THÈSE Estimation, validation et identification des modèles ARMA ...
THÈSE Estimation, validation et identification des modèles ARMA ...
THÈSE Estimation, validation et identification des modèles ARMA ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Chapitre 1. Introduction 49<br />
Remarque 1.15. Si la suite (ηt,Ft) t∈N est une différence de martingale <strong>et</strong> si on<br />
pose Xt = t<br />
n=0 ηn, alors la suite (Xt,Ft) t∈N est une martingale : E(Xt+1|Ft) =<br />
E({Xt +ηt+1}|Ft) = Xt.<br />
1.5.4 Mélange<br />
Définition de l’α-mélange<br />
Dans un espace probabilisé (Ω,A0,P), considérons A <strong>et</strong> B deux sous-tribus de A0.<br />
Nous définissons le coefficient de α-mélange (ou de mélange fort) entre ces deux tribus<br />
par<br />
α(A,B) = sup |P (A∩B)−P(A)P(B)|.<br />
A∈A,B∈B<br />
Il est évident que si A <strong>et</strong> B sont indépendantes alors α(A,B) = 0. Si par contre<br />
A = B = {A,A c ,∅,Ω} avec P(A) = 1/2 alors α(A,B) = 1/4. Les coefficients de<br />
mélange fort d’un processus vectoriel X = (Xt) sont définis par<br />
αX (h) = supα[σ(Xu,≤<br />
t),σ(Xu,≥ t+h)].<br />
t<br />
Si X est stationnaire, on peut enlever le terme sup t. On dit que X est fortement mélangeant<br />
si αX (h) → 0 quand h → ∞.<br />
Inégalité de covariance<br />
Soient p,q <strong>et</strong> r trois nombres positifs tels que p −1 +q −1 +r −1 = 1. Davydov (1968)<br />
a montré l’inégalité de covariance suivante<br />
|Cov(X,Y)| ≤ K0XpYq[α{σ(X),σ(Y)}] 1/r , (1.25)<br />
où X p p = EXp <strong>et</strong> K0 est une constante universelle. Dans le cas univarié, Davydov<br />
avait proposé K0 = 12. Rio (1993) a obtenu une inégalité plus fine, faisant intervenir les<br />
fonctions quantiles de X <strong>et</strong> Y . C<strong>et</strong>te inégalité montre également que l’on peut prendre<br />
K0 = 4 dans (1.25). Notons que (1.25) entraîne que la fonction d’autocovariance d’un<br />
processus stationnaire α-mélangeant ( <strong>et</strong> possédant <strong>des</strong> moments suffisants) tend vers<br />
zéro. Ces résultats peuvent être directement étendus à un processus vectoriel.