Académique Documents
Professionnel Documents
Culture Documents
MARTINGALES
Soit (⌦, F, P ) un espace probabilisé complet fixé sur lequel seront définis tous les éléments
aléatoires considérés dans ce chapitre.
Exemple On jette un nombre infini de fois, de manière indépendante, une pièce de monnaie
non truquée. On pose S0 = 0 et, pour tout n 1, on note Sn la variable aléatoire définie
par
Sn = Sn 1 +1
Sn = Sn 1 1
Alors, (Sn )n 0 est un processus stochastique défini sur ({pile, f ace} , P {pile, f ace}), à
valeurs dans Z, appelé marche aléatoire.
2
IN ! IR
n 7 ! Xn (!)
Définition 1.1.2 Deux processus stochastiques (Xn )n 0 et (Yn )n 0 définis sur (⌦, F, P )
sont dits indistinguables si, et seulement si, Xn = Yn presque sûrement, pour tout n 2 IN.
1.1.2 Filtration
Définition 1.1.3 On appelle filtration associée à la tribu F toute suite croissante (Fn )n 0
de sous–tribus de F.
1
( Xnlm , 0 processus stocastiqlœ : V. WEIR IN → IRD trajectoire de ( Xn ) > 0 pour l' atcatàre wer .
n ND Xnlw )
nlnxo
,
( Xnlnxo
(
indistinguable de PCXn-Ynt-rpp.VN/0
tribus de F
Fou : T ( Fn nao )
,
mesurable
Xn va ⇐ Xn est F- mesurable
adapté ⇐ Xn est Fn -
mesurable Fn CF
CFNTÎ
"
( Fn ) nxo
" "
trio Fn = TCXK ,
0f Ken ) ,
Fn
Xn est FÂ -
mesurable
T
Tlxo , _
,
Xn )
TEIRT
1) Xo est Fo -
mesurable
2) Anar Xn est Fn r
-
-
mes .
Un 70 (V# X )n est Fn -
mes .
( V # Xlo = Vo Fo Fo -
mes
pr q
Fo -
mes
(V # X) m : ( V# X ) nn t
Vnfxn -
Xn -
r ) est Fn -
mes .
T tfn T
Fn -1 mes
)
mes
Fn
-
Fn Fn
mes
-
Fn , c Fn
) Fn
-
r
mes -
r mes
Fn ncfn Fn Fn mes
-
.
- -
mes .
, ( Fn
2 CHAPTER 1. MARTINGALES
Notation 1.1.4 Si (Fn )n 0 est une filtration associée à la tribu F, on note F1 la tribu
(Fn , n 0); c’est à dire la plus petite sous–tribu de F contenant toutes les tribus Fn ,
n 0.
Définition 1.1.5 Soient (Xn )n 0 un processus stochastique défini sur ⌦ et (Fn )n 0 une
filtration associée à la tribu F. On dit que processus stochastique (Xn )n 0 est (Fn )n 0
adapté (ou adapté à la filtration (Fn )n 0 ) si, et seulement si, pour tout n 0, la variable
aléatoire Xn est Fn –mesurable.
Exemple Fondamental Soit (Xn )n 0 un processus stochastique défini sur (⌦, F). Alors,
si pour tout n 0, FnX est la tribu définie par
Terminologie Si (Xn )n 0 est un processus stochastique défini sur (⌦, F), la filtration
FnX n 0 définie en (1.1) est appelée filtration naturelle associée au processus stochastique
(Xn )n 0 .
Dans toute la suite de ce chapitre, on désignera par (Fn )n 0 une filtration associée à la
tribu F.
Définition 1.1.6 Un processus stochastique (Vn )n 0 défini sur (⌦, F) est (Fn )n 0 prévisible
si, et seulement si, la variable aléatoire V0 est F0 –mesurable et, pour tout n 1, la variable
aléatoire Vn est Fn 1 –mesurable.
Proposition 1.1.7 Si (Xn )n 0 est un processus stochastique (Fn )n 0 adapté et (Vn )n 0 est
un processus stochastique (Fn )n 0 prévisible alors, le processus stochastique ((V ? X)n )n 0
défini par
(V ? X)0 = V0 X0
et pour tout n 1,
Définition 1.2.1 Une variable aléatoire T définie sur (⌦, F), à valeurs dans IN, est un
(Fn )n 0 temps d’arrêt si, et seulement si, pour tout n 0,
(T n) 2 Fn .
1.2. TEMPS D’ARRÊT 3
Proposition 1.2.2 Une variable aléatoire T définie sur (⌦, F), à valeurs dans IN, est un
(Fn )n 0 temps d’arrêt si, et seulement si, pour tout n 0,
(T = n) 2 Fn .
(T = n) = (T n) \ (T n 1)c .
2
Exemple Fondamental 1 Toute variable aléatoire constante à valeurs dans IN est un
(Fn )n 0 temps d’arrêt.
ce qui implique que pour tout n 2 IN, (T = n) 2 Fn et ainsi, la variable aléatoire T est un
(Fn )n 0 temps d’arrêt.
2
Exemple Fondamental 2 Soient (Xn )n 0 un processus stochastique, à valeurs dans IRd ,
(Fn )n 0 adapté et B un borélien de BIRd .
2
Convention Dans toute la suite, on notera
T = inf{n 2 IN / Xn 2 B}
Proposition 1.2.3 Si S et T sont deux (Fn )n 0 temps d’arrêts définis sur (⌦, F) alors,
S ^ T = inf (S, T ) est un (Fn )n 0 temps d’arrêt.
(S ^ T n) = (S n) [ (T n) 2 Fn .
2
TEMPS D' ARRET
⇐ ( ten ) =
¥Î ( ) F- K E Fn
¥ Kc Fn HF ( a. b) = a r b ; sup : avb
p
KEN
( Fn ) :( T.cn/n(Tfn-1t--Tn
A
Fn f Fn r
-
( Fn
tn 70 ,
( Tfn ) C- Fn ou Un " O ( Fn ) E Fn ou tenace ( TX n ) C- Fn .
r 7
retapes MA
2 →
cl Ma
f-Mxtduodkfyullxt-frflxldllimpn.es Êo -1 =/ nftxnimpnos ( ,
E - )
=/ 'Ê
1
} f70 ( cvg monotone) Mx ) (x)
du
dfy "
.
, r
→
4 f- = ft f-
J
-
DEFINITION -
PROPOSITION 125
Fr tribu sur r .
1) r E ft ? V-nxo.hn ( T.nl :( En ) C- Fn
2) A E ft A
'
È ft
}
,
( F- ni C- Fn ( AC (Ent )
'
tn 70 AMCT > NE Fn Ando A U U M (Fn) C- Fn E Fn
(F- )E LT-nlcntf.nl
'
T d' ARRET
temps n Fn A- MEN U
-
C- Fn
3) ( AK ) Kxo Et 0
KYO KYO
•
X est f- mesurable ⇐ ABE BUR ) ,
( X E B) Et ⇐ HBEBCIR ) Ando ,
CXEB ) M ( Ten ) C- Fn .
(X ft -
BE BCIR )
,
( X
1) ctçn ,
C- B) :( Xtlctçn :O) Ufxllctçn ,
EBKOI ) : ( X Mtn # d' Ulxtlctçn) EBILOI )
( ( x # OIMLTENYUCCXE B) Alten ) )
-
D A finir
4 CHAPTER 1. MARTINGALES
Proposition 1.2.4 Pour tout (Fn )n 0 temps d’arrêt T , le processus stochastique 1(nT ) n 0
est (Fn )n 0 prévisible.
Preuve La preuve de ce résultat est laissée en exercice au lecteur.
2
D’autres propriétés des temps d’arrêts seront étudi?ees en exercices. De plus, de la définition
d’une tribu on déduit aisément le résultat suivant.
Définition–Proposition 1.2.5 Si T est un (Fn )n 0 temps d’arrêt alors,
FT = {A 2 F1 / 8n 0, A \ (T = n) 2 Fn }
est une tribu sur ⌦ appelée tribu des événements antérieurs à l’instant aléatoire T .
Proposition 1.2.6 Pour tout (Fn )n 0 temps d’arrêt T , on a
FT = {A 2 F1 / 8n 0, A \ (T n) 2 Fn } .
Preuve La preuve de ce résultat est laissée en exercice au lecteur.
2
Proposition 1.2.7 Soit T un (Fn )n 0 temps d’arrêt. Une variable aléatoire réelle X est
FT –mesurable si, et seulement si, la variable aléatoire X1(T n) est Fn –mesurable pour tout
n 0.
Preuve Ce résultat est immédiat en remarquant que
c
X1(T n) = 0 = (X 6= 0) \ (T n)
et, pour tout borélien B de BIR ne contenant pas 0,
T la Rd ruplrd
: r pr → IN
.
Xp Est ft -
mesurable :
Mq TTBEIRD ,
LXTE B) C- Ft ?
r
( XNEBIM ( F- n )
→
(Xn ) est Fn adapté : fr70 Xn est Fn -
DEFINITION -
Proposition 129
Réécriture
w
de
M Xnlw )
Xnntcw , tw ) 1) (
W M Xnntlwslw ) =
{ Xp ,w ,
lwlsitlw.tn
ns.tcwytXTIwslw?1llTlwICn)=Xnlw)1IcnLtcw))tXTcwslw)1ICTcwIEn
= Xnlw )
( Xnrt EB ) :( Xnnt EB ) Mr =
¥! ( Xnn ,
C- B) n ( F- K ) ) ¥ ( Anna C- B)
: MCT > K ) ) =
Êo( www.EBIMCF-KDU q
*
( ( Xnnu C- B) n ( F- K) ) E Fn .
( F- K )
↳ ( XKEB ) fttps
d' arrêt ( Xnt B)
X adapté → A EFKCFN -
FKÇFN ( Xnt B) n
*
( F- K )
Ken ^ -
¥
'
REMARQUE 1.2.10 (T ( nt1 ) = ( Ten )
Eli ( xnc.li 11pct , borné )
T
,
C- Fn
Xnnt = XT llltçnyt Xnttlcnct ) C- Fn
-
lllntnct ) E Fn
" "
Fn ), 0 Xnt L VNIO Xnnt EL
,
¥1 ( Ten )
=
Êo XK 1
n
( Ek)
E L
'
borné
borné ↳
1.3. MARTINGALES : DÉFINITION ET PROPRIÉTÉS ÉLÉMENTAIRES 5
De plus, si pour tout n 0, la variable aléatoire Xn est intégrable alors, la variable aléatoire
Xn^T est intégrable.
3. 8n, p 2 IN, n p, on a
E [Mp /Fn ] = Mn p.s.
(resp. E [Mp /Fn ] Mn p.s, E [Mp /Fn ] Mn p.s.).
Remarque 1.3.2 1) Pour montrer la propriété 3., il suffit de prouver que pour tout n 0,
on a
E [Mn+1 /Fn ] = Mn p.s.
En e↵et, pour tout k 1, on a
EXEMPLE FONDAMENTAL :
X va
intégrable .
On pose fr70 Mn =
ECXI Fn ]
,
( Mn ) mo est une ( Fn ) mo martingale .
( d'finition
" "
1) Ando
,
Mn EL
,
Mn =
ECXIFN] E L de l' Esperance conditionnelle )
.
2) Ando ,
Mn est Fn mesurable-
( det de EC . I Fn) )
3) Ando ,
C- [ Mntrl Fn] = E [ C- [ Xffntn ] / Fn ] pas .
= ECX / Fn )
ps = Mn p -
s
pr
Fn Cfntn
Si ( ) martingale
'
-
XE l (r F , ,
P ) ,
alors C- [ Xl Fn ] nxo est une ( Fn ) mo martingale appelée de Doob associée à X .
ftnlnxo
"
une filtration
REMARQUE :
.
eu .
( PROPOSITION 1. 3. 6)
°
martingale ,
alors f- Mnlnxo est une sur -
martingale ( )
PROPOSITION 1.38
martingale U convexe .
4 ( Mn ) ( hypothèse )
"
1. E L
)
2. Mn est Fn -
mesurable U ( Mn ) est Fn -
mesurable
4 borélienne
3 .
E ( Mms ptn] : Mn p -
S
,
U ( Mn) : 41 ECM mnt Fn ) ) ps
LE [ Ulmntrllfn ] pas
A
Jensen .
EXEMPLE FONDAMENTAL :
( Mn )
'
mo est une ( Fn) mo sous -
PROPOSITION 1311
(V * M) o = Vo Mo (V * M) = ( V # M) m + Un ( Mn -
Mn -
t )
On suppose Amo (V # M ) NE L
'
,
( ( Vtt Mtn ) mo est une ( Fn ) -
martingale .
hypothèse )
'
1) Ando ,
( V# Mtn E L (
2) Ando
,
CV # M ) n est Fn -
mesurable ( 1.1.77
Mn ) Fn]
-
in
Fn -
mes
Fn -
mes CV prévisible )
= ( V * Mtn
car martingale
6 CHAPTER 1. MARTINGALES
Exemple 1) Soit (Xn )n 0 une suite de variables aléatoires réelles intégrables et mutuelle-
ment indépendantes. Alors, le processus stochastique (Sn )n 0 défini pour tout n 0 par
n
X
Sn = Xk
k=0
est une FnX n 0 martingale (resp. sur–martingale, sous–martingale) si, et seulement si,
E(Xn ) = 0 (resp. E(Xn ) 0, E(Xn ) 0) pour tout n 0.
Mn = E [X/Fn ]
Terminologie 1.3.3 La (Fn )n 0 martingale (Mn )n 0 définie ci–dessus est la (Fn )n 0 mar-
tingale de Doob associée à la variable aléatoire intégrable X.
Proposition 1.3.4 Si (Mn )n 0 est une (Fn )n 0 martingale alors, la suite (E(Mn ))n 0 est
constante égale à E(M0 ).
ce qui implique
Proposition 1.3.7 Si (Mn )n 0 et (Mn0 )n 0 sont des (Fn )n 0 sur–martingales alors, (Mn ^
Mn0 )n 0 est une (Fn )n 0 sur–martingale. De plus, si a et b sont des réels positifs, (aMn +
bMn0 )n 0 est une (Fn )n 0 sur–martingale.
Proposition 1.3.8 Si (Mn )n 0 est une (Fn )n 0 martingale et si ' est une fonction con-
IMPORTANT vexe sur IR alors, le processus stochastique ('(Mn ))n 0 est, sous réserve d’intégrabilité des
variables aléatoires '(Mn ), n 0, une (Fn )n 0 sous–martingale.
1.3. MARTINGALES : DÉFINITION ET PROPRIÉTÉS ÉLÉMENTAIRES 7
Preuve La fonction ' étant borélienne, pour tout n 0, la variable aléatoire '(Mn ) est
Fn -mesurable.
et, comme la fonction ' est convexe, on déduit de l’inégalité de Jensen que
et par conséquent, le processus stochastique ('(Mn ))n 0 est une (Fn )n 0 sous–martingale.
2
De cette proposition, on déduit aisément les deux résultats suivants.
Corollaire 1.3.9 Si (Mn )n 0 est une (Fn )n 0 martingale et p 2 IN? alors, sous réserve
d’intégrabilité des variables aléatoires Mnp , n 0, le processus stochastique (Mnp )n 0 est une
(Fn )n 0 sous–martingale.
Corollaire 1.3.10 Si (Mn )n 0 est une (Fn )n 0 sous–martingale alors, pour tout a 2 IR,
le processus stochastique (max(Mn , a))n 0 est une (Fn )n 0 sous–martingale. ( Démonstration en exercice )
Proposition 1.3.11 Soient (Mn )n 0 une (Fn )n 0 martingale et (Vn )n 0 un processus stochas-
tique (Fn )n 0 prévisible. Si pour tout n 0, la variable aléatoire (V ? M )n est intégrable
alors, le processus stochastique ((V ? V )n )n 0 est une (Fn )n 0 martingale.
Preuve Par application de la proposition 1.1.7 on sait que le processus stochastique ((V ?
M )n )n 0 est (Fn )n 0 adapté. De plus, pour tout n 0, on a
Donc, comme le processus stochastique (Mn )n 0 est une (Fn )n 0 martingale, on obtient
Remarque 1.3.12 Ce résultat reste valide si (Mn )n 0 est une (Fn )n 0 sur–martingale et
(Vn )n 0 un processus stochastique (Fn )n 0 prévisible positif.
Théorème 1.3.13 (Doob [?]) Pour toute (Fn )n 0 martingale (Mn )n 0 et tout (Fn )n 0
temps d’arrêt T , le processus stochastique (Mn^T )n 0 déduit du processus stochastique (Mn )n 0
par arrêt au temps T est une (Fn )n 0 martingale.
, ,
AE IRD INI
T s : →
+ . sinon
{
Xnnt : r → IRA tuer , Xm , lwt = Xnlwl si n ETCW )
w M Xnrtlw ) Xp , w , si Tlw ) En
Xnrt (W) =
Xnlwl 11 ( nçtcw ) )
+
XTCW ) MCTLWILN)
, na
Preuve :
1) VNIO M =
Mt 1pct.sn ) t Mnt Nb fini connu d' Étemt dans la somme
, nnt ct > n )
n -
t à
K :O
- - K :O
Il f1 Mnllllctsnsl Et Mnt
n I I
MKMLEKIIÇ ÊOIMKI
-
1¥ , x1
2) tn " O
, Mnr ,
est Fn -
3) ? Ando ,
E [ Mlntyrtffn] =
Mnntps .
=
ECMT 11 I Fn] TE [Mntt 1pct > nn , 1Fr] pas par linéarité de l' E. C
ctcntr , .
'
mes .
= C- ( Mtlftçml Fn ] t
ECMNHIFN ] 1f# çnpc pas
-
,
n ) ( F- KIEFK ÉFN =D 11ft > K)
est Fn -
mes .
= Ê ECMKIFN] 11 ( F. K )
t Mn 1pct > nm ) ps ( Mnlnxo est une (Fn ) nxo martingale VK En ,
Mr est
.
FK -
mes
K :O
=
Ça MK 1pct > K)
t Mn 11ps , n+1 ) PS K En FKCFN donc MK est Fn -
mesurable .
=
Ça Mt 11ft > K)
+ Mn
1) ( f- y, n+1 )
= MT 11 ( TEN ) + Mn 1) (T ) , nm )
=
Mn rt PS .
t 7
ECECXIBJ ] CHIBI) ( )
?
( Inégalité
'
2) t C- E à Jensen x convexe
'
E E ( X2) ( to car X E l ( r F. ,
P) .
( )
'
g) =/
'
X -
ECXIB] L l ( r , B. P ) :
Mq VYE L (r ,
B ,
P)
,
C- ( (X -
ECXIBJIY ] cf , fgdpu .
Il
ECXYJ -
ECECXI B) Y ] = ECXY ) -
ECECXYIB ] = ECXY ] -
ECXY ] = 0
pr
L Y B- mes J
REMARQUE :
C- ( Mntkltn ] : ECEC
-
Mntultntk t ] -
1Fr ] ( C CB ,
ECECXIBJIC ] : ECXIC ] pas .
)
×
M
C- (M
ntk -
t ntk -
t / Fn ) = . . . . . = C- [ Mntnlfn ] = Mn pas .
8 CHAPTER 1. MARTINGALES
On donne maintenant une preuve directe du théorème de Doob n’utilisant pas la notion de
transformation pour le processus stochastique (Mn )n 0 .
n
X1
Mn^T = Mk 1(T n 1) + Mn 1(n T)
k=0
ce qui implique
n
X
|Mn^T | = Mk
k=0
2) Comme pour tout k 2 {0, ..., n}, la variable aléatoire Mk est Fk –mesurable et Fk ⇢ Fn ,
pour tout k 2 {0, ..., n}, la variable aléatoire Mk est Fn —mesurable. De plus, comme T
est un (Fn )n 0 temps d’arrêt, (T n 1) 2 Fn 1 ⇢ Fn ce qui implique que les variables
aléatoires 1(T n 1) et 1(nT ) = 1(T n 1)c sont F n–mesurables. Ainsi, en tenant compte
de l’expression de Mn^T obtenue ci–dessus, on en déduit que pour tout n 0, la variable
aléatoire Mn^T est Fn –mesurable.
3) Pour tout n 0, on a
" n
#
⇥ ⇤ X
E M(n+1)^T /Fn = E Mk 1(T =k) + Mn+1 1(T n)c /Fn p.s.
k=0
n
X
= Mk 1(T =k) + E [Mn+1 /Fn ] 1(T n)c p.s.
k=0
d’après les propriétés de l’espérance conditionnelle car pour tout k 2 {0, ..., n}, la variable
aléatoire la variable aléatoire Mk est Fk –mesurable et par conséquent Fn –mesurable et,
comme T est un (Fn )n 0 temps d’arrêt, (T n) 2 Fn et pour tout k 2 {0, ..., n}, (T =
k) 2 Fk ⇢ Fn ce qui implique que les variables aléatoires 1(T n)c et 1(T =k) , k 2 {0, ..., n},
sont Fn –mesurables.
Donc, comme (Mn )n 0 est une (Fn )n 0 martingale, on en déduit que pour tout n 0,
n
X
⇥ ⇤
E M(n+1)^T /Fn = Mk 1(T =k) + Mn 1(T n)c p.s.
k=0
Xn
= Mn^T 1(T =k) + Mn^T 1(T n)c p.s.
k=0
= Mn^T p.s.
d’où le résultat.
2
Théorème 1.4.1 (Théorème d’arrêt de Doob) Si (Mn )n 0 est une (Fn )n 0 martingale
et S et T sont deux (Fn )n 0 temps d’arrêt bornés tels que S T alors, les variables
aléatoires MS et MT sont intégrables et
Preuve Soit k 2 IN tel que T k. Alors, les variables aléatoires |MS | et |MT | sont majorées
k
X
par la variable aléatoire intégrable |Mi | et par conséquent, les variables aléatoires MS et
i=0
MT sont intégrables.
E (Mk 1A ) = E (MS 1A ) .
k
X k
X
E (MS 1A ) = E MS 1A 1(S=j) = E MS 1A\(S=j) .
j=0 j=0
De plus, comme (Mn )n 0 est une (Fn )n 0 martingale, pour tout j 2 {0, ..., k}, on a
E Mj 1A\(S=j) = E Mk 1A\(S=j)
E (MS 1A ) = E (Mk 1A ) ,
d’où le résultat.
2
THEOREME 141 : PREUVE
-
exe )ËM :O
Ëol M¥1
"
IMH E ( même
¥1 Meller le
"
.
e)
Et =D MTEL chose pour Mg )
C- ( Ms la ] = C- ( Ms Ma 1) = E [ Ë Ms 11A 1cg = e)
=
Ëz ( Ms 11A --
Mcs : e)
) = E
l :O
E
[ Me Marcs : e)
]
un _
A E Fs A nos :L ) C Fe .
De plus ( Mlnxo est une (Fn ) nxo martingale ECMKIFEJ = Me ps .
( le K ) il VBEFP ECMK 1ps ] : E [ Me 1ps ]
=D C- (
Mp 1) arcs ] = ECMK Alanis :c) ]
-
e)
( B Ans :L )
_
ECMS Ma ] :
EÊECMK Nan cs > es
] : E ( ÈOMK Mans :c ,
] :
ECMKË Malles > e ,
] : ECMK 11A Èo (
-
s :L ) ) = ECMK 11A ] VA Ets
= 1
donc ECMKIFSJ Mg :
ps .
( Mnlnxo est une (Fnlnxo martingale T est un (Fn ) nxo temps d' arrêt ,
Th de Doob ( Mnm ) est une (Fn ) nxo martingale
,
On applique ECMKIFSJ :
Mg ps .
à la martingale ( Mn r t )
E ( Mknt Ifs ] =
Mgnt = Ms p -
s .
5. T ( Fn ) nxo temps d' arrêts bornées =D 51T et SVT sont des ( Fn ) no temps d' arrêts bornés tq snt d SVT
THÉORÈME d' arrêt de Dodo avec les temps d' arrêts bornés 5 et SVT à la martingale (M nm ) nxo ( THÉORÈME de Doob )
EC
Mps at) r t Its ] :
Mgmt PS . donc ECMT Its ] =
Msn ps donc El ECXIFTI Its] = ECX ffsnt ] p -
s .
- -
MT
= ECMK ]
Pareil avec 0 AT
2) IMTI = Mttt MÉ Et MT = MÎ -
MÉ =D
IMTI : Mt t 2MF =D E ( IMTI ) : E ( Mt] +2 ECMF ]
-
^
t C- CMD
martingale _
'
x → x est concave
martingale .
On applique le théorème d' arrêt de Dodo à la (Fn ) nxo sous -
martingale ( Mritnxo et au
Une des conséquences du théorème d’arrêt de Doob est le résultat très utile suivant.
Corollaire 1.4.3 Si (Mn )n 0 est une (Fn )n 0 martingale et T est un (Fn )n 0 temps
d’arrêt borné on a E(MT ) = E(M0 ).
Preuve Par application du théorème d’arrêt de Doob aux (Fn )n 0 temps d’arrêts bornés 0
et T , on déduit que
ce qui implique
Corollaire 1.4.4 Pour toute variable aléatoire intégrable X et tous (Fn )n 0 temps d’arrêts
bornés S et T , on a
Preuve S et T étant des (Fn )n 0 temps d’arrêts bornés, S _T est un (Fn )n 0 temps d’arrêt
borné. Donc, par application du théorème d’arrêt de Doob aux temps d’arrêts bornés S et
S _ T , on a
D’autre part, comme d’après le théorème de Doob, le processus arrêté (Mn^T )n 0 est une
(Fn )n 0 martingale, on déduit de l’égalité précédente que
⇥ ⇤
E M(S_T )^T /FS = MS^T p.s.
ce qui implique
et ainsi,
Preuve 1) Ce résultat est immédiat par application du théorème d’arrêt de Doob aux temps
d’arrêts bornés 0, T et k.
2) En remarquant que
E (|MT |) = E (MT ) + 2E MT
on déduit de 1.,
E (|MT |) E(M0 ) + 2E MT .
D’autre part, le processus stochastique (Mn )n 0 étant une (Fn )n 0 sur–martingale on déduit
du corollaire 1.3.10 que le processus stochastique (Mn )n 0 est une (Fn )n 0 sous–martingale
et, par application du théorème d’arrêt de Doob,
E MT E Mk .
Par conséquent,
X n = M n + An .
Preuve Le processus stochastique (Xn )n 0 étant une (Fn )n 0 sous–martingale, il est immédiat
que le processus stochastique (An )n 0 défini pour tout n 1 par
X
An = A0 + E [Xk Xk 1 /Fk 1 ]
1kn
où A0 est une variable aléatoire intégrable et F0 –mesurable est un processus stochastique
croissant intégrable et (Fn )n 0 prévisible.
Mn = X n An
En e↵et, (Mn )n 0 est un processus stochastique intégrable et (Fn )n 0 adapté tel que, pour
tout n 0,
On pose tt n71
,
An : Aot
ÇÎECXK -
Xu -
t Fr.-1 ] avec Ao E L
'
( 1 FP ) ,
et Ao Fo -
mesurables
A- n = Ao
A
t
Ê ,
C- ( XK -
XK -
, 1Fr -
r ] c- L
"
Ants : Ant E [ Xntn -
Xn Fn ]
Lr
Mln
Ok E nm ) Fn) -
Ao est Fo -
mesurable . Supposons An est Fn -
i mes .
Ants = An t E [ Xnts -
Xn ptn ) ps =D
An , est Fn -
mesurable .
Fn Fn -
mesurable
-
i mes
Fn -
,
( Fn Fn -
mes
On pose Ando ,
Mn = Xn An -
.
On montre que ( Mn ) nxo est une ( Fn ) nxo martingale
2)
'
1) Mn = Xn -
An C- l Mn : Xn -
An Mn est Fn -
mesurable .
n n
Lr
l '
Fn -
mes Fn -
,
-
mes
( hypothèse ) Fn -
t CFN Fn mes
-
pas
t'
3) EC Mnt ptn] = ECXNH -
Anti ( Fn) = C- [ Xn» 1Fr] -
C- [ Anti ptn) ps = ECXNHIFN ] -
Ants
ps : ECXNH ptn] -
( Ant C- [Xnt ,
-
Xnl Fn ]) ps
Fn -
mes
Anti
= E. [ Xntnffn ] -
An -
Ecxntnlfn ] t ECXNIFN] = -
Ant Xn ps = Mn ps .
Fn -
mes donc = Xn
M' n t Al
'
Xn : Mn + An = An Ao : = cote .
( Ain
'
On a donc Mn -
Min = A- n
-
An -
An) mo martingale EC Àntr -
Anti ( Fn ] = A- n' -
An ( A- n' -
An
) suite est donc Àn An : Ào
- -
Ao :O
n"
-
T f T
q
martingale
'
-
prévisible Anti -
A- n
-
martingale prévisible
trio An : A-
'
n Amo Mn = M'n
•
1710212021
martingale .
1) Xnnt = Xn 11 ( net) +
Xtlftcn) = Xml )
( net )
+
¥ XK
1) ( t.us
= ( Mnt An ) 1f ( net ) t
¥ ( Mut AK) 1) ( tu ,
= Mn
11cm # +
ÎËMK 1pct" , + An
11 ( net )
+
ÊÏAK 11pm
Avec ( Mnntlmio est une (Fn ) nxo
martingale (Th de Dodo )
2) A- ont =
Ao = 0 ( CONVENTION ) ; 3) ( Anrt) processus T : n 1T E ( nt1 ) 1T ,
( AK ) Kxo t Anne Acntnrt
4) C- ( tant D= El Antlcnçt) t ÊÏ Au
1kt " ,
] = E [ An 1)
-
( n« It ÊÎECAK Nan ] -
,
E Ê C- [ Au]
n
C ta
ÇA f AK q
ÊÏ
n
5) Anrt =
Ann 11 ( net )
t Au 11 ( t.pe )
Fn -
t
-
mes . somme finie
,
Au intégrable
- n ← Fu - mesurable
M Kfr-1 Fn -
r -
mes
C
Fn -
t
-
mes ( TEM 1) -
E Fn -
i FK -
t
-
mesurable
( prévisible ) - K -1 En -1 Fn , -
mesurable
Fn - i mesurable
DEFINITION :
Jensen
?
(
'
( Mn) nxo de carré intégrable Mn ) mo est une ( Fnlnxo sous martingale .
Doob Meyer -
: Mn = mor t
.
+ An
< Mtn
?
X-D X CONVEXE
Le processus ( Mri -
< mtn ) mo est une (Fn ) mo -
martingale
?
Th de décomposition de Dodo -
[ Mnt Fn)
?
=
-
= = -
pr t'
Fn mesurable
-
Fn -
mesurable
Mnt [ Mnt
-
ptn]
= Mn car martingale
=
E [ Nuit Fn] t C- GM >
nn
ptn] -
Nn - ( Mtn = L Mn + ^
) -
CM > n
=
Nn car mort .
Fn -
mes .
car
prévisible
12 CHAPTER 1. MARTINGALES
De plus, si A0 est donné dans IR et si (An )n 0 et (A0n )n 0 sont deux processus stochastiques
croissants, intégrables et (Fn )n 0 prévisibles qui satisfont le théorème alors, le processus
stochastique (An A0n )n 0 est une (Fn )n 0 martingale qui est (Fn )n 0 prévisible et par
conséquent constante égale à 0, ce qui implique l’unicité de la décomposition.
2
Convention Par la suite, on supposera toujours que le processus stochastique croissant
(Fn )n 0 prévisible (An )n 0 de la décomposition de Doob–Meyer est tel que A0 = 0 ce qui
implique l’unicité de la décomposition.
Si (Mn )n 0 est une (Fn )n 0 martingale de L2 , on déduit du corollaire 1.3.9 que le processus
stochastique Mn2 n 0 est une (Fn )n 0 sous–martingale pour laquelle on peut appliquer le
théorème de décomposition de Doob–Meyer.
Définition 1.5.2 Si (Mn )n 0 est une (Fn )n 0 martingale de L2 , on note (< M >n )n 0 , et
on appelle processus de variations quadratique associé à la (Fn )n 0 martingale (Mn )n 0 , le
processus stochastique croissant (Fn )n 0 prévisible obtenu dans la décomposition de Doob–
Meyer de la (Fn )n 0 sous–martingale Mn2 n 0 .
Proposition 1.5.3 Si (Mn )n 0 est une (Fn )n 0 martingale de L2 alors, pour tout n 0,
on a
⇥ ⇤
E (Mn+1 Mn )2 /Fn =< M >n+1 < M >n p.s. avec ( M 70=0
X n = M n + An
Définition 1.5.5 On appelle potentiel toute (Fn )n 0 sur–martingale positive (Xn )n 0 telle
que lim E(Xn ) = 0.
n!+1
Remarque 1.5.6 Du lemme de Fatou, on déduit que si (Xn )n 0 est un potentiel alors,
lim Xn = 0 presque sûrement.
n!+1
1.5. THÉORÈMES DE DÉCOMPOSITION 13
X n = Mn + Z n
Par conséquent, pour tout n 0, la suite de variables aléatoires positives (E [Xn+m /Fn ])m 0
est presque sûrement décroissante et par conséquent, admet une limite presque sûre notée
Mn .
où la variable aléatoire Xn est intégrable, on déduit des inégalités précédentes que la variable
aléatoire Mn est intégrable.
Donc, le processus stochastique (Mn )n 0 est une (Fn )n 0 martingale et la suite de vari-
ables aléatoires (Zn )n 0 définie, pour tout n 0, par Zn = Xn Mn est une (Fn )n 0
sur–martingale positive.
et par conséquent, lim E(Zn ) = 0 ce qui montre que (Zn )n 0 est un potentiel.
n!+1
Soient (Mn )n 0 et (Mn0 )n 0 deux (Fn )n 0 martingales et (Zn )n 0 et (Zn0 )n 0 deux po-
tentiels tels que, pour tout n 0,
X n = Mn + Z n
= Mn0 + Zn0 .
Mn Mn0 = Zn0 Zn
D’autre part, comme (Mn Mn0 )n 0 est une (Fn )n 0 martingale, on déduit de la proposition
1.3.8 que (|Mn Mn0 |)n 0 est une (Fn )n 0 sous–martingale, et par conséquent,
c’est à dire que (Hn )n 0 est une (Fn )n 0 sous–martingale minorant la sur–martingale
(Xn )n 0 .
2
ÇXN
THÉORÈME 161 : INÉGALITÉ MAXIMALE DE DOOB : PREUVE
n 7,0 ( F- n ) = M ( Xv . Ca ) M ( Xn ) a) , E Fn
K :O
M
A
FK ( Fn Fn
Ken
On applique le THÉORÈME d' arrêt de Dodo aux ( Fn) Kxo temps d' arrêts bornés n et Trn
E (X + nn ] EECXN ] ; Xtrn =
XT 11 ( ten )
+ ×
n 11pct )
E ( XT 11 +
Xn 1) (t
) f ECXN ] ; E ( Xt 11 ( t.cn#ECXn1lcnet , ] E E ( Xn ]
( t.cn ) > n ,
fa
] PCTEN )
fa ECM a
-
ctçn ) .
a PCTEN ) E E ( Xnt -
ECXN 11 ( n o , ]
-
- C- [ Xnlt -11cm # D
-
donc
aP(§¥fn XK 70Kf (
Xnllcoççpnxuxa )
]
1) en > it )