Académique Documents
Professionnel Documents
Culture Documents
Processus Stationnaires
Les processus dont les propriétés ne varient pas dans le temps jouent
un rôle important dans l’analyse des séries chronologiques. Cette invariance
dans le temps est appelée stationnarité. Elle est préalable à une prévision
des valeurs futures. On ne peut se projeter dans l’avenir (prévision des
valeurs futures) que si le processus générateur de nos données est "stable".
Cette stabilité est à la base de la stationnarité. Il existe divers types de
stationnarité. Nous nous intéressons à :
- la stationnarité faible (ou au second ordre ou en covariance).
- la stationnarité forte ou stricte.
1 Propriétés de base
1.1 Stationnarité au second ordre
Dé…nition 1 Un processus fXt ; t 2 Zg est dit du second ordre si E(Xt2 ) <
1; 8t.
Remarque 2 En particulier, les moments croisés seront …nis, i.e., E(jXt Xt+h j) <
1; 8t; h 2 Z. Ceci peut être montré à l’aide de l’inégalité de Cauchy-Schwarz.
1
Remarque 4 De tels processus sont dits univariés à temps discret (Voir
Chapitre 1 pour plus de détails). Si t 2 [0; 1] par exemple, alors le processus
est dit à temps continu. Nous ne nous intéresserons qu’aux processus linéaires
à temps discret.
b0 = 1.
On a :
0 > 0.
j hj 0 ; 8h.
2
h = h ; 8h.
0 = 1.
j hj 1; 8h.
h = h ; 8h.
Cov(Xt ; Xt h) = E(Xt Xt h )
= E(A cos(!t) + B sin(!t))(A cos(!(t h)) + B sin(!(t h)))
= E(A2 )(cos(!t) cos(!(t h)) + E(B 2 ) sin(!t) sin(!(t h)
= cos(!t) cos(!(t h)) + sin(!t) sin(!(t h))
= cos(!t !(t h)) = cos(!h) = h ; 8h:
3
Exercice 11 Soit fXt g un processus solution de l’équation aux di¤érences
stochastiques
Xt = t + t 1
où f t g est un processus bruit blanc faible de variance 2 ( f t g BB(0; 2
)
W N (0; 2 ),voir Chapitre 1).
1) Calculer la fonction d’autocovariance de fXt g.
2) Déduire la fonction d’autocorrélation.
4
2 Processus linéaires
La classe des modèles de séries chronologiques linéaires, qui inclut la classe
des modèles autorégressifs moyenne mobile (ARM A : AutoRegressive Moving
Average en anglais) fournit un cadre général pour l’étude des processus sta-
tionnaires. Ceci est à la base du théorème de décomposition de Wold qui
sera formulé plus loin.
2
où f t g est un bruit blanc W N (0; ) et f i g est une suite de constantes
P
1
véri…ant j i j < 1.
i= 1
Xt = (B) t
P
1
i
où (B) = iB .
i= 1
Un processus linéaire est un processus moyenne mobile d’ordre 1
(M A(1)) si i = 0 pour i < 0, i.e.,
P
1
Xt = i t i ; 8t
i=0
P
1
Remarque 14 La condition j i j < 1 assure que la somme in…nie dans
i= 1
(1) converge presque sûrement (ps).
En e¤et, nous avons :
1) E(j t j) < car, en vertu de l’inégalité de Cauchy-Schwarz, E(j t j)
(E( 2t ))1=2 =
P
1 P1 P
1
2) E(jXt j) = E( i t i ) j i j E(j t i j) = j i j E(j t j)
i= 1 i= 1 i= 1
P
1
j i j < 1 ceci impliquant que jXt j < 1, ps et donc la somme in…nie
i= 1
converge ps.
5
Remarque 15 La condition donnée dans la remarque 1 assure aussi que
2
P
1
2 P
1 P
1 P
1 P1
i < 1. En e¤et j ij < 1 , j ij < 1 , j ij j <
i= 1 i= 1 i= 1 i= 1 j= 1
P
1
2 P
1 P
1
1, i + j ij j < 1. Donc la somme in…nie dans (1)
i= 1 i= 1 j= 1
i6=j
P1 Pn
2
converge en moyenne quadratique. En e¤et E( i t i i t i) =
i= 1 i= n
2
P 2
i ! 0 quand n ! 1 car c’est le reste d’une série convergente.
jij>n
X
P
1 P
1
Z
h = j k h+k j
j= 1 k= 1
X
P
1
2
Dans le cas spécial où fXt g est un processus linéaire alors h = j j h .
j= 1
P
1 P
1
Preuve. 1) E(Xt ) = E( i Zt i ) = i E(Zt i ) = 0. L’interchangement
i= 1 i= 1
P
1
entre les opérateurs et espérance peut être justi…é par l’absolue som-
i= 1
mabilité des i. (La moyenne ne dépend pas de t : elle est constante).
6
P
1 P
1 P
1 P
1
2) E(Xt Xt h) = E( j k Zt j Zt h k) = j k E(Zt j Zt h k ) =
j= 1 k= 1 j= 1 k= 1
P
1 P
1
Z
j k h+k j (elle ne dépend que de la di¤érence entre les instants
j= 1 k= 1
qui est t j (t h k) = h + k j).
Le cas spécial d’un processus linéaire se distingue par le fait que Zt = t
et donc
2
si t j = t h k
E(Zt j Zt h k) = E( t j t h k) =
0 sinon
2
si k = j h
=
0 sinon
Ceci montre que le processus fXt g dé…ni par (1) est stationnaire au second
ordre. L’absolue convergence de (1) implique que des …ltres de la forme
P1
j
P
1
j
(B) = j B et (B) = j B avec des coe¢ cients absolument
j= 1 j= 1
sommables peuvent être appliqués à un processus stationnaire fYt g pour
générer un nouveau processus stationnaire
P
1
Wt = j Yt j = (B)Yt
j= 1
P
1 P
1
où (B) = (B) (B) et j = k j k = k j k. (A montrer en
k= 1 k= 1
exercice).
7
P
1
i P
1
i P
1
i
t i = t + t i. Posons j = i 1. On obtient t + t i =
i=0 i=1 i=1
P
1
j+1 P
1
j
t+ t 1 j = t+ t 1 j. D’où Xt = Xt 1 + t.
j=0 j=0
Montrons qu’elle est unique. Pour cela, supposons que Yt = Yt 1+ t où
fYt g est une autre processus. Alors,
Yt = Yt 1 + t
2
= t+ t 1+ Yt 1
=
2 k k+1
= t + t 1 + t 2 + + t k + Yt k 1
Si fYt g est stationnaire au second ordre, alors E(Yt2 ) < 1 et est indépendant
de t. Ainsi
Pk
i
E(Yt t i)
2
= E( k+1 Yt k 1 )2
i=0
2k+2
= E(Yt2 k 1 )
! 0 quand k ! 1
P
1
i
Ceci implique que Yt est égal à la limite en moyenne quadratique t i et
i=0
donc, le processus dé…ni par l’équation (3) est l’unique solution stationnaire
au second ordre de (2).
Lorsque j j > 1, la série dé…nie par (3) n’est pas convergente. Mais on
peut réécrire le modèle (2) de façon que le processus à l’instant t (ou t 1 ou
...) s’écrive en fonction de son futur.
1 1
Xt 1 = t + Xt (4)
=
1 1 1 1
= t 2 t+1 k+1 t+k+1
+ k+1
Xt+k+1
8
est l’unique solution stationnaire au second ordre de (4).
Remarque 19 Cette solution n’est pas très naturelle car Xt est corrélée avec
le futur du bruit t+1 ; t+2 ; ::: Ceci contraste avec la solution (3) dans laquelle
on voit que Xt est non corrélé avec s pour s > t. On restreindra notre
attention aux processus AR(1) tels que j j < 1.