2

Processus linéaires stationnaires

Ce chapitre a pour objectif principal de donner les caractéristiques statistiques des

modèles linéaires. En particulier, on étudiera les conditions de stationnarité et d’inversi-
bilité, le comportement des auto-corrélations ainsi que les auto-corrélations partielles des
processus ARMA (Auto-Regressive Moving Average).

2.1 Processus linéaire générale

Un processus X t est dit linéaire s’il admet une représentation de Wold, c’est à dire, il
peut être écrit sous la forme :

∞
ψ j ² t− j = Ψ(L)² t
X
Xt − µ = (2.1.1)
j =0

où µ est la moyenne du processus et Ψ(L) = 1 + j

P∞
j =1 L .
D’une façon similaire, le processus (2.1.1) peut être écrit comme suit :
à !
∞
L j π j ( X t − µ) = Π(L)( X t − µ) = ² t
X
1− (2.1.2)
j =1

où Π(L) = Ψ(L)−1 .
(Box, Jenkins et Reinsel, 2008) ont montrés que la fonction d’auto-covariance du processus
(2.1.1) est donnée par :
∞
γ( k) = σ2
X
ψ j ψ j+1 (2.1.3)
j =0

En particulier, lorsque k = 0, on trouve que la variance du processus est :

∞
γ(0) = σ2 ψ2j
X
(2.1.4)
j =0

P∞
Il s’en suit que la condition j =0 |ψ j | < ∞ implique que la partie droite de (2.1.4) converge,
et donc, garantie l’existence d’une variance finie pour le processus (2.1.1). Pour que ce

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 14

processus soit stationnaire, les fonctions d’auto-covariance et d’auto-corrélations doivent

remplir certaines conditions. Ces conditions sont vérifiées à partir de la relation ∞j =0 |ψ j | <
P

∞. Cette condition peut être remplacer par le fait que la série Ψ(L) ne converge que lorsque
|L| ≤ 1, c’est à dire que le polynôme Ψ(L) admet des racines à l’extérieur du cercle unité
(Box et collab., 2008).
Maintenant, recherchons une restriction appliquée sur les coefficients π j pour assurer ce
qu’on appelle condition d’inversibilité. La condition d’inversibilité est indépendante de la
stationnarité et applicable pour les processus non stationnaire.
En général, un processus linéaire est inversible si ∞ j =0 |π j | < ∞, ce qui implique que le
P

polynôme Π(L) admet des racines à l’extérieur du cercle unité.

2.2 Fonction d’auto-corrélation

Soit { X t } une série temporelle stationnaire. La covariance γ( k) = cov( X t , X t−k ) est appe-
lée auto-covariance d’ordre (ou de décalage) k.

Définition 2.1 (Fonction d’auto-covariance). La fonction k −→ γ( k); k ∈ Z est appelée fonc-

tion d’auto-covariance de { X t }.

Cette fonction vérifie les propriétés suivantes :

Propriétés 2.1. i) γ(0) = V ( X t ).

ii) |γ( k)| ≤ γ(0), ∀ k.
iii) γ( k) = γ(− k), ∀ k.

Cette fonction étant paire, on ne la représente que pour k = 0, 1, 2, . . .

Définition 2.2 (Coefficient d’auto-corrélation). Le coefficient d’auto-corrélation d’ordre k

est :
cov( X t , X t−k ) γ( k)
ρ ( k) = =
V (X t) γ(0)

Définition 2.3 (Fonction d’auto-corrélation). La fonction k −→ ρ ( k); k ∈ Z est appelée fonc-

tion d’auto-corrélation (théorique) de { X t }.

Définition 2.4 (Coefficient d’auto-corrélation partiel). Le coefficient de corrélation partielle

φkk entre les deux variables X 1 et X k d’un processus stochatistique ( X t ) t est le coefficient de
corrélation entre les deux variables auxquelles on a retranché les observations X 2 , . . . , X k−1 .

On utilisera l’abréviation anglaise (ACF) pour la fonction d’auto-corrélation et (PACF)

pour la fonction d’auto-corrélation partielle qui sont utilisée par le logiciel R. On appelle ses
graphiques corrélogramme et corrélogramme partiel respectivement. On voit que : ρ (0) = 1
et −1 ≤ ρ ( k) ≤ 1.

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 15

Dans la pratique, on estime les fonctions d’auto-covariance, d’auto-corrélation et d’auto-

corrélation partielle par les quantités suivantes :
Fonction d’auto-covariance empirique :

TX
−| k|
( X t − X )( X t−|k| − X )
t=1
γ
b( k) = , k ∈ Z.
T

Cet estimateur est un estimateur biaisé de γ( k), mais, sous certaines conditions, on peut
montrer qu’il est asymptotiquement sans biais. Si X t est un processus stationnaire gaus-
sien et si la série de terme général γ( k) est absolument convergente, alors γ
b( k) converge en
moyenne quadratique vers γ( k).
Le coefficient d’auto-corrélation empirique :

TX
−| k|
( X t − X )( X t−|k| − X )
t=1
ρb( k) = , k ∈ Z.
( X t − X )2

Le coefficient d’auto-corrélation partiel empirique : est estimé comme suit :

|R ∗ ( k)|
φkk = (2.2.1)
|R ( k)|

où R ( h) est la matrice des auto-corrélations à l’ordre k − 1 définie par :

 
ρ (0) ρ (1) . . . ρ ( k − 1)

ρ (1) ρ (0) . . . ρ ( k − 2)

 
R ( k) = 
 
.. .. .. .. 

 . . . . 

ρ ( k − 1) ρ ( k − 2) . . . ρ (0)

et R ∗ ( k) est la matrice obtenue après le remplacement de la dernière colonne de R ( k) par

(ρ (1), ρ (2), . . . , ρ ( k)) t . On peut aussi utiliser la forme recursive de l’algorithme de Durbin
pour estimer le coefficient d’auto-corrélation partiel :

φk+1, j = φk, j − φk+1,k+1 φk,k− j+1 , j = 1, 2, . . . , k; (2.2.2)

k
X
ρ ( k + 1) − φk, j ρ ( k − j + 1)
j =1
φk+1,k+1 = (2.2.3)
k
X
1− φk, j ρ ( j )
j =1

Pour les détails de cet algorithme, vous pouvez consulter (Box et collab., 2008, section
A3.2).

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 16

2.3 Processus ARMA

La classe des modèles ARMA peut être décomposée en deux sous classes : la classe des
modèles autorégressives AR et la classe des modèles moyenne mobile M A .

2.3.1 Processus MA
Processus MA d’ordre 1

Soit {² t } un BB et on considère le processus { X t } définit par :

X t = µ + ² t + θ² t−1 , (2.3.1)

où µ et θ sont des constantes réelles. Ce processus est dit processus moyenne mobile d’ordre
1 et noté par M A (1) (on note X t ∼ M A (1)). Le terme "moyenne mobile" vient du fait que X t
est construit à partir de la somme pondérée des deux dernières observations de la variables
aléatoire ² t .
Ce processus est toujours (pour toutes valeurs de θ ) stationnaire, mais il n’est inversible
que lorsque −1 < θ < 1 (Box et collab., 2008, section 3.1.3). L’espérance du processus X t est
donnée par :
E ( X t ) = E (µ + ² t + θ² t−1 ) = µ + E (² t ) + θ E (² t−1 ) = µ (2.3.2)

La variance de X t est :

V ( X t ) = E ( X t − µ)2 = E (² t + θ² t−1 )2
= E (²2t ) + 2θ E (² t ² t−1 ) + θ 2 E (²2t−1 )
= σ2 + 0 + θ 2 σ2 = (1 + θ 2 )σ2 . (2.3.3)

La première auto-covariance est :

γ(1) = E ( X t − µ)( X t−1 − µ)

= E (² t + θ² t−1 )(² t−1 + θ² t−2 )
= E (² t ² t−1 ) + θ E (² t ² t−2 ) + θ E (²2t−1 ) + θ 2 E (² t−1 ² t−2 )
= 0 + 0 + θσ2 + 0 = θσ2 . (2.3.4)

L’auto-covariance pour k > 1 est nulle :

E ( X t − µ)( X t−k ) = E (² t + θ² t−1 )(² t−k + θ² t−k−1 ) = 0 pour k > 1. (2.3.5)

Puisque la moyenne et la fonction d’auto-covariance du processus M A (1) sont indépen-

dantes du temps, alors ce processus est stationnaire pour toute valeur de θ .

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 17

A partir de (2.3.3) et (2.3.4), on déduit la première auto-corrélation :

γ(1) θσ2 θ
ρ (1) = = = (2.3.6)
γ(0) (1 + θ 2 )σ2 1 + θ2

et toutes les autres auto-corrélations sont nulles.

La fonction d’auto-corrélation (ACF) peut être représentée graphiquement en fonction du
k. Le graphique (2.1) donne la ACF théorique pour θ = 0.8 (à gauche) et θ = −0.35 (à droite).

par(mfrow=c(1,2))
ma8<-ARMAacf(ma=0.8,lag.max=10)
ma35<-ARMAacf(ma=-0.35, lag.max=10)
plot(0:10,ma8,type="h",ylim=c(0,1.5),ylab="",xlab="",

main=expression(italic(displaystyle(theta==0.8))))
points(0:10,ma8,pch=16)
abline(h=0)
plot(0:10,ma35,type="h",ylim=c(-1,1.5),ylab="",xlab="",

main=expression(italic(displaystyle(theta==-0.35))))
points(0:10,ma35,pch=16)
abline(h=0)

θ = 0.8 θ = − 0.35
1.5

1.5
1.0
1.0

0.5
0.0
0.5

−1.0
0.0

0 2 4 6 8 10 0 2 4 6 8 10
F IGURE 2.1 – ACF théorique d’un MA(1).

Le comportement du ρ (1) en fonction de θ est représenté dans la figure (2.2). On note que
la valeur la plus large du ρ (1) est 0.5 ; celle-ci est obtenue lorsque θ = 1. La valeur la plus
faible du ρ (1) = −0.5 est obtenue pour θ = −1. Pour toute valeur du ρ (1) entre -0.5 et 0.5, on
a deux valeurs possibles de θ qui peuvent produire cette auto-corrélation. Ceci se justifie
par le fait que la valeur de θ /(θ 2 + 1) reste inchangée si θ est remplacée par 1/θ , en effet :

1/θ θ 2 (1/θ ) θ
ρ (1) = = = .
1/θ 2 + 1 1 + θ2 θ2 + 1

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 18

Par exemple, les processus X t = ² t + 0.5² t−1 et X t = ² t + 2² t−1 ont la même fonction d’auto-
corrélation :
0.5 2
ρ (1) = 2
= 2 = 0.4.
0. 5 + 1 2 + 1

1.0

0.5

0.0
−3.0 −2.0 −1.0 0.0 0.5 1.0 2.0 3.0

−0.5

−1.0
F IGURE 2.2 – Le comportement de ρ (1) du processus MA(1) en fonction de θ .

Pour plus d’information concernant les liaisons qui peuvent exister entre deux processus
MA(1), vous pouvez voir (Hamilton, 1994, Section 3.7).
La fonction d’auto-corrélation partielle : En utilisant la relation (2.2.1) avec ρ (1) = θ /(1 +
θ 2 ) et ρ ( k) = 0 ∀ k > 0, on peut montrer que les auto-corrélations partielles peuvent être
obtenues à partir de cette relation :

φkk = −(−θ )k /(1 + θ 2 + θ 4 + . . . + θ 2k ) (2.3.7)

Exemple 2.1 : PACF du processus x t = ² t + 0.8² t−1

Cherchons les trois premières auto-corrélations partielles du processus suivant :

x t = ² t + 0.8² t−1 où ² t ∼ BB(0, 1)

La détermination de ces coefficients se fait soit en utilisant la relation (2.2.1), soit en

utilisant la relation (2.3.7).

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 19

On sait que la ACF du processus M A (1) est définie par :


 1,

 si k = 0;
θ
ρ ( k) = 1+θ 2
= 0.4878, si k = 1;

 0, si k > 1.


Donc, φ11 = ρ (1) = 0.4878,

¯ ¯
¯ρ (0) ρ (1)¯
¯ ¯
ρ (1) ρ (2)¯ ρ (0)ρ (2) − ρ 2 (1)
¯ ¯
R (2)
∗ ¯
φ22 = =¯ ¯= = −0.3122
R (2) ¯ρ (0) ρ (1)¯
¯ ¯ ρ 2 (0) − ρ 2 (1)

¯ρ (1) ρ (0)¯
¯ ¯

¯ ¯
¯ρ (0) ρ (1) ρ (1)¯
¯ ¯
¯ ¯
¯ρ (1) ρ (0) ρ (2)¯
¯ ¯
R (3) ¯ρ (2) ρ (1) ρ (3)¯
¯ ¯
∗
et φ33 = =¯ ¯ = 0.22147
R (3) ¯
¯ ρ (0) ρ (1) ρ (2)
¯
¯
¯ ¯
¯ρ (1) ρ (0) ρ (1)¯
¯ ¯
¯ρ (2) ρ (1) ρ (0)¯
¯ ¯

On peut vérifier que la relation (2.3.7) donne le même résultat :

φ11 = −(−θ )/(1 + θ 2 ) = −(−0.8)/(1 + 0.82 ) = 0.4878.
φ22 = −(−θ )2 /(1 + θ 2 + θ 4 ) = −(−0.8)2 /(1 + 0.82 + 0.84 ) = −0.3122.
φ33 = −(−θ )3 /(1 + θ 2 + θ 4 + θ 6 ) = −(−0.8)3 /(1 + 0.82 + 0.84 + 0.86 ) = 0.22147.
Ces coefficients peuvent être calculés à l’aide du logiclie R, tout en utilisant la com-
mande ARMAacf avec l’option (pacf = TRUE).

ARMAacf(ma = 0.8, lag.max = 5, pacf = T)

## [1] 0.4878 -0.3123 0.2215 -0.1652 0.1267

Les coefficients d’auto-corrélation partielle d’un processus M A (1) décroissent exponen-

tiellement en fonction de k et soit seront tous négatifs si θ < 0, soit alterneront en signe si
θ > 0.
Le graphique suivant donne le corrélogramme partiel de deux processus M A (1) avec θ =
0.8 et θ = −0.8.

ma1<-ARMAacf(ma=0.8, lag.max=21,pacf=T)
ma2<-ARMAacf(ma=-0.8, lag.max=21,pacf=T)
par(mfrow=c(1,2))
plot(0:20,ma1,type="h",ylim=c(-0.7,0.7),ylab="",xlab="",

main=expression(italic(displaystyle(theta==0.8))))
points(0:20,ma1,pch=16)
abline(h=0)
plot(0:20,ma2,type="h",ylim=c(-0.7,0.7),ylab="",xlab="",

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 20

main=expression(italic(displaystyle(theta==-0.8))))
points(0:20,ma2,pch=16)
abline(h=0)

θ = 0.8 θ = − 0.8
0.6

0.6
0.2

0.2
−0.2

−0.2
−0.6

−0.6

0 5 10 15 20 0 5 10 15 20
F IGURE 2.3 – PACF du processus MA(1) en fonction de θ .

La représentation AR(∞) du processus MA(1) : Lorsque le processus est inversible

(i.e. −1 < θ < 1), il admet une représentation AR (∞). Dans ce cas, on a :

ft = X t − µ = Θ(L)² t
X t = µ + ² t + θ² t−1 = µ + (1 + θ L)² t ⇐⇒ X

⇐⇒ Π(L) = (Θ(L))−1 X
ft = ² t

1 ∞
or (Θ(L))−1 = = 1 − θ L + θ 2 L2 − θ 3 L3 + . . . = 1 + (−θ ) j L j
X
1 + θL j =1
∞ ∞
ft = (θ L − θ 2 L2 + θ 3 L3 − . . .) X (−1) j+1 θ j X
X X
d’où X ft + ² t = e t− j + ² t = πjX
e t− j + ² t ∼ AR (∞).
j =1 j =1

Exemple 2.2
Déterminons les cinq premiers termes de l’écriture AR (∞) du processus suivant :

x t = ² t + 0.7² t−1

La représentation AR (∞) du processus M A (1) est donnée par :

∞ ∞
x t = (θ L − θ 2 L2 + θ 3 L3 − . . .) x t + ² t = (−1) j+1 θ j x t− j + ² t =
X X
π j x t− j + ² t ∼ AR (∞).
j =1 j =1

En remplaçant θ par 0.7, on trouve :

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 21

j 0 1 2 3 4
πj 1 −0.7 (0.7)2 = 0.49 −(0.7)3 = −0.343 (0.7)4 = 0.2401

Pour déterminer ces coefficients à l’aide du logiciel R, on utilise la fonction ARMAtoAR qui
est téléchargeable depuis l’adresse suivante http://hamrita.e-monsite.com/medias/
files/armatoar.txt.

source("http://hamrita.e-monsite.com/medias/files/armatoar.txt")
ARMAtoAR(ar = 0, ma = 0.7, n.lags = 5)

## [1] 1.0000 -0.7000 0.4900 -0.3430 0.2401

Processus MA d’ordre 2

Soit {² t } un BB et on considère le processus { X t } définit par :

X t = µ + ² t + θ1 ² t−1 + θ2 ² t−2 , (2.3.8)

ce processus est dit processus moyenne mobile d’ordre 2 et noté par M A (2) (on note X t ∼
M A (2)). Il est stationnaire pour toutes valeurs de θ1 et θ2 , et il est inversible seulement
lorsque les racines de l’équation caractéristique 1 + θ1 L + θ2 L2 = 0 sont en dehors du cercle
unité, c’est-à-dire :

θ1 + θ2 < 1
θ2 − θ1 < 1 (2.3.9)
−1 < θ1 < 1

L’espérance du processus X t est donnée par :

E ( X t ) = E (µ + ² t + θ1 ² t−1 + θ2 ² t−2 ) = µ + E (² t ) + θ1 E (² t−1 ) + θ2 E (² t−2 ) = µ (2.3.10)

La variance de X t est :

V ( X t ) = E ( X t − µ)2 = E (² t + θ1 ² t−1 + θ2 ² t−2 )2

= E (²2t ) + 2θ1 E (² t ² t−1 ) + 2θ2 E (² t ² t−2 ) + θ12 E (² t−1 ) + 2θ1 θ2 E (² t−1 ² t−2 ) + θ22 E (²2t−2 )
= σ2 + 0 + 0 + θ12 σ2 + 0 + θ22 σ2 (2.3.11)
= (1 + θ12 + θ22 )σ2 .

La fonction d’auto-covariance de X t est :

γ( k) = E ( X t − µ)( X t−k − µ)
= E (² t + θ1 ² t−1 + θ2 ² t−2 )(² t−k + θ1 ² t−k−1 + θ2 ² t−k−2 )

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 22

Pour k = 1, on a :

γ(1) = E (² t + θ1 ² t−1 + θ2 ² t−2 )(² t−1 + θ1 ² t−2 + θ2 ² t−3 )

= E (θ1 ²2t−1 + θ1 θ2 ²2t−2 ) (2.3.12)
= θ1 σ2 + θ1 θ2 σ2 = θ1 (1 + θ2 )σ2

Pour k = 2, on a :

γ(2) = E (² t + θ1 ² t−1 + θ2 ² t−2 )(² t−2 + θ1 ² t−3 + θ2 ² t−4 )

= E (θ2 ²2t−2 ) = θ2 σ2 (2.3.13)

Et pour k > 2, on a γ( k) = 0.
Ainsi, la fonction d’auto-covariance d’un processus M A (2) est donnée par :


 (1 + θ12 + θ22 )σ2 , si k = 0;

 θ (1 + θ )σ2 ,

si k = 1;
1 2
γ( k) = 2
(2.3.14)


 θ2 σ , si k = 2;

0, si k > 2.


La fonction d’auto-corrélation de ce processus est donnée par :



 1, si k = 0;
θ1 (1+θ2 )


γ( k)


1+θ 2 +θ 2
, si k = 1;
ρ ( k) = = θ2
1 2 (2.3.15)
γ(0)  , si k = 2;
1+θ12 +θ22




0, si k > 2.


La représentation AR(∞) : on a

Xt − µ = X
ft = = ² t + θ1 ² t−1 + θ2 ² t−2

= (1 + θ1 L + θ2 L2 )² t = Θ(L)² t
⇐⇒ Θ(L)−1 X
ft = Π(L) X
ft = ² t

telle que : Π(L)Θ(L) = 1, c-à-d :

(1 + π1 L + π2 L2 + . . .)(1 + θ1 L + θ2 L2 ) = 1
1 + (π1 + θ1 )L + (π2 + π1 θ1 + θ2 )L2 + (π3 + π2 θ1 + π1 θ2 )L3 + . . . = 1

Par identification, on obtient :

π1 + θ1 = 0 =⇒ π1 = −θ1 .
π2 + π1 θ1 + θ2 = 0 =⇒ π2 = −π1 θ1 − θ2 = θ12 − θ2 .
π3 + π2 θ1 + π1 θ2 = 0 =⇒ π3 = −π2 θ1 − π1 θ2 = −θ13 + 2θ1 θ2 .

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 23

Et d’une manière générale, les coefficients π j vérifient la relation suivante :

π j + π j−1 θ1 + π j−2 θ2 = 0 pour tous j > 1 avec π0 = 1.
Ainsi, la représentation AR (∞) d’un processus M A (2) est donnée par :

∞
X
π j X t− j = µ + ² t
j =0

avec π0 = 1, π1 = θ12 − θ2 et π j = −π j−1 θ1 − π j−2 θ2 ∀ j > 1.

Exemple 2.3 : Étude d’un processus M A (2)

On considère le processus définit par :

x t = 10 + ² t + 0.5² t−1 + 0.3² t−2 .

1. Étudier l’inversibilité de ce processus

2. Déterminer la ACF et les trois premiers coefficients de la PACF.
3. Donner la représentation AR (∞) de ce processus et donner les trois premiers coeffi-
cients de cette représentation.

1) Les processus M A sont toujours stationnaires, mais ne sont inversible que lorsque
les racines du polynôme caractéristique associé sont tous en dehors du cercle unité. En
particulier, les processus M A (2) sont inversible lorsque :

θ1 + θ2 < 1
θ2 − θ1 < 1
−1 < θ1 < 1

Or,

θ1 + θ2 = 0.5 + 0.3 = 0.8 < 1

θ2 − θ1 = 0.3 − 0.5 = −0.2 < 1
θ1 = 0.5 ∈] − 1; 1[

Donc, ce processus est bien inversible.

Pour tester si un processus est inversible ou non avec R, on peut soit, utiliser la fonc-
tion causal.inversible qui téléchargeable depuis l’adresse suivante : http://hamrita.
e-monsite.com/medias/files/causal-inversible.txt, soit utiliser la fonction armaRoots
de l’extension fArma qui donne la représentation des racines du polynôme caractéristique.

source("http://hamrita.e-monsite.com/medias/files/causal-inversible.txt")
causal.inversible(ma = c(0.5, 0.3))

##
## Le processus est causal et inversible

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 24

2) Le processus M A (2) possède deux coefficients de corrélation non nuls.

θ1 (1 + θ1 ) 0.5(1 + 0.3)
ρ (1) = = = 0.4850746.
1 + θ12 + θ22 1 + 0.52 + 0.32
θ2 0. 3
ρ (1) = = = 0.2238806.
1 + θ12 + θ22 1 + 0.52 + 0.32
ρ ( k) = 0 ∀ k > 2.

Les corrélations partielles sont données comme suit :

φ11 = ρ (1) = 0.4850746.

¯ ¯
¯ρ (0) ρ (1)¯
¯ ¯
ρ (1) ρ (2)¯ ρ (0)ρ (2) − ρ 2 (1)
¯ ¯
R ∗ (2) ¯
φ22 = =¯ ¯= = −0.01492972
R (2) ¯ρ (0) ρ (1)¯
¯ ¯ ρ 2 (0) − ρ 2 (1)
¯ρ (1) ρ (0)¯
¯ ¯

¯ ¯
ρ (0) ρ (1) ρ (1)
¯ ¯
¯ ¯
¯ ¯
¯ρ (1) ρ (0) ρ (2)¯
¯ ¯
ρ (2) ρ (1) ρ (3)
¯ ¯
R (3)
∗ ¯ ¯
et φ33 = =¯ ¯ = −0.13469429
R (3) ¯ρ (0) ρ (1) ρ (2)¯
¯ ¯
¯ ¯
¯ρ (1) ρ (0) ρ (1)¯
¯ ¯
¯ρ (2) ρ (1) ρ (0)¯
¯ ¯

ARMAacf(ma = c(0.5, 0.3), lag.max = 5) # Corrélations

## 0 1 2 3 4 5
## 1.0000 0.4851 0.2239 0.0000 0.0000 0.0000

ARMAacf(ma = c(0.5, 0.3), lag.max = 5, pacf = T) # Corrélations partielles

## [1] 0.485075 -0.014930 -0.134694 0.071714 0.004339

Les coefficients d’auto-corrélation partielle d’un processus MA(2) décroissent exponen-

tiellement en fonction de k et leur signe dépend du celui des coefficients θ1 et θ2 .

ma1<-ARMAacf(ma=c(0.5,0.3), lag.max=21,pacf=T)
ma2<-ARMAacf(ma=c(-0.5,-0.3), lag.max=21,pacf=T)
ma3<-ARMAacf(ma=c(-0.5,0.3), lag.max=21,pacf=T)
ma4<-ARMAacf(ma=c(0.5,-0.3), lag.max=21,pacf=T)
par(mfrow=c(2,2))
plot(0:20,ma1,type="h",ylim=c(-0.6,0.6),ylab="",xlab="",

main=expression(paste(theta[1]==0.5," , ", theta[2]==0.3)))

points(0:20,ma1,pch=16)
abline(h=0)

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 25

plot(0:20,ma2,type="h",ylim=c(-0.6,0.6),ylab="",xlab="",

main=expression(paste(theta[1]==-0.5, " , " ,theta[2]==-0.3)))

points(0:20,ma2,pch=16)
abline(h=0)
plot(0:20,ma3,type="h",ylim=c(-0.6,0.6),ylab="",xlab="",

main=expression(paste(theta[1]==-0.5, " , ", theta[2]==0.3)))

points(0:20,ma3,pch=16)
abline(h=0)
plot(0:20,ma4,type="h",ylim=c(-0.6,0.6),ylab="",xlab="",

main=expression(paste(theta[1]==0.5, theta[2]==-0.3)))
points(0:20,ma4,pch=16)
abline(h=0)

θ1 = 0.5 , θ2 = 0.3 θ1 = − 0.5 , θ2 = − 0.3

0.6

0.6
0.2

0.2
−0.2

−0.2
−0.6

−0.6

0 5 10 15 20 0 5 10 15 20

θ1 = − 0.5 , θ2 = 0.3 θ1 = 0.5θ2 = − 0.3

0.6

0.6
0.2

0.2
−0.2

−0.2
−0.6

−0.6

0 5 10 15 20 0 5 10 15 20
F IGURE 2.4 – PACF du processus MA(2) en fonction de θ1 et θ2 .

3) Le processus est inversible, donc il admet une représentation AR (∞).

Xt − µ = X
ft = = ² t + θ1 ² t−1 + θ2 ² t−2

= (1 + θ1 L + θ2 L2 )² t = Θ(L)² t
⇐⇒ Θ(L)−1 X
ft = Π(L) X
ft = ² t

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 26

telle que : Π(L)Θ(L) = 1, c-à-d :

(1 + π1 L + π2 L2 + . . .)(1 + θ1 L + θ2 L2 ) = 1
1 + (π1 + θ1 )L + (π2 + π1 θ1 + θ2 )L2 + (π3 + π2 θ1 + π1 θ2 )L3 + . . . = 1

Par identification, on obtient :

π1 + θ1 = 0 =⇒ π1 = −θ1 = −0.5.
π2 + π1 θ1 + θ2 = 0 =⇒ π2 = −π1 θ1 − θ2 = θ12 − θ2 = −0.05.
π3 + π2 θ1 + π1 θ2 = 0 =⇒ π3 = −π2 θ1 − π1 θ2 = −θ13 + 2θ1 θ2 = 0.175.
Et d’une manière générale, les coefficients π j vérifient la relation suivante :
π j + π j−1 θ1 + π j−2 θ2 = 0 pour tous j > 1 avec π0 = 1.

source("http://hamrita.e-monsite.com/medias/files/armatoar.txt")
round(ARMAtoAR(ar = 0, ma = c(0.5, 0.3), n.lags = 10), 4)

## [1] 1.0000 -0.5000 -0.0500 0.1750 -0.0725 -0.0162 0.0299 -0.0101

## [9] -0.0039 0.0050

Processus MA d’ordre q

Un processus est dit moyenne mobile d’ordre q, noté par M A ( q), s’il admet l’écriture
suivante :
X t = µ + ² t + θ1 ² t−1 + . . . + θ q ² t− q où ² t ∼ BB(0, 1). (2.3.16)

Ce processus est toujours stationnaire, mais il est inversible que lorsque les racines (en
module) du polynôme caractéristique associé sont touen dehors du cercles unité. C’est-à-
dire :
X t est inversible ⇐⇒ ((1 + θ1 L + θ2 L2 + . . . + θ q L q ) = 0 =⇒ |L i | > 1).

Le processus M A ( q) possède les caractéristiques suivantes :

L’espérance : E ( X t ) = µ.
La fonction d’auto-covariance :

 qX
−k
σ2 θ j θ j+k , k ≤ q;


γ( k) = j =0

 0, k > q.


Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 27

où θ0 = 1, θ j = 0 pour tout j > q

La fonction d’auto-corrélation :



 1, k = 0;
qX −k



θ j θ j+k





j =0
ρ ( k) = q
, 1≤k≤q:

2
X
θj







 j = 0

 0, k>q

On voit bien que la ACF d’un processus M A ( q) est nulle au-delà de l’ordre q.

2.3.2 Processus AR
Processus AR(1)

Un processus est dit processus auto-regressive d’ordre 1, noté AR (1), s’il admet l’écri-
ture suivante :
X t = µ + φ X t−1 + ² t où ² ∼ BB(0, σ2 ) (2.3.17)

Ce processus est stationnaire lorsque |φ| < 1 et il est toujours inversible. Ce processus
admet les caractéristiques suivantes :
L’espérance : Pour déterminer l’espérance d’un processus stationnaire AR (1), il est à
noter que ce processus admet l’écriture suivante :

X t = µ + φE ( X t−1 + E (² t ) ⇐⇒ (1 − φL) X t = µ + ² t
= (1 − φL)−1 (µ + ² t )
= (1 + φL + φ2 L2 + . . .)(µ + ² t )

Donc

E ( X t ) = E ((1 + φL + φ2 L2 + . . .)µ) + E ((1 + φL + φ2 L2 + . . .)² t )

= E ((1 + φ + φ2 + . . .)µ) + E (² t + ² t−1 + . . .) (2.3.18)
µ
=
1−φ

car E (² t ) = E (² t−1 ) = E (² t−2 ) = . . . = 0 et (1 + φ + φ2 + . . .) est la somme infinie d’une suite

1
géométrique de raison q = φ et de premier terme égale à 1. Donc, (1 + φ + φ2 + . . .) = .
1−φ
¢2
La variance : On sait que : V ( X t ) = E X t − E ( X t ) = γ(0).
¡

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 28

Or,

µ
X t − E ( X t ) = (1 − φL)−1 (µ + ² t ) −
1−φ
µ µ
= + (² t + φ² t−1 + φ2 ² t−2 + . . .) −
1−φ 1−φ
∞
φ j ² t− j
X
=
j =0

¢2
D’où E X t − E ( X t ) = E (² t + φ² t−1 + φ2 ² t−2 + . . .)2 . Et puisque E (² t ²s ) = 0, ∀ t 6= s, on aura :
¡

γ(0) = E (²2t ) + φ2 E (²2t−1 ) + φ4 E (²2t−2 ) + . . .

= (1 + φ2 + φ4 + φ6 + . . .)σ2 (2.3.19)
2
σ
=
1 − φ2

La fonction d’auto-covariance : On peut déterminer la fonction d’auto-covariance en

raisonnant de la même manière. La fonction d’auto-covariance est définie par :

γ( k) = E ( X t − E ( X t ))( X t−k − E ( X t ))

En utilisant les résultats suivants :

X t − E ( X t ) = ² t + φ² t−1 + φ2 ² t−2 + . . . (2.3.20)

2
X t−k − E ( X t ) = ² t−k + φ² t−k−1 + φ ² t−k−2 + . . . (2.3.21)

on trouve :

γ( k) E (² t + φ² t−1 + φ2 ² t−2 + . . . + φk ² t−k + φk+1 ² t−k−1 + . . .)

£
=
×(² t−k + φ² t−k−1 + φ2 ² t−k−2 + . . .)
¤

= φk E (² t−k )2 + φk+2 E (² t−k−1 )2 + φk+4 E (² t−k−2 )2 + . . . (2.3.22)

k 2 4 2
= φ (1 + φ + φ + . . .)σ
φk
= σ2 = φk γ(0).
1 − φ2

La fonction d’auto-corrélation : La ACF est définie par : ρ ( k) = γ( k)/γ(0). Donc ρ ( k) =

φk .
On remarque bien que la ACF d’un processus AR (1) décroît exponentiellement (|φ| < 1).

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 29

Ainsi, la matrice des corrélations est donnée par :

 
1 φ . . . φk−1
. . . φk−2 

 φ

1
R ( k) =  . (2.3.23)
 
 .. .. .. .. 
 . . . 

k−1 k−2
φ φ ... 1

Donc, les coefficients d’auto-corrélations partielles sont données par :

φ11 = ρ (1) = φ
¯ ¯ ¯ ¯
¯ρ (0) ρ (1)¯¯ ¯¯ 1 φ ¯¯
¯
¯ρ (1) ρ (2)¯ ¯φ φ 2 ¯ φ2 − φ2
¯ ¯ ¯ ¯
φ22 = ¯ ¯= ¯ ¯ = =0
¯ρ (0)
¯ ρ (1)¯¯ ¯1
¯ φ¯¯ 1 − φ2
¯ρ (1) ρ (0)¯ ¯φ
¯ ¯ ¯ ¯
1¯
et
φkk = 0, ∀ k > 1.

Un processus AR (1) est caractérisé par une décroissance exponentielle des auto-corrélations
(soit seront toutes positives si φ > 0, soit alterneront en signe si φ < 0) et par une seule
auto-corrélation partielle non nulle.
Le graphique suivant donne les corrélations simples et partielles (théorique) des processus
suivants :
X t = 0.7 X t−1 + ² t

X t = −0.7 X t−1 + ² t

ar1<-ARMAacf(ar=0.7, lag.max=21)
ar1p<-ARMAacf(ar=0.7, lag.max=21,pacf=T)
ar2<-ARMAacf(ar=-0.7, lag.max=21)
ar2p<-ARMAacf(ar=-0.7, lag.max=21,pacf=T)
par(mfrow=c(2,2),mar=c(4, 4, 2, 0.5))
plot(0:21,ar1,type="h",ylim=c(-1.2,1.2),ylab="ACF",xlab="",

main=expression(phi==0.7))
points(0:21,ar1,pch=16)
abline(h=0)
plot(0:20,ar1p,type="h",ylim=c(-0.8,0.8),ylab="PACF",xlab="",

main=expression(phi==0.7))
points(0:20,ar1p,pch=16)
abline(h=0)
plot(0:21,ar2,type="h",ylim=c(-1.2,1.2),ylab="ACF",xlab="",

main=expression(phi==-0.7))
points(0:21,ar2,pch=16)
abline(h=0)
plot(0:20,ar2p,type="h",ylim=c(-0.8,0.8),ylab="PACF",xlab="",

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 30

main=expression(phi==-0.7))
points(0:20,ar2p,pch=16)
abline(h=0)

φ = 0.7 φ = 0.7
1.0

0.5
0.5

PACF
ACF

0.0

0.0
−0.5

−0.5
−1.0

0 5 10 15 20 0 5 10 15 20

φ = − 0.7 φ = − 0.7
1.0

0.5
0.5

PACF
ACF

0.0

0.0
−0.5

−0.5
−1.0

0 5 10 15 20 0 5 10 15 20

F IGURE 2.5 – ACF et PACF du processus AR(1) en fonction de φ.

Exemple 2.4 : Étude d’un processus AR(1)

On considère le processus définit par :

x t = 0.5 x t−1 + ² t , où ² t ∼ BB(0, 1)

1. Ce processus est-il stationnaire ? Inversible ? Justifier.

2. Déterminer les cinq premiers coefficients de la ACF et donner la PACF de ce proces-
sus.
3. Donner la représentation M A (∞) de ce processus.

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 31

1) Étant donné que |φ| = 0.5 < 1, alors le processus est stationnaire. Ce processus est un
processus AR, donc il est inversible (Les processus AR sont toujours inversible).
2) La ACF est définie par : ρ ( k) = γ( k)/γ(0). Or, γ( k) = E ( x t x t−k ). On a : x t = 0.5 x t−1 +
² t . Multiplions les deux membres de cette équation par x t−k , puis appliquons l’opérateur
espérance, on obtient :

γ( k) = E ( x t x t−k ) = 0.5E ( x t−1 x t−k ) + E ( x t−k ² t ) = 0.5E ( x t−1 x t−k ) = 0.5γ( k − 1)

Divisons la dernière équation par γ(0), on aura :

ρ ( k) = 0.5ρ ( k − 1), avec ρ (0) = 1

Ainsi, ρ ( k) = 0.5k , ∀ k. D’où, on déduit les cinq premiers coefficient de la ACF.

k 0 1 2 3 4
ρ ( k) 1 0.5 0.25 0.125 0.0625

La PACF d’un processus AR(1) est nulle sauf pour le premier coefficient qui est égale à :
φ11 = ρ (1) = 0.5. Ainsi, on a : (
0.5, si k = 1
φkk =
0, sinon
Avec R, on utilise la fonction ARMAacf pour déterminer les coefficients d’auto-corrélation et
d’auto-corrélation partielle (avec l’option pacf=T).

ARMAacf(ar = 0.5, lag.max = 5) #corrélations

## 0 1 2 3 4 5
## 1.00000 0.50000 0.25000 0.12500 0.06250 0.03125

ARMAacf(ar = 0.5, lag.max = 5, pacf = T) #corrélations partielles

## [1] 0.5 0.0 0.0 0.0 0.0

3) Le processus est stationnaire, donc il admet une représentation M A (∞).

On a : x t = 0.5 x t−1 + ² t ⇐⇒ (1 − 0.5L) x t = ² t . Donc
∞
x t = (1 − 0.5L)−1 ² t = (1 + 0.5 + 0.52 + . . . + 0.5 j + . . .)² t = 0.5 j ² t− j .
X
j =0
Pour déterminer ces coefficients avec R, on peut utiliser la fonction ARMAtoMA.

ARMAtoMA(ar = 0.5, lag.max = 6)

## [1] 0.50000 0.25000 0.12500 0.06250 0.03125 0.01562

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 32

Processus AR(2)

Le processus AR(2) est définit par :

X t = µ + φ1 X t−1 + φ2 X t−2 + ² t où ² ∼ BB(0, σ2 )

⇐⇒ (1 − φ1 L − φ2 L2 ) X t = µ + ² t (2.3.24)
⇐⇒ Φ( L ) X t = µ + ² t

Ce processus est stationnaire si l’équation Φ(L) = 0 admet des racines en dehors du cercle
unité (L i > 1). Cette condition est remplie lorsque :

 φ1 + φ2 < 1


φ2 − φ1 < 1 (2.3.25)

 |φ | < 1

2

Le graphique suivant donne la représentation de la région de stationnarité en fonction de

φ1 et φ2 .

Racines réelles

φ2 0

Racines complexes

φ1
−1

−2 0 2
F IGURE 2.6 – Région de stationnarité d’un processus AR(2)

Il est à noter que ce processus est inversible pout toutes valeurs de φ i ; i = 1, 2.

Un processus AR(2) possède les caractéristiques suivantes :

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 33

L’espérance :

E ( X t ) = µ + φ1 E ( X t−1 + φ1 E ( X t−1 + E (² t )
= µ + φ1 E ( X t + φ1 E ( X t + 0 = µ + (φ1 + φ2 )E ( X t ) (2.3.26)
µ
=
1 − φ1 − φ2

e 2 ) avec X
La variance est donnée par V ( X t ) = γ(0) = E ( X t − E ( X t ))2 = E ( X
£ ¤
e t = X t − E ( X t ).
t

γ(0) = E (φ1 X e t + φ2 X
e t−1 X e t−2 X e t ²t )
et + X

= φ1 γ(1) + φ2 γ(2) + σ2 (2.3.27)

e t ² t ) = E ((φ1 X
car, E ( X e t−2 + ² t )² t ) = E (²2 ) = σ2 .
e t−1 + φ2 X
t
Et d’une manière plus générale, on peut montrer que :

γ( k) = φ1 γ( k − 1) + φ2 γ( k − 2), pour tous k > 0. (2.3.28)

Et puisque γ( k) = γ(− k), on aura :

γ(1) = φ1 γ(0) + φ2 γ(1) (2.3.29)

γ(2) = φ1 γ(1) + φ2 γ(0) (2.3.30)

D’après les équation (2.3.27), (2.3.29) et (2.3.30), on obtient :

(1 − φ2 )σ2
γ(0) = (2.3.31)
(1 + φ2 )(1 − φ1 − φ2 )(1 + φ1 − φ2 )

La fonction d’auto-corrélation est donnée par : ρ ( k) = γ( k)/γ(0). Donc,

γ(1) φ1 γ(0) + φ2 γ(1)

ρ (1) = = = φ1 ρ (0) + φ2 ρ (1) (2.3.32)
γ(0) γ(0)
γ(2) φ1 γ(1) + φ2 γ(0)
ρ (2) = = = φ1 ρ (1) + φ2 ρ (0) (2.3.33)
γ(0) γ(0)
Et d’une manière générale, on a la relation suivante :

ρ ( k) = φ1 ρ ( k − 1) + φ2 ρ ( k − 2) (2.3.34)

Ces équations s’appellent équations de Yulle-Walker.

Représentation MA(∞) : Lorsque le processus est stationnaire, il admet un écriture
M A (∞). La détermination des coefficients de la représentation M A (∞) d’un processus
AR (2) est plus complexe que dans le cas d’un processus AR (1).
e t = φ1 X
On a X t = X e t−1 +φ2 X
e t−2 +² t où X
e t = X t − E ( X t ). Donc, ce processu peut s’écrit comme

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 34

suit :

e t = (φ 1 L + φ 2 L 2 ) X
X e t + ²t

(1 − φ1 L − φ2 L2 ) X
e = ²t
| {z } t
Φ(L)
e t = Φ(L)−1 ² t = Ψ(L)² t
X (2.3.35)
∞
= (ψ0 + ψ1 L + ψ2 L2 + . . .)² t =
X
ψ j ² t− j
j =0

Les coefficients ψ j se déterminent par identification :

Ψ(L)Φ(L) = 1
(ψ0 + ψ1 L + ψ2 L2 + . . .)(1 − φ1 L − φ2 L2 ) = 1 (2.3.36)
ψ0 + (ψ1 − φ1 ψ0 )L + (ψ2 − φ1 ψ1 − φ2 ψ0 )L2 + . . . = 1

On obtient : 
 ψ0 = 1,


ψ1 = φ1 ψ0 , (2.3.37)

 ψ =φ ψ
1 j −1 + φ2 ψ j −2 , pour j = 2, 3, . . .

j

Et en résolvant ses équations d’une manière recursive, on aura : ψ1 = φ1 , ψ2 = φ21 + φ2 et

ainsi de suite.
On peut aussi, montrer que ces coefficients peuvent être déterminés explicitement comme
suit (voir Cryer et Chan, 2008, page 75) :
 j+1 j +1
 z1 − z2

, si z1 6= z2
ψj = z1 − z2 (2.3.38)
j
(1 + j )φ1 ,

si z1 = z2


où z i sont les inverses des racines du polynôme caractéristique (Φ(L i ) = 0, z i = 1/L i ).

Lorsque les racines du polynôme caractéristique sont complexes, les coefficients ψ j peuvent
être donnés par :
sin[( j + 1)θ ]
ψj = R j (2.3.39)
sin(θ )
−φ2 et θ tel que : cos(θ ) = φ1 /(2 −φ2 )
p p
où R =

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 35

Exemple 2.5 : Étude d’un processus AR(2)

On considère le processus x t défini par :

x t = 0.7 x t−1 + 0.1 x t−2 + ² t , où ² t ∼ BB(0, 1)

1. Vérifier que ce processus est stationnaire. Donner la moyenne et la variance de ce

processus.
2. Déterminer la ACF et calculer ses cinq premiers coefficients
3. Déterminer la PACF.
4. Donner l’écriture M A (∞) de ce processus et calculer les cinq premiers coefficients de
ψ j.

1) Un processus AR(2) est stationnaire si : φ2 − φ1 < 1, φ1 + φ2 < 1 et |φ2 | < 1. Or, on a :

φ2 − φ1 = 0.1 − 0.7 = −0.6 < 1, φ1 + φ2 = 0.8 < 1 et |φ2 | = 0.1 < 1, donc le processus est
stationnaire.
2) La ACF d’un processus stationnaire est donnée par : ρ ( k) = γ( k)/γ(0), avec :
γ( k) = E ( x t−k x t ) = φ1 E ( x t−k x t−1 ) + φ2 E ( x t−k x t−2 ), pour k = 1, 2, . . .
D’où, γ( k) = φ1 γ( k − 1) + φ2 γ( k − 2) =⇒ ρ ( k) = φ1 ρ ( k − 1) + φ2 ρ ( k − 2), pour k = 1, 2, . . .. D’où :
(
1, si k = 0
ρ ( k) =
φ1 ρ ( k − 1) + φ2 ρ ( k − 2), si k = 1, 2 . . .

Donc :
φ1 ρ (0) 0.7 × 1
ρ (1) = φ1 ρ (0) + φ2 ρ (1) =⇒ ρ (1) = = = 0.7777778
1 − φ2 1 − 0. 1
ρ (2) = φ1 ρ (1) + φ2 ρ (0) =⇒ ρ (2) = 0.7 × 0.7777 + 0.1 = 0.6444444

Et on procède de la même façon pour determiner les autres coefficients.

k 0 1 2 3 4 5
ρ ( k) 1 0.777 0.644 0.528 0.4346 0.3571

Avec R, on calcule ces coefficients en utilisant la fonction ARMAacf.

ARMAacf(ar = c(0.7, 0.1), lag.max = 5)

## 0 1 2 3 4 5
## 1.0000 0.7778 0.6444 0.5289 0.4347 0.3572

3) La PACF d’un processus AR(2) est nulle sauf les deux premières corrélations qui
sont différents de zéro.
φ11 = ρ¯ (1) = 0.777,
¯
¯ρ (0) ρ (1)¯
¯ ¯
¯ρ (1) ρ (2)¯ ρ (0) × ρ (2) − ρ (1)2 0.644 − 0.7772
¯ ¯
φ22 = ¯ ¯= = = 0.1.
¯ρ (0) ρ (1)¯
¯ ¯ ρ (0)2 − ρ (1)2 1 − 0 . 7772

¯ρ (1) ρ (0)¯
¯ ¯

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 36

Ainsi la PACF est donnée par :


 0.77778,

 si k = 1
φkk = 0.100, si k = 2

 0, si k = 3, 4, . . .


Avec R, ces coefficients se déduisent à l’aide de la fonction ARMAacf avec l’option (pacf=TRUE).

round(ARMAacf(ar = c(0.7, 0.1), lag.max = 5, pacf = T), 5)

## [1] 0.7778 0.1000 0.0000 0.0000 0.0000

4) Le processus est stationnaire, donc il admet une représentation M A (∞). On peut dé-
terminer les coefficients de cette représentation de deux manières ; soit par identification,
soit explicitement en appliquant les équation (2.3.38) ou (2.3.39).
Première méthode :
On a : Φ(L) = 1 − 0.7L − 0.1L2 et Ψ(L) = ψ0 + ψ1 L + ψ2 L2 + . . ., tel que :
Φ(L)Ψ(L) = 1 ⇐⇒ (ψ0 + ψ1 L + ψ2 L2 + . . .)(1 − φ1 L − φ2 L2 ) = 1.
ψ0 + (ψ1 − φ1 ψ0 )L + (ψ2 − φ1 ψ1 − φ2 ψ0 )L2 + . . . = 1. D’où, on aura :

 ψ0 = 1,


ψ1 = φ1 ψ0 = 0.7,

 ψ =φ ψ
1 j −1 + φ2 ψ j −2 = 0.7ψ j −1 + 0.1ψ j −2 , pour j = 2, 3, . . .

j

En appliquant la dernière équation, on obtient les cinq premiers coefficients de ψ j :

j 0 1 2 3 4 5
ψj 1 0.7 0.59 0.483 0.3971 0.32627

Avec R :

ARMAtoMA(ar = c(0.7, 0.1), lag.max = 5)

## [1] 0.7000 0.5900 0.4830 0.3971 0.3263

Deuxième méthode : pour appliquer cette méthode, tout d’abord on a besoin de détermi-
ner les racines du polynôme caractéristique associé au processus.
Φ( x) = 0 ⇐⇒ 1 − 0.7 x − 0.1 x2 = 0.
C’est une équation de second ordre à une inconnue. Calculons le discriminant de cette
équation :
∆ = b2 − 4ac = (−0.7)2 − 4 × (−0.1) = 0.89 = 0.94332 .
Le discriminant est positif, donc le polynôme caractéristique admet deux racines réelle
distinctes.p p
− b − ∆ 0.7 − 0.9433 − b − ∆ 0.7 + 0.9433
x1 = = = 1.217 et x1 = = = −8.217.
2a −0.2 2a −0.2

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 37

j +1 j +1
z1 − z2
Donc, z1 = 1/ x1 = 0.8217, z2 = 1/ x2 = −0.1217 et ψ j = .
z1 − z2
0.82172 − (−0.1217)2 0.82173 − (−0.1217)3
ψ1 = = 0.7; ψ2 = = 0.59
0.8217 − (−0.1217) 0.8217 − (−0.1217)
et ainsi de suite.
Remarque : On peut déterminer les racines z1 et z2 en cherchant les racines de l’équation
Φ( z) = Φ(1/ x) = 0 (i.e. z2 − 0.7 z − 0.1 = 0)

(xi <- polyroot(c(1, -0.7, -0.1))) # Calcul des racines du polynôme.

## [1] 1.217+0i -8.217-0i

(z <- 1/Re(xi)) # Calcul des zi.

## [1] 0.8217 -0.1217

(Re(polyroot(c(-0.1, -0.7, 1)))) # Calcul des zi autrement.

## [1] -0.1217 0.8217

j <- 5
(psij <- (z[1]^(1:(j + 1)) - z[2]^(1:(j + 1)))/(z[1] - z[2]))

## [1] 1.0000 0.7000 0.5900 0.4830 0.3971 0.3263

Processus AR(p)

Un modèle X t est dit auto-regressive d’ordre p est noté par X t ∼ AR ( p) s’il admet
l’écriture suivante :

X t = µ + φ1 X t−1 + φ2 X t−2 + . . . + φ p X t− p + ² t , où ² t ∼ BB(0, σ2 ) (2.3.40)

Son polynôme caractéristique est défini par :

Φ( L ) = 1 − φ1 L − φ2 L 2 − . . . − φ p L p

Un processus AR ( p) est stationnaire si et seulement si le polynôme caractéristique admet

des racines en dehors du cercle unité en module (i.e. Φ( x) = 0 =⇒ | x i | > 1). On peut montrer
que cette condition est équivalente à :
(
φ1 + φ2 + . . . + φ p < 1
(2.3.41)
et |φ p | < 1

Lorsque le processus est stationnaire, il peut s’écrit sous la forme M A (∞). C’est-à-dire, il
admet l’écriture suivante : ∞
ψ j ² t− j = Ψ(L)² t
X
X
et = (2.3.42)
j =0

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 38

(Box et collab., 2008, Annexe A4.1) ont montrés que les coefficients ψ j vérifient la relation
suivante :
ψ j = φ1 ψ j−1 + φ2 ψ j−2 + . . . + φ p ψ j− p pour j > 0 (2.3.43)

avec ψ0 = 1 et ψ j = 0 pour j < 0.

Un processus AR ( p) possède les propriétés suivantes :
L’espérance :

E ( X t ) = µ + φ1 E ( X t−1 ) + φ2 E ( X t−2 ) + . . . + φ p E ( X t− p ) + E (² t )
= µ + (φ1 + φ2 + . . . + φ p )E ( X t ), car E ( X t ) = E ( X t−h ) et E (² t ) = 0 (2.3.44)
µ µ
E( X t) = = .
1 − φ1 − φ2 − . . . − φ p Φ(1)

La variance :

γ(0) = E ( X t − E ( X t ))2 = E ( X
e t2 ) avec X
e t = X t − E( X t)

= E[ X e t−1 + φ2 X
e t (φ1 X e t− p + ² t )]
e t−2 + . . . + φ p X

= φ1 γ(1) + φ2 γ(2) + . . . + φ p γ( p) + E ( X
e t ²t ) (2.3.45)
= φ1 γ(1) + φ2 γ(2) + . . . + φ p γ( p) + σ2

e t ² t ) = E ((φ1 X
car E ( X e t−1 + φ2 X e t− p + ² t )² t ) = E (²2 ) = σ2 .
e t−2 + . . . + φ p X
t
De même, on peut montrer que la fonction d’auto-covariance vérifie la relation suivante :

γ( k) = E [ X e t−k ] = φ1 γ(1) + φ2 γ(2) + . . . + φ p γ( p) pour k = 1, 2, . . .

etX (2.3.46)

La fonction d’auto-corrélation :
En divisant γ( k) par γ(0), on obtient la ACF ρ ( k). D’où on aura la relation suivante :

ρ ( k) = φ1 ρ ( k − 1) + φ2 ρ ( k − 2) + . . . + φ p ρ ( k−) (2.3.47)

Cette relation peut être écrite matriciellement :

    
ρ (1) ρ (0) ρ (1)
· · · ρ ( p − 1) φ1

 ρ (2)   ρ (1)
 
ρ (0) · · · ρ ( p − 2)
 
  φ2 
 
= (2.3.48)
  
 .   .. .. .. ..  . 
 ..   . . . .   .. 
    
ρ ( p) ρ ( p − 1) ρ ( p − 2) · · · ρ (0) φp
| {z } | {z } | {z }
ρ Γ φ

La relation (2.3.48) est appelée équations Yulle-Walker .

Lorsque les valeurs du vecteur φ sont connues, ces équations seront utilisées afin de dé-
terminer le vecteur ρ . On peut utiliser ces équations pour l’estimation des paramètres φ i .

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 39

En effet,
b −1 ρb
b=Γ
φ

où Γ
b est la matrice des corrélations empiriques.

Exemple 2.6 : Estimation des paramètres à partir les équations Y-W

On considère un échantillon contenant 1000 observations d’une variable. L’estimation de
la ACF de cette série est donnée dans le tableau suivant :
k 0 1 2 3 4 5 6 7
ρb( k) 1 0.2214 -0.695 -0.4115 0.4022 0.4677 -0.1597 -0.429

On sait que cette série suit un modèle AR (3).

Donner une estimation des paramètres de ce modèle.

On a une estimation de la ACF d’un processus AR ( p) et on cherche à estimer les para-

mètres de ce processus. Pour ce faire, on fait recours aux équations de Yulle-Walker.

ρb(1) = φ
b1 ρb(0) + φ
b2 ρb(1) + φ
b3 ρb(2)

ρb(2) = φ
b1 ρb(1) + φ
b2 ρb(0) + φ
b3 ρb(1)

ρb(3) = φ
b1 ρb(2) + φ
b2 ρb(1) + φ
b3 ρb(0)

Matriciellement, on a :
        −1  
ρb(1) ρb(0) ρb(1) ρb(2) φ b1 φ
b1 ρb(0) ρb(1) ρb(2) ρb(1)
          
ρb(2) = ρb(1) ρb(0) ρb(1) φ b2  = ρb(1) ρb(0) ρb(1) ρb(2)
b2  ⇐⇒ φ
          
ρb(3) ρb(2) ρb(1) ρb(0) φ b3 φ
b3 ρb(2) ρb(1) ρb(0) ρb(3)

   −1    
φ
b1 1 0.2214 −0.6950 0.2214 0.47
       
φ
 2  =  0.2214 1  −0.6950 = −0.82
0.2214 
b      
φ
b3 −0.6950 0.2214 1 −0.4115 0.10

2.3.3 Processus ARMA

La combinaison des modèles AR et MA donne la classe des modèles ARMA (Auto-
Regressive Moving Average). Ce type des modèle est défini comme suit :

Définition 2.5. Un processus X t est dit un processus ARMA d’ordre p et q s’il admet l’écri-
ture suivante :

X t − φ1 X t−1 − φ2 X t−2 − . . . − φ p X t− p = ² t + θ1 ² t−1 + θ2 ² t−2 + . . . + θ q ² t− q (2.3.49)

où ² t ∼ BB(0, σ2 )

On peut écrire ce processus comme suit : Φ(L) X t = Θ(L)² t avec :

Φ(L) = 1 − φ1 L − φ2 L2 − . . . − φ p L p et Θ(L) = 1 + θ1 L + θ2 L2 + . . . + θ p L p .

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 40

Stationnarité : Un processus ARM A ( p, q) est stationnaire si le polynôme Φ(L) admet

des racines en dehors du cercle unité en module.
Causalité : Un processus ARM A ( p, q) est dit causal s’il existe des constantes ψ j tels que
∞
X
|ψ j | < ∞ et
j =0
∞
X
Xt = ψ j ² t− j .
j =0

La condition de la causalité est équivalente à :

Φ( x) = 1 − φ1 x − φ2 x2 − . . . − φ p x p = 0 =⇒ | x| > 1.

La détermination des coefficients ψ j se fait par identification :

Θ(L)
Φ(L) X t = Θ(L)² t =⇒ X t = ² t = Ψ(L)² t .
Φ( L )

Tel que : Φ(L)Ψ(L) = Θ(L)

=⇒ (1 − φ1 L − φ2 L2 − . . . − φ p L p )(ψ0 + ψ1 L + ψ2 L2 + . . . + ψ p L p ) = (1 + θ1 L + θ2 L2 + . . . + θ p L p ).
En développant cette relation et par identification, on peut vérifier que les coefficients ψ j
se calculent comme suit :
ψ0 = 1, ψ1 − φ1 ψ0 = θ1 , ψ2 − φ1 ψ1 − φ2 ψ0 = θ2 et d’une manière générale, on a :

p
X
ψj − φk ψ j−k = θ j pour j = 0, 1, 2, . . . (2.3.50)
k=1

où θ0 = 1, θ j = 0 pour j > q et ψ j = 0 pour j < 0.

Inversibilité : Un processus ARM A ( p, q) est dit inversible si le polynôme Θ(L) admet
des racines en dehors du cercle unité en module.
Lorsque le processus est inversible, il admet une représentation AR (∞). C’est-à-dire, il
peut s’écrire sous la forme :

X t = Π(L) X t + ² t , avec Π(L) = Φ(L)−1 Θ(L). (2.3.51)

On peut montrer que les coefficients π j peuvent être calculés de la manière suivante :

q
X
πj + θk π j−k = −φ j , j = 0, 1, 2, . . . (2.3.52)
k=1

avec φ0 = −1, φ j = 0 pour j > p et π j = 0 pour j < 0.

Fonction d’auto-covariance : Dans ce paragraphe, on donne trois méthodes pour le
calcul des auto-covariances.
Première méthode : Cette méthode est une application de la représentation M A (∞). En

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 41

effet, lorsque le processus est causal, il admet l’écriture :

∞
X
Xt = ψ j ² t− j . (2.3.53)
j =0

∞
D’où, γ( k) = E ( X t X t−k ) = σ2
X
ψ j ψ j+|k| .
j =0
Pour déterminer l’expression de la fonction de ψ j , on peut écrire Ψ(L)Φ(L) = Θ(L) et par
identification on déduit :

j
X
ψj − φk ψ j−k = θ j , 0 ≤ j < max ( p, q + 1) (2.3.54)
k=0

et
p
X
ψj − φ k ψ j − k = 0, j ≥ max ( p, q + 1) (2.3.55)
k=0

Ces équations peuvent être résolus successivement pour ψ0 , ψ1 , . . ..

Alternativement, on détermine les p valeurs initiales de la fonction ψ j , puis on cherche
la solution générale de l’équation aux différences (2.3.55). (Pour les détails, voir la section
B.1). La solution de l’équation aux différences (2.3.55) est :

k mX
i −1
c i j n j z− n
X
ψn = i , n ≥ max( p, q + 1) − p (2.3.56)
i =1 j =0

où z i , i = 1, 2, . . . , k sont les racines distinctes du polynôme caractéristique Φ( z) et m i leurs

ordres de multiplicité (on doit avoir ki=1 m i = p).
P

Exemple 2.7 : Recherche de la fonction ACv d’un ARMA(2,1)

On considère le processus défini par : (1 − L + 14 L2 ) x t = (1 + L)² t avec ² t un bruit blanc
gaussien de moyenne nulle et de variance σ2 = 1.
Déterminer la fonction d’auto-covariance de ce processus.
Cet exemple est pris de (Brockwell et Davis, 1991, p.92).

A partir de l’équation (2.3.50), on déduit les coefficients ψ j :

ψ0 = θ0 = 1
ψ1 = θ1 + ψ0 φ1 = θ1 + φ1 = 2
ψ j − ψ j−1 + 41 ψ j−2 = 0 pour j = 2, 3, . . .
La dernière relation est une équation aux différences linéaire homogène à coefficients
constants. Le polynôme caractéristique associé à cette équation est Φ( z) qui admet une
racine réelle double ( z1,2 = 2), Donc

ψn = ( c 10 + c 11 n)2−n , n = 0, 1, . . .

Les constantes c 10 et c 11 sont déterminées à partir les valeurs initiales ψ0 = 1 et ψ1 = 2.

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 42

Soit c 10 = 1, c 11 = 3 et
ψn = (1 + 3 n)2−n , n = 0, 1, . . .

Finalement, on obtient pour k ≥ 0 :

∞
γ( k) = σ2 (1 + 3 j )(1 + 3 j + 3 k)2−2 j−k
X
j =0
∞ h i
= σ2 2−k (3 k + 1)4− j + 3(3 k + 2) j 4− j + 9 j 2 4− j
X
j =0
4 12 20
· ¸
2 −k
= σ 2 (3 k + 1) + (3 k + 2) +
3 9 3
32
µ ¶
= σ2 2−k + 8k
3

Deuxième méthode : On peut aussi déterminer la fonction d’auto-covariance d’un processus

ARMA d’une manière similaire à celle utilisée pour un processus AR. En multipliant les
deux membres de l’équation (2.3.49) par X t−k et en appliquant l’espérance, on obtient les
équations aux différences linéaires :

∞
γ( k) − φ1 γ( k − 1) − φ2 γ( k − 2) − . . . − φ p γ( k − p) = σ2
X
θ j+k ψ j , 0 ≤ k < m, (2.3.57)
j =0

et
γ( k) − φ1 γ( k − 1) − φ2 γ( k − 2) − . . . − φ p γ( k − p) = 0, k ≥ m. (2.3.58)

avec m = max( p, q + 1), ψ j = 0 pour j < 0, θ0 = 1 et θ j = 0 pour j ∉ {1, 2, . . . , q}.

La solution générale de l’équation aux différences (2.3.58) est :

h mX
i −1
c i j k j z− k
X
γ( k) = i , k ≥ max( p, q + 1) − p (2.3.59)
i =1 j =0

où les p constantes c i j et γ( k), 0 ≤ k < max( p, q + 1) − p sont déterminées à partir les valeurs
initiales après avoir calculer les les ψ j , j = 0, 1, . . . , q.

Exemple 2.8 :
Reprenant l’exemple précédent : (1 − L + 41 L2 ) x t = (1 + L)² t

L’équation aux différences (2.3.58) devient :

1
γ( k) − γ( k − 1) − γ( k − 2) = 0, k≥2
4

qui admet comme solution générale :

γ( k) = ( c 10 + c 11 k)2−k , k ≥ 0. (2.3.60)

Mohamed Essaied Hamrita ISMAI Kairouan

 Processus linéaires stationnaires 43

Les valeurs initiales sont :

1
γ(0) − γ(1) − γ(2) = σ2 (ψ0 + ψ1 )
4
1
γ(1) − γ(0) − γ(1) = σ2 ψ0
4

où ψ0 = 1 et ψ1 = 2. Or

 γ(0) = c 10
 ( (
3 c 10 − 2 c 11 = 16σ2 c 10 = 32
3 σ
2

γ(1) = 12 ( c 10 + c 11 ) ⇐⇒ ⇐⇒

 γ(2) = 1 ( c + c )
 −3 c 10 + 2 c 11 = 8σ2 2 c 11 = 8σ2
4 10 11

Finalement, on aura :
32
µ ¶
2 −k
γ( k) = σ 2 + 8 k , k ≥ 0,
3
qui est la même expression trouvée précédemment.

gammak <- function(sigma2, k) {

sigma2^2 * 2^(-(0:k)) * ((32/3) + 8 * (0:k))
}
gn <- gammak(1, 10)
plot((0:10), gn, type = "b", xlab = expression(k), ylab = expression(gamma(k)),
pch = "*")

*
10

*
8

*
6
γ(k)

*
4

*
2

*
* * * *
0

0 2 4 6 8 10

F IGURE 2.7 – Fonction d’auto-covariances

Troisième méthode : La détermination numérique de la fonction d’auto-covariance γ( k)

peut être effectuée facilement. En premier lieu, on calcule γ(0), γ(1), . . . , γ( p) à partir les

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 44

équations (2.3.57) avec k = 0, 1, . . . , p, puis, en utilisant la relation de récurrence (2.3.58),

on détermine γ( p + 1), γ( p + 2), . . .
Fonction d’auto-corrélation :
Une fois la fonction d’auto-covariance est calculée, on peut déduire la fonction d’auto-
corrélation qui est définie par : ρ ( k) = γ( k)/γ(0).

Exemple 2.9 : Étude d’un processus ARMA(1,1)

Soit le processus X t définit par :

X t = 0.5 X t−1 + ² t − 0.7² t−1 , où ² t ∼ BB(0, 1).

1) Ce processus est-il stationnaire ? Inversible ?

2) Écrire ce processus sous la forme MA(∞). Donner l’expression analytique de la fonction
ψ j.
3) En déduire l’expression de la fonction d’auto-corrélation.
4) Calculer les 3 premières auto-corrélations partielles.

1) Le processus peut être écrit comme suit : Φ(L) X t = Θ(L)² t avec Φ(L) = 1 − 0.5L et Θ(L) =
1 − 0. 7 L .
Il est stationnaire car |φ| = 0.5 < 1. De même, ce processus est inversible car |θ | = 0.7 < 1.
2) Le processus X t est causal car Φ(L) admet une racine en dehors du cercle unité en
module, donc il admet un écriture MA(∞), i.e :

∞
ψ j ² t− j = Ψ(L)² t
X
Xt =
j =0

où Φ(L)Ψ(L) = Θ(L), c’est-à-dire :

(1 − φL)(ψ0 + ψ1 L + ψ2 L2 + . . .) = 1 + θ L

⇐⇒ ψ0 + (ψ1 − φψ0 )L + (ψ1 − φψ1 )L2 + . . . = 1 + θ L

Par identification, on obtient ψ0 = 1, ψ1 = θ + φψ0 = −0.7 + 0.5 = −0.2 et pour tout j > 1 :
ψ j − φψ j−1 = 0 ⇐⇒ ψ j = 0.5ψ j−1 = 0.5 j−1 ψ1 . Soit :

¶ µ ¶ j−1
1 1
µ
ψj = − pour j = 1, 2, . . .
5 2

3) l’ACF est définie par : ρ ( k) = γ( k)/γ(0) avec :

∞ µ ¶2 ∞ µ ¶ j−1
2 1 X 1 79
ψ2j
X
γ(0) = σ = 1+ − = .
j =0 5 j=1 4 75

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 45

et pour k = 1, 2, . . .
à !
∞ ∞
2 2
X X
γ( k) = σ ψ j ψ j+k = σ ψk + ψ j ψ j+k
j =0 j =1
"µ ¶ µ ¶k−1 #
1 1 1 1 k−2 X∞ µ1¶j 13 1 k−1
µ ¶ µ ¶µ ¶
= σ2 − + 2
=σ −
5 2 25 2 j =1 4 75 2

Ainsi
13 1 k−1
µ ¶µ ¶
ρ ( k) = − pour k = 1, 2, . . .
79 2

rho.k <- function(k) (-13/79) * 0.5^(k - 1)

(rho.6 <- rho.k(1:6)) # 6 premières autocorrélations

## [1] -0.164557 -0.082278 -0.041139 -0.020570 -0.010285 -0.005142

ARMAacf(ar = 0.5, ma = -0.7, 6) # même résultat

## 0 1 2 3 4 5 6
## 1.000000 -0.164557 -0.082278 -0.041139 -0.020570 -0.010285 -0.005142

3) Les trois premières auto-corrélations partielles son données comme suit :

φ11 = ρ (1) = −13/79 = −0.164557

¯ ¯
¯ρ (0) ρ (1)¯
¯ ¯
¯ρ (1) ρ (2)¯
¯ ¯
φ22 = ¯ ¯ = −0.1124
¯ρ (0) ρ (1)¯
¯ ¯
¯ρ (1) ρ (0)¯
¯ ¯

¯ ¯
ρ (0) ρ (1) ρ (1)
¯ ¯
¯ ¯
¯ ¯
¯ρ (1) ρ (0) ρ (2)¯
¯ ¯
¯ρ (2) ρ (1) ρ (3)¯
¯ ¯
φ33 = ¯ ¯ = −0.1124
¯ρ (0) ρ (1) ρ (2)¯
¯ ¯
¯ ¯
¯ρ (1) ρ (0) ρ (1)¯
¯ ¯
¯ρ (2) ρ (1) ρ (0)¯
¯ ¯

ARMAacf(ar = 0.5, ma = -0.7, 3, pacf = T)

## [1] -0.16456 -0.11240 -0.07776

On finit ce chapitre par un tableau récapitulatif, qui résume les principales caractéris-
tiques des différents processus linéaires.

Mohamed Essaied Hamrita ISMAI Kairouan

 Processus AR(p) Processus MA(q) Processus ARMA(p, q)
Modèle en termes des retards de Φ(L)X t = ² t Θ(L)−1 X t = ² t Φ(L)Θ(L)−1 X t = ² t
Xt

Mohamed Essaied Hamrita

Modèle en termes des retards de X t = Φ(L)−1 ² t X t = Θ(L)² t X t = Θ(L)Φ(L)−1 ² t
²t
π j (coefficients du AR(∞) Série finie Série infinie Série infinie
Processus linéaires stationnaires

ψ j (coefficients du MA(∞) Série infinie Série finie Série infinie

Condition de stationnarité Racines de Φ(L) = 0 sont en de- Toujours stationnaire Racines de Φ(L) = 0 sont en de-
hors du cercle unité en module hors du cercle unité en module
Condition d’inversibilité Toujours inversible Racines de Θ(L) = 0 sont en de- Racines de Θ(L) = 0 sont en de-
hors du cercle unité en module hors du cercle unité en module
ACF Infinie (décroissance expo- q premières corrélations non Infinie (décroissance expo-
nentielle et/ou décroissance nulles. Toutes nulles après. nentielle et/ou décroissance
sinusoïdale sinusoïdale après q − p retards).
PACF p premières corrélations non Infinie (décroissance expo- Infinie (décroissance expo-
nulles. Toutes nulles après. nentielle et/ou décroissance nentielle et/ou décroissance
sinusoïdale) sinusoïdale après) p − q retards).

TABLE 2.1 – Tableau récapitulatif des caractéristiques d’un processus ARMA

ISMAI Kairouan
46
Processus linéaires stationnaires 47

Exercices

Exercice 2.1
1) Déterminer lesquels des processus suivants sont stationnaires et lesquels sont inver-
sibles (² t est un bruit blanc) :
a) X t = −0.2 X t−1 + 0.48 X t−2 + ² t .
b) X t = −1.9 X t−1 − 0.88 X t−2 + ² t + 0.2² t−1 + 0.7² t−2 .
c) X t + 0.6 X t−1 = ² t + 1.2² t−1 .
d) X t + 1.8 X t−1 + 0.8 X t−2 = ² t .
e) X t + 1.6 X t−1 = ² t − 0.4² t−1 + 0.04² t−2 .
2) Dans les cas où le processus est stationnaire, calculer et représenter graphiquement la
ACF et la PACF avec R.

Exercice 2.2
Soit le processus X t définit par : X t = ² t + θ² t−1 où ² t est un bruit blanc.
déterminer la valeur θ ∗ de θ qui maximize le coefficient ρ (1).

Exercice 2.3
On considère le processus ARMA(1,1) définit par :

X t = 0.9 X t−1 + ² t + 0.5² t−1 , où ² t ∼ N (0, 1)

1) Ce processus est-il stationnaire ? Inversible ?

2) Donner la représentation MA(∞) de ce processus.
3) Montrer que sa fonction d’auto-corrélation simple est :

203 9 k−1
µ ¶
ρ ( k) = k = 1, 2, . . .
215 10

Exercice 2.4
Soit le processus AR(2) définit par :

X t = φ1 X t−1 + φ2 X t−2 + ² t , où ² t ∼ N (0, 1)

1) Rappeler les conditions sur les paramètres φ1 et φ2 pour que le processus soit station-
naire.
2) déterminer la représentation MA(∞) de ce processus. Exprimer les coefficients ψ j en
fonction de j lorsque φ1 = 0.7 et φ2 = −0.1.

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 48

3) En déduire que la ACF est :

24−k − 51−k
ρ ( k) = k = 1, 2, . . .
11

Exercice 2.5
Soit ² t un BB(0, 1) et X t un processus ARM A vérifiant :

1 1
X t − X t−1 = ² t − ² t−1
3 2

1
1) Soit Y un processus AR (1) définit par : Yt − Yt−1 = ² t .
3
1
Montrer que X t = Yt − Yt−1 .
2
2) Exprimer γ0X en fonction γY Y
0 et γ1 .
3) Calculer γY Y X
0 et γ1 , puis déduiser γ0 .

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 49

B.1 Équation aux différences

Dans cette section, on s’interesse à la recherche de la solution générale d’une équation
aux différences linéaire homogène à coefficients constants d’ordre k.

Définition 2.6. On appelle équation aux différences linéaire homogène à coefficients constants
(EDLH) d’ordre k l’équation définie par :

x t + α1 x t−1 + α2 x t−2 + . . . + αk x t−k = 0 avec αk 6= 0. (B.1.1)

Le polynôme caractéristique associé à cette équation est alors :

α(L) = 1 + α1 L + α2 L2 + . . . + αk L k

D’après le théorème fondamental de l’algèbre, le polynôme caractéristique possède k solu-

tions complexes. On note z1 , z2 ,. . ., z k ces solutions. On distingue deux cas :
Premier cas : des racines distinctes
Dans ce cas, la solution générale de l’équation (B.1.1) est de la forme (Neusser, 2012, pp :
34-36) :

1
x t = c 1 λ1t + c 2 λ2t + . . . + c k λkt où λ i = .
zi
k
= c 1 z1− t + c 2 z2− t + . . . + c k z− t
c p z−p t .
X
k = (B.1.2)
p=1

Remarque 2.1. Dans le cas où les solutions sont des pairs de nombres complexes conjugués,
on fait recours aux coordonnées polaires de ces nombres pour écrire la solution comme un
nombre réel.
Plus précisement, si ( z j , z j ) est une pair des racines
q conjuguées du polynôme caractéristique
avec z j = a j + ib j , alors z j = r j exp( i ϕ j ) où r j = (a2j + b2j ) et ϕ j = arctan( b j /a j ).

Remarque 2.2. Une fois, on a fixé k valeurs initiales, il existe une et une seule solution de
l’équation (B.1.1).

Exemple 2.10 :
1) Soit l’équation aux différences suivantes :

ψ j−3 − 3ψ j−2 − 4ψ j−1 + 12ψ j = 0

Donner la solution de cette équation lorsque ψ0 = 29/12, ψ1 = 5/12 et ψ2 = 1/2.

2) Résoudre l’équation aux différences suivante :
p p
1 2− 6
h t−2 − h t−1 + h t = 0, h 0 = p et h 1 = .
2 2 4

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 50

1) Le polynôme caractéristique associé à cette équation est :

P ( z) = z3 − 3 z2 − 4 z + 12 = ( z − 2) ( z − 3) ( z + 2) .

D’où P ( z) = 0 admet 3 racines réelles distinctes z1 = 2, z2 = 3 et z3 = −2.

Donc, une solution de cette équation prend la forme :

−j −j −j
ψ j = c 1 z1 + c 2 z2 + c 3 z3 = c 1 2− j + c 2 3− j + c 3 (−2)− j

où les constantes c i sont déterminées à partir des valeurs initiales. En effet :


 ψ0 = 29/12 =⇒ c 1 + c 2 + c 3 = 29/12


ψ1 = 5/12 =⇒ 2 c 1 + 3 c 2 + 4 c 3 = 5/12

 ψ = 1/2

=⇒ 4 c 1 + 9 c 2 + 16 c 3 = 1/2
2

=⇒ c 1 = 1, c 2 = 3/4 et c 3 = 2/3. Ainsi :

3 2
ψ j = 2− j + 3− j + (−2)− j
4 3

2) Le polynôme caractéristique associéepà l’équation est P ( z) = z2 − z + 1 et possède deux

racines complexes conjuguées : z k = 21 ± 23 i , k = 1, 2.
p
Donc z = r exp ( i ϕ) avec r = (12 + 12 ) = 2 et ϕ = arctan(1) = π4 . D’où, une solution de
p

l’équation est de la forme : h t = c 1 r −1 cos(ϕ t + c 2 ) = pc1 cos( π4 t + c 2 ) où les constantes c 1 et c 2

2
sont déterminées à partir les valeurs initiales.

 h0 = 1
p =⇒ pc1 cos ( c 2 ) = 1
p
2 2p
p 2 2 2p p
p1 cos ( π + c 2 ) = 2− 6
 h1 = 2− 6 c
4 =⇒ 4 4
2

=⇒ c 1 = 1 et c 2 = π3 . Ainsi :

1 ³π π´
h t = p cos t + , pour t = 0, 1, . . .
2 4 3

Deuxième cas : des racines multiples

Lorsque les racines de l’équation caractéristique ne sont pas distinctes, la situation devient
un peu compliquée. On note les r racines distinctes par z1 , . . . , z r , r < k et leurs ordres de
multiplicités par m 1 , . . . , m r . En écrivant l’équation aux différences en termes d’opérateur
retard, on aura :
³ ´
1 + α1 L + α2 L2 + . . . + αk L k x t = (1 − λ1 )m1 (1 − λ2 )m2 . . . (1 − λr )m r x t = 0

où λ i , 1 ≤ i ≤ r sont égales à 1/ z i .

Mohamed Essaied Hamrita ISMAI Kairouan

Processus linéaires stationnaires 51

Dans ce cas, la solution générale de l’équation aux différences est :

r ¡
c i0 + c i1 t + c i2 t2 + . . . + c im i −1 t m i −1 λ ti
X ¢
xt =
i =1

Exemple 2.11 :
Donner la solution de l’équation aux différences définie par :

(L − 2)2 (L + 3) X t = 0 où L est l’opérateur retard

avec X 0 = 2, X 1 = 67 et X 2 = 49
36 .

Le polynôme caractéristique associé à cette équation et P ( z) = ( z − 2)2 ( z + 3) qui admet

une racine réelle double et une racine réelle simple. Soit z1,2 = 2 et z3 = −3. D’où la solution
générale de cette équation aux différences est :

−t
X t = ( c 10 + c 11 t) z1,2 + c 3 z3− t = ( c 10 + c 11 t) 2− t + c 3 (−3)− t

avec 
 X0 = 2 =⇒ c 10 + c 3 = 2


X 1 = 7/6 =⇒ ( c 10 + c 11 )/2 − c 3 /3 = 7/6

 X = 1/2

=⇒ ( c 10 + 2 c 11 )/4 + c 3 /9 = 49/36
2

=⇒ c 10 = 1, c 11 = 2 et c 3 = 1. Ainsi :

X t = (1 + 2 t) 2− t + (−3)− t pour t = 0, 1, . . .

En conclusion, et d’une manière plus générale (racines distinctes et/ou multiples), la solu-
tion générale de l’équation aux différences (B.1.1) est :

q mX
i −1
c i j t j z− t
X
xt = i (B.1.3)
i =1 j =0

où z i , i = 1, 2, . . . , q sont les racines distinctes du polynôme caractéristique α( z) et m i leurs

ordres de multiplicité.

Mohamed Essaied Hamrita ISMAI Kairouan