Académique Documents
Professionnel Documents
Culture Documents
Processus stationnaire
Définition 1.
On dit que le processus (Xt, t ∈ Z) est stationnaire au sens strict (ou fortement
stationnaire) si la loi de {Xt1, . . . , Xtn} est la mˆeme que la loi de {Xt1+h, . . . , Xtn+h}
pour tout (t1, t2, . . . , tn) avec ti∈ Z, pour i = 1, . . . , n et pour tout h ∈ Z avec ti + h ∈ Z.
Mais la stationnarité au sens strict est trop restrictive et on assouplit cette
condition en définissant la stationnarité faible ou la stationnarité du second ordre.
E X t Cte, t
Var X t 2 Cte, t
Cov X t , X t h h , t , et h
Exemple:
On considère le processus défini par ∈ où ∈ est une
suite de variables aléatoires indépendantes identiquement distribuées tels que E(zt)=0 et
V(zt)= 2.
Bruit blanc
Définition. Un processus (εt, t ∈ Z) est dit bruit blanc si (εt, t ∈ Z) est une suite de
variables aléatoires indépendantes et identiquement distribuées, d’espérance nulle et
de variance constante.
- E(εt) = 0, t
- Var(εt) = σ2, t
- Cov(εt, εs) = 0, t ≠ s
- Fonction d’auto-covariance
Fonction d’autocorrélation
Définition 1.2.6 : On étudie la ”mémoire” d’un processus (Xt) t∈T en calculant son
autocorrélation de retard h noté ρ(h) :
cov X t , X t h
h corr X t , X t h ..
Var X t Var X t h
qui mesure le lien entre les valeurs du processus à deux dates distantes de h .
cov X t , X t h h
h corr X t , X t h ..
Var X t 0
Y Y Y Y
n
t t k
ˆ k t k 1
,
Y Y
n
2
t
t 1
Y 158 111 137 125 115 128 105 267 258 105
Y Y Y Y
n
t t k
ˆ k t k 1
,
Y Y
n
2
t
t 1
10
Y i
2068
Y i 1
206,8
10 10
Y Y Y Y Y Y Y Y
10 10
t t 1 t t 2
ˆ 1 0,270, ˆ 2
2174,56 - 1672,88
t 2
t 3
-0,208
Y Y Y Y
n n
2 8059,6 2 8059,6
t t
t 1 t 1
Y Y Y Y Y Y Y Y
10 10
t t 3 t t 4
ˆ 3 -0,075, ˆ 4
- 607,32 - 1496,96
t 4
t 5
-0,186
Y Y Y Y
n n
2 8059,6 2 8059,6
t t
t 1 t 1
Y Y Y Y Y Y Y Y
10 10
t t 5 t t 6
ˆ 5 ˆ 6
- 3133,2 - 1963,44
t 6
-0,389, t 7
-0,244
Y Y Y Y
n n
2 8059,6 2 8059,6
t t
t 1 t 1
y t y 2 yt y yt 1 y yt y yt 1 y y t 2 y y t y y t 2 y y t 3 y yt y yt 3 y
-48,8 -936,96
r1 0,270
r2 -0,208
r3 -0,075
r4 -0,186
r5 -0,389
r6 -0,244
r7 0,099
r8 0,227
r9 0,005
Exemple :
x 10 20 20 10 10
1
ˆ 1 , ˆ 2 ˆ 3 ˆ 4 0
2
Opérateur retard
On aura souvent à considérer une variable en fonction de son passé. Il est donc
commode de définir un opérateur qui transforme une variable Xt en sa valeur passée.
C’est l’opérateur retard désigné par la lettre B (encore noté L dans la littérature) et tel
que :
BX X
t t 1
L' opération B décale le processus d' une unité de temps vers le passé
B 2 X X
t t2
d
B X t X t d Le processus est décalé de d unités de temps
• On suppose également que B0 = 1 de sorte que 1Xt = Xt
Opérateur de différentiation
X X X X t BX t 1 B X t
t t t 1
1 B
X t 1 B X t X t X t 1 X t 2 X t 1 X t 2
2 2
d
X t 1 B X t
d
Dans l´étude d’une série chronologique, il est naturel de penser que la valeur de
la série à la date t peut dépendre des valeurs prises aux dates précédentes. Yule
(1927) a introduit dans la littérature les modèles autorégressifs.
p
X t i X t i t , t Z .......... ..........
i 1
X t 1 X t 1 2 X t 2 ... q X t q t X t t .
Ou i sont des réels, p 0 , et {εt,t ∈Z} est un bruit blanc de variance σ2.
1 B B
1 2
2
... p B p X t t BX t t
Φ est un polynôme de degré p.
on voit que dans ce cas la valeur de Xt peut dépendre des valeurs passées, de εt.
Dans le cas ou les racines de Φ sont de module strictement supérieur à 1.
EX : AR(1)
X t X t 1 t t 0,1,2,...,
Si 1 et k , alors :
X t j t j ; 1
j 0
Donc :
X t j t j , j j , j 1,2,... , 1
j 0
X t X t 1 t
; t 0, 2
E X t E X t 1 E t
E X t E X t 1
1 E X t 0
EX t 0
La variance :
Var X t Var X t 1 :
1 Var X
2
t
2
2
Var X t
1 2
2
0
1 2 ; 1
Fct d’autocovariance:
h Cov X t , X t h
pour h=0 :
2
0 Cov X t , X t Var X t
12
Pour h=1:
1 Cov X t , X t 1 E X t X t 1 E X t E X t 1
E X t X t 1 E X t 1 t X t 1
0
pour h=2:
2 Cov X t , X t 2 E X t X t 2
E X t 1 t X t 2
1
2 0
h h 1 ; h 1
h 0 h 1
h
h ; h 1
0
h 0
; h 1
0
h ; h 1 , 1
lim h 0
h
1 2 1
2 1 1
2 1
X t 1 X t 1 2 X t 2 t
E X t 1 E X t 1 2 E X t 2 E t
Xt est stationnaire :
E X t E X t 1 E X t 2
1 1 2 E X t 0 E X t 0 , 1 2 1
La variance :
Var X t 0 cov X t , X t
0 cov1 X t 1 2 X t 2 t , X t 1 cov X t 1 , X t 2 cov X t 2 , X t 2
0 1 1 2 2 2
Fonction d’auto-corrélation :
h Cov X t , X t h
pour h=0:
0 Cov X t , X t Var X t
Pour h>0:
h Cov X t , X t h E X t X t h E X t E X t h
E X t X t h E 1 X t 1 2 X t 2 t X t h
1 h 1 2 h 2 , h 1
2 1 2
0
1 2 1 2 2 12
0
1 1
1 2
12
2 0 2
Donc : 1 2
1
1 ; 1
1 2 2
12
2 2
1 2
-la FAP
AR(2) :
1
11 1 ; 2 1
1 2
1 1
P k
1 2 2 2 1
22 2
kk 0 ; k 3
P2 1 1 1 2 1
1 1
– la FAP d’un AR(p) a ses p premières valeurs différentes de 0 et les autres sont
nulles.
Un processus (Xt,t ∈Z) est dit moyenne mobile d’ordre q, noté MA(q) (en anglais
moving average) s’il vérifie l’équation stochastique suivante :
q
X t i t i t , t Z .......... .......... .......... .
i 1
B 1 1 B 2 B 2 ... p B q
X t t t 1 ; t 0,1,2,... ; t 0, 2
X t 1 t
X t t
E X t E t E t 1 0
la variance :
Var X t 0 cov X t , X t
0 v t t 1 Var t 2Var t 1
2 2 2 1 2 2
pour h=1:
1 Cov X t , X t 1 Cov t t 1 , t 1 t 2
Cov t , t 1 Cov t , t 2 Cov t 1 , t 1 2 Cov t 1 , t 2
2
pour h=2:
2 Cov X t , X t 2 Cov t t 1 , t 2 t 3
Cov t , t 2 Cov t , t 3 Cov t 1 , t 2 2 Cov t 1 , t 3
0
1 2 2 h 0
h 2 h 1
0 h 2,3,...
La FAC .:
h 1
h
1 2
0 h 2,3,...
La FAC d’un MA(q) est donc nulle lorsque h > 1. On constate qu’il s’agit d’un
résultat similaire à celui obtenu pour la FAP d’un AR(p).
p
q
X t i X t i 1 i t i t , t Z ...
i 1 i 1
X t 1X t 1 2X t 2 ... p X t p t 1 t 1 ... q t q , t Z...
Sous certaines conditions, ces processus sont stationnaires. Comme nous le verrons
par la suite, ces processus peuvent s’écrire sous la forme :
X t t , t Z
On dira, par extension, que (Xt) est intégré d’ordre d si (Xt) est non-stationnaire, ...,:
Yt 1 B X t , est non-stationnaire, et (Zt) où Zt = (1−B)d Xt, est stationnaire.
d 1
Pour les données réelles, on notera que d=1,2 ou 3 (au maximum). Cela signifie que
(Yt) définit comme différence d’ordre d du processus (Xt). ( Yt=(1−B)d Xt )