,n?1d´efinies
par les fonctions suivantes : 1.tt2.teitω0, avecω0[?π,π] fix´e.
3.tsin(tω0), avecω0[?π,π] fix´e.
Exercice 5.2 Ph´enom`ene de Gibbs discret
SoitmNetn= 2m. On d´efinit le vecteurxsuivant : t 0,...,n?1, x(t) = 1It?m-1.On fixeα]0,1/2]. On poseJ=αnet :
s 0,...,n?1, xJ(s) =1 nJ j=-Je2iπjs nx(j),Montrer que :
xJ(n?1) =
12?JnsiJest pair
12?J+1nsiJest impair.
ComparerxJ(n?1) `ax(n?1) et commenter.
Solutions
Solution 1.4:Une moyenne mobile ´etant un op´erateur lin´eaire, il suffit d"´ecrire ce qu"il faut
sur une base des polynˆomes (1,t,t2) et sur une base des fonctions de p´eriode 3 et de moyenne nulle :tZ, a2+a1+a0+a1+a2= 1 tZ, a2(t?2) +a1(t?1) +a0t+a1(t+ 1) +a2(t+ 2) =t tZ, a2(t?2)2+a1(t?1)2+a0t2+a1(t+ 1)2+a2(t+ 2)2=t2 tZ, a2s1(t?2) +a1s1(t?1) +a0s1(t) +a1s1(t+ 1) +a2s1(t+ 2) = 0 tZ, a2s2(t?2) +a1s2(t?1) +a0s2(t) +a1s2(t+ 1) +a2s2(t+ 2) = 0 ce qui est ´equivalent `a :2a2+ 2a1+a0= 1
4a2+a1= 0
tZ, a2+a1?a0= 0D"o`u :
a 0=39, a1=49, a2=?19.
Solution 2.7:On cherche donc les coefficientsθ= (θ-m,...,θ0,...,θm), solution du probl`eme
de minimisation suivant : max θm i=-mθ 2i s.c. m i=-mθ i= 1 En appliquant la m´ethode des multiplicateurs de Lagrange,on montre que la solution optimale est : i ?m,...,m, θi=12q+ 1.
Solution 5.1:Calculons d"abord la transform´ee de Fourier discr`eten(λ) du vecteur (X1,...,Xn).
n(λ) =1 nn t=1equotesdbs_dbs4.pdfusesText_7