Travaux dirigés avec notes de cours.

Séries chronologiques.
Licence de Probabilités-Statistiques.
Troisième année

Enseignant: Salim Ladjouze

11 mai 2020

Préambule : L'enseignement de la Matière "Séries chronologiques" a pour objet

l'analyse statistique, la modélisation et la prévision des séries chronologiques via les
processus ARMA. Il consiste en 4.5 heures hebdomadaires pour un semestre, répar-
ties en 2 séances de Cours (3 heures) plus une séance de TD (1h30 par groupe) et la
programmation de plusieurs séances de TP. Cette série de TD est téléchargeable via
l'adresse de votre section à partir du 20 mars 2020.
On donne aussi, dans les références ci-dessous, une bibliographie pour tout le pro-
gramme de la matière dont certains polycopiés sont téléchargeables. Les logiciels de
travail, fortement conseillés, sont le Langage R (gratuit et téléchargeable sur site) et,
dans une moindre mesure, l' ITSM-Student. L'étudiant est invité à s'habituer aux
vocables anglais et à prendre note du lexique suivant.

Lexique bilingue : Fonction d'autocorrélation : autocorrelation function [abbrev. "acf"]. Fonc-

tion d'autocorrélation partielle : partial autocorrelation function [abbrev. "pacf"]. Corrélogramme
(estimateur de l'acf) : Sample autocorrelation function [abbrev. "sample acf"]. Corrélogramme
partiel (estimateur du pacf) : Sample partial autocorrelation function [abbrev. "sample pacf"].

Références

[1] Yves Tillé. Résumé du Cours de séries temporelles. Polycopié. 72 pages. 18 janvier 2004
[2] Marc Lavielle. Cours de séries chronologiques. Université Paris Sud. polycopié. 55p
[3] Marc Lavielle. Statistique des processus et applications. Université Paris Sud. polycopié. 52p
[4] M.C Viano & A. Philippe. Cours de Séries Temporelles. Maîtrise d'Économétrie. polycopié.
67p. UST de Lille. 1999 à 2004
[5] A. Charpentier. Cours de Séries Temporelles. Théorie et applications. DESS Actuariat.
Université Paris Dauphine. polycopié. 178p
[6] R. von Sachs & S. Van Bellegem. STAT2414. cours de séries chronologiques. polycopié.211p.
Université Catholique de Louvain. 2005
 ? page 2

Table des matières

1 Contenu du Programme 3
2 Premiers exercices 4
3 Autres exercices 7
4 Edition Spéciale 10
5 Annexes : Notes de cours 11
A Statistique et statistiques . . . . 11
A.1 En guise de dénition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
A.2 Deux grandes branches en Statistiques . . . . . . . . . . . . . . . . . . . . . . . . 11
A.3 Raisonnement inductif et Statistique inférentielle . . . . . . . . . . . . . . . . . . 11

B Introduction aux Séries chronologiques 12

B.1 Aspects généraux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
B.2 Approche traditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
B.3 Analyse préliminaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

C Le problème de prédiction dans l'espace L2 (Ω, =, P ) 14

D Deux processus non-stationnaires : les processus TS et DS 15
D.1 processus TS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
D.2 processus DS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
D.3 Filtre aux diérences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

E Note sur les comportement de quelques processus usuels : 16

Licence de Probabilités-Statistiques. Troisième année.

Faculté des Mathématiques. Usthb
1 Contenu du Programme ? page 3

1 Contenu du Programme

1. Rappels et compléments
(a) Rappels et compléments de Probabilités ( Covergences stochastiques ...)
(b) Rappels et compléments de Statistiques (Histogrammes, Skewness et Kurtosis, Ré-
gression, Tests statistiques et P-Value ...)
(c) Sur le langage R. Le logiciel ITSM. Autres langages spéciques aux séries chronolo-
giques
2. Introduction
(a) Aspects généraux
(b) Approche traditionnelle et approche dynamique
(c) L'analyse descriptive préliminaire
3. L'analyse traditionnelle des séries chronologiques
(a) Modèles (shémas) de décomposition classiques tendance/saisonnalité
(b) Modèles prédictifs (Holt, Winters, ...)
4. Processus stochastiques : notions fondamentales
(a) Processus : généralités
(b) Processus du 2ième ordre
 Premières notions. L'espace de Hilbert L2 (Ω, =, P )
 Le problème de prédiction
 Note : le processus gaussien centré
(c) Présentation des processus stationnaires du 2ième ordre
 Premières notions. Exemples usités de processus stationnaires
 Théorème de Herglotz. L'aspect fréquentiel des processus stationnaires
 Théorème de Wold
 Causalité et Inversibilité des processus ARMA
(d) Deux processus non-stationnaires : les processus TS et les processus DS
5. Estimation non-paramétrique au 2ième ordre d'un processus stationnaire
(a) Estimation de l'espérance mathématique et de la fonction de covariance
(b) Le périodogramme. Sur l'estimation de la densité spectrale
6. Estimation du processus ARMA(p,q)
(a) Estimation d'un processus AR(p) par la méthode de Yule-Walker
(b) Estimation du processus ARMA(p,q) par la méthode du MV
7. Modélisation ARMA et prédiction
(a) La construction de modèle selon Box & Jenkins
(b) Identication du modèle
(c) Estimation du processus ARMA. Tests sur les paramètres estimés
(d) Adéquation : Tests of randomness
 Tests sur le bruit blanc
 Choix par critères d'information
(e) Prédiction d'un processus ARMA(p,q)
(f) What next ?
8. Etude de cas concrets

Séries Chronologiques. Travaux dirigés & notes de cours

 ? page 4

2 Premiers exercices

Exercice 1 Décrire les séries suivantes représentées par leurs time-plots :

Figure 1  time plot de la série airpass data

Figure 2  time plot de la série wine data

Figure 3  time plot de la série lynx data

Exercice 2 Soit {X (1) , X (2) , ..., X (N )} une série chronologique de longueur N. On désire
ajuster une courbe vériant
k
f (t) = , a, b, k  0 (1)
1 + b exp (−at)
1. On pose g (t) = 1/f (t).
(a) Démontrer la relation
g (t + 1) = βg (t) + α
où α et β sont à déterminer.
(b) Calculer alors k et a. Et b ?
2. Comment pourrait-on vérier la validité d'un ajustement du modèle (1) à cette série
(a) d'abord graphiquement

Licence de Probabilités-Statistiques. Troisième année.

Faculté des Mathématiques. Usthb
2 Premiers exercices ? page 5

(b) ensuite par un calcul.

Exercice 3 Décrire les séries de données algériennes suivantes représentées par leurs time-plots :

Figure 4  time plot de la série pointe du soir de Sonelgaz

Figure 5  time plot de la série pluviométrique d'Oran

Figure 6  time plot de la série ipc-alger

Exercice 4 On veut ajuster par un shéma additif la série suivante

{7.4, 4.4, 3.3, 7.6, 3.9, 2.4, 6.9, 4.5, 2.7, 8.2, 4.1, 3.0, 7.5, 3.5, 2.8}

Un logiciel donne la suite de résultats suivants :

Data : Sample Mean = 4.8133. Std.Error = .220428
Tendance ane (droite de régression) : X(t) = −.011161 ∗ t + 4.9026
Série détendanciée : Sample Mean = −.2961E − 15. Std.Error = .206506
Coecients saisonniers Si (période= 3) : S1 = 2.7528 S2 = −0.73056 S3 = −2.0222
Résidus du modèle : Sample Mean = .7105E − 15. Std.Error = .096887
1. Expliquer et commenter chaque étape de la procédure mise en oeuvre.
2. Analyser le time plot de la série. Ajuster un modèle plus simple (à tendance constante).

Séries Chronologiques. Travaux dirigés & notes de cours

 ? page 6

3. Retrouver les résultats précédents en utilisant le langage R 1 .

Exercice 5 On considère les opérations ∇p et ∇s dénies sur les entiers par les relations

∇1 X (t) = ∇X (t) = X (t) − X (t − 1) , ∇p X (t) = ∇p−1 (∇X (t)) , p ≥ 2;

∇s X (t) = X (t) − X (t − s) , s ≥ 2.

1. Quel est l'eet des opérateurs ∇ et ∇2 sur

(a) une fonction ane ?

(b) une fonction quadratique ?

2. A quel(s) usage(s) les opérateurs ∇p et ∇s peuvent-ils servir ?

Problème 1 (Analyse traditionnelle) Soit {X (1) , X (2) , ..., X (N )} une série chronologique
trimestrielle de longueur N ; elle est enregistrée dans le tableau à double entrée suivant :

 1 2 3 4
1993 2 7 12 7
1994 6 7 16 11
1995 8 12 18 13
1996 10 14 20 13

1. Etude préliminaire

(a) Donner N . Donner X (1) , X (2) , X (4) , X (7) , X (13) et X (N ).

(b) Tracer le diagramme séquentiel de cette série.
(c) En faire une première analyse descriptive.

2. Ajustement

(a) On pose T = {1, 2, ..., N }. On désire ajuster
à cette série la droite de regression (des
moindres carrés) de X sur T notée ∆ X T telle que

X
T : y = αt + β .


∆

Rappeler les formules exprimant les paramètres α et β .

(b) Ajuster cette série par un shéma classique en le justiant.
(c) Représenter la série ajustée sur le diagramme précédent.

3. Adéquation

(a) Etudier graphiquement la série résiduelle.

(b) Enoncer, puis appliquer, les tests requis.

4. Extrapolation : quelles sont vos prévisions pour 1997 ? Pour le premier trimestre 1998 ?
1. On utilisera chaque fois que nécessaire le langage R, même dans les autres exercices de cette série.

Licence de Probabilités-Statistiques. Troisième année.

Faculté des Mathématiques. Usthb
3 Autres exercices ? page 7

3 Autres exercices

Exercice 6 Soit ε = {εt , t ∈ Z} un bruit blanc centré de variance σ 2 . Dans tout ce qui suit, a, b
et c sont des nombres réels.
1. Soit X = {Xt , t ∈ Z} un processus vériant

Xt = cos (ct) εt + sin (ct) εt−1 .

(a) Calculer V ar (X)

(b) X est-il un processus stationnaire au 2ième ordre ?

Exercice 7 Etablir si X est un processus stationnaire au 2ième ordre dans chacun des cas sui-
vants ; en donner, s'il y a lieu, la fonction de covariance :
1. Xt = a + bε0 .
2. Xt = cos (ct) εt .
3. Xt = εt εt−1 .
4. Soit maintenant Y = {Yt , t ∈ Z} un processus vériant Yt = (−1)t εt .
(a) Y est-il un processus stationnaire au 2ième ordre ?
(b) Même question pour le processus Z = {Zt , t ∈ Z} déni par la relation

Zt = Yt + εt

(c) Avez-vous des commentaires ?

Exercice 8 Soit Z = {Zt , t ∈ Z} un processus formé de variables i.i.d et uniformément réparties

dans {−1, 0, +1} (ie : PZ (−1) = PZ (0) = PZ (+1) = √ 1/3). On se donne
√ ici un processus X =
{Xt , t ∈ Z} vériant Xt = Zt si t est impair, et Xt = 3(Zt−1 ) − 2/ 3) si t est pair.
2

1. Montrer que X est un bruit blanc centré et de variance 2/3.

2. Les variables Xt , t ∈ Z, sont-elles i.i.d ? Conclure.

Exercice 9 On donne le processus Y = {Yt , t ∈ Z} vériant pour tout t

Yt = A cos θt + B sin θt

où A et B sont deux variables aléatoires i.i.d centrées et de variance σ 2 . Y est-il stationnaire

au second ordre ? (Si oui, on donnera sa fonction de covariance γY )

Exercice 10 Soient ε et η deux processus de bruit blanc centrés de variances σ 2 et σ 2 θ respec-

tivement. Soient X et Y deux processus vériant, pour tout θ tel que |θ| ≺ 1, les relations :

Xt = εt + θεt−1
1
Yt = ηt + ( )ηt−1 .
θ
Montrer que X et Y ont même fonction d'auto-corrélation.

Exercice 11 (Stationarity of arma processes) Soient ε = {εt , t ∈ Z} un processus de bruit

blanc et X = {Xt , t ∈ Z} un processus tous deux dénis sur le même espace probabilisé (Ω, F, P ).
Pour chacun des cas suivants, nommer le processus X et établir s'il est causal et/ou inversible.
1. Xt + 0.2Xt−1 − 0.48Xt−2 = εt

Séries Chronologiques. Travaux dirigés & notes de cours

 ? page 8

2. Xt + 0.9Xt−1 + 0.88Xt−2 = εt + 0.2εt−1 + 0.7εt−2

3. Xt + 1.8Xt−1 + 0.81Xt−2 = εt
4. Xt + 0.6Xt−1 = εt + 1.2εt−1
5. Xt + 1.6Xt−1 = εt − 0.4εt−1 + 0.04εt−2

Exercice 12 (Autocorrélations partielles) Soit X un processus stationnaire au 2ième ordre

de fonction d'auto-corrélation ρ(.).
1. Démontrer que le coecient d'auto-corrélation partielle d'ordre 2, noté Φ22 est donné par la
relation :
ρ(2) − ρ(1)2
Φ22 = ( )
1 − ρ(1)2
2. Calculer Φ22 si X est un processus MA(1)
3. On suppose maintenant que X est un processus AR(2) vériant

Xt = 0.8Xt−2 + εt

(a) Calculer ρ(j), j ∈ Z.

(b) Calculer Φ11 .
(c) Calculer Φ22 .

Problème 2 (processus TS et processus DS) Soient ε = {εt , t ∈ Z} un processus station-

naire au 2ième ordre et un processus X = {Xt , t ∈ Z} dénis sur le même espace probabilisé
(Ω, F, P ).
1. Soit une fonction f : Z → R. On suppose que X vérie la relation

Xt = f (t) + εt .

Montrer que X est un processus stationnaire en variance mais non en moyenne.

2. Supposons maintenant que X vérie la relation

Xt = ρXt−1 + β + εt (∗)

où ρ et β ∈ R. Montrer que
k−1
X k−1
X
k
Xt = ρ Xt−k + β j
ρ + ρj εt−j ; ∀k ∈ N∗ .
j=0 j=0

3. On suppose dorénavant que |ρ| = 1,

(a) Montrer que la relation (∗) peut s'écrire
t
X
Xt = X0 + tβ + εj .
j=1

(b) Calculer E (Xt ) et V ar (Xt ) .

(c) Calculer Cov (Xt , Xs ) . Qu'en conclure ?
4. Si ε est un bruit blanc, et si |ρ| = 1, nommer exactement le processus X . Quelle est la nature
du processus X de la question 1 ? Même question pour le processus X dans la quetion 2.

Licence de Probabilités-Statistiques. Troisième année.

Faculté des Mathématiques. Usthb
3 Autres exercices ? page 9

Problème 3 Soit Y = {Yt , t ∈ Z} un processus stationnaire au 2ième ordre. Soient a et b 2

nombres réels. On désigne par St une composante saisonnière d'ordre 12.
1. On suppose que le processus X = {Xt , t ∈ Z} admet la décomposition
Xt = a + bt + St + Yt .
2. Montrer que le processus Z = {Zt =, t ∈ Z} déni par
Zt = ∇∇12 Xt , ∀t ∈ Z
est un processus stationnaire et calculer sa fonction de covariance.
Problème 4 Soit ε = {εt , t ∈ Z} un bruit blanc centré de variance σ 2 . On se donne ici un
processus Y = {Yt , t ∈ Z} vériant
Xt = φXt−1 + ψεt−1 + εt
1. Nommer ce processus.
2. Sous quelles conditions ce processus est-il stationnaire au 2ième ordre ?
3. Sous les conditions de la question précédente :
(a) Calculer E (Xt ).
(b) Calculer de même γ (0) et γ (1), puis γ (j) pour j ≥ 2.
4. On donne le processus Y = {Yt , t ∈ Z} vériant pour tout t
1
Yt − Yt−1 + Yt−1 = εt + εt−1
4
Ce processus est-il stationnaire au 2ième ordre ? Causal ? Inversible ?
Problème 5 (state space model) Soit ε = {εt , t ∈ Z} un bruit blanc centré de variance σ 2 .
On se donne ici un processus Y = {Yt , t ∈ Z} vériant
Yt = 2Yt−1 + εt .
On suppose que Y est indirectement observé à travers le processus X = {Xt , t ∈ Z} tel que
Xt = Yt + ηt .
où le processus η = {ηt , t ∈ Z} est un bruit blanc centré, de variance ση2 et non corrélé avec ε ie,
Cov (εt , ηt−h ) = 0, ∀h ∈ Z. On dénit le processus Z = {Zt , t ∈ Z} par la relation
Zt = εt + ηt − 2ηt−1 .
1. Montrer que Z est un processus M A à déterminer (Ind : calculer γ (0), γ (1), ainsi que γ (j)
pour j ≥ 2 et déduire).
2. En déduire que X est un processus ARM A dont on précisera l'ordre.
3. Appl. num : on donne σ 2 = 5/18 et ση2 = 1/6. Vérier si X est-il un processus stationnaire
et inversible.
Problème 6 Soit ε = {εt , t ∈ Z} un bruit blanc formé de variables iid gaussiennes centrées et
de variance 1. Onse donne ici un processus X = {Xt , t ∈ Z} vériant Xt = εt si t est pair, et
 √
Xt = (εt−1 )2 − 1 / 2 si t est impair.
1. Calculer E (εt )4 .
2. Montrer que X est un bruit blanc centré et de variance 1.
3. Calculer E (Xn+1 /X1 , X2, ..., Xn ) si n est pair, ou si n est impair.
4. Avez-vous des commentaires ?

Séries Chronologiques. Travaux dirigés & notes de cours

 ? page 10

4 Edition Spéciale

NB : Dans toute la suite, ε = {εt , t ∈ Z} est un processus de bruit blanc centré de variance
σ2.

Exercice 13 Soit Z = {Zt , t ∈ Z} un processus formé de variables i.i.d et uniformément répar-

ties dans {−1, 0, +1} (ie : PZ (−1) = PZ (0) = PZ (+1) = √1/3). On se donne
√ ici un processus
X = {Xt , t ∈ Z} vériant Xt = Zt si t est impair, et Xt = 3(Zt−1 )2 − 2/ 3) si t est pair.
1. Montrer que X est un bruit blanc centré dont on calculera la variance.
2. Les variables Xt , t ∈ Z, sont-elles i.i.d ? Conclure.

Exercice 14 Soit ε = {εt , t ∈ Z} un bruit blanc formé de variables i.i.d gaussiennes centrées et
de variance 1. Onse donne ici un processus X = {Xt , t ∈ Z} vériant Xt = εt si t est pair, et
 √
Xt = (εt−1 )2 − 1 / 2 si t est impair.

1. Calculer E (εt )4 .
2. Montrer que X est un bruit blanc centré et de variance 1.

Exercice 15 Soient Z = {Zt , t ∈ Z} et W = {Wt , t ∈ Z} deux processus formés de variables

i.i.d vériant PZ (0) = PZ (+1) = 1/2 et PW (−1) = PW (+1) = 1/2) respectivement. On se
donne ici un processus X = {Xt , t ∈ Z} déni pour tout t par

Xt = Wt (1 − Wt−1 )Zt

1. Montrer que X est un bruit blanc .

2. Les variables Xt , t ∈ Z, sont-elles i.i.d ? Conclure.

Licence de Probabilités-Statistiques. Troisième année.

Faculté des Mathématiques. Usthb
A Statistique et statistiques . . . . ? page 11

5 Annexes : Notes de cours

A Statistique et statistiques . . . .

A.1 En guise de dénition

Dans le langage commun, le sens attribué aux expressions "les statistiques" ou "la Statistique"
est ou : le profane comprend souvent par le mot "statistiques" la simple récolte de données issues
de l'observation d'un phénomène. Mais l'activité du statisticien consiste surtout à faire parler ces
données. Consultons quelques dictionnaires :
 "le mot Statistique désigne à la fois un ensemble de données d'observation et l'activité qui
consiste en leur recueil, leur traitement et leur interprétation" (Encyclopediae Universalis).
 "données numériques concernant une catégorie de faits. Ensemble de techniques d'interpré-
tation mathématique appliquées à des phénomènes pour lesquelles une étude exhaustive est
impossible" (Le Petit Robert).
Ici, on dira que les Statistiques concernent un ensemble de méthodes mathématiques dont
l'objet est l'étude de grands ensembles de données et dont le principe est l'observation. Le but
principal en est l'aide à la prise de décision.
Primordiale, l'observation est l'acte qui fournit les données ; une donnée est un fait - numérique
ou non - qui contient une information concernant le phénomène observé.

A.2 Deux grandes branches en Statistiques

Ces méthodes couvrent deux aspects qui regroupent les deux grandes branches de la Statis-
tique. Le premier aspect est descriptif, il consiste en la visualisation des données : c'est le do-
maine de "l'Analyse des données". Le second veut être explicatif ; il cherche à étudier la nature
sous-jacente du phénomène qui a engendré les données : c'est le domaine de la "Statistique
inférentielle". L'Analyse des données requiert principalement l'Algèbre linéaire comme outil ma-
thématique ; quant à la Statistique inférentielle, elle est basée sur la théorie des Probabilités.

A.3 Raisonnement inductif et Statistique inférentielle

En mathématiques, le mode de raisonnement est déductif : supposons, par exemple, que D
désigne l'ensemble des fonctions dérivables sur un intervalle I de R et que C désigne l'ensemble
des fonctions continues sur I ; la proposition "si f est une fonction dérivable sur I , alors f est
continue sur I " indique que D est inclus dans C. Les propriétés de l'ensemble C sont transmises
à D : le raisonnement déductif permet de passer du général au particulier ; les conclusions
que l'on en tire sont certaines.

En sciences expérimentales, on peut avoir besoin d'un autre mode de raisonnement ; en eet, soit
E une partie d'un ensemble Ω pour laquelle on dispose d'informations ; on veut étendre sur Ω ces
informations connues sur E seulement : un raisonnement qui permet d'eectuer cette extension 2
s'appelle raisonnement inductif.Ce dernier permet de passer du particulier au général. Ce
degré d'incertitude se mesure en termes de probabilités. E est ici appelé "échantillon" et Ω est
appelé "population". Le terme "inférentielle" tient au fait que ce raisonnement infère (on dit
aussi induit) les propriétés attachées à la partie E vers la population Ω ; on l'appelle souvent
Statistique mathématique.

2. On peut dire, plus précisément, cette "induction" oubien cette "inférence"

Séries Chronologiques. Travaux dirigés & notes de cours

 ? page 12

B Introduction aux Séries chronologiques

On traite avec un certain détail dans le chapitre 3 du Cours l'aspect classique

(ou encore traditionnel) des séries chronologiques. On peut consulter, en accord
avec notre approche de ce sujet, les documents de Tillé et Lavielle en [1] et
[2]. L'approche dynamique necessite une connaissance plus avancée de la théo-
rie des probabilités fera l'objet des chapitres 4 et suivants. Le lecteur intéressé
peut consulter dans la bibliographie présentée, par exemple, les livres de Lavielle
(tome 2, cf [3]), de Viano (cf [4]) de Sachs (cf [6]) et de Charpentier (cf [5]).

B.1 Aspects généraux

Une série chronologique (ou série temporelle) est une suite d'observations numériques séquen-
tiellement ordonnées et régulièrement espacées dans le temps. On désigne souvent par

{X (1) , X (2) , ..., X (N )}

la série chronologique résultant de l'observation d'un phénomène noté X évolue dans le temps. 0n
recense deux approches pour étudier les séries chronologiques : une approche dite traditionnelle
et une approche dite dynamique.

En approche traditionnelle, on fait l'hypothèse que la série chronologique est produite par
des causes déterministes, indépendantes l'une de l'autre, et un résidu que l'on suppose aléatoire.
La série précédente admettra donc la représentation suivante :

X (t) = D(t) +  (t)

D désigne ici une fonction déterministe du temps ;  (t) est le résidu à l'instant t.  est ici
considéré comme une erreur d'observation.

En approche dynamique, on considère que la série chronologique

{X (1) , X (2) , ..., X (N )}

est une observation de longueur N d'un processus stochastique X = {X (t) , t ∈ Z}, sensé repré-
senté le phénomène temporel étudié.

B.2 Approche traditionnelle

Deux principaux éléments constituent la partie déterministe : le mouvement conjoncturel
d'une part et le mouvement saisonnier d'autre part. Le mouvement conjoncturel, noté f , est
une fonction à priori quelconque du temps. Il est constitué à son tour par la tendance à moyen
terme T et le mouvement cyclique à long terme C . La relation s'écrira donc

f (t) = T (t) + C(t)

Le mouvement saisonnier S quant à lui représente les uctuations cycliques intra annuelles.
On propose le plus souvent deux schémas d'association des composantes précédentes : un
schéma additif qui s'écrit sous la forme :

X (t) = f (t) + S(t) +  (t)

et un schéma multiplicatif qui s'écrit sous la forme

X (t) = f (t)S(t) +  (t) .

Licence de Probabilités-Statistiques. Troisième année.

Faculté des Mathématiques. Usthb
B Introduction aux Séries chronologiques ? page 13

On rencontre aussi des modèles mixtes tels que

X(t) = f (t)(1 + s(t)) +  (t)

oubien
X (t) = f (t)(1 + s(t))(1 +  (t)).

B.3 Analyse préliminaire

à blanc. commentaires de l'étudiant.

Séries Chronologiques. Travaux dirigés & notes de cours

 ? page 14

C Le problème de prédiction dans l'espace L2 (Ω, =, P )

Rappel : Le problème de prédiction est souvent un des buts de l'analyse statistique.
Il se pose de la façon suivante : soit X = {X (t) , t ∈ Z} un processus du 2ième ordre,
de noyau K ; soit T1 ⊂ Z et t0 ∈/ T1 ; connaissant la suite (Xt , t ∈ T ) et K seulement,
comment évaluer X(t0 ) "le mieux possible" ? Le cas se présente si, par exemple,
pour t0 = 0 3 , on se donne T1 = Z − N ; c'est le cas aussi pour tout entier t0 ≥ 1.
On résoud le problème de prédiction par des techniques de projection. On pré-
sente ici deux solutions qui toutes deux sont des solutions des moindres carrés.
L2 (Ω,=,P )
1ère Solution : introduisons E1 = ({X (t) , t ∈ T1 }) . On sait que E1 ⊂ E(X). Consi-
dérons alors l'application de projection orthogonale sur E1 notée projE1 telle que

projE1 : E(X) → E1

On propose ici la quantité Y = projE1 (X(t0 )). Y est la solution nla plus "proche"o de X(t0 ) au
2
sens des moindres carrés, c'est-à-dire que l'écart quadratique E (Y − X(t0 )) est minimal
n o
parmi tous les nombres E (U − X(t0 ))2 où U ∈ E(X). On rappelle que
n o
E (Y − X(t0 ))2 =k Y − X(t0 ) k2 = d2 (Y, X(t0 )) ;

d () étant la distance induite par le produit scalaire déni précédemment sur L2 (Ω, =, P ).
2ème Solution : soit β la tribu engendrée par les variables aléatoires (X (t) , t ∈ T1 ), ie : β =
∨ (X (t)) et soit L2 (β) l'ensemble des variables β -mesurables de carré intégrable. On sait
t∈T1
que L2 (β) est un sous-espace vectoriel fermé de L2 (Ω, =, P ). On propose ici la quantité
Z = projL2 (β) (X(t0 )). On remarque que Z = E {X(t0 )/β}, qui n'est autre que l'espérance
conditionnelle de X(t0 ) sachant β .

Remarque : En général Y 6= Z car on a (toujours) l'inégalité :

d X(t0 ), L2 (β) ≤ d (X(t0 ), E1 )

Cette inégalité prouve que Z est meilleure que la 1ère solution Y , mais c'est cette dernière
qui est préférée car elle est facilement calculable. Ce qui n'est pas le cas de la 2ième solution,
car il faut plus d'informations que la connaissance du noyau K et des {X (t) , t ∈ T1 } . Mais
dans le cas particulier important où X est un processus gaussien centré, alors Y = Z .

3. On note ici que si t0 = 0 et T1 = Z∗ nous sommes en présence d'un problème plus couramment appelé
problème d'interpolation.

Licence de Probabilités-Statistiques. Troisième année.

Faculté des Mathématiques. Usthb
D Deux processus non-stationnaires : les processus TS et DS ? page 15

D Deux processus non-stationnaires : les processus TS et DS

D.1 processus TS
Considérons un processus X = {Xt , t ∈ Z} vériant :
Xt = f (t) + εt
où ε = {εt , t ∈ Z} est un processus stationnaire au 2nd ordre, et f une fonction (déterministe)
vériant

f: Z → R
t 7−→ f (t)
On remarque que E (Xt ) = f (t) et var (Xt ) = var (εt ) = cste. Le processus X n'est pas sta-
tionnaire en moyenne, mais il est stationnaire en variance. son comportement de long-terme
est déterministe (i.e, il va se comporter comme) f ; c'est ce qu'on appelle un processus TS
[trend stationary] : Un processus TS est un processus que l'on peut rendre station-
naire par une régression sur une tendance déterministe.

D.2 processus DS
Rappel : la marche aléatoire Soit X un processus vériant
Xt = ρXt−1 + β + εt
où ρ et β ∈ R, {εt , t ∈ Z} est stationnaire au 2nd .
Puisque : (∀k ∈ Z)
k−1
X k−1
X
k j
Xt = ρ Xt−k + β ρ + ρj εt−j
j=0 j=0

alors : si |ρ| = 1 , on a
t
X
Xt = X0 + tβ + εj ≡ (∗)
j=1

Si ε est un bruit blanc ( ici centré), alors {Xt , t ∈ Z} est appelée "marche aléatoire " [ avec dérivé
si β 6= 0 , sans dérivé , sinon ]

1. β = 0
(a) E {Xt } = E (X0 ) = µx0 , ∀t
(b) v {xt } = v {x0 } + tj=1 v {εj } = v x0 + tσ 2 ε
P 

⇒ la m.a sans dérivé est stationnaire en moyenne mais non stationnaire en variance.
2. β 6= 0

(a') E {xt } = E {x0 } + tβ

(b') ≡ (b)
⇒ la m.a avec dérivé n'est pas stationnaire (ni en moyenne ni en variance)
3. Calcule de cov(xt , xs ) :
cov(xt , xs )= E {(x
nP t − µxt ) (xs − µxs )}o⇒ que
nPce soit pour β =o0 ou ββ 6= 0 , on a :
t Ps t Ps Pt Ps
cov(xt , xs ) = E ( j=1 εj )( k=1 εk ) = E j=1 k=1 εj εk = j=1 k=1 E {εj εk }
0 si j 6= k
cov(xt , xs ) =
min(t,s)σε2 si j = k

Séries Chronologiques. Travaux dirigés & notes de cours

 ? page 16

En général : Un processus "DS" possde une tendance (dépend de E(x0 )) donc non stationnaire
en moyenne, de type stationnaire par une régression sur celle [contrairement au processus "TS"]
parce qu'il est non stationnaire en variance [variance de type stochastique :celle de la m.a est
linéaire % temps].
Donc : une opération ∇d de diérenciation peut le rendre stationnaire (d=1,pour la m.a)

D.3 Filtre aux diérences

notation : Éecrivons xt−1 = Bxt ⇒ xt−2 = Bxt−1 = Bx2t alors : xt − xt−1 = (1 − B)xt = ∇xt

∇(xt − xt−1 ) = ∇2 xt
∇d xt = (1 − B)d xt

d est l'ordre de diérentiation. (1 − B)d ltre.

dénition : Un processus DS est un processus que l'on peut rendre stationnaire par un ltre
aux diérence (1 − B)d .
• si {xt , t ∈ Z} et un tel processus,on aura :
(1 − B)d xt = β + εt ≡ (∗∗)

Vocabulaire : Si x vérie (**),On dit que x est un processus intégré d'ordre d et on écrit :

x ∼ I(d) ⇔ (1 − B)d x ∼ I(0)

x ∼ I(0) ≡ x est stationnaire.

Discussion : Considérer un choc à l'instant t0 sur le .

son inuence est-elle transitoire ?

E Note sur les comportement de quelques processus usuels :

• Pour un processus MA, sa valeur actuelle dépend de la perturbation actuelle plus une combi-
naison linéaire des perturbations passée.
pour un MA(q), chaque valeur est une moyenne "mobile" des perturbation "choc" les plus
récent ; l'eet des perturbations s'éteint après un certain temps (=q).ce dernier est diérent
d'un processus AR ................mais ne s'éteint pas .

• le processus AR possède une mémoire,xt dépend de xt−1 , lequel dépend de xt−2 ,etc... ;si
xt = Φxtt−1 + εt , "Φ" désigne la force de liaison entre deux valeur successives , si |Φ| < 1
l'eet de chaque perturbation tend à décroitre au cours du temps.

• processus intégré : il rend compte de l'eet cumulatif aectant certaines série chronologique.

Licence de Probabilités-Statistiques. Troisième année.

Faculté des Mathématiques. Usthb