- Séries Temporelles Univariées -

Master 1 ESA - 2014-2015 - Semestre 1, session 1

.....
Aucun document autorisé à l’exception des tables statistiques
Gilbert Colletaz

13 janvier 2015 - durée : 3 heures

Exercice 1 ( 2 points [1+1])

On considère le processus autorégressif suivant :

(1 − 2.0L + 0.96L2 ) xt = ut (1)

où L est l’opérateur de retard usuel et ut un bruit blanc de variance σu2 .

1. Ce processus est-il stationnaire (justifiez votre réponse) ?
2. Proposez une éventuelle transformation de la série x en une série y telle qu’un processus ARMA pourrait
être ajusté sur la série y . Vous illustrerez votre proposition en indiquant les valeurs des yt associées aux
5 observations de x qui vous sont données dans la table 1.

Exercice 2 (3 points [1.5+1.5])

On considère trois aléatoires, xt , yt , et zt définies selon :
 Pt
xt = (1 − θ) j=0 uj ,

yt = θut (2)


zt = x t + y t
où ut est un bruit blanc de variance σu2 .

1. Quelles sont les espérance et variance de x. Le processus gouvernant xt est-il stationnaire ? Dans l’écriture
ARIM A(p, d, q), précisez les valeurs des paramètres p, d et q qui le définissent.
2. Le processus gouvernant zt est-il stationnaire (justifiez votre réponse) ? Dans l’écriture ARIM A(p, d, q),
précisez les valeurs des paramètres p, d et q qui le définissent.

Exercice 3 ( 5 points [2+1+2])

On considère l’équation suivante :
xt = φxt−1 + ut − θut−4 (3)
avec θ = φ4 et ut un processus en bruit blanc de variance σu2 .

1
 1. Vérifiez que les polynômes (1 − φL) et (1 − θL4 ) possèdent une racine commune et déduisez en conséquence
l’écriture ARMA minimale pour x. Écrivez l’équation de cette écriture minimale.
2. Quelle(s) condition(s) faudrait-il imposer au coefficient φ pour avoir la stationarité de xt ?
3. Donnez les expressions des 4 premiers coefficients de la fonction d’autocorrélation de x .

Exercice 4 (4 points [2+1+1])

Un ensemble d’observations journalières obéit au processus suivant :

yt = 100 + (1 − θ1 L)(1 − θ2 L7 )ut (4)

1. Donnez les expressions des ρy (i), coefficients de corrélation entre yt et yt−i , pour i = 1, . . . , 10.
2. Quelles sont les expressions des deux premiers coefficients de la fonction d’autocorrélation partielle de la
série y.
3. Application numérique avec θ1 = −0.8, θ2 = −0.6 et σu2 = 100. On vous donne également dans la table 2 les
valeurs des 7 dernières innovations connues. Avec ces éléments, quelles prévisions optimales formulez-vous
pour le mardi 13, le mercredi 14 , le samedi 31 janvier et le dimanche 1er février (rappelez au passage en
quoi ces prévisions sont optimales). En plus de la prévision ponctuelle, donnez un encadrement à 95% de
confiance pour ces prévisions.

Exercice 5 (3 points [1+2])

On a estimé sur une série observée pendant 263 mois les corrélations, corrélations partielles et corrélations
inverses jusqu’à l’ordre 18. Les résultats sont présentés dans la table 3 ci-après. Au moyen de ces informations,
1. Diriez-vous que la série en question est stationnaire ou non stationnaire, et pourquoi ?
2. Quelle proposition de filtre feriez-vous (justifiez votre choix en 4 ou 5 lignes)

Exercice 6 (3 points [0.5+0.5+2])

On considère un processus ARMA(1,1) que l’on sait être stationnaire et inversible

(1 − φL)(xt − μ) = (1 − θL)ut (5)

où ut est un bruit blanc de variance σu2 .

1. Quelle est l’espérance de xt ?
2. Donnez l’équation de la prévision de x pour un horizon d’une période, i.e. t x̂t+1 , en fonction des informa-
tions connues en t et des paramètres du processus ARMA(1,1).
3. Donnez l’équation de la fonction de prévision pour un horizon de prévision h positif quelconque, i.e.
exprimez la valeur de t x̂t+h en fonction des informations connues en t et des paramètres du processus
ARMA(1,1).

2
 t xt
1 12
2 24
3 30
4 27
5 42

Table 1 – 5 premières réalisations du processus xt

jour ut
lundi 5 janvier 20
mardi 6 janvier 16
mercredi 7 janvier 8
jeudi 8 janvier -12
vendredi 9 janvier 10
samedi 10 janvier -9
dimanche 11 janvier 13
lundi 12 janvier 18

Table 2 – dernières innovations connues du processus yt

k rk φ̂kk cor. inverse

1 -0.46 -0.46 0.52
2 0.03 -0.22 0.31
3 0.06 -0.03 0.021
4 -0.11 -0.12 0.24
5 0.07 -0.04 0.19
6 0.03 0.04 0.19
7 -0.09 -0.05 0.18
8 0.05 -0.03 0.20
9 0.00 0.01 0.16
10 -0.05 -0.04 0.19
11 0.27 0.28 0.26
12 -0.53 -0.40 0.51
13 0.21 -0.26 0.23
14 -0.00 -0.26 0.23
15 -0.00 -0.16 0.13
16 0.03 -0.07 0.10
17 -0.00 -0.02 0.08
18 -0.05 -0.03 0.07

Table 3 – corrélations, corrélations partielles et corrélations inverses estimées à l’ordre k