M1 IM, université Nice Sophia Antipolis
Séries temporelles
Sylvain Rubenthaler
[Link]
TP 1 (durée : 3h)
Préliminaires
Créer un chier texte dans lequel vous répondrez clairement aux questions ci-dessous, en in-
cluant vos codes R, les résultats obtenus sous R (graphique y compris), vos interprétations, re-
marques ... Une fois ce TP ni, vous metterez en forme votre compte-rendu et l'exporterez au
format pdf.
1 Données de varicelle
Récupérer le chier contenant le nombre de cas de varicelle relevés à New-York de janvier 1931
à juin 1972 (http ://[Link]/∼rubentha/enseignement/[Link]).
1. Créer un objet de type série temporelle contenant cette série. Représenter graphiquement la
série. (Voir appendice pour les instructions utiles en R.)
2. Analyser qualitativement cette série, c'est-à-dire repérer d'éventuelles tendance et/ou sai-
sonnalité (changer d'échelle si besoin).
3. Quel est le nombre de cas de varicelles mensuel moyen ?
4. Tracer les 25 premières auto-corrélations. Intérpreter ces résultats. Que représentent les traits
pointillés horizon- taux sur le graphique de l'auto-corrélation.
5. Tracer sur un même graphique, les évolutions mensuelles du nombre de cas de varicelle pour
chaque année.
6. Tracer sur un graphique l'évolution annuelle du nombre de cas de varicelle.
7. Ces deux dernières questions vous permettent-elles d'améliorer vos conclusions de la question
2?
2 Simulations de séries temporelles
On appelle bruit blanc gaussien une suite de variables aléatoires indépendantes et identi-
quement distribuées (t )t∈N de loi normale centrée réduite.
1. Quelle est la fonction d'auto-corrélation d'un bruit blanc ?
2. Simuler un bruit blanc gaussien de taille 100, et représenter le graphiquement.
3. Tracer la fonction d'auto-corrélation.
4. Recommencer les deux questions précédentes et observer la variabilité des résultats. Jouer
sur la longueur de la série.
5. Simuler maintenant la série temporelle X(t) = 0.5t + 2t avec t ∼ N (0, 1) (taille 100).
6. Représenter graphiquement la série et interpréter-la qualitativement.
7. Faites de même pour X(t) = 0.5t + t + 3 cos(tπ) avec t ∼ N (0, 1).
1
Appendice : mise en ÷uvre sous R.
Quelques fonctions R utiles à l'étude des séries temporelles :
Lire un chier de données en sautant les k premières lignes : data=scan(file=[Link],skip=k).
Créer un objet de type série temporelle : serie <- ts (data,start,end,frequency). data
contient le vecteur des données (un chier contenant les données peut être mentionné en
remplaçant data par file=[Link]), start et end mentionne les dates de début et de
n de la série (ex : start=c(1990,1) et end=c(1999,6) pour des données allant de janvier
90 à juin 99), et en n frequency mentionne le nombre de données par unité de temps (par
exemple, si les dates de début et de n sont des années, et que les données sont mensuelles,
il faudra indiquer frequency=12).
Représenter graphiquement un objet de type série temporelle : [Link](serie).
La fonction acf(x, [Link] = 10, type = c("correlation", "covariance"), plot =
TRUE) calcule (et trace si l'option plot est à TRUE) les [Link] premières auto-corrélations
et auto-covariances.
Quelques conseils utiles pour les graphiques en R :
Pour représenter plusieurs courbes sur le même graphique, tracer la première à l'aide de la
commande plot qui créé la fenêtre graphique et y insère la courbe, puis tracer les autres
courbes à l'aide de la commande lines qui trace une courbe sur une fenêtre graphique exis-
tante.
Pour partager la fenêtre graphique en plusieurs (nÖp) sous-graphes, utiliser la commande
par(mfrow=c(n,p)).
Préciser les limites des axes des graphiques : plot(...,xlim=c(0,10),ylim=c(-10,10)).
Pour exporter les graphiques en jpeg (idem pour bmp, png ), il faut lui procéder de la sorte
1. jpeg(filename=nomfichier%[Link]),
2. réaliser le graphique,
3. la commande [Link]() permet en n de rediriger le dernier graphique tracé vers le
chier [Link], et ainsi de suite après chaque graphique. Le nom de chier
sera automatiquement incrémenté.