Cours Badr2

Processus Stochastique à temps continu :
Introduction au Mouvement Brownien
Pr. Badr-eddine BERRHAZI
3 octobre 2022
Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 1 / 46

Vecteurs Gaussiens
1 Vecteurs Gaussiens
2 Processus stochastiques
Filtration
Processus stochastique
Processus Gaussien
3 Espérance Conditionnelle
Espérance conditionnelle par rapport à une tribu
Propriétés de l’espérance conditionnelle
4 Martingales
5 Temps d’arrêt
Théorème d’arrêt de Doob
6 Mouvement Brownien
Propriétés du Mouvement Brownien
Trajectoires
Propriétés de Martingale
Temps d’atteinte
Propriété de Markov
Vecteurs Gaussiens
7 Equation de la Chaleur

Vecteurs Gaussiens
Vecteurs Gaussiens
Dans tout ce qui suit on considère un espace probabilisé (Ω, F, P).

Vecteurs Gaussiens
Vecteurs Gaussiens
probabilisé (Ω, F, P).Une

Dans tout ce qui suit on considère un espace
variable X est gaussienne de loi N m, σ 2 si elle a pour densité
1 (x − m)2
N m, σ 2 (x) = √ exp −

.
σ 2π 2σ 2

Vecteurs Gaussiens
Vecteurs Gaussiens
probabilisé (Ω, F, P).Une

Dans tout ce qui suit on considère un espace
variable X est gaussienne de loi N m, σ 2 si elle a pour densité
1 (x − m)2
N m, σ 2 (x) = √ exp −

.
σ 2π 2σ 2
Définition
T
Un vecteur
Pn X = (X1 , X2 , . . . , Xn ) est gaussien si toute combinaison
linéaire i=1 ai Xi est une variable gaussienne à valeurs réelles.

Vecteurs Gaussiens
Vecteurs Gaussiens
Proposition
de loi N m, σ 2 , on a, pour tout λ réel,

Si X est une variable
gaussienne

2 2
E e λX = exp λm + λ 2σ . Réciproquement si pour tout

2 2
2
λ ∈ R, E e λX = exp λm + λ 2σ , la variable X est de loi N m, σ 2


Processus stochastiques Filtration
Filtration
On va s’intéresser à des phénomènes dépendant du temps. Ce qui est

connu à la date t est rassemblé dans une tribu Ft , c’est l’information à la
date t.
Définition
Une filtration est une famille croissante de sous tribus de F, c’est-à-dire
telle que Ft ⊂ Fs pour tout t ≤ s. On demande souvent que les ensembles
négligeables soient contenus dans F0 . On parle d’hypothèses habituelles si :

Processus stochastiques Filtration
Filtration
On va s’intéresser à des phénomènes dépendant du temps. Ce qui est

connu à la date t est rassemblé dans une tribu Ft , c’est l’information à la
date t.
Définition
Une filtration est une famille croissante de sous tribus de F, c’est-à-dire
telle que Ft ⊂ Fs pour tout t ≤ s. On demande souvent que les ensembles
négligeables soient contenus dans F0 . On parle d’hypothèses habituelles si :
les ensembles négligeables sont contenus dans F0 ,
La filtration est continue à droite au sens où Ft = ∩s>t Fs .
Une filtration G est dite plus grosse que F si Ft ⊂ Gt , ∀t.

Processus stochastiques Processus stochastique
Définition
Un processus stochastique (ou fonction aléatoire) est une famille de
variables aléatoires (Xt ; t ∈ [0, ∞[) définies sur le même espace de
probabilité.

Définition
probabilité.
Définition
Un processus stochastique X = (Xt , t ≥ 0) est dit adapté (par
rapport à une filtration Ft ) si Xt est Ft -mesurable pour tout t
Un processus est à trajectoires continues (ou est continu) si les
applications t → Xt (ω) sont continues pour presque tout ω.

Définition
probabilité.
Définition
Un processus stochastique X = (Xt , t ≥ 0) est dit adapté (par
rapport à une filtration Ft ) si Xt est Ft -mesurable pour tout t
Un processus est à trajectoires continues (ou est continu) si les
applications t → Xt (ω) sont continues pour presque tout ω.
Remarque
A un processus stochastique X on associe sa filtration naturelle FtX , c’est
à dire la famille croissante de tribus FtX = σ {Xs , s ≤ t}.
Processus stochastiques Processus Gaussien
Processus Gaussien
Définition
Un processus X est gaussien si toute combinaison linéaire finie de
(Xt , t ≥ 0) est une variable aléatoire gaussienne, c’est-à-dire si
n
X
∀n, ∀ti , 1 ≤ i ≤ n, ∀ai , ai Xti est une v.a.r. gaussienne.
i=1
Un processus gaussien est caractérisé par son espérance et sa covariance.

Espérance Conditionnelle Espérance conditionnelle par rapport à une tribu
Espérance Conditionnelle
Soit X une v.a.r. (intégrable) définie sur (Ω, F, P) et G une sous-tribu de

F.
Définition
L’espérance conditionnelle E(X |G) de X sachant G est l’unique variable
aléatoire :
G-mesurable.
R R
A E(X |G)dP = A XdP, ∀A ∈ G.

Espérance Conditionnelle Espérance conditionnelle par rapport à une tribu
Remarque
C’est aussi l’unique ( à une égalité p.s près) variable G-mesurable telle que
E[E(X |G)Y ] = E(XY )
pour toute variable Y , G-mesurable bornée.
Il en résulte que si X est de carré intégrable, E (X | G) est la projection de

X sur l’espace des variables aléatoires G mesurables, de carré intégrable,
c’est-à-dire la variable aléatoire G mesurable qui minimise E (X − Y )2
parmi les v.a. Y , G mesurables.

Espérance Conditionnelle Propriétés de l’espérance conditionnelle
Propriété
Linéarité. Soit a et b deux constantes.
E(aX + bY | G) = aE(X | G) + bE(Y | G).
Croissance. Soit X et Y deux v. a. telles que X ≤ Y . Alors
E(X | G) ≤ E(Y | G).
E[E(X | G)] = E(X ).
Si X est G-mesurable, E(X | G) = X .

Espérance Conditionnelle Propriétés de l’espérance conditionnelle
Propriété
Si Y est G-mesurable, E(XY | G) = Y E(X | G).
SiX est indépendante de G, E(X | G) = E(X ).
Si G est la tribu grossière (composée de l’ensemble vide et de
Ω), E(X | G) = E(X ).
SiG et H sont deux tribus telles que H ⊂ G alors
E(X | H) = E(E(X | H) | G) = E(E(X | G) | H). On note souvent
E(E(X | H) | G) = E(X |H|G)

Martingales
Martingales
Soit (Ft ) une filtration.

Définition
Une famille de variables aléatoires (Xt , t ∈ [0, ∞[) est une martingale par
rapport à la filtration (Ft ) si Xt est Ft -mesurable et intégrable pour tout t.
E (Xt | Fs ) = Xs , ∀s ≤ t

Martingales
Martingales
Propriété
Si X est une martingale E (Xt ) = E (X0 ) , ∀t. Si (Xt , t ≤ T ) est une
martingale, le processus est complètement déterminé par sa valeur
terminale : Xt = E (XT | Ft ). Cette dernière propriété est d’un usage très
fréquent en finance.

Martingales
Martingales
Définition
Une famille de variables aléatoires (Xt , t ∈ [0, ∞[) est une surmartingale
(resp. sousmartingale) par rapport à la filtration (Ft ) si Xt est
Ft -mesurable et intégrable pour tout t
E (Xt | Fs ) ≤ Xs , ∀s ≤ t (resp. E (Xt | Fs ) ≥ Xs ).

Martingales
Inégalité de Doob
Proposition
Si X est une martingale continue,
!
sup Xs2 ≤ 4E XT2

E
s≤T

Temps d’arrêt
Temps d’arrêt
On travaille sur un espace muni d’une filtration (Ft ). On note

F∞ = σ (∪t Ft ).
Définition
Un temps d’arrêt est une variable aléatoire τ à valeur dans R + ∪{+∞}
telle que {τ ≤ t} ∈ Ft , ∀t ∈ R+
Remarque
Une constante positive est un temps d’arrêt.

Temps d’arrêt
Temps d’arrêt
On associe à un temps d’arrêt τ la tribu Fτ dite des événements antérieurs

à τ , définie par Fτ = {A ∈ F | A ∩ {τ ≤ t} ∈ Ft , ∀t ∈ R+} .
Propriété
Si T est un temps d’arrêt, T est FT mesurable.
Si S et T sont des temps d’arrêt, S ∧ T est un temps d’arrêt. En
particulier T ∧ t est un temps d’arrêt.
Si S et T sont des temps d’arrêt tels que S ≤ T , on a FS ⊂ FT .
Soit (Xt , t ≥ 0) un processus et T un temps d’arrêt fini. On définit
XT par XT (ω) = XT (ω) (ω). Si un processus X est continu et adapté,
XT est FT -mesurable.

Temps d’arrêt Théorème d’arrêt de Doob
Si T est un temps d’arrêt et M une (Ft )-martingale, le processus Z défini

def
par Zt = Mt∧T est une (Ft ) martingale. En particulier,
E (Mt∧T ) = E (M0 ) .
Théorème
Si M est une (Ft )-martingale continue et si S et T sont deux temps
d’arrêt tels que S ≤ T ≤ K , K étant une constante finie, MT est
intégrable et
E (MT | FS ) = MS

Temps d’arrêt Théorème d’arrêt de Doob
Si T est un temps d’arrêt et M une (Ft )-martingale, le processus Z défini

def
par Zt = Mt∧T est une (Ft ) martingale. En particulier,
E (Mt∧T ) = E (M0 ) .
Théorème
Si M est une (Ft )-martingale continue et si S et T sont deux temps
d’arrêt tels que S ≤ T ≤ K , K étant une constante finie, MT est
intégrable et
E (MT | FS ) = MS
Proposition
Si pour tout temps d’arrêt borné E (XT ) = E (X0 ), le processus X est une
martingale.

Mouvement Brownien Introduction
Introduction
Le botaniste Robert Brown observe en 1828 le mouvement irrégulier de

particules de pollen en suspension dans l’eau. En 1877, Delsaux explique
les changements incessants de direction de trajectoire par les chocs entre
les particules de pollen et les molécules d’eau. Un mouvement de ce type
est qualifié de ”mouvement au hasard”.
En 1900, Bachelier, en vue d’étudier les cours de la Bourse met en
évidence le caractère ”markovien” du mouvement Brownien : la position
d’une particule à l’instant t + s dépend de sa position en t, et ne dépend
pas de sa position avant t. Il convient d’insister sur le caractère précurseur
de Bachelier et le fait que la théorie du mouvement Brownien a été
développée pour la Bourse, avant de l’être pour la Physique.

Introduction
En 1905, Einstein détermine la densité de transition du mouvement

Brownien par l’intermédiaire de l’équation de la chaleur et relie ainsi le
mouvement Brownien et les équations aux dérivées partielles de type
parabolique. La même année, Smoluchowski décrit le mouvement
Brownien comme une limite de promenades aléatoires.
La première étude mathématique rigoureuse est faite par N. Wiener (1923)
qui exhibe également une démonstration de l’existence du Brownien. P.
Lévy (1948) s’intéresse aux propriétés fines des trajectoires du Brownien.
Depuis, le mouvement Brownien continue de passionner les probabilistes,
aussi bien pour l’étude de ses trajectoires que pour la théorie de
l’intégration stochastique (Wiener, Itô, Watanabe, Meyer, Yor, LeGall,
Salminen, Durrett, Chung, Williams, Knight, Pitman,...).

Mouvement Brownien
On se donne un espace (Ω, F, P) et un processus (Bt , t ≥ 0) sur cet

espace.
Définition
Le processus (Bt , t ≥ 0) est un mouvement Brownien (standard) si :
P (B0 = 0) = 1 (le mouvement Brownien est issu de l’origine).
∀s ≤ t, Bt − Bs est une variable réelle de loi gaussienne, centrée de
variance (t − s).
∀n, ∀ti , 0 ≤ t0 ≤ t1 . . . ≤ tn , les variables
Btn − Btn−1 , . . . , Bt1 − Bt0 , Bt0 sont indépendantes.

Mouvement Brownien
Remarque
La deuxième propriété est la stationarité des accroissements du
mouvement Brownien, la troisième traduit que le mouvement Brownien est
à accroissements indépendants. On peut aussi l’écrire sous la forme
équivalente suivante : Soit s ≤ t. La variable Bt − Bs est indépendante de
la tribu du passé avant s, soit σ (Bu , u ≤ s).

Mouvement Brownien Propriétés du Mouvement Brownien
Propriétés du Mouvement Brownien
Dans ce qui suit, B = (Bt , t ≥ 0) est un mouvement Brownien et

Ft = σ {Bs , s ≤ t} est sa filtration naturelle.
Proposition
Le processus B est un processus gaussien, sa loi est caractérisée par son
espérance nulle et sa covariance Cov (Bt , Bs ) = s ∧ t.

Mouvement Brownien Propriétés du Mouvement Brownien
scaling
Proposition
Si (Bt , t ≥ 0) est un mouvement Brownien, alors :
le processus B̂ défini par B̂t = −Bt est un mouvement Brownien.
le processus B̃ défini par B̃t = c1 Bc 2 t est un mouvement Brownien.
(Propriété de scaling)
le processus B̄ défini par B̄t = tB 1 , ∀t > 0, B̄0 = 0 est un mouvement
t
Brownien.

Mouvement Brownien Trajectoires
Trajectoires
Les trajectoires du mouvement Brownien sont continues.

Les trajectoires du mouvement Brownien sont p.s. ”nulle part
différentiables”.
Théorème
Soit n fixé et tj = 2jn t pour j variant de 0 à 2n . Alors
P2n 2
j=1 [B (tj ) − B (tj−1 )] → t quand n → ∞, la convergence ayant lieu en
moyenne quadratique et p.s.

Mouvement Brownien Trajectoires
Trajectoires
Proposition
Soit σ une subdivision de l’intervalle [0, t] caractérisée par
0 = t0 ≤ t1 · · · ≤ tn = t. Soit Vt laPvariation de la trajectoire du Brownien
sur [0, t] définie par Vt (ω) = supσ i | Bti+1 (ω)− Bti (ω) |. Alors
Vt (ω) = ∞ p.s.

Mouvement Brownien Propriétés de Martingale
Proposition
Le processus B est une martingale. Le processus Bt2 − t, t ≥ 0 est une

martingale. Réciproquement, si X est un processus continu tel que X et

2

Xt − t, t ≥ 0 sont des martingales, X est un mouvement Brownien.

Proposition
Le processus B est une martingale. Le processus Bt2 − t, t ≥ 0 est une

martingale. Réciproquement, si X est un processus continu tel que X et

2

Xt − t, t ≥ 0 sont des martingales, X est un mouvement Brownien.
Proposition
Soit B1 et B2 deux MB indépendants. Le produit B1 B2 est une martingale.

Définition
On dit que B est un (Gt )-mouvement Brownien si B et Bt2 − t, t ≥ 0

sont des (Gt )-martingales.
Remarque
Si SiB est un (Gt )-mouvement Brownien, c’est bien sûr un MB pour sa
propre filtration.

Proposition
Pour tout λ réel, le processus exp λBt − 12 λ2 t , t ≥ 0 est une

martingale. Réciproquement,
si X est un processus continu tel que
exp λXt − 21 λ2 t , t ≥ 0 est une martingale, pour tout λ réel, le

processus X est un Brownien.

Proposition
Soit (Ω, F, Ft , P) et B un (Ft )-brownien sur cet espace.
Si Xt = µt + σBt ,
alors, pour tout β réel, exp βXt − µβ + 21 σ 2 β 2 t , t ≥ 0 est une
(Ft )-martingale. Réciproquement, si X est un processus continu tel que
1 2 2

exp βXt − µβ + 2 σ β t , t ≥ 0 est une Ft -martingale, il existe un
Ft -brownien B tel que Xt = µt + σBt .

Mouvement Brownien Temps d’atteinte
Temps d’atteinte
Proposition
Soit (Bt , t ≥ 0) un mouvement Brownien et a un nombre réel. Soit
Ta = inf {t ≥ 0; Bt = a} .
Alors Ta est un temps d’arrêt fini p.s. tel que E (Ta ) = ∞ et pour λ ≥ 0
√
E (exp −λTa ) = exp(−|a| 2λ)

Mouvement Brownien Propriété de Markov
La propriété de Markov du mouvement Brownien est utilisée sous la forme

(un peu plus forte que la propriété de Markov) : pour tout s, le processus
def
(Wt , t ≥ 0) défini par Wt = Bt+s − Bs est un mouvement Brownien
indépendant de Fs .

La propriété de Markov du mouvement Brownien est utilisée sous la forme

(un peu plus forte que la propriété de Markov) : pour tout s, le processus
def
(Wt , t ≥ 0) défini par Wt = Bt+s − Bs est un mouvement Brownien
indépendant de Fs .
Theorem
Pour f borélienne bornée, E (f (Bu ) | Ft ) = E (f (Bu ) | σ (Bt )) pour u > t.

Proposition
Propriété de Markov forte : Soit T un temps d’arrêt à valeurs finies. On
a alors E (f (BT +s ) | FT ) = E (f (BT +s ) | σ (BT )). En particulier, pour
tout temps d’arrêt fini T , le processus (Wt , t ≥ 0) défini par
def
Wt = Bt+T − BT est un mouvement Brownien indépendant de FT .

Equation de la Chaleur
Soit g (t, x) la densité gaussienne centrée de variance t. On note
1 (y − x)2
q(t, x, y ) = √ exp − = g (t, x − y )
2πt 2t
la densité de transition du mouvement Brownien. C’est de façon

heuristique, la probabilité pour que le mouvement Brownien soit en y
sachant que t instants auparavant, il se trouvait en x, c’est aussi la densité
conditionnelle
P (Bt+s ∈ dy | Bs = x) = q(t, x, y )dy

La densité de transition q vérifie l’équation ”forward”
∂q 1 ∂2q
(t, x, y ) = (t, x, y )
∂t 2 ∂y 2
et l’équation ”backward”
∂q 1 ∂2q
(t, x, y ) = (t, x, y )
∂t 2 ∂x 2

En utilisant cette notation et la stationarité des accroissements du MB, on

obtient que pour toute fonction f borélienne bornée
Z ∞
E (f (BT ) | Bt = x) = f (y )q(T − t, x, y )dy
−∞
Si l’on note u(t, x; f ) la fonction

Z ∞
u(t, x; f ) = f (y )q(t, x, y )dy = E (f (Bt + x)) (7.1)
−∞
Z ∞
= E (f (Bt+s ) | Bs = x) = f (x + y )g (t, y )dy (7.2)
−∞

cette fonction vérifie (utiliser (7.1), l’équation backward et le théorème de

dérivation sous le signe intégral)

 u(0, x; f ) = f (x)
2
− ∂u + 1 ∂ u = 0 (∗)
∂t 2 ∂x 2
Pour calculer E (f (BT )), il suffit de résoudre l’équation aux dérivées
partielles (∗) et de remarquer que E (f (BT )) = u(T , 0; f ). On peut écrire,
en utilisant E (f (Bt + x)) = u(t, x; f )

Z T
∂u
E (f (BT + x)) − f (x) = u(T , x; f ) − u(0, x; f ) = (s, x; f )ds
0 ∂t
1 T ∂2u
Z
= (s, x; f )ds.
2 0 ∂x 2

En remarquant que (utiliser (7.2) et le théorème de dérivation sous le

signe intégral)
∞
∂2u
Z
(t, x; f ) = f ′′ (x + y )g (t, y )dy
∂x 2 −∞
= u t, x; f ′′ = E f ′′ (Bt + x) ,

(7.3)
on obtient
Z T
1
E f ′′ (Bs + x) ds.

E (f (BT + x)) = f (x) +
2 0

Cette formule se généralise de la forme suivante : La fonction

v (t, x; f ) = u(T − t, x; f ) est solution de

 v (T , x) = f (x)
2
 ∂v + 1 ∂ v = 0
∂t 2 ∂x 2
et vérifie v (0, x; f ) = E (f (BT + x)).

Proposition
Si f est une fonction de classe Cb1 en temps et Cb2 en espace,
Z t
1 ′′
E (f (t, x + Bt )) = f (0, x) + E fxx (s, x + Bs ) + ft′ (s, x + Bs ) ds
0 2

Preuve
Soit u(t, x; f ) = E (f (t, x + Bt )). Il est facile de vérifier, en utilisant (∗) et

(7.3) que
du 1
(t, x; f ) = u (t, x; ∂t f ) + u (t, x; ∂xx f )
dt 2
En effet, on écrit u(t, x; f ) = F (t, t, x; f ) avec
F (s, t, x; f ) = E (f (s, x + Bt )). Il reste à utiliser le théorème de dérivation
des fonctions composées :
du ∂F ∂F
(t, x; f ) = (t, t, x; f ) + (t, t, x; f )
dt ∂s ∂t
∂f 1
= E (s, x + Bt ) + u (t, x; ∂xx f )
∂t 2

En intégrant par rapport à t

Z t
1
u(t, x; f ) − u(0, x; f ) = E ft (s, x + Bs ) + ∂xx f (s, x + Bs ) ds
0 2

On peut généraliser ce résultat au processus X défini par

Xt = x + µt + σBt . La fonction u(t, x; f ) = E (f (t, x + µt + σBt )) vérifie
du 1
(t, x; f ) = σ 2 u (t, x; ∂xx f ) + µu (t, x; ∂x f ) + u (t, x; ∂t f )
dt 2
et u(0, x; f ) = f (x). On définit L le générateur du processus par
l’opérateur
1
L(f ) = σ 2 ∂xx f + µ∂x f
2

Proposition
Si f est une fonction de classe Cb1 en temps et Cb2 en espace,
Z t
E (f (t, x + µt + σBt )) = f (0, x) + E [Lf (s, x + µs + σBs )] ds
0
Z t
+ E [∂t f (s, x + µs + σBs )] ds
0

Theorem
Si u est telle que Lu = 0 alors u (t, Bt ) est une martingale.

Preuve
Les accroissements du mouvement Brownien sont indépendants.
E (u(t, Bt ) | Fs ) = E (u(s + t − s, x + Bt−s )) |x=Bs

= E (us,x (t − s, Bt−s )) |x=Bs .
avec us,x (t, y ) = u(s + t, x + y ). On a alors

Preuve

= E (us,x (t − s, Bt−s )) |x=Bs .

Z t
E (us,x (t − s, Bt−s )) = us,x (0, 0) + Lus,x (w , Bw ) dw
0

Preuve

= E (us,x (t − s, Bt−s )) |x=Bs .

Z t
E (us,x (t − s, Bt−s )) = us,x (0, 0) + Lus,x (w , Bw ) dw
0
Par hypothèse, L(u) = 0 donc Lus,x = 0. Il en résulte
E (u (t, Bt ) | Fs ) = us,x (0, 0)|x=Bs = u (s, Bs )

Cours Badr2

Transféré par

Informations du document

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

Cours Badr2

Transféré par

Droits d'auteur :

Formats disponibles

Processus Stochastique à temps continu :

Introduction au Mouvement Brownien

Pr. Badr-eddine BERRHAZI

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 1 / 46

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 2 / 46

Dans tout ce qui suit on considère un espace probabilisé (Ω, F, P).

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 2 / 46

probabilisé (Ω, F, P).Une

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 2 / 46

probabilisé (Ω, F, P).Une

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 2 / 46

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 3 / 46

On va s’intéresser à des phénomènes dépendant du temps. Ce qui est

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 4 / 46

On va s’intéresser à des phénomènes dépendant du temps. Ce qui est

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 4 / 46

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 5 / 46

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 5 / 46

Un processus gaussien est caractérisé par son espérance et sa covariance.

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 6 / 46

Soit X une v.a.r. (intégrable) définie sur (Ω, F, P) et G une sous-tribu de

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 7 / 46

E[E(X |G)Y ] = E(XY )

pour toute variable Y , G-mesurable bornée.

Il en résulte que si X est de carré intégrable, E (X | G) est la projection de

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 8 / 46

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 9 / 46

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 10 / 46

Soit (Ft ) une filtration.

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 11 / 46

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 12 / 46

E (Xt | Fs ) ≤ Xs , ∀s ≤ t (resp. E (Xt | Fs ) ≥ Xs ).

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 13 / 46

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 14 / 46

On travaille sur un espace muni d’une filtration (Ft ). On note

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 15 / 46

On associe à un temps d’arrêt τ la tribu Fτ dite des événements antérieurs

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 16 / 46

Théorème d’arrêt de Doob

Si T est un temps d’arrêt et M une (Ft )-martingale, le processus Z défini

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 17 / 46

Théorème d’arrêt de Doob

Si T est un temps d’arrêt et M une (Ft )-martingale, le processus Z défini

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 17 / 46

Le botaniste Robert Brown observe en 1828 le mouvement irrégulier de

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 18 / 46

En 1905, Einstein détermine la densité de transition du mouvement

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 19 / 46

On se donne un espace (Ω, F, P) et un processus (Bt , t ≥ 0) sur cet

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 20 / 46

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 21 / 46

Propriétés du Mouvement Brownien

Dans ce qui suit, B = (Bt , t ≥ 0) est un mouvement Brownien et

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 22 / 46

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 23 / 46

Les trajectoires du mouvement Brownien sont continues.

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 24 / 46

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 25 / 46

martingale. Réciproquement, si X est un processus continu tel que X et

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 26 / 46

martingale. Réciproquement, si X est un processus continu tel que X et

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 26 / 46

sont des (Gt )-martingales.

Pr. Badr-eddine Berrhazi Mouvement Brownien 3 octobre 2022 27 / 46