Réalisé par : Badr Ouled jamaa Filtration - Temps d’arrêt Chapitre 1

Filtration : Définition :

En mathématiques, une filtration sur un ensemble est une suite de parties croissante ou
décroissante pour l’inclusion. Un espace filtré est un ensemble muni d’une filtration compatible
avec sa structure.

En théorie des probabilités, une filtration est une suite croissante (par inclusion) de tribus
sur un ensemble. Cet ensemble est en général un espace probabilisé dont la tribu est engendrée
par celles de la filtration.

Sur un espace probabilisé (Ω, F, P), on appelle filtration toute suite croissante (Fn ) de sous-
tribus de F.

Exemple : La notion de filtration représente l’évolution de l’information au cours du temps.

Imaginons par exemple qu’on lance trois fois de suite une même pièce de monnaie. L’univers
associé est
Ω = {(P1 , P2 , P3 ) ; (P1 , P2 , F3 ) , . . .} .
II contient les 23 = 8 issues possibles de l’expérience. La tribu associée est la tribu engendrée
par tous les éléments de Ω : c’est donc P(Ω).

Maintenant, si on s’intéresse à l’information dont on dispose après le premier lancer, il est

impossible de distinguer les issues (P1 , P2 , P3 ), (P1 , P2 , F3 ) et (P1 , F2 , P3 ) par exemple. La tribu
P(Ω) n’est plus adaptée.

La tribu la plus naturelle est la tribu F1 engendrée par les deux ensembles

{(P1 , P2 , P3 ) , (P1 , P2 , F3 ) , (P1 , F2 , P3 ) , (P1 , F2 , F3 )} et {(F1 , P2 , P3 ) , (F1 , P2 , F3 ) , (F1 , F2 , P3 ) , (F1 , F2 , F3 )}

. Si on s’intéresse ensuite à l’information disponible après le deuxième lancer, on pourra

distinguer les événements : (P1 , P2 , P3 ) et (P1 , F2 , P3 ), mais pas les événéments (P1 , P2 , P3 )
et (P1 , P2 , F3 ). La tribu correspondante est la tribu engendrée par les quatre ensembles :

{(P1 , P2 , P3 ) , (P1 , P2 , F3 )} , {(P1 , F2 , P3 ) , (P1 , F2 , F3 )} , {(F1 , P2 , P3 ) , (F1 , P2 , F3 )} et {(F1 , F2 , P3 ) , (F1 , F2 , F3 )}.

Si on pose F3 = P(Ω), tribu bien adaptée lorsqu’on a effectué les trois lancers, la suite
F1 ⊂ F2 ⊂ F3 est une filtration bien adaptée à l’expérience.

Temps d’arrêt : Définition :

En théorie des probabilités, en particulier dans l’étude des processus stochastiques, un temps
d’arrêt (également appelé temps d’arrêt optionnel, et correspondant à un temps de Markov ou
moment de Markov défini) est une variable aléatoire dont la valeur est interprétée comme le
moment auquel le comportement d’un processus stochastique donné présente un certain intérêt.
Un temps d’arrêt est souvent défini par une règle d’arrêt, un mécanisme permettant de décider
de poursuivre ou d’arrêter un processus sur la base de la position actuelle et des événements
passés.
La notion de temps introduite pour la modélisation d’un processus aléatoire est en fait
relative à l’horloge de l’observateur, et le phénomène aléatoire étudié n’a aucune raison a priori
d’évoluer simplement suivant cette horloge. On est donc amené à introduire des temps aléatoires,
appelés temps d’arrêt, qui tiennent compte de l’horloge interne du processus.

Page 1
Réalisé par : Badr Ouled jamaa Filtration - Temps d’arrêt Chapitre 1

Définition : Soit (Ω, A, P) un espace probabilisé muni d’une filtration (Fn ). Une variable
aléatoire T : Ω → N est appelée un temps d’arrêt si, pour tout entier n,

{T ≤ n} ∈ Fn .

Exemple 1 : Soit (Xn , Fn) un processus adapté. Soit A un borélien et TA le temps d’entrée
dans A, c’est-à-dire que TA = inf {n ∈ N; Xn ∈ A}. Alors TA est un temps d’arrêt. En effet,
 
n−1
\
(TA = n) =  (Xk < A) ∩ (Xn ∈ A) ∈ Fn
k=0

Exemple 2 :
Imaginons que Fn désigne ici la tribu engendrée par la suite (Xk ) 0 ≤ k ≤ n, et que les
variables aléatoires Xk représentent les résultats d’un joueur lors des parties successives d’un
jeu. Dans le cas de variables aléatoires à valeurs dans un espace d’états E fini ou dénombrable,
une partie A ⊂ Ω appartient à Fn si et seulement s’il existe B ⊂ E n+1 tel que

A = {(X0 , X1 , . . . , Xn ) ∈ B}
n o
= ω ∈ Ω | (Xk (ω))0≤k≤n ∈ B

Supposons que T représente le numéro de la partie après laquelle le joueur décide d’arrêter de
jouer : T est donc un temps d’arrêt si et seulement si la décision d’arrêter est prise en fonction
des résultats des parties déjà jouées au moment de l’arrêt, i.e. si pour tout n il existe un sous
ensemble Bn ⊂ E n+1 tel que :

{T = n} ⇔ {(X0 , X1 , . . . , Xn ) ∈ Bn }

L’instant où le joueur s’arrête est donc un temps d’arrêt si la décision d’arrêt ne tient pas compte
des résultats des parties futures, donc sous I’hypothèse que don de double-vue et tricherie sont
exclus.

Notations :

Soient (Xn ) n ≥ 0 une suite de variables aléatoires (un processus stochastique) et T un temps
d’arrêt par rapport à une filtration (Fn) n ≥ 0. Le processus observé au temps T (ou arrêté au
temps T ) est noté XT (ω), et est défini par

XT (ω) = XT (ω) (ω)

X
= Xn (ω)1T (ω)=n
n≥0

Sur l’ensemble {ω ∈ Ω | T (ω) = +∞}, la définition de XT (ω) est problématique : l’ambigüité

est de facto levée en posant XT (ω) = 0.
Soit T un temps d’arrêt et soit N ∈ N : T ∧ N est la variable aléatoire définie par (T ∧ N )(ω) =
min(T (ω), N ) ; T ∨N est la variable aléatoire définie par (T ∨ N )(ω) = max(T (ω), N ).

Propriété :
Soit T un temps d’arrêt, soit N ∈ N. Alors S := T ∧ N, S 0 := T ∨ N et S 00 := T + N sont des
temps d’arrêt.
Démonstration : On ne démontrera que le premier point, les deux autres étant semblables :

{S = n} = {T ∧ N = n} = {T = n, n ≤ N } ∪ {n = N, T ≥ N }

Page 2
Réalisé par : Badr Ouled jamaa Filtration - Temps d’arrêt Chapitre 1

Or
{T = n} ∈ Fn et {T ≥ N } = {T ≤ N − 1}c ∈ FN −1 ⊂ FN
Propriété :
De même, si S et T sont des temps d’arrêt, alors S ∧ T en est un.

Définition et propriété : Soit T un temps d’arrêt et A ∈ F∞ : A est appelé évènement antérieur

à T si :
∀n ∈ NA ∩ (T = n) ∈ Fn .
L’ensemble de ces évènements forme une sous-tribu de F∞ appelée tribu antérieure à T et notée
FT .
Démonstration :
- FT contient Ω
- FT est stable par réunion dénombrable
- Soit n ∈ N.
On a A ∩ (T = n) ∈ Fn et (T = n) ∈ Fn . D’où
Fn 3 (T = n) ∩ (A ∩ (T = n))c = (T = n) ∩ (Ac ∪ (T , n))
= ((T = n) ∩ Ac ) ∪ ((T = n) ∩ (T , n)) = ((T = n) ∩ Ac ) ∪ ∅ = Ac ∩ (T = n)
et FT est stable par complémentarité.
Proposition : Soient S et T deux temps d’arrêt tels que S ≤ T , On a alors FS ⊂ FT .

Démonstration : Soit A ∈ FS , c’est-à-dire ∀n ∈ N, A ∩ (S ≤ n) ∈ Fn. Comme de plus S ≤ T

p.s., (T ≤ n) ⊂ (S ≤ n). Par suite,
A ∩ (T ≤ n) = A ∩ (T ≤ n) ∩ (S ≤ n)
Or A ∩ (S ≤ n) ∈ Fn et (T ≤ n) ∈ Fn car T est un temps d’arrêt. Donc
A ∩ (T ≤ n) ∈ Fn
Exemples et contrexemples :
Considérons une suite X = (Xk ) k ≥ 0 de variable aléatoires, à valeurs dans un ensemble E, et
notons Fn la tribu engendrée par la suite (Xk ) 0 ≤ k ≤ n. Les variables aléatoires ci-dessous
sont des temps d’arrêt pour la filtration (Fn)n≥0 : - Soit j un élément de E ; on appelle instant
de premier retour en j, et on note Rj , la variable aléatoire définie ci-dessous :
(
inf {n > 0 | Xn = j} si {n > 0 | Xn = j} , ∅,
Rj =
+∞ sinon.
- De même pour C une partie de E, on appelle instant de première entrée dans C, et on note
TC , la variable aléatoire ci-dessous définie :
(
inf {n ≥ 0 | Xn ∈ C} si {n ≥ 0 | Xn ∈ C} , ∅
TC =
+∞ sinon.
(k)
- L’instant de k-ème retour en i, noté Ri et défini par récurrence par :
    
(k−1) (k)
(k)
 inf n > Ri | Xn = i si n > Ri | Xn = i , ∅
Ri =

+∞ sinon.
ou encore l’instant de k-ème entrée dans C, sont des t.a.
- Pour i et j dans E, on pose T = inf {n ≥ 0 | Xn = i et Xn+1 = j}. On peut montrer que T
n’est pas un temps d’arrêt, mais que, par contre, T + 1 est un temps d’arrêt.

Page 3