Stationnaire signifie que les statistiques qui décrivent le processus aléatoire sont constantes. «Un processus de Markov sans mémoire» est une autre façon de dire stationnaire, tout en disant que la fonction génératrice de probabilité n’a pas de termes de «rétroaction», mais si vous reconnaissez ces mots, vous ne posez peut-être pas cette question. FWIW «faiblement stationnaire» n'est pas tout à fait la même chose, un taux de changement constant ou connaissable des statistiques serait faiblement stationnaire, comme le ferait quelque chose qui est en moyenne, mais c'est un peu plus compliqué, alors considérez cet avertissement juste qu'il y a plus à savoir au cas où cela ferait partie du puzzle, mais décrire tout ce qui n'est pas stationnaire en détail transformerait une réponse simple en une réponse complexe.
Pourquoi la stationnaire est-elle importante? Les formules statistiques couramment utilisées sont conçues pour utiliser un ensemble de données pour extraire une description imprécise avec une précision estimable d'un processus aléatoire autrement inconnu. Les formules supposent que l'ajout d'échantillons supplémentaires augmente la précision de la description en réduisant l'incertitude. Pour cela, la tendance moyenne centrale, c'est-à-dire ergodique dans la moyenne, doit être vraie. Si le processus aléatoire lui-même change, par ex. la valeur moyenne ou la variance change, alors une hypothèse sous-jacente essentielle est invalide, vous ne pouvez pas faire une meilleure estimation.
En règle générale, «que se passe-t-il» si la moyenne se déplace en fonction linéaire du temps, la moyenne calculée représentera la moyenne à un moment moyen pondéré et la variance calculée sera gonflée. Il est possible de calculer une estimation «optimale a posteriori» (après coup) d'un processus non stationnaire, puis de l'utiliser pour extraire des statistiques significatives car la meilleure estimation de la fonction de temps minimise la variance. Il est également facile d'émettre des hypothèses sur une fonction temporelle d'ordre élevé et de créer un modèle complexe qui semble être valide et prédictif qui n'a en fait aucun pouvoir prédictif car il a modélisé un instantané du caractère aléatoire, et non une tendance temporelle sous-jacente.