Tout - Enonce Et Corrige - Ensae.net - Simple

Deuxième année
2005-2005
Séries temporelles linéaires

Enoncé et corrigé des travaux dirigés n◦1 à
8
Guillaume Lacôte
vBureau E03
B Guillaume.Lacote@ensae.fr
☞ http://ensae.no-ip.com/SE206/
Version du 20050121-11h02, révisée le 17 février 2005

Table des matières
1 Travaux Dirigés n◦ 1 1
Exercice 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Exercice 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Exercice 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Exercice 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Exercice 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Exercice 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Exercice 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
Exercice 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Exercice 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Exercice 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Exercice 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
Exercice 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Exercice 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Exercice 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
Exercice 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Exercice 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Exercice 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
Exercice 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
Exercice 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
Exercice 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
Exercice 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
Ensae SE206 Enoncé et corrigé des travaux dirigés n◦ 1 à 8 Séance 1
ensae.net
Travaux Dirigés n◦1
Enoncé de l’exercice 1
Soit (²t )t∈Z un bruit blanc (supposé dans L2 ) de variance σ 2 > 0.
Discuter dans chacun des cas suivants de la stationnarité de (Xt )t∈Z .
Rappels :
– Une suite de variables aléatoires réelles (ou processus) X = (Xt )t∈Z est dite du second ordre
si chacune d’elles est de carré intégrable.
– Un processus X est fortement stationnaire ssi
∀n ∈ N, ∀(t1 , . . . , tn ) ∈ Nn , ∀h ∈ Z, LXt1 ,...,Xtn = LXt1 +h ,...,Xtn +h
où LY désigne la loi de Y .
– Un processus X est (faiblement) stationnaire ssi
½
¯
∀t ∈ Z, E (Xt ) = E (X0 )
∃γ : Z → R+ / ∀t ∈ Z, ∀h ∈ Z, Cov (Xt , Xt+h ) = γ(h)
– Le processus X est un bruit blanc fort de variance σ 2 ≥ 0 ssi
¯ ∀t ∈ Z, E (Xt ) = 0
¯
¯ ∀t ∈ Z, V (Xt ) = σ 2
¯
¯ (Xt )t est i.i.d
– Le processus X est un bruit blanc (faible) de variance σ 2 ≥ 0 ssi


 ∀t ∈ Z, E (Xt ) = 0
∀t ∈ Z, V (Xt ) = σ 2

∀t ∈ Z, ∀h ∈ Z , Cov (Xt , Xt+h ) = 0
∗
☞ Q1 Lorsque ∀t ∈ Z, Xt = ²t − ²t−1 ?
☞ Q2 Le processus (Xt )t∈Z défini pour (a, b, c) ∈ R3 par
∀t ∈ Z, Xt = a + b²t + c²t−1
est-il (faiblement) stationnaire ?
☞ Q3 Lorsque ∀t ∈ Z, Xt = ²t ²t−1 , si ² est un bruit blanc fort ? Faible ?
Lorsque X est tel que ∀t ∈ Z, Xt − Xt−1 = ²t (on supposera en outre que ∀t > 0, ²t
|=
☞ Q4 X0 ) ?
☞ Q5 Lorsque ∀t ∈ Z, Xt = ²t cos(ct) + ²t−1 sin(ct) pour c ∈ R donné ?
P
☞ Q6 Lorsque ∀t ∈ Z, Xt = ti=0 λi (²t−i − ²t−i−1 ), pour λ ∈ R (discuter selon λ) ?
Lorsque λ ∈] − 1, 1[, montrer qu’il existe un processus stationnaire Y tel que
L2
(Xt − Yt ) −−−−→ (0).
t→+∞
☞ Q7 La somme de deux processus stationnaires est-elle stationnaire ?
Version du 20050121-11h02, révisée le 17 février 2005 1

ensae.net
Corrigé de l’exercice 1
Rappels :
– Une suite de variables aléatoires réelles (ou processus) X = (Xt )t∈Z est dite du second ordre
si chacune d’elles est de carré intégrable.
– Un processus X est fortement stationnaire ssi
∀n ∈ N, ∀(t1 , . . . , tn ) ∈ Nn , ∀h ∈ Z, LXt1 ,...,Xtn = LXt1 +h ,...,Xtn +h
où LY désigne la loi de Y .

– Un processus X est (faiblement) stationnaire ssi
½
+
∀t ∈ Z, E (Xt ) = E (X0 )
∃γ : Z → R / ∀t ∈ Z, ∀h ∈ Z, Cov (Xt , Xt+h ) = γ(h)
– Le processus X est un bruit blanc fort de variance σ 2 ≥ 0 ssi

¯
¯ ∀t ∈ Z, E (Xt ) = 0
¯
¯ ∀t ∈ Z, V (Xt ) = σ 2
¯
¯ (Xt )t est i.i.d
– Le processus X est un bruit blanc (faible) de variance σ 2 ≥ 0 ssi


 ∀t ∈ Z, E (Xt ) = 0
∀t ∈ Z, V (Xt ) = σ 2

∀t ∈ Z, ∀h ∈ Z∗ , Cov (Xt , Xt+h ) = 0
☞ Q1 On a pour t ∈ Z
– E (Xt ) = 0
– V (Xt ) = V (²t ) + V (²t−1 ) = 2σ 2 par indépendance
– Enfin Cov (Xt , Xt−1 ) = −σ 2 et ∀h ≥ 2, Cov (Xt , Xt−h ) = 0
X est donc stationnaire.
☞ Q2 On a successivement pour t ∈ Z :
– E (Xt ) = a + bE (²t ) + cE (²t−1 ) = a
– V (Xt ) = 0 + b2 V (²t ) + c2 V (²t−1 ) = (b2 + c2 ) σ 2 car ²t et ²t−1 sont non-corrélés
– Par ailleurs
Cov (Xt , Xt−1 ) = Cov (a + b²t + c²t−1 , a + b²t−1 + c²t−2 )

= b2 Cov (²t , ²t−1 ) + bcCov (²t , ²t−2 ) + cbV (²t−1 ) + c2 Cov (²t−1 , ²t−2 )
= bcσ 2
– Enfin Cov (Xt , Xt+h ) = 0, ∀h ≥ 2

Le processus X est donc stationnaire.
☞ Q3 On a de façon similaire pour t ∈ Z :
– E (Xt ) = E (²t )E (²t−1 ) = 0 car ²t et ²t−1 sont non-corrélés

ensae.net
– Si ² est un bruit blanc fort, ²2t est indépendant de ²2t0 et donc V (Xt ) = V (²t )V (²t−1 ) = (σ 2 ) .
En revanche si ²t et ²t−1 sont décorrélés
¡ 2 2 ¢mais pas indépendants
un bruit blanc faible ² tel que E ²t ²t−1 dépend de t.
– Enfin pour ∀h ∈ Z et si ² est un bruit blanc fort
bruit blanc faible ² tel que X n’est pas stationnaire.

☞ Q4 X est une marche aléatoire. On a plus précisément
– On a E (Xt ) − E (X
Pt−1
t−1
) = 0 et donc ∀t ∈ Z, E (Xt ) = E (X0 ).
– Par ailleurs Xt = i=0 ²t−i + X0 ; Par conséquent
V (Xt ) = V
Ã t−1
X
²t−i + X0
!
t−1
X
i=0
1
on ne peut rien dire : il existe
Cov (Xt , Xt+h ) = E (²t ²t−1 ²t+h ²t+h−1 )
=
½ 2
σ² si h = 0
0 sinon
En revanche il existe un bruit blanc faible ² tel que Cov (Xt , Xt+h ) dépend de t. 2
Le processus X est donc stationnaire si ² est un bruit blanc fort, et il existe au moins un
V (²t−i ) + V (X0 ) car ²t − i

2
|=
= X0
i=0
|{z}
>0
2
= tσ + V (X0 )
En particulier V (X1 ) = σ 2 + V (X0 ) > V (X0 ) et donc X n’est pas stationnaire.

☞ Q5 Pour t ∈ Z on a
– E (Xt ) = 0
– V (Xt ) = σ 2
– Cov (Xt , Xt−h ) = 0 si h ≥ 2
– Par ailleurs
Cov (Xt , Xt−1 ) = σ 2 sin(ct) cos (c(t − 1))

σ2
= (sin (ct + c(t − 1)) + sin (ct − c(t − 1)))
2
σ2
= (sin(c(2t − 1)) + sin(c))
2
En particulier pour que X soit stationnaire il faut et il suffit que ut = ∀t ∈ Z, sin (c(2t − 1)) ne
dépende pas de t, donc en particulier que ∀t ∈ Z, ut = u1 ce qui s’écrit ∀t ∈ Z, sin (c(2t − 1)) =
1
³ Par exemple
´ X2t = 1 et X2t+1 = 21 δt + 12 δ−t la binômiale qui vaut −1 ou 1 de façon équiprobable. Alors E (Xt Xt+1 ) =
¡ 2 2 ¢ ¡ 2 ¢
E X2d 2t e+1 = 0 mais E X2t X2t+1 = 21 t2 + 21 (−t)2 = t2 et E X2t−1 X2t2
= 21 (t − 1)2 + 12 (−(t − 1))2 = (t − 1)2 qui
dépend de t à tout t ∈ Z. ¡ ¢ ¡ ¢
2
Reprenant le contre-exemple ci-dessus on a Cov (X2t+1 , X2t+2 ) = E ²2t ²22t+1 ²2t+2 = E ²22t+1 = (2t + 1)2 .

ensae.net
sin c soit
Xt =
0
= ²t +
=
i=0
sin(c) − sin((2t − 1)c)
= 2 sin
µ
1 − (2t − 1)
2
λi (²t−i − ²t−i−1 )
t
X
Donc E (Xt ) = 0 et par ailleurs
V (Xt ) = σ 2
Ã
¡ i
i=1
¢
¶
c cos
= −2 sin((t + 1)c) cos(tc)

π
soit (t + 1)c ∈ πZ ou tc ∈ + πZ
Donc X est stationnaire ssi c ∈ π2 Z.

☞ Q6 – On a pour t ∈ Z
t
2
λ − λi−1 ²t−i − λt ²−1
1+
t
X ¡
µ
1 + (2t − 1)
λi − λ
2
Cela étant vrai pour tout t ∈ Z il faut et il suffit donc que c ∈ π2 Z.

c
¢
¶
i−1 2
(“transformation d’Abel”)
+ λ2t
!
par indépendance
i=1
Ã t
!
X ¡ ¢
i−1 2
= σ2 1+ λ (λ − 1)2 + λ2t
i=1
Ã t−1
!
X ¡ 2 ¢i
= σ2 1 + (λ − 1) 2
λ + λ2t
i=0
µ 2t
¶
2 2 −λ
1 2t
= σ 1 + (λ − 1) +λ
1 − λ2
µ ¶
2 (1 − λ) (1 − λ2t ) 2t
= σ 1+ +λ
1+λ
1 + λ2t+1
= 2σ 2
1+λ
En particulier pour que X soit stationnaire, il faut que λ = 1 ou λ = 0.
Réciproquement si λ = 1, alors ∀t ∈ Z, Xt = ²t − ²−1P et donc X est stationnaire.
2t+1 2σ 2 +∞ i
– Constatant que 2σ 2 1+λ
1+λ
−
− −−→ 1+λ
, on pose Y t = i=0 λ (²t−i − ²t−i−1 ) (qui existe car la
t→+∞
2
série est normalement convergente car |λ| < 1). On a par construction V (Yt ) = 2 1−λ
σ
.
P+∞ i−1
On a par ailleurs Yt = ²t + (λ − 1) i=1 λ ²t−i .

ensae.net
Par conséquent pour h ∈ N∗ on a

Cov (Yt , Yt+h ) = Cov 
= Cov 


= Cov  P
P
²t + (λ − 1) +∞
²t + (λ − 1) +∞
i=1 λ
i=1 λ
i=1 λ
 ²t+h + 1≤i≤h−1 λi−1 ²
= (λ − 1)λh−1 σ 2 + (λ − 1)2 λh
= − (1 − λ)2 λh−1 σ 2
et donc Y est bien stationnaire.

Autre méthode
i−1
P+∞ i−1
²t+h + (λ − 1) i=1 λ ²t+h−i
P
²t + (λ − 1) +∞ i−1
Ph−1 i−1
i−1
²t−i ,
²t−i ,
²t−i ,
t+h − i
= (λ − 1)λh−1 V (²t ) + (λ − 1)2 λh V

| {z }
≥1
Ã +∞
X
+


(λ − 1)λ
λi−1 ²t−i
1
1−λ
σ2
!
P+∞ i−1
²t+h + (λ − 1) i=1 λ ²t+h−i + (λ − 1) i=h λ ²t−(i−h)
P
h−1
i=1
² t + (λ − 1)λ h


P+∞ j−1
j=1 λ ²t− j
≥1




P+∞: i i ¡ P ¢
On a Y = i=0 λ L ( − L) ◦ ² = + +∞ i
i=0 (λ − λ
i−1
) Li ◦ ² et donc Y − ² est la transfor-
P+∞ i i−1
mée moyenne mobile
P i infinie du processus stationnaire ² avec les cœfficients i=0 (λ − λ ).
i−1
Comme la série i (λ − λ ) est absolument convergente, Y est stationnaire.
Enfin on a
Ã +∞
!
X
V (Yt − Xt ) = V (λ − 1) λi−1 ²t−i + λt ²t−1
i=t+1
+∞
X
= λt V (²t−1 ) + (λ − 1)2 λi−1 V (²t−i )
i=t+1
1
= λt σ 2 + (λ − 1)2 λt+1 σ 2
1−λ
−−−−→ 0
t→+∞
et comme
Ã +∞
!
X
E (Yt − Xt ) = E (λ − 1) λi−1 ²t−i + λt ²t−1
i=t+1
+∞
X
= (λ − 1) λi−1 E (²t−i ) + λt E (²t−1 )
| {z } | {z }
i=t+1 =0 =0
= 0

ensae.net
on a 3
0 sinon
(Xt − Yt ) −−−−→ (0)
L2
t→+∞
☞ Q7 Non en général : considérer par exemple Xt stationnaire d’espérance nulle, et Yt = (−1)t Xt :

alors E (Yt ) = 0 et Cov (Yt , Yt+h ) = (−1)t (−1)t+h Cov (Xt , Xt+h ) = (−1)h γX (h) donc Y est
stationnaire, et de plus
Xt + Y t =
½
2Xt si t est pair
et donc Cov (Xt + Yt , Xt+h + Yt+h ) = 4γX (h) t∈2Z h∈2Z qui dépend non-seulement de h mais
aussi de t.
En revanche la somme de deux processus (faiblement ou fortement) stationnaires non-corrélés
0
|=
est faiblement stationnaire : si ∀t, t , Xt Yt0 alors
naire.
Cov (Xt + Yt , Xt+h + Yt+h ) = Cov (Xt , Xt+h ) + Cov (Yt , Yt+h ) = γX (h) + γY (h)
La somme de deux processus fortement stationnaires et indépendants est fortement station-
? ?
?
On considère le processus défini par
∀t ∈ Z Xt = a + bt + st + ut
où a, b ∈ R, (st )t∈Z est un processus saisonnier (périodique) de période 4 et (ut )t∈Z est un bruit
blanc de variance σ 2 indépendant de s.
☞ Q1 Le modèle est-il correctement paramétré ? Proposer le cas échéant une contrainte naturelle (que
l’on supposera vérifiée par la suite) portant sur (st )t .
On définit l’opérateur
µ µ ¶¶
Zt + Zt−1 + Zt−2 + Zt−3
M4 : (Zt )t 7→
4 t
et on considère le processus Y = M4 X.
☞ Q2 Donner l’expression de Yt pour t ∈ Z, et justifier l’intérêt de la transformation.
¡ ¢ 2
3
La suite (Zn )n∈N converge vers Z dans L2 ssi kZn k2 −−−−−→ Z soit E Zn 2 −−−−−→ Z soit V (Zn )+E (Zn ) −−−−−→
n→+∞ n→+∞ n→+∞
Z soit V (Zn ) −−−−−→ Z et E (Zn ) −−−−−→ Z
n→+∞ n→+∞

ensae.net
☞ Q3 On définit alors Z = ∆Y .
Montrer que Z est stationnaire et calculer sa fonction d’auto-corrélation.
☞ Q1 Les composantes saisonnières ne sont pas identifiables : en effet les processus définis par a, b, (s t )t
et a + µ, b, (st − µ)t sont égaux pour tout µ ∈ R.
Il est néanmoins naturel de supposer que le processus saisonnier est “centré” sur une période :
i.e.
Yt = a + b
∀t ∈ Z st + st+1 + st+2 + st+3 = 0
(le processus s étant de période 4 cette quantité ne dépend de tout façon pas de la date t).
t + (t − 1) + (t − 2) + (t − 3)
6
= (a − b) + bt +
4
4
M4 (s)t
| {z }
+ M4 (s)t + M4 (u)t
+ M4 (u)t
=0 par hypothèse
= µ + bt + vt
avec µ = a − 32 b indépendant de t et v = M4 (u) est stationnaire (c’est un Ma(3) mais pas un

bruit blanc). On a ainsi désaisonnalisé la série X et fait apparaı̂tre la tendance déterministe
µ + bt.
☞ Q3 On a immédiatement pour t ∈ Z
ut − ut−4
∆(Y )t = b + ∆(v)t = b +
4
Par conséquent
– E (Zt ) = b
2 +σ 2 σ2
– V (Zt ) = σ 16 = 8 ½
¡ ut −ut−4 ut−h −ut−h−4 ¢ − σ16
2
si h = ±4
– Cov (Zt , Zt−h ) = Cov 4
, 4
=
0 sinon 
 1 si h = 0
γZ (h)
En particulier le processus Z est stationnaire, d’auto-corrélation ρZ (h) = γ0 (h)
= − 12 si h = ±4 .

0 sinon
?
? ?

ensae.net
On considère le processus défini par ∀t ∈ Z Xt = ²t − θ²t−1 où (²t )t∈Z est un bruit blanc et
θ ∈] − 1, +1[.
☞ Q1 Montrer que X est stationnaire et calculer sa fonction d’auto-covariance.
☞ Q2 Soient φT , φT −1 , . . . , φ1 les coefficients de la régression
Ecrire les conditions d’orthogonalité entre XT +1 − X
En déduire que (φ1 , . . . , φT ) vérifie



³
(1 + θ2 ) φT − θφT −1
−θφk+1 + (1 + θ 2 ) φk − θφk−1
(1 + θ2 ) φ1 − θφ2
linéaire b
´ XT +1 de XT +1 sur (XT , XT −1 , . . . , X1 ).
bT +1 et < XT , . . . , X1 >.
= −θ
= 0 pour k ∈ J2, T − 1K
= −θ
☞ Q3 Déterminer (et si possible calculer) la fonction d’auto-corrélation partielle de X.
☞ Q1 On a successivement pour t ∈ Z
– E (Xt ) = E (²t ) − θE (²t−1 ) = 0
– V (Xt ) = V (²t ) + θ2 V (²t−1 ) = (1 + θ 2 ) σ²2 ½
−θσ²2 si h = ±1
– Cov (Xt , Xt−h ) = Cov (²t − θ²t−1 , ²t−h − θ²t−h−1 ) =
0 sinon
En particulier X est stationnaire.
bT +1 = PT φk Xk .
☞ Q2 On a par définition pour t ∈ Z X k=1
Alors pour k ∈ J1, T K
³³ ´ ´
b
Cov XT +1 − XT +1 , Xk = 0
T
X
soit Cov (XT +1 , Xk ) − φl Cov (Xl , Xk ) = 0
l=1
T
X
soit γX (T + 1 − k) − φl γX (k − l) = 0
l=1
ce qui s’écrit compte-tenu de l’expression de γX


 +φT −1 θσ²2 −φT (1 + θ2 ) σ²2 −θσ²2 =0 lorsque k = T
+φk−1 θσ² −φk (1 + θ ) σ² +φk+1 θσ²2
2 2 2
=0 lorsque k ∈ J2, T − 1K

−φ1 (1 + θ2 ) σ²2 +φ2 θσ²2 =0 lorsque k = 1

ensae.net
d’où (puisque σ²2 > 0)



(1 + θ2 ) φT − θφT −1
−θφk+1 + (1 + θ 2 ) φk − θφk−1
(1 + θ2 ) φ1 − θφ2
☞ Q3 Par définition le cœfficient d’auto-corrélation partielle d’ordre m est
sur < Xt−1 , . . . , Xt−m >.4 On a donc successivement :

– Calcul de r(1) :
– Calcul de r(2) :
r(1) = −
θ
= −θ lorsque k = T
= 0 pour k ∈ J2, T − 1K
= 0 lorsque k = 1
r(m) = Corr (Xt − E (Xt |Xt−1 , . . . , Xt−m ) , Xt−m − E (Xt−m |Xt−m , . . . , Xt−1 ))
(comme E (Xt ) = 0 il n’est pas nécessaire de régresser sur < 1, Xt−1 , . . . , Xt−m > mais seulement
sur < Xt−1 , . . . , Xt−m > ). Or il est aussi égal au cœfficient de Xt−m dans la régression de Xt
(1)
Projetant Xt sur < Xt−1 > on a E (Xt |Xt−1 ) = φ1 Xt−1 avec r(1) = φ1 .
(1)
Or d’après la question précédente on a (1 + θ 2 ) φ1 = −θ et donc
1 + θ2
(2)
Projetant Xt sur < Xt−1 , Xt−2 > on a E (Xt |Xt−1 , Xt−2 ) = φ1 Xt−1 + φ2 Xt−2 avec r(2) =
(2)
(1)
(2)
φ2 .
(1) (2)
Attention : il n’y a aucune raison pour que φ1 = φ1 . . .
On a alors (
(2) (2)
(1 + θ2 ) φ1 − θφ2 = −θ
(2) (2)
−θφ1 + (1 + θ 2 ) φ2 = 0
soit  ³ ´
 (1 − θ + θ 2 ) φ(2) (2)
+ φ2 = −θ
³1 ´
 (1 + θ + θ 2 ) φ1 − φ(2)
(2)
2 =0
ce dont on tire que µ ¶
(2) 1 θ θ
φ2 =− 2
−
2 1−θ+θ 1 + θ + θ2
soit
θ2
r(2) = −
1 + θ2 + θ4
Remarque : on constate par ailleurs que φ(2) (1)
θ+θ 3
1 = − 1+θ 2 +θ 4 6= φ1 .
4
Une preuve en est donnée dans “Séries temporelles et modèles dynamiques”, C. Gouriéroux et A. Monfort, V-D.2
page 161. Voir aussi exercice 4 .

ensae.net
– Calcul de r(T ) :





(T )
(1 + θ2 ) φT − θφT −1
ce dont on tire que par récurrence5 que
(T )
(T )
(T )
−θφk+1 + (1 + θ 2 ) φk − θφk−1
(1 + θ2 ) φ1 − θφ2
(T )
r(T ) = −
Soit (Xt )t∈Z un processus stationnaire du second ordre.

On note pour m ∈ N∗ et t ∈ Z
(T )
?
? ?
(T )
θT
(T )
Projetant Xt sur < Xt−1 , . . . , Xt−T > on a E (Xt |Xt−1 , . . . , Xt−T ) = φ1 Xt−1 + · · · + φ2 Xt−2
(T )
avec r(T ) = φT .
On a alors
= −θ lorsque k = T
= 0 pour k ∈ J2, T − 1K
= 0 lorsque k = 1
1 + θ2 + · · · + θ 2T
(T )
Xt∗+ = EL (Xt |1, Xt−1 , . . . , Xt−m+1 )

Xt∗− = EL (Xt−m |1, Xt−m+1 , . . . , Xt−1 )
¡ ¢
On note ρ(m) = Corr Xt − Xt∗+ , Xt−m − Xt∗− .
On note par ailleurs r(m) le cœfficient d’auto-corrélation partielle d’ordre m de X, et on cherche
à montrer que ρ(m) = r(m).
☞ Q1 On note pour t ∈ Z
Xt∗+ = a0 + a1 Xt−1 + · · · + am−1 Xt−m+1
Xt∗− = b0 + b1 Xt−m+1 + · · · + bm−1 Xt−1
(a) Montrer que (a1 , . . . , am−1 ) = (bm−1 , . . . , b1 ).
¡ ¢ ¡ ¢
(b) Montrer que V X¡t∗+ = V X¢t∗− . ¡ ¢
En déduire que V Xt − Xt∗+ = V Xt−m − Xt∗− .
☞ Q2 On note pour t ∈ Z
Xt = c0 + c1 Xt−1 + · · · + cm Xt−m + ut
où ut est orthogonal à < 1, Xt−1 , . . . , Xt−m > ; ainsi par définition r(m) = cm .
¡ ¢ ¡ ¢
(a) Montrer que Xt − Xt∗+ = cm Xt−m − Xt∗− + ut .
5
Calcul non-détaillé ici. En utilisant exercice 4 , identifier le cœfficient bl−1
k de XTl−1
−k dans la régression de
l−1 l−1
XT −l sur 1, XT −m+1 , . . . , XT −1 , au cœfficient al−k+1 de XT −l+k−1 dans la régression de XT sur 1, XT −1 , . . . , XT −m+1
...

ensae.net
¡¡ ¢¡ ¢¢ ¡ ¢
(b) En déduire que E Xt − Xt∗+ Xt−m − Xt∗− = cm V Xt−m − Xt∗− .
☞ Q3 En déduire que ρ(m) = r(m).
☞ Q1 (a) Remarque : bien-entendu comme X est stationnaire ρ(m) ne dépend pas de t et est donc bien
défini.
¡ ¢
– E Xt∗+ est la projection orthogonale de Xt sur le sous-espace vectoriel engendré par
(1, Xt−1 , . . . , Xt−m+1 ) pour le produit scalaire < X|Y >= E (XY ). Donc par définition
(Xt − Xt∗+ ) est orthogonal à h1, Xt−1 , . . . , Xt−m+1 i, donc en particulier (Xt − Xt∗+ ) (1)
|=
¡ ¢
ce qui s’écrit E¡ Xt −¢ Xt∗+ = 0.
De E (Xt ) = E Xt∗+ on tire alors que
E (Xt ) = a0 + a1 E (Xt−1 ) + · · · + am−1 E (Xt−m+1 )
et donc, (Xt )t étant stationnaire,
a0 = (1 − a1 − · · · − am−1 ) E (Xt )
¡ ¢
Par ailleurs par définition Xt∗+ on a ∀j ∈ J1, m − 1K, Xt − Xt∗+
|=
Xt−j . Autrement
dit pour j ∈ J1, m − 1K
¡¡ ¢ ¢
0 = E Xt − Xt∗+ · Xt−j
soit E (Xt Xt−j ) = a0 E (Xt ) + a1 E (Xt−1 Xt−j ) + · · · + am−1 E (Xt−m+1 Xt−j )
soit E (Xt Xt−j ) = (1 − a1 − · · · − am−1 ) E (Xt )E (Xt−j ) + a1 E (Xt−1 Xt−j ) + · · ·
+am−1 E (Xt−m+1 Xt−j )
= E (Xt )E (Xt−j ) + a1 (E (Xt−1 Xt−j ) − E (Xt−1 )E (Xt−j )) + · · ·
+am−1 (E (Xt−m+1 Xt−j ) − E (Xt−m+1 )E (Xt−j ))
soit γX (j) = a1 γX (j − 1) + · · · + am−1 γX (j − m + 1)
Autrement dit en notant
 
γX (0) γX (1) ··· γX (m − 2)
 γX (1) γX (0) ··· γX (m − 1) 
 
Γm−1 =  .. .. ... ..  = Cov (Xt−1 , . . . , Xt−m+1 )
 . . . 
γX (m − 2) γX (m − 3) ··· γX (0)
on a    
γX (1) a1
 ..   .. 
 .  = Γm−1  . 
γX (m − 1) am−1

ensae.net
– De façon similaire on a pour j ∈ J1, m − 1K
de sorte que
¡¡
0 = E Xt − Xt∗− · Xt−j
m−1
X 
i=1

λi 



¢
γX (m − 1)
γ X (i
¢
soit E (Xt Xt−j ) = b0 E (Xt ) + b1 E (Xt−m+1 Xt−j ) + · · · + bm−1 E (Xt−1 Xt−j )

soit E (Xt Xt−j ) = (1 − b1 − · · · − bm−1 ) E (Xt )E (Xt−j ) + b1 E (Xt−m+1 Xt−j ) + · · ·
+bm−1 E (Xt−1 Xt−j )
= E (Xt )E (Xt−j ) + b1 (E (Xt−m+1 Xt−j ) − E (Xt−m+1 )E (Xt−j )) + · · ·
+bm−1 (E (Xt−1 Xt−j ) − E (Xt−1 )E (Xt−j ))
soit γX (j) = b1 γX (j − m + 1) + · · · + bm−1 γX (j − 1)
γX (1)

..
.
..
.
−
γX (i − m + 1)
1)
bm−1
 . 
b1

 = Γm−1  .. 
 
– Or Γm−1 est inversible (sauf si le processus est presque-sûrement déterministe)6 : en effet

dans le cas contraire considérons λ1 , . . . , λm−1 non tous nuls et tels que
 
  .. 
= . 
0
0

Alors pour t ∈ Z
m−1
X
∀k ∈ J1, m − 1K, λi Cov (Xt−i , Xt−k ) = 0
i=1
Ãm−1 !
X
soit ∀k ∈ J1, m − 1K, Cov λi Xt−i , Xt−k = 0
i=1
m−1
Ãm−1 !
X X
donc λk Cov λi Xt−i , Xt−k = 0
k=1 i=1
Ãm−1 !
X
soit V λi Xt−i = 0
i=1
donc V (Xt−r |Xt−r−1 , . . . , Xt−m−1 ) = 0
où r est le numéro du premier λk non nul : ainsi le processus X est déterministe (condi-
tionnellement à m − r valeurs initiales) !
Par conséquent Γm−1 est inversible et
     
a1 γX (1) bm−1
 ..  −1  ..   .. 
 .  = (Γm−1 )  . = . 
am−1 γX (m − 1) b1
6
Auquel cas bien entendu tous les cœfficients de corrélation partielle r(m) sont nuls et l’exercice est trivial.

ensae.net
(b) On a pour t ∈ Z
¡ ¢
V Xt∗+ = V (a1 Xt−1 + · · · + am−1 Xt−m+1 )
Par ailleurs
¡ ¢ ¡ ¢
¡
= V Xt∗−
¢
¡


= (a1 , . . . , am−1 ) V 


= (bm−1 , . . . , b1 ) V 


= (bm−1 , . . . , b1 ) V 
Xt−1
Xt−m+1
Xt−1
..
.
Xt−m+1
Xt−m+1
V Xt∗+ + V Xt − Xt∗+ = V (Xt ) car Xt − Xt∗+

..
Xt−1
.
..
.
 

= V (bm−1 Xt−m+1 + · · · + b1 Xt−1 )
¢
Xt∗+
a1
 .. 
  . 
am−1
bm−1
 .. 
 . 

b1
bm−1
 .. 
= V (Xt−m ) car X est stationnaire

¡ ¢ ¡ ¢
b1
¡

 .  car X stationnaire
= V Xt∗− + V Xt−m − Xt∗− car Xt−m − Xt−+

¢ |= Xt∗+
|=
Par conséquent
¡ ¢ ¡ ¢
V Xt − Xt∗+ = V Xt−m − Xt∗−
☞ Q2 (a) On a pour t ∈ Z
Xt∗+ = EL (Xt |1, Xt−1 , . . . , Xt−m+1 )
= (c0 + c1 Xt−1 + · · · + cm−1 Xt−m+1 ) + EL (cm Xt−m | 1, Xt−m+1 , . . . , Xt−1 )
+ EL (ut | 1, Xt−1 , . . . , Xt−m+1 )
= (c0 + c1 Xt−1 + · · · + cm−1 Xt−m+1 ) + cm Xt∗− + 0
Par conséquent
Xt − Xt∗+ = Xt − (c0 + c1 Xt−1 + · · · + cm−1 Xt−m+1 ) − cm Xt∗−
= (cm Xt−m + ut ) − cm Xt∗−
¡ ¢
= cm Xt−m − Xt∗− + ut
(b) On a
¡¡ ¢¡ ¢¢ ³ ¡ ¢2 ¡ ¢´
E Xt − Xt∗+ Xt−m − Xt∗− = E cm Xt−m − Xt∗− + cm ut Xt−m − Xt∗−
¡ ¢
Xt−m − Xt∗− .
|=
|=
Or ut < 1, Xt−1 , . . . , Xt−m+1 >, de sorte que ut

Donc

ensae.net=
¡¡
= q ¡
V Xt − Xt∗+
= ρ(m)
¡¡
E
¢¡
¢
¡¡
E Xt − Xt∗+ Xt−m − Xt∗−
¡¡
¡
V Xt−m − Xt∗−
¢ ¡
¢
Xt − Xt∗+
Cov Xt − Xt∗+ , Xt−m − Xt∗−

q ¡
¢¢
¢¢
V Xt−m − Xt∗−
¢ ¡
= Corr Xt − Xt∗+ , Xt−m − Xt∗−
¢
¢¢
¢¡
¡
Xt−m − Xt∗−
¢
¢
☞ Q3 A moins que le processus ne soit dégénéré on a V Xt−m − Xt∗− > 0 et donc
r(m) = cm par définition
¡
¢¢
car V Xt − Xt∗+ = V Xt−m − Xt∗−

¢
¡
= cm V Xt−m − Xt∗−
Autrement dit, le cœfficient d’auto-corrélation partielle d’ordre m est le cœfficient de X t−m dans
¢
la régression affine de Xt sur < 1, Xt−1 , . . . , Xt−m >, qui est aussi le cœfficient de corrélation
de Xt − Xt∗+ avec Xt−m − Xt∗− .
?
? ?

☞ Q1
☞ Q2
☞ Q3
☞ Q4
ensae.net
On considère un processus X vérifiant
où ² est un bruit blanc de variance σ²2 .

Soit Φ(X) = 1 − 27 X + 32 X2 .
Montrer qu’il existe (ak )k∈Z ∈ RZ telle que Y =
En déduire que ² n’est pas l’innovation de X.

7
2
¡P
3
∀t ∈ Z, Xt − Xt−1 + Xt−2 = ²t
2
Factoriser Φ et décomposer Φ(X)−1 en éléments simples.

Développer chaque élément simple en série entière de X ou de X1 selon les cas.
¢
k∈Z ak ²t−k t∈Z existe et vérifie (1).
Vérifier que ∀k < 0, ak 6= 0 et en déduire que ∀t ∈ Z, ∀k ≥ 1, Cov (²t , Yt−k ) 6= 0.
Soit Θ une série entière absolument convergente, et A un processus stationnaire quelconque.

Montrer que le processus B = Θ(L)A existe bien et est stationnaire.
2
Vérifier que ∀ω ∈ R, fB (ω) = |Θ (e+iω )| fA (ω), où fZ désigne la densité spectrale de Z.
Montrer qu’il existe un polynôme Φ∗ de degré 2, dont toutes les racines sont hors du cercle
unité, et un bruit blanc η tels que
∀t ∈ Z, Φ∗ (L)Yt = ηt
(1)
En déduire qu’il existe (bk )k∈N telle que

X
∀t ∈ Z, Yt = bk ηt−k
k∈N
et que η est l’innovation de Y .

☞ Q5 Montrer que la régression linéaire optimale de Yt sur son passé n’est pas 72 Yt−1 − 23 Yt−2 .
☞ Q1 On a Φ(X) = (1 − 3X)(1 − 12 X) ; on constate que 13 est racine de Φ et n’est pas hors du disque
unité. Remarque : Considérons E l’espace de tous les processus stationnaires ; il est métrisable (pour
L1 est un Banach
la distance V (· − ·)) et complet (l’algèbre des suites réelles¡P ¢ X 7→ λ · X , X, Y 7→
1
X + Y, , X, Y 7→ X × Y ) . En outre si a est dans L alors a X est stationnaire.
k∈Z k t−k t∈Z
µ ¶
E → E
L’opérateur L : est un morphisme (voir question 3), de norme triple
(Xt )t∈Z 7→ (Xt−1 )t∈Z
kLXk γX (0)
supX∈E kXk = supX∈E γX (0) = 1.

ensae.net
Considérons alors F l’espace des morphismes
standard. Soit λ ∈ R et Θ(X)
Comme 1
2
< 1 on a
A l’inverse 3 > 1 et donc

P
Dans ce cas, comme k∈N λk Xk = 1−λX

F de (1 − λL).
On a en l’occurence
1
Φ(X)
1
P
=
1
k
5 1 − 3X
(1 − 3X)
=
k
=
de E dans E, muni à son tour de la
= k∈N λ X . Alors la série d’opérateurs de F
−
1
¶
5
=
·
3 X− 1
µ ¶ µ ¶3
−
1
3
1
1
1 − 21 X
X 1
1 − 21 X k=0 2k
µ
Xk
1
+∞
¡ ¢
X 1 − 31 X1
Pstructure
k k
d’algèbre
k∈N λ L converge
dans F ssi la série réelle k∈N λk converge, puisque L est de norme 1, soit si |λ| < 1.
P P
on a : k∈N λk Lk = (1 − λL)−1 est l’opérateur inverse dans
1
(1 − 3X)(1 − 12 X)
6
·
1
µ ¶
+ −
1 1
µ ¶µ ¶X +∞ µ ¶k
1 1 1 1
= −
3 X k=0 3k X
+∞
X µ ¶k
1 1
= −
k=1
3k X
☞ Q2 – Définissons ½ 1
2k
si k ≥ 0
ak = 6 1
− 5 3k sinon
P
Alors par construction Φ(X)1
= k∈Z ak Xk .
P
Par
P conséquent l’opérateur Φ(L) est inversible et d’inverse Φ(L)−1 = Φ−1 (L) = k∈N ak Lk +
k
k∈N∗ a−k F , où
¡PF désigne ¢l’opérateur avance. −1
Soit donc Y = k∈Z ak ²t−k t∈Z ; par définition Y = Φ(L) ², c’est-à-dire Φ(L)Y = ².
P
– Par ailleurs pour t ∈ Z et k ≥ 1 on a Cov (²t , Yt−k ) = j∈Z aj t=t−k−j σ²2 = a−k σ²2 6= 0. Or si
¡ ¢
² était l’innovation de Y , alors ∀t ∈ Z, ²t = Yt − Yt∗+
|=
< 1, Y t − 1, . . . >.
Donc ² n’est pas l’innovation de Y .
☞ Q3 – A est stationnaire donc ∀t ∈ Z, ∀k ∈ Z, kak At+k k2 ≤ |ak |kAk2 = |ak |γA (0) + E (A0 )2
et comme la série Θ(X) est absolument convergente, la série Θ(L) ◦ A est normalement
convergente. P P
Enfin Cov (Bt , Bt−h ) = i,j∈Z ai aj Cov (At−i , At−h−j ) = i,j∈Z ai aj γA (h − i − j) ne dépend
pas de t ∈ Z.

ensae.net
– Soit λ ∈ C, et montrons tout d’abord que ∀ω ∈ R, f(
tout d’abord pour h ∈ Z 7
γ( −λL)A (h)
Donc pour ω ∈ R
f(
= Cov (At − λAt−1 , At−h − λAt−h−1 )
−λL)A (ω) =
=
¢
= 1 + |λ|2 γA (h) − λγA (h − 1) − λγA (h + 1)
1 X
2π h∈Z
1 X ¡¡
2π h∈Z
2π
¯
1 X ¡¡
2π h∈Z
1 ¡
γ( −λL)A (h)eiωh
¢
−λL)A (ω)
= Cov (At , At−h ) − λCov (At , At−h−1 ) − λCov (At−1 , At−h ) + λλCov (At−1 , At−h−1 )
¡
¢
1 + |λ|2 γA (h) − λγA (h − 1) − λγA (h + 1) eiωh
¯
¢¡
¢
1 − λeiω 1 − λe−iω
¯1 − λeiω ¯2 γA (h)
¢X
h∈Z
¢
1 + |λ|2 − λeiω − λe−iω γA (h)eiωh
γA (h)eiωh
Par suite, pour tout polynôme P ∈ C[X], P est scindé et s’écrit P (X) = (1 − λ 1 X) · · · (1 − λn X),
donc
2
= |1 − λeiω | fA (ω). On a
¯ ¯2
fP (L)A (ω) = ¯1 − λ1 eiω ¯ f(1−λ2 X)···(1−λn X)A (ω)
¯ ¯2 ¯ ¯2
= ¯1 − λ1 eiω ¯ · · · ¯1 − λn eiω ¯ fA (ω)
¯ ¡ ¢¯2
= ¯P eiω ¯ fA (ω)
P (X)
Pour toute fraction rationnelle F = Q(X)
∈ C(X), on a
¯ ¡ iω ¢¯2
¯Q e ¯ fF (L)A (ω) = fQ(L)F (L)A (ω)
= fP (L)A
¯ ¡ ¢¯2
= ¯P eiω ¯ fA (ω)
2
et donc fF (L)A = |F (eiωP
)| fA (ω).
k∈Z ak X
k
Soit enfin Θ(X) = une série absolument convergente ; notons φN (X) =
P iω 2
|k|≥N ak X . Alors ∀N ∈ N, fΘN (L)A (ω) = |ΘN (e )| fA (ω). Or Θ est absolement conver-
k
2 2
gente, donc |ΘN (eiω )| admet une limite finie lorsque N → +∞, à savoir |Θ (eiω )| . Donc
fΘN (L)A (ω) admet une limite lorsque N → +∞, et on a
2
fΘ(L)A (ω) = |Θ (eiω )| fA (ω)
7
Attention : Cov (·, ·) est une forme hermitienne sur les variables aléatoires complexes, i.e.
∀µ ∈ C, Cov (X, µY ) = µCov (X, Y ) et pas µCov (X, Y ).

ensae.net
Autre méthode
et donc
fΘ(L)A (ω) =
=
P:
Soit Θ(X) = k∈Z ak Xk une série absolument convergente. Alors
1 X
2π h∈Z
1 X
γΘ(L)A (h) = Cov
2π j,l∈Z
1 X
2π j,l∈Z
Ã
1 X
2π j∈Z
¯
Ã
aj al
X
j,l∈Z
aj al
Ã
Ã
X
m∈Z
aj eiωj
¯2
!Ã
X
h∈Z
Ã
X
γA (m)e
l∈Z
=
aj At−j ,
X
j,l∈Z
iω(m−i+j)
al e−iωl
!Ã
X
X
m∈Z
al At−h−l
j∈Z
aj al γA (h + l − j) eiωh
γA (h + l − j)eiωh
!
γA (m)eiωm
!
aj al γA (h + l − j)
!
!
l∈Z
car les séries sont absolument sommables
idem
¯X ¯
¯ ¯
= ¯ aj eiωj ¯ fA (ω)
¯ ¯
j∈Z
¯ ¡ ¢¯2
= ¯Θ eiω ¯ fA (ω)
☞ Q4 Soit donc Θ une série absolument convergente, et considérons le processus Z = Θ(L)Y . Alors
¯ ¡ ¢¯2
fZ (ω) = ¯Θ eiω ¯ fY (ω)
¯ ¡ ¢¯2
= ¯Θ eiω ¯ fΦ(L)−1 ² (ω)
¯ ¯
¯ Θ (eiω ) ¯2
= ¯¯ ¯ f² (ω)
Φ (eiω ) ¯
1
P σ2
Or si η est un bruit blanc de variance σRη2 , alors fη (ω) = 2π k∈Z γη (h)e
iω
= 2πη . Et comme
1
pour tout processus A on a γA (h) = 2π f (ω)e−iω dω, la réciproque est également vraie
[0,2π] A
(un processus est un bruit blanc ssi sa densité spectrale est constante).
¯ ¯
¯ Θ(eiω ) ¯
En particulier, si Θ est tel que ¯¯ Φ(eiω ) ¯¯ est indépendante de ω, alors Z est un bruit blanc.
¡ ¢¡ ¢
C’est pourquoi on considère Φ∗ (X) = 1 − 31 X 1 − 21 X : Φ∗ a toutes ses racines hors du cercle

ensae.net
unité par construction, et en outre en notant η = Φ∗ (L)Y on a
Ainsi
fη (ω) = ¯¯
= ¯¯
¯
¯
3
=
¯ ¯
¯
¯
¯ Θ (eiω ) ¯2 σ 2
¯
¯
Φ (eiω ) ¯ 2π
¯ 1 iω ¯2 σ 2
¯
= ¯ e ¯¯
3
η est un bruit blanc de variance

2π
¯
¯ 1 − 31 eiω ¯2 σ 2
¯
1 − 3eiω ¯ 2π
1 σ2
9 2π
¯
¯ 1 iω ¯2 ¯ 3e−iω − 1 ¯2 σ 2
= ¯¯ e ¯¯ ¯¯ ¯
1 − 3eiω ¯ 2π
σ²2
9
tel que Φ∗ (L)Y = η
Φ∗ ayant toutes ses racines de module strictement supérieur à 1 il admet un développement en

série entière à indices positifs uniquement, à savoir
1 1 1
= (−2) + 3
Φ∗ (X) 1 − 3X
1
1 − 21 X
+∞
X X+∞
1 k 1 k
= −2 k
X +3 X
k=0
3 k=0
2k
Posons donc pour k ∈ N

bk = 3 · 2−k − 2 · 3−k
P
Alors par construction ∀t ∈ Z, Y = Φ∗ −1 (L)η = k∈N bk ηt−k .
En particulier, η est l’innovation de Y .
☞ Q5 Par définition de l’innovation on a pour tout t ∈ Z, ηt = Yt − EL (Yt |Yt−1 , . . .). Donc
EL (Yt |Yt−1 , . . .) = Yt − ηt
= ((1 − Φ∗ (L)) Y )t
5 1
= Yt−1 − Yt−2
6 6
7 3
6= Yt−1 − Yt−2 en général
2 2
?
? ?

ensae.net
On considère un processus stationnaire du second ordre X vérifiant

∀t ∈ Z, Xt = 2Xt−1 + ²t
On suppose que l’observation de X est imprécise et qu’on n’observe que Y = X + η, où η est
un bruit blanc décorrélé de ² et de variance ση2 = ρσ²2 , ρ > 0.
☞ Q1 Montrer que ² + ( − 2L)η est un processus Ma(1).
☞ Q2 Montrer Y est un processus Arma(1,1), et donner sa représentation canonique.

☞ Q3 Montrer qu’il existe une série absolument convergente
où e désigne l’innovation de Y .

∀t ∈ Z, Yt = et +
Justifier l’intérêt d’une telle représentation.

X
¡P
k∈N
ak Yt−k
a k
¢
telle que
k∈N∗
☞ Q1 Soit V = ² + ( − 2L)η.
On a pour t ∈ Z E (V ) = 0 et de plus
Cov (Vt , Vt−h ) = Cov (²t + ηt − 2ηt−1 , ²t−h + ηt−h − 2ηt−h−1 )


 (1 + 5ρ)σ²2 si h = 0
= −2ρσ²2 si h = ±1

0 sinon
Ainsi V est stationnaire et sa fonction d’auto-corrélation est celle d’un processus Ma(1).
Soit alors θ ∈ R et µ un bruit blanc de variance σµ2 , et notons W = ( − θL)µ.
Cherchons θ et σµ2 tels que γW = γV .
 (1 + θ2 ) σµ2 si h = 0
On a γW (h) = −θσµ2 si h = ±1 .

0 sinon
Fixons donc  r

 1+5ρ
−
2
(1+ 2ρ5 ) −1
 θ= 2ρ
2
2σ²2

 σ2 =
 µ
r
2
1+ρ
2ρ
− (1+ 2ρ5 ) −1

ensae.net
Alors8 par construction
soit
et donc γV = γW .
½
½
θ2 − 1+5ρ
2
2ρ
1
θ+1=0
et σµ = θ2 −2θ+1 σ²2
(1 + θ2 ) σµ2 = (1 + 5ρ)σ²2
−θσµ2 = −2ρσ²2
En particulier, comme le polynôme Ma d’un processus Ma se déduit de ses auto-corrélations

par les équations de Yule-Walker, V et W suivent le même processus Ma : V suit donc le
processus Ma de polynôme (1 − θX). 9
Définissons donc ν = ( − θL)−1 V ; alors par construction ν est un bruit blanc de variance
σν2 = σµ2 .
Ainsi V vérifie
V = ( − θL)ν
où ν est un bruit blanc de variance σν2 =
et donc Y suit un Arma(1,1) (car θ 6= 2).

1
σ2.
θ 2 −2θ+1 ²
☞ Q2 On a ² = ( − 2L)X et donc V = ( − 2L) ◦ (X + η) = ( − 2L)Y . Autrement dit
( − 2L)Y = ( − θL)µ
Cependant le polynôme Φ(X) = 1 − 2X admet 21 pour racine qui n’est pas hors du cercle unité :
cette représentation n’est donc pas canonique.
De la même façon que dans exercice 1 on définit Φ∗ (X) = (1 − 21 X).
−1
Notons ξ = ( − θL)Φ∗ (L)µ ; alors ξ est un bruit blanc de variance
¯ ∗ iω ¯2 ¯ ¯
¯ Φ (e ) ¯ 2 ¯ 1 − 21 eiω ¯2 2 1 2
¯ ¯ σµ = ¯ ¯
¯ Φ (eiω ) ¯ ¯ 1 − 2eiω ¯ σµ = 4 σµ
Ainsi Y suit l’Arma(1,1) sous forme canonique
( − 21 L)Y = ( − θL)ξ, où ξ est un bruit blanc de variance 14 σµ2
☞ Q3 D’après le résultat précédent l’innovation du processus Y est ξ. Par ailleurs la fraction rationnelle
q q
2 2
8
1+5ρ
2ρ − (1+ 2ρ
5
) −1 (1+ 2ρ
1+5ρ
5
) −1
2ρ +
Le choix de 2 plutôt que 2 permet de garantir que |θ| < 1.
9
En toute rigueur, il faudrait préalablement montrer que si un processus X stationnaire a son auto-corrélation nulle à
partir du rang q, alors il suit un processus Ma d’ordre au plus q. Pour ce faire, il faut définir le polynôme moyenne-mobile
∆ issu des équations de Yule-Walker, puis vérifier que f∆(L)−1 ◦X (ω) est constante, ce qui garantit que ∆(L)−1 ◦ X est
bien un bruit blanc. Voir aussi TD 3, exercice 1

ensae.net
1
1−θX
ξ = ( − θL)
=
Ãµ
¡
µ
− θ−
¢
1
−1
− L ×
2
µ
1
est développable en série entière et on a 1−θX
¶ ÃX
¶
1
P
= k∈N θk Xk de sorte que
¶
− L Y
2
k∈N
θ k Lk
1 X k−1 k
2 k≥1
θ L ◦Y
!!
!
◦Y
P
et donc en définissant pour k ≥ 1 ak = θ − 12 θk−1 on a ∀t ∈ Z, ξt = Yt − k≥1 ak Yt−k et donc
∀t ∈ Z, Yt = ξt +
P
P
k≥1 ak Yt−k
En d’autres termes on a pour tout t ∈ Z EL (Yt |Yt−1 , . . .) = k≥1 ak Yt−k . Cette représentation
permet de prédire en moyenne sans erreur la prochaine valeur de Y compte-tenu de l’observation
de son passé. En outre, la série étant géométrique le nombre de termes nécessaires pour atteindre
une précision δ donnée ne croı̂t que logarithmiquement avec cette précision (et bien-sûr avec
γY (0)).10
?
? ?
Etant donné un processus stationnaire X, si ρX (1) est elevée alors Xt est “assez” correlé avec
Xt−1 et Xt−1 avec Xt−2 ; par conséquent il semble naturel que Xt soit “relativement” corrélé
avec Xt−2 , c’est-à-dire que ρX (2) ne soit “pas trop” faible.
L’objet de cet exercice est de déterminer précisément le domaine de (ρX (1), ρX (2)). On définit
à cet effet
R = {(x, y) ∈ [−1, 1]2 / y ≥ 2x2 − 1}
☞ Q1 Soit X un processus stationnaire quelconque (du second ordre).
Montrer que (ρX (1), ρX (2)) ∈ R.
☞ Q2 On se donne réciproquement (ρ1 , ρ2 ) ∈ R et on cherche X stationnaire tel que (ρX (1), ρX (2)) =
(ρ1 , ρ2 ).
On considère pour cela le processus X défini par
∀t ∈ Z, Xt = φ1 Xt−1 + φ2 Xt−2 + ²t
où (²t )t∈Z est un bruit blanc de variance σ²2 .

10
PN
Attention, l’erreur systématique due à la troncature de la série réelle k=1 n’a rien à voir avec l’intervalle de
confiance de cette prévision, qui donne un domaine raisonnable pour réalisation de Y t+1 fondé sur la série complète.

ensae.net
(a) On note Φ(X) = 1 − φ1 X − φ2 X2 .
Donner une condition nécessaire et suffisante sur (φ1 , φ2 ) pour que X soit stationnaire.
(b) On note P l’ensemble des (φ1 , φ2 ) tel que les racines de Φ sont hors du disque unité ;
déterminer P . Que peut-on dire de ² si (φ1 , φ2 ) ∈ P ?
(c) Calculer (ρX (1), ρX (2)), et en déduire l’expression de (φ1 , φ2 ) en fonction de (ρX (1), ρX (2)).
(d) Conclure.
Notons Γm (X) = Cov 



X
 Xt−1 

..
.
Xt−m
³
☞ Q1 On a bien-sûr ∀m ∈ N, ρX (m)2 = Cov(X


t ,Xt−m )
V(Xt )
´2 ³
 pour m ∈ N∗ .

≤ V(Xt )V(Xt−m )
V(Xt )V(Xt−m )
´2
=1
Alors pour tout m ∈ N Γm (X) est positive (c’est un produit scalaire) ; en particulier |Γm | ≥ 0,
∗
ce qui s’écrit lorsque m = 2

¯ ¯
¯ γX (0) γX (1) γX (2) ¯
¯ ¯
|Γ2 (X)| = ¯¯ γX (1) γX (0) γX (1) ¯¯
¯ γX (2) γX (1) γX (0) ¯
= γX (0)3 + 2γX (2)γX (1)2 − γX (0)γX (2)2 − 2γX (0)γX (1)2
¡ ¢
= γX (0)3 (1 − ρX (2)) 1 + ρX (2) − 2ρX (1)2
≥ 0
Si γ (0) = 0, le processus est (presque sûrement) déterministe et par Cauchy-Schwartz γ X (1) ≤
p X 2
γX (0) = 0 ; ainsi dans tous les cas (1 − ρX (2)) (1 + ρX (2) − 2ρX (1)2 ) ≥ 0.
Supposons alors par l’absurde que (1 + ρX (2) − 2ρX (1)2 ) < 0 ; alors |ρX (2)| ≥ 1, et donc
ρX (2) = 1. Mais alors 1 + 1 − 2ρX (1)2 < 0, soit ρX (1)2 > 1 !
Par suite
1 + ρX (2) − 2ρX (1)2 ≥ 0
Remarque : (ρX (m))m∈N est donc soumise à une infinité de contraintes (polynomiales) ; voir aussi
“Séries temporelles et modèles dynamiques”, C. Gouriéroux et A. Monfort, 5.2 p 155.
On notera en particulier que pour que ρX (2) = 0 il faut que |ρX (1)| ≤ √12 .

ensae.net
☞ Q2 (a) Pour que X soit stationnaire, il faut et il suffit qu’aucune racine de Φ ne soit unitaire.
Or les racines de Φ sont ω =
±
√
x = i −x si x < 0.
(b) On a
2
¡ 2
−
¢ 2
√
−φ1 − φ21 +4φ2
2φ2
q
⇔ φ21 + 2φ2 − 2φ22 6= ±φ1 φ21 + 4φ2
q
⇔ φ1 + φ1 + 4φ2 − 4φ2 6= ±2φ1 φ21 + 4φ2
+
et ω =
– Si φ21 + 4φ2 < 0 : en particulier φ2 < 0 et de plus
|ω ± | > 1 ⇔ ¯
¯
¯ 2φ1
1
¡
√
−φ1 + φ21 +4φ2
2φ2
⇔ φ41 + 4φ22 + 4φ42 + 4φ21 φ2 − 4φ21 φ22 − 8φ32 6= φ21 φ21 + 4φ2
⇔ φ22 + φ42 − φ21 φ22 − 2φ32 6= 0
2 ¯
¯
¯ −φ ± ip− (φ2 + 4φ ) ¯2
¯ 1
¯ >1
¯
, avec la convention
Si les racines sont complexes conjuguées z et z, alors |z|2 = |z|2 = zz = − φ12 . Donc si
φ21 + 4φ2 < 0 une condition nécessaire et suffisante est que φ2 6= −1. Sinon, les deux
racines sont réelles et alors
|ω | 6= 1 ⇔
µ q ¶2
−φ1 ± φ1 + 4φ2 6= 4φ22
2
⇔ (φ2 6= 0 ou φ1 6= ±1) et φ22 − φ21 − 2φ2 + 1 6= 0 (car φ2 = 0 ⇔ Φ(X) = 1 − φ1 X)
φ21 − (φ21 + 4φ2 )

⇔ >1
4φ22
1
⇔ − >1
φ2
⇔ −1 < φ2 < 0
– Si φ21 + 4φ2 = 0 :
Si φ1 = 0 alors φ2 = 0, et inversement si φ2 = 0 alors φ1 = 1 ; dans ce cas X = ².11
Sinon ω − = ω + et on a
¯ ¯
¯ −φ1 ¯2
|ω | > 1 ⇔ ¯¯
± ¯ >1
2φ2 ¯
1
⇔ |φ2 | < |φ1 |
¯µ ¶2¯
¯ φ 2¯ 1
¯ 1 ¯
⇔ ¯ ¯ < |φ |
¯ 2 ¯ 2 1
¯ ¯2 ¯ ¯
¯ φ1 ¯ ¯ ¯
⇔ ¯ ¯ < ¯ φ1 ¯
¯2¯ ¯2¯
¯ ¯
¯ φ1 ¯
⇔ 0 < ¯¯ ¯¯ < 1
2
11
Ce cas dégénéré est exclu par la suite : ρX (1) = ρX (2) = 0 et X ne convient pas sauf bien-sûr si ρ1 = ρ2 = 0.

ensae.net
Ainsi dans tous les cas |ω ± | > 1 ⇔ |φ1 | ≤ 1.
– Si φ21 + 4φ2 > 0 : Si φ2 = 0, φ1 6= 0 et ω − = ω + =
Sinon, ω − < ω + , et donc
|ω ± | > 1 ⇔
⇔
⇔
ω + < −1 ou ω − > +1
p
½
φ21 + 4φ2 − φ1
2φ2
Si φ2 < 0 :
de module supérieur à un est :

°
°
°
p
< −1 ou
φ21 + 4φ2
° ou φ21 + 4φ2
°
p
−φ1 − φ21 + 4φ2
2φ2
φ21 + 4φ2 > φ1 − 2φ2 ou

p
>1
1
φ1
,
Si φ2 > 0 : pφ21 + 4φ2 < φ1 − 2φ2 ou pφ21 + 4φ2 < −φ1 − 2φ2
donc |ω ± | > 1 ⇔ 0 < |φ1 | < 1.
φ21 + 4φ2 > −φ1 − 2φ2
Si φ2 > 0 : φ21 + 4φ2 < (φ1 − 2φ2 )2 ou φ21 + 4φ2 < (φ1 + 2φ2 )2
Si φ2 < 0 : φ21 + 4φ2 > (φ1 − 2φ2 )2 ou φ21 + 4φ2 > (φ1 + 2φ2 )2
φ2 − φ1 > 1 ou φ2 + φ1 > 1
φ2 − |φ1 | > 1
Conclusion : une condition nécessaire et suffisante pour que les racines de Φ soient toutes
<0
=0
et −1 < φ2 < 0
et |φ1 | < 1
° ou φ21 + 4φ2 >0 et φ2 < 1 − |φ1 |
Bien entendu lorsque cette condition est vérifiée le processus X est décrit sous forme Ma
canonique et donc ² est l’innovation de X.
(c) X étant supposée stationnaire et sous forme canonique, on a
γX (1) = Cov (φ1 Xt−1 + φ2 Xt−2 + ²t , Xt−1 )

= φ1 V (Xt−1 ) + φ2 Cov (Xt−2 , Xt−1 ) car ²t
|=
Xt−1 , . . .
= φ1 γX (0) + φ2 γX (1)
et donc
φ1
ρX (1) = 1−φ2
Par ailleurs
γX (2) = Cov (φ1 Xt−1 + φ2 Xt−2 + ²t , Xt−2 )

= φ1 Cov (Xt−1 , Xt−2 ) + φ2 V (Xt−2 ) car ²t
|=
Xt−1 , . . .
= φ1 γX (1) + φ2 γX (0)
et donc ρX (2) = φρX (1) + φ2 i.e.

ensae.net
soit
soit
(d) Soit
½
ρX (1) =
(
=
ρX (2) =
φ1
1−φ2
ρX (2) = φ1 ρX (1) + φ2
½
φ1 ρX (1) (1 − φ2 )
φ21
1−φ1
ρX (2) = ρX (1)2 (1 − φ2 ) + φ2
φ1
φ2
(
φ1
=
=
=
+ φ2
Remarque : d’une façon plus générale le développement de Cov (Φ(L)Xt , ²t ) assure que pour
m ≥ d = d◦ Φ, ρX (m) suit la récurrence linéaire de polynôme caractéristique Φ. En particulier il
existe des cœfficients λ1 , . . . , λd tels que ∀m, ρX (m) = λ1 ω1m + · · · + λd ωdm .
Exprimons alors (φ1 , φ2 ) en fonction de (ρX (1), ρX (2)) : on a
ρX (1)(1−ρX (2))
1−ρX (1)2
ρX (2)−ρX (1)2
1−ρX (1)2
ρ1 (1−ρ2 )
1−ρ1 2
ρ2 −ρ1 2
φ2 = 1−ρ1 2
et définissons le processus X par ∀t ∈ Z, Xt = φ1 Xt−1 + φ2 Xt−2 + ηt où η est un bruit

blanc.
Or (ρ1 , ρ2 ) ∈ R, et donc12 (φ1 , φ2 ) ∈ P , de sorte que X est stationnaire et sous forme
canonique. Par conséquent, (ρX (1), ρX (2)) = (ρ1 , ρ2 ).
?
? ?
On considère un processus X stationnaire du second ordre, et on note pour k ∈ N
 
Xt−1
 
Γk = Cov  ... 
Xt−k
☞ Q1 Justifier que Γk est indépendante de t ∈ Z et qu’elle est positive.

Que dire de X si |Γk | = 0 ?
12
Calcul non développé ici . . .

ensae.net
On se donne désormais k ∈ N et on supposera que |Γk | > 0.
☞ Q2 Calculer les cœfficients a1 , . . . , ak de la régression de Xt∗ = EL (Xt |1, Xt−1 , . . . , Xt−k ) sur <
1, Xt−1 , . . . , Xt−k >.
☞ Q3 Calculer σk2 , la variance de l’erreur de prévision Xt − Xt∗ .
☞ Q4 (a) Montrer que |Γk+1 | = σk2 |Γk |.
(b) Montrer que (σl2 )l∈N∗ est décroissante.
En déduire qu’elle admet une limite finie lorsque l → +∞, et que cette limite est σ∞
V (Xt − EL (Xt |1, Xt−1 , . . .)) la variance de l’innovation du processus X.
(c) Montrer que 1l log |Γl | −−−−→ log σ∞
l→+∞
2
.
☞ Q5 Application : on considère un processus du second ordre X vérifiant X = (1 − θL)² pour
θ ∈] − 1, 1[, où ² est un bruit blanc de variance σ²2 .
(a) Montrer que X est stationnaire et calculer γX .
(b) Calculer |Γk |.
(c) Vérifier que ² est l’innovation de X et que k1 log |Γk | −−−−→ log σ²2 .
k→+∞
2
=
☞ Q1 On a pour k ∈ N et t ∈ Z
 
V (Xt−1 ) Cov (Xt , Xt−1 ) ··· Cov (Xt , Xt−k )
 Cov (Xt−2 , Xt−1 ) V (Xt−1 ) ··· Cov (Xt−1 , Xt−k ) 
 
Γk =  .. ... .. 
 . . 
Cov (Xt−k , Xt−1 ) Cov (Xt−k , Xt−1 ) · · · V (Xt−k )
 
γX (0) γX (1) ··· γX (k − 1)
 γX (1) γX (0) ··· γX (k − 2) 
 
=  .. ... .. 
 . . 
γX (k − 1) γX (k − 2) ··· γX (0)
En particulier Γk ne dépend pas de t et est symétrique réelle à diagonale positive, donc positive.
Par ailleurs, si k est tel que |Γk | = 0, alors comme il est montré dans TD 1, exercice 4
conditionnellement à un nombre fini de réalisations X1 , . . . , Xr le processus X est presque-
sûrement déterministe.
☞ Q2 Notons Xt∗ = a0 +a1 Xt−1 +· · ·+am−1 Xt−m+1 ; on en tire tout d’abord comme X est stationnaire
que a0 = E (Xt ) (1 − a1 − · · · − ak ). Par ailleurs Xt∗ est caractérisé par13
(Xt − Xt∗ ) 1 et ∀j ∈ J1, kK, (Xt − Xt∗ )
|=
|=
Xj
13
Voir aussi TD 1, exercice 4 .

ensae.net
ce qui s’écrit pour j ∈ J1, kK
et donc en définitive
☞ Q3 On a
¡¡
a1
 .. 
 . 
ak
¢
0 = E Xt − Xt∗+ · Xt−j
+am−1 E (Xt−m+1 Xt−j )
=
¢
soit E (Xt Xt−j ) = a0 E (Xt ) + a1 E (Xt−1 Xt−j ) + · · · + am−1 E (Xt−m+1 Xt−j )

soit E (Xt Xt−j ) = (1 − a1 − · · · − am−1 ) E (Xt )E (Xt−j ) + a1 E (Xt−1 Xt−j ) + · · ·
= E (Xt )E (Xt−j ) + a1 (E (Xt−1 Xt−j ) − E (Xt−1 )E (Xt−j )) + · · ·

+am−1 (E (Xt−m+1 Xt−j ) − E (Xt−m+1 )E (Xt−j ))
soit γX (j) = a1 γX (j − 1) + · · · + am−1 γX (j − m + 1)
 a0  = E (Xt ) (1 − 
Xt−1


−1
(Γk ) × 
a1 − · · · −

γX (1)
..
.
ak )


γX (k)
 
Xt − Xt∗ = Xt − a0 − (a1 , . . . , ak ) ×  ... 
Xt−k
 
Xt−1
 
= Xt − (E (Xt ) − a1 E (Xt−1 ) − · · · − ak E (Xt−k )) − (a1 , . . . , ak ) ×  ... 
Xt−k
 
Xt−1 − E (Xt−1 )
 .. 
= (Xt − E (Xt )) − (a1 , . . . , ak ) ×  . 
Xt−k − E (Xt−k )
 
³ 0 ´−1 Xt−1 − E (Xt−1 )
 .. 
= (Xt − E (Xt )) − (γX (1), . . . , γX (k)) × Γk × . 
Xt−k − E (Xt − k)

ensae.net
Or E (Xt ) = E (Xt∗ ) et Γk est symétrique, donc
=


























































+
¡
V (Xt − Xt∗ ) = E (Xt − Xt∗ )2



























¡
E (X
|
¢
 t − E (Xt ))
(γ
× (Γk )−1 
V (Xt )
2¢
2E (Xt − E (Xt )) · (γX (1), . . . , γX (k)) × (Γk )−1 × 
X (1), . . . , γX (k)) (Γk )


γ X (1)
..
.
γX (k)



−1
× E (Xt−1 − E (Xt−1 ), . . . , Xt−k − E (Xt−k )) × 


{z
Γ k
− 2 (γX (1), . . . , γX (k)) × (Γk )−1 × E (Xt − E (Xt )) · 







Xt−1 − E (Xt−1 )
..
.
Xt−k − E (Xt − k)
Xt−1 − E (Xt−1 )
..
.
Xt−k − E (Xt−k )
Xt−1 − E (Xt−1 )
..
.









}
 Xt−k − E (Xt − k)
= | {z }

 (γX (1),...,γX (k))
0

  

 γ (1)

 X

 −1  .. 

 + (γX (1), . . . , γX (k)) (Γk )  . 

 γX (k)
 
γX (1)
 .. 
= V (Xt ) − (γX (1), . . . , γX (k)) (Γk )−1  . 
γX (k)
☞ Q4 (a) On a  
γX (0) γX (1) · · · γX (k)
 
 
 γX (1) 
Γk+1 = 
 .. 
 . Γk 
γX (k)
puisque Γk de dépend pas de la date t considérée.
Soit alors (λ1 , . . . , λk ) ∈ Rk et considérons A(λ) = Γk+1 − λ1 C2 − · · · − λk Ck+1 où Ci+1 =

ensae.net







γX (i)
γX (i − 1)
γX (i − 2)
..
.
γX (i − k)






 est la i-ième colonne de Γk+1 .


Alors |A(λ)| = |Γk+1 |.

Or la première colonne CA de A(λ) s’écrit
CA = 


 

 
 
 γX (0) − 





Posons donc (λ1 , . . . , λk ) = 
γX (0)
γX (1)


..
.
γX (k)
γX (1)
..
.
γX (k)



γX (1)
..
.
γX (k)


− λ1 γX (1) − · · · − λk γX (k)


(λ
−1
−1
1 , . .
 × (Γk ) ; il vient
. , λ k ) × Γ k







 × (Γk ) × (γX (1), . . . , γX (k))







CA =   
  
 0 
 
  ..  
  .  
0
14
de sorte que
   
γX (1)
  ..  −1 
|Γk+1 | = γX (0) −  .  × (Γk ) × (γX (1), . . . , γX (k)) · |Γk |
γX (k)
= σk2 · |Γk |
Par conséquent, pour tout l ∈ N∗ |Γl | = σl−1

2
· · · σ12 |Γ1 | = σl−1
2
· · · σ12 γX (0)
 
γX (1)
14  ..  −1
Γk est symétrique et  .  × (Γk ) × (γX (1), . . . , γX (k)) est un réel (donc égal à son transposé) et donc
γX (k)
   
γX (1) ³ 0 ´−1 γX (1)
 ..  −1  ..  2
γX (0) −  .  (Γk ) (γX (1), . . . , γX (k)) = γX (0) − (γX (1), . . . , γX (k)) Γk  .  = σk
γX (k) γX (k)

ensae.net
(b) Notons Ek =< 1, Xt−1 , . . . , Xt−k >. Alors
2
σk+1 = V (Xt − EL (Xt |Ek+1 ))
= min V (Xt − Y )
≤
= σk2
Y ∈Ek+1
min
Y ∈Ek ⊂Ek+1
≤ V (Xt − EL (Xt |Ek ))
Notons enfin E∞ =< 1, Xt−1 , . . . > ; alors pour tout l ∈ N∗

2
σ∞
V (Xt − Y )
La suite (σl2 )l∈N∗ est donc décroissante et minorée (par 0), donc convergente.
= V (Xt − EL (Xt |E∞ )) = min V (Xt − Y ) ≤ min V (Xt − Y ) = σk2
Et réciproquement, (σl2 − σ∞
(c) On a alors
2
Y ∈E
σl2 −−−−→ σ∞
l→+∞
2
Y ∈Ek
) ≤ kEL (Xt |El ) − EL (Xt |E∞ )k2 −−−−→ 0 de sorte que

l→+∞
¡ 2¢ |Γk+1 |
log σ∞ = lim log
l∞ |Γk |
l
1X |Γj+1 |
= lim log par Césaro
l∞ l
j=1
|Γ j |
Ã l !
1 Y |Γj+1 |
= lim log
l∞ l
j=1
|Γj |
1 |Γl+1 |
= lim log
l∞ l |Γ1 |
1
= lim (log |Γl+1 | − log |γX (0|)
l∞ l
1
= lim log |Γl+1 |
l∞ l
☞ Q5 (a) On a pour t ∈ Z E (Xt ) = 0 et pour h ∈ Z


 (1 + θ2 ) σ²2 si h = 0
γX (h) = −θσ²2 si h = ±1

0 sinon
En particulier X est stationnaire.

ensae.net
(b) On a pour k ∈ N∗
On a tout d’abord
¯
¯
¯
¯ −θ
¯
|Ak | = ¯ 0
¯
¯ ..
¯ .
¯
¯ 0
Ak−1
2


Γk = σ ² 



2¯
¯µ
|Γ2 | = σ² ¯
¯
¯
¯
¯
¯
¯
¯
¯
¯
¯
¯
1 + θ2
−θ
−θ
¯ 1 + θ2
puis pour k ≥ 2, en notant Ak = σ12k Γk

¯ 
¯ 1 + θ2 −θ 0 · · · 0 ¯
²
¯
..
.
0
0
−θ
1 + θ2
¢
¯
¯
−θ
1 + θ2
···
|Γ1 | = 1 + θ2 σ²2
¶¯
¯ ¡
= 1 + θ 2
+
0
−θ
...
−θ
0
θ 4
¢ 4
σ²
···
1 + θ2
−θ
−θ
0
0
..
.
1 + θ2







(en développant par rapport à la première colonne)

¯ ¯
¯ −θ 0 0 ··· 0 ¯
¯ ¯
¯ −θ 1 + θ2 −θ 0 ¯
¡ ¢ ¯ ¯
¯ 0 −θ 1 + θ2 0 ¯
= (−1)1+1 1 + θ2 |Ak−1 | + (−1)2+1 (−θ) ¯ ¯
¯ .. ... .. ¯
¯ . . ¯
¯ ¯
¯ 0 0 −θ 1+θ 2 ¯
(en soustrayant la première ligne à la deuxième)

¯ ¯
¯ −θ 0 · · · 0 ¯¯
¯
¯ ¯
¯ ¯
¡ ¢ ¯ −θ ¯
¯  ¯
= 1 + θ2 |Ak−1 | + θ ¯ 0 ¯
¯ ¯
¯ .. Ak−2 ¯
¯ . ¯
¯ ¯
¯ 0 ¯
¡ ¢
= 1 + θ2 |Ak−1 | − θ2 |Ak−2 |
Soit alors k ≥ 3 tel que ∀l < k, |Al | = 1 + θ 2 + · · · + θ 2l . Alors

¡ ¢¡ ¢ ¡ ¢
|Ak | = 1 + θ2 1 + θ2 + · · · + θ 2k−2 − θ2 1 + θ2 + · · · + θ 2k−4
¡ ¢ ¡ ¢
= 1 + 2θ2 + 2θ4 + · · · + 2θ 2k−2 + θ2k − θ2 − θ4 − · · · − θ 2k−2
= 1 + θ2 + · · · + θ 2k

ensae.net
Ainsi ∀k ∈ N∗ ,
En définitive
1X
k
k l=1
|Γk |
σ²2k
log |Γl |
= 1 + θ2 + · · · + θ 2k =
k^
→ +∞
−−−−→
k→+∞
=
∀k ∈ N∗ , |Γk | =
−
1¡ ¡
k
1−θ 2k+2
1−θ 2
¢
1−θ 2k+2 2k
1−θ 2
θ2k+2 log (1 − θ 2 )
k
log σ²2
?
? ?
−
k
σ²
(c) |θ| < 1 donc l’unique racine 1θ de 1 − θX est hors du cercle unité (si elle existe, i.e. si
θ 6= 0) ; donc ² est bien l’innovation de X.
Par ailleurs
+ log σ²2
¡ ¢¢
log 1 − θ2k+2 − log 1 − θ2 + log σ²2k

ensae.net
On considère deux processus stationnaires du second ordre X et Y vérifiant
∀t ∈ Z,
½
Yt = φ1 Yt−1 + aXt + Ut
Xt = φ2 Xt−1 + Vt
où U et V sont deux bruits blancs décorrélés de variances respectives σU2 et σV2 .
On suppose en outre que 0 < |φ1 | < 1 et 0 < φ2 < 1.
☞ Q1 Soit W = ( − φ1 L) ( − φ2 L) ◦ Y .
Montrer que W est stationnaire et calculer γW .
En déduire que W est un processus Ma que l’on déterminera.15
Application numérique : a = 1.5, φ1 = 0.4, φ2 = 0.6, σU2 = 0.016 et σV2 = 0.036.
☞ Q2 Montrer que Y est un processus Arma que l’on déterminera.

☞ Q3 Déterminer la prévision optimale Yt∗ = EL (Yt |Yt−1 , . . .) et la variance de l’erreur de prévision
Yt − Yt∗ .
☞ Q1 On a tout d’abord pour t ∈ Z
Yt = φ1 Yt−1 + aXt + Ut
donc (( − φ2 L) Y )t = φ1 ((1 − φ2 L) Y )t−1 + a (( − φ2 L) X)t + (Ut − φ2 Ut−1 )
= φ1 ((1 − φ2 L) Y )t−1 + aVt + (Ut − φ2 Ut−1 )
c’est-à-dire (( − φ1 L) ( − φ2 L) Y )t = aVt + Ut − φ2 Ut−1
soit Wt = aVt + (( − φ2 L) U )t
Alors
– E (Wt ) = 0  2 2
 a σV + (1 + φ22 ) σU2 si h = 0
– pour h ∈ Z Cov (Wt , Wt+h ) = −φ2 σU2 si h = ±1

0 sinon
15
¡ ¢ 2
On supposera pour ce faire que a2 σV2 + 1 + φ22 σU 2
> 2φ2 σU .

ensae.net
En particulier W est stationnaire (et sa fonction d’auto-covariance est celle d’un processus
Ma(1)). Cherchons donc Θ et ² bruit blanc tels que W = Θ(L)² et Θ de degré 1.
Donnons-nous pour ce faire un bruit blanc ² de variance σ²2 > 0 et λ ∈] − 1, 1[, et soit Z =
( − λL) ² ; cherchons à déterminer ² et λ de façon à ce que Z = W .
L’égalite γZ = γW pour h ∈ {0, 1} conduit à
soit
Soit donc 16
λ=
½
(1 + λ2 ) σ²2 = a2 σV2 + (1 + φ22 ) σU2



( 2) U
−λσ²2 = −φ2 σU2
λ2 −
2 + 1+φ2 σ 2 −
a2 σV
q
a2 σV ( 2) U
2 + 1+φ2 σ 2
2
φ2 σ U
(a2 σV2 +(1+φ22 )σU2 )

2
2φ2 σU
( − λL)−1 W : ² est par construction un bruit blanc de variance σ²2 =
W = ( − λL) ²
2
λ+1
σ²2
2
−4φ2 σU
=0
= λ
2
φ2 σ U
; ainsi λ ∈] − 1, 1[. Posons alors17 ² =
Application numérique : On a a2 σV2 + (1 + φ22 ) σU2 = 0.10276 > 0.0192 = 2φ2 σU2 . Il vient
2
φ2 σ U
λ
et de plus
λ = 0.095 et σ²2 = 0.101. On vérifie que |λ| < 1 et que la représentation de W est bien
canonique (donc que ² est bien l’innovation de W ).
☞ Q2 On a immédiatement
( − φ1 L) ( − φ1 L) Y = ( − λL) ²
A supposer que λ 6= φ1 et λ 6= φ2 , Y est donc un processus Arma(2,1) (sinon c’est un Ar(1)) ;
en outre cette représentation est canonique.
Application numérique : ( − 0.6L) ( − 0.4L) Y = ( − 0.095L) ².
☞ Q3 Soit Φ(X) = (1 − φ1 X) (1 − φ2 X) ; les racines φ11 et φ12 de Φ sont toutes de module supérieur à
un ; donc
P (voir TD 2, exercice 1 ) Y adment un développement en série à cœfficients positifs
Yt = k≥0 ak ²t−k , et en particulier ∀t ∈ Z, ²t Yt−1 , . . .. Par conséquent ² est l’innovation de
|=
Y et en particulier Y − Y ∗ = ².
On en tire successivement que
V (Yt − Yt∗ ) = σ²2
16 a 2 σV
2
+(1+φ22 )σU
2
Les deux racines sont de même signe car leur produit 1 est positif, et ce signe est positif car leur somme 2
φ 2 σU
√
[··· ]− [··· ]2 −4
est positive. Le produit des racines valant 1, la plus petite des deux est de module inférieur à 1, à savoir 2 .
2
17 2 φ 2 σU
Parmi tous les bruits blancs possibles de variance σ² = λ il n’y en a qu’un seul qui convienne, est c’est
−1
nécessairement ² = ( − λL) W .

ensae.net
et de plus que
Application numérique :
Y∗ = Y −²
=
=
¡
Ã
− Φ(L) ( − λL)−1 Y
=
−
¡



µ
¢
¢
− (φ1 + φ2 ) L + φ1 φ2 L2 ◦
Ã
¡ 2
+∞
X
− λ − λ (φ1 + φ2 ) + φ1 φ2 ·
−λ Φ
µ ¶
1
λ
2
· ( − λL) −1
¶
◦Y
yt∗ = yt−1 − 0.24yt−2 − 1.045

!
λ k Lk Y
et par ailleurs V (Yt − Yt∗ ) = 0.101
? ?
?
¢ +∞
X
k=0
k=0
P
k
λ L
k≥1
k
!
Y
0.095k yt−k
On considère n processus stationnaires X 1 , . . . , X n vérifiant
∀i ∈ J1, nK, ( − ρi L) X i = U i
où ρi ∈] − 1, 1[ et U i est un bruit blanc de variance σi2 indépendant18 de tout U j pour j 6= i.

On définit Z = X 1 + · · · X n ; on cherche à déterminer la prévision optimale de ZT +1 fondée sur
l’observation des X i aux dates T, T − 1, . . . .
☞ Q1 Montrer que pour tous t, t0 ∈ Z et i 6= j ∈ J1, nK, X i t est indépendant de X j t0 .
∗
Déterminer ZTX +1 = EL (ZT +1 |X T , . . . , X T , X T −1 , . . . , X T −1 , . . .) et la variance VX de l’er-
1 n 1 n
reur de prévision associée en fonction des variances des U i .

☞ Q2 Montrer que Z satisfait une relation de la forme
Θ(L)Z = ∆(L)ξ
où Θ et ∆ sont des polynômes (de degrés finis) et ξ est un bruit blanc (on discutera selon que
les ρi sont deux-à-deux distincts ou non).
☞ Q3 En déduire que Z est un processus Arma dont on déterminera la forme canonique.
☞ Q4 Donner une condition suffisante pour que Z soit un Ar pur.
On détaillera en particulier le cas n = 2.
18
Et ce à toutes dates : ∀t, t0 , ∀i, j, (t 6= t0 oui 6= j) → U i t est indépendant de U j t0

ensae.net
sur les observations agrégées.
Donner la variance VZ de l’erreur de prévision associée en fonction des variances des U i .
Comparer VZ à VX et conclure.
ZT +1 = EL
=
n
X
X i T +1 |X 1 T , . . . , X n T , X 1 T −1 , . . . , X n T −1 , . . .
i=1
Xn
i=1
¡
∗
☞ Q5 Dans le cas général, déterminer la prévision optimale ZTZ+1 = EL (ZT +1 |ZT , ZT −1 , . . .) fondée
☞ Q1 Pour tous i 6= j et toutes dates t, t0 , U i t , U i t−1 , U i t0 , U i t0 −1 , U j t , U j t−1 , U j t0 , U j t0 −1 sont tous

deux-à-deux indépendants. Donc X i t et X j t0 sont indépendants.
En particulier
∗X
Ã n
X
!
EL X i T +1 |X 1 T , . . . , X n T , X 1 T −1 , . . . , X n T −1 , . . .
¡ ¢
¢
= EL X i T +1 |X i T , X i T −1 , . . .
i=1
= X T +1 + · · · + X n∗ T +1
1∗
= ρ1 X 1 T + · · · + ρ n X n T puisque − ρi L est sous forme canonique car |ρi | < 1
En outre
Ã n n
!
¡ ∗ ¢ X X
V ZT +1 − ZTX
+1 = V X i T +1 − ρi X i T
Ã i=1
n
i=1
n
!
X ¡ ¢ X
= V ρi X i T + U i T − ρi X i T
Ã i=1
n
! i=1
X
= V U iT
i=1
= σ12 + · · · + σn2
☞ Q2 Observons que Z = ( − ρ1 L)−1 U 1 + · · · + ( − ρn L)−1 U n , de sorte que pour tout polynôme

Θ on a
Θ(L)Z = Θ(L) ( − ρ1 L)−1 U 1 + · · · + Θ(L) ( − ρn L)−1 U n (2)

ensae.net
En particulier dès que Θ(X) est un multiple de tous les (1 − ρi X) l’expression (2) est polyno-
miale des deux côtés. Soit donc Θ le ppcm (au sens de la division euclidienne de polynômes)
de 1 − ρ1 X,. . . ,1 − ρn X. Alors Z vérifie
où Λi (X) = Θ(X)

1−ρi X
:
= Π8
ρ ∈ {ρ1 , . . . , ρn }
<
ρ 6= ρi
Θ(L)Z =
n
X
i=1
Λi (L)U i
(1 − ρX) est un polynôme de degré ni ≤ n − 1.
Considérons alors V i = Λi (L)U i tous stationnaires, et soit V = V 1 + · · · + V n .

Alors
Cov (Vt , Vt+h ) = γV 1 (h) + · · · + γV n (h)
En particulier Cov (Vt , Vt+h ) est indépendant de t et donc (comme bien-sûr E (Vt ) = 0) V est
stationnaire. En outre γV (h) = 0 dès que h ≥ maxi ni , ce qui caractérise un Ma d’ordre au plus
maxi ni .19
Plus précisément, soit d = max{i / γV (i) 6= 0}, et donnons-nous δ1 , . . . , δd et η un bruit blanc
de variance ση2 ; notons ∆(X) = 1 − δ1 X − · · · − δd Xd . Alors l’égalité γ∆(L)η = γV revient à un
système de d + 1 équations (a priori non-linéaire)
©
Eh : γ∆(L)η (h) = γV (h) pour h ∈ J0, dK
correspondant aux équations de Yule-Walker, et dont on tire ση2 , δ1 , . . . , δd .
Soit alors ∆∗ (X) = 1 + δ1 X + · · · + δr Xr , et notons ∆ le polynôme canonique associé (celui dont
toutes les racines sont de module supérieur à un, voir TD 2, exercice 1 ). Définissons
−1
enfin ξ = ∆(L) V . Alors par construction ξ est un bruit blanc, et en outre V = ∆(L)ξ.
Ainsi
Θ(L)Z = ∆(L)ξ
avec d◦ Θ ≤ n et d◦ ∆ ≤ maxi ni ≤ n−1 et toutes les racines de Θ et ∆ sont de module supérieur

(ou égal) à 1.
☞ Q3 On sait que 1 n’est racine d’aucun 1 − ρi X, donc n’est pas racine de Θ(X). Montrons que par
ailleurs V n’est pas intégré.
Attention :
Il ne suffit pas que Z (et donc Θ(L)Z) soit stationnaire pour interdire que Θ ait une racine
unitaire : X = ( − L)² est par exemple stationnaire TD 1, exercice 1 . . .
Dans le cas contraire, soit s l’ordre de multiplicité de la racine 1 dans ∆, et soit ∆(X) le
∆(X)
polynôme (1−X) s ; on note ξ = ∆(L)ξ.
P
Soit alors N ∈ N ; comme (1 − X) N k=0 X = 1 − X
k N +1
on a d’une part
Ã N !
X ¡ ¢
L ◦ Vt = 1 − LN +1 ( − L)s−1 ◦ ξ t
k
k=0
19
Attention, si k = l et γA (k − 1) + γB (l − 1) = 0 alors A + B est un Ma d’ordre a plus k − 1 . . .

ensae.net
et d’autre part Ã N
X
k=0
Lk
!
◦ Vt =
Considérons donc pour i ∈ J1, nK et N ∈ N le polynôme

de Λi sont parmi les ρi , 1 − X ne divise pas Λi et donc
¡
1 − XN +1 =
¢
Ã N
X
!
n
X
Ã N
k=0 X
Xk (1 − X) ne divise pas
k=0
Ã N
X
X
i=1 k=0
Lk
!s
× Λi (L) ◦ U i t
³P
Λi (X) ; comme les racines
!
Xk Λi (X)
N
Notons pour tout polynôme P ν(P ) le nombre de cœfficients non-nuls de P : alors ν (Λ i (X)) ≥ 1
car Λi est de degré ni ≥ 1. Par conséquent pour N ≥ ni on a 20
Donc en particulier
V
ÃÃ N
X
k
!
k=0
i
! N +n
L × Λi (L) ◦ U t =
Xi
Autrement dit pour tout t ∈ Z V

¡ ¢
ν
ÃÃ N
2
X
¡ i ¢
! !
Xk Λi (X) ≥ N − ni
k=0
µ ¶2
αj V U t−j ≥ (N − ni ) min |αj | σi2 −−−−→ +∞
¡¡
¡
¢s ¢
j=0
− LN +1 ξ t −−−−→ +∞.
¢
N →+∞
k
k=0
´
αj 6=0 N →+∞
N +1 s−1 N +1 s−1
Soit donc η = −L ξ = −L ∆(L)ξ : η est stationnaire puisque ξ est un
bruit blanc.
Or V (ηt − ηt−N −1 ) −−−−→ +∞, et donc γη (h) −−−−→ +∞, et donc
N →+∞ h→+∞
γV (h) −−−−→ +∞
h→+∞
Pn
Pourtant, les U i sont indépendants donc γV (h) = i=1 γΛi (L)U i (h) et donc comme chaque
Λi (L)U i est un processus Ma son auto-covariance est nulle à partir d’un certain rang (ni en
l’occurence), et en particulier
γV (h) −−−−→ 0
h→+∞
Pp
20
Soit P (X) = k=0 ak Xk un polynôme de degré P n’admettant pas 1 pour racine, et développons successivement
X P (X) : il vient
j
1 X X2 ··· Xp Xp+1 ··· XN −p ··· Xp+N

P (X) a0 a1 a2 ··· ap 0 ··· ··· 0
XP (X) 0 a0 a1 ··· ap−1 ap ··· ··· 0
.. .. .. .. .. ..
. . . . . .
¡PnX Pk(X)
N
¢ 0 a0 ··· ap
k=0 X P (X) a 0 a 0 + a 1 · · · a 0 + · · · + a p a 0 + · · · + a p · · · a 0 + · · · + a p · · · ap
¡ Pn ¢
k=0 X ¡¡ ¢ au plus N + p, et au moins N − ν(P ) monômes X ont pour cœfficient
k k
Le polynôme P (X) est ¢de degré
Pn
k=0 X
k
a0 + · · · + ap . Donc si ν P (X) < N − ν(P ), alors au moins 2ν(P ) + 1 cœfficients sont nuls, donc l’une au
moins de N −³³ ν(P ) colonnes´ a 1 + · · ·
´ + ap est nulle. Dans ce cas, P (1) = 0, i.e. 1 est racine de P ! Or 1 n’est pas racine
PN
k=0 X
k
de Λi , donc ν Λi (X) ≥ ν(Λi ).

ensae.net
Ainsi, (1 − X)s ne peut diviser ∆(X) ; on montre de façon identique qu’il en va de même pour
toute racine de module 1, de sorte que V n’est pas intégré.
En conclusion,
Z est un processus Arma(p, r), où p = d◦ Θ et r ≤ maxi ni
Notons que les racines ρ11 , . . . , ρ1n de Θ sont toutes de module inférieur à 1 ; en outre par construc-
tion il en va de même pour celles de ∆.
Enfin, comme Θ(X) est le ppcm des 1 − ρi X, il n’admet aucune racine commune avec ∆ (car
sinon, ∆ admet par exemple ρ1 , donc il en va de même pour ∆∗ car |ρ1 | < 1, et on montre
que 1 − ρ1 X divise tous les Λi (X) ce qui viole le fait que Θ soit le ppcm des 1 − ρi X). Ainsi la
représentation est canonique.
Notons enfin que si les (ρi )i sont deux-à-deux distincts, Θ(X) = (1 − ρ1 X) · · · (1 − ρn X) et Z est
un Arma(n,n-1).
Remarque : Le résultat reste vrai si l’on substitue à 1 − ρi X un polynôme canonique Ri (X) quel-
conque : Θ(X) reste le ppcm des Ri (X), et s’ils sont tous premiers entre eux Z est un processus Arma(
Pn ◦ ◦
i=1 d Ri , maxi d Λi ).
☞ Q4 Z est un Ar pur ssi V est © un bruit blanc, soit si r = 0, soit encore si (0, . . . , 0) est solution du
système de Yule-Walker Eh : γ∆(L)ξ (h) = 0 pour h ∈ J1, dK .
Notons alors Λi (X) = λi0 + λi1 X + · · · + λini Xni , avec λi0 = 1. Alors pour t ∈ Z
ni
n X
X
Vt = λik U i t−k
i=1 k=1
et donc pour h ∈ N
X X ¡ ¢
Cov (Vt , Vt−h ) = λik λjl Cov U i t−k , U j t−h−l
1≤i,j≤n
0 ≤ k ≤ ni
0 ≤ l ≤ nj
X X
= λik λjl i=j t−k=t−h−l σi2
1≤i,j≤n
0 ≤ k ≤ ni
0 ≤ l ≤ nj
ni
n X
X
= λik λik−h σi2
i=1 k=h
Par conséquent Z est un Ar pur ssi
Pn ¡ ¢
∀h ∈ J1, nK, i=1 λi0 λih + · · · + λini −h λini σi2 = 0

ensae.net
En particulier dans le cas où n = 2 et ρ1 6= ρ2 on a Θ(X) = 1 − (ρ1 + ρ2 )X + ρ1 ρ2 X2 ,
Λ1 (X) = 1 − ρ2 X et Λ2 (X) = 1 − ρ1 X.
Donc Z est au plus un Arma(2,1), et c’est un Ar(2) pur ssi 21
alors
Z Z =Z −ξ =
¡
− ∆(L)Θ−1 (L) Z
VZ = V ZT +1 − ZTZ+1
= V (ξT +1 )
³
= V ∆(L)
=
Xn
V
ÃÃ
−1
+∞
X
¡
∗
ρ1 σ12 + ρ2 σ22 = 0
☞ Q5 Comme aucune racine de Θ(L) n’est de module 1, ξ est l’innovation de Z, et donc ∀t ∈ Z, ξ t =

∗
Zt − Zt Z ; en particulier
∗ ¡
¢
¢
où Θ(X)−1 admet un développement en puissances positives de X.

Par ailleurs 1 n’est pas racine de ∆, doncPtoutes les racines de ∆ sont de module strictement
supérieur à un ; on définit donc Λ∆(X)
i (X)
= +∞ i k
1 n
i
¢ ´
Λ1 (L)U + · · · + Λn (L)U T +1
!
aik Lk ◦ U i T +1
!
Λi (0)
k=0 ak X . Notons que a0 = ∆(0) = 1 = 1. Il vient
1
i=1
n
Ã +∞ k=0 !
X X ¡ ¢2
= aik σi2
i=1 k=0
n
X ¡ ¢2
≥ ai0 σi2
i=1
= σ12 + · · · + σn2
= VX
Ainsi la prévision fondée sur les observations agrégées est moins bonne que celle fondée sur les
observations individuelles, et ce alors même que les U i sont indépendants !
Notons enfin qu’il n’y a égalité que si pour tout i ∈ J1, nK, ∀k ∈ N∗ , aik = 0 c’est-à-dire si
∆(X) = Λi (X), soit finalement si
ρ1 = · · · = ρ n
?
? ?
21
¡ ¢ ¡ ¢
La condition s’écrit pour h = 1 : “ λ10 λ11 + λ10 λ11 σ12 + λ20 λ21 + λ20 λ21 σ22 = 0 ” c’est-à-dire, compte-tenu de ce que
λi0 = 1 et λi1 = ρi : “ 2ρ1 σ12 + 2ρ2 σ22 = 0 ”.

ensae.net
On considère un processus stationnaire X vérifiant
¡
Justifier l’expression “u est quasi-périodique”.

☞ Q2 Montrer que ² est l’innovation de X, et calculer γX .
¢
− 2ρ cos θL + ρ2 L2 X = ²
où ρ ∈] − 1, 1[, θ ∈]0, π[ et ² est un bruit blanc de variance σ²2 .

☞ Q1 Soit (un )n∈Z ∈ RZ la suite réelle définie par
½
u0 , u1 ∈ R donnés
∀t ∈ Z, ut − 2ρ cos θut−1 + ρ2 ut−2 = 0
Calculer le terme général de u.
Application numérique : Tracer γX lorsque σ²2 = 1, ρ = 0.8 et θ =
☞ Q3 Etudier la densité spectrale fX de X, en particulier lorsque ρ → 1− .

18
16
14
2π
3
.
ρ = 0.8
ρ = 0.5
ρ = 0.85
12
10
0
0 0.5 1 1.5 2 2.5 3 3.5
1
Graphe de ω 7→ |1+2ρeiω +ρ2 e2iω |2
µ ¶ µ ¶
ut 2ρ cos θ ρ2
☞ Q1 Soit Ut = et A = . Alors A est inversible et de plus ∀t ∈ Z, Ut =
ut−1 1 0
At × U0 . Or les valeurs propres de A sont les racines de χA (X) = 1 − 2ρ cos θX + ρ2 X2 , à

ensae.net
savoir ρe
−1
Ut = P ×
+iθ
ρe
d’où on tire
0
En particulier on a
et donc finalement
2
−iθ
et ρe . Soit donc P inversible telle que A = P ×
µ t +itθ
0
ρt e−itθ
¶
P U0 , donc soient α, β tels que
t
∀t ∈ Z, ut = αρt e+itθ + βρt e−itθ
½
α
β
¡ α+β
iθ
ρ αe + βe
∀t ∈ Z, ut = (α+β)ρ cos(tθ)+i(α−β)ρ sin(tθ) = u0 ρ cos(tθ)+t

=
=
u1
−iθ
−
¢ = u0
u1
= u1
u0
ρ sin θ tan θ
1
ρ eiθ −e−iθ
u0 − α
− u0
t
−1
µ
µ
ρe+iθ
0
un
0
ρe−iθ
¶
¶
× P ; alors
ρt sin(tθ)− iu0 ρt sin(tθ)

|{z}
∈R
/
-1
-2
-3
-4
0 5 10 15 20
2π
(un )n∈J0,20K lorsque θ =
ρ = 0.8 et u0 = u1 = 1
3
,
³ ´
L’expression “quasi-périodique” tient à ce que u est bornée et que uρtt est périodique.
t∈Z
¡ ¢ ¡ ¢
☞ Q2 Les racines de Φ(X) = 1 − 2ρ cos θX + ρ2 X2 = 1 − ρeiθ X 1 − ρe−iθ X sont de module ρ1 > 1 ;
par conséquent la représentation “Φ(L) ◦ X = ²” est la représentation Ma canonique, et ² est
l’innovation de X.
En particulier, pour tout h ≥ 1 ²t est indépendant de Xt−h ce qui s’écrit
¡ ¢
∀h ≥ 1, Cov 1 − 2ρ cos θXt−1 + ρ2 Xt−2 , Xt−h = 0
soit encore
∀h ≥ 1, γX (h) = 2ρ cos θγX (h − 1) + ρ2 γX (h − 2)
et donc

ensae.net
ce qui s’écrit encore





γX suit la récurrence de polynôme Φ
En particulier d’après la question précédente γX est quasi-périodique.

Pour déterminer explicitement γX il reste à déterminer γX (0) : on a en l’occurence lorsque h = 0
¡
récurrence pour h ∈ {1, 2} il vient


 γX (0) −2ρ cos θ
γX (1) −2ρ cos θ
γX (2) −2ρ cos θ
−2ρ cos θ
ρ2
¢
Cov Xt − 2ρ cos θXt−1 + ρ2 Xt−2 , ²t = V (²t ) = σ²2
γX (0) − 2ρ cos θγX (1) + ρ2 γX (2) = σ²2

Pour calculer γX (0) il suffit de constater que γX est paire et donc en associant l’équation de
γX (1)
γX (0)
γX (1)
γX (0) −2ρ cos θ γX (1) +ρ2

γX (0) + (1 + ρ2 ) γX (1)
γX (0) −2ρ cos θ γX (1)
+ρ2
+ρ2
+ρ2
γX (2)
γX (−1)
γX (0)
= σ²2
= 0
= 0
γX (2) = σ²2
= 0
γX (2) = 0
ce dont on tire que

¯ 2 ¯
¯ σ² −2ρ cos θ ρ2 ¯
¯ ¯
¯ 0 1 + ρ2 0 ¯
¯ ¯
¯ 0 −2ρ cos θ 1 ¯
γX (0) = ¯ ¯
¯ 1 −2ρ cos θ ρ2 ¯¯
¯
¯ −2ρ cos θ 1 + ρ2 0 ¯¯
¯
¯ ρ2 −2ρ cos θ 1 ¯
σ² (1 + ρ2 )
=
(1 + ρ2 ) + 4ρ4 (cos θ)2 − ρ4 (1 + ρ2 ) + 4ρ2 (cos θ)2
σ² (1+ρ2 )
= 1+((2 cos θ)2 −1)(ρ4 +ρ2 )−ρ6

ensae.net 5
-1
-2
-3
-4
0.8
0.6
0.4
0
1
5
γX lorsque σ²2 = 1, θ = 2π
3
10
ρ = 0.8
ρ = 0.5
ρ = 0.9
15
et différentes valeurs de ρ
ρ = 0.8
ρ = 0.5
ρ = 0.9
20
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
0 5 10 15 20
π
γX lorsque σ²2 = 1, θ = 4
et différentes valeurs de ρ
On observe que γX est pseudo-périodique et que le facteur important est sa “vitesse d’aplatis-
sement” ρ.
☞ Q3 On a pour ω ∈] − π, π[
1 σ²2
fX (ω) =
|Φ (eiω )|2 2π
σ²2 1
=
2π |1 − 2ρ cos θeiω + ρ2 e2iω |2
σ²2 1
= ·
2π (1 − 2ρ cos θ cos ω + ρ cos(2ω)) + (−2ρ cos θ sin ω + ρ2 sin(2ω))2
2 2

ensae.net
Soit donc g(ω) =
g(ω) =
Donc
=
½
½
¡
2π 1
σ²2 fX (ω)
; il vient
1 + 4ρ2 (cos θ)2 (cos ω)2 + ρ4 (cos(2ω))2 − 4ρ cos θ cos ω − 2ρ2 cos(2ω)
−2ρ3 cos θ cos ω cos(2ω) + 4ρ2 (cos θ)2 (sin ω)2 + ρ4 (sin(2ω))2 − 2ρ3 cos θ sin ω sin(2ω)
¡
¢
¢
2 1 + 4ρ2 (cos θ)2 + ρ4 − 4ρ cos θ cos ω
−2ρ2 cos(2ω) − 2ρ3 cos θ (cos ω cos(2ω) + sin ω sin(2ω))
Or ∀a, b ∈ R, cos(a − b) = cos a cos b + sin a sin b donc
g(ω) = 2 1 + 4ρ2 (cos θ)2 + ρ4 − 4ρ cos θ cos ω − 2ρ2 cos (2ω) − 2ρ3 cos θ cos(3ω)
g 0 (ω) = 4 cos θρ sin ω − 4ρ2 sin (2ω) − 6ρ3 cos θ sin(3ω)

En particulier g 0 s’annule et change de signe sur ]0, π[, de sorte que g admet un minimum en
ω0 ∈]0, π[.22 Donc fX admet un extremum en ω0 .
¡
−
¢¡
Lorsque ρ → 1, Φ(X) converge normalement vers 1 − 2 cos θX + X2 = X − eiθ X − e−iθ , dont
toutes les racines sont unitaires. On peut montrer en outre23 que ω0 −−−→
¢
θ : ainsi dans le cas

ρ→1
limite où X devient un processus intégré, la densité spectrale de X converge (simplement) vers
la masse de Dirac sur {θ} + 2πZ.
?
? ?
22
Le calcul explicite de ω0 , par exemple dans le cas où θ = 2π 3 , est tout-à-fait passionnant et laissé à la sagacité du
lecteur.
23
Essentiellement, (ρ, ω) 7→ gρ (ω) est C 1 , et θ est l’unique racine sur ]0, π[ de g1 (ω). ω0 vérifie lorsque ρ → 1− :
4 cos θ sin ω0 − 4 sin(2ω0 ) − 6 cos θ sin(3ω0 ) = 0 dont l’unique solution sur ]0, π[ est ω0 = θ.

ensae.net
L’objet de cet exercice est de présenter la méthode de Beveridge-Nelson pour représen-
ter tout processus même intégré comme somme d’une marche aléatoire et d’une composante
cyclique (stationnaire).
☞ Q1 On considère un processus auto-régressif intégré X vérifiant
P+∞
k=0 ak X .
k
(b) On suppose désormais que la série ∂x∂

³
( − L)A(L)X = ²
où A est un polynôme sans racine de module un et ² un bruit blanc de variance σ²2 .
(a) Montrer que quitte à substituer à ² un bruit blanc η de variance plus faible, on peut sup-
poser (ce que l’on fera par la suite) que toutes les racines de A sont de module strictement
supérieur à un.
En déduire que A(X) admet pour inverse une série absolument convergente A(X)−1 =
1
x 7→ A(x)
A(X)−1 =
´
est absolument convergente. 24
Montrer qu’il existe une série convergente (de rayon au moins 1) A telle que
1
A(1)
+ (1 − X)A(X)
Calculer son terme général.

(c) Montrer qu’il existe deux processus T et C tels que
X =T +C
1
et où T est une marche aléatoire vérifiant ( − L)T = A(1)
² et où C est stationnaire.
(d) T et C sont-ils corrélés ?

☞ Q2 On se donne un autre décomposition de X

 X = M +S
( − L)M = U

S = B(L)V
où B est un polynôme dont toutes les racines sont de module strictement supérieur à 1 et U et
V sont deux bruits blancs (pas nécessairement décorrélés) de variances σU2 et σV2 .
σ²2
(a) Montrer que 1t V (Xt ) −−−−→ A(1)2
.
t→+∞
σ²2
Montrer que σU2 = A(1)2
.
(b) Soit Y = ( − L)X.
Exprimer Y en fonction de ² et en déduire l’expression de fY .
24
i.e. de rayon de convergence au moins 1 et absolument convergente en x = 1.

ensae.net
(c) Exprimer alors Y en fonction de U et V .
En supposant que U et V sont décorrélés, en déduire l’expression de fY en fonctionde σU2
et σV2 .
(d) Déduire de l’étude de fY au voisinage de 0 que pour certains polynômes A(X), U et V ne
peuvent pas être décorrélés (on pourra par exemple considérer le cas où A(X) = 1 − ρX
où ρ > 0 ).
☞ Q1 (a) Le monôme 1 − λX étant inversible ssi |λ| < 1, posons
∗
¡ ¢
où λ11 , . . . , λ1n désignent les racines A.

Ainsi A∗ (L) est inversible.
Soit η = ( − L)A∗ (L)X ; alors (voir
µ µ
1
A (X) = Π|λi |<1 (1 − λi X) Π|λi |>1 1 − X
λi
¶¶
TD 2, exercice 1 ) η est un bruit blanc, de

2
variance Π σ² λ2 .
|λi |>1 i
On peut donc supposer sans perte de généralité, quitte à substituer A∗ à A et η à ², que

toutes les racines de A sont de module strictement supérieur à un.
Dans ces conditions, notant A(X) = (1 − λ1 X) · · · (1 − λn X) il vient
Ã +∞ ! Ã +∞ ! +∞
1 X X X
= λk1 Xk · · · λkn Xk = ak X k
A(X) k=0 k=0 k=0
P
avec ∀k ∈ N, ak = i1 +···+in =k λi11 · · · λinn .
(b) On a
+∞
X
1
= ak X k
A(X) k=0

ensae.net
Or pour M ∈ N∗
M
X
k=0
ak X k =
et on pose pour j ∈ N
Notons bN
M
X
j = −
X
PN
¯
M ¯
k=j+1
=
N
X
Ã
M
X
M
X
k=0
k=0
XM
Par ailleurs A est convergente donc

M
X
k=0
k=0
¯
¯
ak
k
!
+
ak 1k − (1 − X)
PM
M
X
k=0
ak 1 + a 0 · 0 +
ak 1k − (1 − X)
k=j+1
bj = −
¡
ak X k − 1
M
X
M
X
P+∞
k=1
XM X
−1
j=0
k−1
k=1 j=0
Ã
k=j+1
ak ; alors pour tous M ∈ N et N ≥ M + 2

¢
M
X
k=j+1
ak
¡
ak (X − 1) 1 + X + · · · + Xk−1
ak X j
ak
!
Xj
¢
ak admet une limite finie lorsque M → +∞,
¯ ¯
|bN
j | = ¯ ak ¯
¯ ¯
j=0 j=0 k=j+1
M X
X N
≤ |ak |
j=0 k=j+1
X X
= |ak | + |ak |
0≤j<k≤M +1
M +2≤k ≤N
0≤j<k
M
X +1 N
X
= k|ak | + k|ak |
k=0 k=M +2
N
X
= k|ak |
k=0
+∞
X µ ¶ X
∂ 1
≤ k|ak | x 7→ = kak Xk est absolument convergente.
k=0
∂x A(x) k
donc à la limite lorsque N → +∞ et pour tout M ∈ N

M
X +∞
X
|bj | ≤ k|ak |
j=0 k=0

ensae.net
de sorte que la série
On pose donc A(X) =
C = X − T . Alors
(d) On a pour t ∈ Z
|=
P
j bj X est convergente de rayon au moins 1.
P+∞
j
j=0 bj X ; alors par construction comme

j
A(X)−1 =
( − L)C = ( − L) ◦ (X − T )
= A(L)−1 ² − ( − L)T
=
µ
1
A(1)
= ( − L)A(L)²
¶
1
A(1)
+ ( − L)A(L) ² − ( − L)T
PM
k=0
+ (1 − X)A(X)
(c) Soit T la marche aléatoire d’origine 0 et vérifiant ∀t ∈ Z, Tt − Tt−1 =
En particulier, il existe un variable fixe Z telle que ∀t ∈ Z, Ct = A(L)²t + Z, et donc C

est stationnaire. 25
1
Tt = A(1) (²t + · · · + ²T −N ) + Tt−N −1
Ct = α0 ²t + α1 ²t−1 + · · ·
ak −−→
M∞
1
²,
A(1) t
1
A(1)
on a
et notons
Or Tt ²t+h pour h ≥ 1 et donc pour tout N ≥ 1

( PN PN
1 1
αk σ²2 + A(1) Cov (²t−k , Z)
Cov (Tt , Ct ) = ¡ A(1) k=0
P+∞ ¢ k=0
+Cov Tt−N −1 , k=0 αk ²t−k + Cov (Tt−N −1 , Z)
+∞
X
α0 + · · · + α N 2
= σ² + αk Cov (Tt−N −1 , ²t−k )
A(1) k=N +1
donc finalement
¡P+∞ ¢
Cov (Tt , Ct ) = 1
A(1) k=0 αk σ²2
En particulier T et C sont corrélés à toutes dates sauf bien-sûr si A(X) = (1).

☞ Q2 (a) On a pour tous t ∈ Z et N ∈ N∗
V (Mt ) = V (Ut + · · · + U0 ) + Cov (Ut + · · · + U0 , M−1 ) + V (M−1 )

= tσU2 + Cov (Ut + · · · + U0 , M−1 ) + V (M−1 )
25
On ne peut pas choisir Z qui est entièrement déterminée par la définition de C = X − T ; en revanche on peut
supposer que Z est décorrélée de tous les ²t .

ensae.net
donc par Cauchy-Schwarz
soit
et donc
2
≤ tσU +
p
tσU2
^
−
t → +∞
t→
q
+∞
p
tσU2 − V (Ut + · · · + U0 ) V (M−1 ) + V (M−1 )
≤ tσU2 + Cov (Ut + · · · + U0 , M−1 ) + V (M−1 )
p p
≤ tσU2 + V (Ut + · · · + U0 ) V (M−1 ) + V (M−1 )
V (tσU2 )
| {z }
^
√ 2
tσU
p
V (M−1 ) + V (M−1 )
≤ tσU2 + Cov (Ut + · · · + U0 , M−1 ) + V (M−1 )

q
V (tσU2 )
| {z }
√ 2
tσU
V (Mt )
p
V (M−1 ) + V (M−1 )
^
t→ +∞
tσU2
Or V (Xt ) = V (Mt ) + 2Cov (Mt , St ) + V (St ) et donc

p p p p
V (Mt ) − 2 V (Mt ) V (St ) + V (St ) ≤ V (Xt ) ≤ V (Mt ) + 2 V (Mt ) V (St ) + V (St )
et comme S est stationnaire (donc de variance V (St ) indépendante de t)
V (Xt ) V (Mt )
^
t→ +∞
En particulier
1
t
V (Xt ) −−−−→ σU2 > 0
t→+∞
1
Or X = T + C où T est une marche aléatoire associée à η = A(1)
² et C stationnaire, donc
de façon similaire
1 1
V (Xt ) −−−−→ σ²2
t t→+∞ A(1)2
En particulier
σ²2
σU2 = A(1)2

ensae.net
Ainsi, quelle que soit la décomposition retenue la marche aléatoire est associée à un bruit
(c) On a par ailleurs

1
blanc de variance A(1) 2
2 σ² .
(b) On a immédiatement Y = ( − L)X = A(L)−1 ² et donc
fY (ω) =
1
|A (eiω )|2
f ²
Y = ( − L)M + ( − L)S = U + ( − L)B(L)V

(ω) =
1 σ²2
|A (eiω )|2 2π
26
Or à supposer que U et V sont décorrélés il en va de même pour U et ( − L)B(L)V , donc

pour tout h ∈ Z,
de sorte que
γU +(1−L)B(L)V (h) = γU (h) + γ(1−L)B(L)V (h)
fY (ω) =
=
+∞
1 X
2π h=0
+∞
1 X
γU +(1−L)B(L)V (h)e+iωh
2π h=0
γU (h)e +iωh
+
+∞
1 X
2π h=0
= fU (ω) + f(1−L)B(L)V (ω)
γ(1−L)B(L)V (h)e+iωh
σ2 ¯¡ ¢ ¡ ¢¯2 σ 2
= U + ¯ 1 − eiω B eiω ¯ V
2π 2π
(d) Soit donc φ définie sur R par

1 ¯¡ ¢ ¡ ¢¯2
∀ω ∈ R, φ(ω) = 2 σ²2 = σU2 + ¯ 1 − eiω B eiω ¯ σV2
|A (eiω )|
Alors pour ce qui concerne la deuxième égalité
¯¡ ¢ ¡ ¢¯2
∀ω ∈ R, ¯ 1 − eiω B eiω ¯ ≥ 0
et donc
∀ω ∈ R, φ(ω) ≥ φ(0)
σ²2
Or par ailleurs φ(0) = A(1)2
et donc
1 1
∀ω ∈ R, 2 ≥
|A (eiω )| |A(1)|2
σ2
26
η est un bruit blanc de variance ση2 ssi ∀ω ∈ R, fη (ω) = 2πη .
1
P γ (0)
L’implication
R découle de ce que fη (ω) = 2π h∈Z γη (h)e
iωh
= η2π , et la réciproque de ce que Cov (ηt , ηt−h ) =
1 −iωh
2π ]−π,+π[ fη (ω)e dω = h=0 fη (0) (par symétrie de l’intégrale sur ] − π, 0 et ]0, π[).

ensae.net
Considérons alors le cas où A(X) = 1 − ρX où ρ > 0 : on a
¯
¯A
¯
ρ ¯ ¯
|A(−1)|2 = |1 + ρ|2 = 1 + 2ρ + ρ2 > 1 − 2ρ + ρ2 = |A(1)|2
ce qui contredit le résultat précédent, de sorte que U et V ne peuvent pas être décorrélés.
Ceci reste vrai plus généralement si ρ ∈ C avec <(ρ) > 0 : notant ρ = a + ib il vient
¯ µ ¶¯2 ¯
ρ
¯2
¯ √
¯ = ¯1 − ρ ¯ = |1 + |ρ||2 = 1 + 2 a2 + b2 + a2 + b2 > a2 + b2 + 1 − 2a = |A(1)|2
|ρ| ¯ ¯ |ρ| ¯
puis de façon plus générale si A est un polynôme quelconque (sous forme canonique) dont
les racines sont toutes de partie réelle positive.
Ainsi, il n’est pas toujours possible de décomposer un processus Ma intégré en somme
d’une marche aléatoire et d’une tendance dont les bruits blancs associés sont décorrélés.
En revanche la décomposition de Beveridge-Nelson est toujours possible (sous réserve
que A0 (X) soit convergente).
? ?
?
En 1978 Robert E. Hall propose et fonde empiriquement dans “Stochastic Implications of
the Life Cycle-Permanent Income Hypothesis : Theory and Evidence” un modèle selon lequel
la consommation des ménages suit . . . une marche aléatoire ! L’objet de cet exercice est de
présenter très brièvement ce résultat.
☞ Q1 On considère un agent dont l’utilité u(·) à chaque date t dépend uniquement de sa consommation
ct . Ses sources de revenus sont le travail, qui lui rapporte wt entre les dates t et t + 1, et le
capital, qui lui rapporte rkt où r désigne le taux d’intérêt réel du marché (supposé constant) et
kt le stock de capital accumulé à la date t.
(a) Montrer que la contrainte budgétaire de l’agent à chaque date t ∈ Z s’écrit
kt+1 − kt = (rkt + wt ) − Ct
(b) On suppose que les revenus du travail à la date t + h sont inconnus à la date t, et modélisés
par la variable aléatoire Wt+h ; on note It l’ensemble d’information de l’agent disponible
à la date t.
Montrer que le choix à la date t du processus de la consommation future de l’agent est
déterminé par le programme de maximisation
¯
¯ maxCt ,Ct+1 ,... E (U (Ct , Ct+1 , . . .)| It )
¯ ©
¯ s.c. ∀h ≥ 0, kt+h+1 = ((1 + r) kt+h + wt+h ) − Ct+h

ensae.net
(c) Ecrire le lagrangien associé et en déduire les équations d’Euler
ment que
h=0
∗t+1
Ct+1
(1 + r)
−
h
Ct∗t
∀h ≥ 1,
= (1 + r)kt +
=
+∞
X
h=0
h=0
r
(1 + r)
(1 + r)h+1
h
∂E(U |It )
∂Ct+h
∂E(U |It )
∂Ct+h−1
(d) On suppose que l’agent a une préférence pour le présent de δ ≥ 0.
−
(1 + r)H
(g) En faisant l’hypothèse qu’il n’y a pas de cavalerie (i.e. limh∞

=
kt+H+1
1
1+r
Donner l’utilité intertemporelle U (Ct , Ct+1 , . . .) tirée du processus de consommation

(Ct , Ct+1 , . . .).
(e) En supposant que l’utilité u(·) de l’agent est quadratique et que δ = r montrer que le
X ∗t
Ct+h XH
Wt+h 1
∗t
profil de consommation future anticipé à la date t est constant : ∀h ≥ 0, Ct+h
(f) Montrer que pour tout H ≥ 0
H
= Ct∗t
kt+h+1
(1+r)h
(E (Wt+h+1 |It+1 ) − E (Wt+h+1 |It ))

= 0 ) montrer finale-
☞ Q2 On suppose tout d’abord que les salaires futurs suivent un processus Arma de la forme
∆(L)W = Θ(L)²
où ∆ et Θ sont sous forme canonique et ² est un bruit blanc. On suppose en outre qu’à toute
date t, It contient ²t , ²t−1 , . . .
(a) Montrer qu’il existe une série absolument convergente A telle que W = A(L)² et que ² est
l’innovation de W .
(b) Calculer E (Wt+h+1 |It ) et E (Wt+h+1 |It+1 ) pour h ≥ 0.
(c) En déduire que C est une marche aléatoire.
☞ Q3 On suppose cette fois que les salaires futurs suivent un Arma autour d’une tendance détermi-
niste, de la forme
∀t ∈ Z, ∆(L)Wt = φ(t) + Θ(L)²t
où φ est C ∞ , ∆ et Θ sont sous forme canonique et ² est un bruit blanc.
(a) Montrer qu’il existe une série absolument convergente A et une fonction ψ telles que
W = ψ(t) + A(L)², et calculer E (Wt+h+1 |It ) et E (Wt+h+1 |It+1 ) pour h ≥ 0.
(b) Montrer que C est une marche aléatoire.

ensae.net
☞ Q4 On suppose enfin que les salaires suivent un processus Arima autour d’une tendance détermi-
niste,27 de la forme
∀t ∈ Z, ( − L)d ∆(L)Wt = φ(t) + Θ(L)²t
avec les mêmes hypothèses sur ∆, Θ, φ et ², et avec d ≥ 1.
(a) Montrer que si deux suites réelles u et v vérifient ∀n ∈ N, ( − L)d un = vn alors
∀n ∈ N, un =
d−1
X
l=0
l
Cn+l ( l
− L) u0 +
(b) En déduire que C est une marche aléatoire ; à quel bruit blanc est-elle associée ?
Cnd−1
☞ Q1 (a) Les revenus de l’agent entre les dates t et t + 1 sont les revenus du capital rk t et du travail
wt , le seul emploi étant la consommation Ct entre ces dates. Le flux net de revenu est donc
la variation du capital entre les deux dates, soit
n
X
i=1
vi
kt+1 − kt = (rkt + wt ) − Ct
(b) Compte-tenu des informations It en sa possession à la date t un agent rationnel cherche à

maximiser son utilité intertemporelle espérée (car il est neutre au risque) E (U (C t , Ct+1 , ))
par un choix judicieux de consommations futures, sans néanmoins violer sa contrainte
budgétaire à aucune date future (il n’a pas accès au crédit).
(c) Le Lagrangien s’écrit
L (Ct , Ct+1 , . . . , kt , kt+1 , . . . , λ0 , λ1 , . . .) = E (U (Ct , Ct+1 , . . .)| It )

+∞
X
+ λh (kt+h+1 − (1 + r) kt+h − wt+h + Ct+h )
h=0
|It )
On a pour tout h ≥ 1 ∂C∂Lt+h
= ∂E(U
∂Ct+h
∂L
+ λh et ∂kt+h+1 = (1 + r)λh+1 − λh .
Une condition nécessaire du premier ordre est donc que
∂E(U |It )
∂Ct+h+1 λh+1 1
∂E(U |It )
= =
λh 1+r
∂Ct+h
27
La théorie macro-économique suggère en effet que le Pib est en effet intégré d’ordre 1, et que la croissance des
salaires suit celle du Pib.

ensae.net
(d) L’utilité attendue à la date t d’un choix de consommation futur Ct , Ct+1 , . . . est
il vient pour h ≥ 0
∂
∂x
c’est-à-dire comme δ = r
(f) On a successivement pour H ≥ 1
Ct
Ct+1
=
=
U (Ct , Ct+1 , . . .) = δ
(x 7→ E (u(x)|It )) = x 7→
..
Wt
Wt+1
1
C
(1+δ)h t+h
∂x
(1+δ)h+1 t+h+1
1
C
∗t
∀h ≥ 0, Ct+h
+
+
P+∞
∂E (u(x)|It )
= Ct∗t
=
1
h=0 (1+δ)h u (Ct+h )
(e) u étant quadratique, u0 (x) est proportionnel à x ; comme par ailleurs

µ ¶
1
1+r
(1 + r)kt
(1 + r)kt+1
−
−
kt+1
kt+2
28
× 1+r
..
1
. .
1
Ct+H = Wt+H + (1 + r)kt+H − kt+H+1 × (1+r) H
PH Ct+h PH Wt+h
donc h=0 (1+r)h = h=0 (1+r)h + (1 + r)kt − kt+H+1
(g) En l’absence de cavalerie il vient

+∞
X ∗t +∞
X
Ct+h E (Wt+h |It )
h
= + (1 + r)kt
h=0
(1 + r) h=0
(1 + r)h

+∞
X E (Wt+h |It )
1 ∗t
1 C t = h
+ (1 + r)kt
1 − 1+r h=0
(1 + r)
soit
+∞
X rE (Wt+h |It )
Ct∗t = rkt +
h=0
(1 + r)h+1
et donc finalement, comme kt+1 = (1 + r)kt + Wt − Ct∗t
28
P+∞ 1 1
le cœfficient δ sert à normaliser h=0 (1+δ) h = δ . De tout façon puisqu’une fonction d’utilité de Von Neumann-
Morgenstern est définie à une transformation affine positive près, cela ne change rien à la suite.

ensae.net
Soit alors A(X) =
convergente.
De façon similaire
P
∗t+1
Ct+1
Θ
k
¡P+∞
− Ct∗t =
k=0
est
α
−1
k X k
¢
inversible
P+∞
et en
r
h=0 (1+r)h+1
notant
(E (Wt+h+1 |It+1 ) − E (Wt+h+1 |It ))
☞ Q2 (a) ∆ étant supposé sous forme canonique, ses racines sont toutes de module strictement
supérieur àP
un et donc (voir
+∞
∆(X) = k=0 αk X .
−1
TD 2, exercice 1 ) il admet une inverse sous la forme
Θ(X) : A est absolument convergente car Θ est de degré

fini ; en outre W = ∆(L) Θ(L)² = A(L)² et la série
¡P+∞
∆(X)Θ(X)
t ∈ Z Wt = − k≥1 βk Wt−k + ²t et donc ² est l’innovation de W .
(b) Notons A(X) = +∞
et donc
P
k=0 ak X .
On a tout d’abord pour h ≥ 0
k
Wt+h+1 =
E (Wt+h+1 |It ) =
+∞
X
k=0 αk X
k=0
−1
P+∞
=
k
P+∞
¢
Θ(X) est absolument
k=0 βk X il vient pour
ak ²t+h+1−k
k=h+1
k
ak ²t+h+1−k
De façon similaire on a
P+∞
E (Wt+h+1 |It+1 ) = k=h ak ²t+h+1−k
(c) On a pour t ∈ Z
+∞
ÃÃ +∞ ! Ã +∞
!!
X r X X
Ct+1 − Ct = ak ²t+h+1−k − ak ²t+h+1−k
h=0
(1 + r)h+1 k=h k=h+1
+∞
ÃÃ +∞ ! Ã +∞ !!
X r X X
= ak+h ²t+1−k − ak+h ²t+1−k
h=0
(1 + r)h+1 k=0 k=1
+∞
X r
= ah ²t+1
h=0
(1 + r)h+1
Ã +∞ !
X rah
= ²t+1
h=0
(1 + r)h+1
et donc C est une marche aléatoire, qui plus est associée au bruit blanc L−1 ².
☞ Q3 (a) Posons A(X) = ∆(X)−1 Θ(X) (développée en série absolument convergente) et ψ :
(t 7→ ∆(L)−1 φ(t)) : il vient
∀t ∈ Z, Wt = ψ(t) + A(L) ◦ ²t

ensae.net
En outre ² est l’innovation de A.
Par ailleurs on a pour h ≥ 0
(b) On a pour t ∈ Z
Ct+1 − Ct =
=
½
+∞
X
h=0
Ã +∞
X
r
(1 + r)h+1
h=0
rah
(1 + r)h+1
ÃÃ
!
²t+1
P
E (Wt+h+1 |It ) = ψ(t + h + 1) + +∞
P
ψ(t + 1) +
k=h+1 ak ²t+h+1−k
E (Wt+h+1 |It+1 ) = ψ(t + h + 1) + +∞k=h ak ²t+h+1−k
+∞
X
k=h
ak ²t+h+1−k
et donc C est une marche aléatoire, encore associée au bruit blanc L−1 ².
☞ Q4 (a) Montrons tout d’abord par récurrence sur d ≥ 1 que
un =
d−1
X
l=0
l
Cn+l ( − L)l u0 +
– Lorsque d = 1 on a immédiatement (avec la convention Cn0 = 1 )

X
!
1≤id ≤···≤i1 ≤n
−
Ã
v id
ψ(t + 1) +
+∞
X
k=h+1
ak ²t+h+1−k
!!
n
X
un − un−1 = vn → un = u0 + v i1
i1 =1
– Soit alors d ≥ 2 tel que la formule soit vérifiée ( −¢L)d−1 un = vn .

¡ lorsqued−1
Alors en appliquant le résultat pour d = 1 à ( − L) un il vient
n
X
d−1 d−1
( − L) un = ( − L) u0 + v i1
i1 =1
¡ P ¢
donc en appliquant l’hypothèse de récurrence à u et ( − L)d−1 u0 + ni1 =1 vi1 n∈N il
vient
d−2
Ã id−1
!
X X X
l
un = Cn+l ( − L)l u0 + ( − L)d−1 u0 + v id
l=0 1≤id−1 ≤···≤i1 ≤n id =1
d−2
X X X
l
= Cn+l ( − L)l u0 + ( − L)d−1 u0 + v id
l=0 1≤id−1 ≤···≤i1 ≤n 1≤id ≤···≤i1 ≤n
 
d−2
X X X
= l
Cn+l ( − L)l u0 +  1 ( − L)d−1 u0 + v id
l=0 1≤id−1 ≤···≤i1 ≤n 1≤id ≤···≤i1 ≤n

ensae.net
Or pour p, q ∈ N on a
Donc
X
un =
1 = |{(a1 , . . . , ap )/1 ≤ a1 ≤ · · · ≤ ap ≤ q}|
1≤ip ≤···≤i1 ≤q
X
d−2
X
X
l=0
d−1
l=0
ce qui achève la récurrence.

Enfin, comme
1≤id ≤···≤i1 ≤n
= |{(a1 , a2 + 1, . . . , ap + p − 1)/1 ≤ a1 ≤ · · · ≤ ap ≤ q}|
= |{(b1 , . . . , bp )/1 ≤ b1 < · · · < bp ≤ q + p − 1}|
l
Cn+l
l
Cn+l
p
= Cq+p−1
( − L)l u0 +
v id =
n
X
d−1
( − L)l u0 + Cn+d−1
id =1


( − L)d−1 u0 +
1≤id ≤···≤i1 ≤n
id ≤id−1 ≤···≤i1 ≤n
v id
1 vid = Cnd−1
n
X
X
1≤id ≤···≤i1 ≤n
id =1
v id
v id
il vient
Pd−1 l
Pn
un = l=0 Cn+l ( − L)l u0 + Cnd−1 i=1 vi
(b) Soit A(X) = ∆(X)−1 Θ(X) ; alors
∀t ∈ Z, ( − L)d Wt+h = ψ(t) + A(L)²t+h
Donc d’après le résultat précédent pour tout h ≥ 0

d−1
X h+1
X
l−1 l d−1
∀t ∈ Z, Wt+h+1 = Ch+l ( − L) Wt + Ch+1 (ψ(t + l) + A(L)²t+l )
l=1 l=1
Or
l
X
l
(1 − X) = Clk (−1)l−k Xk
k=0
donc pour h ≥ 0 et t ∈ Z (avec la convention C·−1 = 0)
X h+1
X
l−1 k
Wt+h+1 = Ch+l d−1
Cl (−1)l+k Wt−k + Ch+1 (ψ(t + l) + A(L)²t+l )
0≤k≤l≤d−1 l=0

ensae.net
Or pour 0 ≤ k ≤ l ≤ d − 1 on a
Donc en notant A(X) =
d−1
= Ch+1
d−1
= Ch+1
d−1
= Ch+1
Donc finalement
h+1
X
l=0
h+1
X
Ã
E (Wt−k |It+1 ) − E (Wt−k |It ) = Wt−k − Wt−k = 0
Ã Ã +∞
l=0
E
+∞
X
Ã h+1 !
X
X
k=0
P+∞
k=0
ak Wt+l+1−k −
al ²t+1
l=0
k=l
Ct+1 − Ct =
ak X k
E (Wt+h+1 |It+1 ) − E (Wt+h+1 |It )

¯
¯
¯
+∞
X
!
ak Wt+l+1−k ¯ It+1 − E
¯
+∞
Ã +∞
ak Wt+l+1−k
h=0
Ã +∞
X
r
X
k=0
!
k=l+1
(1 + r)h+1
r
Ã
d−1
¯ !!
¯
¯
ak Wt+l+1−k ¯ It
¯
d−1
Ch+1
Ã h+1 !
X
al ²t+1
l=0
h+1
X
!
!
= h+1
Ch+1 al ²t+1
h=0
(1 + r) l=0
En particulier,
C est une marche aléatoire, associée au bruit blanc L−1 ²
Ainsi, aussi général que soit le modèle linéaire régissant les revenus du travail, la consom-
mation reste une marche aléatoire ; la seule hypothèse forte est de nature économique, et
postule que la fonction d’utilité instantanée est quadratique.
?
? ?

ensae.net
L’objectif est ici de mettre en pratique les méthodes habituelles de traitement des séries tem-
porelles. Il s’agit en particulier de mettre en œuvre l’identification, l’estimation et la sélection
d’un modèle pour une série brute donnée.
Remarque : Les programmes Sas réalisés pour traiter cet exercice sont à envoyer à l’issue de la
séance (dûment indentés et commentés) à Guillaume.Lacote@ensae.fr.
☞ Q1 (a) Fermer les applications qui ne sont pas strictement indispensables à l’étude des séries
temporelles linéaires (ce qui exclut Risk, Icq et Microsoft Outlook . . . ).
Télécharger depuis http://ensae.no-ip.com/SE206/ le fichier de données Donnees1 au
format Sas . 29
Lancer le logiciel Sas , commencer un nouveau programme et importer ces données.
(b) Représenter graphiquement la série XM .
Commenter.
Mettre en évidence la saisonnalité éventuelle de XM , et définir le cas échéant DeSaison
la série désaisonnalisée.
(c) Etudier les auto-corrélogrammes partiel et inverse de la série DeSaison .
Est-elle intégrée ? Définir le cas échéant DesInt , la série différenciée de DeSaison , et
réitérer le processus tant que nécessaire.
(d) Etudier les auto-corrélogrammes partiel et inverse de la série DesInt .
Proposer des ordres maximum p∗ ,d∗ et q ∗ vraisemblables pour la série DeSaison .
(e) Estimer le modèle le plus général Arima(p∗ , d∗ , q ∗ ) suivi par DeSaison .
Vérifier que ce modèle est valide.
(f) Rechercher s’il existe des sous-modèles valides du modèle Arima(p∗ , d∗ , q ∗ ) pour la série
DeSaison .
Quel modèle proposez-vous finalement de retenir pour la série XM ?
☞ Q2 En suivant une démarche analogue, proposer un modèle valide pour la série contenue dans le
fichier Donnees2.sd2.
☞ Q3 (facultative) Etudier les séries contenues dans les fichiers Base92.sd2, Champ.sd2, Lait.sd2,
Pari2.sd2, SNCF.sd2, TauxLongs.sd2, Traffic.sd2 et Viande.sd2.
29
Le fichier Donnees1.sd2 est au format Sas version 6 , le fichier Donnees1.sas7bdat au format Sas version 8
et le fichier Donnees1.txt au format texte prêt à être importé.

ensae.net
☞ Q1 (a) On suppose ici que le fichier Donnees1.sd2 est enregistré dans le dossier W :\Sas.
Le programme commencera donc par
LIBNAME Td SAS ’W :\Sas\’ ;

DATA table ;
SET Td SAS.donnees1 ;
à la suite de quoi les données contenues dans la table table enregistrée dans le fichier
W :\Sas\donnees1.sd2 sont accessibles sous le nom table .
(b) L’affichage graphique se fait au moyen de la PROC GPLOT de la façon suivante :
DATA table ;
time = N /* Permet de nommer explicitement l’axe des abscisses */ ;
PROC GLPOT ;
PLOT XM * time /* Trace XM en fonction du temps */ ;
SYMBOL I=JOIN ;
RUN ;
On observe que la série semble périodique, de période 12.

On définit en conséquence la série désaisonnalisée DeSaison au moyen de la fonction
retard LAG de la façon suivante : 30
DATA table ;
DeSaison = XM - LAG12(XM) /* LAG[n](Y)(t) = Y(t-n) */ ;
(c) Publi-information :
Auto-corrélation Ar(p) Ma(q) Arma(p,q)

décroı̂t exponentiel- décroı̂t exponentiel-
Directe ρ(h) nulle à partir de q + 1
lement vers 0 lement vers 0
Partielle r(h) nulle à partir de p + 1 ( ?) nulle à partir de p + 1
décroı̂t exponentiel- décroı̂t exponentiel-
Inverse ρi (h) nulle à partir de p + 1
lement vers 0 lement vers 0
30
Un façon habituelle de désaisonnaliser serait d’étudier la série moyennée sur une période M 12 XM = ( + L + · · · +
L )XM (voir TD 1, exercice 2 ) ; cependant sous réserve que l’on parvienne à modéliser DeSaison = ( − L 12 )XM
11
sous forme Arma le modèle final en XM sera plus simple, et c’est la démarche retenue ici. Cependant le reste de l’étude
pourrait porter sur M12 XM .

ensae.net
Les auto-corrélogrammes direct, partiel et inverse peuvent être visualisés au moyen l’option
IDENTIFY de la PROC ARIMA , de la façon suivante :
PROC ARIMA ;
IDENTIFY VAR=DeSaison NLAG=50 /* 0 <= h <= 50 */ ;
RUN ;
L’option NLAG permet de spécifier le nombre d’auto-covariances (inverses) à calculer.

On observe que les auto-corrélations inverses tendent (exponentiellement) vers zéro ; la
série DeSaison est donc apparamment stationnaire. Pour s’en assurer, on définit DesInt
la série de ses différences premières de la façon suivante :
DATA table ;
DeSaison = XM - LAG12(XM) /* LAG[n](Y)(t) = Y(t-n) */ ;
DesInt = DeSaison - LAG(DeSaison) /* LAG = LAG1 */ ;
que l’on étudie à nouveau :
PROC ARIMA ;
IDENTIFY VAR=DesInt NLAG=50 /* 0 <= h <= 50 */ ;
RUN ;
On observe que les auto-corrélations inverses ne décroissent pas exponentiellement (mais

plutôt linéairement) vers zéro, ce qui suggère que la série DesInt est sur-différenciée,
ce qui corrobore la stationnarité de DeSaison envisagée auparavant.
On se propose donc d’estimer un modèle Arma pour la série DeSaison . On sait qu’une
série Y suivant un modèle Arma(p,q) est telle que son auto-corrélation partielle est nulle
à partir de l’ordre p + 1 et son auto-corrélation directe est non-significative à partir de
l’odre q + 1. On recherche donc les premiers ordres au-delà desquels les auto-corrélations
(respectivement partielles et directes) sont toujours en-deçà du fractile à 95% de la loi
normale (à savoir 1.96), ce qui conduit à proposer pour la série DeSaison des ordres 31
d∗ = 0, p∗ = 3 et q ∗ = 2
(d) On cherche tout d’abord à estimer le modèle le plus général Arima(3,0,2) pur pour De-
Saison , au moyen de l’option ESTIMATE de la PROC ARIMA :
31
Cette identification préliminaire ne sert qu’à éviter d’estimer ensuite un modèle dont la plupart des cœfficients seront
non-significativement non-nuls. En toute rigueur, mieux vaudrait retenir les ordres plus conservatoires p ∗ = 7 et q ∗ = 7
quitte à s’assurer ensuite par un test statistique que les cœfficients au-delà de 3, 2 sont non-significativement non-nuls.
Par souci de simplicité on se place directement dans l’hypothèse ou ces tests auraient déjà été effectués.

ensae.net
PROC ARIMA ;
IDENTIFY VAR=DesInt ;
ESTIMATE METHOD = ML PLOT P=3 Q=2 ;
RUN ;
L’option METHOD=ML sélectionne la méthode d’estimation du maximum de vraisemblance ;

l’option PLOT permet d’obtenir les auto-corrélogrammes des résidus estimés, afin de
contrôler la validité du modèle.
Il faut en premier lieu s’assurer que le modèle estimé est bien un Arma, ce qui revient
à s’assurer que le résidu estimé est compatible avec l’hypothèse de bruit blanc : Sas
pratique à cet effet le test de Porte-Manteau dont le résultat est indiqué dans la section
Autocorrelation Check for White Noise . 32
Dans le cas présent le test de Porte-Manteau conduit à accepter l’hypothèse selon laquelle le
résidu est un bruit blanc, de sorte que la modélisation Arima(3,0,2) est statistiquement
légitime. En outre, les tests individuels de nullitié des cœfficients du modèle sont tous
rejetés au seuil 5%, de sorte que le modèle estimé est également valide.
(e) Sachant que le modèle Arima(3,0,2) est valide, on cherche enfin p ≤ 3 et q ≤ 2 tels que
le modèle Arima(p,0,q) soit valide. Pour ce faire on estime successivement
– un modèle Ar :
On cherche à modéliser DeSaison par un modèle Ar pur, dont on sait que l’ordre
éventuel est au plus 3. On calcule donc
PROC ARIMA ;
ESTIMATE METHOD = ML PLOT P=3 /* Implicitement, Q=0 */ ;
RUN ;
L’hypothèse selon laquelle les résidus ainsi estimés suivent un bruit blanc est acceptée,
donc on peut légitimement admettre que DeSaison suit un modèle Ar d’ordre au plus
3. Cependant le test individuel de nullité du cœfficient associé au troisième retard est
rejeté au seuil 5%.
On réestime donc un modèle Ar(2) :
PROC ARIMA ;
ESTIMATE METHOD = ML PLOT P=2 ;
RUN ;
dont le résidu estimé est toujours un bruit blanc (c’est heureux !), mais dont le second
retard n’est toujours pas significativement non-nul.
32
La colonne Prob donne la p−value associée : l’hypothèse que la variable est significativement non-nulle est acceptée
à 1 − pvalue %. Par exemple une valeur de 0.023 indique que la variable est significativement non-nulle “à 97%”, tandis
qu’une valeur de 0.452 laisse entendre que la variable n’est pas significative à 54%.

ensae.net
On estime donc finalement un modèle Ar(1) :
PROC ARIMA ;
ESTIMATE METHOD = ML PLOT P=1 ;
RUN ;
qui est toujours valide et dont tous les cœfficients sont, cette fois, significativement
non-nuls.
Ainsi la série DeSaison peut légitimement être modélisée par un modèle Ar(1).
– un modèle Ma :
On cherche à modéliser DeSaison par un modèle Ma pur, dont on sait que l’ordre
éventuel est au plus 2. On calcule donc
40 PROC ARIMA ;
ESTIMATE METHOD = ML PLOT Q=2 ;
RUN ;
L’hypothèse selon laquelle les résidus ainsi estimés suivent un bruit blanc est acceptée,
donc on peut légitimement admettre que DeSaison suit un modèle Ma d’ordre au plus
2 ; en outre tous les cœfficients sont significativement non-nuls (au seuil 5%).
Ainsi la série DeSaison peut légitimement être modélisée par un modèle Ma(2).
En définitive, la série DeSaison peut être modélisée par trois modèles statistiquement
valides, à savoir Arima(3,0,2), Arima(1,0,0) et Arima(0,0,2).
Le critère de parcimonie, selon lequel un modèle comprenant strictement moins de cœffi-
cients est toujours préférable, conduit nénanmoins à rejeter le modèle Arima(3,0,2) qui
est un sur-modèle strict à la fois du modèle Ar(1) et du modèle Ma(2).
Pour arbitrer enfin entre ces deux derniers modèles, on peut recourir à un critère informa-
tionnel, qui met en rapport la vraisemblance du modèle estimé et le nombre de paramètres
nécessaires pour l’estimer. Le critère d’Akaike ( AIC ) arbitre en l’occurence en faveur du
modèle Ma(2), que l’on rentiendra finalement.
(f) En conclusion, on peut raisonnablement proposer pour la série d’origine le modèle
( − L12 )(XM − 0, 377) = ( − 0, 286L + 0, 231L2 )²
où ² est un bruit blanc de variance σ²2 ' 0, 233.

☞ Q2
☞ Q3
?
? ?

ensae.net
On considère un processus (Xt )t≥0 vérifiant le modèle Arima canonique
t Xt+h
( − L)d Θ(L)X = ∆(L)²
de conditions initiales Z données33 et orthogonales à (²t )t≥0 , bruit blanc de variance σ²2 .
On s’intéresse à la prévision linéaire optimale d’horizon h ≥ 0
= EL (Xt+h |Xt , Xt−1 , . . . , X0 , Z)
☞ Q1 Montrer que (t Xt+h )h>q suit la récurrence linéaire de polynôme (1 − X)d Θ.

En déduire (t Xt+h )h∈N pour h ≥ 1 en fonction de Xt et t Xt+1 lorsque d = 1, Θ(X) = (1 − 21 X)
et ∆(X) = 1 − 45 X.
☞ Q2 Soit eh = Xt+h − t Xt+h l’erreur de prévision d’horizon h ≥ 0.

(a) Montrer que eh ∈ h²t+1 , . . . , ²t+h i pour h ≥ 0.
(b) Montrer qu’il existe une suite (ah )h telle que
∀h ≥ 0, eh = a0 ²t+h + · · · + ah−1 ²t+1
et que (ah )h≥q suit la récurrence de polynôme (1 − X)d Θ(X).

Calculer (ah )h dans l’exemple précédent.
(c) Calculer (V (eh ))h∈N et en donner un équivalent pour h → +∞ lorsque d ≥ 1.

Calculer (V (eh ))h∈N dans l’exemple précédent.
☞ Q3 En supposant que ² est un bruit blanc gaussien, déterminer un intervalle de prévision de X t

d’horizon h ≥ 1 fiable à 95%.
Donner l’intervalle d’horizon 2 à 95% lorsque xt = 12, t xt+1 = 10 et σ²2 = 1.
33
Z est donc un vecteur comprenant d + d◦ Θ valeurs initiales de X et d◦ ∆ valeurs initiales de ².

ensae.net
☞ Q1 Notons (1 − X)d Θ(X) =
Alors pour tout h ≥ 0
et donc pour tout h > q
t Xt+h
= −
= −
p+d
X
X
i=1
Pp+d
i=1 αi Xi et ∆(X) =
Xt+h = −
= EL ( Xt+h | Xt , . . . , X0 , Z)
p+d
p+d
X
i=1
Pq
αi EL (Xt+h−i | Xt , . . . , X0 , Z) +
car ² est l’innovation de X
αi t Xt+h−i +
i=1
Xq
0 car h > q
i=0
i=0 δi X
αi Xt+h−i +
q
X
q
X
i
i=0
i=0
.
δi ²t+h−i
δi EL  ²t+h−i | Xt , . . . , X0 , Z 
Ainsi à t fixé (t Xt+h )h suit pour h > q la récurrence linéaire de polynôme caractéristique
(1 − X)d Θ(X).
Θ(X) = (1 − 12 X) est bien sous forme canonique car 2 > 1 est sa seule racine, et il en va de
| {z }
=h²t ,...,²0 ,Zi

même pour ∆(X) = 1 − 45 X.

Par ailleurs (1 − X)Θ(X) = 1 − 32 X + 21 X2 donc pour h ≥ 2
3 1
t Xt+h = t Xt+h−1 − t Xt+h−2
2 2
Donc il existe α, β tels que pour tout h ≥ 0
µ ¶h
h 1
t Xt+h = α1 + β
2
Des valeurs initiales pour h ∈ {1, 2} on tire alors

½
h = 1 : α + 12 β = t Xt+1
h = 2 : α + 14 β = t Xt+2
d’où ½ 1
α= 3
(4 t Xt+2 − t Xt+1 )
4
β= ( X − t Xt+2 )
3 t t+1
et donc finalement
∀h ≥ 1, t Xt+h = 13 (4 t Xt+2 − t Xt+1 ) + 1

3·2h−2
(t Xt+1 − t Xt+2 )

ensae.net
☞ Q2 (a) On a pour h ≥ 0
en notant ∆(X) =
Or
donc
eh = Xt+h − t Xt+h
Pq
=
i=0 δi X
eh =
eh =
p+d
X
i=1
i 34
.
αi (Xt+h−i − t Xt+h−i ) +
(Xt+h−i − t Xt+h−i ) =
Pmin(h,p+d)
i=1
Procédons alors par récurrence sur h ≥ 0 :

– on a e0 = 0 ∈ h²t+1 , . . . , ²t+h i = h0i
i=1
αi
αi eh−i +
½
et+h−i
| {z }
0
eh−i
Pmin(q,h−1)
– soit alors h ≥ 1 tel que ∀i < h, eh−i ∈ h²t+1 , . . . , ²t+h−i i ; alors

min(h,p+d)
i=0
∈h²t+1 ,...,²t+h−i i
+
min(q,h−1)
X
i=0
si h ≤ i
si h > i
δi ²t+h−i
δi ²t+h−i
min(q,h−1)
X
i=0
δi ²t+h−i
∈ h²t+1 , . . . , ²t+h i

Autre méthode :
On sait que Xt+h ∈ h²t+h , . . .i car ² est l’innovation de X. Par ailleurs, EL (Y |²t , . . .) étant |=
la projection orthogonale de Y sur h²t , . . .i, (Y − EL (Y |²t , . . .)) ∈ h²t , . . .i .
Or ² est un bruit blanc donc (²t+h , . . .) est une famille orthogonale, et donc dans h²t+h , . . .i
l’orthogonal de h²t , . . .i est h²t+h , . . . , ²t+1 i de sorte que finalement
eh = (Xt+h − t Xt+h ) ∈ h²t+1 , . . . , ²t+h i
(b) On a e0 = 0 et e1 = ²t+1 . Définissons donc par récurrence (ah )h∈N par


 a0 = P 1
min(h,p+d)
ah = (δ + αi ah−i ) si h ∈ J1, q + 1K
 Pmin(h,p+d)i
i=1
ah = i=1 αi ah−i sinon
Montrons alors par récurrence sur h que ∀h ≥ 1, eh = a0 ²t+h + · · · + ah−1 ²t+1

– On a e1 = ²t+1 = a0 ²t+1 puisque a0 = 1 par définition.
34
² est l’innovation de X, donc hXt−1 , . . .i = h²t−1 , . . .i, donc il n’y a pas de terme en ²t+h−i lorsque h − i ≤ 0.

ensae.net
– Soit alors h ≥ 2 tel que ∀l ∈ J0, h − 1K, el = a0 ²t+l + · · · + al−1 ²t+1 ; montrons que
eh = a0 ²t+h + · · · + ah−1 ²t+1 .
Alors
eh =
=
min(q,h−1)
X
k=0
min(q,h−1)
X
k=0
min(q,h−1)
X
k=0
min(q,h−1)
X
k=0
min(q,h−1)
X
k=0
min(q,h−1)
X
k=0
δk ²t+h−k +
δk ²t+h−k +
δk ²t+h−k +
δk ²t+h−k +
δk ²t+h−k +

δk +
X
min(h,p+d)
h−1
X
l=1
X
i=1
min(h,p+d)
X
i=1
1≤i≤min(k,p+d)

X
αi eh−i
αi 
X

1≤i≤min(h,p+d) i≤l≤h−1
h−1
l=1 1≤i≤min(h,p+d,l)

X
1≤i≤min(l,p+d)
(h−i)−1
X
j=0

aj ²t+(h−i)−j 
αi al−i ²t+h−l
αi al−i ²t+h−l
αi ak−i  ²t+h−k +

αi al−i  ²t+h−l

h−1
X
par hypothèse de récurrence
l=min(q,h−1)+1


X
1≤i≤min(l,p+d)

αi al−i  ²t+h−l
h−1
X
= ah−k ²t+h−k
k=0

Ainsi lorsque h ≥ q, la suite (ah )h suit la récurrence linéaire de polynôme (1 − X)d Θ(X).
On a tout d’abord
µ ¶ µ ¶
3 1 4 3 1 4
e1 = Xt − Xt−1 + ²t+1 − ²t − Xt − Xt−1 − ²t = ²t+1
2 2 5 2 2 5
ce dont on tire a0 = 1.
De même
3 4
e2 = e1 + ²t+2 − ²t+1
2 5
et donc a1 = 32 a0 − 45 = 10
7
Puis pour h ≥ 3 on a ah = 32 ah−1 − 21 ah−2 . Or les racines de 1 − 23 X − 12 X2 sont 1 et 21 ,

donc il existe α, β tels que pour tout h ≥ 0
µ ¶h
1h
ah = α1 + β
2

ensae.net
et des valeurs initiales
on tire finalement
(c) On a pour h ≥ 0
½
h=0 : α+β =1
h = 1 : α + 12 β = 10
∀h ≥ 0, ah =
V (eh ) = V
=
h−1
X
k=0
Ã h−1
Ã h−1
X
X
k=0
7
k=0
2
5
+ 3 1
5 2h
ak ²t+h−k
ak 2 V (²t+h−k )
ak 2
!
Il ne reste plus alors qu’à déterminer un équivalent en k de ak , puis en h de

σ²2
Comme (ak )k∈N suit la récurrence de polynôme (1 − X)Θ(X) dont 1 est racine, on montre
³P ´
!
³P
h−1
k=0 a k
2
´
.
h−1 2
que a αh2d−1 avec α > 0.
k=0 k
h^ → +∞
Notons en effet λ1 , . . . , λr , r ≤ p, les racines de Θ(X), 35 et soit β0 , β1 , . . . , βr ∈ R[X] tels que
∀h ≥ q, ah = β0 (h)1h + β1 (h)λh1 + · · · + βr (h)λhr , avec d◦ β0 = d − 1 et ∀i ∈ J1, rK, d◦ βi ≤ p.
Alors pour h ≥ 0
h−1
Ã r
!2
X X
V (eh ) = β0 (k) + βi (k)λki σ²2
k=0 i=1
 Ã !2 
h−1
X X h−1
r X h−1
X r
X
= σ²2  β0 (k)2 + 2 β0 (k)βi (k)λki + βi (k)λki 
k=0 i=1 k=0 k=0 i=1
Notons alors ρ le cœfficient de plus haut degré (d − 1) de β0 ; ainsi comme d ≥ 1 on a

Ph−1
β0 (h) ρhd−1 . Soit par ailleurs i ∈ J1, rK ; montrons que k=0 β0 (k)βi (k)λki =h→+∞
h ^
→ +∞
³P ´
h−1
0 β
k=0 0 (k) .
Soit mi un majorant de tous les cœfficients de βi (en valeur absolue), et notons di = d◦ βi .
35
Prises deux-à-deux distinctes ; elles sont en outre toutes de module inférieur à 1, et notamment différentes de 1.

ensae.net
Alors
Enfin, comme
¯ h−1
¯X
¯
¯
¯
Ph−1
k=0
k=0
De la même façon on a pour i ∈ J1, rK
h−1
X
k=0
En définitive, comme β0 (k)2

Ã r
X
i=1
k¯
h−1
X
k=0
¯
¯
β0 (k)βi (k)λi ¯ ≤
¯
h−1
X
k=0
≤ d i mi
k di λki =h→+∞ O(1)

¡
Ã h−1
X
β0 (k)
β0 (k)βi (k)λki =t→+∞ O
βi (k)λki
k^
→ +∞
!2
Ph−1 ¡
≤ max
i
¢
β0 (k) di mi k di λki
! Ã h−1
36
X
on a finalement
Ã h−1
X
k=0
k di λki
β0 (k)
h−1
X
k=0
!
!
k=0
βi (k)λki
¡
k=0
¢2
ρ2 k d−1 on a (par Césaro)

¢2
k=0
=h→+∞ O(1), et donc
r2 βi (k)λki =h→+∞ O(1)
Ph−1
V (eh ) β0 (k)2 ρ2 h2d−1 −−−−→ +∞
h^
→ +∞ k=0
h^
→ +∞ h→+∞
36
On a
h−1
X +∞
X
k di λki ≤ k di λki
k=0 k=0
Or en divisant Xdi suivant les puissances croissantes il vient qu’il existe (ν0 , . . . , νdi −1 ) tel que ∀k ∈ N, k di = ν0 k(k −
1) · · · 1 + ν1 (k − 1)(k − 2) · · · 1 + · · · + νdi −1 1 et donc
+∞
X i −1
+∞ dX
X
k di λki = νj j!k j λki
k=0 k=0 j=0
i −1
+∞ dX
X µ ¶
∂j ¡ k
¢
= νj x →
7 x (λi )
∂xj
k=0 j=0
i −1
dX µ µ ¶¶
∂j 1
= νj x 7→ (λi ) car la série converge normalement
j=0
∂xj 1−x
i −1
dX
−1−j
= νj (1 − λi )
j=0
< +∞

ensae.net
Autrement dit, il faut se limiter à des horizons de prévision raisonnables.
On a ici pour h ≥ 0
☞ Q3 On a pour h ≥ 0 eh =
V (eh ) =
Ph−1
=
=
h µ
X
i=0
Xh
i=0
µ ¶2
2
5
4 2
2
+
5
31
5 5 2i
Ãµ ¶
2
2
hσ²2 +
σ h +
25 ²
+2
12
25
¶2
µ
2 3
µ
2 31
5 52
1
2
−
1
i
2
5 5 1 − 21
¶ µ ¶2 !
1
h
2 − h − h σ²2
+
1
4
¶
3
µ ¶2
3
5
1
5 4i
1 −
ai ²t+h−i , et ² est un bruit blanc gaussien. Donc

i=0
(Xt − t Xt+h ) = eh ; N 0,
Ã Ã h−1 ! !
X
a2i σ²2
Par conséquent un intervalle de confiance Iα (h) d’horizon h, qui est tel que
P (Xt+h ∈ Iα (h)) = 1 − α
4
1
1 − 41
h
i=0
!
σ²2
37
est
· qP ¸
N (0,1) h−1
Iα (h) = t Xt+h ± q1− α i=0 a2i σ²
2
N (0,1) α
où q1− α désigne le fractile à 1 − 2
% de la loi normale centrée réduite.
2
On a
1
t Xt+2 = (2 · 10 − 12) + (12 − 10) = 9
22−1
et de plus Ã µ ¶2 !
¡ ¢ 7
V (e2 ) = a20 + a1 σ²2 =
2
1+ · 1 = 1.49 ' 1.222
10
et donc
I95% (2) ' [ 7.78 , 10.22 ]
?
? ?
37
La somme de deux normales indépendantes est une normale, d’espérance leur somme et de variance leur somme.

ensae.net
¥ Partie 1
On considère un processus X stationnaire vérifiant le modèle Arma(1,1) canonique
☞ Q2 L’observation
X̂
t t+1 = k=1 ak Xt+1−k .
( − φL)X = ( − θL)²
On s’intéresse pour t ∈ Z à la prévision linéaire optimale d’horizon 1
= EL (Xt+1 |Xt , Xt−1 , . . .)

t Xt+1
Exprimer t X̂t+1 en fonction de Xt et t−1 X̂t .
☞ Q3 On définit et = σ2 E
1
µ³
²
Xt − t−1 X̂t
Exprimer et+1 en fonction de et .
☞ Q4 Calculer γX (0) puis e0 .
´2 ¶
P P
☞ Q1 Montrer qu’il existe une série absolument convergente k ak telle que t Xt+1 = +∞
et donner son terme général.
k=1 ak Xt+1−k
Pt+1 de (Xt )t<0 étant impossible, on définit pour t ∈ N la prévision linéaire empirique
l’erreur relative de la prévision tronquée.
En déduire l’expression de (et )t .

µ³ ´2 ¶
☞ Q5 Que dire de l’erreur de la prévision tronquée E Xt − t−1 X̂t lorsque t → +∞ ?
¥ Partie 2
On considère désormais à un processus (Xt )t≥0 vérifiant le modèle Arima(1,1,1) canonique
( − L)( − φL)X = ( − θL)²
de condition initiale Z = (X−1 , X−2 , ²−1 ) orthogonale à (²t )t≥0 bruit blanc de variance σ²2 .
P
☞ Q1 Montrer qu’il existe une série absolument convergente k ak et une fonction f : N → R3 telles
que
X t
∀t ∈ N, Xt = ak Xt−k + ²t + Z × f (t)
k=1
L2
Montrer qu’en outre Z × f (t) −−−−→ (0).
t→+∞
Pt+1
☞ Q2 On définit de nouveau la prévision linéaire empirique t X̂t+1 = k=1 ak Xt+1−k .
Exprimer t X̂t+1 en fonction de Xt , Xt−1 et t−1 X̂t .
µ³ ´2 ¶
☞ Q3 Soit et = σ2 E
1
Xt − t−1 X̂t l’erreur de prévision relative.
²
Exprimer et+1 en fonction de et , et en déduire l’expression de et .

ensae.net
☞ Q4 Que dire cette fois de l’erreur de la prévision tronquée E
car h²t , . . .i = hXt , . . .i

Par ailleurs
t Xt+1
µ³
Xt −
= EL (Xt+1 |Xt , Xt−1 , . . .)

= EL (φXt + ²t+1 − θ²t |Xt , Xt−1 , . . .)
= φXt − θ²t
²t = ( − θL)−1 ( − φL)Xt
= ( − φL)
Ã +∞
X
!
θ k Lk ◦ X t
k=0
t−1 X̂t
´2 ¶
lorsque t → +∞ ?
+∞
X
= Xt + θk−1 (θ − φ)Xt−k
k=1
Donc en définitive
+∞
X
t Xt+1 = (φ − θ)Xt − θ θk−1 (θ − φ)Xt−k
k=1
+∞
X
= θk (φ − θ)Xt−k
k=0
+∞
X
= θk−1 (φ − θ)Xt+1−k
k=1
et on pose donc pour tout k ∈ N
ak = θk−1 (φ − θ)
P
La série k≥1 ak est alors absolument convergente car |θ| < 1 car le modèle est sous forme
canonique.

ensae.net
☞ Q2 On a pour t ∈ N
et+1 =
=
1
σ²2
1
σ²2
1
σ²2
1
σ²2
1 ³
σ²2
E
E
µ³
µ³
µ³
µ³
V (²
t X̂t+1
Xt+1 − t X̂t+1
t+1 − θ²
³
t ) +
0
= θ (φ − θ)Xt +
= (φ − θ)Xt + θ
= (φ − θ)Xt + θ t−1 X̂t
´2 ¶
Xt+1 − (φ − θ)Xt − θ t X̂t−1
2θCov
³
(Xt+1 − φXt ) + θ Xt − t X̂t−1
(²t+1 − θ²t ) + θ Xt − t−1 X̂t

³
´´2 ¶
´´2 ¶
´´2 ¶
²t+1 − θ²t , Xt −
t+1
X
k=2
Xt
k=1
θk−1 (φ − θ)Xt+1−k
θk−1 (φ − θ)Xt−k
t−1 X̂t
´ ³
+ θ 2 V Xt − t−1 X̂t
´´
2
= (1 + θ 2 ) + 2 Cov (−θ²t , θXt ) + θ2 et
σ² | {z }
−θ 2 σ²2
= (1 − θ2 ) + θ2 et
γX (0) = V (Xt )
¡ ¢
= E Xt 2
¡ ¢
= E (φXt−1 + ²t − θ²t−1 )2
¡ ¢
= E (φXt−1 + ²t − θ²t−1 )2
¡ 2 ¢ ¡ ¢
= φ2 E Xt−1 + 0 − 2φθE (Xt−1 ²t−1 ) + E (²t − θ²t−1 )2 car ²t
|=
Xt−1
¡ ¢
= φ2 γX (0) − 2θφσ²2 + 1 + θ2 σ²2
Par conséquent comme |φ| < 1 (car le modèle est canonique) il vient
1−2θφ+θ 2 2
γX (0) = 1−φ2
σ²

ensae.net
Par suite, on a
de sorte que
Donc en définitive
e0 =
=
1
σ²2
E
σ²2
µ³
1 ¡ 2¢
σ²2
E X0
γX (0)
X0 − −1 X̂0
1 − 2θφ + θ 2
1 − φ2
´2 ¶
car −1 X̂0 = EL (X0 |∅) = E (X0 ) = 0
Or par ailleurs et+1 = θ2 et + (1 − θ 2 ) ce qui s’écrit encore
(et+1 − 1) = θ 2 (et − 1)
et = θ2t (e0 − 1) + 1
et = 1 + θ2t (θ−φ)2
1−φ2
³³ ´´
☞ Q5 En particulier, l’erreur absolue de la prévision d’horizon 1 tronquée E Xt − t−1 X̂t
converge vers σ²2 lorsque t → +∞, puisque |θ| < 1 puisque le modèle est canonique.
Remarquons en outre que la vitesse de convergence est géométrique (i.e. rapide), et que
l’erreur est toujours supérieure à σ²2 si θ > 0.
(θ−φ)2
Notons enfin que l’erreur maximale 1 + 1−φ2
est une fonction croissante de θ ∈] − 1, 1[ et
de φ ∈] − 1, 1[. 38
☞ Q1 On a pour tout t ∈ N
Xt = (φ + 1)Xt−1 − φXt−2 + ²t − θ²t−1
P
Construisons par récurrence (ak )k∈N et (f (t))t∈N tels que ∀t ∈ N, Xt = tk=1 ak Xt−k + ²t + Z ×
f (t).    
φ+1 φ+1
– On a X0 = ²0 + (X−1 , X−2 , ²−1 ) ×  −φ , et on pose donc f (0) =  −φ 
−θ −θ
– On a
X1 = (φ + 1)X0 − φX−1 + ²1 − θ²0
Or par ailleurs ²0 = θ²−1 + X0 − (φ + 1)X−1 + φX−2 et donc finalement
 
θφ + θ − φ
X1 = (φ + 1 − θ)X0 + (X−1 , X−2 , ²−1 ) ×  −θφ 
2
−θ
38
Elle est décroissante en φ au-delà de θ1 , mais φ < 1 < θ1 .

ensae.net
et on pose
a1 = φ + 1 − θ
Xt+1 = (φ + 1)Xt − φXt−1 + ²t+1 − θ²t

Ã
= (φ + 1)Xt − φXt−1 + ²t+1 − θ Xt −
= (φ + 1 − θ)Xt + (θa1 − φ)Xt−1 + θ

et f (1) = 
Construisons alors at+1 et f (t + 1) tels que at+1 = θat et Xt+1 = t+1

f (t + 1).
On a
Posons donc at+1 = θat et f (t + 1) = θf (t) ; alors par construction
Xt+1 =
t+1
X
k=1
P

θφ + θ − φ
−θφ
−θ 2
t
X
k=2
ak Xt+1−k + ²t+1 + Z × f (t + 1)
t
X
k=1


– Soit alors t ≥ 2 tel que a1 , . . . , at soient construits et f (0), . . . , f (t) définis ; supposons en
outre que ∀l ∈ J3, tK, al = θal−1 . 39
k=1 ak Xt+1−k + ²t+1 + Z ×
ak Xt−k − Z × f (t)
ak Xt−k + θZ × f (t) + ²t+1

!
ce qui achève la récurrence. P

On construit ainsi (ak )k≥0 et f tels que ∀t ∈ N, Xt = tk=1 ak Xt−k + ²t + Z × f (t).
 
θφ + θ − φ
En outre, on a pour k ≥ 1 ak+1 = θk−1 a2 et pour t ≥ 1 f (t) = θ t−1  −θφ .
2
−θ
P
En particulier, la série k ak est absolument convergente puisque |θ| < 1 (le modèle étant sous
forme canonique).
Par ailleurs pour t ≥ 1
kZ × f (t)k2 ≤ |θ|t−1 kZ × f (1)k2 −−−−→ 0

t→+∞
car Z borné et |θ| < 1, c’est-à-dire

L2
Z × f (t) −−−−→ (0)
t→+∞
39
Cette hypothèse, gratuite lorsque t = 2, est nécessaire conduire la récurrence dès que t ≥ 3, car le calcul ci-dessous
requiert la forme explicite des ak pour k < t.

ensae.net
☞ Q2 On a pour t ≥ 2
t X̂t+1 =
t+1
X
k=1
= a 1 Xt +
= a 1 Xt +
= a 1 Xt +
ak Xt+1−k
= a1 Xt + a2 Xt−1 +
t+1
X
k=2
X
Ã
t
k=1
= a1 Xt + a2 Xt−1 + θ
= a1 Xt + a2 Xt−1 + θ
=
ak Xt+1−k
ak+1 Xt−k
a2 Xt−1 +
t
X
k=2
X
t
X
k=2
k=2
³
ak+1 Xt−k
!
θ(k+1)−2 a2 Xt−k
¡ ¢
θk−2 a2 Xt−k
t−1 X̂t − a1 Xt−1
a1 Xt + (a2 − a1 )Xt−1 + θ t−1 X̂t

´
☞ Q3 On a pour t ≥ 0
Xt+1 = (φ + 1)Xt − φXt−1 + ²t+1 − θ²t
et donc pour t ≥ 2
Xt+1 − t X̂t+1 = (φ + 1 − a1 )Xt + (a2 − a1 − φ)Xt−1 + θ t−1 X̂t + ²t+1 − θ²t
Or par définition de a, a1 = φ + 1 − θ et a2 = θa1 − φ, donc

³ ´
Xt+1 − t X̂t+1 = θ Xt − t−1 X̂t + ²t+1 − θ²t
et donc
et+1 = θ2 et + (1 − θ 2 )
Par conséquent
 
 1 µ³ ´2 ¶ 
2t 2(t−1)  
et = θ (e0 − 1) + 1 = θ  2E X1 − 0 X̂1 − 1 + 1
 σ² 
| {z }
e1

ensae.net
☞ Q4 Enfin,
E
µ³
X1 − 0 X̂1
´2 ¶ ¡
= E (²1 + Z × f (1))2
¡




= 


¢
= E (²1 + ²−1 + (θ + θφ − φ)X−1 + θφX−2 )2


(θ + θφ − φ)2
θ 2 φ2
(θ2 + 1)
 −2θφ(θ + θφ − φ)
 −2θ2 (θ + θφ − φ)
2θ3 (θ + θφ − φ)
¢
0
 
 
 
 
 ×
 
 ¡ 2 ¢
E ¡X−1
E X−2
σ²2
2
  Cov (X−1 , X−2 )

 
  Cov (X−1 , ²−1 )
Cov (X−2 , ²−1 )
¢
Ainsi en général même si l’erreur de prévision absolue Xt − t−1 X̂t converge vers σ²2 , elle dépend
à horizon fini non seulement de σ²2 mais aussi de la variance-covariance des conditions initiales
Z.
? ?
?











ensae.net
On considère une série réelle observée (yt )t∈J0,200K pour laquelle on cherche une représentation
stationnaire, et dont la représentation est la suivante :
☞ Q1 Justifier le modèle où y est la réalisation d’un processus Y non-stationnaire vérifiant
∀t ∈ Z, Φ(L)Yt = µ + βt + ²t
où ² est un bruit blanc de variance σ²2 à déterminer.

☞ Q2 Montrer qu’il existe un polynôme Φ∗ tel que Y vérifie
∀t ∈ Z, ∆Yt = µ + βt + φYt−1 + Φ∗ (L)∆Yt + ²t
où ∆ = − L.
☞ Q3 On réalise alors la régression de ∆Yt sur h1, t, Yt−1 , ∆Yt−1 , . . . , ∆Yt−8 i ; l’estimation des para-
mètres est la suivante (où LX désigne la série (Yt−1 )t∈Z et LY i désigne la série (∆Yt−i )t∈Z
):

ensae.net
La modélisation proposée est-elle raisonnable ?
☞ Q4 Justifier le modèle où y est la réalisation d’un processus Y stationnaire vérifiant
∀t ∈ Z, ∆Yt = µ + βt + φYt−1 + φ1 ∆Yt−1 + ²t
On s’appuiera pour ce faire sur

(a) Le test de φ∆Yt−4 = · · · = φ∆Yt−8 = 0 dans le modèle à 8 retards :
(b) La régression de ∆Yt sur h1, t, Yt−1 , ∆Yt−1 , . . . , ∆Yt−3 i :
(c) Le test de φ∆Yt−2 = · · · = φ∆Yt−8 = 0 dans le modèle à 8 retards :

ensae.net
(d) La régression de ∆Yt sur h1, t, Yt−1 , ∆Yt−1 i :
(e) Les auto-corrélations directes du modèle final
(f) Les auto-corrélations inverses du modèle final
(g) Les auto-corrélations partielles du modèle final

ensae.net
(h) Le test de Porte-Manteau du bruit blanc du modèle final :
☞ Q5 Montrer que le modèle retenu s’écrit
et exprimer ρ en fonction de φ.
( − ρL)Yt = µ + βt + φ1 ∆Yt−1 + ²t
☞ Q6 Tester l’hypothèse “H01 : β = 0 et ρ = 1” en utilisant les tables suivantes :
(a)
(b)
(c)

ensae.net
(d)
(e)
☞ Q7 Tester finalement l’hypothèse “H02 : µ = 0, β = 0 et ρ = 1” et conclure.

ensae.net
☞ Q1 L’observation de la série fait apparaı̂tre une tendance déterministe linéaire : la série observée
est “assez proche” d’une certaine droite ȳt = a + bt.
Si l’on admet, comme le suggère son graphe, qu’à cette composante déterministe près elle est
en outre stationnaire du second ordre, alors le processus Y dont elle est la réalisation admet
une représentation auto-régressive infinie de la forme
Or, à supposer que Φ(X) =

P+∞
k=0
Φ(L) ◦ (bt)t = b
Φ(L)(Yt − a − bt) = ²t
φk Xk ainsi que sa dérivée sont de rayon supérieur à 1 on a
= b
+∞
X
k=0
Ã +∞
X
k=0
φk (t − k)
φk
!
t−b
Ã +∞
X
k=0
kφk
!
0
= bΦ(1)t − bΦ (1)
Comme Φ(L) ◦ (a) = Φ(1) × a il vient en notant µ = a − bΦ0 (1) et β = bΦ(1)
Φ(L)Yt = µ + βt + ²t
En pratique, on se contente de chosir Φ de degré fini mais assez grand pour que ² soit signifi-
cativement un bruit blanc.
☞ Q2 Afin de tester la présence éventuelle d’une racine unitaire, on cherche à factoriser ”de force”
Φ(L) par − L (transformation de Beveridge-Nelson, voir TD 4, exercice 1
) : pour ce faire on effectue la division euclidienne Φ(X) par 1 − X ce qui s’écrit, comme 1 est
racine de Φ(X) − Φ(1) 40
Φ(X) − Φ(1)
Φ+ (X) = ∈ R[X], d ◦ Φ+ ≤ d ◦ Φ − 1
(1 − X)
Alors
Φ(X) = Φ(1) + (1 − X)Φ+ (X)
40
Cette opération
PNn’est normalement définie que pour les polynômes, i.e. lorsque Φ est de degré fini. Si d ◦ Φ = +∞ on
définit ΦN (X) = k=0 φk X dont on tire Φ+
k
N (X) pour N ≥ 1, dont on montre qu’elle est convergente de rayon supérieur
à 1.

ensae.net
et donc
Φ(L)Y = Φ(1) × Y + ( − L) · Φ+ (L) ◦ Y

= Φ(1) × Y + Φ+ (L) ◦ ∆Y


Φ(0)−Φ(1)
= Φ(1) × Y + (1 − Φ(1)) × ∆Y − Φ∗ (L) ◦ ∆Y

= ∆Y + Φ(1)LY − Φ∗ (L) ◦ ∆Y
et comme par ailleurs Φ(L)Yt = µ + βt + ²t il vient en définitive

}

= Φ(1) × Y + Φ+ (0) × ∆Y + Φ+ (L) − Φ+ (0) ◦ ∆Y
| {z } | {z
∆Yt = µ + βt + Φ∗ (L)∆Yt − Φ(1)Yt−1 + ²t
qui est bien le modèle recherché en posant φ = −Φ(1).

Notons que par construction Φ∗ (0) = 0, donc Φ∗ (X) ne contient que des puissances stricement
−Φ∗ (L)
positives de X, et donc Φ∗ (L) ◦ ∆Yt ne contient que des valeurs passées ∆Yt−1 , ∆Yt−2 , . . . de
∆Yt .
Tester si le modèle est intégré, c’est tester si Φ(1) = 0 ; sous cette forme cela revient juste à
tester si le cœfficient φ de Yt−1 est non-significativement non-nul.

Il aurait été possible de pratiquer une telle régression directement sur l’équation en Y t au lieu
de celle en ∆Yt ; mais comme Y n’est pas stationnaire, Cov (Yt , Yt+h ) est significative pour tout
h, donc la régression aurait dû comporter une infinité de variables explicatives (Y t−h )h≥1 . . . A
l’inverse si ∆Y est stationnaire, un nombre fini d’explicatives peut suffire.
☞ Q3 Il est tout d’abord nécessaire de déterminer Φ tel que le modèle soit vérifié. Pour ce faire on
choisit un degré arbitrairement grand pour Φ (ici 9) 41 et on vérifie que le modèle estimé par la
régression des moindres carrés ordinaires 42 est statistiquement valide ; dans le cas présent, le
R2 ajusté (qui vaut 0, 5129) assure que le modèle capture une part suffisante de la variance, et
donc que suffisamment de variables explicatives ∆Yt−1 , ∆Yt−2 , . . . ont été introduites.
Remarquons que lorsque ∆Y est stationnaire, les cœfficients de la régression sont donc aympto-
tiquement normaux, ce qui justifie l’emploi du test de Student pour tester leur significativité. 43
En l’occurence, on observe que les cœfficients de la régression sur ∆Yt−4 , . . . , ∆Yt−8 ne sont
(individuellement) pas significativement non-nuls (colonne Prob > |τ | ).
Ainsi la modélisation proposée est valide mais le modèle estimé ici n’est pas significatif.
☞ Q4 (a)
(b)
(c)
41
Car 8 = d◦ Φ∗ = d◦ Φ+ = d◦ Φ − 1.
42
Puisque ² est censé être un bruit blanc.
43
En toute généralité il serait possible que ∆Y ne soit pas stationnaire, auquel cas l’emploi du test de Student serait
inadapté.

ensae.net
(d)
(e)
(f)
(g)
(h) On se propose donc de déterminer le sous-modèle minimal qui soit totalement significatif.
Remarque : Bien que l’on observe à ce stade que le cœfficient en Yt−1 est significativement non-
nul, on ne peut pas en déduire qu’il le sera aussi dans le sous-modèle où tous les cœfficients
sont significatifs.44 Il est nécessaire de déterminer ce sous-modèle et d’y tester la significativité
du cœfficient en Yt−1 .
– Compte-tenu de la régression précédente, on teste la nullité simultanée des cœfficients

de ∆Yt−4 , . . . , ∆Yt−8 dans la régression. En l’occurence, l’hypothèse H0 : “ φ∆Yt−4 =
· · · = φ∆Yt−8 = 0 ” est acceptée car la statistique de Fisher associée vaut 0,7841 .
– On effectue donc la régression de ∆Y sur h1, t, Yt−1 , ∆Yt−1 , . . . , ∆Yt−4 i, et on observe
que le modèle ainsi estimé est valide (ce qui est heureux).
Il apparaı̂t cependant que les cœfficients de ∆Yt−2 et de ∆Yt−3 sont individuellement
non-significativement non-nuls.
– On effectue donc le test de la nullité simultanée de ces cœfficients en formulant l’hypo-
thèse H0 : “ φ∆Yt−2 = · · · = φ∆Yt−8 = 0 ”.
Remarque : Noter que tester successivement
i. la nullité simultanée des cœfficients de ∆Yt−4 , . . . , ∆Yt−8
dans la régression sur h1, t, Yt−1 , ∆Yt−1 , . . . , ∆Yt−8 i
ii. puis la nullité simultanée des cœfficients de ∆Yt−2 et ∆Yt−3
dans la régression sur h1, t, Yt−1 , ∆Yt−1 , . . . , ∆Yt−3 i
est moins robuste statistiquement que de tester directement la nullité simultanée des cœfficients
de ∆Yt−2 , . . . , ∆Yt−8 dans la régression sur h1, t, Yt−1 , ∆Yt−1 , . . . , ∆Yt−8 i.
En l’occurence, l’hypothèse est acceptée car la statistique de Fisher associée vaut
0,6597
44
La statistique de Student du cœfficient β dans la régression ordinaire
Y = αX 1 + βX 2 + γX 3 + U
est
β̂ − β0
tX 2 = q
c2
σ 2
 
α
c2 désigne le terme diagonal de la matrice de variance-covariance Σ de  β .
où σ 2
γ
3
Or rien ne dit que cette matrice ne dépend pas de X , même ¡ 2 si γ3 ¢est non-significativement non-nul : comme β̂ =
0 20 3 0 3 −1 3 0
(X 2 ¡X 2 )−1 X
¢ Y et γ̂ = (X X ) X Y pour peu que Cov X , X 6= 0, la matrice Σ dépendra de γ̂ (au sens ou
Cov Σi,3 , γ̂ 6= 0 ).
En l’occurence, on sait (voir TD 2, exercice 3 ) comme ∆Y est stationnaire que ∆Y t−1 et ∆Yt−i sont
certainement corrélés.

☞ Q6 (a)
ensae.net
– On effectue donc en définitive la régression de ∆Y sur h1, t, Yt−1 , ∆Yt−1 i, et on observe
que le modèle ainsi estimé est valide. On constate en outre qu’aucun cœfficient n’est
individuellement non-significatif.
On procède donc à l’identification du modèle Ar (voir
en ∆Y sur les explicatives t et LY .
TD 5, exercice 1
On observe en l’occurence que les auto-corrélations directes décroissent “exponentielle-

ment” vers 0 (en l’occurence, elles ne sont plus significativement non-nulles dès l’ordre
h ≥ 3) ; en outre le test de Porte-Manteau permet de conclure que le résidu estimé ² est
non-significativement différent d’un bruit blanc.
☞ Q5 Le modèle estimé s’écrit
en posant ρ = 1 + φ.
(b)
(c)
∆Yt = µ + βt + φYt−1 + φ1 ∆Yt−1 + ²t
où φ1 est le cœfficient en X de Φ∗ (X), ce qui se réécrit encore
( − ρL)Yt = µ + βt + φ1 ∆Yt−1 + ²t
)
(d)
(e) Sous H01 le modèle se réécrit
Yt = µ + Yt−1 + φ1 ∆Yt−1 + ²t
La statistique de test associée est celle de la table VI , selon laquelle le fractile à 5% vaut
6,34 (on retient la valeur pour 250 observations 45 ) ; comparée à la valeur empirique de
F-Value : 5,83 on accepte donc l’hypothèse H01 .
☞ Q7 On constate que H02 → H01 ; comme H01 est acceptable on se propose de tester H02 .
Sous H02 le modèle se réécrit
Yt = Yt−1 + φ1 ∆Yt−1 + ²t
La statistique de test associée est celle de la table V , selon laquelle le fractile à 5% vaut 4,75 ;
comparée à la valeur empirique F-Value : 10,75 on rejette donc l’hypothèse H 02 .
?
? ?
45
Plutôt que celle pour 100 observations, car le test est ainsi plus restrictif : si on accepte H 0 avec le fractile à 250
observations, on l’accepterait a fortiori avec celui à 100 observations.

ensae.net
module stictement supérieur à un.

On se donne m ∈ J1, n − 1K et on note X =
à l’expression “y est la cause x”. 46
µ
X1
X2
¶
³
lm
ln−m
Dans la suite pour toute matrice A de Mn (R) sera notée A =
¥ Partie 1 Définition de la notion de causalité

´Z
On considère un processus stationnaire multivarié X ∈ (Rn )Ω , n ≥ 2, qui suit le modèle
auto-régressif
Φ(L)X = ²
où ² est un bruit blanc de variance-covariance Σ suposée définie positive. On suppose en outre
que le modèle est sous forme canonique, c’est-à-dire que les racines de DetΦ sont toutes de
; on cherche à donner un sens
µ 1,1
A
A 2,1
A1,2
A 2,2
¶
lm
ln−m
.
☞ Q1 A un instant donné, l’intuition suggère que si Xt2 cause Xt1 alors Xt2 intervient significativement
dans la valeur de Xt1 ; en particulier la prévision optimale de Xt1 n’est dans ce cas pas la même
selon que l’on connaı̂t Xt2 ou pas. On dit donc que Xt2 ne cause pas instantanément Xt1 au sans
de Granger, et on note X 2 ∼Â/ X 1 , ssi EL (Xt1 |Xt2 , Xt−1 , . . .) = EL (Xt1 |Xt−1 , . . .)
(a) Montrer que EL (Xt1 |Xt2 , Xt−1 , . . .) = EL (Xt1 |Xt−1 , . . .) + EL (²1t |²2t )
(b) Montrer que
Xt2 ∼Â / Xt2
/ Xt1 ⇔ Σ1,2 = (0) ⇔ Xt1 ∼Â
(on dit dans ce cas par symétrie que X 2 et X 1 ne se causent pas instantanément au sens
de Granger).
☞ Q2 Par extension on dit alors que X 2 ne cause pas globalement X 1 , ou simplement que X 2
ne cause pas X 1 au sens de Granger (ce que l’on note X 2 ≈Â
/ X 1 ) ssi
¡ ¢ ¡ ¢
∀t ∈ Z, EL Xt1 |Xt−1 , . . . = EL Xt1 |Xt−1
1
,...
On cherche à montrer que

X 2 ≈Â
/ X 1 ⇔ Φ(X)1,2 = (0)
(où Φ(X)1,2 désigne le bloc supérieur droit du polynôme matriciel Φ(X)).
(a) Montrer tout d’abord que Φ(X)1,2 = (0) → X 2 ≈Â
/ X 1.
(b) Ecrire dans le cas général la décomposition de Wold de X 1 sur h²1 , ²2 i.
(c) On suppose que X 2 ≈Â
/ X 1 ; montrer qu’²1 est alors l’innovation de X 1 .
(d) En déduire que si X 2 ≈Â
/ X 1 , alors Φ(X)1,2 = (0).
46
La démarche proposée est tirée (de façon très simplifiée) des travaux de Clive W.J. Granger, co-lauréat avec Robert
F. Engle du prix Nobel d’économie 2003. C. Granger fut lauréat non pas pour la notion de causalité qu’il définit
(utilisée pour établir la thèse polémique du réchauffement de la planète), mais pour ses résultats de cointégration. Voir
http://www.nobel.se/economics/laureates/2003/ecoadv.pdf

aux
ensae.net
¥ Partie 2 Test de la notion de causalité
On se place dans le cas où m = n − m = 1, et on note p = d◦ Φ.
On suppose de plus que Φ(0) = Id .
☞ Q1 Montrer que X vérifie aussi le modèle
1 1 deux estimations
2
Xt , Xt−1 , Xt−1
séparées
1
, . . . , Xt−p 2
, Xt−p
☞ Q3 On considère l’hypothèse H0 : ” X 1 ∼Â
®R
.
Réécrire les régressions R1 et R2 sous H0 .
Student que l’on explicitera.

☞ Q4 On considère l’hypothèse H0∗ : ” X 2 ≈Â
de X t sur
/ X 2 ”.
X
Ψ(L)X = η
pour un certain polynôme matriciel Ψ (de degré p) et un bruit blanc η à déterminer
☞ Q2 Montrer que la régression R par les moindres carrés
1 1
1 de X2t sur hXt−1
t−1 , X t−1 , . . . , X 1
, . . . , X®t−p i est équivalente
Montrer qu’à supposer qu’ ²1 est gaussien, le test de l’hypothèse H0 se ramène à un test de
/ X 1 ”.
En supposant qu’² est gaussien, proposer une procédure de test de H0∗ .
2 2
t−p , Xt−p et R de Xt sur
2
☞ Q1 (a) Le modèle étant sous forme canonique, ² est l’innovation du processus vectoriel X : par
définition de l’innovation ²t = Xt − EL (Xt |Xt−1 , . . .) et donc en projetant pour i ∈ {1, 2}
¡ ¢
²it = Xit − EL Xti |Xt−1 , . . .
(²2 est l’innovation du processus X 2 |X 1 )
¡ ¢ ¡ ¡ ¢ ¡ 1 ¢¢
EL Xt1 |Xt2 , Xt−1 , . . . = EL Xt1 | Xt2 , Xt−1 2
, . . . , Xt−1 ,...
¡ ¡ ¢ ¡ 1 ¢¢
= EL Xt1 | ²2t , ²2t−1 , . . . , Xt−1 ,...
¡ ¡ 2 ¢¢
= EL Xt1 |²2t , Xt−1 1
, . . . , Xt−1 ,...
¡ ¢
= EL Xt1 |²2t , Xt−1 , . . .
|=
Or ∀t ∈ Z, ²2t
|=
hXt−1 , . . .i donc h²2t , Xt−1 , . . .i = h²2t i ⊕ hXt−1 , . . .i et donc

|=
¡ ¢ ¡ ¢ ¡ ¢
EL Xt1 |Xt2 , Xt−1 , . . . = EL Xt1 |²2t ⊕ EL Xt1 |Xt−1 , . . .
Or ◦
d Φ
X
Xt = Φk Xt−k + ²t
k=1

ensae.net
et ²t
|=
hXt−1 , . . .i donc en projetant
et donc finalement
☞ Q2 (a) On a pour t ∈ Z
Xt2 ∼Â
/ Xt1
¡
⇔
⇔
⇔
⇔
⇔
⇔
⇔
⇔
¢ ¡
EL Xt1 |²2t = EL ²1t |²2t
¡
¡
Σ1,2 = (0)
¡
¡
Xt1 ∼Â
Xt =
¢
EL (Xt1 |Xt2 , Xt−1 , . . .) = EL (Xt1 |Xt−1 , . . .) + EL (²1t |²2t )
(b) Par définition pour t ∈ Z

¡
¢
EL ²1t |²2t = 0
/ Xt2
X
◦
¢
Cov ²1t , ²2t = (0)
¢
Cov ²1t , ²2t = (0)
EL ²2t |²1t = 0
¡
d Φ
k=1
¢
φk Xt−k + ²t
¡
EL Xt1 |Xt2 , Xt−1 , . . . = EL Xt1 |Xt−1 , . . .
¡
EL Xt2 |Xt1 , Xt−1 , . . . = EL Xt2 |Xt−1 , . . .
¢
et donc en projetant
d Φ ◦ ◦
d Φ
X X
Xt1 = φ1,1 1
k Xt−k + φ1,2 2 1
k Xt−k + ²t
k=1 k=1
1,2
Si Φ(X) = (0) alors
◦
d Φ
X
Xt1 = φ1,1 1 1
k Xt−k + ²t
k=1
et donc ◦
d Φ
¡ 1 ¢ X ¡ 1 1 ¢
EL Xt |Xt−1 , . . . = φ1,1 1
k Xt−k = EL Xt |Xt−1 , . . .
k=1
2 1
c’est-à-dire X ≈Â
/ X .
(b) Comme ² est l’innovation de X, soit (Ak )k∈N ∈ Mn (R)N telle que
+∞
X
∀t ∈ Z, Xt = Ak ²t−k
k=0
47
Alors en projetant il vient
+∞
X +∞
X
∀t ∈ Z, Xt1 = A1,1 1
k ²t−k + A1,2 2
k ²t−k
k=0 k=0
° °2 P
° ° 2
47
Chacune des deux sommes converge car °A1,j
k ° ≤ kAk k2 et que k Ak est normalement convergente.
2

ensae.net
(c) Supposons
¡ 1 1 alors¢ que X /≈Â
et donc
soit
Alors
48
µ
2
Xt1
Xt2
X 1¡; alors pour¢ tout t ∈ Z EL (Xt1 |Xt−1 , . . .) =
EL Xt |Xt−1 , . . . et donc Xt1 − EL Xt1 |Xt−1
est donc l’innovation de X 1 .
(d) Si X 2 ≈Â
² = Φ(L)X = Φ(L)
¶
=
1
Xt2
X=
, . . . = Xt1 − EL (Xt1 |Xt−1 , . . .) = ²1t : ²1
/ X 1 , alors X 1 adment une représentation de Wold sous la forme
où Bk ∈ Mm (R). On a par ailleurs pour tout t ∈ Z
µ P+∞
=
k=0 Bk
P+∞
k=0 Ak
+∞ µ
X
Ã +∞ µ
X
k=0
+∞
X
k=0
2,1
Bk
A2,1
k
Bk
k=0
A2,1
k
Xt1
A
(0)
2,2
k
=
A2,1 1
k ²t−k
¶ !
+∞
X
k=0
Lk ◦ ²
Bk ²1t−k
(0)
P+∞ 2,2
k=0 Ak
(0)
A2,2
k
+∞
X
k=0
A2,2
¶
2
k ²t−k
Lk ◦ ²
×
µ
²1t−k
²2t−k
¶
µ µ ¶ ¶
P+∞ Bk (0)
et donc la matrice 2,1 Xk sur l’anneau Mn (R)[X] est régulière et
k=0 Ak A2,2
k
est une inverse de Φ(X), ce qui s’écrit encore par blocs
µ ¶ µ ¡P+∞ ¢ ¶ µ ¶
Φ(X)1,1 Φ(X)1,2 ¡ Bk Xk ¢ ¡ (0) ¢ Idm (0)
× P+∞ 2,1 k
k=0 P+∞ 2,2 k =
Φ(X)2,1 Φ(X)2,2 k=0 Ak X k=0 Ak X
(0) Idn−m
et en particulier en considérant le bloc (1, 2) il vient
Ã +∞ !
X 2,2
(0) × Φ(X)1,1 + Ak Xk × Φ(X)1,2 = (0)
k=0
µ P+∞ ¶
Bk Xk (0) ¡P+∞ 2,2 k ¢
k=0 Ak X
Or P+∞ 2,1 k P+∞ 2,2 k
k=0 est inversible, donc également49 et
A
k=0 k X A
k=0 k X
donc
Φ(X)1,2 = (0) ∈ Mn (R)[X] et finalement
48
Avec la convention que  
M 1,1 Lk ··· M 1,n Lk
k  .. .. 
ML =  . . 
M n,1 Lk ··· M n,n Lk
P i,j k P
et en remarquant que chaque
µ k X
k A¶ est convergente car |Ai,j
k | ≤ kAk k2 et que k Ak est normalement convergente.
49 A 0
Comme la matrice est triangulaire par blocs, si elle est inversible, alors C l’est également.
B C

ensae.net
ce qui achève la preuve de la réciproque.
☞ Q1 On sait que
donc pour tout α ∈ R en multipliant par
Notons donc η =
µ
µµ
1
−α
Posons en particulier α = Σ
1 0
−α 1
de variance-covariance est alors

µ
0
1
¶
¶
Φ(L)X = ²
µ
Cov (ηt , ηt−l ) =
¶ µ
1,2
1 0
−α 1
¶
× Φ(L) ◦ X =
¶
µ
il vient
1
−α
¶ Ã 1,1
1 0
−α 1
Σ
¶
Φ(L)1,2 = (0)
×²
× ² ; alors pour tout t ∈ Z et l ∈ Z
0
1
¶0
Cov (²t , ²t−l )
0
!
µ
1
−α
1,1 : alors Cov (ηt , ηt−l ) = 0 et donc η est un bruit blanc. Sa matrice
0
1
¶
1 0 1 −α
Σ = (Σ1,2 )
2
−α 1 0 1 0 Σ2,2 − 1,1 Σ
µ ¶
1 0
Notons enfin Ψ(X) la matrice à cœfficients dans R[X] × Φ(X) ; alors
−α 1
µ ¶ µ ¶
1 0 1 0
Ψ(0) = × Φ(0) =
−α 1 −α 1
(car Φ(0) = Id ), donc Ψ(0) est bien inversible et le modèle est correctement spécifié.
☞ Q2 D’une façon générale, l’estimateur des moindres carrés ordinaires de la régression de Y = Xb+U
−1
est, si X est de plein rang, b̂mcg = (X 0 Ω−1 X) X 0 × Ω−1 Y , où Ω désigne la matrice de variance-
covariance de U .
Considérons alors les deux sous-blocs
µ 1 ¶ µ ¶ µ 1 ¶
Y Xb1 U
= +
Y2 Xb2 U2
µ ¶ µ ¶
U1 Ω1,1 (0)
et supposons que V = soit bloc-diagonale.
U2 (0) Ω2,2

ensae.net
Alors
µ
1
−α
0
1
b̂mcg =
¶µ
=
=
 ³

Xt1
Xt2
³
¡
¶
XΩ X
0
0
X (Ω ) X
bˆ1 mcg
bˆ2 mcg
!
0
−1
X 0 (Ω1,1 ) X
2,2 −1
−1
´−1
´−1
Dans le cas présent, la régression R s’écrit
=
¡
(0)
1
Xt−1
¢−1
Ω1,1
X ×Ω0
(0)
Ω2,2
−1
X 0 × (Ω1,1 ) Y 1
2,2 −1 2
X × (Ω ) Y
···

−1
¶−1
1
Xt−p
µ
X
Y1
Y2
!−1
2
Xt−1
¶
×X × 0
···
µ
Ω1,1
(0)

2
Xt−p
(0)
Ω2,2
×
¶−1 µ
ψ11,1
 ..
 .

¢  ψp1,1
 ψ 1,2
 1
 ..
 .
ψp2,1
Y1
Y2
ψ 2,1
ψp2,1
ψ 1,2
ψp2,2
¶



 µ 1 ¶

+ η2t




ηt
tandis que les sous-régressions R1 et R2 s’écrivent respectivement

 
ψ11,1
 .. 
 . 
 
¡ ¢  ψp1,1 
(R1 ) : Xt1 = 1
Xt−1 ··· 1
Xt−p 2
Xt−1 ··· 2
Xt−p ×  1,2 
 1
 + ηt
ψ
 1 
 .. 
 . 
ψp1,2
et  
α
 ψ12,1 
 
 .. 
 . 
¡ ¢  2,1 
(R2 ) : Xt2 = Xt1 1
Xt−1 ··· 1
Xt−p 2
Xt−1 ··· 2
Xt−p ×
 ψp2,2
 + ηt2

 ψ 
 1 
 .. 
 . 
ψp2,2
Ã !
Σ1,1 0
comme V (ηt ) = est diagonale, l’estimation des cœfficients de Ψ par
(Σ1,2 )
2
0 Σ2,2 − Σ1,1
la régression globale R est équivalente à celle résultant des deux sous-régressions R 1 et R2 .

50
ensae.net
☞ Q3 L’hypothèse H0 se réécrit “Σ1,2 = 0” soit encore “α = 0”.
Remarquons en outre que si ² est gaussien, alors il en va de même pour η =
fait au moyen de la statistique de Student habituelle.
Le test de
A savoir F =
H0∗
SCR H0 −SCR
SCR¬H0
¬H0 T −2p
? ?
?
1,2
k = 0” soit encore “∀k ∈ N, ψk = 0”.
²2 − V(²1 ) ²1
tester H0 revient donc à tester la nullité individuelle du cœfficient estimé α
Ã
b, ce qui peut être
Remarquons que sous H0 seule la régression R2 est modifiée ; il suffit donc de pratiquer le test
dans la seule régression R2 .
☞ Q4 L’hypothèse H0∗ se réécrit “∀k ∈ N, φ1,2
³
d
1,2
²1
Cov (²2 ,²1 )
d1,2
revient alors au test de la nullité simultanée des cœfficients estimés ψ1 , . . . , ψp ,
qui peut être conduit au moyen de la statistique de Fisher. 50
Remarquons que cette fois sous H0∗ seule la régression R1 est modifiée, et tester H0∗ revient à
tester la régression R1 sous H0∗ par rapport à R1 sous ¬H0∗ . Ainsi il suffit de pratiquer le test
dans la seule régression R1 .
´
· p où T désigne le nombre d’observations, 2p le nombre total de variable explicatives

!
et p le nombre de variables dont on teste la nullité simultanée, et bien-sûr SCR H désigne la somme des carrés des résidus
;
estimés (i.e. la variance non-expliquée) sous l’hypothèse H. Si H 0 est vraie alors F suit une loi de Fisher F(p, T − 2p).

ensae.net
On considère deux processus stationnaires X et Y vérifiant :
σu2 et σv2 .
supposera par la suite).

½
Xt = ( − θ1 L)Ut
µ
Yt = c + 1−φL Xt−3 + ( − θ2 L)Vt
où c est une constante et u et v sont deux bruits blanc indépendants de variances respectives
☞ Q1 Ecrire le vecteur (Xt , Yt )’ sous forme d’un processus ARMA bivarié.

Donner des conditions suffisantes pour que (ut , vt )’ soit l’innovation du processus (ce que l’on
☞ Q2 Montrer que Yt est en fait un processus Arma unidimensionnel.

Déterminer son ordre et montrer que ses coefficients sont liés de manière non linéaire à ceux
introduits dans la définition des processus.
☞ Q3 Déterminer la prévision optimale des valeurs futures de Yt connaissant le passé de Xt et Yt .
☞ Q1 On a
µ ¶µ ¶ µ ¶ µ ¶µ ¶
0 X 0 − θ1 L 0 U
= +
−µL3 − φL Y c(1 − φ) 0 ( − θ2 L)( − φL) V
µ ¶ µ ¶
0 − θ1 L 0
et on pose donc Φ(L) = et Θ(L) = .
−µL3 − φL 0 ( − θ2 L)( − φL)
µ ¶ µ ¶
U X
Alors est l’innovation du processus ssi |Φ(X)| = 1 − φX et |Θ(X)| = (1 −
V Y
θ1 X)(1 − θ2 X)(1 − φX) ont tous deux leurs racines de module strictement51 supérieur à 1 (soit
ssi |θ1 | < 1, |θ2 | < 1 et |ϕ| < 1).
☞ Q2 Soit Zt = (1 − ϕL)Yt . On a :
Zt = c(1 − φ) + µXt−3 + ( − θ2 L)( − ϕL)Vt

µ ¶ µ ¶ µ ¶
51 U X X
est l’innovation de ssi leurs racines sont de module supérieur ou égal à 1 ; mais comme
V Y Y
est stationnaire, aucune racine n’est unitaire.

ensae.net
puis, comme Xt−3 = ( − θ1 L)Ut−3 il vient
En particulier (voir
Zt = c( − φ) + µ( − θ1 L)Ut−3 + ( − θ2 L)( − φL)Vt
| {z
TD 3, exercice 2
un processus Ma d’ordre au plus 2.
} |
Ma(1)
Comme en outre γZ (2) = θ2 φσV2 6= 0, Z est un processus Ma(2).

Par conséquent, Y est un processus Arma(1,2).
{z }
) comme U et V sont indépendants, Z est
Soit Ψ ∈ R2 [X] et η bruit blanc tels que Z = Ψ(L)η ; Ψ et ση2 sont déterminés (voir
exercice 2
d’après la définition de Z
TD 2,
) par les équations de Yule-Walker en Z qui pour h ∈ Z s’écrivent d’une part
Cov (Zt , Zt+h ) = µ2 γUt−3 −θ1 Ut−4 (h) + γVt −(θ2 +φ)Vt−1 +θ2 φVt−2 (h)
= ...
et d’autre part d’après la définition de Ψ(X) = Ψ0 + Ψ1 X + Ψ2 X2 et η
Cov (Zt , Zt+h ) = Cov (Ψ0 ηt + Ψ1 ηt−1 + Ψ2 ηt−2 , Ψ0 ηt−h + Ψ1 ηt−h−1 + Ψ2 ηt−h−2 )
= ...
L’égalisation de ces expressions pour h ∈ {0, 1, 2} conduit à un système polynômial en
Ma(2)
Ψ0 , Ψ1 , Ψ2 , ση2 qui s’expriment donc de façon non-linéaire (en général) en les paramètres θ1 ,
θ2 et φ.
☞ Q3 La prévision linéaire optimale de Y conditionnellement au seul passé de Y s’obtient en trans-
formant la forme Arma(1,2) précédente en une forme Ar(∞) en Y . Mais pour obtenir celle
conditionnellement
µ ¶ aux passés de X et de Y , il faut déterminer la prévision linéaire optimale
X
de conditionnellement à son passé, ce qui se fait en transformant la formulation Arma
Y
vectorielle en forme Ar(∞) vectorielle :52
µ ¶ µ ¶ µ ¶
−1 X −1 0 U
Θ(L) Φ(L) = Θ(1) +
Y c(1 − φ) V
Comme
µ ¶−1
−1 − θ1 L 0
Θ(L) =
0 ( − θ2 L)( − φL)
µ ¶
( − θ1 L)−1 0
=
0 ( − θ2 L) ( − φL)−1
−1
il vient
µ ¶µ ¶ Ã ! µ ¶
( − θL)−1 0 X ³ 0
´ U
= 1 +
−µL ( − θ2 L)−1 ( − φL)−1
3
( − θ2 L)−1 Y (1−φ)(1−θ2 )
(c(1 − φ)) V
52
Attention à l’ordre en général : Θ(L)−1 et Φ(L) sont des matrices et donc en général Θ(L)−1 ×Φ(L) 6= Φ(L)×Θ(L)−1
. Cependant dans le cas présent Θ(L) est diagonale, donc commute avec Φ(L).

ensae.net
La projection linéaire optimale de Y connaissant le passé de X et de Y s’obtient alors en
projetant : on a
et donc
EL
Ã +∞
X
k=0
+∞
X
k=0
θ2k Yt−k − µL3 ( − θ2 L)−1 ( − φL)−1 Xt =
θ2k Yt−k 3 −1 −1
− µL ( − θ2 L) ( − φL) Xt |Xt−1 , . . . , Yt−1 , . . .
et donc en appliquant l’opérateur E (·|Xt−1 , . . . , Yt−1 , . . .) il vient
E (Yt |Xt−1 , . . . , Yt−1 , . . .) =
c
1−θ2
+ µL3 ( − θ2 L)−1 ( − φL)−1 Xt −
? ?
?
53
c
1 − θ2
+V
P+∞
=
c
1 − θ2
k
k=1 θ2 Yt−k
On considère deux processus du second ordre (Xt )t≥0 et (Yt )t≥0 tels que
½
Xt = Xt−1 + Ut
Yt = 65 Yt−1 − 61 Yt−2 − Xt−1 + Vt
où U et V sont deux bruits blanc indépendants de variances respectives σu2 et σv2 .
On suppose en outre que ∀t < 0; Xt = Yt = Ut = Vt = 0
☞ Q1 (a) Vérifier que ni (Xt )t>0 ni (Yt )t>0 n’est stationnaire.
(b) Vérifier que (∆Xt )t≥2 et (∆Yt )t≥2 sont équivalents à des processus stationnaires, et préciser
le cas échéant
µ leur¶ forme µ Arma¶.
X U
On note Z = et ² = .
Y V
☞ Q2 Montrer qu’il existe un polynôme (matriciel) A tel que
∀t > 0, A(L)Z = ²
et en donner la représentation canonique du modèle

53
Cette expression fait a priori intervenir E (Xt |Xt−1 , . . . , Yt−1 , . . .) ; mais comme le polynôme en facteur de X est
divisible par L3 , seules les valeurs passées de X interviennent.
Si ce n’était pas le cas, il faudrait déterminer explicitement E (Xt |Xt−1 , . . . , Yt−1 , . . .) en projetant la forme Ar(∞)
sur X : ( − θ1 L)−1 X = U . Notons enfin que cette dernière est indépendante de Y , ce qui est heureux.

ensae.net
☞ Q3 Montrer qu’il existe un polynôme (matriciel) A∗ de degré d◦ A − 1 tel que A(X) = A(1) + (1 −
X)A∗ (X).
En déduire qu’il existe une combinaison linéaire de X et Y qui est asymptotiquement équivalente
à un processus stationnaire.
☞ Q1 (a) ( − L)X = U donc (Xt )t>0 est une marche aléatoire, donc non-stationnaire.
D’autre part, V (Xt−1 − Vt ) = (t − 1)σU2 + σY2 car Xt et Vt sont indépendants. Or si
(par l’absurde) (Yt )t>0 était stationnaire, alors Xt−1 − Vt = −Yt + 56 Yt−1 − 61 Yt−2 serait
stationnaire, donc de variance constante, et il en irait de même pour X ! Donc (Yt )t>0
n’est pas stationnaire.
Autre méthode :
Si Y était stationnaire alors X − V = (− + 56 L − 16 L2 )Y le serait également, et comme V
est stationnaire et X et V sont décorrélés, X le serait également.
(b) ∆X = U est un bruit blanc, donc stationnaire.
Par ailleurs
5 1
∆Yt = (∆Y )t−1 − (∆Y )t−2 − Ut−1 + Vt − Vt−1
6 6
Définissons Wt = −Ut−1 + Vt − Vt−1 ; alors (voir TD 3, exercice 2 ) W est
|{z} | {z }
Ma(0) Ma(1)
un processus Ma d’ordre au plus 1. Comme en outre γw (1) = −σv2 6= 0, W est un Ma(1)
et donc ∆Y est un processus Arma(2,1)
☞ Q2 Posons µ ¶
1−X 0
A(X) =
X 1 − 6 X + 16 X2
5
Alors µ ¶ µ ¶
X U
A(L) =
Y V
et en outre
µ ¶ µ ¶µ ¶
5 1 1 1
|A(X)| = (1 − X) 1 − X + X2 = (1 − X) 1 − X 1− X
6 6 2 3
dont les racines 1, 2 et 3 sont toutes de module supérieur (ou égal) à un, de sorte que la
représentation est canonique.
☞ Q3 A(X)−A(1) est un polynôme (matriciel) en X qui s’annule en X = 1, donc divisible par (1−X) :
on a en l’occurence

ensae.net
Notons donc A =
On a alors
Or A(1)Z =
µ
0
∗
X + 31 Y
A(X) − A(1) =
¶
µ
1
−1 2
3
0
=
µ
= (1 − X) ×
− 61 X
¶
1−X
X
1−X
X−1 2
µ3
² = A(L)Z = A(1)Z + A∗ (L)∆Z

−1
0
1 − 6 X + 61 X2
5
0
− 6 X + 61 X2
1
5
; A∗ divise A(X) − A(1).

2
3
0
− 61 X
Or ∆Z est (asymptotiquement) stationnaire 54 donc il en va de même pour A(1)Z = ² −

A∗ (L)∆Z.
, donc en particulier
est (asymptotiquement) stationnaire.

X + 13 Y
¶
¶
−
µ
0
1
0
1
3
¶
?
? ?
On considère un processus vectoriel (Yt )t∈Z de taille n, dont on suppose qu’il est intégré d’ordre
1, et qu’il admet une représentation VAR de la forme :
Φ(L)Y = µ + ²
où ² est l’innovation de Y et Φ(0) = Id.

☞ Q1 (a) En utilisant la décomposition Φ(X) = Φ(1) + (1 − X)Φ+ (X), montrer qu’on peut écrire le
modèle sous la forme équivalente :
p−1
X
( − L)Yt = −Φ(1)Yt−1 + Γi ( − L)Yt−i + µ + ²t
i=1
54
Ce n’est pas tout-à-fait évident : ∆X et ∆Y sont stationnaires, mais il faut encore montrer que Cov (∆X t , ∆Yt+h )
ne dépend pas du temps t : pour ce faire, on soustrait l’équation en Y aux dates t et t − 1, ce qui fait apparaı̂tre
∆Yt = 65 ∆Yt−1 − 16 ∆Yt−2 − ∆Xt−1 + ∆Vt .

ensae.net
(b) Montrer que le rang de Φ(1) est inférieur strictement à n.
(c) On suppose que le rang de Φ(1) est égal à r. Montrer qu’il existe deux matrices α et β de
dimensions (n, r) et de rang r telles que Φ(1) = αβ 0 .
(d) Montrer que β 0 yt est nécessairement stationnaire (les colonnes de β sont alors appelées
vecteurs de cointégration de yt ).
☞ Q2 On suppose que la représentation de Wold du processus Y est de la forme
avec C(0) = Id.

(a) En utilisant la décomposition
Y = S + T.
( − L)Y = m + C(L)²
C(L) = C(1) + ( − L)C + (L)

montrer, en généralisant la démarche présentée dans
(b) Montrer qu’on a nécessairement : β 0 m = 0 et β 0 C(1) = 0.

TD 4, exercice 1
qu’il existe une marche aléatoire55 (multivariée) T et un processus stationnaire S tels que
(c) Soit β ⊥ une base56 de l’orthogonal de β. Déduire de la question précédente qu’il existe
m0 ∈ Rn−r et δ ∈ Mn,n−r (R) tels que m = β ⊥ m00 et C(1) = β ⊥ δ 0 .
(d) En déduire que Tt s’exprime en fait comme combinaison linéaire de n−r marches aléatoires
univariées (ces marches aléatoires sont appelées tendances communes aux séries (Yti )t ).
,
Φ(X)−Φ(1)
☞ Q1 (a) Comme Φ(X)−Φ(1) s’annule en 1, il est divisible par 1−X et soit donc Φ + (X) = 1−X
∈
R[X] ; ainsi Φ(X) = Φ(1) + (1 − X)Φ+ (X).
Alors (voir TD 7, exercice 1 )
Φ(L)Y = Φ(1) × Y + ( − L) · Φ+ (L) ◦ Y
= Φ(1) × Y + Φ+ (L) ◦ ∆Y
¡ ¢
= Φ(1) × Y + Φ+ (0) ∆Y + Φ+ (L) − Φ+ (0) ∆Y
| {z } | {z }
Φ(0)−Φ(1) −Φ∗ (L)
∗
= Φ(1) × Y + ( − Φ(1)) × ∆Y − Φ (L) ◦ ∆Y
= Φ(1) × Y + ∆Y − (Φ(1) × Y − Φ(1) × LY ) − Φ∗ (L) ◦ ∆Y
= ∆Y + Φ(1) × LY − Φ∗ (L) ◦ ∆Y
et donc comme par ailleurs Φ(L)Yt = µ + ²t il vient en définitive
55
Avec dérive : ( − L)T = η où η est un bruit d’espérance a priori non-nulle.
56
C’est-à-dire que les colonnes de β ⊥ forment une base de l’orthogonal de l’espace engendré par les colonnes de β.

ensae.net
(b) On a
et donc
∆Yt = −Φ(1)Yt−1 +
en notant Φ∗ (X) = Φ+ (0) − Φ+ (X) =
∆Y = Φ(1)LY −
Φ(1)LY = −∆Y +
|
Pp−1
i=1
Supposons (par l’absurde) que Φ(1) soit inversible : alors
LY
Pp−1
p−1
X
i=1
p−1
X
i=1
{z
Ψ(L)∆Y
i=1
Γi X i .
Γi ∆Yt−i + µ + ²t
Γi Li ∆Y + µ + ²
Γi Li ∆Y + µ + ²
= Φ(1)−1 Ψ(L)∆Y + Φ(1)−1 µ + Φ(1)−1 ²

}
Mais comme Y est intégré d’ordre 1, ∆Y est stationnaire, et donc LY , donc Y , serait
stationnaire ! 57
Comme on a supposé que Y était intégré d’ordre 1, Φ(1) n’est pas inversible, i.e. est de
rang au plus n − 1.
(c) Soit α une base de l’image de Φ(1) (qui est de dimension r ≤ n − 1), et notons βi,1 , . . . , βi,r
les cœfficients de la i-ième ligne Li de Φ(1) dans la base α. On a pour tout i ∈ J1, nK
 
Xr α j,1
 
Li = βi,j αj où αj =  ...  ∈ Mn, 1(R)
j=1 αj,n
et donc
   
L1 β ··· βn,1
  ¡ ¢  1,1 .. 
Φ(1) =  ...  = α1 ··· αr ×  ... . 
Ln β1,r ··· βn,r
| {z }
β0
soit
Φ(1) = αβ 0
57
En toute rigueur se pose le problème de la corrélation de Φ(1)−1 Ψ(L)∆Y avec ². Mais comme Y est intégré d’ordre
1 (et pas plus), ∆Y vérifie une équation Ar(d)e la forme A(L)∆Y = γ + ² de sorte que LY = B(L)∆Y pour B(X) =
Φ(1)−1 (Ψ(X) + A(X) − γ) .

ensae.net
(d) On a
il vient alors
Φ(1)Yt−1 = Ψ(L)∆Yt + µ + ²t
Or α est une base, donc α0 α est de plein rang donc inversible ; en multipliant par (α0 α)−1 α0
(α0 α)−1 α0 Φ(1)Yt−1 = (α0 α)−1 α0 Ψ(L)∆Yt + (α0 α)−1 α0 µ + (α0 α)−1 α0 ²t
et donc (α0 α)−1 α0 Φ(1)Y est stationnaire.

Comme Φ(1) = αβ 0 cela revient à dire que
☞ Q2 (a) Comme C(X) − C(1) s’annule en 1, soit C + (X) =

C(1) + (1 − X)C + (X). On a alors
β 0 Y est stationnaire
( − L)Y = m + C(1)² + ( − L)C ∗ (L)²
Définissons S = C ∗ (L)² ; ainsi S est stationnaire.

C(X)−C(1)
1−X
Soit alors T = Y − S, montrons que T est une marche aléatoire (avec dérive) : on a
( − L)T = ( − L)Y − ( − L)S

= m + C(1)²
∈ Mn (R)[X] ; ainsi C(X) =
qui est un “bruit blanc” d’espérance m.

(b) On a en multipliant la décomposition de Y par β 0
β 0 ( − L)Y = β 0 m + β 0 C(1)² + β 0 ( − L)C ∗ (L)²
Or β 0 Y est stationnaire, donc E (β 0 Yt ) = E (β 0 Yt−1 ) et par suite
0 = E (( − L) ◦ (β 0 Y ))
= E (β 0 ( − L)Y )
= E (β 0 m + β 0 C(1)² + β 0 ( − L)C ∗ (L)²)
= β 0m
Enfin, si (par l’absurde) β 0 C(1) 6= 0, alors Z = β 0 Y − β 0 C ∗ (L)² qui vérifie ( − L)Z =

β 0 C(1)² est une marche aléatoire, donc d’espérance non-bornée dans le temps, et donc il
en va de même pour β 0 Y qui est pourtant stationnaire ! Donc β 0 C(1) = 0.
(c) On a β 0 m = 0, donc m ∈ hβi⊥ , et donc il existe m0 tel que m = β ⊥ m00 .
De même β 0 C(1) = 0, donc C(1) ∈ hβi⊥ et il existe δ tel que m = β ⊥ δ 0 .
(d) On a
( − L)T = m + C(1)²
= β ⊥ (m00 + δ 0 ²)

ensae.net
Soit donc M la marche aléatoire multi-variée (de taille n − r) vérifiant M0 = 0 et
( − L)M = m00 + δ 0 ²
¡ ¢
Alors ( − L)T = β ⊥ ( − L)M = ( − L) ◦ β ⊥ M , donc les processus T et β ⊥ M sont
égaux à une constante (aléatoire) près ; 58 comme dim(β ⊥ ) = n − dim(β) = n − r on a
T est un vecteur composé de n − r marches aléatoires univariées
? ?
?
58
On n’a pas nécessairement T = M : notamment il n’y a aucune raison a priori pour que T 0 = Y0 − C + (L)²0 soit
égal à β ⊥ M0 , car une valeur de M0 ad hoc n’existe pas forcément !

Tout - Enonce Et Corrige - Ensae.net - Simple

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Tout - Enonce Et Corrige - Ensae.net - Simple

Transféré par

Droits d'auteur :

Formats disponibles

Deuxième année

Séries temporelles linéaires

Version du 20050121-11h02, révisée le 17 février 2005

– Le processus X est un bruit blanc (faible) de variance σ 2 ≥ 0 ssi

Version du 20050121-11h02, révisée le 17 février 2005 1

∀n ∈ N, ∀(t1 , . . . , tn ) ∈ Nn , ∀h ∈ Z, LXt1 ,...,Xtn = LXt1 +h ,...,Xtn +h

où LY désigne la loi de Y .

– Le processus X est un bruit blanc fort de variance σ 2 ≥ 0 ssi

– Le processus X est un bruit blanc (faible) de variance σ 2 ≥ 0 ssi

Cov (Xt , Xt−1 ) = Cov (a + b²t + c²t−1 , a + b²t−1 + c²t−2 )

– Enfin Cov (Xt , Xt+h ) = 0, ∀h ≥ 2

Version du 20050121-11h02, révisée le 17 février 2005 2

bruit blanc faible ² tel que X n’est pas stationnaire.

Cov (Xt , Xt+h ) = E (²t ²t−1 ²t+h ²t+h−1 )

V (²t−i ) + V (X0 ) car ²t − i

En particulier V (X1 ) = σ 2 + V (X0 ) > V (X0 ) et donc X n’est pas stationnaire.

Cov (Xt , Xt−1 ) = σ 2 sin(ct) cos (c(t − 1))

Version du 20050121-11h02, révisée le 17 février 2005 3

Donc E (Xt ) = 0 et par ailleurs

= −2 sin((t + 1)c) cos(tc)

Donc X est stationnaire ssi c ∈ π2 Z.

λ − λi−1 ²t−i − λt ²−1

Cela étant vrai pour tout t ∈ Z il faut et il suffit donc que c ∈ π2 Z.

Version du 20050121-11h02, révisée le 17 février 2005 4

Cov (Yt , Yt+h ) = Cov 

 ²t+h + 1≤i≤h−1 λi−1 ²

et donc Y est bien stationnaire.

= (λ − 1)λh−1 V (²t ) + (λ − 1)2 λh V

Version du 20050121-11h02, révisée le 17 février 2005 5

☞ Q7 Non en général : considérer par exemple Xt stationnaire d’espérance nulle, et Yt = (−1)t Xt :

La somme de deux processus fortement stationnaires et indépendants est fortement station-

Version du 20050121-11h02, révisée le 17 février 2005 6

avec µ = a − 32 b indépendant de t et v = M4 (u) est stationnaire (c’est un Ma(3) mais pas un

Version du 20050121-11h02, révisée le 17 février 2005 7

☞ Q3 Déterminer (et si possible calculer) la fonction d’auto-corrélation partielle de X.

ce qui s’écrit compte-tenu de l’expression de γX

Version du 20050121-11h02, révisée le 17 février 2005 8

☞ Q3 Par définition le cœfficient d’auto-corrélation partielle d’ordre m est

sur < Xt−1 , . . . , Xt−m >.4 On a donc successivement :

Version du 20050121-11h02, révisée le 17 février 2005 9

ce dont on tire que par récurrence5 que

Soit (Xt )t∈Z un processus stationnaire du second ordre.

Xt∗+ = EL (Xt |1, Xt−1 , . . . , Xt−m+1 )

Version du 20050121-11h02, révisée le 17 février 2005 10

Version du 20050121-11h02, révisée le 17 février 2005 11

soit E (Xt Xt−j ) = b0 E (Xt ) + b1 E (Xt−m+1 Xt−j ) + · · · + bm−1 E (Xt−1 Xt−j )

– Or Γm−1 est inversible (sauf si le processus est presque-sûrement déterministe)6 : en effet

Version du 20050121-11h02, révisée le 17 février 2005 12

V Xt∗+ + V Xt − Xt∗+ = V (Xt ) car Xt − Xt∗+

= V (bm−1 Xt−m+1 + · · · + b1 Xt−1 )

= V (Xt−m ) car X est stationnaire

 .  car X stationnaire

= V Xt∗− + V Xt−m − Xt∗− car Xt−m − Xt−+

Or ut < 1, Xt−1 , . . . , Xt−m+1 >, de sorte que ut

Version du 20050121-11h02, révisée le 17 février 2005 13

E Xt − Xt∗+ Xt−m − Xt∗−

Cov Xt − Xt∗+ , Xt−m − Xt∗−

r(m) = cm par définition

car V Xt − Xt∗+ = V Xt−m − Xt∗−

Version du 20050121-11h02, révisée le 17 février 2005 14

où ² est un bruit blanc de variance σ²2 .

Montrer qu’il existe (ak )k∈Z ∈ RZ telle que Y =

En déduire que ² n’est pas l’innovation de X.