[PDF] Renforcement S´eries Chronologiques - univ-toulouse

EXAMEN FINAL (2 heures) Exercice 1 - Hypothesesorg

t) est un bruit blanc de variance ˙2 On a simul e trois trajectoires (A, B et C), et trac es trois fonctions d’autocorr elations (D, E et F) En d etaillant un peu, expliquer quel processus se cache derri ere chacune des gures 0 100 200 300 400 500-10-5 0 5 10 Serie A Index 0 100 200 300 400 500-2 0 2 4 Serie B Index 0 100 200 300 400 500

Renforcement S´eries Chronologiques - univ-toulouse

Feuille d’exercices n˚2 : Processus ARMA Exercice 1 Soit ηun bruit blanc et Xle ARMA(1,1) v´erifiant Xt − 2Xt−1 = ηt + 1 2 ηt−1 1 Quelle est la relation ARMA entre Xet son bruit blanc d’innovation ǫ? 2 Exprimez Xt en fonction des valeurs pass´ees de ǫ 3 Exprimez ǫt en fonction des valeurs pass´ees de X Exercice 2

M1 ISMAG MIS243Y - S´eries chronologiques

Feuille d’exercices n˚2 : Processus ARMA Exercice 1 Soit ηun bruit blanc et Xle ARMA(1,1) v´erifiant Xt − 2Xt−1 = ηt + 1 2 ηt−1 1 Quelle est la relation ARMA entre Xet son bruit blanc d’innovation ǫ? 2 Exprimez Xt en fonction des valeurs pass´ees de ǫ 3 Exprimez ǫt en fonction des valeurs pass´ees de X Exercice 2

Corrig´e de l’examen de s´eries chronologiques du 5 juin 2006

n est un bruit blanc On peut donc tester l’ad´equation du mod`ele en calculant les autocorr´elations empiriques ρˆˆ n(j) des r´esidus ˆ k = X k − ˆa nX k−1 Pour qfix´e, ni trop grand ni trop petit, on pose T n = ρˆˆ n(1) + ··· + ρˆˆ n(q) Si le mod`ele est correct, T n suit approximativement la loi

SIGNAUX ALÉATOIRES

de signal aléatoire est appelé bruit blanc (au sens strict) 1En toute rigueur, il faudrait réserver le terme de covariance à la formule précédente appliquée à des signaux centrés, pour lesquels on a alors simplement une extension de la notion de variance d’une variable à deux variables aléatoires Il s’agit ici d’une fonction

Master 1 ESA Econométrie et Statistique Appliquée TD SERIES

tous significatifs avec l’hypothèse de bruit blanc pour les résidus, quel critère utilisez pour choisir le meilleur modèle parmi les trois [ AR(1), MA(1) et MA(2)] 10 Conclusion : Rappeler la méthodologie de Box-Jenkins pour l’identification et l’estimation des processus ARMA B)

Sujets des exercices - Site de Stéphane POUJOULY

Exercices corrigés pour travail personnel Q2 : On suppose que le bruit thermique est un bruit blanc dans une bande équivalente Beq=3GHz Que signifie

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

COURS DE SERIES TEMPORELLES THEORIE ET APPLICATIONS

COURS DE SERIES TEMPORELLES THEORIE ET APPLICATIONS VOLUME 1 Introduction à la théorie des processus en temps discret Modèles ARIMA et méthode Box & Jenkins

[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

[PDF] série numérique exo7 cours

Renforcement

S´eries Chronologiques

Exercices et TP

Agn`es Lagnoux

lagnoux@univ-tlse2.fr ISMAG

MASTER 1 - MI00141X

M1 ISMAG

MI0B246X - 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?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 tsur (Xs)s≤t-1. Montrer que le processus d´efini par la suite des innovations (Xt-X?t)t?N 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.

´Ecrireηten fonction de (Xs, s≤t).

2. En d´eduire la r´egression affine deXtsur (Xs, s≤t).

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 X

T+1-?XT+1?

2. 2

0 5 10 15 20 25 30

-0.5 0.0 0.5 1.0 Lag ACF

Series 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 ACF

Series ts(m)

0 5 10 15 20 25 30

-0.6 -0.4 -0.2 0.0 0.2 0.4 Lag

Partial ACF

Series ts(a)

0 5 10 15 20 25 30

-0.4 -0.3 -0.2 -0.1 0.0 Lag

Partial ACF

Series ts(m)

Figure1 - Exemples de l"exercice 4

3

Exercice 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 de

γ(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-1

1. Quelles sont les autocovariances deX?

2. Quelle est la relation MA(1) entreXet son bruit blanc d"innovation??

4

3. 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=ηt

1. 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

quotesdbs_dbs2.pdfusesText_3