Chapitre 2 - Martingales

Chapter 1
MARTINGALES
Soit (⌦, F, P ) un espace probabilisé complet fixé sur lequel seront définis tous les éléments
aléatoires considérés dans ce chapitre.
1.1 Processus stochastique; Filtration; Temps d’arrêt

1.1.1 Processus stochastique
Définition 1.1.1 On appelle processus stochastique, à valeurs dans IRd , défini sur (⌦, F)
toute suite (Xn )n 0 de variables aléatoires réelles, à valeurs dans IRd , définies sur l’espace
probabilisable (⌦, F).
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
si on obtient ”pile” au n–ième lancer et
Sn = Sn 1 1
si on obtient ”face” au n–ième lancer.
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
Terminologie Pour tout ! 2 ⌦, l’application
IN ! IR
n 7 ! Xn (!)
est appelée trajectoire du processus stochastique (Xn )n 0 associée à l’aléa ! 2 ⌦.
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
Filtration suite A de sous -
tribus de F
Fou : T ( Fn nao )
,
( Xnlnxo processus statique ( Fn ) nxo filtration
( Xn ) mo est ( Fn ) nxo adapté ssi En 70

,
Xn est Fn -
mesurable
Xn va ⇐ Xn est F- mesurable
adapté ⇐ Xn est Fn -
mesurable Fn CF
( Xnlnxo processus stochastique
CFNTÎ
"
( Fn ) nxo
" "
trio Fn = TCXK ,
0f Ken ) ,
Fn
Xn est FÂ -
mesurable
T
Tlxo , _
,
Xn )
( Xn ) MXO ( Xtttxo ( Xnlnxo est ( Fnlnxo prévisible SSI

, ,
TEIRT
1) Xo est Fo -
mesurable
2) Anar Xn est Fn r
-
-
mes .
DEMONSTRATION PROPOSITION 117
Un 70 (V# X )n est Fn -
mes .
( V # Xlo = Vo Fo Fo -
mes
pr q
Fo -
mes
Supposons que ( V# X ) nn est Fn ,

-
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
FnX = (X0 , ..., Xn ), (1.1)

le processus stochastique (Xn )n 0 est FnX n 0
adapté.
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,
(V ? X)n = (V ? X)n 1 + Vn (Xn Xn 1)
appelé transformée du processus stochastique (Xn )n 0 par le processus stochastique (Vn )n 0

est (Fn )n 0 adapté.
Preuve La preuve de ce résultat est laissée en exercice au lecteur.

2
Remarque 1.1.8 (cf. Meyer [?]) Le processus stochastique

Z ((V ? X)n )n 0 défini ci–dessus
est la version discrète de l’intégrale stochastique V dX.
⌦
1.2 Temps d’arrêt

Introduisons maintenant la notion de temps d’arrêt associé à une filtration de la tribu F.
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 .
Preuve Ce résultat est immédiat en remarquant que pour tout n 2 IN,

n
[
(T  n) = (T = k)
k=0
et pour tout n 2 IN? ,
(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.
En e↵et, si k 2 IN et T désigne la variable aléatoire constante égale à k, pour tout n 2 IN,

on a
8
< ; si n 6= k
(T = n) =
:
⌦ si n = k
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 .
La variable aléatoire T , à valeurs dans IN, définie, pour tout ! 2 ⌦, par

8
< inf{n 2 IN / Xn (!) 2 B} si {n 2 IN / Xn (!) 2 B} = 6 ;
T (!) =
:
+1 sinon
est un (Fn )n 0 temps d’arrêt.
En e↵et, pour tout n 0, on a

n\1
(T = n) = (Xn 2 B) \ (Xk 2
/ B) 2 Fn .
k=0
2
Convention Dans toute la suite, on notera
T = inf{n 2 IN / Xn 2 B}
avec la convention inf ; = +1.
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.
Preuve On obtient aisément le résultat en remarquant que pour tout n 2 IN,
(S ^ T  n) = (S  n) [ (T  n) 2 Fn .
2
TEMPS D' ARRET
( Fn ) nxo filtration T: r → NT est un ( Fn ) mo temps d' arrêts ssi tn 70 ( T.cn/EFn
PROPOSITION 122 : PREUVE
⇐ ( 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
PROPOSITION 123 i. PREUVE
Ê ( Fn ) nxo temps d' arrêts ( 91T .cn ) = ( sen ) UC Ten ) E Fn

n n
( 51T Cn ) E Fn ( AEF ) Fn Fn
( 51T : m ) C- Fn ( prop 122.1 ( 51T > n ) = ( ( 5- nlnctxn ) ) U ( ( F- mn ( 57in ) )
T va à valeurs dans tn : IN Uhtoo } ,

T est un temps d' ARRET si
tn 70 ,
( Tfn ) C- Fn ou Un " O ( Fn ) E Fn ou tenace ( TX n ) C- Fn .
r 7
PREUVE en theorie de mesure :
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
Un 70 Ann ( Fn) C- Fn UCAK nltn ) ) C- Fn ( UAKIMCEN ) C- Fn .
KYO KYO
PROPOSITION 127 : PREUVE
•
X est f- mesurable ⇐ ABE BUR ) ,
( X E B) Et ⇐ HBEBCIR ) Ando ,
CXEB ) M ( Ten ) C- Fn .
(X ft -
mes ) ⇐ ( Fn , Xlltçn est Fn -

mes ) .
BE BCIR )
,
( X
1) ctçn ,
C- B) :( Xtlctçn :O) Ufxllctçn ,
EBKOI ) : ( X Mtn # d' Ulxtlctçn) EBILOI )
( ( x # OIMLTENYUCCXE B) Alten ) )
-
D A finir
Proposition 1.2.4 Pour tout (Fn )n 0 temps d’arrêt T , le processus stochastique 1(nT ) n 0
est (Fn )n 0 prévisible.
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 } .
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,
X1(T n) 2 B = (X 2 B) \ (T  n).

2
Proposition 1.2.8 Soient (Xn )n 0 un processus stochastique (Fn )n 0 adapté et T un (Fn )n 0
temps d’arrêt fini. Alors, la variable aléatoire XT définie pour tout ! 2 ⌦ par
T la Rd ruplrd
: r pr → IN
.
ma Xn : XT (!) = XT (!) (!) Xt :
w nos Tlw ) / w nos Xnlw ) wrssxtcwslw )

est FT –mesurable.
Preuve Ce résultat se déduit de la proposition précédente en remarquant que pour tout
n 0,
n
X
XT 1(T n) = Xk 1(T =k)
k=0
est une variable aléatoire Fn –mesurable.

2
Définissons maintenant la notion de processus stochastique arrété par le résultat suivant.
Définition–Proposition 1.2.9 Soient (Xn )n 0 un processus stochastique (Fn )n 0 adapté
et T un (Fn )n 0 temps d’arrêt. Alors, le processus stochastique déduit de (Xn )n 0 par arrêt
au temps T , noté (Xn^T )n 0 , défini pour tout ! 2 ⌦ par
8
< Xn (!) si n  T (!)
Xn^T (!) = Xn^T (!) (!) =
:
XT (!) (!) si T (!)  n
est (Fn )n 0 adapté.
Proposition 128 :
Xp Est ft -
mesurable :
Mq TTBEIRD ,
LXTE B) C- Ft ?
Ando , CXTE B) ACTINIE Fn I r

-
r
( XNEBIM ( F- n )
→
(Xn ) est Fn adapté : fr70 Xn est Fn -
mes ABE Md ( XNEB ) C- Fn .
→ T Est un (Fn ) mo temps d' arrêt : Ando ( Fn ) C- Fn
DEFINITION -
Proposition 129
(Xnlmco processus ( Fn ) nxo adapté ,

T un ( Fn ) nxo temps d' arrêt
Xn : r → IRD Xnnt : 1 → IRD

Xnlw ) si ns TCW )
Réécriture
w
de
M Xnlw )
Xnntcw , tw ) 1) (
W M Xnntlwslw ) =
{ Xp ,w ,
lwlsitlw.tn
ns.tcwytXTIwslw?1llTlwICn)=Xnlw)1IcnLtcw))tXTcwslw)1ICTcwIEn
= Xnlw )
( Xn ) v. attnlnxo adaptée : MQ TTBEBURD ) ( Xnn ,

EB ) C- Fn
,
( 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
Preuve Pour tous n 0 et B 2 BIRd , on a

(Xn^T 2 B) = (Xn^T 2 B) \ ((T  n) [ (T n + 1))
n
!
[
= (Xn^T 2 B) \ (T = k) [ ((Xn 2 B) \ (T  n)c )
k=0
n
[
= ((Xk 2 B) \ (T = k)) [ ((Xn 2 B) \ (T  n)c )
k=0
et on conclut en remarquant que pour tout k 2 {0, ..., n}, (Xk 2 B) 2 Fk ⇢ Fn et (T =

k) 2 Fk ⇢ Fn et que (Xn 2 B) 2 Fn et (T  n) 2 Fn .
2
Remarque 1.2.10 Le processus stochastique arrêté (Xn^T )n 0 est la transformation du
processus stochastique (Xn )n 0 par le processus stochastique (Fn )n 0 prévisible 1(nT ) n 0 .

n
X
Xn^T = Xk 1(T =k) + Xn 1(n+1T ) .
k=0
De plus, si pour tout n 0, la variable aléatoire Xn est intégrable alors, la variable aléatoire
Xn^T est intégrable.
1.3 Martingales : Définition et propriétés élémentaires

Dans ce paragraphe, nous introduisons les notions de martingale, sous–martingale et sur–
martingale. Seule la définition d’une martingale peut–être étendue aux processus stochas-
tiques multidimensionnels.
Définition 1.3.1 Un processus stochastique (Mn )n 0 est une (Fn )n 0 martingale (resp.
sur–martingale, sous–martingale) si, et seulement si,
1. Pour tout n 0, la variable aléatoire Mn est intégrable, ( Arno , Mnt l' Crif ,
P ) )
2. pour tout n 0, la variable aléatoire Mn est Fn –mesurable,(( Mn ) mo est ( Fn ) mo adaptée )
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
E [Mn+k /Fn ] = E [E [Mn+k /Fn+k 1 ] /Fn ] p.s.

= E [Mn+k 1 /Fn ] p.s.
et par récurrence, on en déduit que
E [Mn+k /Fn ] = Mn p.s.

2) Un processus stochastique (Mn )n 0 est une (Fn )n 0 sous–martingale si, et seulement si,
le processus stochastique ( Mn )n 0 est une (Fn )n 0 sur–martingale.
3. MARTINGALES :
( Mn) nxo processus stochastique ( Fnlnxo filtration
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 :
.
L' Ensemble ( Fn ) mo martingales est un IR -
eu .
( PROPOSITION 1. 3. 6)
°
Si ( Mn) est une sous -
martingale ,
alors f- Mnlnxo est une sur -
martingale ( )
PROPOSITION 1.38
( Mnlnxo une ( Fn ) mo martingale ll fonction borélienne tq trio , U ( Mn ) E L

'
( UC Mn ) ) nxo est une ( Fn ) nxo sous -
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 martingale à valeurs réelle tg tlm, 0

,
Mn E L' Crf , P )
( Mn )
'
mo est une ( Fn) mo sous -
martingale ( Proposition 138 avec Q (x ) : x

'
)
PROPOSITION 1311
( Mn ) mo est une ( Fn ) mo martingale ,

( Un ) est ( Fn ) nxo prévisible
(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
3) ECCV # Mlntrltn ] : EELV # Mlntvntt ( Mntn -

Mn ) I Fn ] pis ( définition )
= ECLV # M ) nlfn] + Ecvntrlmntr -
Mn ) Fn]
-
in
Fn -
mes
Fn -
mes CV prévisible )
= ( V * Mtn
Vnt 1 E [ Mntn Mnlfn] -
ps : Vntn ECM ntr ptn] ECMNI Fn ] -

= 0
-
Mn = Mn car Mn est Fn -
mes
car martingale
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.
2) Si X une variable aléatoire intégrable alors, le processus stochastique (Mn )n 0 défini

pour tout n 0 par
Mn = E [X/Fn ]
est une (Fn )n 0 martingale.

2
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 ).
Preuve Pour tout n 0, on a
Mn = E [Mn+1 /Fn ] p.s.
ce qui implique
E(Mn ) = E (E [Mn+1 /Fn ])

= E(Mn+1 )
et ainsi, la suite (E(Mn ))n 0 est constante égale à E(M0 ).

2
Un raisonnement similaire permet aisément de montrer le résultat suivant.
Proposition 1.3.5 Si (Mn )n 0 est une (Fn )n 0 sous–martingale (resp. sur–martingale)

alors, la suite (E(Mn ))n 0 est croissante (resp. décroissante).
Proposition 1.3.6 L’ensemble des (Fn )n 0 martingales est un IR espace vectoriel.
Preuve La preuve de cette proposition est laissée en exercice au lecteur.

2
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.
Preuve La preuve de cette proposition est laissée en exercice au lecteur.

2
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.
D’autre part, pour tout n 0, on a
Mn = E [Mn+1 /Fn ] p.s.
et, comme la fonction ' est convexe, on déduit de l’inégalité de Jensen que
'(Mn ) = ' (E [Mn+1 /Fn ])  E ['(Mn+1 )/Fn ] p.s.
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
E [(V ? M )n+1 (V ? M )n /Fn ] = E [Vn+1 (Mn+1 Mn )/Fn ] p.s.
et, comme la variable aléatoire Vn+1 est Fn mesurable,
E [(V ? M )n+1 (V ? M )n /Fn ] = Vn+1 E [Mn+1 Mn /Fn ] p.s.
Donc, comme le processus stochastique (Mn )n 0 est une (Fn )n 0 martingale, on obtient
E [(V.M )n+1 (V.M )n /Fn ] = 0 p.s.
et par conséquent, le processus stochastique ((V ? M )n )n 0 est une (Fn )n 0 martingale.

2
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.
Par application de la remarque 1.2.10 et de la proposition précédente, on déduit le résultat

suivant.
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.
Remarque 1.3.14 Ce résultat se prolonge immédiatement aux sur–martingales et aux sous–

martingales.
( d. F. D) espace probabilisée complet ( Xn) nxo un
processus stochastique à valeurs dans Rd ( Fn ) nxo une filtration det .
, ,
AE IRD INI
T s : →
{ inffnhotqxnlwt.ci } dnxotqxnlwt.at inftnixotq

w tttlw ) : si # 0 T = Xn = a }
+ . sinon
T est un ( Fn ) mo temps d' arrêt ssi Anya ( TEN ) E Fn .

Il suffit ce montrer que ttmio , CE n ) E Fn .
{
Xnnt : r → IRA tuer , Xm , lwt = Xnlwl si n ETCW )
w M Xnrtlw ) Xp , w , si Tlw ) En
! NE pas écrire C- [ Xnr ] ,

=
{ ECXN] si net ( W )
Ecxtcw , ] si tlw.cn FAUX : réécrire avec une CL d' indicatrices
Xnrt (W) =
Xnlwl 11 ( nçtcw ) )
+
XTCW ) MCTLWILN)
Si ( Xn ) est ( Fn ) nxo adapté ,

T est un (Fn ) nxo temps d' arrêt ( Xnrt ) mo
est ( Fnlnxo adapté .
THÉORÈME DE DOOB ( 1.3.13 )
Si ( Mn ) mo est une (Fn ) mo

martingale et T est un (Fn) nxo temps d' arrêt alors ( M ) est une (Fn) nxo martingale
mo
.
, na
Preuve :
1) VNIO M =
Mt 1pct.sn ) t Mnt Nb fini connu d' Étemt dans la somme
, nnt ct > n )
n -
t à
IMNNTIEIMT Actent tt Mn 11 et >n,

/ Fn " O 1M nul ( E IMKI t IMNI : E IMKIEL
"
contre Mr E L
'
K :O
- - K :O
Il f1 Mnllllctsnsl Et Mnt
n I I
MKMLEKIIÇ ÊOIMKI
-
1¥ , x1
2) tn " O
, Mnr ,
est Fn -
mesurable ( déja fait : Proposition 1.29 )
3) ? Ando ,
E [ Mlntyrtffn] =
Mnntps .
MIO E [ Mentent l Fn) : E [ Mt 1pct ( n+1 )

+ Mntt 1) et > n+1 ) ) Fn ] PS .
=
ECMT 11 I Fn] TE [Mntt 1pct > nn , 1Fr] pas par linéarité de l' E. C
ctcntr , .
'
MCTEN ) 1pct entre =

llctçnzc ( Ten ) Et ( Ten ) E Fn
11Eme est Fn -
mes .
= C- ( Mtlftçml Fn ] t
ECMNHIFN ] 1f# çnpc pas
-
= Mn ps car ( Mnlnxo est une (Fn ) mo martingale

Ken
= E [ ÊOMK Meme ) I Fn ] t Mn 11ft ) , nm ) Ps K C- { 0

,
- . -
,
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 .
MÊME démonstration si ( Mn ) nxo sous martingale ou sur martingale
t 7
E C. IB] projection orthogonale de L2 ( r ,F , P) dans l' ( r , BP )
1) ECXIB] est B- mesurable ( triviale )
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 :
Pour une martingale ,

on montre que V-n70.EC Mm Fn] = Mn ps tt Kal El Mntu ptn] = Mn ⇐ tt kan
,
ECMKIFN ) : Mn pas .
C- ( Mntkltn ] : ECEC
-
Mntultntk t ] -
1Fr ] ( C CB ,
ECECXIBJIC ] : ECXIC ] pas .
)
×
M
C- (M
ntk -
t ntk -
t / Fn ) = . . . . . = C- [ Mntnlfn ] = Mn pas .
On donne maintenant une preuve directe du théorème de Doob n’utilisant pas la notion de
transformation pour le processus stochastique (Mn )n 0 .
Preuve 1) Pour tout n 0, on a
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
et ainsi, la variable aléatoire Mn^T est intégrable.
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(nT ) = 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
1.4 Le Théorème d’arrêt

Nous allons maintenant établir le théorème d’arrêt pour des temps d’arrêts bornés. Ce
résultat sera ensuite étendu aux temps d’arrêts quelconques.
1.4. LE THÉORÈME D’ARRÊT 9
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
E [MT /FS ] = MS p.s.
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.
Montrons maintenant que presque sûrement, on a
E [Mk /FS ] = MS p.s.
c’est à dire, par définition de l’espérance conditionnelle que pour tout A 2 FS , on a
E (Mk 1A ) = E (MS 1A ) .
Comme ((S = j))0jk est un système complet d’événements, pour tout A 2 FS , on a
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 [Mk /Fj ] = mj p.s.
et, comme pour tout j 2 {0, ..., k}, A \ (S = j) 2 Fj , on a
E Mj 1A\(S=j) = E Mk 1A\(S=j)
pour tout j 2 {0, ..., k}.
Donc, pour tout A 2 FS ,

k
X
E (MS 1A ) = E Mk 1A\(S=j) = E (Mk 1A ) .
j=0
et, comme ((S = j))0jk est un système complet d’événements,
E (MS 1A ) = E (Mk 1A ) ,
d’où le résultat.
Par application de cette égalité à la (Fn )n 0 martingale (Mn^T )n 0 déduite de (Mn )n 0

par arrêt au temps T (théorème de Doob), on a
E [Mk^T /FS ] = MS^T p.s.
ce qui implique, comme S  T  k,
E [MT /FS ] = MS p.s.
2
THEOREME 141 : PREUVE
Soit KEIN tq 5 ETEK ,

alors IMTI EËIMKI , IMTKIMTMCTÇK ) tt 1Mt
1kt > K)
pr m
-
exe )ËM :O
ËMT 11ft :c)

=
Ëo Mellet -
_
e)
Ëol M¥1
"
IMH E ( même
¥1 Meller le
"
.
e)
Et =D MTEL chose pour Mg )
On montre que ECMKIFG ] = Mg ps .

TAE Fs ,
? El Mata ) : EC Ms la ] ? car Ms est Is -
mesurable
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)
]
Ëo Mes > e) car ls :L ) e :O . . . . .ie est

Me NAN
d' événements cs e)
système complet
-
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 .
Mr car CTEK ) Ms car SET
COROLLAIRE EC Mt ] EC Mg ] Th d' arrêt DOOD ECMTIFS ] ECE ( MT Its ]]

: = : de =
Mg ps . = ECMT -7 = ECMS ]
COROLLAIRE 144 : PREUVE
( 1Ff ) (Fnlmwmartingale ( martingale DOOB )

'
XE l on pose Ando Mn =
ECXIFN ] Mn est une de
, ,
.
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
COROLLAIRE 145 : PREUVE
1) Test (Fn ) temps d' arrêt borné K

un nxo
par
THÉORÈME D' ARRÊT DE DOOB : E [ Ma ftp.Mtp.s ECE ( Multi ] t ECMTI

-
= 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
( Mn) mo est une (Fn) mo sur -
martingale _
'
x → x est concave
JENSEN ( Mri ) nxo est une ( Fn ) nxo sous -
martingale .
On applique le théorème d' arrêt de Dodo à la (Fn ) nxo sous -
martingale ( Mritnxo et au
(Fn ) mo temps d' arrêts bornés T et K

,
E ( MIKE [ ME ]
Remarque 1.4.2 Ce résultat se prolonge immédiatement aux sur–martingales et aux sous–

martingales.
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
E [MT /F0 ] = M0 p.s.
ce qui implique
E (MT ) = E (E [MT /F0 ]) = E (M0 ) .
Corollaire 1.4.4 Pour toute variable aléatoire intégrable X et tous (Fn )n 0 temps d’arrêts
bornés S et T , on a
E [E [X/FT ] /FS ] = E [E [X/FS ] /FT ] = E [X/FS^T ] .
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
E [MS_T /FS ] = MS p.s.
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
E [MT /FS ] = MS^T p.s.
et ainsi,
E [E [X/FT ] /FS ] = E [X/FS^T ] p.s.
On conclut en échangeant les rôles des temps d’arrêts S et T .

2
Corollaire 1.4.5 Si (Mn )n 0 est une (Fn )n 0 sur–martingale et T un (Fn )n 0 temps

d’arrêt borné par k, on a
1. E(Mk )  E(MT )  E(M0 )
2. E (|MT |)  E(M0 ) + 2E Mk  3 sup E (|Mn |) .

0nk
1.5. THÉORÈMES DE DÉCOMPOSITION 11
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,
E (|MT |)  E(M0 ) + 2E Mk  3 sup E (|Mn |) .

0nk
1.5 Théorèmes de décomposition

Dans ce paragraphe, nous énonçons les théorèmes de décomposition de Doob–Meyer et de
Riesz. Le théorème de décomposition de Krickeberg sera établit dans le paragraphe 1.10.
Théorème 1.5.1 (Décomposition de Doob–Meyer) Soit (Xn )n 0 une (Fn )n 0 sous–

martingale. Alors, il existe une (Fn )n 0 martingale (Mn )n 0 et un processus stochastique
croissant intégrable et (Fn )n 0 prévisible (An )n 0 tel que pour tout n 0,
X n = M n + An .
De plus, cette décomposition est unique si A0 est donné dans IR.
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 ]
1kn
où A0 est une variable aléatoire intégrable et F0 –mesurable est un processus stochastique
croissant intégrable et (Fn )n 0 prévisible.
Par conséquent, si, pour tout n 0, on pose
Mn = X n An
alors, (Mn )n 0 est une (Fn )n 0 martingale qui satisfait le théorème.
En e↵et, (Mn )n 0 est un processus stochastique intégrable et (Fn )n 0 adapté tel que, pour
tout n 0,
E [Mn+1 /Fn ] = E [Xn+1 /Fn ] An+1 p.s.

= Mn p.s.
THEOREME 151 : PREUVE
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
( Xn ) mo est une ( Fn ) nxo sous -
martingale Xnf EC Xntn 1Fr ] ps . Of E [ Xntn ptn] -

Xn ps
Fn -
mesurable .
Ok E nm ) Fn) -
ECXN ptn] ps 0 SEC Xntr -
Xnlfn] pas Ants 7 An ps .

=
ECXNIFN ]
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
Supposons Ao donnée dans IR
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
COMPLÉMENTS SUR LE THÉORÈME DE DÉCOMPOSITION DE DOOB -

MEYER ( 151 )
REMARQUE SUR LA PROPOSITION 154 :
( Xn ) mo est une ( Fn ) nxo sous martingale ,

T est un (Fn) nxo temps d' arrêt .
Th de Dodo ( Xnntlnxo est une Fnlnxo sous -
martingale .
Proposition 154 : PREUVE

n -
t n -
t
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 :
Un processus ( Xn ) nxo est dit de carré intégrable ssitnxo.Xnelcr.F.pl
REMARQUE DE LA DEFINITION 152 :
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
PROPOSITION 153 : PREUVE :
?
Th de décomposition de Dodo -
Meyer Mn = Nn + ( Msn avec ( Nnlnxo est une ( Fn ) nxo martingale
[ Mnt Fn)
?
ECM ntr ptn]

'
[ ( Mnts Mn ) I Fn ] [ Mntr 1Fr ] [ Mntr 1Fr] [ Nn # t ptn ] ( Nn )
?
E E LE Mn TE Mn C- t t Msn
ps
- -
=
-
= = -
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
car An+1 est Fn –mesurable et, An+1 = An + E [Xn+1 /Fn ] Xn .
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.
Cette remarque permet de poser la définition suivante.
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
Preuve Ce résultat est immédiat en remarquant que pour tout n 0, on a

⇥ ⇤ ⇥ 2 ⇤
E (Mn+1 Mn )2 /Fn = E Mn+1 /Fn 2Mn E [Mn+1 /Fn ] + Mn2 p.s.
⇥ 2 ⇤
= E Mn+1 /Fn Mn2 p.s.
Proposition 1.5.4 Soient (Xn )n 0 une (Fn )n 0 sous–martingale et T un (Fn )n 0 temps

d’arrêt. Si la sous–martingale (Xn )n 0 admet une décomposition de Doob–Meyer de la
forme
X n = M n + An
alors, la (Fn )n 0 sous–martingale (Xn^T )n 0 déduite de (Xn )n 0 par arrêt au temps T

admet la décomposition de Doob–Meyer
Xn^T = Mn^T + An^T .

2
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
Théorème 1.5.7 (Décomposition de Riesz) Toute (Fn )n 0 sur–martingale positive (Xn )n 0

admet une unique décomposition de la forme
X n = Mn + Z n
où (Mn )n 0 est une (Fn )n 0 martingale et (Zn )n 0 est un potentiel.
De plus, (Mn )n 0 est la plus grande (Fn )n 0 sous–martingale minorant la sur–martingale

(Xn )n 0 .
Preuve Pour tous n, m 0, on a
E [Xn+m+1 /Fn+m ]  Xn+m p.s.
ce qui implique que
E [E [Xn+m+1 /Fn+m ] /Fn ]  E [Xn+m /Fn ] p.s.
et ainsi, d’après les propriétés de l’espérance conditionnelle,
E [Xn+m+1 /Fn ]  E [Xn+m /Fn ] p.s.
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 .
De plus, comme pour tout n, m 0, on a
E [Xn+m+1 /Fn ]  Xn p.s.
où la variable aléatoire Xn est intégrable, on déduit des inégalités précédentes que la variable
aléatoire Mn est intégrable.
Montrons maintenant que la suite de variables aléatoires intégrables et (Fn )n 0 adaptée

(Mn )n 0 satisfait l’égalité des martingales.
Mn = lim E [Xn+m+1 /Fn ] p.s.

m!+1
= lim E [E [Xn+m+1 /Fn+1 ] /Fn ] p.s.
m!+1
et, d’après le théorème de convergence monotone,


Mn = E lim E [Xn+m+1 /Fn+1 ] /Fn p.s.
m!+1
= E [Mn+1 /Fn ] p.s.
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.
De plus, pour tout n 0, on a
E(Zn ) = E(Xn ) E(Mn )

✓ ◆
= E(Xn ) E lim E [Xn+m /Fn ]
m!+1
et, par application du théorème de convergence monotone,
E(Zn ) = E(Xn ) lim E (E [Xn+m /Fn ])

m!+1
= E(Xn ) lim E(Xn+m )
m!+1
et par conséquent, lim E(Zn ) = 0 ce qui montre que (Zn )n 0 est un potentiel.
n!+1
Montrons maintenant l’unicité de cette décomposition.
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 .
Alors, pour tout n 0, on a
Mn Mn0 = Zn0 Zn
et par conséquent, comme (Zn )n 0 et (Zn0 )n 0 sont des potentiels,
lim E (Mn Mn0 ) = 0.

n!+1
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,
8n 0, E (|Mn Mn0 |)  lim E |Mn+m 0

Mn+m | = 0.
m!+1
Donc, pour tout n 0, on a Mn = Mn0 ce qui implique l’unicité de la décomposition.
Soit (Hn )n 0 une (Fn )n 0 sous–martingale minorant la sur–martingale (Xn )n 0.
Alors, pour tous n, m 0, on a
Hn  E [Hn+m /Fn ]  E [Xn+m /Fn ]
et, en passant à la limite lorsque m tend vers +1, on a
Hn  lim E [Xn+m /Fn ] = Mn , 8n 0

m!+1
c’est à dire que (Hn )n 0 est une (Fn )n 0 sous–martingale minorant la sur–martingale
(Xn )n 0 .
2
1.6 Inégalités fondamentales

Théorème 1.6.1 (Inégalité maximale de Doob) Soit (Xn )n 0 une (Fn )n 0 sous–martingale
positive. Alors, pour tout a > 0, on a
✓ ◆
1 ⇣ ⌘ 1
P sup Xk a  E Xn 1(sup X a )  E(Xn ).
0kn a 0kn k a
Et
ÇXN
THÉORÈME 161 : INÉGALITÉ MAXIMALE DE DOOB : PREUVE
On note F- Inf { j 70 IXJ Ya } ,

T est un (Fn ) nxo temps d' arrêt :
n -
n
n 7,0 ( F- n ) = M ( Xv . Ca ) M ( Xn ) a) , E Fn
K :O
M
A
FK ( Fn Fn
Ken
DE plus V-nxqlt.cn ) :( sup Xu > a) .

T est un (Fn ) 0 temps d' arrêt ¥0 Tr n est un (Fn ) Kxo temps d' arrêt borné ( Tr )
nen
OEKÇN
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 )

Chapitre 2 - Martingales

Transféré par

Informations du document

Titre original

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

Chapitre 2 - Martingales

Transféré par

Droits d'auteur :

Formats disponibles

Chapter 1

1.1 Processus stochastique; Filtration; Temps d’arrêt

si on obtient ”pile” au n–ième lancer et

si on obtient ”face” au n–ième lancer.

Terminologie Pour tout ! 2 ⌦, l’application

est appelée trajectoire du processus stochastique (Xn )n 0 associée à l’aléa ! 2 ⌦.

Filtration suite A de sous -

( Xnlnxo processus statique ( Fn ) nxo filtration

( Xn ) mo est ( Fn ) nxo adapté ssi En 70

( Xnlnxo processus stochastique

( Xn ) MXO ( Xtttxo ( Xnlnxo est ( Fnlnxo prévisible SSI

DEMONSTRATION PROPOSITION 117

Supposons que ( V# X ) nn est Fn ,

FnX = (X0 , ..., Xn ), (1.1)

(V ? X)n = (V ? X)n 1 + Vn (Xn Xn 1)

appelé transformée du processus stochastique (Xn )n 0 par le processus stochastique (Vn )n 0

Preuve La preuve de ce résultat est laissée en exercice au lecteur.

Remarque 1.1.8 (cf. Meyer [?]) Le processus stochastique

1.2 Temps d’arrêt

Preuve Ce résultat est immédiat en remarquant que pour tout n 2 IN,

et pour tout n 2 IN? ,

En e↵et, si k 2 IN et T désigne la variable aléatoire constante égale à k, pour tout n 2 IN,

La variable aléatoire T , à valeurs dans IN, définie, pour tout ! 2 ⌦, par

est un (Fn )n 0 temps d’arrêt.

En e↵et, pour tout n 0, on a

avec la convention inf ; = +1.

Preuve On obtient aisément le résultat en remarquant que pour tout n 2 IN,

( Fn ) nxo filtration T: r → NT est un ( Fn ) mo temps d' arrêts ssi tn 70 ( T.cn/EFn

PROPOSITION 122 : PREUVE

PROPOSITION 123 i. PREUVE

Ê ( Fn ) nxo temps d' arrêts ( 91T .cn ) = ( sen ) UC Ten ) E Fn

( 51T : m ) C- Fn ( prop 122.1 ( 51T > n ) = ( ( 5- nlnctxn ) ) U ( ( F- mn ( 57in ) )

T va à valeurs dans tn : IN Uhtoo } ,

PREUVE en theorie de mesure :

Un 70 Ann ( Fn) C- Fn UCAK nltn ) ) C- Fn ( UAKIMCEN ) C- Fn .

PROPOSITION 127 : PREUVE

mes ) ⇐ ( Fn , Xlltçn est Fn -

X1(T n) 2 B = (X 2 B) \ (T  n).

ma Xn : XT (!) = XT (!) (!) Xt :

w nos Tlw ) / w nos Xnlw ) wrssxtcwslw )

est une variable aléatoire Fn –mesurable.

Ando , CXTE B) ACTINIE Fn I r

mes ABE Md ( XNEB ) C- Fn .

→ T Est un (Fn ) mo temps d' arrêt : Ando ( Fn ) C- Fn

(Xnlmco processus ( Fn ) nxo adapté ,

Xn : r → IRD Xnnt : 1 → IRD

( Xn ) v. attnlnxo adaptée : MQ TTBEBURD ) ( Xnn ,

Preuve Pour tous n 0 et B 2 BIRd , on a

et on conclut en remarquant que pour tout k 2 {0, ..., n}, (Xk 2 B) 2 Fk ⇢ Fn et (T =

En e↵et, pour tout n 0, on a

1.3 Martingales : Définition et propriétés élémentaires

E [Mn+k /Fn ] = E [E [Mn+k /Fn+k 1 ] /Fn ] p.s.

E [Mn+k /Fn ] = Mn p.s.

( Mn) nxo processus stochastique ( Fnlnxo filtration

L' Ensemble ( Fn ) mo martingales est un IR -

Si ( Mn) est une sous -

( Mnlnxo une ( Fn ) mo martingale ll fonction borélienne tq trio , U ( Mn ) E L

( UC Mn ) ) nxo est une ( Fn ) nxo sous -

( Mn ) mo est une (Fn ) mo martingale à valeurs réelle tg tlm, 0

martingale ( Proposition 138 avec Q (x ) : x

( Mn ) mo est une ( Fn ) mo martingale ,

3) ECCV # Mlntrltn ] : EELV # Mlntvntt ( Mntn -

Vnt 1 E [ Mntn Mnlfn] -