Données : q(0,1) = 2, q(−1,1) = 1, q(1,0) = 3, q(0,−1) = 5.

Dans la partie 4 le demi-plan y ≥ 0

Partie 1.
Vt est un processus de Poisson de paramètre
P4 11.
a) Pour t > 0 : P (R5 > t) = P (Vt ≤ 4) = i=0 exp(−11t)(11t)i /i!
a) Pour t, u > 0 : P (Vu = 5 | Vt+u = 8) = C85 (u/(t + u))5 (t/(t + u))3
b) Pour t, u > 0 : E(Vt+u − Vt ) = 11u
Partie 2. (Xt )t≥0 est un processus de Markov.
ax) qn,n+1 = 3, qn,n−1 = 1
bx) il est irréductible et transient, car la CM de sauts est une marche aléatoire aux plus proches voisins, homogène
en espace, avec le drift> 0;
cx) (Xt )t≥0 → +∞
(Yt )t≥0 est aussi un processus de Markov
ay), by), cy) qn,n+1 = 3, qn,n−1 = 5, irréductible, transient, tend vers −∞.
d) Le processus (Zt )t≥0 sur Z2 est irréductible. Il est transient car au moins une composante (en effet les deux)
converge vers l’infini par la loi de garnds nombres, donc (0, 0) est visité un nombre fini de fois p.s.
e) Considérons d’abord la CM de sauts de ce processus Z2 que nous appelerons (Kn , Ln )n≥0 : elle a les probabilits
de transition au nord 2/11, au nord-ouest 1/11,à l’est 3/11 et au sud 5/11 aux plus proches voisins respectivement.
On a E(Ln+1 − Ln , Kn+1 − Kn ) = (2/11, −2/11).
Réponse à la question : si on multiplie les intensités initiales par exp(αi + βj) dans (i, j) ∈ Z2 le processus va
exploser dans le domaine α − β > 0 et ne va pas exploser dans α − β < 0. (La droite α − β = 0 ne va pas être
considerée ici).
En effet, notons (X et , Yet ) ce nouveau processus. Ses durées entre les sauts Sen pour n = 1, 2, ... sont des v.a. indép
de loi exp. de paramètres 11 exp(αKn−1 + βLn−1 ) lorsque les valeurs de Kn−1 , Ln−1 sont fixées.
Par la loi de grands nombres, les vecteurs (Kn , Ln )/n convergent vers (2/11, −2/11) p.s. En particulier (αKn +
βKn )/n → (2α − 2β)/11 p.s.
Soit α − β > 0. Alors il existe  > 0 tel que (2α − 2β)/11 > .
Soit l’événement An = {αKn + βYn > [(2α − 2β)/11 − /2]n} pour n ≥ 0. Alors par la LGN P (∪N ∩n≥N An ) = 1.
D’autre part comme sur An on a αKn +βLn > n/2 alors par le thm du cours sur les sommes de v.a. indépendantes
P
de loi exponentielle, on a pour tout N ≥ 0 P ( n≥1 Sen < ∞ | ∩n≥N An ) = 1. Comme c’est vrai pour tout N ≥ 0, on
P
P ( n≥1 Sen = ∞) = 1.
Soit α − β < 0. Alors il existe  > 0 tel que (2α − 2β)/11 < −.
Soit Bn = {αKn + βYn < [(2α − 2β)/11 + /2]n} pour n ≥ 0. Alors par la LGN P (∪N ∩n≥N Bn ) = 1. D’autre
part comme sur Bn on a αKn + βLn < −n/2 alors pour tout N ≥ 1 par le thm du cours sur les sommes de v.a.
P
indépendantes de loi exponentielle P ( n≥1 Sen = ∞ | ∩n≥N Bn ) = 1. Comme c’est vrai pour tout N ≥ 0 on a
P
P( n≥1 Sen = ∞) = 1.
Partie 3.
Soit la mesure intiale de (Zt )t≥0 est (1/6)δ(0,3) + (5/6)δ(−1, 1).
(Xt + Yt ))/mod2 est un processus de sauts de deux états (pair et impair) avec des intensités de transition 10.
Sa matrice d’intensités q1,1 = q2,2 = −10, q1,2 = q2,1 = 10.
Pour calculer P (Xt + Yt est un nombre pair) il faut résoudre l’équation de Kolmogorov pour la matrice 2 sur 2.
La solution générale : c1 + c2 exp(−10t).
Quand t → ∞, cette quantité converge vers c1 qui doit être la mesure invariante de proba de cette CM de deux
états, elle est 1/2. Alors c1 = 1/2.
Pour t = 0 on a donc 1/2 + c2 = 5/6. Alors c2 = 1/3.
Partie 4.
a) (Xt∗ )t≥0 sur Z n’est pas un processus de Markov.
(Yt∗ )t≥0 sur Z+ est un processus de Markov avec qn,n+1 = 3, qn,n−1 = 5 pour tout n > 0; q0,i = k νk,i pour tout
P
i ≥ 1. C’est ”la ruine du joueur” avec le drift négatif, donc le processus récurrent positif.

b) Sa seule mesure invriante est finié et se calcule à partir de l’équation ~π Q = ~0.

On pose νm,l = 0 pour tout l ≥ 2 et travaille désormais jusqu’à la fin de la partie 4 sous cette
hypothèse. Donc seuls νm,1 6= 0 pour certains m entiers.

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

On a alors par la formule de probabilité totale :

XX
EXT∗ 0 = a + [bi P (n < N, Ȳn∗ = i) + ci P (n ≥ N, ou Ȳn∗ 6= i)] =
1
i≥1 n≥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

d4) Finalement EXT∗ 0

= a + (2/11) × (11/2) = a + 1 en fonction de paramètres νm,1 , m = 0, ±1, ±2, .. où a est définie
1
ci -dessus en fonction de la famille νk,1 .
e) Pour la suite (XT∗ 0 )i≥0 quand i → ∞ : ses accroissements sont des v.a. indépendantes de même loi par la propriété
i
de Markov forte.

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).

POUR l’EXAMEN DE 9 ECTS

Ecrire le générateur par soi-même.
Pd ∂f i
Pd ∂f
f (xt (x)) = f (x + b(x)t + o(t)) = f (x) + i=1 ∂xi (x)b (x)t + o(t), d’où Af (x) = i=1 bi (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.