CalcSto09 10

Université Pierre et Marie Curie, Paris 6
Master de Mathématiques 2009-2010
M2–Probabilités et Finance
Calcul Stochastique
Philippe Bougerol
14 Octobre 2009
1
TABLE DES MATIÈRES
1. Introduction au calcul stochastique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.1. Modélisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Bruit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Un ”primer” sur l’intégrale d’Ito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2. Intégration de Lebesgue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1. Mesures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2. Intégration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3. Espaces L1 , L1 , L2 , L2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4. Espérance conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.5. Densités, Probabilités équivalentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.6. Uniforme intégrabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.7. Divers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.8. Convergence en probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.9. Tribu engendrée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.10. Lois . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.11. Mesure produit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.12. Processus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.13. Indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3. Mouvement Brownien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.1. Loi gaussienne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2. Vecteur gaussien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3. Famille gaussienne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.4. Définition du mouvement brownien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.5. Filtrations et Brownien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.6. Propriété de Markov forte du mouvement brownien . . . . . . . . . . . . . . 32
3.7. Existence et Simulation du Mouvement brownien . . . . . . . . . . . . . . . . 36
4 TABLE DES MATIÈRES
3.8. Appendice 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.9. Appendice 2 : Construction de P. Lévy du mouvement brownien . . 37
4. Martingales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.1. Martingales, définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2. Martingales à temps discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3. Martingale continue à droite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.4. Formulaire sur l’espérance conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . 45
5. Crochet de martingales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.1. Cas discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.2. Premiers pas, à temps continu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.3. Crochet comme variation quadratique . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.4. Martingale locale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.5. Processus à variation finie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.6. Crochet de deux martingales locales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
6. Intégrale stochastique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.1. Intégrale stochastique par rapport à une martingale de carré intégrable
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.2. Cas d’une martingale locale. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
6.3. Semimartingales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
6.4. Formule d’Itô . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
7. Applications de la formule d’Ito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
7.1. Sur le Brownien multidimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
7.2. Martingales exponentielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
7.3. Théorème de représentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
7.4. Girsanov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
8. Equations différentielles stochastiques . . . . . . . . . . . . . . . . . . . . . . . . . . 83
8.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
8.2. Solutions fortes d’E.D.S. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
8.3. Localisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
8.4. Propriété de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
8.5. Processus de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
8.6. EDS et EDP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
CHAPITRE 1
INTRODUCTION AU CALCUL
STOCHASTIQUE
Introduction très très sommaire et volontairement caricaturale, sans toutes

les justifications mathématiques, pour l’instant. Tout sera repris, rigoureuse-
ment et dans un cadre plus général, ensuite.
1.1. Modélisation
On cherche à modéliser (construire des modèles) et faire des calculs sur des
phénomènes évoluant dans le temps qui dépendent du hasard.
La valeur Xt du phénomène à l’instant t, peut être observée à cet instant,
mais pas prédite avant. Entre les instants t et t+h une part de hasard s’ajoute.
On s’intéresse au cas le plus fréquent où la fonction t 7→ Xt est continue. Pour
faire simple supposons que Xt est à valeurs dans R. On va avoir, pour t, h ≥ 0,
Xt+h = Xt + ∆ht
où ∆ht est aléatoire. L’idée fondamentale est qu’au moins dans un premier
temps, pour h très très (infinitésimalement...) petit, ∆ht peut s’écrire
∆ht = Ht εht
où εht est une variable aléatoire indépendante de tout ce qui précède et de loi
ne dépendant que de h (et donc pas de t) et où Ht est une fonction continue
de t, ”observable à l’instant t”, par exemple une fonction de Xt . On va voir
que c’est très opérationel.
C’est assez naturel. Dans le cas déterministe (c’est à dire sans hasard), et
si Xt est dérivable, on a bien ce type de modélisation en prenant pour Ht la
dérivée à l’instant t et en prenant εht = h.
2 CHAPITRE 1. INTRODUCTION AU CALCUL STOCHASTIQUE
1.2. Bruit
Le fait d’avoir pris h ≥ 0 (infinitésimalement) petit entraı̂ne des contraintes.
Si on remplace h par h = h1 + h2 , avec h1 , h2 ≥ 0, on a
Xt+h = Xt + Ht εht
= Xt+h1 +h2 = Xt+h1 + Ht+h1 εht+h
2
1
= Xt + Ht εht 1 + Ht+h1 εht+h

2
1
.
Pour h1 très petit on a par continuité Ht+h1 ∼ Ht . On arrive donc à
εht ∼ εht 1 + εht+h
2
1
.
De proche en proche, pour h très petit,
h/n h/n h/n h/n
εht ∼ εt + εt+h/n + εt+2h/n + · · · + εt+(n−1)h/n .
Nous avons supposé que εht est une variable aléatoire indépendante de tout ce
qui précède et de loi ne dépendant pas de t. On voit donc que nécessairement,
εht est la somme de n variables aléatoires indépendantes et de même loi. Une
variante du théorème de la limite centrale (qui utilise que les εht sont petits ...)
nous conduit à dire qu’alors εht a une loi gaussienne. Notons mh sa moyenne
et σh2 sa variance. La relation
εht = εht 1 + εht+h
2
1
nous amène à (et l’on va voir que c’est vraiment ça la propriété clef, plus
encore que d’être gaussien)
mh1 +h2 = mh1 + mh2 , σh21 +h2 = σh21 + σh22
donc (par exemple si ces coefficients sont continus), il existe a ∈ R et σ ≥ 0
tels que mh = ah et σh2 = σ 2 h.
On voit donc que l’on peut écrire
εht = ah + σ(Bt+h − Bt )
où Bt est un mouvement brownien sur un espace de probabilité (Ω, A, P),
c’est à dire un processus (=famille de variables aléatoires) continu formé de
v.a. gaussiennes telles que Bt ∼ N (0, t) et Bt+h − Bt est indépendant de
Br , 0 ≤ r ≤ t.
On était parti de
Xt+h = Xt + Ht εht
donc on a, au moins infinitésimalement,
Xt+h = Xt + Ht (ah + σ(Bt+h − Bt )).
1.3. UN ”PRIMER” SUR L’INTÉGRALE D’ITO 3
Si σ = 0 cela s’interprète par l’équation différentielle

dXt
= aHt
dt
ce qui s’écrit aussi sous forme intégrale
Z t
Xt − X0 = aHs ds.
0
On va voir par contre que si σ > 0 alors Xt ne peut pas être dérivable. On
va donc plutot garder la forme intégrale en écrivant que
Z t Z t
Xt − X0 = aHs ds + σHs dBs
0 0
Rt
où il faut donner un sens à l’intégrale dite stochastique 0 σHs dBs . On verra
qu’il est aussi utile de généraliser en ne prenant pas le même facteur Hs dans
les deux termes, ce qui s’interprête en distinguant bien la partie aléatoire de
la partie déterministe de l’accroissement.
1.3. Un ”primer” sur l’intégrale d’Ito

Le mot ”primer” est anglais et signifie ”première couche” en métallurgie.
Pour un processus continu par morceaux Ht on veut donner un sens à
Z t
Hs dBs .
0
On va voir que c’est possible et naturel sous l’hypothèse que l’on a déja
évoquée, que Ht est observable à l’instant t. Il faudra donner un sens à ça (et
on dira adapté), mais disons que la propriété essentielle dont on va se servir
ici est que l’accroissement Bt+h − Bt , h ≥ 0 est indépendant de Hs , s ≤ t.
La définition simple ”naturelle” ressemble à l’intégrale de Riemann : si
X n
Ht = Hti 1[ti ,ti+1 [ (t)
i=1
par analogie avec la formule qui se vérifie facilement
Z t X n
Hs ds = Hti (ti+1 ∧ t − ti ∧ t)
0 i=1
(où s ∧ t = min(s, t)), on pose
Z t n
X
Hs dBs = Hti (Bti+1 ∧t − Bti ∧t ).
0 i=1
Lemme 1.3.1. — Si Hs ∈ L2 pour tout s > 0, alors pour t > 0,

Z t
E( Hs dBs ) = 0,
0
Z t Z t
E(( Hs dBs )2 ) = E( Hs2 ds).
0 0
Preuve: Montrons la seconde égalité :

n
Rt 2
X
E(( 0 Hs dBs ) ) = E(( Hti (Bti+1 ∧t − Bti ∧t ))2 )
i=1
n
X
= E(Hti Htj (Bti+1 ∧t − Bti ∧t )(Btj+1 ∧t − Btj ∧t ))
i,j=1
X n
= E(Hti 2 (Bti+1 ∧t − Bti ∧t )2 ) +
i=1
X
+2 E(Hti Htj (Bti+1 ∧t − Bti ∧t )(Btj+1 ∧t − Btj ∧t ))
i<j
n
X
= E(Hti 2 )E((Bti+1 ∧t − Bti ∧t )2 ) +
i=1
X
+2 E(Hti Htj (Bti+1 ∧t − Bti ∧t ))E(Btj+1 ∧t − Btj ∧t )
i<j
en utilisant l’indépendance. Puisque E((Bti+1 ∧t − Bti ∧t )2 ) = ti+1 − ti et

E((Btj+1 ∧t − Btj ∧t )) = 0 on obtient que
Z t Xn Z t
E(( Hs dBs )2 ) = E(Hti 2 )(ti+1 ∧ t − ti ∧ t) = E(Hs 2 ) ds.
0 i=1 0
On veut prolonger cette construction à d’autres processus H. On le fait de

(n)
la façon suivante : si Ht , t ≥ 0, est une suite de processus du type précédent
pour laquelle il y a un processus H tel que H (n) → H au sens où pour tout
t ≥ 0,
Z t
E(Hs(n) − Hs )2 ds → 0
0
Rt (n)
alors, la suite 0 Hs dBs est une suite de Cauchy dans l’espace L2 (Ω, F, P)
puisque
Z t Z t
(n)
E([ Hs dBs − Hs(m) dBs ]2 )
0 0
Z t
= E([ (Hs(n) − Hs(m) ) dBs ]2 )
0
Z t
= E( (Hs(n) − Hs(m) )2 ds)
0
Z t
= E((Hs(n) − Hs(m) )2 ) ds
0
Rt (n)
par le lemme. L’espace L2 (Ω, F, P) étant complet (Hilbert), cette suite 0 Hs dBs
converge. On appelle
Z t
Hs dBs
0
sa limite. Elle vérifie, par passage à la limite, comme au dessus
Proposition 1.3.2. —
Z t
E( Hs dBs ) = 0,
0
Z t Z t
E(( Hs dBs ) ) = E( Hs2 ds).
2
0 0
Si Ht , t ≥ 0, est un processus continu borné tel que Ht est σ(Bs , 0 ≤ s ≤ t)

mesurable. Alors la suite de processus
n−1
(n)
X
Ht = H kT 1[ kT , (k+1)T [ (t)
n n n
k=0
approxime bien H au sens précédent sur l’intervalle [0, T ] (utiliser le théorème
de convergence dominée). En fait on verra qu’au lieu d’être borné, il suffit que
Z T
E( Hs2 ds) < ∞.
0
1.3.1. Une formule d’Ito. — Commençons par un résultat fondamental,

qui est tout à fait particulier au mouvement brownien.
Théorème 1.3.3. — Si B est un mouvement brownien si tn0 = 0 < tn1 <

· · · < tnn−1 < tnn = t est une suite de subdivisions de [0, t] dont le pas
sup0≤k≤n−1 |tnk+1 − tnk | tend vers 0, alors, dans L2 ,
n−1
X
lim (Btnk+1 − Btnk )2 = t.
n→∞
k=0
En fait montrons le résultat plus général suivant :

Proposition 1.3.4. — Sous les memes hypothèses, si f est une fonction

mesurable bornée, alors dans L2 ,
n−1
X
lim f (Btnk )[(Btnk+1 − Btnk )2 − (tnk+1 − tnk )] = 0.
n→∞
k=0
Preuve:
n−1
!2
X
E( f (Btnk )[(Btnk+1 − Btnk )2 − (tnk+1 − tnk )] )
k=0
n−1
X n−1
X
= E( f (Btnk )f (Btnr )[(Btnk+1 −Btnk )2 −(tnk+1 −tnk )][(Btnr+1 −Btnr )2 −(tnr+1 −tnr )])
k=0 r=0
n−1
X
= E(f (Btnk )2 [(Btnk+1 − Btnk )2 − (tnk+1 − tnk )]2 )+
k=0
X
+2 Ef (Btnk )f (Btnr )[(Btnk+1 −Btnk )2 −(tnk+1 −tnk )][(Btnr+1 −Btnr )2 −(tnr+1 −tnr )])
0≤k<r<n
On utilise l’indépendance des accroissements (espérance du produit est égal

au produit des espérances) :
n−1
X
= E(f (Btnk )2 )E[((Btnk+1 − Btnk )2 − (tnk+1 − tnk ))2 )+
k=0
X
+2 E[f (Btnk )f (Btnr )((Btnk+1 −Btnk )2 −(tnk+1 −tnk ))]E[(Btnr+1 −Btnr )2 −(tnr+1 −tnr )]
0≤k<r<n
√
Or, puisque Bt+h − Bt a la même loi que hB1 ,
E[(Btnr+1 − Btnr )2 − (tnr+1 − tnr )] = 0
q
E[((Btnk+1 − Btnk )2 − (tnk+1 − tnk ))2 ) = E[(( tnk+1 − tnk )B1 )2 − (tnk+1 − tnk ))2 )
= (tnk+1 − tnk )2 E[(B12 − 1)2 ]

Donc
n−1
!2
X
E( f (Btnk )[(Btnk+1 − Btnk )2 − (tnk+1 − tnk )] )
k=0
n−1
X
= (tnk+1 − tnk )2 E(f (Btnk )2 )E[(B12 − 1)2 ].
k=0
Or ceci se majore par, si C = E[(B12 − 1)2 ] max f 2 ,

n−1
X n−1
X
C (tnk+1 − tnk )2 ≤C sup |tnk+1 − tnk | (tnk+1 − tnk )
k=0 0≤k≤n−1 k=0
≤ Ct sup |tnk+1 − tnk |

0≤k≤n−1
qui tend vers 0.
Théorème 1.3.5 (Une formule d’Ito). — Si f : R → R est à dérivée

seconde continue,
Z t
1 t 00
Z
0
f (Bt ) = f (B0 ) + f (Bs ) dBs + f (Bs ) ds.
0 2 0
Preuve: On va utiliser la formule de Taylor (Taylor-Lagrange) : pour tout
x, y il existe z entre x et y tels que
1
f (y) − f (x) = f 0 (x)(y − x) + f 00 (z)(y − x)2 .
2
kt
On prend une suite de subdivisions de [0, t], par exemple tnk = n.
n−1
X
f (Bt ) − f (B0 ) = f (Btnk+1 ) − f (Btnk )
k=0
n−1 n−1
X 1 X 00 k
= f 0 (Btnk )(Btnk+1 − Btnk ) + f (θn )(Btnk+1 − Btnk )2
2
k=0 k=0
où θnk
est entre B et B tn
k
. tn
k+1
Comme ça ne dépend pas de n c’est égal à sa limite quand n → +∞.
Supposons par exemple f 0 borné et prenons la limite de chacun des deux
termes de la somme dans L2 . Pour le premier, on remarque d’abord que
n−1
X Z t
0
f (Btk )(Btk+1 − Btk ) =
n n n Zsn dBs
k=0 0
où
n−1
X
Ztn = f 0 (Btnk )1[tnk ,tnk+1 ] (t).
k=0
Donc, en utilisant la proposition,
n−1
X Z t
E([ f 0 (Btnk )(Btnk+1 − Btnk ) − f 0 (Bs ) dBs ]2 )
k=0 0
Z t
= E([ (Zsn − f 0 (Bs )) dBs ]2 )
Z0 t
= E([ (Zsn − f 0 (Bs ))2 ds])
0
qui tend vers 0 par le théorème de convergence dominée usuel. Donc, dans L2 ,
n−1
X Z t
0
f (Btk )(Btk+1 − Btk ) →
n n n f 0 (Bs ) dBs .
k=0 0
On regarde maintenant le dernier terme :

n−1
X
[f 00 (θkn ) − f 00 (Btnk )](Btnk+1 − Btnk )2
k=0
n−1
n
X
≤ sup |f 00 (θrn ) − f 00 (Btnr )| (Btnk+1 − B tk )2
1≤r≤n−1
k=0
tend vers 0 (au moins p.s. suivant une sous suite) car f 00 est uniformément
continue sur les compacts. Par la proposition, dans L2 ,
n−1
X n−1
X
lim f 00 (Btnk )(Btnk+1 − Btnk )2 = lim f 00 (Btnk )(tnk+1 − tnk )
n→∞ n→∞
k=0 k=0
Z t
= f 00 (Bs ) ds
0
puisque f 00 est continue (approximation de l’intégrale de Riemann).
On laisse en exercice la généralisation suivante très utile, en utilisant la

formule de Taylor pour une fonction de deux variables.
Théorème 1.3.6 (Une formule d’Ito). — Si f : R+ × R → R, (t, x) 7→
f (t, x) est à dérivées secondes continues,
Z t Z t
1 t 00
Z
∂f ∂f
f (t, Bt ) = f (0, 0) + (s, Bs ) ds (s, Bs ) dBs + f (s, Bs ) ds
0 ∂t 0 ∂x 2 0
1.3.2. Deux calculs. —
Z t
Bt2 =2 Bs dBs + t.
0
λ2 t2
Si Zt = exp(λBt − 2 ) alors
Z t
Zt = 1 + λZs dBs .
0
CHAPITRE 2
INTÉGRATION DE LEBESGUE
Le but de ce chapitre est de développer rapidement ce que l’on appelle la

théorie abstraite de l’intégration de Lebesgue.
2.1. Mesures
Un espace mesurable est la donnée (Ω, F) d’un ensemble Ω et d’une tribu
F sur cet ensemble :
Définition 2.1.1. — Une classe de parties F d’un ensemble Ω est une tribu
si
(i) elle est stable par complémentaire,
(ii) elle est stable par réunion dénombrable,
(iii) elle contient Ω.
Pour comparaison une topologie est une classe d’ouverts : c’est à dire, par
définition, une classe de parties de Ω stable par union quelconque, intersection
finie, contenant Ω et ∅
Définition 2.1.2. — Une mesure sur un espace mesurable (Ω, F) est une
application m : F → R+ ∪ {+∞} telle que
(i) m(∅) = 0.
(ii) m(A ∪ B) = m(A) + m(B) si A ∈ F, B ∈ F sont disjoints.
(iii) si (An , n ∈ N) est une suite croissante d’éléments de F, m(An ) →
m(∪An ).
On dit que m est σ-finie si on peut écrire Ω comme une réunion dénombrable
d’ensembles de mesure finie ; m est une probabilité si m(Ω) = 1.
10 CHAPITRE 2. INTÉGRATION DE LEBESGUE
Exemple : Lorsque Ω est dénombrable (c’est à dire fini ou en bijection avec

N) , F = ensemble de toutes les parties de Ω est une tribu et m(A) = Card(A)
définit une mesure σ-finie (théorie des séries).
Il est difficile de décrire aussi explicitement des exemples très différents de
celui ci, comme par exemple la mesure de Lebesgue que nous verrons.
Définition 2.1.3. — On dit qu’une propriété est vraie p.p. (presque partout)
ou p.s. (presque surement) si elle est vraie en dehors d’un ensemble de mesure
nulle.
2.2. Intégration
Soit (Ω, F, m) un espace mesurable muni d’une mesure. Une fonction f :
Ω → R est étagée si on peut l’écrire sous la forme
n
X
f= rk 1Ak
k=1
où rk ∈ R, Ak ∈ F, k = 1, ..n. On définit l’intégrale de la fonction étagée f

positive par
Z n
X
f dm = rk m(Ak ).
k=1
(avec la convention ici que 0 · ∞ = 0). On vérifie facilement que ça ne
dépend pas de la décomposition choisie et que, si f, g sont étagées positives et
a, b ∈ R+ ,
Z Z Z
(af + bg) dm = a f dm + b g dm.
Pour l’instant, appelons fonction mesurable réelle une fonction f : Ω → R̄

telle que pour tout a ∈ R, {f > a} ∈ F. (On utilisera les notations {f > a} =
{ω ∈ Ω; f (ω) > a} et R̄ = R ∪ {+∞} ∪ {−∞}).
Lemme 2.2.1. — Si (fn ) est une suite de fonctions mesurables, alors supn∈N fn
est mesurable.
Preuve: En effet il suffit d’écrire que

{sup fn > a} = ∪n∈N {fn > a}.
n∈N
2.2. INTÉGRATION 11
Si (fn ) est une suite de fonctions mesurables, pour la même raison, inf n∈N fn
et donc
lim sup fn := lim sup fk = inf sup fk
n→+∞ k≥n n∈N k≥n
lim inf fn := lim inf fk = sup inf fk

n→+∞ k≥n n∈N k≥n
sont mesurables. En particulier une limite de fonctions mesurables est me-
surable (rappelons qu’une suite fn converge dans R̄ ssi f := lim sup fn =
lim inf fn et qu’alors f est la limite).
Si f : Ω → R est mesurable positive on pose
Z Z
f dm = sup g dm
où le sup est pris sur l’ensemble des fonctions étagées g qui vérifient 0 ≤ g ≤ f .
Si f est mesurable on dit que f est intégrable si f + := max(f, 0) et f − :=
− min(f, 0) sont d’intégrale finie et on pose alors
Z Z Z
f dm = f dm − f − dm.
+
On voit que f est intégrable ssi |f | l’est puisque |f | = f + + f − et on a

Z Z
| f dm| ≤ |f | dm
Lemme 2.2.2. — Une fonction intégrable est finie presque partout.
Preuve: Soit A = {|f | = +∞}. Si r > 0 et g = r1A , on a g ≤ |f | donc

Z Z
rm(A) = g dm ≤ |f |dm
ce qui n’est possible pour r > 0 que si m(A) = 0.

Si f et g sont mesurables finies, −f et f + g sont aussi mesurables car
1
{−f > a}c = {f ≥ −a} = ∩n∈N {f > −a − }
n
et
{f + g > a} = ∪r∈Q {f > r, g > a − r}.
On en déduit
Proposition 2.2.3. — L’ensemble des fonctions intégrables est un espace

vectoriel.
Théorème 2.2.4 (de convergence monotone, ou de Beppo Levi)

Si fn est une suite croissante de fonctions mesurables positives,
Z Z
lim fn dm = lim fn dm.
n→+∞ n→+∞
Preuve: La fonction f := lim fn est mesurable. Puisque fn ≤ fn+1 ≤ f , il est

facile de voir que
Z Z Z
fn dm ≤ fn+1 dm ≤ f dm.
R R
Donc lim fn dm ≤ f dm. Pour montrer l’inégalité inverse, prenons une
fonction étagée g telle que 0 ≤ g ≤ f et un réel c tel que 0 < c < 1. Chaque
ensemble
En = {fn ≥ cg}
est mesurable, la suite En est croissante, de réunion Ω. On a
Z Z Z
fn dm ≥ fn 1En dm ≥ cg1En dm.
R
Comme g est étagée, on vérifie que le terme de droite tend vers c g dm. On
a donc Z Z
lim fn dm ≥ c g dm
d’où, par définition, Z Z
lim fn dm ≥ c f dm.
Il suffit alors de faire tendre c vers 1.
Corollaire 2.2.5. — Si (fn )est une suite de fonctions mesurables positives

+∞ Z
X Z X+∞
fn dm = fn dm.
n=0 n=0
Lemme 2.2.6 (de Fatou). — Soit (fn ) une suite de fonctions mesurables
positives, Z Z
lim inf fn dm ≤ lim inf fn dm.
Théorème 2.2.7 (de convergence dominée). — Soit (fn ) une suite de

fonctions mesurables vérifiant |fn (x)| ≤ g(x) pour tout x de E, où g est une
fonction intégrable, alors si fn converge
Z Z
lim fn dm = lim fn dm.
n→+∞ n→+∞
2.3. ESPACES L1 , L1 , L2 , L2 . 13
Preuve: En remplacant fn par fn − lim fk on se ramène au cas où fn → 0.

Dans ce cas, par Fatou appliqué à g − |fn | ≥ 0,
Z Z Z Z Z
g dm ≤ lim inf g−|fn | dm ≤ lim inf g−|fn | dm = g dm−lim sup |fn | dm
R R
Donc lim sup |fn | dm = 0 ce qui assure que lim |fn | dm = 0. Donc
Z Z
| lim fn dm| ≤ lim |fn | dm = 0.
2.3. Espaces L1 , L1 , L2 , L2 .
On note L1 l’ensemble des fonctions intégrables, L2 l’ensemble des fonctions
de carré intégrable, i.e. des fonctions mesurables f : Ω → R̄ telles que
Z
|f |2 dm < +∞,
et L∞ l’ensemble des fonctions mesurables f pour lesquelles il existe une

constante M ≥ 0 telle que |f | ≤ M , p.p. On pose
Z
kf k1 = |f | dm
Z
kf k2 = ( f 2 dm)1/2 .
et kf k∞ = l’inf des M tels que |f | ≤ M , p.p. On définit ainsi des semi-normes

c’est à dire que la relation suivante est vraie pour p = 1, 2, ∞ :
kf + gkp ≤ kf kp + kgkp
Ceci est immédiat pour p = 1 et résulte pour p = 2 du lemme essentiel suivant :
Lemme 2.3.1 (inégalité de Cauchy Schwartz). — Pour f, g mesurables

Z Z Z
( f g dm) ≤ f dm g 2 dm.
2 2
Preuve: Pour tout λ ∈ R, le trinome en λ du second degré

Z Z Z Z
λ2 [ f 2 dm] + 2λ[ f g dm] + g 2 dm = (λf + g)2 dm
est positif, ce qui n’est possible que si son discriminant

Z Z Z
[ f g dm] − [ f dm][ g 2 dm]
2 2
est négatif.
On dit qu’une suite de fonctions mesurables fn converge vers f dans Lp , si

f ∈ Lp et
lim kfn − f kp = 0.
n→+∞
Définition 2.3.2. — La suite (fn ) est de Cauchy dans Lp si pour tout ε > 0
il existe N > 0 tel que pour m, n ≥ N,
kfn − fm k ≤ ε.
Théorème 2.3.3. — 1. Si une suite (fn ) est de Cauchy dans Lp , il existe

un élément de Lp tel que fn tend vers f dans Lp .
2. Si une suite fn converge vers f dans Lp il existe une sous suite d’entiers
nk telle que, pour presque tout ω ∈ Ω.
fnk (ω) → f (ω).
Preuve: Ecrivons la preuve pour p = 1. Soit (fn ) une suite de Cauchy. Pour
tout k ∈ N, il existe Nk tel que, pour n, m ≥ Nk ,
kfn − fm k ≤ 2−k .
Si on prend nk = max(N0 , · · · , Nk ) on voit que
kfnk+1 − fnk k ≤ 2−k .
Donc,
∞
Z X ∞ ∞
X X 1
|fnk+1 − fnk | dm = kfnk+1 − fnk k ≤ < +∞.
2k
k=1 k=0 k=0
P∞
Par le Lemme 2.2.2, k=0 |fnk − fnk+1 | est fini presque partout, et la série
P∞
k=0 (fnk − fnk+1 ) est donc convergente (car absolument convergente). On a
p−1
X
fnp = fn0 + (fnk+1 − fnk )
k=0
donc, si on pose
∞
X
f = fn0 + (fnk+1 − fnk ),
k=0
on voit que fnp tend vers f presque partout. On a pu donc extraire une sous
suite convergeant p.p. De plus si n ≥ Nk et p ≥ k, kfn − fnp k ≤ 2−k donc, en
appliquant le lemme de Fatou,
Z Z
|fn − f | dm ≤ lim inf |fn − fnp | dm ≤ 2−k
p→+∞
2.3. ESPACES L1 , L1 , L2 , L2 . 15
d’où kfn − f k tend vers 0. Ceci prouve le 1, et aussi le 2 puisque qu’une suite
convergeante est de Cauchy de façon évidente, et qu’on peut donc lui extraire
une sous suite convergeant p.p.
Par rapport à la topologie il y a une petite difficulté car
R
Lemme 2.3.4. — Si f est mesurable |f | dm = 0 si et seulement si f = 0
p.p.
Cela résulte immédiatement de la très importante inégalité suivante
Lemme 2.3.5 (Inégalité de Markov). — Si f est une fonction mesurable
positive et T > 0, R
f dm
m(f ≥ T ) ≤ .
T
Donc kf k = 0, n’entraı̂ne pas que f est nulle (partout). Donc k · k n’est pas
une norme, mais seulement une semi-norme, et d(f, g) = kf − gk pas vraiment
une distance. Ce n’est pas génant (et si on veut une norme on remplace Lp
par l’ensemble Lp des classes de fonctions égales presque partout).
Un role particulier est joué par L2 (ou L2 ) car il a une structure géométrique
plus riche que les autres. On peut y définir les angles et surtout l’orthogonalité,
à partir du produit scalaire : pour f, g ∈ L2
Z
hf, gi = f g dm.
Un espace vectoriel muni d’un produit scalaire dans lequel les suites de Cauchy
convergent est appelé un espace de Hilbert. L2 est un espace de Hilbert. Une
propriété fondamentale des espaces de Hilbert est le théorème suivant.
Théorème 2.3.6 (Théorème de projection dans un Hilbert)
Soit V un sous espace vectoriel fermé dans un espace de Hilbert H. Pour
tout x ∈ H il existe un unique élément v ∈ V appelé la projection de x sur V
caractérisé par
– v∈V
– hx − v, wi = 0, pour tous w ∈ V .
En appliquant ce théorème ou en reprenant sa preuve on voit que
Théorème 2.3.7 (Théorème de projection dans L2 )
Soit V un sous espace vectoriel fermé de L2 (au sens où toute limite de
suite dans V est p.s. égale à un élément de V ). Pour tout f ∈ L2 , il existe un
élément v ∈ V appelé la projection de x sur V vérifiant
1. v ∈ V
2. hx − v, wi = 0, pour tous w ∈ V .
Si v 0 est un autre élément de V vérifiant cette propriété v = v 0 p.p.
2.4. Espérance conditionnelle

Dans (Ω, F, P) considérons une sous tribu F de A. L’ensemble V = L2 ((Ω, G, P)
est fermé dans L2 ((Ω, G, P) car toute limite de fonctions F-mesurables est F-
mesurable. On obtient donc immédiatement à partir du théorème 2.3.7
Théorème 2.4.1. — Pour tout X ∈ L2 (Ω, F, P) il existe un élément Z ∈

L2 (Ω, G, P) caractéisé par
1. Z est G mesurable ;
2. E(XU ) = E(ZU ), pour tout U de L2 ((Ω, G, P)
Par définition de Z est l’espérance conditionnelle de X sachant G. On la Il

n’est pas difficile de voir que dans le 2) de la caractérisation, on peut remplacer
”pour tout U de L2 (Ω, G, P)” par ”pour tout U, G mesurable positif et borné.
Alors, on étend cette construction à tout X à valeurs positives, ou intégrable.
Dans tous les cas on note
Z = E(X|G)
et on a :
Propriété caractéristique de l’espérance conditionnelle : Z = E(X/G)
est la v.a. déterminée (à un p.s.) près par
1. Z est G mesurable ;
2. E(XU ) = E(ZU ), pour tout U de U, G mesurable positif et borné.
2.5. Densités, Probabilités équivalentes

Définition 2.5.1. — Etant donné deux mesures µ et ν sur (Ω, F), et une
fonction mesurable positive φ : Ω → R, on dit que µ a la densité φ par rapport
à ν et on écrit
dµ = φ dν
si pour tout A ∈ F
Z
µ(A) = φ(x) dν(x).
A
2.6. UNIFORME INTÉGRABILITÉ 17
Alors, pour toute fonction mesurable positive f

Z Z
f dµ = f φ dν.
Souvent lorsqu’on dit qu’une v.a. réelle a la densité φ, on sous entend que sa
loi a la densité φ par rapport à la mesure de Lebesgue.
Proposition 2.5.2. — Si une v.a. X a une loi de densité φ, alors

Z
E(f (X)) = f (x)φ(x) dm(x)
pour toute fonction mesurable positive f .
Considérons maintenant deux probabilités P et Q sur (Ω, F).
Définition 2.5.3. — On dit que Q est absolument continue par rapport à

P et on note Q << P si P(A) = 0 entraine Q(A) = 0. On dit que Q est
équivalente à P si à la fois Q << P et P << Q.
En utilisant le théorème de projection on peut montrer (mais on ne le fera

pas car il n’est pas important pour nous) le théorème suivant :
Théorème 2.5.4 (Théorème de Radon Nikodym)

On a Q << P si et seulement si il existe une v.a. Z ≥ 0 telle que
dQ = Z dP
2.6. Uniforme intégrabilité

Limitons nous au cas des probabilités et utilisons les notations probabilistes :
on note P une probabilité sur (Ω, F). Une variable aléatoire réelle X : Ω → R
est la même chose qu’une fonction mesurable et on pose
Z
E(X) = X dP.
Définition 2.6.1. — Une famille L de v.a. est uniformément intégrable si

Z
sup |X| dP → 0, quand R → +∞.
X∈L {|X|>R}
Lemme 2.6.2. — Si deux familles L et L0 de v.a. sont uniformément intégrables,

alors {X + X 0 , X ∈ L, X 0 ∈ L0 } est uniformément intégrable.
Preuve:
Z Z Z
|X| dP ≤ |X| dP + |X| dP
{|X+X 0 |>R} {|X+X 0 |>R,|X|>R/2} {|X+X 0 |>R,|X|≤R/2}
Z Z
≤ |X| dP + |X| dP
|X|>R/2} {|X 0 |>R/2,|X|≤R/2}
Z Z
≤ |X| dP + |X 0 | dP
|X|>R/2} {|X 0 |≥R/2}
peut être rendu inférieur à ε pour R assez grand et de même pour l’intégrale
de X 0 .
Théorème 2.6.3. — Soit {Xn , n ∈ N} une suite uniformément intégrable de

variables aléatoires qui converge p.s. vers X. Alors Xn → X dans L1 et en
particulier, E(Xn ) → E(X).
Preuve: Par le lemme, la suite Yn = |Xn − X| est aussi uniformément

intégrable. Ensuite
E(Yn ) = E(Yn 1{Yn <R} ) + E(Yn 1{Yn ≥R} ).
Pour tout ε > 0, pour R assez grand, le second terme est inférieur à ε/2 par
unif. int. Un tel R étant choisi, le premier terme est inférieur à ε/2 pour n
assez grand, par convergence dominée.
Lemme 2.6.4. — Une suite de v.a. Xn telle que supn E(Xn2 ) < +∞ est
uniformément intégrable.
|Xn |
Preuve: On utilise que 1{|Xn |>R} ≤ R donc
E[Xn2 ]
E[|Xn |1{|Xn |>R} ] ≤ .
R
2.7. Divers
Lemme 2.7.1 (de Borel Cantelli). — Soit (An ) une suite de sous ensembles
mesurables de Ω telle que ∞
P
n=0 m(An ) < +∞. Alors
+∞
X
1An < +∞ p.s.
k=0
Autrement dit, presque tout ω ∈ Ω n’appartient qu’à un nombre fini de An .

2.9. TRIBU ENGENDRÉE 19
Preuve: Par convergence monotone,

Z X+∞ +∞
X
1An dm = m(An ) < +∞
k=0 k=0
P+∞
donc k=0 1An < +∞ p.p. .
2.8. Convergence en probabilité

Définition 2.8.1. — Une suite de v.a. Xn tend vers X en probabilité si pour
tout ε > 0,
P(|Xn − X] ≥ ε) → 0
quand n → +∞.
Proposition 2.8.2. — Si Xn → X en probabilité il existe une sous suite nk

telle que Xnk → X presque surement.
Une façon de le montrer est de remarquer que Xn → 0 en probabilité si et

seulement si min(|Xn |, 1) → 0 dans L1 .
Si Q << P la convergence en probabilité sur (Ω, F, P) entraine la conver-
gence en probabilité sur (Ω, F, Q) (exrecice).
2.9. Tribu engendrée

Définition 2.9.1. — Soit C un ensemble de parties de Ω. On appelle tribu
engendrée par C et on note σ(C) la plus petite tribu contenant C.
Définition 2.9.2. — Soit E un espace muni d’une topologie, on appelle tribu

borélienne de E et on note B(E) la tribu engendrée par les ouverts.
Définition 2.9.3. — Soit (E, E) et (F, B) deux espaces mesurables, on dit

qu’une fonction f : E → F est mesurable si pour tout B ∈ B, f −1 (B) ∈ E.
Lorsque E ou F est un espace topologique, si on ne le précise pas, on le

munit de la tribu borélienne. On retrouve donc la notion introduite avant. Un
sup, un inf, une limite d’une suite de fonctions mesurables à valeurs réelles
sont mesurables. Les fonctions continues sont mesurables.
Lemme 2.9.4. — Toute fonction mesurable de E dans R̄+ est la limite crois-
sante d’une suite de fonctions étagées.
En effet,
n2n −1
X k
f = lim n1{n≤f } + 1 k k+1
n→+∞ 2n { 2n ≤f < 2n }
k=0
(lorsque f est finie on peut se passer du premier terme).
Pour s’habituer aux notations, utilisons le vocabulaire des probabilités.
Donnons nous une famille (Ei , Ei ), i ∈ I, d’espaces mesurables.
Définition 2.9.5. — Soit Xi : Ω → Ei , i ∈ I, des v.a.. On appelle tribu

engendrée par cette famille et on note σ(Xi , i ∈ I) la tribu engendrée par
{Xi ∈ Ai }, Ai ∈ Ei et i ∈ I.
Intuitivement, la tribu σ{Xi , i ∈ I} est formée des ensembles que l’on peut
décrire à l’aide des Xi . Pour une seule application X : Ω → Rd , σ(X) est
exactement la classe des ensembles {X ∈ A}, où A est un borélien de Rd .
Donnons nous pour toute la suite un espace de probabilité (Ω, F, P). Une
variable aléatoire est la même chose qu’une application mesurable mais la
plupart du temps à valeurs dans E = R ou Rd . Le lemme suivant est très
utile.
Lemme 2.9.6. — Soit X une application de Ω dans un espace mesurable

(E, E) et σ(X). Une application Y : Ω → R est σ(X)-mesurable si et seulement
si il existe une application mesurable φ : E → R telle que Y = φ(X).
Preuve: Supposons d’abord que Y est étagée et σ(X)-mesurable. On peut par

définition l’écrire sous la forme Y = kn=1 αn 1An , où An ∈ σ(X). Il existe donc
P
pour tout n, un borélien Bn tel que An = {X ∈ Bn }. Posons φ = kn=1 αn 1Bn .

P
On vérifie qu’alors Y = φ(X). Ceci montre la partie directe du lemme lorsque

Y est étagée. Dans le cas général, si Y est σ(X)-mesurable, il existe une suite
de v.a. étagées Yn telle que Y = lim Yn . Par ce qui précède, on peut écrire
Yn = φn (X) et il suffit alors de poser φ = lim sup φn . La réciproque est facile.
Une façon agréable d’exprimer le lemme précédant est de dire qu’une va-
riable aléatoire Y est σ(X1 , X2 , · · · , Xn )-mesurable si et seulement si elle
s’écrit
Y = φ(X1 , X2 , · · · , Xn )
pour une application borélienne φ.
Le maniement des tribus engendrées est souvent délicat. Un outil sophis-
tiqué :
2.9. TRIBU ENGENDRÉE 21
Théorème 2.9.7 (de la classe monotone). — Soient C et M des ensembles

de parties de Ω tels que C ⊂ M. On suppose que
(i) C est stable par intersection finie (i.e. A, B ∈ C implique A ∩ B ∈ C).
(ii) M est stable par différence propre (i.e. A, B ∈ M et A ⊂ B implique
B \ A ∈ M).
(iii) M est stable par limite croissante (i.e. An ∈ M et An ⊂ An+1 implique
∪An ∈ M).
(iv) Ω est dans M.
Alors σ(C) est contenu dans M.
Preuve: Montrons que l’intersection N de toutes les classes M vérifiant

(ii), (iii), (iv) est une tribu donc contient σ(C). Stable par intersection finie :
Fixons un A de C, la classe
{B ∈ N ; A ∩ B ∈ N }
contient C par (i) et vérifie (ii, iii, iv), elle contient donc N . Maintenant, fixons
un B dans N , la classe
{C ∈ N ; C ∩ B ∈ N }
contient C par ce que l’on vient de montrer et vérifie (ii, iii, iv), elle contient
donc N .
Le résultat fondamental de la théorie de l’intégration est le suivant :
Théorème 2.9.8. — Il existe une et une seule mesure m sur R, appelée

mesure de Lebesgue, vérifiant
m(]s, t]) = t − s
Plus généralement, pour toute fonction croissante continue à droite A il existe
une mesure et une seule mA vérifiant
mA (]s, t]) = A(t) − A(s)
pour tout s < t.
La preuve de l’existence est difficile, nous l’admettons. Par contre l’unicité

est conséquence du thm de la classe monotone (appliqué à la classe des inter-
valles de la forme [a, b], a, b ∈ R, qui engendre la tribu borélienne et est stable
par intersection finie.)
Il est facile de voir, en utilisant le théorème de convergence dominée que
R
pour toute fonction continue à support compact sur R, f dm n’est autre que
R
l’intégrale de Riemann de f . Nous utiliserons donc aussi la notation f (x) dx.
2.10. Lois
On se donne un espace de probabilité (Ω, F, P) et un ensemble E, muni
d’une tribu E.
Définition 2.10.1. — Soit X : Ω → E une variable aléatoire (= application

mesurable). On appelle loi de X et on note parfois P(X) la probabilité sur
(E, E) définie par P(X) (A) = P(X ∈ A), pour tout A de E.
La règle de calcul suivante est d’un emploi constant : il faut absolument

savoir la manier. La première égalité est la définition de l’espérance.
Proposition 2.10.2. — Soit X une variable aléatoire à valeurs dans E.

Pour toute fonction mesurable f : E → R, à valeurs positives ou telle que
f (X) soit intégrable, on a
Z Z
E(f (X)) = f (X) dP = f dP(X) .
Ω E
2.11. Mesure produit

Soient (E1 , E1 , m1 ) et (E2 , E2 , m2 ) deux espaces mesurés σ-finis. On munit
E1 × E2 de la tribu E1 ⊗ E2 sur E1 × E2 , appelée tribu produit, engendrée par
les ensembles de la classe
C = {A × B, A ∈ E1 , B ∈ E2 }
Cette classe est stable par intersection finie. On pose, pour tout C ∈ E1 ⊗ E2 ,
Z Z
(m1 ⊗ m2 )(C) = { 1C (x, y) dm1 (x)} dm2 (y)}
R
(à l’aide du thm de classe monotone, on vérifie que y 7→ 1C (x, y) dm1 (x) est
bien mesurable). On définit ainsi une mesure sur m1 ⊗ m2 sur E1 × E2 . De la
même façon, la formule
Z Z
ν(C) = { 1C (x, y) dm2 (y)} dm1 (x)}
définit aussi une mesure. Pour tout C = A × B de C,

(m1 ⊗ m2 )(C) = m1 (A)m2 (B) = ν(C)
On déduit donc du théorème de classe monotone que les deux mesures m1 ⊗m2
et ν coincident. Il en résulte assez facilement :
2.12. PROCESSUS 23
Théorème 2.11.1 (de Fubini). — Soit f : E1 × E2 → R une fonction

mesurable. Alors, pour tout x ∈ E1 , la fonction
Z
y ∈ E2 7→ f (x, y) dm1 (x)
est mesurable et
Z Z Z Z
{ f (x, y) dm1 (x)}dm2 (y) = { f (x, y) dm2 (y)}dm1 (x)
sous l’une des deux hypothèses suivantes (i) f est à valeurs positives (ii) f est
intégrable
Lorsque f n’est pas positive, on applique souvent ce thm à |f | pour montrer

que f est intégrable.
L’exemple fondamental est celui de la mesure de Lebesgue sur Rd = R ×
R × · · · × R, égale au produit, d fois, de la mesure de Lebesgue sur R. Pour la
manier on utilise parfois le
Théorème 2.11.2 (de changement de variables)

Si φ est un difféomorphisme de l’ouvert U sur l’ouvert V , on a, pour toute
f ∈ B + (Rd ),
Z Z
(1) f (v) dm(v) = f (φ(u))|J(φ)(u)| dm(u).
V U
∂φj
où J(φ) est le déterminant de la matrice des ∂uk et m est le mesure de
Lebesgue.
2.12. Processus
On appelle processus à temps continu une famille de variables aléatoires
indéxée par R+ et processus à temps discret une famille de variables aléatoires
indexée par N, donc une suite de v.a..
Considérons un processus Xt , t ∈ R+ , à valeurs dans un espace E muni d’une
tribu E. La loi de ce processus, vu comme une v.a. à valeurs dans l’ensemble
+
produit E R , muni de la tribu produit, est complêtement déterminée par les
lois finies dimensionnelles de
(Xt1 , · · · , Xtn ), t1 < · · · < tn , n ∈ N.
Soit (Ω, F, P) un espace de probabilité. On représente ce que l’on ”connait”
à l’instant t par une tribu Ft . Ceci amène à poser
Définition 2.12.1. — Une famille croissante (Ft , t ∈ R+ ) de sous-tribus de

F, c’est à dire vérifiant Fs ⊂ Ft ⊂ F, s’appelle une filtration et le terme
(Ω, F, Ft , P) un espace de probabilité filtré.
Un processus Xt est dit adapté à cette filtration si Xt est Ft -mesurable,
pour tout t ≥ 0.
L’exemple fondamental de filtration est donné par Ft = σ(Xs , s ≤ t) où
(Xt ) est un processus quelconque. Si Xt est un processus adapté sans régularité
particulière, on ne sait rien de sa dépendance en t. Elle n’est peut être même
pas borélienne. Ceci amène à poser :
Définition 2.12.2. — Un processus progressif Xt , t ∈ R+ , est un processus
tel que pour tout T ≥ 0, l’application
(t, ω) ∈ [0, T ] × Ω 7→ Xt (ω)
est mesurable de B([0, T ]) ⊗ FT dans B(R), où B([0, T ]) et B(R) sont les tribus
boréliennes.
En pratique tous les processus adaptés que nous rencontrerons seront pro-
gressifs. C’est par exemple le cas des processus continus (ou continus à droite,
à gauche, etc...).
2.13. Indépendance
La notion la plus importante en probabilité est sans conteste la notion
d’indépendance. Elle recouvre à la fois une notion intuitive (le résultat du
loto est indépendant de la température, etc ...) et une notion mathématique.
Il est nécessaire de bien posséder ces deux aspects et de comprendre qu’ils
signifient la même chose. Un bon utilisateur des probabilités est quelqu’un qui
sait exploiter l’indépendance, ou la non indépendance, dans les événements
de la vie courante. Même si le plus souvent on ne s’intéresse qu’à l’indépend-
ance d’événements ou de variables aléatoires, il s’avère plus efficace de définir
l’indépendance de tribus. Un espace de probabilité (Ω, A, P) est toujours fixé.
Définition 2.13.1. — On dit que des tribus A1 , · · · , An contenues dans A
sont indépendantes si, pour tout A1 ∈ A1 , · · · , An ∈ An ,
P(A1 ∩ A2 · · · ∩ An ) = P(A1 )P(A2 ) · · · P(An ).
Des variables aléatoires X1 , · · · , Xn sont dites indépendantes si les tribus
engendrées σ(X1 ), · · · , σ(Xn ) le sont. On dit qu’une famille infinie de sous
tribus (ou de variables aléatoires) est formée de tribus indépendantes lorsque
2.13. INDÉPENDANCE 25
toute sous famille finie a cette propriété. Donnons quelques résultats utiles au
maniement de l’indépendance. Le premier est très important et son énoncé
est à bien comprendre, malgré son aspect compliqué. Nous en donnons deux
formes.
Proposition 2.13.2 (Lemme de regroupement). — (Forme 1). Soit I
un ensemble d’indices, et Ai , i ∈ I, des sous tribus indépendantes de A.
Alors, si I1 , I2 , · · · , In sont des parties disjointes de I, les tribus σ(Ai , i ∈
I1 ), σ(Ai , i ∈ I2 ), · · · , σ(Ai , i ∈ In ) sont indépendantes.
(Forme 2). Soit X1 , X2 , · · · , Xn , · · · des variables aléatoires indépendantes.
Alors si 0 < n1 < n2 < n3 < · · · les variables aléatoires φ1 (X1 , · · · , Xn1 ),
φ2 (Xn1 +1 , · · · , Xn2 ), · · · sont indépendantes, pour toute application φ1 : Rn1 →
R, φ2 : Rn2 −n1 → R, · · · , mesurable.
Donnons un exemple simple mais typique d’utilisation : si X, Y, U, V sont
quatre variables aléatoires réelles indépendantes, alors X + Y et U V sont ind-
épendantes.
Théorème 2.13.3. — Deux variables aléatoires X, Y sont indépendantes si
et seulement si P(X,Y ) = P(X) ⊗ P(Y ) .
Corollaire 2.13.4. — Si les variables aléatoires X, Y sont indépendantes,
alors pour toute fonction φ mesurable positive (ou telle que φ(X, Y ) soit
intégrable) on a
Z Z
E[φ(X, Y )] = φ(x, y) dP(X) (x)dP(Y ) (y).
On peut aussi écrire cette relation sous les formes

Z Z
E[φ(X, Y )] = φ(X(ω), Y (ω 0 )) dP(ω)dP(ω 0 ),
Ω Ω
ou encore Z
E[φ(X, Y )] = E[φ(X, Y (ω 0 ))] dP(ω 0 ),
Ω
qui nous seront utiles.
CHAPITRE 3
MOUVEMENT BROWNIEN
3.1. Loi gaussienne

La loi gaussienne N (m, σ 2 ) sur R est la masse de Dirac en m lorsque σ = 0
et la loi de densité
1 (x−m)2
√ e− 2σ2
2πσ 2
sinon. Il n’y a pas de primitive explicite mais une excellente approximation par
une fraction rationnelle (1) . Si X suit la N (m, σ 2 ), alors E(X) = m, var(X) =
σ 2 . Lorsque σ = 0, X = m p.s. La fonction caractéristique est E(eitX ) =
2 2
exp{− σ 2t + itm}.
Proposition 3.1.1. — Toute limite de v.a. gaussiennes, en loi, en probabi-

lité, ou p.s., ou dans L1 , ou dans L2 est gaussienne. De plus l’espérance et la
variance convergent vers l’espérance et la variance de la limite.
Preuve: Toutes les convergences considérées entraı̂nent la convergence en

loi. Supposons donc que Xn converge en loi vers X et que Xn suit une loi
2 2
N (mn , σn2 ). Alors E(eitXn ) = exp{− σn2t +itmn } et E(eitXn ) → g(t) := E(eitX ).
2 2
En prenant le module on voit que exp{− σn2t } → |g(t)| donc que σn2 converge
vers σ 2 = −(2 log |g(t)|)/t2 . On en déduit que eitmn converge vers h(t) =
2 2
exp{− σ 2t }g(t). Alors, si f est C 1 à support compact, tel que f (t)h(t)dt 6= 0,
R
par intégration par parties,

Z Z
0 itmn
f (t)e dt = −imn f (t)eitmn dt
1. cf. Appendice
28 CHAPITRE 3. MOUVEMENT BROWNIEN
donc, en pasant à la limite mn converge vers m := i( f 0 (t)h(t)dt)/( f (t)h(t)dt).

R R
On voit donc que

σ 2 t2
E(eitXn ) → exp{− + itm}
2
et la limite est donc gaussienne.
3.2. Vecteur gaussien

On identifie un vecteur à une matrice colonne. L’espérance d’un vecteur
aléatoire X = (X1 , · · · , Xd )t est le vecteur E(X) = (E(X1 ), · · · , E(Xd ))t et sa
matrice de covariance est,
KX = E[(X − E(X))(X − E(X))t ] = E(XX t ) − E(X)[E(X)]t .
ses composantes sont KX (i, j) = Cov(Xi , Xj ). Si les composantes X1 , . . . , Xd
sont indépendantes, K(X) est diagonale. Il est clair que
Lemme 3.2.1. — Si M est une matrice déterministe r × d, on a KM X =

M KX M t .
Pour λ ∈ Rd , notons
d
X
hλ, Xi = λi Xi
i=1
le produit scalaire. En appliquant le lemme à M = λt on voit que
λt KX λ = varhλ, Xi ≥ 0.
En particulier, KX est une matrice symétrique semi-définie positive, donc
diagonalisable de valeurs propres positive ou nulles.
Définition 3.2.2. — Un vecteur aléatoire X = (X1 , . . . , Xd )t est dit gaus-

sien si toute combinaison linéaire des composantes suit une loi normale.
Proposition 3.2.3. — Un vecteur X est gaussien si et seulement, il existe

un vecteur m ∈ Rd et une matrice de covariance K telle que pour tout λ ∈ Rd
λt Kλ
E(exp(ihλ, Xi) = exp(ihλ, mi − ).
2
Alors m = E(X) et K = KX .
Un exemple typique de vecteur gaussien est donné par un vecteur de com-

posantes normales indépendantes. Par contre, en général, un vecteur à com-
posantes gaussiennes n’est pas nécéssairement gaussien.
3.4. DÉFINITION DU MOUVEMENT BROWNIEN 29
3.3. Famille gaussienne

Une famille, ou un processus, {Xi , i ∈ I} de variables aléatoires est dite
gaussienne si toute combinaison linéaire finie de ces v.a. suit une loi normale.
La loi globale de cette famille (c’est à dire par définition, la loi de toute sous
famille finie) est déterminée par les espérances E(Xi ), i ∈ I, et les covariances
Cov (Xi , Xj ), i, j ∈ I. En appliquant la proposition précédente pour calculer
la fonction caractéristique, on obtient le théorème fondamental suivant :
Théorème 3.3.1. — Soit {Xi , i ∈ I} une famille gaussienne et I1 , I2 , · · · , In

des parties disjointes de I. Alors les familles
{Xi , i ∈ I1 }, {Xi , i ∈ I2 }, · · · , {Xi , i ∈ In }
sont indépendantes ssi
cov(Xi , Xj ) = 0
chaque fois que iet j sont dans des ensembles I1 , · · · , In différents.
Preuve: Il suffit de voir que {Xi , i ∈ I1 ∪ I2 ∪ · · · ∪ In−1 } est indépendant de

{Xi , i ∈ In }... il faut un argument de classe monotone.
3.4. Définition du mouvement brownien

Définition 3.4.1. — On appelle mouvement brownien un processus gaussien
Bt , t ∈ R+ , à trajectoires continues tel que B0 = 0 et Bt+s −Bt est indépendant
de σ(Bu , u ≤ t) de loi N (0, s), pour tout t, s ≥ 0.
On peut démontrer que sans l’hypothèse de continuité les trajectoires sont

continues p.s.
Proposition 3.4.2. — Un processus gaussien {Bt , t ∈ R+ } à trajectoires

continues est un mouvement brownien si et seulement si
E(Bt ) = 0, E(Bt Bs ) = min(s, t), pour tout t, s ≥ 0.
Preuve: Supposons d’abord que Bt , t ∈ R+ , est un mouvement brownien.

Alors Bt est centré donc E(Bt ) = 0. De plus, si 0 ≤ s ≤ t, on sait que Bt − Bs
est indépendant de σ(Br , r ≤ s), donc en particulier de Bs . Il en résulte que
E(Bt Bs ) = E((Bt − Bs + Bs )Bs ) = E(Bt − Bs )E(Bs ) + E(Bs2 ) = s.
Réciproquement, supposons les relations vraies et montrons qu’alors Bt , t ∈
R+ , est un mouvement brownien. Il faut montrer d’abord que si 0 ≤ s ≤ t,
Bt − Bs est indépendant de σ(Br , r ≤ s). Puisque la famille des Bt , t ≥ 0, est

gaussienne, il suffit de vérifier que Cov(Bt − Bs , Br ) = 0, si r ≤ s ≤ t. Or
Cov(Bt − Bs , Br ) = E(Bt Br ) − E(Bs Br ) = min(t, r) − min(s, r) = 0.
Ensuite, il faut voir que, si 0 ≤ s ≤ t, loi de Bt − Bs ne dépend que de t − s :
cette loi est gaussienne centrée et sa variance est
E((Bt − Bs )2 ) = E(Bt2 ) + E(Bs2 ) − 2E(Bt Bs ) = t + s − 2s = t − s.
Enfin, Bt est bien centré de variance t.
Corollaire 3.4.3. — Soit {Bt , t ∈ R+ } un mouvement brownien. Alors

1. pour tout a > 0, {Bt+a − Ba , t ∈ R+ },
2. (Scaling) pour tout α ∈ R, {αBα−2 t , t ∈ R+ },
3. {tB1/t , t ∈ R+ } sur l’ensemble de probabilité 1 où limt→0 tB1/t = 0,
sont des mouvements browniens.
Preuve: Les trois assertions se montrent de la même façon. Traitons par

exemple la seconde. Posons Xt = αBα−2 t . Tout d’abord, toute combinaison
linéaire des v.a. Xt est une combinaison linéaire de certains Bs donc est
gaussienne. Ceci montre que le processus {Xt , t ≥ 0} est gaussien. Il est continu
comme Bt . Il est clair que E(Xt ) = 0, et
t s
E(Xt Xs ) = α2 E(Bα−2 t Bα−2 s ) = α2 min( , ) = min(s, t).
α2 α2
Par la proposition précédente, {Xt , t ≥ 0} est un brownien. Dans le troisième
cas, il faut aussi vérifier la continuité p.s. en 0. Puisque tB1/t , t > 0 a la même
loi que {Bt , t > 0}, Xn = sup0<s<1/n |sB1/s | et Yn = sup0<s<1/n |Bs | ont la
même loi. Donc P(Xn → 0) = P(Yn → 0) = 1 puisque B est continu en 0, ce
qui montre la continuité p.s.
3.5. Filtrations et Brownien

Considérons un espace de probabilité filtré (Ω, (Ft ), F, P).En général, on
note F∞ = σ(Ft , t ≥ 0). On pose
(2) Ft+ = ∩ε>0 Ft+ε .
On dit que la filtration Ft est continue à droite si Ft+ = Ft . La filtration Ft+
est elle même continue à droite.
3.5. FILTRATIONS ET BROWNIEN 31
Définition 3.5.1. — Un processus B adapté à (Ω, Ft , P) est un (Ft )–mouvement

brownien si B est un mouvement brownien et pour tout s ≥ 0, la famille
{Bt − Bs , t ≥ s} est indépendante de Fs .
Théorème 3.5.2. — Un (Ft )–mouvement brownien est aussi un (Ft+ )–mouvement

brownien.
Preuve: Pour tout s < t < t1 < · · · < td le vecteur

(Bt1 − Bt , · · · , Btd − Bt )
est indépendant de Ft donc de Fs+ , qui est contenu dans Fs . Par continuité
(Bt1 − Bs , · · · , Btd − Bs )
est aussi indépendant de Fs+ .
Corollaire 3.5.3 (Loi 0–1 de Blumenthal). — Soit Bt un mouvement brow-

nien et Ft = σ(Bs , 0 ≤ s ≤ t). Pour tout A ∈ F0+ , P(A) = 0 ou 1.
0 , donc de
Preuve: F0+ est indépendant de Bt pour tout t > 0 donc de F∞
F0+ .
3.5.1. Quelques propriétés trajectorielles du brownien. — Le résultat

technique suivant va nous permettre de décrire quelques propriétés non tri-
viales du mouvement brownien.
Lemme 3.5.4. — Si {Bt , t ∈ R+ } est un mouvement brownien,

Bt Bt
lim sup √ = +∞, lim inf √ = −∞, p.s.
t→0+ t t→0+ t
√
Preuve: La variable aléatoire R = lim supt→0+ Bt / t est F0+ mesurable,
où Ft = σ(Bs , 0 ≤ s ≤ t), donc constante p.s.. Plus précisément, soit R =
+∞, soit il existe une constante α telle que R ≤ α, p.s. Ce dernier cas est
Bt
impossible car il entraine que P( √ t
≥ α + 1) → 0 quand t → +∞ alors que
Bt
P( √ t
≥ α + 1) = P(B1 ≥ α+1) 6= 0. Le cas de la liminf s’obtient en appliquant
la limsup à (−Bt ) qui est aussi un brownien.
Proposition 3.5.5. — Pour presque tout ω, la trajectoire t 7→ Bt (ω),

(i) n’est nulle part dérivable ;
(ii) passe une infinité de fois par chaque point de R.
Preuve: Le lemme assure que B n’est pas dérivable en 0, p.s., donc en

tout point t fixé, sur un ensemble de probabilité 1, qui peut dépendre de
t. Nous admettons qu’on peut choisir cet ensemble indépendant de t. Posons
Wt = tB1/t . Comme Wt , t ≥ 0, est un mouvement brownien, on peut lui
appliquer le lemme : presque sûrement,
Wt
lim sup √ = +∞.
t→0 t
Donc, en posant s = t−1 ,
1 √
lim sup √ Bs = lim sup sW1/s = +∞,
s→+∞ s s→∞
donc sup Bt = +∞. De même inf Bt = −∞ ; les trajectoires étant continues
elles doivent passer par tous les points, une infinité de fois, p.s.
La preuve précédente montre aussi que la trajectoire oscille énormément au

moment où elle part de 0, puisqu’elle arrive à traverser une infinité de fois
l’axe {x = 0} avant chaque instant fixé.
3.6. Propriété de Markov forte du mouvement brownien

3.6.1. Temps d’arrêt. — Soit (Ω, Ft , P) un espace de probabilité filtré. On
pose F∞ = σ(Ft , t ≥ 0).
Définition 3.6.1. — Une application τ de Ω dans R̄+ est un temps d’arrêt
si, pour tout t ≥ 0, {τ ≤ t} ∈ Ft . La tribu
Fτ := {A ∈ F∞ , pour tout t ≥ 0, A ∩ {τ ≤ t} ∈ Ft }
s’appelle la tribu des événements antérieurs à τ .
Proposition 3.6.2. — (i) Soient σ et τ des temps d’arrêt. Alors σ ∨ τ et
σ ∧ τ sont des temps d’arrêt et Fσ∧τ = Fσ ∩ Fτ . De plus {σ ≤ τ } et {σ = τ }
appartiennent à Fσ∧τ .
(ii) Soient τn des temps d’arrêt. Alors supn τn est un temps d’arrêt.
(iii) Supposons (Ft ) continue à droite. Alors τ est un temps d’arrêt dés que
{τ < t} ∈ Ft . Un inf d’une suite de temps d’arrêt est un temps d’arrêt.
Preuve: (i) Soit A ∈ Fσ ∩ Fτ , alors A ∩ {σ ∧ τ ≤ t} = (A ∩ {σ ≤ t}) ∪
(A ∩ {τ ≤ t}) ∈ Ft et A ∈ Fσ∧τ . Si A ∈ Fσ∧τ , A ∩ {τ ≤ t} = A ∩ {σ ∧ τ ≤
t} ∩ {τ ≤ t} est dans Ft . Donc A ∈ Fτ de même A ∈ Fσ . Pour montrer
que {σ ≤ τ } ∈ Fσ∧τ , il suffit de montrer que {σ ≤ τ } ∈ Fσ ∩ Fτ . Mais
l’on a {σ ≤ τ } ∩ {τ ≤ t} = {σ ≤ t} ∩ {τ ≤ t} ∩ {σ ∧ t ≤ τ ∧ t} ∈ Ft et
3.6. PROPRIÉTÉ DE MARKOV FORTE DU MOUVEMENT BROWNIEN 33
{σ ≤ τ } ∩ {σ ≤ t} = {σ ∧ t ≤ τ ∧ t} ∩ {σ ≤ t} ∈ Ft . On procède de même
pour {σ = τ }.
(ii) On a {supn τn ≤ t} = ∩n {τn ≤ t} ∈ Ft .
(iii) Si {τ < t} ∈ Ft , pour tout t ≥ 0, {τ ≤ t} = ∩ε>0 {τ < t+ε} ∈ Ft+ = Ft . Si
τn est une suite de temps d’arrêt qui décroit vers τ , {τ < t} = ∪n {τn < t} ∈ Ft ,
donc τ est un temps d’arrêt.
Soit (Xt ) un processus adapté à (Ω, Ft ) à valeurs dans un espace métrique
(E, d), par exemple Rk avec la norme usuelle. La distance d définit une topo-
logie et on munit E de la tribu borélienne. On associe à un sous ensemble A
de E,
(3) τA (ω) = inf(t ≥ 0, Xt (ω) ∈ A),
τA est appelé le temps d’entrée dans A.
Proposition 3.6.3. — Si A est fermé et X à trajectoires continues, τA est
un temps d’arrêt.
Preuve: Posons d(x, A) = inf a∈A d(x, a). Cette fonction est continue car, pour
tout x, y ∈ E et a ∈ A
d(x, a) ≤ d(x, y) + d(y, a)
donc d(x, A) ≤ d(x, y) + d(y, A) ce qui assure que |d(x, A) − d(y, A)| ≤ d(x, y).
On utilise alors que
1
{τA ≤ t} = ∩n ∪s<t,s∈Q+ {d(Xs , A) ≤ } ∈ Ft .
n
Proposition 3.6.4. — Si A est ouvert et X à trajectoires continues à droite,
τA est un temps d’arrêt de Ft+ .
Preuve: En effet
{τA < t} = ∪s<t,s∈Q+ {Xs ∈ A}
Lemme 3.6.5. — Si X est un processus continu à droite adapté à (Ft ),
l’application (s, ω) 7→ Xs (ω) est mesurable de ([0, t] × Ω, B([0, t]) ⊗ Ft ) dans
E.
(n) Pn−1
Preuve: Pour tout n, posons Xs = k=0 X k+1 ∧t 1{ k ∧t≤s< k+1 ∧t} . Alors
n n n
(n)
(s, ω) 7→ Xs (ω) est mesurable de ([0, t] × Ω, B([0, t]) ⊗ Ft ) dans E. Il en
est donc de même de la limite X de X (n) quand n → +∞.
Proposition 3.6.6. — Si X est un processus adapté continu à droite et τ un
temps d’arrêt, Xτ 1τ <∞ est Fτ -mesurable.
Preuve: Soit Γ un borélien de E. Il s’agit de montrer que pour tout t ≥ 0,

{Xτ ∈ Γ} ∩ {τ ≤ t} ∈ Ft . Soit Ωt = {τ ≤ t}. L’application ω 7→ (τ (ω), ω)
est mesurable de (Ωt , Ft ) dans ([0, t] × Ω, B([0, t]) ⊗ Ft ), l’application (s, ω) 7→
Xs (ω) est mesurable de (([0, t] × Ω, B([0, t]) ⊗ Ft ) dans E par le lemme. Donc
l’application composée ω 7→ Xτ (ω) (ω) de (Ωt , Ft ) dans E est mesurable i.e.
{τ ≤ t, Xτ ∈ Γ} ∈ Ft .
3.6.2. La propriété de Markov forte du brownien. —
Lemme 3.6.7. — Soit τ un temps d’arrêt. Il existe une suite décroissante τn

de temps d’arret tel que τn est à valeurs dans {k/2n , k ∈ N} ∪ {+∞}.
[2n τ ]+1
Preuve: On peut prendre τn = 2n .
Théorème 3.6.8. — Soit {Bt , t ≥ 0} un (Ft )–mouvement brownien. Alors,

pour tout temps d’arrêt τ , conditionnellement à {τ < +∞}, le processus
{Bt+τ − Bτ , t ∈ R+ } est un brownien, indépendant de Fτ .
Preuve: Il faut montrer que pour toute v.a. Z, Fτ -mesurable bornée et

F : Rd → R, continue bornée,
E(Z1{τ <+∞} F (Bt1 +τ − Bτ , Bt2 +τ − Bτ , · · · , Btd +τ − Bτ )) =
= E(Z1{τ <+∞} )E(F (Bt1 , · · · , Btd ))

On considère d’abord le cas où τ prend toutes ses valeurs dans l’ensemble
dénombrable {sk = k2−n , k ∈ N}. Alors, puisque Ω est la réunion dénombrable
des ensembles disjoints {τ = sk }, on peut écrire :
E(Z1{τ <+∞} F (Bt1 +τ − Bτ , · · · , Btd +τ − Bτ )) =
+∞
X
= E(ZF (Bt1 +τ − Bτ , · · · , Btd +τ − Bτ )1{τ =sk } )
k=0
+∞
X
= E(Z1{τ =sk } F (Bt1 +sk − Bsk , · · · , Btd +sk − Bsk ))
k=0
+∞
X
= E(Z1{τ =sk } )E(F (Bt1 , · · · , Btd ))
k=0
= E(Z1{τ <+∞} )E(F (Bt1 , · · · , Btd ))
où l’on a utilisé que Z1{τ =sk } est Fsk mesurable et que B est un Ft –brownien.
Dans le cas général, on approche τ par une suite décroissante τn de temps
3.6. PROPRIÉTÉ DE MARKOV FORTE DU MOUVEMENT BROWNIEN 35
d’arrêt à valeurs dénombrables, donnée par le lemme. Puisque Fτ est contenu

dans Fτn on a encore
E(Z1{τ <+∞} F (Bt1 +τn −Bτn , · · · , Btd +τn −Bτn )) = E(Z1{τ <+∞} )E(F (Bt1 , · · · , Btd ))
et on fait tendre n vers l’infini pour conclure, en utilisant la continuité des
trajectoires.
Proposition 3.6.9 (Principe de réflexion). — Soit {Bt , t ≥ 0} un mou-

vement brownien. Pour a > 0, on pose Ta = inf{t ≥ 0; Bt = a}. Alors
P(Ta ≤ t) = 2P(Bt ≥ a).
2 /2s
La densité de Ta est f (s) = a(2πs3 )−1/2 e−a 1R+ (s). En particulier E(Ta ) =
∞.
Preuve: En utilisant la propriété de Markov forte du brownien, on sait que

Wt = Bt+Ta − BTa est un brownien indépendant de FTa donc en particulier de
Ta . On peut donc écrire, puisque BTa = a que
P(Bt ≥ a) = P(Ta ≤ t, Bt ≥ a)
= P(Ta ≤ t, (Bt − BTa ) + BTa ≥ a)
= P(Ta ≤ t, Wt−Ta ≥ 0)
Z
= 1{s≤t} P(Wt−s ≥ 0)dPTa (s)
1
= P(Ta ≤ t).
2
p
On en déduit, avec le changement de variable x = a t/s,
Z ∞ Z t
−x2 /2t 2
dx = a (2πs3 )−1/2 e−a /2s ds.
p
P(Ta ≤ t) = 2/πt e
a 0
2 /2s
Donc la densité de Ta est f (s) = a(2πs3 )−1/2 e−a , ce qui permet de calculer
l’espérance.
On voit donc que, bien que le brownien passe une infinité de fois par tout
les points, il met un temps d’espérance infinie pour atteindre un point donné.
La propriété suivante est assez étonnante !
Corollaire 3.6.10. — La loi de sup0≤s≤t Bs est la même que celle de |Bt |.
Preuve: P(sup0≤s≤t Bs ≥ a) = P(Ta ≤ t) = 2P(Bt ≥ a) = P(|Bt | ≥ a).

3.7. Existence et Simulation du Mouvement brownien

L’ordinateur simule une suite Un de v.a. i.i.d. uniformes sur [0, 1]. (Par
simulation on veut dire qu’il ”tente” de fabriquer ... ) On commence par simuler
des v.a. indépendantes X1 , X2 , · · · de loi gaussienne N (0, 1). Une façon de faire
est de poser p
Xn = −2 log U2n sin(2πU2n+1 ).
Un intervalle de temps [0, T ] étant donné, on choisit ensuite un pas de
discrétisation h = Tn , où n ∈ N. On simule la trajectoire brownienne aux
instants kT /n, k = 0, 1, · · · , n − 1 en posant B0 = 0 puis par récurrence,
r
T
B(k+1)T /n = BkT /n + Xk+1 .
n
Il y a une autre méthode de simulation, qui permet de faire éventuellement

un effet de loupe sur un morceau de trajectoire choisi. Expliquons le principe
de cette construction en simulant le mouvement brownien sur [0, 1] par raffine-
ments successifs : A l’étape n on construit le brownien au points 2kn , 0 ≤ k ≤ 2n .
A l’étape 0 on pose B0 = 0 et on choisit pour B1 une v.a. de loi N (0, 1). Une
fois l’étape n achevée, on procède ainsi : on se donne des v.a. X0 , X1 , · · · ind-
épendantes entre elles et de ce qui précède, de loi N (0, 2−n ) et l’on pose, pour
k entier,
B kn + B k+1 + Xk
2n
B 2k+1 = 2 .
2n+1 2
On vérifie (cf. exercice dans l’appendice 2) que l’on construit bien ainsi un
mouvement brownien sur [0, 1] en passant à la limite sur l’approximation
linéaire. Ceci montre en particulier son existence.
3.8. Appendice 1
Donnons une excellente approximation de la fonction de repartition de la
loi normale sous la forme d’un programme C.
// standard normal density function
double ndf(double t)
{
return 0.398942280401433*exp(-t*t/2);
}
// standard normal cumulative distribution function

3.9. APPENDICE 2 : CONSTRUCTION DE P. LÉVY DU MOUVEMENT BROWNIEN 37
double nc(double x)
{
double result;
if (x<-7.)
result = ndf(x)/sqrt(1.+x*x);
else if (x>7.)
result = 1. - nc(-x);
else
{
result = 0.2316419;
static double a[5] = {0.31938153,-0.356563782,1.781477937,
-1.821255978,1.330274429};
result=1./(1+result*fabs(x));
result=1-ndf(x)*(result*(a[0]+result*
(a[1]+result*(a[2]+result*(a[3]+result*a[4])))));
if (x<=0.) result=1.-result;
}
return result;
}
3.9. Appendice 2 : Construction de P. Lévy du mouvement brownien

Soit {Yk,n ; 0 ≤ k ≤ 2n , n ∈ N} des v.a. indépendantes, toutes de loi
N (0, 1). On construit par récurrence sur n une suite {Xn (t), 0 ≤ t ≤ 1}n∈N∗
de processus tels que
Xn (t) est linéaire sur chaque intervalle dyadique [2−n k, 2−n (k + 1)],
X0 (0) = 0, X0 (1) = Y1,0 ,

Xn+1 (2−n k) = Xn (2−n k)
Xn+1 (2−(n+1) (2k + 1)) = Xn (2−(n+1) (2k + 1)) + 2−(n+2)/2 Y2k+1,n+1 .
a. Montrer que {Xn (t), 0 ≤ t ≤ 1} est un processus gaussien.
b. Montrer que
P( sup |Xn+1 (t) − Xn (t)| ≥ 2−n/4 ) ≤ 2n P(|Y0,0 | ≥ 2(n+4)/4 ).
0≤t≤1
c. Montrer que si Y ∼ N1 (0, 1), P(|Y | > a) ≤ C1 a−8 .

d. Montrer que p.s. Xn converge uniformément sur [0, 1] vers un processus

X, et que X est un mouvement brownien.
CHAPITRE 4
MARTINGALES
4.1. Martingales, définition

Pour T = R ou N on considère (Ω, (Ft )t∈T , P) un espace de probabilité filtré.
Définition 4.1.1. — Une famille Mt , t ∈ T , est une martingale si Mt ∈ L1 ,
(Mt ) est adapté et
E(Mt |Fs ) = Ms , pour tout 0 ≤ s ≤ t.
Une famille Mt , t ∈ T , est une sous-martingale si Mt ∈ L1 , (Mt ) est adapté et
E(Mt |Fs ) ≥ Ms , pour tout 0 ≤ s ≤ t.
Si M est une (ss)-martingale sur (Ω, (Ft )t∈T , P), ça l’est aussi pour la
filtration naturelle Ft0 = σ(Ms , s ≤ t).
Exemple. Soit X ∈ L1 . On pose Xt = E(X|Ft ). On a, pour s < t,
E(Xt |Fs ) = E(E(X|Ft )|Fs ) = E(X|Fs ) = Xs
et Xt est une martingale.
Proposition 4.1.2. — Soit B un (Ft )–mouvement brownien. Alors,
(i) Bt , t ∈ R+ ;
(ii) Bt2 − t, t ∈ R+ ;
λ2 t
(iii) pour λ ∈ R , exp(λBt − 2 ), t ∈ R+ ;
sont des (Ft )-martingales.
Proposition 4.1.3 (Inégalité de Jensen). — Soit M une martingale (resp.
sous martingale) et φ : R → R une fonction convexe (resp. convexe croissante).
Si φ(Mt ) est intégrable pour tout t ≥ 0, c’est une sous martingale.
40 CHAPITRE 4. MARTINGALES
Preuve: Une fonction convexe est l’enveloppe supérieure de ses tangentes :

Donc il existe une famille F de fonctions affines (du type x →
7 ax + b) tels que
φ(x) = sup f (x)
f ∈F
avec de plus chaque f croissante si φ est croissante. Pour tout f ∈ F

E(φ(Mt )|Fs ) ≥ E(f (Mt )|Fs ) = f (E(Mt |Fs ) ≥ f (Ms )
donc E(φ(Mt )|Fs ) ≥ supf ∈F f (Ms ) = φ(Ms ).
Exemple : Si M est une martingale |M | est une sous martingale et si X est
une sous martingale, alors X + est une sous martingale.
(n)
Proposition 4.1.4. — Soit {Mt , t ∈ T }, n ∈ N, une suite de (Ft )– martin-
(n)
gales. Si pour tout t, Mt tend vers Mt dans L1 , ou afortiori dans L2 , alors
Mt , t ∈ T , est une martingale.
Preuve: On utilise que

(n) (n) (n)
E(|E(Mt |Fs ) − E(Mt |Fs )|) ≤ E(E(|Mt − Mt ||Fs )) = ||Mt − Mt ||1 .
4.2. Martingales à temps discret

Nous allons exposer deux résultats fondamentaux de Doob, indispensables
pour nous. Etant donné un processus M et un temps d’arrêt τ on note M τ le
processus arrété à l’instant τ , défini par :
Mtτ = Mτ ∧t .
Théorème 4.2.1 (d’arrêt). — Soit {Mn , n ∈ N} une (sous) martingale et

τ un temps d’arrêt. Alors M τ est encore une (sous)-martingale.
Preuve: Il suffit d’écrire

τ
Mn+1 − Mnτ = 1{τ >n} (Mn+1 − Mn ).
Le lemme suivant n’est utile que pour les temps d’arrêt à valeurs dénombrables,
c’est à dire rarement dans le cas ”continu” car il n’a d’intérêt que si P({τ =
r}) > 0.
Lemme 4.2.2. — Si σ est un temps d’arrêt, pour toute v.a. X ≥ 0

E(X|Fσ ) = E(X|Fr ), sur {σ = r}
4.2. MARTINGALES À TEMPS DISCRET 41
Preuve: Il nous faut montrer que

1{σ=r} E(X|Fσ ) = 1{σ=r} E(X|Fr ),
soit encore puisque {σ = r} ∈ Fσ que
E(1{σ=r} X|Fσ ) = 1{σ=r} E(X|Fr ).
On utilise la propriété caractéristique de l’espérance conditionnelle 4.4.1 : la
v.a. Z = 1{σ=r} E(X|Fr ) est Fσ -mesurable et pour toute v.a. U positive, Fσ -
mesurable, puisque U 1{σ=r} est Fr -mesurable,
E(U Z) = E(U 1{σ=r} E(X|Fr )) = E(U 1{σ=r} X)
donc Z = E(1{σ=r} X|Fσ ).
Corollaire 4.2.3. — Soient {Mn , n ∈ N} une (sous) martingale, σ et τ deux
temps d’arrêt. On suppose que τ est borné. Alors
E(Mτ | Fσ ) ≥ Mτ ∧σ
avec égalité dans le cas d’une martingale
Preuve: Si τ est borné par la constante r > 0, on peut écrire que, sur {σ = n},
E(Mτ | Fσ ) = E(Mrτ | Fn ) ≥ Mr∧n
τ
= Mτ ∧σ .
Théorème 4.2.4. — Soit Mn , n ∈ N, une sous-martingale positive. Pour
tout a > 0,
aP( max Mk ≥ a) ≤ E(Mn ; max Mk ≥ a) ≤ E(Mn ).
0≤k≤n 0≤k≤n
De plus
E( max Mk2 ) ≤ 4E(Mn2 ).
0≤k≤n
Preuve: Soit σ = inf{k ≥ 0; Mk ≥ a}. On applique le corollaire aux temps

d’arrêt σ et τ = n :
E(Mσ∧n ) ≤ E(Mn ).
Posons A = {σ ≤ n} = {max0≤k≤n Mk ≥ a}. On a
Mσ∧n ≥ a1A + Mn 1Ac .
Donc
E(Mn ) ≥ E(Mσ∧n ) ≥ aP(A) + E(Mn 1Ac ),
ce qui donne l’inégalité aP(A) ≥ E(Mn 1A ) que l’on cherchait. Ensuite
Z ∞ Z ∞
aP( max Mk ≥ a) da ≤ E(Mn ; max Mk ≥ a) da.
0 0≤k≤n 0 0≤k≤n
Avec Fubini ceci s’écrit, si on pose S = max0≤k≤n Mk

Z max0≤k≤n Mk Z max0≤k≤n Mk
E( a da) ≤ E(Mn da)
0 0
donc
1
E(( max Mk )2 ) ≤ E(Mn max Mk ).
2 0≤k≤n 0≤k≤n
En appliquant Cauchy Schwarz on obtient
1
E(( max Mk )2 ) ≤ E(Mn2 )1/2 E(( max Mk )2 )1/2
2 0≤k≤n 0≤k≤n
ce qui donne le résultat.

Dans la preuve précédente, en multipliant par ap−2 et en appliquant l’inégalité
de Holder, on obtient pour p > 1,
|| max Mk ||p ≤ q||Mn ||p
0≤k≤n
où p−1 + q −1 = 1.
4.3. Martingale continue à droite

Si Mt , t ∈ R+ , est un processus à trajectoires continues à droite, on a
sup Mt = lim sup M kTn .
0≤t≤T n→+∞ 0≤k≤2n 2
En appliquant le Théorème 4.2.4 à la sous martingale Xk = M kTn on obtient

2
immédiatement :
Théorème 4.3.1 (Inégalités de Doob). — Soit Mt , t ∈ R+ , une sous-

martingale continue à droite positive. Pour tout a > 0,
aP( sup Mt ≥ a) ≤ E(MT ; sup Mt ) ≤ E(MT )
0≤t≤T 0≤t≤T
De plus
E( sup Mt2 ) ≤ 4E(MT2 ).
0≤t≤T
Puisque la valeur absolue d’une martingale est une sous martingale, on en

déduit le corollaire absolument fondamental pour la suite :
Corollaire 4.3.2. — Si M est une martingale continue à droite

E( sup Mt2 ) ≤ 4E(MT2 ).
0≤t≤T
4.3. MARTINGALE CONTINUE À DROITE 43
Déduisons un convergence de théorème de martingales (il en existe d’autres,

par exemple pour les martingales positives).
Théorème 4.3.3. — Une martingale continue à droite (Mt ) telle que
sup E(Mt2 ) < +∞

t≥0
converge p.s. et dans L2 lorsque t → +∞.
Preuve: Puisque Mt2 est une sous martingale, E(Mt2 ) est une fonction crois-
sante. Par hypothèse, elle est bornée. Donc elle converge lorsque t → +∞. On
en déduit que, pour tout ε > 0, il existe N tel que, si s, t ≥ N
E((Mt − Ms )2 ) = E(Mt2 ) − E(Ms2 ) < ε
lorsque s, t → +∞. La suite Mn est donc de Cauchy dans L2 , elle converge

vers une v.a. M∞ . En faisant tendre t → +∞ suivant les entiers on voit que
E((M∞ − Ms )2 ) < ε
donc Ms → M∞ dans L2 . Si on applique l’inégalité de Doob à la martingale

Nt = Ms+t − Ms on obtient
E(sup(Mt+s − Ms )2 ) ≤ 4E((MT +s − Ms )2 ) ≤ 4ε
t≤T
pour tout T ≥ 0, donc
E(sup(Mt+s − Ms )2 ) ≤ 4ε.
t≥0
Il en résulte en écrivant que
(Mt+s − M∞ )2 ≤ 2(Mt+s − Ms )2 + 2(Ms − M∞ )2
que
E(sup(Mt − M∞ )2 ) ≤ 16ε.
t≥s
Il existe donc une sous suite ni telle que, p.s., supt≥0 (Mt+ni − M∞ ) → 0, ce
qui entraine que Mt → M∞ , p.s.
Pour montrer le théorème d’arrêt, nous allons utiliser :
Lemme 4.3.4. — Si X ∈ L1 (Ω, A, P), la famille {E(X|F), F sous tribu de A}

est uniformément intégrable.
Preuve: Remarquons d’abord que pour tout ε > 0, il existe α > 0 tel que, si
P(A) < α alors E(|X|1A ) ≤ ε. En effet, par Lebesgue dominé, E(|X|1{|X|≥M } )
tend vers 0 lorsque M → +∞.On choisit M pour lequel E(|X|1{|X|≥M } )) < ε/2
et ensuite α > 0 tel que αM < ε/2. On a alors
E(|X|1A ) ≤ E(|X|1A 1{|X|≥M } ) + E(|X|1A 1{|X|≤M } )
≤ E(|X|1{|X|≥M } ) + M P(A ∩ {|X| ≤ M }) ≤ ε

Soit R = α−1 E|X|. On a, pour a > R, P(|E(X|F)| > a) ≤ a−1 E|E(X|F)| ≤
a−1 E|X| < α et
Z Z Z
|E(X|F)| dP ≤ E(|X||F) dP = |X| dP < ε
{|E(X|F )|>a} {|E(X|F )|>a} {|E(X|F )|>a}
Théorème 4.3.5 (d’arrêt). — Soient (Xt , t ∈ R+ ) une sous-martingale

continue à droite, et σ et τ deux temps d’arrêt avec τ borné. Alors Xτ ∈ L1
et Xσ∧τ ≤ E(Xτ | Fσ ).
Preuve: (a) La suite de temps arrêt τn = 2−n ([2n τ ] + 1) décroit vers τ et

Xτn tend vers Xτ , quand n → +∞. Si τ est bornée par K, τn est borné
par K + 1. D’après le corollaire 4.2.3, Xt+ étant une sous-martingale, Xτ+n ≤
+
E(XK+1 | Fτn ). On a alors
+
E|Xτn | = 2E(Xτ+n ) − E(Xτn ) ≤ 2E(XK+1 ) − E(X0 )
d’où, par le lemme de Fatou, E|Xτ | ≤ lim inf n E|Xτn | < +∞ donc Xτ ∈ L1 .
(b) Soit σn = 2−n ([2n σ] + 1). On suppose Xt ≥ 0 pour tout t ≥ 0. Soit
A ∈ Fσ ⊂ Fσn . On a alors, en appliquant le corollaire 4.2.3 à la sous-martingale
X kn , k ∈ N,
2
E(1A Xσn ∧τn ) ≤ E(1A Xτn )
et, puisque X∧τn et Xτn convergent vers Xσ ∧ τ et Xτ dans L1 (par l’uniforme
intégrabilité donné par le lemme), E(1A Xσ∧τ ) ≤ E(1A Xτ ).
(c) On revient au cas général. Pour tout a > 0, a + Xt ∨ (−a) est une sous-
martingale positive donc, pour tout A ∈ Fσ , E(1A Xσ ∨ (−a)) ≤ E(1A Xτ ∨
(−a)). On conclut facilement puisque, lorsque a → +∞, Xτ ∨ (−a) → Xτ et
Xσ ∨ (−a) → Xσ dans L1 .
Corollaire 4.3.6. — Soient (Mt , t ∈ R+ ) une sous-martingale continue à

droite, telle que sup0≤t<+∞ |Mt | < +∞. Pour tous temps d’arrêts σ et τ
E(Mτ |Fσ ) ≥ Mτ ∧σ .
4.4. FORMULAIRE SUR L’ESPÉRANCE CONDITIONNELLE 45
Preuve: En utilisant le corollaire précédent aux temps d’arrêts bornés τ ∧ t

et σ ∧ t, pour tout A ∈ Fσ
E(1A 1{σ≤t} Mτ ∧t ) = E(1A 1{σ≤t} Mσ∧τ ∧t )
car A∩{σ ≤ t} ∈ Fσ∧t . Il suffit alors de faire tendre t vers l’infini en appliquant
le théorème de convergence dominée.
Corollaire 4.3.7. — Soient (Xt , t ∈ R+ ) une (sous) martingale continue à

droite et τ un temps d’arrêt. Alors Xtτ := Xt∧τ est une (sous) martingale.
Preuve: Vu le corollaire précédent, on a, pour s < t, E(Xt∧τ | Fs ) ≥ Xt∧τ ∧s =

Xτ ∧s p.s.
Corollaire 4.3.8. — Soit (Xt , t ∈ R+ ) un processus intégrable continu à

droite. Alors Xt est une martingale si et seulement si, pour tout temps d’arrêt
borné τ on a E(Xτ ) = E(X0 ).
Preuve: La nécessité résulte du corollaire ??. Montrons que la condition est

suffisante. Soient s < t et A ∈ Fs . τ = s1A + t1Ac est un temps d’arrêt
borné et l’on E(X0 ) = E(Xτ ) = E(1A Xs ) + E(1Ac Xt ). Mais τ = t est aussi
un temps d’arrêt borné d’où E(X0 ) = E(Xt ) = E(1A Xt ) + E(1Ac Xt ). On en
déduit E(1A Xs ) = E(1A Xt ) i.e. Xt est une martingale.
4.4. Formulaire sur l’espérance conditionnelle

Soit (Ω, A, P) un espace de probabilité et F une sous-tribu de A. L’espérance
conditionnelle E(X|F) d’une variable aléatoire X positive (ou intégrable) n’est
définie que presque surement, on ommetra d’écrire ”p.s.” dans une égalité où
elle apparait.
Théorème 4.4.1 (Propriété caractéristique de l’espérance condition-

nelle)
Soit X une v.a.r. positive ou intégrable. L’espérance conditionnelle E(X|F)
est la seule (classe de) v.a. Z ayant les deux propriétés suivantes :
(i) Z est F-mesurable ;
(ii) pour toute v.a.r. U , F-mesurable bornée positive,
E(ZU ) = E(XU ).
On utilisera très souvent les inégalités suivantes qui montrent que l’applica-
tion T : Lp → Lp donnée par T (X) = E(X|F) est continue pour p = 1, 2, ∞.
Proposition 4.4.2 (Continuité de l’espérance conditionelle)

Pour toute v.a. positive ou intégrable,
–
E(|E(X|F)|) ≤ E(|X|);
–
E(E(X|F)2 ) ≤ E(X 2 );
–
kE(X|F)k∞ ≤ kXk∞ .
Les propriétés suivantes sont faciles à démontrer et essentielles :
Proposition 4.4.3. — Si les expressions ont un sens :
E(E(X|F)) = E(X);
Si X est F-mesurable, E(XY |F) = XE(Y |F);
Si G est une sous-tribu de F, E(X|G) = E(E(X|F)|G);
E(1|F) = 1;
E(aX + bY |F) = aE(X|F) + bE(Y |F);
Si X ≤ Y , E(X|F) ≤ E(Y |F);
|EB (XY |F)|2 ≤ E(X 2 |F)E(Y 2 |F).
On a l’analogue des théorèmes de convergence de Beppo Levi, de Fatou, de
Lebesgue :
Proposition 4.4.4. — Soit (Xn ) une suite de v.a.
(Beppo Levi conditionnel) Si 0 ≤ Xn ↑ X, E(Xn |F) → E(X|F), p.s.
(Fatou conditionnel) Si 0 ≤ Xn , E(lim inf Xn |F) ≤ lim inf E(Xn |F),
(Lebesgue conditionnel) Si |Xn | ≤ V où V ∈ L1 et si Xn → X , E(Xn |F) →
E(X|F), p.s. et dans L1
Preuve: On commence par montrer Beppo Levi : si 0 ≤ Xn ↑ X la suite
E(Xn |F) est croissante donc a une limite, que nous notons Z. Comme limite
de fonctions F-mesurables Z est F-mesurable. Et pour toute v.a. U positive
et F-mesurable, par le théorème de Beppo Levi classique, appliqué deux fois,
E(U Z) = lim E(U E(Xn |F)) = lim E(U Xn ) = E(U X)
n→+∞ n→+∞
Donc Z = E(X|F) par la propriété caractéristique de l’espérance condition-

nelle (Thm 4.4.1). Les autres enoncés s’en déduisnet comme dans le cas non
conditionnel et par le fait que
||E(Xn |F) − E(X|F)||1 ≤ ||Xn − X||1
4.4. FORMULAIRE SUR L’ESPÉRANCE CONDITIONNELLE 47
pour la convergence dans L1 .

Très souvent les calculs explicites d’espérance conditionnelle utilisent le
théorème suivant :
Théorème 4.4.5. — Soit (T, X) une variable aléatoire à valeurs dans un
espace produit E × F et h : E × F → R mesurable, positive ou bornée. On
suppose que T est B-mesurable et que X est indépendante de B. Alors,
E(h(T, X)|B) = φ(T ) où φ(t) = E(h(t, X)).
On peut encore écrire cette égalité comme
Z
E(h(T, X)|B)(ω) = h(T (ω), X(ω 0 )) dP(ω 0 ).
Ω
CHAPITRE 5
CROCHET DE MARTINGALES
Nous allons commencer à construire l’intégrale stochastique par rapport à

une martingale continue. La construction est naturelle mais il y a pas mal
d’inégalités à contrôler !
5.1. Cas discret

Soit (Mn , n ∈ N) une (Fn )–martingale sur (Ω, (Fn )n∈N , P). Si H est un
processus adapté on pose S(H, M )0 = 0 et
n
X
S(H, M )n = Hk−1 (Mk − Mk−1 ).
k=1
Le lemme simple suivant est la clé des calculs que nous ferons.
Lemme 5.1.1 (Lemme d’orthogonalité). — Si Mn , n ∈ N, est une mar-

tingale dans L2 ,
n
X
E(Mn2 ) − E(M02 ) = E((Mk − Mk−1 )2 ).
k=1
Montrons maintenant un résultat technique.
Proposition 5.1.2. — Soit M une martingale et H un processus adapté

borné. Alors S(H, M ) est une martingale et si M est bornée il existe une
constante c > 0 ne dépendant que de la borne de M , telle que, pour tout n,
||S(H, M )n ||22 ≤ c|| sup Hk2 ||2 .

k≤n
50 CHAPITRE 5. CROCHET DE MARTINGALES
Preuve: On peut supposer M0 = 0. Puisque H est borné, S(H, M )n est

intégrable pour tout n. C’est une martingale car
E(S(H, M )n+1 − S(H, M )n |Fn ) = E(Hn (Mn+1 − Mn )|Fn )
= Hn [E(Mn+1 |Fn ) − Mn ] = 0.
Supposons maintenant que |M | est bornée par K. Posons A0 = 0 et
n
X
An = E((Mk − Mk−1 )2 |Fk−1 ).
k=1
Nous allons chercher à majorer E(A2n ). Commençons par E(An ). En appliquant

le lemme,
Xn
E(An ) = E( (Mk − Mk−1 )2 ) = E(Mn2 ) ≤ K 2 .
k=1
Par ailleurs, puisque
Ak − Ak−1 = E((Mk − Mk−1 )2 |Fk−1 )
On a 0 ≤ Ak − Ak−1 ≤ 4K 2 , donc
(Ak − Ak−1 )2 ≤ 4K 2 (Ak − Ak−1 )
et
n
X n
X
E( (Ak − Ak−1 )2 ) ≤ 4K 2 E( (Ak − Ak−1 )) = 4K 2 E(An ) ≤ 4K 4 .
k=1 k=1
On vérifie que Mn2

− An est une martingale. En appliquant le lemme à cette
martingale, et en utilisant l’inégalité (a + b)2 ≤ 2(a2 + b2 ), on obtient que
n
X
E[(Mn2 − An )2 ] = E( (Mk2 − Ak − Mk−1
2
+ Ak−1 )2 )
k=1
Xn n
X
≤ 2E( (Mk2 − 2
Mk−1 )2 ) + 2E( (Ak − Ak−1 )2 )
k=1 k=1
Utilisons l’inégalité
(Mk2 − Mk−1
2
)2 = (Mk + Mk−1 )2 (Mk − Mk−1 )2 ≤ 4K 2 (Mk − Mk−1 )2 ;
on obtient
n
X
E[(Mn2 − An )2 ] ≤ 8K 2 E( (Mk − Mk−1 )2 ) + 8K 4
k=1
≤ 8K + 8K 4 = 16K 4 ,
4
5.2. PREMIERS PAS, À TEMPS CONTINU 51
donc
E(A2n ) ≤ 2E(Mn4 ) + 2E(Mn2 − An )2 ≤ 34K 4 .
On a alors, en appliquant cette fois le lemme à la martingale S(H, M )
n
X
E[S(H, M )2n ] = 2
E(Hk−1 (Mk − Mk−1 )2 )
k=1
n
X n
X
2
= E(Hk−1 E((Mk − Mk−1 )2 |Fk−1 )) = 2
E(Hk−1 (Ak − Ak−1 ))
k=1 k=1
n
X
≤ E(sup |Hk |2 (Ak − Ak−1 )) = E(sup |Hk |2 An )
k=1 k k
√
≤ ||An ||2 || sup |Hk |2 ||2 ≤ 34K 2 || sup |Hk |2 ||2
k k
où l’on a utilsé Cauchy Schwarz à la dernière ligne. On peut donc prendre
c = 6K 2 .
5.2. Premiers pas, à temps continu

On considère une martingale continue Mt , t ∈ R+ , sur (Ω, (Ft ), P). On
appelle processus (adapté) élémentaire un processus H s’écrivant
n−1
X
i=0
où 0 ≤ t0 < t1 · · · < tn et où Hti est une v.a. Fti –mesurable bornée. On note
E l’ensemble de ces processus élémentaires.
Proposition 5.2.1. — Pour H ∈ E on pose

Z t n−1
X
Hs dMs = (H · M )t = Hti (Mti+1 ∧t − Mti ∧t ).
0 i=0
Alors
(i) H · M est une (Ft )-martingale continue, nulle en 0.
(ii) Si M est bornée, il existe une constante C > 0, ne dépendant que de la
borne de M , telle que, pour tout T > 0,
|| sup (H · M )t ||22 ≤ C|| sup Ht2 ||2

0≤t≤T t≤T
Preuve: Puisque M est une martingale, E(Mr |Fs ) = Mr∧s pour tous r, s, ≥ 0.
On en déduit que si 0 ≤ ti ≤ s ≤ t,
E(Hti (Mti+1 ∧t − Mti ∧t )|Fs ) = Hti E(Mti+1 ∧t − Mti ∧t )|Fs )

= Hti (Mti+1 ∧t∧s − Mti ∧t∧s )
= Hti (Mti+1 ∧s − Mti ∧s ).
En utilisant cette relation pour s = ti , on voit maintenant que si 0 ≤ r ≤ ti ≤ t,
E(Hti (Mti+1 ∧t − Mti ∧t )|Fr ) = E(E(Hti (Mti+1 ∧t − Mti ∧t )|Fti )|Fr ) = 0
donc encore
E(Hti (Mti+1 ∧t − Mti ∧t )|Fr ) = Hti (Mti+1 ∧r − Mti ∧r ).
Lorsque t ≤ ti , ceci est encore vrai. Donc H · M est une martingale.

Montrons (ii). On regarde la martingale à temps discret Nk = Mtk ∧T et le
processus à temps discret Gk = Htk . Alors
(H · M )T = S(G, N )n
donc par la Proposition 5.1.2, il existe c > 0 tel que
||(H · M )T ||22 ≤ c|| sup Ht2 ||2 .

t≤T
On applique alors l’inégalité de Doob à la martingale H · M .
5.3. Crochet comme variation quadratique

Théorème 5.3.1. — Soit M une martingale continue bornée et 0 = tn0 <
tn1 < · · · < tnpn = T une suite de subdivisions de [0, T ] dont le pas tend vers 0.
Alors, la limite
pn
X
(4) lim (Mtni ∧t − Mtni−1 ∧t )2
n→+∞
i=1
existe dans L2 et définit, pour t ≤ T , un processus croissant continu noté

hM, M it . De plus la formule
Z t
2 2
Mt = M 0 + 2 Ms dMs + hM, M it
0
Rt
définit une martingale 0 Ms dMs .
5.3. CROCHET COMME VARIATION QUADRATIQUE 53
Preuve: On regarde Z t
(n)
Xt = Ms(n) dMs
0
où
n−1
(n)
X
Mt = Mtni 1[tni ,tni+1 [ (t).
i=0
(n)
On sait par la Proposition 5.2.1 que Xt est une martingale. En appliquant
(n) (m)
cette proposition à la martingale Xt − Xt on voit qu’il existe C > 0 telle
que
(n) (m)
E[ sup (Xt − Xt )2 ] ≤ C|| sup (M (m) (s) − M (n) (s))2 ||2
0≤t≤T 0≤s≤T
(m)
≤ 2C|| sup (M (s) − M (s)) ||2 + 2C|| sup (M (n) (s) − M (s))2 ||2
2
0≤s≤T 0≤s≤T
(en utilisant (a + b)2 ≤ 2(a2 + b2 )). Par continuité de t 7→ Mt (ω) et donc
uniforme continuité sur [0, T ], et le théorème de convergence dominée, le
dernier terme tend vers 0. On peut donc trouver une sous suite nk , k ≥ 1,
telle que
(n ) (n )
E( sup (Xt k − Xt k+1 )2 ) ≤ 1/2k
0≤t≤T
(n )
On en déduit que Xt k
converge uniformément sur [0, T ] vers un processus
(n)
X qui sera donc continu. Toute la suite Xt converge vers Xt dans L2 . En
particulier X est une martingale. Il reste à montrer que
At := Mt2 − 2Xt
est croissant. On a
j
(n)
X
(5) Atnj = Mt2nj − 2Xtn = M02 + (Mtni − Mtni−1 )2 .
j
i=1
Soit 0 ≤ r ≤ s ≤ T et pour chaque n, notons in ≤ jn les entiers tels que
(n)
tin ≤ r ≤ tnin+1 , tnjn ≤ s ≤ tnjn+1 .
On a
(n)
Xr(n) − Xtn = Mtnin (Mr − Mtnin ) → 0
in
quand n → +∞. De même

(n)
Xs(n) − Xtn → 0
jn
On peut donc écrire

As − Ar = lim (Atnjn − Atnin ) ≥ 0
n→+∞
la positivité venant de (5).
Lemme 5.3.2. — Si (Mt ) est une martingale bornée, on a pour t > s > 0,
E((Mt − Ms )2 |Fs ) = E(hM, M it − hM, M is |Fs ).
Preuve: Puisque (Mt ) est une martingale, on a

E((Mt − Ms )2 |Fs ) = E(Mt2 |Fs ) + Ms2 − 2Ms E(Mt |Fs )
= E(Mt2 |Fs ) + Ms2 − 2Ms2

= E(Mt2 |Fs ) − Ms2
et, puisque Mt2 − hM, M it est une martingale,
E(Mt2 |Fs ) − Ms2 = E(Mt2 − hM, M it + hM, M it |Fs ) − Ms2
= Mt2i − hM, M iti + E(hM, M it |Fs ) − Ms2

= E(hM, M it − hM, M is |Fs ).
5.4. Martingale locale

Définition 5.4.1. — Un processus adapté continu M tel que M0 = 0 est une
martingale locale si il existe une suite croissante τn , n ∈ N, de temps d’arrêt
tendant vers +∞ telle que M τn soit une martingale. On dit que (τn ) réduit
M.
Si M est un processus adapté non nul en 0, on dit que c’est une martingale
locale si Mt − M0 l’est. Il résulte du théorème d’arrêt que
Théorème 5.4.2. — Une martingale locale arrétée est une martingale locale.
Lemme 5.4.3. — La somme de deux martingales locales est une martingale

locale.
Preuve: Si (τn ) réduit la martingale locale M et σn réduit la martingale locale

N , alors σn ∧ τn réduit M + N .
Très souvent on utilisera :
Proposition 5.4.4. — Si M est une martingale locale nulle en 0, et si

Tn = inf{t ≥ 0; |Mt | = n}
alors M Tn est une martingale bornée.
5.4. MARTINGALE LOCALE 55
Preuve: Si (τk ) réduit M , M τk est une martingale donc par le théorème

d’arrêt, M τk ∧Tn est une martingale. Pour tout t ≥ 0, quand k → +∞, Mtτk ∧Tn
tend vers MtTn dans L1 par convergence dominée (puisque |Mtτk ∧Tn | ≤ n).
Donc M Tn est une martingale.
Théorème 5.4.5. — Une martingale locale M telle que sup0≤s≤t |Ms | est
dans L1 est une martingale.
Preuve: Il suffit d’utiliser qu’une limite dans L1 de martingales est une

martingale (Proposition 4.1.4) et le théorème de convergence dominée.
Par contre l’uniforme intégrabilité ne suffit pas. L’exemple classique est
Mt = 1/||Bt+1 || où B est le brownien dans R3 : on verra que c’est une
martingale locale avec la formule d’Ito, par calcul E(Mt2 ) est uniformément
5/2
borné (et même E(Mt ) ) et pourtant
1
E(Mt ) = E(1/||Bt+1 ||) = √ E(1/||B1 ||)
t+1
n’est pas constant.
5.4.1. Crochet d’une martingale locale. — Le lemme suivant résulte

immédiatement de la formule (4) décrivant le crochet comme variation qua-
dratique (en remarquant que par sa preuve, la convergence y est uniforme en
t borné).
Lemme 5.4.6. — Si M est une martingale bornée et τ un temps d’arrêt,

hM τ , M τ it = hM, M it∧τ .
Considérons une martingale locale M , nulle en 0, réduite par (τn ) ; il résulte

du lemme que si n ≤ m alors
hM τn , M τn it = hM τm , M τm it
si t ≤ τn . On peut donc définir sans ambiguité hM, M i en posant
hM, M it = hM τn , M τn it , pour tout n tel que τn ≥ t.
On remarque que
Proposition 5.4.7. — Si M est une martingale locale, le processus hM, M it

est continu, adapté et
Mt2 − hM, M it , t ≥ 0,
est une martingale locale.
Théorème 5.4.8. — Soit M une martingale locale nulle en 0. Alors les

conditions suivantes sont équivalentes :
(i) pour tout t ≥ 0, hM, M it ∈ L1 ,
(ii) M est une martingale de carré intégrable.
Dans ce cas Mt2 − hM, M it est une martingale.
Preuve: Supposons (i). On peut réduire M avec Tn = inf{t; |Mt | = n}. Alors
(n)
Nt = (MtTn )2 − hM Tn , M Tn it
(n)
est une martingale locale nulle en 0 telle que sup0≤s≤t |Ns |, majoré par
n + hM, M it , est dans L1 . C’est donc une vraie martingale par le théorème
(n)
5.4.5. Donc E(Nt ) = 0 c’est à dire
(6) E(MT2n ∧t ) = E(hM, M iTn ∧t ).
En particulier
E(MT2n ∧t ) ≤ E(hM, M it )
ce qui assure que la suite MTn ∧t , n ∈ N, est uniformément intégrable. On en
déduit que Mt est une martingale comme limite dans L1 des martingales MtTn .
Par Fatou
E(Mt2 ) ≤ lim inf E(MT2n ∧t ) ≤ lim inf E(hM, M iTn ∧t ) = E(hM, M it ) < +∞.
n→+∞ n→+∞
Donc Mt est de carré intégrable. Ce qui montre (ii). Dans ce cas, par Doob
sup0≤s≤t Ms2 est dans L1 . La martingale locale Mt2 −hM, M it est majorée pour
t ∈ [0, T ] par hM, M iT + sup0≤t≤T Mt2 . C’est donc une vraie martingale par le
théorème 5.4.5.
Supposons maintenant (ii). Soit Sn = inf{t ≥ 0; hM, M it = n}. Alors
MS2n ∧t − hM, M iSn ∧t est une martingale locale dont le sup sur [0, T ] est
intégrable, donc une martingale donc
E(hM, M iSn ∧t ) = E(MS2n ∧t ).
Par Doob E(hM, M iSn ∧t ) ≤ 4E(Mt2 ). En faisant tendre n → +∞ on voit que
(i) est vrai.
Proposition 5.4.9. — Soit Mt une martingale locale et

hM, M i∞ = lim hM, M it
t→+∞
Alors
E(sup Mt2 ) ≤ 4E(hM, M i∞ ).
t≥0
5.5. PROCESSUS À VARIATION FINIE 57
Si ces quantités sont finies, Mt est une martingale, elle converge p.s. et dans
L2 vers une v.a. M∞ quand t → +∞ et pour tous temps d’arrêts σ, τ
E(Mτ |Fσ ) = Mτ ∧σ .
Preuve: Soit (τn ) une suite de temps d’arrêt réduisant M . Par Doob, pour
tout T > 0,
E(sup(Mtτn )2 ) ≤ 4E((MTτn )2 ) = 4E(hM τn , M τn iT )
t≤T
On a donc
E( sup Mt2 ) ≤= 4E(hM, M iT ∧τn )
t≤T ∧τn
On peut appliquer deux fois le théorème de convergence monotone, en faisant
tendre T puis n vers l’infini, pour obtenir
E(sup Mt2 ) ≤ 4E(hM, M i∞ )
t≥0
Si cette quantité est finie, Mt est une martingale convergente par le théorème
de convergence 4.3.3. Par le théorème d’arrêt,
E(Mτ ∧n |Fσ ) = Mτ ∧n∧σ .
et on peut appliquer le théorème de convergence dominée pour l’espérance
conditionnelle (ou la continuité dans L2 ) pour faire tendre n vers l’infini.
Attention : si M est une vraie martingale, E(Mt2 ) = E(hM, M it ), donc
sup E(Mt2 ) = E(hM, M i∞ ).
t≥0
Si par contre M est seulement une martingale locale ceci peut être faux, comme
le montre le contre exemple de la fin de la section précédente Mt = 1/||Bt+1 ||
où B est le brownien de R3 .
Insistons, l’inégalité de Doob sous la forme
E(sup Mt2 ) ≤ 4E(MT2 )
t≤T
peut être fausse pour une martingale locale.
5.5. Processus à variation finie

Définition 5.5.1. — On appelle processus (adapté continu) à variation finie
la différence de deux processus croissants continus adaptés.
Si At = Ut − Vt est à variation finie avec U et V croissants, pour toute

subdivision 0 = t0 < t1 < · · · < tn = T ,
Xn n
X n
X
(7) |Ati − Ati−1 | ≤ |Uti − Uti−1 | + |Vti − Vti−1 | ≤ UT − U0 + VT − V0
i=1 i=1 i=1
Il y a une réciproque à cette propriété, mais nous ne l’utiliserons pas. L’exemple
Rt
typique de processus à variation finie est donné par la primitive At = 0 Rs ds
d’un processus Rt localement intégrable progressif (par exemple continu adapté) :
Rt Rt
en effet il suffit de prendre Ut = 0 Rs+ ds et Vs = 0 Rs− ds.
Proposition 5.5.2. — Une martingale locale (continue) nulle en 0 à varia-
tion finie est nulle.
Preuve: Ecrivons Mt = Ut − Vt avec U, V croissants continus adaptés nuls en
0. Soit τk = inf{t ≥ 0; Ut + Vt ≥ k} et 0 = tn0 < tn1 < · · · < tnpn = T une suite
de subdivisions de [0, T ] dont le pas tend vers 0. Alors, en appliquant le lemme
5.1.1 à la martingale N = M τk ,
Xpn
E(MT ∧τk ) = E( (Ntni − Ntni−1 )2 )
2
i=1
pn
X
≤ E(sup |Ntnj − Ntnj−1 | |Ntni − Ntni−1 |)
j i=1
≤ E(sup ||Ntnj − Ntnj−1 |UT ∧τk + VT ∧τk |)
j
≤ kE(sup |Ntnj − Ntnj−1 ]) → 0
j
Corollaire 5.5.3. — Si M est une martingale locale, hM, M i est l’unique

processus croissant adapté At nul en 0 tel que Mt2 − At soit une martingale
locale.
5.6. Crochet de deux martingales locales

Considérons deux martingales locales M et N . Le ”crochet” de M et N est
défini par
1
hM, N it = [hM + N, M + N it − hM − N, M − N it ]
4
Exactement comme au dessus on voit que
Proposition 5.6.1. — hM, N i est le seul processus (continu adapté) à va-
riation finie, nul en 0, tel que M N − hM, N i soit une martingale locale.
5.6. CROCHET DE DEUX MARTINGALES LOCALES 59
Si M et N sont bornés, il résulte de la formule (4) que si 0 = tn0 < tn1 <
· · · < tnpn = T sont des subdivisions dont le pas tend vers 0. Alors
pn
X
(8) hM, N iT = lim (Mtni − Mtni−1 )(Ntni − Ntni−1 )
n→+∞
i=1
On en déduit :
Lemme 5.6.2. — Si M et N sont deux martingales locales, et τ un temps

d’arrêt, alors
hM τ , N i = hM, N τ i = hM τ , N τ i = hM, N iτ .
Considérons un processus croissant continu A sur R+ . Pour chaque ω ∈ Ω,

définissons une mesure mA(ω) sur R+ on posant
mA(ω) ([s, t]) = At (ω) − As (ω).
Pour simplifier, on notera
Z t Z t
f (s) dmA(ω) (s) = f (s) dAs (ω)
0 0
si f est borélienne positive ou bornée, et la plupart du temps on n’écrit pas ω.
Si A maintenant est un processus à variation finie, donc s’écrivant At = Ut −Vt
où U et V sont des processus croissants, on posera
Z t Z t Z t
f (s) dAs = f (s) dUs − f (s) dVs .
0 0 0
Le seul cas que l’on rencontrera souvent est celui où A est une primitive :
Rt
At = 0 Rs ds. Alors
Z t Z t
f (s) dA(s) = f (s)Rs ds.
0 0
Considérons deux martingales locales M et N .
Lemme 5.6.3. — Pour H ∈ E,

Z t Z t
2
( Hs dhM, N is ) ≤ hN, N it Hs2 dhM, M is .
0 0
Preuve: On écrit que hλM + N, λM + N it est une fonction croissante de t,

on en déduit que
(hM, N it − hM, N is )2 ≤ (hM, M it − hM, M is )(hN, N it − hN, N is )
qui s’écrit aussi

Z t Z t Z t
( dhM, N iu )2 ≤ dhM, M iu dhN, N iu .
s s s
Si
n−1
X
i=0
est un processus de E, on en déduit que
Z t n Z
X ti+1 ∧t
| Hs dhM, N is | = | Hs dhM, N is |
0 i=1 ti ∧t
n
X Z ti+1 ∧t
≤ |Hti dhM, N is |
i=1 ti ∧t
n
X Z ti+1 ∧t Z ti+1 ∧t
≤ |Hti |[ dhM, M is ]1/2 [ dhN, N is ]1/2 .
i=1 ti ∧t ti ∧t
Or ( ai bi ≤ ( a2i )( b2i ) (Cauchy Schwarz) donc

)2
P P P
Z t n
X Z ti+1 ∧t Xn Z ti+1 ∧t
2 2
( Hs dhM, N is ) ≤ [ Hti dhM, M is ][ dhN, N is ]
0 i=1 ti ∧t i=1 ti ∧t
c’est à dire
Z t Z t Z t
2 2
( Hs dhM, N is ) ≤ Hs dhM, M is dhN, N is .
0 0 0
Proposition 5.6.4 (Kunita Watanabe). — L’application
Z t
H ∈ E 7→ Hs dhM, N is
0
Rt
se prolonge par continuité à tout processus H tel que 0 Hs2 dhM, M iu < ∞ et
si on note de la même façon ce prolongement, il vérifie encore
Z t Z t
2
( Hs dhM, N is ) ≤ hN, N it Hs2 dhM, M is .
0 0
CHAPITRE 6
INTÉGRALE STOCHASTIQUE
6.1. Intégrale stochastique par rapport à une martingale de carré

intégrable
On considère une martingale continue Mt de carré intégrable (c’est à dire
telle que Mt ∈ L2 pour tout t ≥ 0). Rappelons (Théorème 5.4.8) qu’alors
hM, M it ∈ L1 et que
Mt2 − hM, M it
est une martingale.
Définition 6.1.1. — On note HT2 l’espace des martingales continues Mt , 0 ≤

t ≤ T , dans L2 , telles que M0 = 0, muni du produit scalaire
(M, N )H2 = E(MT NT ).
T
On identifiera deux martingales égales p.s. dans la proposition suivante.
Proposition 6.1.2. — HT2 est un espace de Hilbert.
Preuve: Il faut montrer que HT2 est complet. Considérons une suite de Cauchy
(n)
M (n) . Alors MT est une suite de Cauchy dans L2 (Ω, F, P), qui est complet.
Il existe donc une variable aléatoire, que nous noterons MT , dans L2 (Ω, F, P)
telle que
(n)
E((MT − MT )2 ) → 0
quand n → +∞. Posons, pour tout t ≤ T , Mt = E(MT |Ft ). Il est clair que
(Mt ) est une martingale, et par continuité dans L2 de l’espérance condition-
(n)
nelle, que Mt → Mt dans L2 . Par Doob
(n) (m)
E( sup (Ms(n) − Ms(m) )2 ) ≤ 4E((MT − MT )2 )
0≤t≤T
62 CHAPITRE 6. INTÉGRALE STOCHASTIQUE
tend vers 0 quand n, m → +∞. On peut extraire une sous suite nk telle que
(n )
Mt k converge uniformément. La limite sera donc continue. Or cette limite
est nécessairement Mt . Ceci montre que Mt est une martingale continue. Donc
(n)
M ∈ HT2 et ||M (n) − M ||2H2 = E((MT − MT )2 ) → 0.
T
Définition 6.1.3. — Etant donnée une martingale M on note L2 (M )T l’en-

RT
semble des processus progressifs H tels que E( 0 Hs2 dhM, M is ) < ∞ muni du
produit scalaire
Z T
(H, K)L2 (M )T = E( Hs Ks dhM, M is ).
0
Proposition 6.1.4. — E est dense dans L2 (M )T .
Preuve: Remarquons que L2 (M )T est un sous espace fermé dans un L2 . C’est

donc un espace de Hilbert. Il suffit donc de montrer que si K ∈ L2 (M )T est
orthogonal à E alors il est nul. Posons
Z t
Xt = Ks dhM, M is .
0
Montrons que Xt ∈ L1
: Par l’inégalité de Kunita Watanabe (Proposition
5.6.4),
Z t Z t
1/2
|Ks | dhM, M is ≤ hM, M it ( Ks2 dhM, M is )1/2 ;
0 0
on voit, après avoir appliqué Cauchy Schwarz, que
Z t Z t
(9) E( |Ks | dhM, M is ) ≤ E(hM, M it )E( Ks2 dhM, M is ) < +∞.
0 0
Donc Xt ∈ L1 .
Soit Z une v.a. Fs –mesurable bornée. Pour 0 ≤ s ≤ t ≤ T ,
le processus Hr = Z1[s,t[ (r) est dans E donc, par hypothèse, orthogonal à K
donc
Z T Z t
0 = E( Hr Kr dhM, M ir ) = E(Z Kr dhM, M ir ) = E(Z(Xt − Xs )).
0 s
Ceci entraine que X est une martingale. Comme elle est à variation finie, elle
est nulle par la Proposition 5.5.2. Donc K doit être aussi nul dans L2 (M )T .

P
Rappelons maintenant que lorsque H = Hti 1[ti ,ti+1 [ ∈ E et M est une
P
martingale, on a défini l’intégrale stochastique (H · M )t = Hti (Mti+1 ∧t −
Mti ∧t )
6.1. INTÉGRALE STOCHASTIQUE PAR RAPPORT À UNE MARTINGALE DE CARRÉ INTÉGRABLE
63
Proposition 6.1.5. — Si H ∈ E est un processus élémentaire et M est une

martingale de carré intégrable,
Z T
2
E(H · M )T = E( Hs2 dhM, M is ).
0
Preuve: Sans perte de généralité, on peut supposer que tn = T pour sim-

plifier les notations. Alors, en appliquant le lemme d’orthogonalité 5.1.1 à la
martingale H.M ,
n−1
X
E(H · M )2T = E[((H · M )ti+1 − (H · M )ti )2 )
i=0
n−1
X
= E( Ht2i (Mti+1 − Mti )2 )
i=0
n−1
X
= E( Ht2i E((Mti+1 − Mti )2 |Fti ))
i=0
n−1
X
= E( Ht2i E(hM, M iti+1 − hM, M iti |Fti ))
i=0
n−1
X
= E( Ht2i (hM, M iti+1 − hM, M iti ))
i=0
Z T n−1
X
= E( Ht2i 1[ti ,ti+1 [ (s)dhM, M is )
0 i=0
Z T
= E( Hs2 dhM, M is ).
0
On voit donc que l’application I(H) = H · M est une isométrie de E, sous
espace de L2 (M )T , dans HT2 . Comme E est dense et HT2 complet, on peut
prolonger cette isométrie à HT2 tout entier. En effet, si H ∈ HT2 , il existe par
densité une suite H (n) ∈ E telle que H (n) → H. Par isométrie la suite H (n) · M
est de Cauchy dans HT2 , donc converge vers un élément que l’on note H · M :
Théorème 6.1.6. — L’intégrale stochastique se prolonge en une isométrie

Rt
de L2 (M )T dans HT2 . On note encore H · M ou 0 Hs dMs l’image de H ∈
L2 (M )T .
Théorème 6.1.7 (Propriété caractéristique). — Pour H ∈ L2 (M )T , (H·

M )t , t ≤ T, est la seule martingale nulle en 0, vérifiant
Z T
hH · M, N iT = Hs dhM, N is ,
0
pour tout N ∈ HT2 .
Preuve: Montrons d’abord la relation pour H ∈ E et même par linéarité, pour

Ht = Z1[a,b[ (t), avec b ≤ T , où Z est Fa –mesurable, bornée. Il faut voir que
Rt
(H · M )t Nt − 0 Hs dhM, N is est une martingale. Posons L = M N − hM, N i,
si a ≤ s ≤ T ,
E(ZMs NT ) = E(ZMs E(NT |Fs )) = E(ZMs Ns ) = E(ZLs ) + E(ZhM, N is ).
Puisque L est une martingale, E(ZLs ) = E(ZLa ). En appliquant ceci on en
déduit que, puisque (H · M )T = Z(Mb − Ma ),
Z t
E((H · M )T NT ) = E(Z(hM, N ib − hM, N ia )) = E( Hs dhM, N is ).
0
Pour tout temps d’arrêt τ borné par T , en remplaçant M et N par M τ et N τ
on a encore Z τ
E((H · M )τ Nτ ) = E( Hs dhM, N is )
0
Rt
ce qui montre bien que (H · M )t Nt − 0 Hs dhM, N is est une martingale.
Pour traiter le cas général d’un H dans L2 (M )T , approchons le par H n ∈ E.
L’application
M ∈ HT2 7→ hM, N iT ∈ L1
est continue par Kunita Watanabe (Proposition 5.6.4 appliquée à H = 1),
donc, dans L1 ,
Z T Z T
n n
hH·M, N iT = lim hH ·M, N iT = lim Hs dhM, N is = Hs dhM, N is ,
n→+∞ n→+∞ 0 0
en utilisant à nouveau Kunita Watanabe. Reste l’unicité : si X est une mar-
tingale nulle en 0, telle que pour tout N ,
hX, N iT = hH · M, N iT ,
alors, en prenant N = X − H · M , on a hX − H · M, X − H · M i = 0 donc
X = H.M .
Une autre façon d’écrire cette relation est
dhH · M, N it = Ht dhM, N it
6.2. CAS D’UNE MARTINGALE LOCALE. 65
c’est à dire que, pour chaque ω fixé, la mesure dhH · M, N it a la densité Ht

par rapport à la mesure dhM, N it .
Corollaire 6.1.8. — Pour toutes martingales M, N dans HT2 , H ∈ L2 (M )T

et K ∈ L2 (N )T
Z T
hH · M, K · N iT = Hs Ks dhM, N is .
0
Théorème 6.1.9. — Pour H ∈ L2 (M ) T, pour tout temps d’arrêt τ ,

(H · M )τ = H · M τ .
De plus , K ∈ L2 (H · M )T si et seulement si KH ∈ L2 (M )T et alors
(associativité de l’intégrale stochastique)
(KH) · M = K · (H · M ).
Preuve: Pour l’arrêt, on utilise la propriété caractéristique : pour tout N ∈

HT2 , et
Z T
τ τ
h(H · M ) , N iT = h(H · M ), N iT = Hs dhM, N iτs
0
Z T Z T
= Hs d hM τ , N is = hHs d M τ , N is .
0 0
Pour l’associativité : d’abord
Z T Z T
2
E( Ks dh(H · M ), (H · M )is ) = E( Ks2 Hs2 dhM, M is ).
0 0
Par ailleurs
Z T Z T
h(KH)·M, N iT = Ks Hs d hM, N is = Ks hH·M, N is = hK·(H·M ), N iT .
0 0
6.2. Cas d’une martingale locale.

Soit M une martingale locale. On note L0 (M ) l’ensemble des processus
progressifs H tels que, pour tout t > 0,
Z t
Hs2 dhM, M is < +∞, p.s.
0
La suite Z t
τn = inf{t ≥ 0; (1 + Hs2 )dhM, M is ≥ n}
0
est formée de temps d’arrêt et croı̂t vers +∞. Puisque

Z T
τn τn
hM , M it ≤ n et Hs2 dhM τn , M τn is ≤ n,
0
on voit que M τn
est une vraie martingale de HT2 et que H est dans L2 (M τn )T .
Considérons H · M τn . Pour m ≥ n,
(H · M τm )τn = H · (M τm )τn = H · M τm ∧τn = H · M τn .
On peut donc poser, sans ambiguı̈té,
(H · M )t = H · (M τn )t , pour tout n tel que τn ≥ t.
Théorème 6.2.1 (Propriété caractéristique). — H ·M est l’unique mar-
tingale locale, nulle en 0, telle que, pour toute martingale locale N
Z T
hH · M, N iT = Hs dhM, N is ,
0
Preuve: facile
Corollaire 6.2.2. — Pour H, K ∈ L0 (M ), pour tout temps d’arrêt τ ,
(H · M )τ = H · M τ et (HK) · M = H · (K · M ).
6.3. Semimartingales
On se fixe (Ω, F, (Ft ), P).
Définition 6.3.1. — On appelle semimartingale (continue) un processus
adapté Xt s’écrivant
Xt = X0 + Mt + Vt
où M est une martingale locale et V un processus à variation finie, nuls en 0,
continus adaptés.
Vu la Proposition 5.5.2, cette décomposition est unique. On l’appelle la
décomposition canonique.
Définition 6.3.2. — Le crochet de 2 semimartingales Xt = X0 + Mt +
Vt , Yt = Y0 + Nt + Ut où M et N sont les parties martingales, est par définition
hX, Y i = hM, N i.
L’exemple fondamental de semimartingale (mais ce n’est pas le seul, penser
au sup du brownien St = max0≤s≤t Bs ) est donné par les processus d’Ito : on
considère un Ft –mouvement brownien B = (B (1) , · · · , B (d) ) à valeurs dans Rd
issu de 0 ; par définition,
6.3. SEMIMARTINGALES 67
Définition 6.3.3. — Un Ft –mouvement brownien B = (B (1) , · · · , B (d) ) à

valeurs dans Rd est un processus continu tel que Bt+s − Bt , s ≥ 0, est
indépendant de Ft et donc les composnates sont des browniens indépendants.
Définition 6.3.4. — On appelle processus d’Itô réel tout processus Xt de la
forme
Xd Z t Z t
k k
(10) Xt = X0 + φs dBs + αs ds
k=1 0 0
où X0 ∈ F0 , où φk et α sont des processus progressifs réels tels que, pour tout
RtP Rt
t > 0, 0 (φks )2 ds + 0 |αs | ds < +∞ p.s.
Un processus d’Ito multidimensionnel est un processus dont les compo-
santes sont des processus d’Ito réels (par rapport au même Ft –brownien d-
PRt k Rt
dimensionnel B). Soient Xt = X0 + 0 φ dB k + 0 αs ds et Yt = Y0 +
PRt k k
0 ψ dB un processus d’Itô de dimension 2. On a
Xd Z t
(11) hX, Y it = φks ψsk ds.
k=1 0
6.3.1. Intégration par rapport à une semimartingale. — Soit Xt =

X0 +Mt +A1t −A2t une semimartingale. On note L0 (X), l’ensemble des processus
progressifs U tels que, pour tout t > 0,
Z t Z t
2
Us dhMs , Ms i + |Us | d(A1s + A2s ) < +∞, p.s.
0 0
Pour U ∈ L0 (X), on définit :
Z t Z t Z t Z t
1
Us dXs = Us dMs + Us dAs − Us dA2s .
0 0 0 0
Tout processus adapté continu est dans L0 (X). On vérifie facilement que :
Proposition 6.3.5 (Propriétés importantes). — Si X, Y sont des semi-
martingales, pour H ∈ L0 (M )T , pour tout temps d’arrêt τ ,
(H · M )τ = H · M τ );
si K ∈ L0 (H.M )T ,
(KH) · M = K · (H · M );
pour toute semimartingale N , si K ∈ L0 (N )T
Z T
hH · M, K · N iT = Hs Ks dhM, N is .
0
Théorème 6.3.6 (de convergence dominée pour l’I.S.)

Soit K, H ∈ L0 (X) et H (n) une suite de processus progressifs telle que ;
(n) (n)
pour tout t ≥ 0, Ht → Ht p.s. quand n → +∞ et |Ht | ≤ Kt . Alors, en
probabilité Z Z t t
sup | Hs(n) dXs − Hs dXs | → 0.
0≤t≤T 0 0
Preuve: Si Xt = X0 + Mt + At est la décomposition canonique de X.

L’intégrale par rapport à A se traite avec le théorème de Lebesgue classique.
Pour la partie M , appliquons la technique fondamentale : la localisation.
Localisons : Soit τk la suite croissante vers +∞ de temps d’arrêt, définie
par
τk = inf{t ≥ 0; |Mt | + hK · M, K · M it = k}
alors par Doob
Z t Z t Z T Z T
(n) τk τk 2
E[ sup ( Hs dMs − Hs dMs ) ] ≤ 4E[( Hs(n) dMsτk − Hs dMsτk )2 ]
0≤t≤T 0 0 0 0
Z τk ∧T
= 4E[( (Hs(n) − Hs )2 dhM, M is ].
0
(n) R τ ∧T (n)
Par Lebesgue dominé (puisque (Hs − Hs )2 ≤ 4Ks2 ) on voit que 0 k (Hs −
Hs )2 dhM, M i → 0 quand n → +∞, et puisque cette quantité est bornée (par
2k) son espérance tend vers 0 à nouveau par Lebesgue dominé. Soit ε > 0
Z t Z t
P( sup ( Hs(n) dMs − Hs dMs )2 > ε)
0≤t≤T 0 0
Z t Z t
≤ P( sup ( Hs(n) dMsτk − Hs dMsτk )2 > ε, τk > t) + P(τk ≤ t)
0≤t≤T 0 0
etc... tend vers 0.
Proposition 6.3.7. — Soit X une semimartingale et U un processus adapté
continu. Soit 0 = tn0 < tn1 < . . . < tnpn = t, une suite de subdivisions dont le
pas tend vers 0. Alors
n −1
pX Z t
Uti (Xti+1 − Xti ) →
n n n Us dXs
i=0 0
et
n −1
pX
(Xtni+1 − Xtni )2 → hX, Xit
i=0
en probabilité.
6.4. FORMULE D’ITÔ 69
Ppn −1
Preuve: On pose Usn = i=0 Utni 1[tni ,tni+1 [ (s). On a
n −1
pX Z t
Utni (Xtni+1 − Xtni ) = Usn dXs .
i=0 0
Vu la continuité, Un
tend vers U en restant borné pour chaque ω puisque
n
|Us | ≤ max0≤r≤t |Ur |. Il suffit d’appliquer le théorème précédent pour obtenir
la première limite.
Ecrivons X = X0 + M + A où M est une martingale et A à variation finie,
n −1
pX
(Xtni − Xtni−1 )2 =
i=0
n −1
pX n −1
pX n −1
pX
2 2
(Mtni − Mtni−1 ) + (Atni − Atni−1 ) + 2 (Mtni − Mtni−1 )(Atni − Atni−1 )
i=0 i=0 i=0
et
n −1
pX
|(Atni − Atni−1 )2 + 2(Mtni − Mtni−1 )(Atni − Atni−1 )| ≤
i=0
n −1
pX
( sup |Atnj − Atnj−1 | + 2|Mtnj − Mtnj−1 |)| |(Atni − Atni−1 )|
1≤j≤n i=0
tend vers 0, par continuité de M et de A et en utilisant l’inégalité (7). Posons
τk = inf(s ≥ 0, |Ms | ≥ k). En écrivant
n −1
pX
P(| (Mtni − Mtni−1 )2 − hX, Xit | > ε)
i=0
n −1
pX
= P(| (Mtτnk − Mtτnk )2 − hX τk , X τk it | > ε, t < τk ) + P(t ≥ τk )
i i−1
i=0
Ppn τk
on obtient la convergence en probabilité puisque i=1 (Mtn − Mtτnk )2 →
i i−1
hX τk , X τk it par le théorème 5.3.1.
6.4. Formule d’Itô

Théorème 6.4.1. — (Formule d’Itô) Soit Xt = (Xt1 , . . . , Xtp ) une semimar-
tingale à valeurs dans Rp , et f ∈ C 2 (Rp ). Alors f (Xt ) est une semimartingale
et
p Z t p Z
X ∂f j 1 X t ∂2f
f (Xt ) − f (X0 ) = (Xs ) dXs + (Xs ) dhX j , X k is .
0 ∂x j 2 0 ∂x j ∂xk
j=1 j,k=1
Preuve: Traitons le cas p = 1, avec une méthode qui s’étend immédiatement

au cas général. La formule de Taylor à l’ordre 2 s’écrit
(y − x)2 00
f (y) − f (x) = f 0 (x)(y − x) + f (θ)
2
pour un θ ∈ [x, y]. Ecrivons donc, pour une suite de subdivisions emboitées
0 = tn0 < tn1 < . . . < tnpn = t, de [0, t] dont le pas tend vers 0,
n −1
pX
f (Xt ) − f (X0 ) = (f (Xtni+1 ) − f (Xtni ))
i=0
n −1
pX n −1
pX
0 00
(Xtni+1 − Xtni )2
= f (X )(X
tn tn −X )+ tn f (θin )
i i+1 i
2
i=0 i=0
t
où θin est entre Xtni+1 et Xtni . Le premier terme tend vers 0 f 0 (Xs ) dXs par la
R
proposition 6.3.7. Etudions le second. On écrit fin au lieu de f 00 (θin ). Puisque

les partitions sont emboitées, pour m < n,
n −1
pX m −1
pX X
··· = ··· ,
i=0 j=0 {i;tm n m
j ≤ti <tj+1 }
donc
n −1
pX m −1
pX X
| (X tn
i+1
−X tn
i
)2 fin − (Xtni+1 − Xtni )2 fjm |
i=0 j=0 {i;tm n m
j ≤ti <tj+1 }
n −1
pX
≤ [ sup sup |fin − fjm |] (Xtni+1 − Xtni )2 .
0≤j<pm tm n m
j ≤ti <tj+1 i=0
En appliquant la Proposition 6.3.7, on voit que ceci tend vers 0 en probabilité
par uniforme continuité de f 00 sur [0, t] pour m, n → +∞. On fixe m pour
lequel c’est petit pour tout n ≥ m. En appliquant à nouveau la Proposition
6.3.7,
m −1
pX X m −1
pX
lim fjm (Xtni+1 − Xtni ) = 2
fjm (hX, Xitm
j+1
− hX, Xitm
j
)
n→+∞
j=0 {i;tm n m
j ≤ti <tj+1 }
j=0
Z t
= Hm (s) dhX, Xis
0
en posant Hm (s) = fjm lorsque tm
j ≤ s < tm
j+1 . Par Lebesgue dominé, ceci tend
vers Z t Z t
lim Hm (s) dhX, Xis = f 00 (Xs ) dhX, Xis
m→+∞ 0 0
6.4. FORMULE D’ITÔ 71
il suffit donc d’avoir choisi m assez grand.
On écrit souvent de façon formelle,

p p
X ∂f j 1 X ∂2f
(12) df (Xt ) = (Xt ) dXt + (Xt ) dhX j , X k it .
∂xj 2 ∂xj ∂xk
j=1 j,k=1
Corollaire 6.4.2. — Soit X une semimartingale à valeurs dans Rp et f ∈

C 1,2 (R+ × Rp ). Alors f (t, Xt ) est une semimartingale et
f (t, Xt ) − f (0, X0 ) =
t p Z t p Z
1 X t ∂2f
Z
∂f X ∂f
(s, Xs ) ds+ (s, Xs ) dXsj + (s, Xs ) dhX j , X k is .
0 ∂t 0 ∂xj 2 0 ∂xj ∂xk
j=1 j,k=1
CHAPITRE 7
APPLICATIONS DE LA FORMULE D’ITO
7.1. Sur le Brownien multidimensionnel

La formule d’Ito peut être localisée. Voyons ça sur un exemple. Soit B le
Brownien dans Rd partant de 0 et Wt = Bt + x, le mouvement brownien
partant de x ∈ Rd . Pour tout temps d’arrêt, τ , par Ito, pour toute fonction
C2
d Z t∧τ
1 t∧τ
Z
X ∂f i
f (Wt∧τ ) = f (x) + (Ws ) dWs + ∆f (Ws ) ds
∂xi 2 0
i=1 0
2
où ∆ est le laplacien ∆f = di=1 ∂∂xf2 . Si Wsτ est à valeurs dans un ensemble F
P
i
et que f est C 2 uniquement sur un voisinage de F , cette formule reste valable
(car on peut y remplacer f par une fonction C 2 sur Rd tout entier, égale à f
sur ce voisinage). Prenons pour F un fermé ne contenant pas 0, et considérons
la fonction f : Rd → R égale à :
1
f (x) = log kxk, si d = 2 et f (x) = , si d ≥ 3.
kxkd−2
En dehors de 0, ∆f = 0 (on dit que f est harmonique). Donc
Lemme 7.1.1. — Si τ est un temps d’arrêt tel que Wtτ ne s’annule jamais,
f (Wtτ ) est une martingale locale.
Preuve: Soit τn = inf{t; ||Wt∧τ || ≤ 1/n}, avec kxk > 1/n. Par Ito, f (Wtτ ∧τn )
est une martingale locale. De plus τn → +∞ car Wt∧τ ne s’annule pas.
Proposition 7.1.2 (Les points sont polaires en dimension ≥ 2)

Si d ≥ 2, pour tout x ∈ Rd
P(∃t > 0; Bt = x) = 0.
74 CHAPITRE 7. APPLICATIONS DE LA FORMULE D’ITO
Preuve: Il suffit de traiter le cas d = 2. Supposons d’abord x 6= 0. Il faut

montrer (quitte à changer x en −x) que
P(∃t > 0; Wt = 0) = 0.
Choisissons r, R > 0 tels que r < ||x|| < R, posons Tr = inf{t ≥ 0; ||Wt || =
r}, TR = inf{t ≥ 0; ||Wt || = R} et τ = Tr ∧ TR . Puisque ln(||Wtτ ||) est une
martingale locale bornée,
E[ln(||Wtτ ||)] = E[ln(||W0τ ||)] = ln ||x||
donc, en faisant t → +∞,
E[ln(||Wτ ||)] = ln ||x||
c’est à dire
P(Tr < TR ) ln r + P(Tr > TR ) ln R = ln ||x||
ce qui donne
ln R − ln ||x||
(13) P(Tr < TR ) = .
ln R − ln r
En faisant tendre r vers 0 on obtient que
P(T0 ≤ TR ) = 0,
car {T0 ≤ TR } = ∪r<R {Tr < TR }. Puis en faisant tendre R vers +∞,
P(T0 < ∞) = 0.
Donc partant de x 6= 0 on n’atteint pas 0. Ensuite, puisque pour tout ε > 0,
B̃t = Bt+ε − Bε , t ≥ 0, est un brownien indépendant de Bε et puisque Bε 6= 0,
p.s., on a (en prenant dans ce qui précède Wt = B̃t + Bε )
P(∃t > ε, Bt = 0) = P(∃t > 0, Bε+t = 0) = P(∃t > 0, B̃t = −Bε ) = 0
et, en faisant tendre ε vers 0, P(∃t > 0, Bt = 0) = 0.
Proposition 7.1.3. — En dimension 2 , pour tout ouvert O de R2

P(∃t > 0; Bt ∈ O) = 1
et, p.s., lim inf t→+∞ ||Bt || = 0. Si d ≥ 3, limt→+∞ ||Bt || → +∞.
Preuve: Pour d = 2 en reprenant la preuve précedente on voit en commençant

par faire tendre R vers l’infini, que pour tout x ∈ R2 ,
P(∃t > 0; ||Bt − x|| < ε) = 1.
7.2. MARTINGALES EXPONENTIELLES 75
Par contre pour d ≥ 3, puisque ce n’est plus ln ||x|| mais ||x||2−d qui est
harmonique, on obtient à la place de l’équation (13),
R2−d − ||x||2−d
P(Tr < TR ) = .
R2−d − r2−d
En faisant tendre R vers +∞, on obtient que, partant de x,
||x||2−d
P(Tr < +∞) = .
r2−d
On a donc, pour tout M > 0,
M 2−d
P(lim inf |Bt | ≥ r) ≥ P(kBt+TM k ≥ r, ∀t ≥ 0) ≥ 1 − →1
t→+∞ r2−d
quand M tend vers l’infini si d > 2.
Remarque : On peut maintenant justifier que Mt := 1/||Bt+1 || est bien une

martingale locale pour le brownien dans R3 .
7.2. Martingales exponentielles

7.2.1. Définition. —
Théorème 7.2.1. — Soit M une martingale locale. Alors, pour tout λ ∈ C,

1
E(λM ) = exp(λM − λ2 hM, M i)
2
est une martingale locale et
dE(λM ) = λE(λM ) dM.
Preuve: Il suffit d’appliquer la formule d’Ito aux fonctions parties réelles et

2
imaginaires de f (x) = ex et à la semimartingale λM − λ2 hM, M i.
Lemme 7.2.2. — Soit M une martingale locale et E(M ) = exp(M − 21 hM, M i).
Si E(E(M )T ) = 1 pour un T > 0, alors E(M )t , t ≤ T, est une (vraie) martin-
gale.
7.2.2. Critère de Paul Lévy. —
Proposition 7.2.3. — Soit M une martingale locale (continue) nulle en 0

de crochet t. Alors M est un (Ft )–brownien.
Preuve: Par le théorème précédent, pour tout λ réel, E(iλM ) est une martin-
λ2 T
gale locale bornée sur [0, T ] par e 2 donc une martingale : pour 0 < s < t,
E[E(iλMt )|Fs ] = E(iλMs )
autrement dit,
1 1
E[exp(iλMt − λ2 t)|Fs ] = exp(iλMs − λ2 s)
2 2
d’où
1
E[exp(iλ(Mt − Ms ))|Fs ] = exp(− λ2 (t − s))
2
et l’on conclue facilement.
7.2.3. Dubins-Schwarz. —
Proposition 7.2.4. — Soit M une martingale locale nulle en 0. Alors il

existe un brownien B tel que Mt = BhM,M it .
Preuve: Ne traitons que le cas plus simple où hM, M i est strictement croissant
et hM, M i∞ = ∞. Dans ce cas, pour chaque ω ∈ Ω, la fonction t ∈ R+ 7→
hM, M it (ω) ∈ R+ est bijective. Notons t ∈ R+ 7→ σt (ω) ∈ R+ l’inverse de
cette fonction (qui vérifie donc hM, M iσt = σhM,M it = t). Chaque σt est un
temps d’arrêt car
{σt ≤ s} = {hM, M iσt ≤ hM, M is } = {t ≤ hM, M is }
est Fs –mesurable. Pour n ∈ N, M σn est une vraie martingale car
hM σn , M σn it ≤ hM, M iσn = n.
et par Doob
E(sup(Mtσn )2 ) ≤ lim E(sup(Mtσn )2 ) ≤ 4E(hM, M iσn ) = n.
t≥0 T →+∞ t≤T
On n’a donc pas de mal à justifier l’application du théorème d’arrêt à σs :

E(Mσσtn |Fσs ) = Mσσsn .
Donc Mσt est une (Fτt )-martingale locale. On voit de la même façon que
(M 2 − hM, M i)σt = Mσ2t − t
est une martingale locale. On conclue donc avec le critère de Lévy que Bt =
Mσt est un mouvement brownien. On termine en remarquant que Mt =
BhM,M it .
7.3. THÉORÈME DE REPRÉSENTATION 77
Proposition 7.2.5. — Soit M une martingale locale. Presque sûrement,

a. Sur hM, M i∞ = +∞,
lim sup Mt = +∞, lim inf Mt = −∞
t→+∞ t→+∞
et limt→+∞ Mt /hM, M it = 0.
b. Sur hM, M i∞ < +∞, Mt converge quand t → +∞.
7.3. Théorème de représentation

Théorème 7.3.1. — On suppose que (Ft ) est la filtration du brownien Ft =
σ(Bs , 0 ≤ s ≤ t).
Si Z ∈ L2 (FT ), il existe un unique processus K dans L2T (B) tel que
Z T
(14) Z − E(Z) = Ks dBs .
0
Si M est une martingale locale (arbitraire) nulle en 0, il existe K dans L0 (B)

tel que
Z t
Mt = Ks dBs .
0
En particulier, M est continue.
Preuve: Les combinaisons linéaires des v.a.

Xn
U = exp(i λj (Btj − Btj−1 )), n ∈ N, λ1 , · · · , λn ∈ R, tj ≤ T,
j=1
sont denses dans L2 (Ω, FT ). En effet soit X ∈ L2 (Ω, FT ) tel que

n
X
E[X exp(i λj (Btj − Btj−1 ))] = 0.
j=1
X + X −
Notons µ+ et µ+ les probabilités sur Rn images de E(X + ) dP et E(X − ) dP
par le vecteur (Bt1 − Bt0 , · · · , Btn − Btn−1 ). Ces deux probabilités ont la
même transformée de Fourier donc sont égales. Autrement dit pour tout
A ∈ σ(Btj − Btj−1 , j = 1, · · · , n), E(1A X) = 0. Par classe monotone, c’est
vrai pour tout A ∈ FT . Donc X = 0.
Notons H̃ l’ensemble des Z de L2 (FT ) admettant la représentation (14).
C’est un fermé car si Zn → Z dans L2 et
Z T
Zn = E(Zn ) + Ksn dBs
0
la suite Zn − E(Zn ) est de Cauchy donc K n est de Cauchy dans L2T (B), qui
est complet. Si Kn → K, alors
Z T
Z = E(Z) + Ks dBs .
0
Pn
Montrons que chaque v.a. U est dans H̃. Posons Gt = j=1 λj 1[tj−1 ,tj [ (t),
Rt Rt RT
i Gs dBs + 21 G2s ds − 12 G2s ds
Mt = e 0 0 et γ = e 0 . Remarquons que γ n’est pas
aléatoire et que dMt = iGt Mt dBt . On a
RT RT RT RT
Gs dBs + 12 G2s ds − 12 G2s ds
U = ei 0 Gs dBs
= ei 0 0 e 0 = γMt
donc
Z T
U = γ[1 + iGt Mt dBt ]
0
Z T
U = E(U ) + iγGt Mt dBt
0
ce qui montre que U est dans H̃. Finalement H̃ est fermé et contient un sous
ensemble dense dans L2T (B), il lui est donc égal. Ceci montre l’existence de
la représentation (14). Pour l’unicité, si (14) est vrai pour K et K 0 , alors
RT RT 0
0 Ks dBs = 0 Ks dBs donc
Z T Z T
0
E( 2
(Ks − Ks ) dBs ) = E(Ks − Ks0 )2 ds = 0
0 0
et Ks = Ks0 ,
p.s.
Considérons maintenant une martingale locale M , nulle en 0 que l’on réduit
par τn en martingales de carré intégrable. Puisque MTτn est dans L2 (Ω, FT ), il
existe un processus K (n) tel que
Z T
MTτn = Ks(n) dBs
0
on en déduit que, pour 0 ≤ t ≤ T ,

Z T Z t
Mtτn = E(MTτn |Ft ) = E( Ks(n) dBs |Ft ) = Ks(n) dBs .
0 0
Posons alors pour tout t ≥ 0, Kt = Ktn dès que t ≤ τn . L’unicité précédente

montre que K est ainsi bien défini. On a, en prenant τn ≥ t,
Z t Z t
τn (n)
Mt = Mt = Ks dBs = Ks dBs .
0 0
7.4. GIRSANOV 79
7.4. Girsanov
7.4.1. Probabilités équivalentes. — Sur un espace probabilisable (Ω, F)
on dit que deux probabilités P et Q sont équivalentes si il existe une v.a. Z
strictement positive telle que pour tout A ∈ F
Z
Q(A) = 1A Z dP.
On écrira Q = Z · P, ou dQ = Z dP Par application du théorème de Lebesgue

c’est la même chose que dire que pour toute v.a. X, F–mesurable positive,
Z Z
X dQ = XZ dP.
On continuera à noter E l’espérance par rapport à P mais on notera EQ

R
l’espérance par rapport à Q. Autrement dit E(X) = X dP et EQ (X) =
R
X dQ.
Théorème 7.4.1 (Girsanov). — Soit M une martingale locale sur (Ω, (Ft ), P)
et
1
ZT = eMT − 2 hM,M iT .
On suppose que E(ZT ) = 1 et on note Q la probabilité ZT · P sur (Ω, FT ).
Alors pour toute martingale locale N sur (Ω, (Ft ), P), le processus Xt = Nt −
hN, M it , 0 ≤ t ≤ T, est une martingale locale sur (Ω, (Ft )t≤T , Q) de processus
croissant hN, N it .
Preuve: On peut supposer que N0 = 0 donc qur X0 = 0. Appliquons la
formule d’Ito en utilisant que dZ = ZdM donc que dhN, Zi = ZdhN, M i :
d(XZ) = d(N Z −hN, M iZ) = ZdN +N dZ +dhN, Zi−hN, M idZ −ZdhN, M i
= ZdN + N dZ − hN, M idZ
XZ est donc une martingale locale sur (Ω, P). Soit (τn ) la réduisant en mar-
tingale. et soit τ un temps d’arrêt borné par T , alors, en utilisant à la fois que
Z (cf. Lemme 7.2.2) et (XZ)τn sont des martingales,
EQ [Xττn ] = E[Xττn ZT ] = E[Xττn E(ZT |Fτn ∧τ )]
= E[Xττn Zτn ∧τ ] = E[(XZ)ττn ] = 0.
Donc X τn est une Q-martingale (Corollaire 4.3.8).
Il résulte de ce théorème que les semimartingales pour P et Q sont les

mêmes (jusqu’en T ). De plus, le crochet pouvant s’obtenir par une limite
p.s. ne dépend que de la classe d’équivalence des probabilités (puisqu’alors les
ensembles négligeables sont les mêmes). Par le même argument, ou la propriété
caractéristique par exemple, on voit aussi que les intégrales stochastiques sont
les mêmes pour P et pour Q.
Corollaire 7.4.2 (Cameron–Martin). — Soit B un brownien sur (Ω, (Ft ), P)

RT RT
et φs ∈ L0 (B). On suppose que ZT = exp[ 0 φs dBs − 21 0 φ2s ds] vérifie
Rt
E(ZT ) = 1. Alors, pour 0 ≤ t ≤ T , B̃t = Bt − 0 φs ds est un mouvement
brownien sur (Ω, (Ft )0≤t≤T , Q) où dQ = ZT dP sur FT .
Preuve: d’après le critère de Lévy, il suffit de voir que B̃t est une martingale
locale de processus croissant t ce qui est immédiat par le théorème.
7.4.2. Novikov. — Pour vérifier l’hypothèse du théorème de Girsanov ou

de Cameron Martin, on utilise :
Proposition 7.4.3 (Critère de Novikov). — Soit M martingale locale nulle

hM,M iT
en 0, telle que E(e 2 ) < +∞. Alors E(E(M )T ) = 1.
Preuve: Montrons cette proposition uniquement sous l’hypothèse un peu plus

forte que E(e6hM,M iT ) < +∞. Ecrivons
1
2(Mt − hM, M it ) = 2Mt − 4hM, M it + 3hM, M it
2
Par Cauchy Schwarz, pour la suite de temps d’arrêt (τn ) bornant M , on a
1 1
E[E(M )2T ∧τn ] ≤ E[exp(2(2MT ∧τn − 4hM, M iT ∧τn ))] 2 E[exp(6hM, M iT ∧τn )] 2
1
≤ E[exp(6hM, M iT ] 2
car E(E(2Mt∧τn )) ≤ 1. Les v.a. E(M )T ∧τn sont uniformément intégrable et
d’espérance égale à 1. Donc l’espérance de la limite est aussi égale à 1.
Le critère suivant est très utile :
RT 2
Corollaire 7.4.4. — Si il existe µ > 0 tel que 0 E(eµφt ) dt < +∞, alors
E(ZT ) = 1.
Preuve: Soit λ > 0. On choisit t0 = 0 < t1 · · · < tn = T avec λ(ti+1 −ti ) < µ et
on pose φi = φ1[ti ,ti+1 [ . Alors, écrivons, en utilisant que pour toute probabilité
R R
p,exp |f | dp ≤ exp |f | dp (conséquence de l’inégalité de Jensen),
Z ti+1
RT 2 1
E(eλ 0 φi (s) ds ) = E(exp[ (ti+1 − ti )λφ(s)2 ds])
ti+1 − ti ti
Z ti+1 Z ti+1
1 1
≤ E( exp(ti+1 − ti )λφ(s)2 ds) ≤ E exp µφ(s)2 ds
ti+1 − ti ti ti+1 − ti ti
7.4. GIRSANOV 81
est fini, donc avec Novikov en prenant λ = 1/2 (ou sa forme faible prouvée en
prenant λ = 6), on voit que
Zt
E( i+1 |Fti ) = 1
Zti
Donc de proche en proche,
Zt Ztn
E(ZT ) = E(Zt0 1 · · · ) = 1.
Zt0 Ztn−1
CHAPITRE 8
EQUATIONS DIFFÉRENTIELLES
STOCHASTIQUES
8.1. Introduction
Notons Mp×d (R) l’ensemble des matrices p × d à coefficients dans R. Soient
σ : Rp → Mp×d (R) et b : Rp → Rp deux fonctions mesurables localement
bornées (i.e. bornées sur chaque boule) définies sur Rp . Pour x ∈ Rp , on
considère l’équation différentielle stochastique (E.D.S.)
(15) dXt = σ(Xt ) dBt + b(Xt ) dt, X0 = x ∈ R p ;
Etant donné un mouvement Brownien d dimensionnel sur (Ω, (Ft ), P), muni de
sa filtration, on appelle solution (forte) de cette équation un processus adapté
continu Xt tel que, en coordonnées, pour i = 1, · · · , p, pour tout t ≥ 0,
d Z t Z t
(i) (i)
X
Xt = X0 + σij (Xs ) dBs(j) + bi (Xs ) ds
j=1 0 0
Le cas d’une équation à coefficients dépendant du temps, du type
dXt = σ(t, Xt ) dBt + b(t, Xt ) dt
se ramène à cette situation en travaillant dans Rp+1 , en rajoutant une com-

(0)
posante Xt = t. Le lemme suivant est crucial.
Lemme 8.1.1 (Gronwall). — Soit g : [0, T ] → R une fonction borélienne

bornée telle que,
Z t
g(t) ≤ a + b g(s) ds, pour tout 0 ≤ t ≤ T.
0
Alors g(t) ≤ aebt sur [0, T ].

84 CHAPITRE 8. EQUATIONS DIFFÉRENTIELLES STOCHASTIQUES
Rt
Preuve: On pose G(t) = a + b 0 g(s) ds. Alors g(t) ≤ G(t). Si g est continue,
G est une fonction dérivable et
(e−bt G(t))0 = −be−bt G(t) + e−bt G0 (t) = −be−bt G(t) + be−bt g(t) ≤ 0
donc e−bt g(t) ≤ e−bt G(t) ≤ G(0) = a.

Si g est seulement mesurable bornée, G est continue et vérifie
Z t Z t
G(t) = a + b g(s) ds ≤ a + b G(s) ds
0 0
donc la même conclusion est vraie.
8.2. Solutions fortes d’E.D.S.

On considère l’équation (15). On dit que b et σ sont lipschitziennes si il
existe K > 0 tel que, partout,
||b(x) − b(y)|| ≤ K||x − y||, ||σ(x) − σ(y)|| ≤ K||x − y||.
(on peut prendre comme norme, par exemple, ||σ(x)|| = ( i,j σi,j (x)2 )1/2 et
P
||b(x)|| = ( i bi (x)2 )1/2 ). Le théorème fondamental est le suivant :

P
Théorème 8.2.1. — Soit Bt , t ≥ 0, un (Ω, (Ft ), P) mouvement brownien d–

dimensionnel. On suppose que b et σ sont lipschitziennes. Etant donné x ∈ Rp
il existe un et un seul processus continu adapté X tel que pour tout t ≥ 0,
Z t Z t
Xt = x + b(Xs ) ds + σ(Xs ) dBs .
0 0
Preuve: En dimensions p = d = 1, pour simplifier les notations uniquement.

1. Unicité : Si X, X 0 sont deux solutions. On localise avec τ = inf{t >
0; |Xt − Xt0 | ≥ n} :
Z t∧τ Z t∧τ
0
Xt∧τ − Xt∧τ = (b(Xs ) − b(Xs0 )) ds + (σ(Xs ) − σ(Xs0 )) dBs .
0 0
8.2. SOLUTIONS FORTES D’E.D.S. 85
Puisque (a + b)2 ≤ 2a2 + 2b2 , et en appliquant Cauchy Schwarz, si t ≤ T ,

0
E([Xt∧τ − Xt∧τ ]2 ) ≤
Z t∧τ Z t∧τ
0
≤ 2E([ 2
(b(Xs ) − b(Xs )) ds] ) + 2E([ (σ(Xs ) − σ(Xs0 )) dBs ]2 )
0 0
Z t∧τ Z t∧τ
0 2
≤ 2E((t ∧ τ )[ (b(Xs ) − b(Xs )) ds]) + 2E([ (σ(Xs ) − σ(Xs0 ))2 ds])
0 0
Z t∧τ Z t∧τ
≤ 2E(T [ (K|Xs − Xs0 |)2 ds]) + 2E([ (K|Xs − Xs0 |)2 ds])
0 0
Z t
0
≤ 2(T + 1)K 2 E(|Xs∧τ − Xs∧τ |)2 ds.
0
Donc E[Xt∧τ −Xt∧τ0 ]2 = 0 par le lemme de Gronwall. On en déduit que X = X 0 .
2. Existence : on utilise ce qu’on appelle le schéma de Picard. On pose, pour

tout t ≥ 0, Xt0 = x puis par récurrence
Z t Z t
n n−1
Xt = x + b(Xs ) ds + σ(Xsn−1 ) dBs
0 0
On a
Z t Z t
Xtn+1 − Xtn = (b(Xsn ) − b(Xsn−1 )) ds + (σ(Xsn ) − σ(Xsn−1 )) dBs
0 0
Posons
gn (u) = E(sup[Xtn+1 − Xtn ]2 ).
t≤u
Si 0 ≤ u ≤ T ,
Z t Z t
gn (u) ≤ 2E(sup[ (b(Xsn )
− b(Xsn−1 )) ds]2 )
+ 2E(sup[ (σ(Xsn ) − σ(Xsn−1 )) dBs ]2 )
t≤u 0 t≤u 0
Z u Z u
≤ 2E(T (b(Xsn ) − b(Xsn−1 ))2 ds) + 8E([ (σ(Xsn ) − σ(Xsn−1 ))2 ds)
0 0
Z u
≤ 2(T + 4)K 2 E(|Xsn − Xsn−1 |2 ) ds
0
Z u Z u
2 n n−1 2
≤ 2(T + 4)K E(sup |Xs − Xs | ) dv = C gn−1 (v) dv
0 s≤v 0
pour C = 2(T + 4)K 2 . On en déduit par récurrence que,

C n tn−1
gn (t) ≤ g0 (t)
(n − 1)!
or
g0 (t) ≤ E(sup[Xs1 − x]2 ) ≤ E(sup(sb(x) + σ(x)Bs )2 )) ≤ Cte
s≤T s≤T
On a donc
∞
X ∞
X
E( sup[Xtn+1 − Xtn ]2 ) = gn (T ) < +∞.
n=0 t≤T n=0
On en déduit que X n converge p.s. vers une solution X de l’équation.
8.3. Localisation
On dit que b et σ sont localement lipschitziennes si pour tout N > 0 il existe
0 > 0 tel que, si ||x|| ≤ N, ||y|| ≤ N ,
KN , KN
0
||b(x) − b(y)|| ≤ KN ||x − y||, ||σ(x) − σ(y)|| ≤ KN ||x − y||.
C’est le cas par exemple dans le cas fondamental où les fonctions b et σ sont
de classe C 1 , par le théorème des accroissements finis.
Théorème 8.3.1. — On suppose que b et σ sont localement lipschitziennes.
Alors pour tout x ∈ Rp il existe un temps d’arrêt ξ ≤ + ∞ et un processus X
tel que pour tout t < ξ, Xt est solution de l’E.D.S.,
dXt = σ(Xt ) dBt + b(Xt ) dt, X0 = x;
et, lorsque ξ < +∞, lim supt→ξ− ||Xt || = +∞.
Si, de plus il existe K > 0 tel que, pour tout x ∈ Rp ,
(16) ||σ(x)|| + ||b(x)|| ≤ K(1 + ||x||)
alors ξ = +∞ p.s.
Preuve: Pour tout n > 0 on se donne une fonction φn : Rp → R dérivable,
égale à 1 sur {x; ||x|| ≤ n} et à 0 sur {x; ||x|| ≥ n + 1}. Les fonctions bn = bφn
et σn = σφn sont lipschitziennes. Il existe donc une unique solution X (n) de
l’E.D.S.
(n) (n) (n) (n)
dXt = σn (Xt ) dBt + bn (Xt ) dt, X0 = x.
(n)
On prend n ≥ ||x||. Soit τn = inf{t ≥ 0; ||Xt || ≥ n}. Si m ≥ n , soit
(m) (m) (m) (m)
τnm = inf{t ≥ 0; ||Xt || ≥ n}. Alors bm (Xt∧τnm ) = b(Xt∧τnm ) et σm (Xt∧τnm ) =
(m)
σ(Xt∧τnm ). Comme pour la preuve de l’unicité dans la preuve du théorème
8.2.1 on en déduit que pour tout m ≥ n,
(m) (n)
Xt∧τnm = Xt∧τn
en particulier τnm ≥ τn . On peut donc poser, dès que τn ≥ t,
(n)
Xt = Xt
8.4. PROPRIÉTÉ DE MARKOV 87
Soit ξ = limn→+∞ τn . On définit ainsi, pour t < ξ, une solution Xt de l’E.D.S.

De plus si ξ < ∞,
lim sup ||Xt || ≥ lim sup ||Xτn || = lim sup n = +∞.
t→ξ − n→+∞ n→+∞
Montrons maintenant que ξ = +∞ sous la condition (16), en dimension 1,

pour simplifier. Par Ito,
d(e−λt (1 + Xt2 )) = −λe−λt (1 + Xt2 ) dt + e−λt (2Xt dXt + dhX, Xit )
= e−λt [−λ(1 + Xt2 ) + 2Xt b(Xt ) + σ 2 (Xt )]dt + 2e−λt Xt σ(Xt ) dBt
On a
−λ(1 + x2 ) + 2xb(x) + σ 2 (x) ≤ −λ(1 + x2 ) + (2|x|K(1 + |x|) + K 2 (1 + |x|)2
On peut donc choisir λ > 0 assez grand pour que cette quantité soit toujours
négative. Alors
Z t∧τn
−λ(t∧τn )
e 2 2
(1 + Xt∧τn ) ≤ (1 + x ) + 2e−λt Xt σ(Xt ) dBt
0
donc
E(e−λ(t∧τn ) (1 + Xt∧τ
2
n
)) ≤ 1 + x2
or
E(e−λ(t∧τn ) (1+Xt∧τ
2
n
)) ≥ E(1{τn ≤t} e−λt∧τn (1+Xt∧τ
2
n
)) ≥ E(e−λt (1+n2 )1{τn ≤t} )
(1+x2 )eλt
donc P(τn ≤ t) ≤ 1+n2
et τn → +∞.
8.4. Propriété de Markov

Reprenons les hypothèses précédentes en supposant que ξ = +∞, et notons
Xt (x) la solution de l’E.D.S. (15) vérifiant X0 (x) = x. Par construction,
l’application
(x, ω) ∈ Rp × Ω 7→ {Xt (x)(ω), 0 ≤ t} ∈ C(R+ , Rp )
est mesurable lorsqu’on munit Rd × Ω de la tribu B(R+ ) × F∞ et l’ensemble
des fonctions continues C(R+ , Rp ) de R+ dans Rp de la tribu engendrée par les
applications coordonnées (f 7→ f (t)), par exemple. Puisque F∞ = σ(Bs , s ≥ 0)
ou sa complétée, il existe une application mesurable
Φ : Rp × C(R+ , Rp ) → C(R+ , Rp )
telle que
X(x) = Φ(x, B).
Pour tout temps d’arrêt τ , fini p.s., on a

X(x)τ = Φ(x, B τ ).
Par la propriété de Markov forte on sait que le processus B̃t = Bt+τ − Bτ est
un mouvement brownien indépendant de Fτ , donc de Xτ . On voit facilement
en prenant d’abord pour H des fonctions étagées que, pour tout H de L0 (B),
Z t+τ Z t
Hs dBs = Hs+τ dB̃s
τ 0
La relation
Z t+τ Z t+τ
Xτ +t = Xτ + b(Xs ) ds + σ(Xs ) dBs
τ τ
Z t Z t
= Xτ + b(Xτ +s ) ds + σ(Xτ +s ) dB̃s
0 0
montre que, si on pose τ Xt = Xτ +t , pour tout t ≥ 0, alors
τ
X = Φ(Xτ , B̃).
Puisque B̃ est indépendant de Fτ , on en déduit :
Théorème 8.4.1. — (Propriété de Markov forte) Pour tout temps d’arrêt τ

fini p.s., pour toute fonction mesurable positive F définie sur C(R+ , Rp ),
E(F (τ X)|Fτ ) = Ey (F (X)), pour y = Xτ
où le symbole Ey signifie que l’on considère la solution X telle que X0 = y
(c’est à dire X(y)).
8.5. Processus de Markov

Posons, pour f mesurable positive sur Rp , Pt f (x) = Ex (f (Xt )). En prenant
F (X) = f (Xt ) et τ = s dans le théorème précédent on voit que
E(f (Xt+s )|Fs ) = Ey (f (Xt )) = Pt f (y), pour y = Xs ,
donc, en prenant l’espérance,
Pt+s f (x) = Ex (f (Xt+s )) = Ps (Pt f )(x)
c’est la propriété dite de semigroupe. On dit que X est un processus de Markov
de semigroupe (Pt ). Par continuité des trajectoires en t = 0,
lim Pt f (x) = f (x)
t→0
si f est continue bornée.
8.6. EDS ET EDP 89
Définition 8.5.1. — On appelle générateur du semigroupe (Pt ) l’opérateur

Lf défini par
Pt f (x) − f (x)
Lf (x) = lim
t→0 t
pour les f pour lesquels cette limite a un sens.
Théorème 8.5.2. — Soit X solution de l’E.D.S.,
dXt = σ(Xt ) dBt + b(Xt ) dt
Alors X est un processus de Markov dont le générateur est donné par

p p
1 X ∂2f X ∂f
Lf (x) = ai,j (x) (x) + bi (x) (x)
2 ∂xi ∂xj ∂xi
i,j=1 i=1
lorsque f est C 2 à support compact où a = σσ ∗ . On dit que X est une diffusion.
Preuve: Si on applique la formule d’Ito à f (Xt ), on obtient,

X Z t ∂f Z t
f (Xt ) = f (X0 ) + (Xs )σi,j (Xs ) dBj (s) + Lf (Xs ) ds
0 ∂xi
i,j 0
∂f
Puisque f est à support compact , ∂x i
(Xs )σi,j (Xs ) est borné, donc l’intégrale
stochastique est une martingale, d’espérance nulle. On a alors
Z t Z t
Pt f (x) = f (x) + Ex ( Lf (Xs ) ds) = f (x) + Ps Lf (x) ds
0 0
Donc
t
Pt f (x) − f (x)
Z
1
Lf (x) = lim = lim Ps Lf (x) ds = P0 Lf (x) = Lf (x).
t→0 t t→0 t 0
8.6. EDS et EDP

La formule d’Ito et le théorème précédent montrent qu’il y a un lien très fort
entre les EDS et les opérateurs diffférentiels aux dérivées partielles du second
ordre du type de L. Ceci permet en particulier de donner des solutions proba-
bilistes à certaines équations aux derivées partielles (EDP), et réciproquement.
Donnons deux exemples.
8.6.1. Problème de Dirichlet. — Dans Rp considérons un ouvert borné

D de frontière ∂D régulière. Etant donné une fonction f : ∂D → R sur le bord
on considère l’équation
Lφ(x) = 0, x ∈ D;
φ(x) = f (x), x ∈ ∂D.
Théorème 8.6.1. — La solution φ admet la représentation
φ(x) = Ex (f (Xτ )), x ∈ D;
où X est la diffusion associée à (15) et τ = inf{t ≥ 0; Xt ∈ ∂D} est supposé
fini p.s.
Preuve: On considère la solution X de (15) partant de x ∈ D. Par Ito,
Z t∧τ X Z t Z t∧τ
∂φ
φ(Xt∧τ ) = φ(x) + (Xs )σi,j (Xs ) dBj (s) + Lφ(Xs ) ds
0 0 ∂xi
i,j 0
On prend l’espérance et on tient compte du fait que Lφ est nulle :

E(φ(Xt∧τ )) = E(φ(x)) = φ(x)
et on fait tendre t vers l’infini, et on utilise que φ = f sur ∂D :
φ(x) = lim E(φ(Xt∧τ ) = E(φ(Xτ )) = E(f (Xτ )).
t→+∞
8.6.2. Feynman-Kac. — On se donne g : R+ × Rp → R φ, c : Rp → R avec

c ≥ 0. on considère une solution u bornée à dérivées bornées de l’équation
∂u
(17) (t, x) = (L − c(x))u(t, x) + g(t, x), u(0, x) = φ(x).
∂t
Théorème 8.6.2. — La solution u(t, x) de (17) vérifie :
Z t Z t Z s
u(t, x) = Ex [φ(Xt ) exp(− c(Xs ) ds)]+Ex [ g(t−s, Xs ) exp(− c(Xu ) du) ds]
0 0 0
où X est la diffusion associée à (15)
Preuve: On pose, t > 0 étant fixé,
Z s
v(s, x) = u(t − s, x), Zs = exp(− c(Xu ) du).
0
Appliquant la formule d’Itô, on a
d(v(s, Xs )Zs ) = −v(s, Xs )c(Xs )Zs ds + Zs dv(s, XS )
∂v
= Z{ + (L − c)v} ds + Z∇x v σ dBs .
∂s
8.6. EDS ET EDP 91
Rt
Vu que ∇x v est bornée et que 0 ≤ Zs ≤ 1, E( 0 Zs ∇x v σ(Xs ) dBs ) = 0.
D’autre part ∂v ∂u
∂s (s, x) = − ∂s (t − s, x) et donc
∂v ∂u
(s, x) + (L − c)v(s, x) = − (t − s, x) + (L − c)u(t − s, x) = −g(t − s, x).
∂s ∂s
On a donc
Z t
E(v(t, Xt )Zt ) − E(v(0, X0 )Z0 ) = E(− g(t − s, Xs )Zs ds),
0
mais, puisque u(0, Xt ) = φ(Xt ),
E(v(t, Xt )Zt ) − E(v(0, X0 )Z0 ) = E(u(0, Xt )Zt ) − u(t, x) = E(φ(Xt )Zt ) − u(t, x)
et l’on obtient
Z t
u(t, x) = E(φ(Xt )Zt ) + E( g(t − s, Xs )Zs ds).
0

Langue

CalcSto09 10

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

CalcSto09 10

Titre original :

Transféré par

Droits d'auteur :

Formats disponibles

Université Pierre et Marie Curie, Paris 6

Master de Mathématiques 2009-2010

1. Introduction au calcul stochastique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

Introduction très très sommaire et volontairement caricaturale, sans toutes

= Xt + Ht εht 1 + Ht+h1 εht+h

Si σ = 0 cela s’interprète par l’équation différentielle

1.3. Un ”primer” sur l’intégrale d’Ito

Lemme 1.3.1. — Si Hs ∈ L2 pour tout s > 0, alors pour t > 0,

Preuve: Montrons la seconde égalité :

en utilisant l’indépendance. Puisque E((Bti+1 ∧t − Bti ∧t )2 ) = ti+1 − ti et

On veut prolonger cette construction à d’autres processus H. On le fait de

Si Ht , t ≥ 0, est un processus continu borné tel que Ht est σ(Bs , 0 ≤ s ≤ t)

1.3.1. Une formule d’Ito. — Commençons par un résultat fondamental,

Théorème 1.3.3. — Si B est un mouvement brownien si tn0 = 0 < tn1 <

En fait montrons le résultat plus général suivant :

Proposition 1.3.4. — Sous les memes hypothèses, si f est une fonction

On utilise l’indépendance des accroissements (espérance du produit est égal

= (tnk+1 − tnk )2 E[(B12 − 1)2 ]

Or ceci se majore par, si C = E[(B12 − 1)2 ] max f 2 ,

≤ Ct sup |tnk+1 − tnk |

Théorème 1.3.5 (Une formule d’Ito). — Si f : R → R est à dérivée

On regarde maintenant le dernier terme :

On laisse en exercice la généralisation suivante très utile, en utilisant la

Le but de ce chapitre est de développer rapidement ce que l’on appelle la

Exemple : Lorsque Ω est dénombrable (c’est à dire fini ou en bijection avec

où rk ∈ R, Ak ∈ F, k = 1, ..n. On définit l’intégrale de la fonction étagée f

Pour l’instant, appelons fonction mesurable réelle une fonction f : Ω → R̄

Preuve: En effet il suffit d’écrire que

lim inf fn := lim inf fk = sup inf fk

On voit que f est intégrable ssi |f | l’est puisque |f | = f + + f − et on a

Lemme 2.2.2. — Une fonction intégrable est finie presque partout.

Preuve: Soit A = {|f | = +∞}. Si r > 0 et g = r1A , on a g ≤ |f | donc

ce qui n’est possible pour r > 0 que si m(A) = 0.

Proposition 2.2.3. — L’ensemble des fonctions intégrables est un espace

Théorème 2.2.4 (de convergence monotone, ou de Beppo Levi)

Preuve: La fonction f := lim fn est mesurable. Puisque fn ≤ fn+1 ≤ f , il est

Corollaire 2.2.5. — Si (fn )est une suite de fonctions mesurables positives

Théorème 2.2.7 (de convergence dominée). — Soit (fn ) une suite de

Preuve: En remplacant fn par fn − lim fk on se ramène au cas où fn → 0.

et L∞ l’ensemble des fonctions mesurables f pour lesquelles il existe une

et kf k∞ = l’inf des M tels que |f | ≤ M , p.p. On définit ainsi des semi-normes

Lemme 2.3.1 (inégalité de Cauchy Schwartz). — Pour f, g mesurables

Preuve: Pour tout λ ∈ R, le trinome en λ du second degré

est positif, ce qui n’est possible que si son discriminant

On dit qu’une suite de fonctions mesurables fn converge vers f dans Lp , si

Théorème 2.3.3. — 1. Si une suite (fn ) est de Cauchy dans Lp , il existe

2.4. Espérance conditionnelle

Théorème 2.4.1. — Pour tout X ∈ L2 (Ω, F, P) il existe un élément Z ∈

Par définition de Z est l’espérance conditionnelle de X sachant G. On la Il

2.5. Densités, Probabilités équivalentes

Alors, pour toute fonction mesurable positive f

Proposition 2.5.2. — Si une v.a. X a une loi de densité φ, alors

pour toute fonction mesurable positive f .

Considérons maintenant deux probabilités P et Q sur (Ω, F).

Définition 2.5.3. — On dit que Q est absolument continue par rapport à

En utilisant le théorème de projection on peut montrer (mais on ne le fera

Théorème 2.5.4 (Théorème de Radon Nikodym)

2.6. Uniforme intégrabilité

Définition 2.6.1. — Une famille L de v.a. est uniformément intégrable si

Lemme 2.6.2. — Si deux familles L et L0 de v.a. sont uniformément intégrables,

Théorème 2.6.3. — Soit {Xn , n ∈ N} une suite uniformément intégrable de