Académique Documents
Professionnel Documents
Culture Documents
1
Grâce à cette hypothèse(!) on peut chercher la mesure invariante à partir de π0 ν = 5π1 , 3πi = 5πi+1 où i ≥ 1,
Désormais :
X∞
ν= νm,1 .
m=−∞
πi = (ν/5)(3/5)i−1 π0 pour i ≥ 1.
Pour la rendre de probabilité, il faut prendre π0 = (1 + ν/2)−1 .
c)
P (T10 = ∞) = 0 car Yt∗ est récurrente positive.
ET10 = (π0 ν)−1 = 1/ν + 1/2 et
R T0
E 0 1 1i (Ys∗ )ds = (1/5)(3/5)i−1 pour i ≥ 1.
d1) Les probabilités de transition pour la CM (X̄n∗ , Ȳn∗ ). sont les intensités du processus corresponsant divisées par
11 à l’intérieur du demi plan et divisées par ν sur l’axe Ox.
d2). On rapelle (X0∗ , Y0∗ ) = (0, 0). On note N = inf{n > 0 : Ȳn∗ = 0} l’instant de son premier retour sur l’axe Ox.
Alors on décompose :
∞
X
∗
EXT∗ 0 = E X̄N = E(X̄1∗ − X̄0∗ ) + E(X̄n+1 − X̄n )1{n<N }
1
n=1
∞ X
X ∞
= E(X̄1∗ − X̄0∗ ) + ∗
E(X̄n+1 − X̄n∗ )1{n<N,Ȳn∗ =i}
i=1 n=1
On a X X
a = E(X̄1∗ − X̄0∗ ) = [ νi,1 − νi,0 ]/ν
i>0 i<0
∗
bi = E((X̄n+1 − X̄n∗ )1{n<N,Ȳn∗ =i} | 1{n<N,Ȳn∗ =i} = 1) = 3/11 − 1/11 = 2/11 ≡ b ∀i ≥ 1
et bien sur aussi
∗
ci = E((X̄n+1 − X̄n∗ )1{n<N,Ȳn∗ =i} | 1{n<N,Ȳn∗ =i} = 0) = 0
XX
=a+b P (n < N, Ȳn∗ = i)
i≥1 n≥0
d3) Calculer l’ensemble de mesures invariantes de la chaine de Markov (Ȳn∗ )n≥0 . En déduire la valeur de
XX
P (n < N, Yn∗ = i).
i≥1 n≥0
La CM a des probabilités de transition p0,1 = 1, pi,i−1 = 5/11, pi,i+1 = 3/11, pi,i = 3/11.
Sa mesure invariante est de forme
πi = (11/5)(3/5)i−1 π0 pour i ≥ 1.
Alors XX X
P (n < N, Yn∗ = i) = (11/5)(3/5)i−1 = 11/2.
i≥1 n≥0 i≥1
2
Leur espérance est finie : on peut estimer
∞
X ∞ X
X ∞
E|XT∗ 0 | = E|X̄N
∗
| ≤ E|X̄1∗ − X̄0∗ | + E|X̄n+1 − X̄n |1{n<N } ≤ 2 + 2 P (n < N, Ȳn∗ = i) = 2 + 2(11/2) < ∞.
1
n=1 i=1 n=1
Par ailleurs l’espérance des accroissements est a + 1. On peut appliquer la loi de grands nombres.
e2) Si a > −1 la suite (XT∗ 0 )i≥0 converge vers +∞ p .s. par corollaire de la LGN, Si a < −1, la suite (XT∗ 0 )i≥0 tend
i i
vers −∞ p.s. comme corollaire de la LGN.
f ) Par e) le point (0, 0) sur l’axe Ox est visité par (Xt∗ , Yt∗ )t≥0 seulement un nombre fini de fois, donc le processus est
transient.
g) Non, l’explosion n’est possible pour aucune famille de paramètres νk,1 . Comme le processus Yt∗ visite l’axe Ox une
infinité de fois p.s., il visite aussi l’axe y = 1 une infinité de fois p.s. et chaque fois il reste dans un état de cette axe
un temps de loi exponentielle de paramêtre constant=11.
h) On a par les eq de Kolmoorov secondes p0i,0 (t) = −νpi,0 (t) + 3pi,1 (t), p0i,1 (t) = −8pi,1 (t) + νpi,0 (t) + 5pi,2 (t)
p0i,n (t) = 3pi,n−1 (t) − 8pi,n (t) + 5pi,n+1 (t). Alors f (t, s) = n≥0 pi,n (t)sn vérifie ∂f
P
∂t = (−8 + 3s + 5/s)f + (−ν + 8 +
s(ν − 3) − 5/s)pi,0 (t), f (0, s) = si .
limt→∞ f (t, s) est la fonction génératrice de P la mesure invariante de probabilité. En effet pi,n (t) = Pi (Yt∗ = n)
i i
P
converge vers πn quand t → ∞. Donc f (t, s) = i≥0 pi (t)s converge vers i≥0 πi s pour tout s avec |s| < 1 par le
thm de convergence dominée. La fonction limite est π0 + i≥1 π0 (ν/5)(3/5)i−1 si ce qui est (1 + ν/2)−1 (1 + (sν/5)(1 −
P
(3/5)s)−1 )
Pd ∂f i
Pd i ∂f
f (xt (x)) = f (x + b(x)t + o(t)) = f (x) + i=1 ∂x i (x)b (x)t + o(t), d’où Af (x) = i=1 b (x) ∂xi (x).
∂2f ∂2f
Af (x, y) = (1/2) +
∂x2 ∂y 2
Rs
Comme f (Xt ) − f (X0 ) − Ea 0 Af (Xs )ds est une martingale, par le Thm d’arrêt ceci vaut Ea (f (B1 (τ ), B2 (τ )) −
f (a1 , a2 ).
Rτ
Ea f (B1 (τk ), B2 (τk )) = f (a) + Ea 0 k (1/2)4dt = a21 + a22 + 2Ea (τk ).
Comme Ea f (B1 (τk ), B2 (τk )) ≤ R2 , on a Ea (τk ) ≤ 1/2(R2 − a21 − a22 )
τk ↑ τ p.s. quand k → ∞. Par le Thm de la convergence monotone Ea (τk ) → Ea (τ ). Par le Thm de Lebesgue
Ea (f (B1 (τk ), B2 (τk ))) → Ea (f (B1 (τ ), B2 (τ ))) = R2 . Donc de (18) Ea (τ ) = 1/2(R2 − a21 − a22 ).
2 2
Le générateur de ce processus s’ecrit Af (x, y) = ∂f ∂ f 2∂ f 2
∂x + (1/2) ∂x2 + (1/2)x ∂y 2 . Alors u(t, x, y) = Ex,y exp(−X1 (t) −
X22 (t)) est la solution de
∂u(t, x, y) ∂u ∂2u ∂2u
= + (1/2) 2 + (1/2)x2 2 ,
∂t ∂x ∂x ∂y
la condition initiale est u(0, x, y) = exp(−x2 − y 2 ).
La v.a. τ = 0 est trivialement un temps d’arrêt par rapport à F≤t (en effet (τ ≤ t) = Ω (pour t ≥ 0) ce qui fait
partie de tout tribu, donc de F≤t ) et donc par rapport à F≤t+ .
On a Px0 (η = 0) = Px0 ((η = 0) ∩ (η = 0)) = Px0 ((η = 0) ∩ θ0−1 (η = 0)) car pour tout événement A θ0−1 A = A.
Donc pour τ = 0 Px0 (η = 0) = Px0 ((η = 0) ∩ θτ−1 (η = 0))
Ici η est un temps d’arrêt par rapport à F≤t+ car η = inf{t ≥ 0 : ξt ∈ Rd \ D}, Rd \ D est ouvert, Donc
{η = 0} ∈ F≤0+ ce qui est un élément clé pour appliquer la propriété Markov forte.
Par la propriété de Markov forte par rapport à F≤t+ appliquée au temps d’arrêt τ = 0 on a Px0 (η = 0) ==
Px0 ((η = 0) ∩ θτ−1 (η = 0)) == Ex0 (1{η=0} Eξτ 1{η=0} ) = Ex0 (1{η=0} Eξ0 1{η=0} ). Comme ξ0 = x0 sous Px0 , ceci vaut
Ex0 (1{η=0} (Ex0 1{η=0} )) = (Ex0 1{η=0} )2 .
Donc les valeurs possibles sont 0 et 1.