Séries chronologiques : recueil d’exercices

R. S. Stoica
Université Lille 1
Laboratoire Paul Painlevé
59655 Villeneuve d’Ascq Cedex, France

[email protected]

Septembre, 2009
2

1 Introduction
Les exercices de ce recueil ont servi pendant trois ans, comme support pour
les heures des travaux dirigés et des travaux pratiques qui complétaient le
cours “Prévisions dans les séries chronologiques”, donné aux étudiants en
dernière année de master pro par Marie-Claude Viano, puis par Thomas
Simon. Marie-Claude Viano a beaucoup amélioré la qualité des énoncés du
point de vue de la rigueur mathématique, de la logique et de l’orthographe.
Je tiens la remercier pour tous ses efforts.

Je serai également reconnaissant au lecteur qui aura bien la gentillesse de

me signaler les eventuelles fautes trouvées dans le texte. Ceci, malgré mon
orgueil un peu touché, ne fera qu’améliorer la qualité de ce document.

Ce recueil regroupe des exercices qui se trouvent majoritairement dans [1, 3,

2]. Le choix de ces exercices a été fait en fonction des objectifs du cours : fa-
miliariser l’étudiant avec les séries chronologiques, détecter et travailler avec
les tendances d’une série temporelle, manipuler les modèles de type ARMA,
utiliser la fonction de corrélation et de corrélation partielle en vue de la
modélisation et finalement, effectuer et évaluer une prédiction qui s’appuie
sur un modèle attaché à la série observée.

Le logiciel utilisé pendant les séances des travaux pratiques a été R, disponible
à partir du site http://www.r-project.org/. Les données réelles sur lesquel-
les nous avons travaillé sont accessibles à partir du site
http://www.statsci.org/.

Pour terminer, je voudrais remercier également tous les collègues qui met-
tent en libre accès sur leurs pages Web leurs ressources pédagogiques.
 3

2 Exercices pour les travaux dirigés

Exercice 1. Soit X et Y deux variables aléatoires avec E[Y ] = µ et E[Y 2 ] <
∞.
a) Montrez que la constante c = µ minimise E[(Y − c)2 ].
b) Déduisez-en que la variable aléatoire f (X) qui minimise E[(Y −f (X))2 |X]
est f (X) = E[Y |X].
c) Prouvez que la variable aléatoire qui minimise E[(Y − f (X))2 ] est aussi
f (X) = E[Y |X].

Exercice 2. Soit la série définie par Xn = Zn + θZn−2 , avec n entier,

{Zn } ∼ BB(0, σ 2 ) et θ une constante réelle positive.
a) On note ρX (h) = Cov(Xn Xn−h ). Calculez ρX (h).
b) Calculez la variance de (X1 + X2 + X3 + X4 )/4 pour θ = 0.8 et σ 2 = 1.
Refaites ce calcul pour θ = −0.8.

Exercice 3. Soit la série définie par Xn = φXn−2 + Zn , avec n entier,

{Zn } ∼ BB(0, σ 2 ) et |φ| < 1. {Xn } est stationnaire. {Zn } et {Xm } ne sont
pas corrélées pour m < n.
a) Calculez ρX (h).
b) Calculez la variance de (X1 + X2 + X3 + X4 )/4 pour φ = 0.9 et σ 2 = 1.
Refaites ce calcul pour φ = −0.9.

Exercice 4. Sur l’ensemble des suites, on

Pdéfinit l’opérateur différence première
∇ par (∇x)n = xn − xn−1 . Si xn = pk=0 ck nk avec n ∈ V, montrez que
(∇x)n est un polynôme de degré p − 1 et que (∇p+1 x)n = 0.

Exercice 5. Soient {x1 , x2 , . . . , xn } les valeurs observées d’une série tem-

porelle et ρ̂n (h) la fonction d’auto-corrélation empirique. Prouvez que :
a) Si xt = a + bt, où a et b 6= 0 sont des constantes, montrez que pour h fixé

lim ρ̂n (h) = 1

n→∞

b) Si xt = c cos(ωt) où c 6= 0 et ω ∈ (−π, π] sont des constantes, montrez

que pour h fixée
lim ρ̂n (h) = cos(ωh)
n→∞
4

Rappels peut être utiles ...

• E[Y ] = E [E[Y |X]]
• Cov(aX + bY, cU + dV ) = acCov(X, U ) + adCov(X, V ) + bcCov(Y, U ) +
bdCov(Y, V )
P
• nk=1 k2 = n(n+1)(2n+1)
6

P
Exercice 6. L’opération qui à la suite un associe la suite vn = qj=−q aj un−j
s’appelle filtrage. Soit le filtre (moyenne mobile) donné par les coefficients
aj = (2q + 1)−1 , −q ≤ j ≤ q. P
a) Si mn = c0 + c1 n, montrez que qj=−q aj mn−j = mn .
b) Si Zn , n = 0, ±1, ±2, . . . sont des v.a. indépendantesP de moyenne nulle
2 q
et variance σ , montrez que la moyenne mobile An = j=−q aj Zn−j est
σ2
“petite” pour q grand, c’est à dire E[An ] = 0 et V ar[An ] = 2q+1 .

Exercice 7. A et B sont des variables aléatoires non-corrélées et ω est une

fréquence de valeur fixée dans l’intervalle [0, π]. Montrez que le processus
Xt = A cos ωt + B sin ωt est stationnaire et calculez son espérance et sa fonc-
tion d’auto-covariance.

Exercice 8.
a) Calculez la fonction d’auto-covariance de la série temporelle Xt = Zt +
0.3Zt−1 − 0.4Zt−2 avec {Zt } ∼ BB(0, 1).
b) Calculez la fonction d’auto-covariance de la série temporelle Yt = Wt −
1.2Wt−1 − 1.6Wt−2 avec {Wt } ∼ BB(0, 0.25).
c) Comparez les résultats obtenus.

Exercice 9. Trouvez des séries temporelles ayant comme fonction d’auto-

covariance les fonctions suivantes :
a) σ(h) = 1, h = 0, ±1, ±2, . . .
b) σ(h) = (−1)|h| ,
h = 0, ±1, ±2,

...
c)σ(h) = 1 + cos πh2 + cos πh
4 , h = 0, ±1, ±2, . . .
d)

 1 si h = 0
σ(h) = 0.4 si h = ±1

0 sinon

Exercice 10. Soit X1 , X2 , . . . une série stationnaire de moyenne µ et fonction

d’auto-corrélation ρ(·). Montrez que le meilleur prédicteur de Xn+h de la
 5

forme aXn + b est obtenu pour les valeurs a = ρ(h) et b = µ(1 − ρ(h)).

Exercice 11. Montrez que l’équation auto-régressive

Xt = φXt−1 + Zt , t = 0, ±1, ±2, . . .

avec Zt ∼ BB(0, σ 2 ) et |φ| = 1 n’a pas de solution stationnaire.

Exercice 12. Montrez que

X ∞
1
=− φ−j z −j
1 − φz
j=1

pour |φ| > 1 et |z| > 1.

Exercice 13. Soit {Yt } la série temporelle formée par l’addition d’un modèle
AR(1) et d’un bruit
Yt = Xt + Wt
où Xt = φXt−1 + Zt , {Zt } ∼ BB(0, σz2 ), |φ| < 1 et Xs et Zt non-corrélées
pour s < t. Nous avons également {Wt } ∼ BB(0, σw 2 ) et E[W Z ] = 0 pour
s t
tous les s, t.
a) Montrez que {Yt } est stationnaire et calculez sa fonction de covariance.
b) Montrez que la série Ut = Yt − φYt−1 peut être répresentée par un modèle
M A(1).
c) Est-ce que d’après le point précédent nous pouvons dire que {Yt } est un
modèle ARM A(1, 1) ? Dans le cas affirmatif, trouvez ses paramètres en
2 = 0.25 et σ 2 = 1.
sachant φ = 0.5, σw z

Exercice 14. Est-ce que les modèles ARMA considérés sont bien définis ?
a) Xt + 0.2Xt−1 − 0.48Xt−2 = Zt
b) Xt + 1.9Xt−1 + 0.88Xt−2 = Zt + 0.2Zt−1 + 0.7Zt−2
c) Xt + 0.6Xt−1 = Zt + 1.2Zt−1
d) Xt + 1.8Xt−1 + 0.81Xt−2 = Zt
e) Xt + 1.6Xt−1 = Zt − 0.4Zt−1 + 0.04Zt−2
Ici {Zt } ∼ BB(0, σ 2 ).

Exercice 15. Calculez la fonction de corrélation de la série temporelle suiv-

ante :
Xt + 0.2Xt−1 − 0.48Xt−2 = Zt
6

(contentez vous de calculer les premières valeurs)

Exercice 16. Calculez la fonction de corrélation du processus

Xt = 0.8Xt−3 + Zt
avec {Zt } ∼ BB(0, σ 2 ).

Exercice 17. Montrez que pour h = 2 la valeur du coéfficient d’auto-

corrélation partielle α(h) du modèle M A(1)
Xt = Zt + θZt−1 , t = 0, ±1, ±2, . . .
avec {Zt } ∼ BB(0, σ 2 ) est
θ2
α(2) = − .
1 + θ2 + θ4

Exercice 18. Soit {Xt }, t = 0, ±1, ±2, . . . une série stationnaire définie par
Xt = φ1 Xt−1 + . . . + φp Xt−p + Zt
avec {Zt } ∼ BB(0, σ 2 ) et E[Zt Xs ] = 0 pour chaque s < t.
a) Montrez que le meilleur prédicteur linéaire de Xn+1 en fonction de
1, X1 , . . . , Xn est
bn+1 = φ1 Xn + . . . + φp Xn+1−p
X
(on suppose n > p).
bn+1 ?
b) Quelle est l’erreur quadratique moyenne de X

Exercice 19. Soit le modèle AR(2)

Xn − aXn−1 − a2 Xn−2 = ǫn , ∀n
avec {ǫn } ∼ BB(0, σ 2 ).
a) Donner une condition suffisante sur a pour qu’il existe un processus sta-
tionnaire centré (Xn ).
b) Donner les expressions σ(0), ρ(1) et ρ(2) en fonction de deux paramètres
a et σ 2 , et en déduire une expression simple de a en fonction des auto-
corrélations ...
c) Préciser les valeurs, en fonction de a, des coefficients r(h), (h = 1, 2, . . .).
 7

3 Exercices pour les travaux pratiques

Exercice 1. Simuler une série temporelle formée de variables normales i.i.d.
de paramètres :
a) µ = 0 et σ 2 = 1,
b) µ = 0 et σ 2 = 4;
c) Regardez l’auto-corrélation et la covariance des simulations obtenues ;
interprétez.
Indication : help(plot), help(rnorm), help(acf), windows() or x11() et aussi
par(mfrow=c(2,1))

Exercice 2. Fabriquer des données simulées :

a) Dessinez la droite m1 = at + b et la sinusoı̈de s50 = 250 sin( 2πt T ) avec
a = 0.5, b = 1.0 et T = 50. On prendra t ∈ [0, 999].
b) Rajoutez un bruit N (0, 10) à la droite et à la sinusoı̈de, respectivement ;
regardez les fonction d’auto-corrélation respectives en faisant varier l’écart
type du bruit ; interprétez.
c) Rajoutez la droite, la sinusoı̈de, puis le bruit ; regardez les fonctions
d’auto-corrélation respectives ; interprétez.
Indication : help(sin)

Exercice 3. Test du signe pour la vérification des résidus.

Pour la série du bruit {ǫn }, soit S le nombre de valeurs de i telles que
ǫi > ǫi−1 avec i = 2, . . . , n. Il est possible de montrer que pour une séquence
i.i.d. nous avons E[S] = n−1 n+1
2 et V ar[S] = 12 . Quand n prend des valeurs
suffisaient grandes, nous pouvons considérer que S suit une loi normale
N (µS , σS2 ) avec µS = E[S] et σS2 = V ar[S].

a) Dans ce contexte, construisez un test statistique qui vérifie si les résidus

présentent ou non une tendance. L’hypothèse d’absence de tendance dans
les résidus est rejetée si |S − µS |/σS > φ1−α/2 . α est le niveau de confiance
du test.
b) Est-t-il possible de tromper ce test ?

Exercice 4. Enlever la tendance :

L’opérateur différence d’ordre p est défini par (∇p x)n = xn − xn−p . Appli-
quer cet opérateur pour plusieurs valeurs de p afin d’éliminer la tendance
8

et/ou la saisonalité des séries précédentes. Analysez l’auto-corrélation des

résultats obtenus.
Indication : help(diff)

Exercice 5. Lire la série qui se trouve dans le fichier redwine.dat et anal-

ysez la à la lumière de ce que vous avez vu dans les applications précédentes.

Indication : help(read.table)
Pour lire les données vous pouvez utiliser :

rw=read.table(”redwine.dat”,header=FALSE)
data=rw[,1]

Exercice 6. Soit {Zt } ∼ N (0, 1002 ) et les séries temporelles suivantes définies
comme suit :
(1)
Yt = 1 + 0.5t + Zt , (1)
 
(2) 2πt
Yt = 250 sin + Zt , (2)
50
et  
(3) 2πt
Yt = 1 + 0.5t + 250 sin + Zt . (3)
50
a) Simulez les trois séries pour t ∈ [0, 999].
b) Effectuez un filtrage (moyenne mobile) des trois séries avec et sans bruit.
Les coéfficients du filtre sont données par le code R suivant :
d=50
a=c(0.5,rep(1,(d-1)),0.5)/d
Pour filtrer une série temporelle Yt , la commande R filter peut être utilisée
comme suit :
y.f=filter(y,a,circular=TRUE)
c) Comparez les résultats de vos simulations avec les résultats théoriques
obtenus pendant le TD.
 9

Exercice 7.
a) Simuler la série Xt = A cos(ωt) + B sin(ωt) avec t = 0, 1, . . . , 199, ω =
2π/10 et A et B deux variables aléatoires indépendantes de moyenne nulle
et variance unité ;
b) Analyser la fonction de covariance empirique pour plusieurs réalisations
de la série.

Exercice 8. Simuler les modèles MA suivants et regarder leur fonction de

covariance empirique :
a) Xt = Zt + 0.3Zt−1 − 0.4Zt−2 avec {Zt } ∼ BB(0, 1),
b) Yt = Wt − 1.2Wt−1 − 1.6Wt−2 avec {Wt } ∼ BB(0, 0.25).
c) Comparer les résultats obtenus avec ceux de TD.

Exercice 9. Tracer les fonctions de covariance théorique suivantes et faire la

comparaison avec les fonction de covariance empirique obtenues en simulant
les séries temporelles associées (numériquement et graphiquement) :
a) σ(h) = 1 avec h = 0, ±1, ±2, . . .,
b) σ(h) = (−1)h avec h = 0, ±1, ±2, . . .,
c) σ(h) = 1 + cos πh πh
2 + cos 4 ,
d) 
 1 si h = 0
σ(h) = 0.4 si h = ±1

0 sinon

Exercice 10. Simuler la trajectoire d’un modèle AR(1) : Xt = φXt−1 + Zt

avec {Zt } ∼ BB(0, 1).
a) φ = 0.9
b) φ = −0.9
c) φ = 1.001
d) φ = −1.001
Regarder les fonctions de covariance et les réalisations du modèle en fonction
de différentes conditions initiales. Comparer aussi avec les valeurs théoriques
et avec le résultat de l’Exercice 11 fait en TD.

Exercice 11. Soit les modèles ARMA suivants :

10

a) Xt + 0.2Xt−1 − 0.48Xt−2 = Zt
b) Xt = Zt + 0.3Zt−1 − 0.4Zt−2
c) Xt − 0.5Xt−1 = Zt + 0.4Zt−1
avec {Zt } ∼ BB(0, 1). Pour chacun de ces modèles vous devez faire :
- simuler le modèle
- calculer/afficher sa fonction de corrélation
- calculer/afficher sa fonction de corrélation partielle
- refaire ces calculs/affichages pour la réalisation du modèle
- comparer les résultats théoriques avec les résultats obtenus par simulation
en faisant évoluer le nombre de simulations. Qu’est-ce que vous observez
de particulier par rapport à la “forme” de ces fonctions pour chacun de
ces modèles ? Est-ce que l’on peut mettre en relation les paramètres des
modèles et les courbes observées ?

Exercice 12. Soit le modèle Yt = Xt + Wt avec Xt un modèle AR(1) et

{Wt } ∼ BB(0, 0.25). Le modèle AR(1) est donné par Xt = 0.5Xt−1 + Zt
avec {Zt } ∼ BB(0, 1).
a) Étudier la fonction de corrélation et la fonction de corrélation partielle
de Xt ;
b) Simuler Yt . Analysez sa fonction de corrélation et la fonction de corrélation
partielle ;
c) Simuler Ut = Yt − 0.5Yt−1 par deux méthodes et analyser sa fonction de
corrélation et sa fonction de corrélation partielle. La première méthode est
directe. La deuxième nécessite l’identification d’un modèle MA(1) ;
d) Simuler Yt en tant que ARMA(1,1).

Exercice 13.
a) Étudier la fonction de corrélation et la corrélation partielle du modèle
Xt = 0.8Xt−3 + Zt , avec {Zt } ∼ BB(0, 1).
b) Estimer les paramètres de ce processus sur une simulation de longueur n.
Regarder les résultats obtenus en fonction de n. Les résultats obtenus sont
les coefficients du modèle et les résidus ...
c) Prédire les 10 premières valeurs à partir de n en utilisant le modèle obtenu
au point b). Tracer les intervalles de confiance. Étudier les erreurs de
prédiction. Comparer avec les données ... A-t-on intérêt de prédire avec un
horizon grand ?
 11

Exercice 14. Soit le modèle ARMA(2,3) défini par Xt − Xt−1 + 0.24Xt−2 =

Zt + 0.4Zt−1 + 0.2Zt−2 + 0.1Zt−3 avec {Zt } ∼ BB(0, 1).
a) Étudier sa fonction de corrélation et sa fonction de corrélation partielle.
b) Estimer les paramètres du processus utilisant une simulation de longueur
n du modèle.
c) Prédire les 10 premières valeurs à partir de n en utilisant le modèle obtenu
au point b) et analyser les résultats.

Exercice 15.
a) Lire la série “oshorts.dat”. Prédire les 7 premières valeurs à partir de
n = 50.
b) Lire la série “sunspots.dat”. Prédire les 10 premières valeurs à partir de
n = 100.
Dans les deux cas il faut justifier le choix du modèle et analyser les résultats.

Exercice 16. Soit la série Yt = 0.5t + 1 + ǫt avec t = 0, 1, . . . , 200 et

ǫt ∼ BB(0, 100).
a) Analyser et modéliser la série obtenue.
b) Effectuer la prédiction des premières n = 5, 10, . . . , 100 valeurs.
c) Calculer et afficher les intervalles de confiance.

Exercice 17. Soit la série Yt = 250 sin( 2πt

5 ) + ǫt avec t = 0, 1, . . . , 200 et
ǫt ∼ BB(0, 100). Mêmes questions qu’à l’exercice précédent.

Exercice 18. Soit la série Yt = 10 sin( 2πt

5 ) + 0.5t + 1 + ǫt avec t = 0, 1, . . . , 200
et ǫt ∼ BB(0, 4). Mêmes questions qu’à l’exercice précédent.

Exercice 19. Lire la série “airpass.dat”. Mêmes questions qu’à l’exercice

précédent.
12

Annexe A: idées pour les solutions aux exercices

des travaux pratiques

#
# Exercice 1
#
x11()
par(mfrow=c(2,1))
eps1=rnorm(1000,0,1)
plot(eps1,type="l")
acf(eps1)

x11()
par(mfrow=c(3,1))
eps2=rnorm(1000,1,2)
plot(eps2,type="l")
acf(eps2,lag=50)
acf(eps2,lag=50,type="covariance")

#
# Exercice 2
#
t=c(0:999)
eps=rnorm(length(t),0,100)

a=0.5
b=1.0
m1=a*t+b
y1=m1+eps

x11()
par(mfrow=c(3,1))
plot(t,m1,type="l")
plot(t,y1,type="l")
acf(y1,lag=300)

c=0.1
s50=250*sin(2*pi*t/50)
 13

y2=s50+eps

x11()
par(mfrow=c(3,1))
plot(t,s50,type="l")
plot(t,y2,type="l")
acf(y2,lag=300)

m1s50=m1+s50
y3=m1s50+eps

x11()
par(mfrow=c(3,1))
plot(t,m1s50,type="l")
plot(t,y3,type="l")
acf(y3,lag=300)

#
# Exercice 3
#
sign.test = function(x,alpha=0.05)
{
# taille echantillon
n = length(x)

# parametres loi
ms = (n-1)/2
sds = sqrt((n+1)/12)

# construction test
S = sum(x[2:n]>x[1:(n-1)])
S1 = (S - ms)/sds

# interval de confiance ou region de rejet1

I1 = sds*qnorm(alpha/2)+ms
I2 = sds*qnorm(1-(alpha/2))+ms

# retourner la p-value
list(p.value=pnorm(S1),int1 = I1,int2 = I2)
14

#
# Exercice 4
#
# travail sur le bruit
res=diff(eps,25)
x11()
par(mfrow=c(2,1))
plot(res,type="l")
acf(res,lag=300)

# travail sur y1
res=diff(y1,1)
x11()
par(mfrow=c(2,1))
plot(res,type="l")
acf(res,lag=300)

# travail sur y2
res=diff(y2,50)
x11()
par(mfrow=c(2,1))
plot(res,type="l")
acf(res,lag=300)

# travail sur y3
res1=diff(y3,50)
res=diff(res1,1)
x11()
par(mfrow=c(2,1))
plot(res,type="l")
acf(res,lag=300)

#
# Exercice 5
#
rw=read.table("../../../DATA/redwine.dat",header=FALSE)
data=rw[,1]
 15

x11()
par(mfrow=c(2,1))
plot(data,type="l")
acf(data,lag=100)

res=diff(data,12)
x11()
par(mfrow=c(2,1))
plot(res,type="l")
acf(res,lag=300)

#
# Exercice 6
#
# produire les donnee simulees
t=c(0:999)
eps=rnorm(length(t),0,100)

a=0.5
b=1.0
m1=a*t+b
y1=m1+eps

s50=250*sin(2*pi*t/50)
y2=s50+eps

m1s50=m1+s50
y3=m1s50+eps

x11()
par(mfrow=c(3,3))
plot(t,m1,type="l")
plot(t,y1,type="l")
acf(y1,lag=300)

plot(t,s50,type="l")
plot(t,y2,type="l")
acf(y2,lag=300)
16

plot(t,m1s50,type="l")
plot(t,y3,type="l")
acf(y3,lag=300)

# construire le filtre ...

# si d est pair
d=50
a=c(0.5,rep(1,(d-1)),0.5)/d

# si d est impair filtrage par moyenne mobile

#d=51
#a=rep(1/d,d)

# eliminer la tendance ...

# travail sur bruit
eps.f=filter(eps,a,circular=TRUE)

x11()
par(mfrow=c(2,3))
plot(t,eps,type="l")
acf(eps,lag=300,type="covariance")
acf(eps,lag=300)
plot(t,eps.f,type="l")
acf(eps.f,lag=300,type="covariance")
acf(eps.f,lag=300)

# travail sur m1 et y1
m1.f=filter(m1,a,circular=TRUE)
y1.f=filter(y1,a,circular=TRUE)

x11()
par(mfrow=c(4,3))

plot(m1,type="l")
acf(m1,lag=300,type="covariance")
acf(m1,lag=300)
plot(m1.f,type="l")
acf(m1.f,lag=300,type="covariance")
acf(m1.f,lag=300)
 17

plot(y1,type="l")
acf(y1,lag=300,type="covariance")
acf(y1,lag=300)
plot(y1.f,type="l")
acf(y1.f,lag=300,type="covariance")
acf(y1.f,lag=300)

# travail sur s50 et y2

s50.f=filter(s50,a,circular=TRUE)
y2.f=filter(y2,a,circular=TRUE)

x11()
par(mfrow=c(4,3))

plot(s50,type="l")
acf(s50,lag=300,type="covariance")
acf(s50,lag=300)
plot(s50.f,type="l")
acf(s50.f,lag=300,type="covariance")
acf(s50.f,lag=300)

plot(y2,type="l")
acf(y2,lag=300,type="covariance")
acf(y2,lag=300)
plot(y2.f,type="l")
acf(y2.f,lag=300,type="covariance")
acf(y2.f,lag=300)

# travail sur m1s50 et y3

m1s50.f=filter(m1s50,a,circular=TRUE)
y3.f=filter(y3,a,circular=TRUE)

x11()
par(mfrow=c(4,3))

plot(m1s50,type="l")
acf(m1s50,lag=300,type="covariance")
acf(m1s50,lag=300)
plot(m1s50.f,type="l")
acf(m1s50.f,lag=300,type="covariance")
18

acf(m1s50.f,lag=300)

plot(y3,type="l")
acf(y3,lag=300,type="covariance")
acf(y3,lag=300)
plot(y3.f,type="l")
acf(y3.f,lag=300,type="covariance")
acf(y3.f,lag=300)

#
# Exercice 7
#
t=c(0:199)
a=rnorm(1,0,1)
b=rnorm(1,0,1)
x=a*cos((2*pi/10)*t)+b*sin((2*pi/10)*t)
x11()
par(mfrow=c(2,1))
plot(x,type="l")
acf(x,lag=200,type="covariance")

#
# Exercice 8
#
z=rnorm(1000,0,1)
x=filter(z,filter=c(1,0.3,-0.4),method="convolution",circular=TRUE)
x11()
par(mfrow=c(3,1))
plot(x,type="l")
sigma_x=acf(x,lag=10,type="covariance")
sigma_x[0:3]
rho_x=acf(x,lag=10)
rho_x[0:3]

w=rnorm(1000,0,0.5)
y=filter(w,filter=c(1,-1.2,-1.6),method="convolution",circular=TRUE)
x11()
par(mfrow=c(3,1))
plot(y,type="l")
sigma_y=acf(y,lag=10,type="covariance")
 19

sigma_y[0:3]
rho_y=acf(y,lag=10)
rho_y[0:3]

#
# Exercice 9
#
ha=c(0:99)
sha=rep(1,length(ha))
xa=rnorm(1,0,1)*rep(1,1000)
x11()
par(mfrow=c(2,1))
acf(xa,lag=100,type="covariance")
plot(ha,sha,col="blue")

hb=c(0:99)
shb=rep(c(1,-1),length(hb)/2)
xb=rnorm(1,0,1)*rep(c(1,-1),500)
x11()
par(mfrow=c(2,1))
acf(xb,lag=100,type="covariance")
plot(hb,shb,col="blue")

hc=c(0:199)
shc=1+cos(0.5*pi*hc)+cos(0.25*pi*hc)
a=rnorm(1,0,1)
b=rnorm(1,0,1)
c=rnorm(1,0,1)
z=rnorm(1,0,1)
t=c(0:999)
xc=z*rep(1,1000)+a*cos((0.5*pi)*t)+b*sin((0.5*pi)*t)
+c*cos((0.25*pi)*t)+d*sin((0.25*pi)*t)
x11()
par(mfrow=c(2,1))
acf(xc,lag=200,type="covariance")
plot(hc,shc,col="blue",type="l")

hd=c(0:9)
shd=c(c(1,0.4),rep(0,8))
theta1=2
20

zd1=rnorm(1000,0,sqrt(0.2))
yd1=filter(zd1,filter=c(1,theta1),method="convolution",circular=TRUE)
theta2=0.5
zd2=rnorm(1000,0,sqrt(0.8))
yd2=filter(zd2,filter=c(1,theta2),method="convolution",circular=TRUE)
par(mfrow=c(3,1))
acf(yd1,lag=10,type="covariance")
acf(yd2,lag=10,type="covariance")
plot(hd,shd,col="blue")

#
# Exercice 10
#
M=1000
phi=0.9
z=rnorm(M,0,1)
x0=0.2
x=c(x0,rep(0,M-1))

for(i in 2 : M)
{
x[i]=phi*x[i-1]+z[i]
}

x11()
par(mfrow=c(2,1))
plot(x,col="blue",type="l")
acf(x,lag=20,type="covariance")

#
# Exercice 11
#
acf=ARMAacf(ar=c(-0.2,0.48),ma=0,25)
pacf=ARMAacf(ar=c(-0.2,0.48),ma=0,25,pacf=T)
ar2=arima.sim(n=100,list(order=c(2,0,0,),ar=c(-0.2,0.48)),sd=1)
x11()
par(mfrow=c(4,1))
plot(acf,type="h",xlab="Lag")
abline(h=0)
 21

plot(pacf,type="h",xlab="Lag")
abline(h=0)
acf(ar2,lag=25)
pacf(ar2,lag=25)

acf=ARMAacf(ar=0,ma=c(0.3,-0.4),25)
pacf=ARMAacf(ar=0,ma=c(0.3,-0.4),25,pacf=T)
ma2=arima.sim(n=1000,list(order=c(0,0,2,),ma=c(0.3,-0.4)),sd=1)
x11()
par(mfrow=c(4,1))
plot(acf,type="h",xlab="Lag")
abline(h=0)
plot(pacf,type="h",xlab="Lag")
abline(h=0)
acf(ma2,lag=25)
pacf(ma2,lag=25)

acf=ARMAacf(ar=0.5,ma=0.4,25)
pacf=ARMAacf(ar=0.5,ma=0.4,25,pacf=T)
arma11=arima.sim(n=200,list(order=c(1,0,1),ar=0.5,ma=0.4),sd=1)
x11()
par(mfrow=c(4,1))
plot(acf,type="h",xlab="Lag")
abline(h=0)
plot(pacf,type="h",xlab="Lag")
abline(h=0)
acf(arma11,lag=25)
pacf(arma11,lag=25)

#
# Exercice 12
#
acf=ARMAacf(ar=0.5,ma=0,25)
pacf=ARMAacf(ar=0.5,ma=0,25,pacf=T)
x11()
par(mfrow=c(3,1))
plot(acf,type="h",xlab="Lag")
abline(h=0)
plot(pacf,type="h",xlab="Lag")
abline(h=0)
22

x=arima.sim(n=1000,list(order=c(1,0,0),ar=0.5),sd=1)
w=rnorm(1000,0,1)
y=x+w
x11()
par(mfrow=c(3,1))
plot(y,type="l",col="blue")
acf(y,lag=25)
pacf(y,lag=25)

# differences ...
y2=y[2:1000]
y1=y[1:999]
u1=y2-y1
x11()
par(mfrow=c(3,1))
plot(u1,type="l",col="blue")
acf(u1,lag=25)
pacf(u1,lag=25)

# trouver le MA(1) : utiliser les tds et les tps ...

# theta_u = 0.1 et sigma2_u = 1.25
acf=ARMAacf(ar=0,ma=-0.1,25)
pacf=ARMAacf(ar=0,ma=-0.1,25,pacf=T)
ma1=arima.sim(n=1000,list(order=c(0,0,1),ma=-0.1),sd=sqrt(1.25))
x11()
par(mfrow=c(2,2))
plot(acf,type="h",xlab="Lag")
abline(h=0)
plot(pacf,type="h",xlab="Lag")
abline(h=0)
acf(ma1,lag=25)
pacf(ma1,lag=25)

acf=ARMAacf(ar=0.5,ma=-0.1,25)
pacf=ARMAacf(ar=0.5,ma=-0.1,25,pacf=T)
y3=arima.sim(n=1000,list(order=c(1,0,1),ar=0.5,ma=-0.1),sd=sqrt(1.25))
x11()
par(mfrow=c(2,2))
plot(acf,type="h",xlab="Lag")
 23

abline(h=0)
plot(pacf,type="h",xlab="Lag")
abline(h=0)
acf(y3,lag=25)
pacf(y3,lag=25)

#
# Exercice 13
#
acf=ARMAacf(ar=c(0,0,0.8),ma=0,25)
pacf=ARMAacf(ar=c(0,0,0.8),ma=0,25,pacf=T)
ar3=arima.sim(n=1000,list(order=c(3,0,0),ar=c(0.0,0.0,0.8)),sd=1)
x11()
par(mfrow=c(2,2))
plot(acf,type="h",xlab="Lag")
abline(h=0)
plot(pacf,type="h",xlab="Lag")
abline(h=0)
acf(ar3,lag=25)
pacf(ar3,lag=25)

y=ar3[1:100]
estim=arima(y,order=c(3,0,0))
estim$coef
x11()
par(mfrow=c(2,1))
plot(estim$resid,type="l")
acf(estim$resid,lag=50)

p=predict(estim,n.ahead=50)
x11()
plot(y,type="o",col="green",xlim=c(0,120))
lines(p$pred,type="o",col="red")
lines(p$pred+1.96*p$se,col="blue",lty="dashed")
lines(p$pred-1.96*p$se,col="blue",lty="dashed")

#
# Exercice 14
#
24

acf=ARMAacf(ar=c(1,-0.24),ma=c(0.4,0.2,0.1),25)
pacf=ARMAacf(ar=c(1,-0.24),ma=c(0.4,0.2,0.1),25,pacf=T)
arma23=arima.sim(n=1000,list(order=c(2,0,3),ar=c(1,-0.24),
ma=c(0.4,0.2,0.1)),sd=1)
x11()
par(mfrow=c(2,2))
plot(acf,type="h",xlab="Lag")
abline(h=0)
plot(pacf,type="h",xlab="Lag")
abline(h=0)
acf(arma23,lag=25)
pacf(arma23,lag=25)

y=arma23[1:940]
estim=arima(y[1:900],order=c(2,0,3))
estim$coef
x11()
par(mfrow=c(2,1))
plot(estim$resid,type="l")
acf(estim$resid,lag=50)

p=predict(estim,n.ahead=20)
x11()
plot(y,type="o",col="green",xlim=c(880,930))
lines(p$pred,type="o",col="red")
lines(p$pred+1.96*p$se,col="blue",lty="dashed")
lines(p$pred-1.96*p$se,col="blue",lty="dashed")

#
# Exercice 15
#
# oshorts.dat
rw=read.table("../DATA TP/oshorts.dat",header=FALSE)
data=rw[,1]

y=data[1:50]

x11()
par(mfrow=c(3,1))
plot(y,type="o")
 25

abline(h=0)
acf(y,lag=25)
pacf(y,lag=25)

estim=arima(y,order=c(0,0,1))
estim$coef
x11()
par(mfrow=c(2,1))
plot(estim$resid,type="l")
acf(estim$resid,lag=50)

p=predict(estim,n.ahead=7)
x11()
plot(data,type="o",col="green",xlim=c(1,60))
lines(p$pred,type="o",col="red")
lines(p$pred+1.96*p$se,col="blue",lty="dashed")
lines(p$pred-1.96*p$se,col="blue",lty="dashed")

# sunspots.dat
rw=read.table("../DATA TP/sunspots.dat",header=FALSE)
data=rw[,1]

data=data-mean(data)

y=data[1:100]

x11()
par(mfrow=c(3,1))
plot(y,type="o")
abline(h=0)
acf(y,lag=25)
pacf(y,lag=25)

estim=arima(y,order=c(2,0,0))
estim$coef
x11()
par(mfrow=c(2,1))
plot(estim$resid,type="l")
acf(estim$resid,lag=50)
26

p=predict(estim,n.ahead=8)
x11()
plot(data[1:120],type="o",col="green",xlim=c(1,120))
lines(p$pred,type="o",col="red")
lines(p$pred+1.96*p$se,col="blue",lty="dashed")
lines(p$pred-1.96*p$se,col="blue",lty="dashed")

#
# Exercice 16
#
t=c(0:200)
eps=rnorm(length(t),0,100)

a=0.5
b=1.0
m1=a*t+b
y1=m1+eps
x1=diff(y1,1)

x11()
par(mfrow=c(4,1))
plot(y1,type="l",col="blue")
plot(x1,type="l",col="blue")
acf(x1,lag=10)
pacf(x1,lag=10)

sarima(y1,0,1,1)
sarima.for(y1,100,0,1,1)

#
# Exercice 17
#
s5=250*sin(2*pi*t/5)
y2=s5+eps
x2=diff(y2,5)

x11()
par(mfrow=c(3,1))
plot(y2,type="l",col="blue")
 27

acf(y2,lag=40)
pacf(y2,lag=40)

x11()
par(mfrow=c(3,1))
plot(x2,type="l",col="blue")
acf(x2,lag=40)
pacf(x2,lag=40)

sarima(y2,0,0,5,0,1,0,5)
sarima.for(y2,100,0,0,5,0,1,0,5)

#
# Exercice 18
#
eps=rnorm(length(t),0,4)
s5=10*sin(2*pi*t/5)
y3=m1+s5+eps

x3=diff(y3,1)
x31=diff(x3,5)

x11()
par(mfrow=c(3,1))
plot(y3,type="l",col="blue")
acf(y3,lag=40)
pacf(y3,lag=40)

x11()
par(mfrow=c(3,1))
plot(x3,type="l",col="blue")
acf(x3,lag=40)
pacf(x3,lag=40)

x11()
par(mfrow=c(3,1))
plot(x31,type="l",col="blue")
acf(x31,lag=40)
pacf(x31,lag=40)
28

sarima(y3,0,1,5,0,1,0,5)
sarima.for(y3,100,0,1,5,0,1,0,5)

#
# Exercice 19
#
rw=read.table("../../../DATA/airpass.dat",header=FALSE)
data=rw[,1]

x11()
par(mfrow=c(3,1))
plot(data,type="l",col="blue")
acf(data,lag=40)
pacf(data,lag=40)

y=log(data)

x11()
par(mfrow=c(3,1))
plot(y,type="l",col="blue")
acf(y,lag=40)
pacf(y,lag=40)

dy1=diff(y,1)
dy112=diff(dy1,12)

x11()
par(mfrow=c(3,1))
plot(dy1,type="l",col="blue")
acf(dy1,lag=40)
pacf(dy1,lag=40)

x11()
par(mfrow=c(3,1))
plot(dy112,type="l",col="blue")
acf(dy112,lag=40)
pacf(dy112,lag=40)

sarima(y,12,1,0,0,1,0,12)
sarima.for(y,100,12,1,0,0,1,0,12)
 29

#
# R code by R.H. Shumway and D.S. Stoffer
#
sarima.for=function(xdata,nahead,p,d,q,P=0,D=0,Q=0,S=-1){
data=as.ts(xdata)
constant=1:length(data)
xmean=matrix(1,length(data),1)
if (d>0)
fitit=arima(data, order=c(p,d,q), seasonal=list(order=c(P,D,Q), period=S),
xreg=constant,include.mean=F)
if (d<.00001)
fitit=arima(data, order=c(p,d,q), seasonal=list(order=c(P,D,Q), period=S),
xreg=xmean,include.mean=F)
if (d+D>1)
fitit=arima(data, order=c(p,d,q), seasonal=list(order=c(P,D,Q), period=S))
#
if (d>0)
nureg=(length(data)+1):(length(data)+nahead)
if (d<.00001)
nureg=matrix(1,length(nahead),1)
if (d+D>1)
nureg=NULL
fore=predict(fitit, n.ahead=nahead, newxreg=nureg)

#
# graph:
#
U = fore$pred + 2*fore$se
L = fore$pred - 2*fore$se
minx=min(data,L)
maxx=max(data,U)
x11()
ts.plot(data,fore$pred,col=1:2, ylim=c(minx,maxx),
ylab=deparse(substitute(xdata)))
lines(fore$pred, col="red", type="p")
lines(U, col="blue", lty="dashed")
lines(L, col="blue", lty="dashed")
#
return(fore)
30

#
# R code by R.H. Shumway and D.S. Stoffer
#
sarima=function(data,p,d,q,P=0,D=0,Q=0,S=-1){
n=length(data)
constant=1:n
xmean=matrix(1,n,1)
if (d>0)
fitit=arima(data, order=c(p,d,q), seasonal=list(order=c(P,D,Q), period=S),
xreg=constant,include.mean=F)
if (d<.00001)
fitit=arima(data, order=c(p,d,q), seasonal=list(order=c(P,D,Q), period=S),
xreg=xmean,include.mean=F)
if (d+D>1)
fitit=arima(data, order=c(p,d,q), seasonal=list(order=c(P,D,Q), period=S))
if (S < 0) goof=20 else goof=3*S

x11()
par(mfrow=c(2,1))
plot(fitit$resid,type="l",main="Standardized residuals",ylab=" ")
acf(fitit$resid,lag=50,main="ACF of residuals", ylab=" ")

#tsdiag(fitit,gof.lag=goof)
#k=length(fitit$coef)
#BIC=log(fitit$sigma2)+(k*log(n)/n)
#AICc=log(fitit$sigma2)+((n+k)/(n-k-2))
#AIC=log(fitit$sigma2)+((n+2*k)/n)
#list(fit=fitit, AIC=AIC, AICc=AICc, BIC=BIC)

list(fit=fitit)
}
 31

References
[1] P. J. Brockwell and R. A. Davis. Introduction to time series and fore-
casting. Springer-Verlag, New-York, 1999.

[2] G. Oppenheim, A. Philippe, and M. C. Viano. Cours de séries tem-

porelles. Cours polycopié, 2008.

[3] R. H. Shumway and D. S. Stoffer. Time series analysis and its application
with R examples. Springer Texts in Statistics, 2006.