UMBB / Faculté des sciences Année 2024-2025
Master 1 – ROOMS- MSS
Séries Chronologiques
Exercice N°1
Soit { 𝜀t , t∈ Z } une suite de gaussiennes indépendants identiquement distribuées de moyenne nulle et
de variance égale à 1. Les coefficients a, b, et c des constantes réelles.
Dire si les processus suivants sont stationnaires du second ordre ?
1) Xt= a+b 𝜀t+c 𝜀t-1 .
2) Xt= 𝜀t cos (ct)+ 𝜀t-1 sin(ct) où c∈R.
3) Xt= U cos (wt+v), U~ N(0,𝜎 2 ), V uniforme sur [-𝜋, 𝜋], U et V sont indépendants.
4) Xt= 𝜀t+ a 𝜀t-1
5) Xt= a + b 𝑍0 avec 𝑍0 ~ N(0,1).
Exercice N°2
On considère le processus aléatoire AR(2) suivant :
Xt= 40+ 0,4 Xt-1- 0,2 Xt-2+ 𝜀t , avec 𝜀t ~ N(0, 12.8)
1) Vérifier que le processus { Xt, t∈ Z } est stationnaire (causal).
2) Calculer E(Xt).
3) Donner les équations de Yulle-walker du processus. Calculer la variance ainsi que les cinq
premières valeurs des autocorrélations.
4) Calculer les trois premières autocorrélations partielles.
Exercice N°3
Soit le processus (1- 0,8 B) Xt = (1+ 0,4 B) 𝜀t
1) Ce processus possède-t-il une représentation AR ? Si oui, de quel ordre ? Donner les 4
premiers coefficients du polynôme AR en question.
2) Ce processus possède-t-il une représentation MA ? Si oui, de quel ordre ? Donner les 4
premiers coefficients du polynôme MA en question.
Exercice N°4
Considérons deux processus { Xt , t∈ Z } et { Yt , t∈ Z }liés par les relations suivantes :
Yt = φYt−1 + α Xt + 𝜀t
{
Xt = θ Xt−1 + τt
où 𝜀t et τt sont des bruits blancs non corrélés, de variance respective 𝜎𝜀2 et 𝜎𝜏2 .
1- On pose 𝑤𝑡 =(1- φB)(1- θB)𝑌𝑡 . Calculer les moments de 𝑤𝑡 et en déduire qu’il s’agit d’un
processus moyenne mobile (à préciser). Donner la représentation canonique de 𝑤𝑡 .
2- En déduire que 𝑌𝑡 est un processus ARMA dont on précisera les ordres. Donner la
représentation canonique de Yt .
Application numérique : α = 1.5, φ = 0.4, θ = 0.6, 𝜎𝜀2 = 0.016 et 𝜎𝜏2 = 0.036
Exercice N°5
On souhaite analyser un modèle ARMA(1,1) donné par :
yt = αyt−1 + εt + θεt−1 , pour t = 1, ..., T avec εt ~𝑁(0, 1) et y0 = 0. On définit les polynômes A et B
tels que le processus s’écrit sous la forme : A(L) yt = B (L) θt , où L représente l’opérateur retard.
1) Quels sont les coefficients des polynômes A et B ?
2) Donner les racines de A et de B.
3) Quelles conditions les coefficients 𝛼 et 𝜃 doivent-ils satisfaire pour que le processus {y𝑡 } soit
stationnaire ? inversible ? On suppose ces conditions satisfaites dans les questions suivantes.
4) Quel est le rôle de l’hypothèse y0 = 0 ?
5) Quelle sont l’espérance E[yt ] , la variance V[yt ] , et l’autocovariance COV(yt , yt−h ) pour h>1?
Exercice N°6
Dans le cas d’un processus AR(2), Xt = α Xt−1 + β Xt−2 + 𝜀t, où 𝜀t est un bruit blanc.
1- Rappeler les valeurs de 𝜌(1) et 𝜌(2) en fonction de α et β.
2- Lors de la modélisation d’une série d’observations X1 , … , XT , le corrélogramme suivant à été
obtenu :
On souhaite modéliser la série à l’aide d’un processus AR(2). En utilisant uniquement cette
̂ et β̂ des coefficients autorégressifs.
sortie, proposez des estimateurs α
Exercice N°7
A partir d’une série observée {Yt } , deux processus stationnaires sont considérés comme candidats
possibles pour le processus de génération des données :
yt = αyt−2 + Ut avec Ut ~ BB (0, σ2u )
yt = μ + εt + βεt−2 avec εt ~ BB (0, σ2ε )
Dans le cas des deux processus, calculer la moyenne, la variance, la covariance entre yt et yt−1 , et la
covariance entre yt et yt−2 .
Exercice N°8
Soit le processus MA(2) suivant :
𝑌𝑡 = (1- 2.4B+ 0.8B2) 𝜀𝑡
1 𝑠𝑖 𝑠 = 𝑡
Où 𝐸(𝜀𝑠 𝜀𝑡 ) ={ et E(𝜀𝑡 )=0 pour tout t,s.
0 𝑠𝑖𝑛𝑜𝑛
Dire si ce processus est stationnaire. Si c’est le cas, calculer sa fonction d’autocovariance
𝛾(ℎ ) = 𝑐𝑜𝑣(𝑌𝑡 , 𝑌𝑡+ℎ ).
Exercice N°9
Un processus Zt a été simulé suivant un processus AR(1), sans constante, de la forme :
Zt = φZt−1 + εt
où εt est un bruit blanc gaussien. Il a été simulé une première fois avec φ= −0.7 et une seconde fois
φ = 0.85. Sur les sorties ci-dessous, quelle série correspond au cas φ= −0.7 ? Quelle série correspond
au cas φ= 0.85 ? Justifiez votre réponse.
Exercice N°10
Indiquer si le modèle ARMA(1,2) suivant peut être retenu, en utilisant la sortie suivante :
Variable Coefficient std.Error t-Statistic Prob.
AR(1) 0.731881 0.025671 5.547017 0.0003
MA(1) 0.372958 0.078655 13.08764 0.0000
MA(2) - 0.517354 0.078661 - 4.334439 0.0061
R-Squared 0.791638 Mean dependent var -2.355312
Adjusted R-Squared 0.788966 S.D.dependent var 2.783367
S.E. of regression 1.2786635 Akaike info criterion 3.348151
Sum Squared resid 255.0455 Schwarz criterion 3.406055
Log likelihood - 263.1780 Durbin-Watson stat 0.975515
