Organisation de laviation civile internationale Conseil international
Définition des termes : Mouvements. Un mouvement consiste en l'atterrissage ou le décollage d'un aéronef ou d'un hélicoptère à un aéroport.
LÉTERNITÉ DU MOUVEMENT CHEZ IBN B???A (AVEMPACE
DE LA DÉFINITION GÉNÉRIQUE. À LA DÉFINITION NUMÉRIQUE. LE COMMENTAIRE AUX CHAPITRES 1. ET 2 DU LIVRE VIII DE LA PHYSIQUE? Introduction.
STATUTS DU MOUVEMENT INTERNATIONAL DE LA CROIX
Définition. 1. Le Mouvement international de la Croix-Rouge et du Croissant-Rouge1 (ci-après : le Mouvement) comprend les Sociétés nationales de la
1 Définition et premi`eres propriétés.
Nous renvoyons `a la définition 1.21 pour une définition plus large du mouvement brownien. Définition 1.3 Un processus de Poisson (Nt)t?0 de param`etre/
Politique et Sociétés - De lobjet de la définition à la définition de l
traite finalement la sociologie des mouvements sociaux ? Olivier Fillieule donner LA bonne définition de ce qu'il faut entendre par mouvement.
ScienceS et technologie Mouvement
représentations et dans leur niveau de langue leur propre définition d'un mouvement. Un travail préalable de recherche documentaire
Quelques théorèmes sur le mouvement des systèmes dynamiques
Parmi les mouvements cTun système dynamique il peut en exister certains ayant la propriété la définition suivante : un mouvement est dit positivement.
Mouvement Brownien Intégrale Stochastique
Mouvement brownien (MB): définition et construction. 2. Intégrale stochastique représentation des martingales et formule d'Itô.
Définition des mouvements sismiques au rocher
23 sept. 2014 L'objectif de cette th`ese vise `a améliorer la définition des vibrations (« mouvement sismique ») sur des sites « durs » (sédiments raides ou ...
Les mouvements sociaux : un terrain mouvant
Dans cet article les auteurs proposent une définition du mouvement social à partir de certaines de ses caractéristiques. Ils décrivent l'espace horizontal et
Universit´e Paris-Dauphine2009-2010
Cours de "Processus Continus Approfondis"Janvier 2010CHAPITRE 1 - LE MOUVEMENT BROWNIEN
Dans tout ce cours, le triplet (Ω,A,P) d´esigne un espace de probabilit´e, etEl"esp´erance associ´ee.
1 D´efinition et premi`eres propri´et´es.
1.1 D´efinition d"un processus de L´evy, d"un processus de Poisson et du mou-
vement Brownien.Cette section est consacr´ee `a la d´efinition d"un processus de L´evy g´en´eral, ainsi qu"`a celles du mouvement
Brownien et du processus de Poisson, vus comme cas particuliers de processus de L´evy. Il existe de nom-
breuses autres caract´erisations d"un mouvement Brownienet d"un processus de Poisson dont certaines seront
vues dans la suite du cours.D´efinition 1.1Un processus de L´evy est un processusX= (Xt)t?T`a valeurs dans un espace mesur´e(E,E)
tel que (a) il est `a accroissements ind´ependants (PAI); (b) il est `a accroissements stationnaires (PAS); (c) ses trajectoires sont continues `a droites et admettentdes limites `a gauche (c`adl`ag); (d)T= [0,∞),E=RdetX0= 0.On appelle "taux de transition (de L´evy)" d"un PAISX(i.e. un processusXv´erifiant (a) et (b)) la loi de
Xt-X0, on noteμt=PXt-X0. Celui-ci "caract´erise" un PAIS: on parlera ainsi d"un "PAIS de taux de
transition (μt)t?T".D´efinition 1.2Un mouvement brownien r´eel standard(Bt)t≥0est un processus de L´evy `a valeurs dansR
tel que (c") ses trajectoires sont continues; (e)Bt≂ N(0,t)pour toutt >0:μt(dx) =1 ⎷2πte-x22tdx. En particulier,E(Bt) = 0et var(Bt) =tpour
toutt≥0.Sauf pr´ecision expresse du contraire un "mouvement brownien" d´esignera un "mouvement brownien r´eel
standard". Nous renvoyons `a la d´efinition 1.21 pour une d´efinition plus large du mouvement brownien.
D´efinition 1.3Un processus de Poisson(Nt)t≥0de param`etre/intensit´eλ >0est un processus de L´evy `a
valeurs dansNtel que (e")μt≂ P(λt)pour toutt >0:P(Nt=n) =μt(n) =e-λt(λt)n n!.En particulier,E(Nt) =λtet var(Nt) = tpour toutt≥0.Voici maintenant quelques pr´ecisions concernant les notions utilis´ees dans la d´efinition 1.2.
1D´efinition 1.4 (na¨ıve d"un processus)Pour le moment, un processus est juste une familleX= (Xt)
index´ee part?Tde v.a. `a valeurs dans un espace mesurable d"´etats(E,E). On supposera dans ce cours
T=R+ouT= [0,T],T >0, (mais on pourrait prendreT=N,ZouR, et mˆemeT=Rddans le cas d"un processus de Poisson "spatial"). On supposera ´egalementE=Rd(mouvement Brownien) ouE=N (processus de Poisson). On a doncX:T×Ω→EavecXt: Ω→Emesurable pour toutt?T.D´efinition & Proposition 1.5Un processus stochatique(Xt)t?Test `a accroissements ind´ependants (PAI)
si ?t1< ... < tkXt1, Xt2-Xt1, ...,Xtk-Xtk-1sont ind´ependants,(1.1) ou, de mani`ere ´equivalente, siPreuve de l"´equivalence entre (1.1) et (1.2).D"apr`es le th´eor`eme de classes monotones, l"assertion (1.2) est
´equivalent `a
?t1< ... < tkXtk-Xtk-1est ind´ependant de la tribuσ{Xt1, Xt2, ..., Xtk-1}, ou formul´e plus explicitement E(f(Xtk-Xtk-1)g(Xt1, ..., Xtk-1)) =E(f(Xtk-Xtk-1))E(g(Xt1, ..., Xtk-1))pour toutes fonctions def,g?L0+. En introduisant la fonctionh(y1,...,yk-1) =g(y1,y1+y2,...,y1+...+yk-1)
on en d´eduit que (1.2) est ´equivalent `a E(f(Xtk-Xtk-1)h(Xt1, ..., Xtk-1-Xtk-2)) =E(f(Xtk-Xtk-1))E(h(Xt1, ..., Xtk-1-Xtk-2))pour toutes fonctions def,h?L0+. En utilisant la densit´e des fonctions tensoris´eesh(y1,...,yk-1) =
h1(y1)...hk-1(yk-1) (ou la densit´e des fonctions du typeeλ·Xou un argument de classe monotone ...) on
obtient que (1.2) est ´equivalent `apour toutes fonctionsf,h1,...,hk-1?L0+. En it´erant cette identit´e, on voit que cela est ´equivalent `a
ce qui est pr´ecis´emment (1.2).?? D´efinition 1.6Un processus stochatique(Xt)t?Test `a accroissements stationnaires (PAS) si ?t?T,?h >0la loi deXt+h-Xtne d´epend pas det.Plus pr´ecis´ement, il existe une famille(μh)de lois de probabilit´e surEtelle que pour toutt,h≥0et toute
fonctionφ?L0+on aE(φ(Xt+h-Xt)) =?
Eφ(y)μh(dy).
Remarque 1.7Attention, il ne faut pas confondre un processus stochatique(Xt)t?T`a accroissements stationnaires avec
- un "processus stationnaire", ce qui signifie que pour toutT,t1,...,tnla loi de(Xt1+T,...,Xtn+T)ne d´epend pas deT;
- un "processus stationnaire du second ordre", ce qui signifie queEX2t<∞pour toutt?Tet la fonction de covariance
K(t,s) :=E[(Xt-EXt)(Xs-EXs)]est (seulement) une fonction det-spour toutt,s?T. 2D´efinition 1.8Etant donn´e un processusX= (Xt)t?T, pour toutω?Ωfixe, la fonctionX(·,ω) :T→E,
t?→Xt(ω)est appell´ee une trajectoire deX(correspondant `a l"al´eaω).On dit qu"un processus stochatique(Xt)t?Test
- `a trajectoires continues si: ?ω?Ωl"applicationT→E, t?→Xt(ω)est continue, - `a trajectoires continues `a droite (c`ad) si: ?ω?Ω,?t?TXt(ω) = limε→0,ε>0Xt+ε(ω), - `a trajectoires admettant des limites `a gauches (l`ag) si: ?ω?Ω,?t?T,??t,ωlimε→0,ε<0Xt+ε(ω) =?t,ω.Comme cela ne porte pas `a ambigu¨ıt´e, on omettra souvent depr´eciser "`a trajectoires": on dira simplement
queXest un processus continu, c`ad, l`ag ou c`adl`ag.D´efinition 1.9On dit qu"un vecteur al´eatoireY`a valeurs dansRdsuit une loi gaussienne centr´ee et de
varianceσ >0, on noteY≂ N(0,σ), ou pour ˆetre plus pr´ecisY≂ N(0,σI), si PY(dy) =gσ(y)dy, gσ(y) :=e-|y|2
2σ (2πσ)d/2.Le but de ce chapitre est d"´etudier parall`element quelques propri´et´es du mouvement Brownien et des pro-
cessus `a accroissements stationnaires et ind´ependants `a trajectoires continues `a droite (PAISc`ad). Ceux-ci
forment une classe plus vaste puisqu"elle contient, entre autres, le mouvement Brownien, les processus de
Poisson (´etudi´es au chapitre 3) mais ´egalement les marches al´eatoires et les processus de L´evy. L"int´erˆet de
cette ´etude simulatann´ee est d"une part de bien faire ressortir dans les propri´et´es du mouvement brownien
ce qui est cons´equence de son caract`ere PAISc`ad et ce qui est cons´equence de son caract`ere plus sp´ecifique
"gaussien" et/ou "`a trajectoires continues", et d"autre part, de pouvoir utiliser les r´esultats obtenus ici lors
de l"´etude des processus de Poisson dans les prochains chapitres.1.2 Martingales remarquables et propri´et´es de Markov d"un PAISc`ad.
D´efinition 1.10On dit qu"un processus(Xt)t?Test sommable (ou int´egrable) siE(|Xt|)<∞pour tout
t?T, on noteX?L1. Dans la suite,tous les processus seront sommables, et on oubliera doncsouvent de le pr´eciser. On dit qu"un processus est centr´e siE(Xt) = 0pour toutt?T. On dit qu"un
processus(Xt)t?Test de carr´e sommable siE(|Xt|2)<∞pour toutt?T, on noteX?L2. Lemme 1.11SoitXun PAISc`ad de carr´e sommable. Alors il existeλ?Retσ≥0tels que ?t≥0E(Xt-X0) =λt,var(Xt-X0) =σt. Preuve du Lemme 1.11.En effet, montrons par exemple la premi`ere identit´e, et on peut supposer X0= 0 (sinon le translat´eXt-X0est encore un PAISc`ad). Pourt=p,q?N, on a
E(Xp) =E(Xp-Xp-1) +...+E(X1) =pE(X1), E(X1) =E(X1-X1-1/q) +...+E(X1/q) =q E(X1/q),d"o`u on d´eduitE(Xt) =tE(X1) pour toutt?Q+, puis pour toutt?R+par l"hypoth`ese de continuit´e `a
droite. De mˆeme, en posantYt=Xt-EXt, on a pour toutp?N, E(Y2p) =E((Yp-Yp-1)2) + 2E(Yp-Yp-1)E(Yp-1) +E((Yp-1)2) =E((Yp-Yp-1)2) +...+E((Y1)2) =pE((Y1)2), 3 et on conclut comme pr´ec´edemment.??Les martingales constituent une classe tr`es importante deprocessus car elles poss`edent des propri´et´es de
r´egularit´es locales (voir notamment la section consacr´ee aux "in´egalit´es maximales de Doob") et de com-
portement asymptotique (voir le cours de "processus discrets") tout `a fait remarquables, qui en font un outil
puissant.D´efinition 1.12SoitXun processus et(FXt)sa filtration canonique. Un processus stochatique(Mt)t?Test
uneFX-martingale si (Mtest sommable,FXt-mesurable/adapt´e et) ?t≥sE(Mt|FXs) =Ms. LorsqueMest uneFM-martingale, on dira juste queMest une martingale.Commen¸cons par un r´esultat "tr`es g´en´eral", puisqu"ilne repose que sur la seule propri´et´e d"accroissements
ind´ependants.Proposition 1.13Soit(Xt)t?Tun PAI.
(i) - Si(Xt)?L1pour toutt?T, alors le processusMt:=Xt-EXtest une martingale centr´ee; en particulierBtest une martingale. (ii) - SiXt?L2pour toutt≥0, alors le processusM2t-E(M2t)est uneFXt-martingale centr´ee; (iii) - Sieu Xt?L1, pour toutt≥0et un certainu?R, alors le processusez Xt/E(ez Xt)est uneFXt- martingale pour toutz?C,?ez=u. Exercice 1.14Appliquer la proposition 1.13 aux processus de Poisson et Brownien. - En particulier,Bt,B2t-t,eu Bte-u2t/2eteiu Bteu2t/2sont desFBt-martingales pour toutu?R. - En particulier,Nt-λt, (Nt-λt)2-λt,aNte-a tsont desFNt-martingales pour touta?C.Preuve de la Proposition 1.13.(i) - On a en effet
E(Mt|FMs) =E(Xt-Xs|FXs) +E(Xs|FXs)-EXt
=E(Xt-Xs) +Xs-EXt=Xs, puisqueFMt=FXt. (ii) - Pour toutt > s, on a d"une part puisqueMtest centr´eeE(M2t|FXs) =E((Mt-Ms+Ms)2|FXs)
=E((Mt-Ms)2) + 2(E(Mt-Ms))Ms+M2s =E((Mt-Ms)2) +M2s, et de la mˆeme fa¸conE(M2t) =E((Mt-Ms)2) + 2(E(Mt-Ms))E(Ms) +E(M2s)
=E((Mt-Ms)2) +E(M2s).On conclut en prenant la diff´erence de ces deux identit´es eten remarquant queE(M2t) =E(B2t) =tlorsque
X=B. (iii) - Pour toutt > s, on a d"autre part, E(euXt|FXs) =E(eu(Xt-Xs)euXs|FXs) =E(eu(Xt-Xs))euXs, 4 et de la mˆeme fa¸conE(euXt) =E(eu(Xt-Xs)euXs) =E(eu(Xt-Xs))E(euXs).
On conclut en prenant le quotient de ces deux identit´es et enremarquant queE(euBt) =eu2t/2lorsque
X=B.??
Les processus de L´evy (resp. les PAISc`ad) jouissent d"uneversion"particuli`erement agr´eable et puissante"
de la propri´et´e de Markov qui affime qu"un processus de L´evy(resp. un PAISc`ad)"renaˆıt tout neuf de
ses temps d"arrˆet". Nous donnons d`es `a pr´esent un premier r´esultat qui correspond `a un"temps d"arrˆet
d´eterministe"(et qui ne n´ecessite pas d"hypoth`ese de r´egularit´e). Cer´esultat sera g´en´eralis´e ult´erieurement
`a un temps d"arrˆet al´eatoire (Th´eor`eme 3.14).Th´eor`eme 1.15SoitX= (Xt)t?Tun processus etT?Tun temps fixe. On d´efinit le processusY= (Yt)t?T
parYt:=Xt+T-XT,?t?T. - SiXest un PAI alorsYest un PAI de mˆeme taux de transition. - SiXest un PAS alorsYest un PAS ind´ependant deFXT. - La r´egularit´e des trajectoires deYest la mˆeme que celle des trajectoires deX.En particulier, siXest un processus de L´evy (resp. un PAISc`ad) alorsYest un processus de L´evy (resp.
un PAISc`ad) de mˆeme taux de transition queXet ind´ependant deFXT. Preuve du Th´eor`eme 1.15.Le caract`ere stationnaire des accroissements r´esulte de YD"une part, pour une suite de tempst1< ... < tket des fonctions bor´eliennes positivesf1, ... ,fk, on a
E(f1(Yt1)f2(Yt2-Yt1)....fk(Ytk-Ytk-1)) =
ce qui d´emontre queYest `a accroissements ind´ependants. D"autre part, pourZune va positiveFT-
E(Z F(Yt1,...,Ytk)) =E(Z F(Xt1+T-XT,...,Xtk+T-XT)) =E(Z)E(F(Xt1+T-XT,...,Xtk+T-XT)) =E(Z)E(F(Yt1,...,Ytk)), ce qui d´emontre queYest ind´ependant de la tribuFXT.??1.3 Mouvement brownien et processus gaussiens.
Nous donnons maintenant plusieurs autres caract´erisations d"un mouvement brownien qui reposent sur son
caract`ere "gaussien".D´efinition 1.16On appelle "loi d"un processus" stochatique(Xt)t?Tla "famille des lois marginales de
dimension finie", c"est-`a-dire, la famille des loisμJdes vecteursXJ:= (Xt)t?JlorsqueJparcoursPf(T)
l"ensemble des parties finies deT. En d"autres termes,J={t1,...,tk}est un sous-ensemble fini deT, t1< ... < tketXJ= (Xt1,...,Xtk)est une va `a valeurs dansEJet de loiμJ.
- On dit que deux processusXetYont mˆeme loi, on noteX≂Y, siXJ≂YJpour toutJ? Pf(T).Attention,cela ne signifie pas queX=Y.
5D´efinition 1.17Un processus stochatique(Xt)t?Test gaussien si ses lois marginales de dimension finie
sont des vecteurs gaussiens. Un processus stochatique(Xt)t?Test donc gaussien si ?t1< ... < tkle vecteur(Xt1, ...,Xtk)est gaussien, c"est-`a-dire si ?tj?T,?uj?Rla va?u jXtjest gaussiennne. Voici plusieurs autres caract´erisations d"un mouvement brownien.Proposition 1.18SoitX= (Xt)t≥0un processus r´eel continu tel queX0= 0. Les assertions suivantes
sont ´equivalentes. (i)Xest un mouvement brownien; (ii)Xest un processus gaussien centr´e et de covarianceE(XtXs) = min(s,t) =s?t?s,t≥0;
(Xt1, ...,Xtn-Xtn-1)≂ N(0,A), Ajk= (tk-tk-1)δjk;E(f1(Xt1)...fn(Xtn)) =?
R (v) pour toutu?Rle processuseiu·Xte|u|2t/2est une martingale. Preuve de la Proposition 1.18.(i)=?(ii).Xest alors un processus centr´e et gaussien puisque pour toutu1,...,un?Rd?u iXti=?v i(Xti-Xti-1) +v1Xt1 est une va gaussienne comme somme de va gaussiennes ind´ependantes, et sit > s≥0E(XtXs) =E(Xt-Xs)E(Xs) +E(X2s) =s.
(ii)=?(iii).La loi d"un processus gaussien est d´efini par sa moyenne et sacovariance qui viennent d"ˆetre
identifi´es. Plus pr´ecis´ement, le vecteurY:= (Y1,...,Yn),Yj:=Xtj-Xtj-1, est gaussien centr´e, de matrice
de covarianceAjk= (tj-tj-1)δjkpuisqueE(Y2i) =E(X2t
j)-2E(XtjXtj-1) +E(X2t j-1) =tj-2tj-1+tj-1=tj-tj-1, et pourj > k E(YjYk) =E[XtjXtk-XtjXtk-1-Xtj-1Xtk+Xtj-1Xtk-1] =tk-tk-1-tk+tk-1= 0.Cela implique bienY≂ N(0,A).
(iii)=?(i).Il suffit d"une part de remarquer que pour toutφ?Cb(R) et puisque (Xt+h-Xt,Xt) est un vecteur gaussien de loi connueE(φ(Xt+h-Xt)) =?
R2φ(y2)gt(dy1)gh(dy2)dy1dy2=?
Rφ(y)gh(dy)dy
6 ce qui signifie bien queXtest un PAS de taux de transition la loigh(x)dx. D"autre part, pour tout1,...,φn?Cb(R) on a
E(φ1(Xt1)...φn(Xtn-Xtn-1)) =?
R R1(y1)gt1(y1)dy1...?
R n(yn)gtn-tn-1(yn)dyn =E(φ1(Xt1))...E(φn(Xtn-Xtn-1)), ce qui signifie que (Xt) est un PAI. (iii)??(iv).Cela r´esulte d"un changement de variables. Partant de (iii), on a E[φ(Xt1,...,Xtn)] =E[φ(Xt1,Xt1+ (Xt2-Xt1),...,Xt1+...+ (Xtn-Xtn-1))] R R nφ(x1,x2,...,xn)n? k=1g tk-tk-1(xk-xk-1)dxko`u on a effectu´e le changement de variables (y1,...,yn)→(x1,...,xn),xk=y1+...+yk(de sorte que
y k=xk-xk-1). inversement, par densit´e, de (iv) on d´eduitE(φ(Xt1,...,Xtn)) =?
R nφ(x1,...,xn)n? k=1g tk-tk-1(xk-xk-1)dxk, puisE(ψ(Xt1,...,Xtn-Xtn-1) =?
R nφ(x1,...,xn-xn-1)n? k=1g tk-tk-1(xk-xk-1)dxk R nφ(y1,...,y-n)n? k=1g tk-tk-1(yk)dyk,o`u on a effectu´e le changement de variables (x1,...,xn)→(y1,...,yn),yk=xk-xk-1, ce qui est pr´ecis´ement
(iii). (i)=?(iv).Cela a d´ej`a ´et´e d´emontr´e dans la Proposition 1.13. (v)=?(iii).L"hypoth`ese s"´ecritE(eiu(Xt-Xs)|FXs) =e-u2(t-s)/2pour toutu?R,s < t?T. On ´ecrit pouru1,...,uk?Rett1< ... < tk?T E? =E? E? eiuk(Xtk-Xtk-1)|FXt k-1? eiuk-1(Xtk-1-Xtk-2)...eiu1(Xt1)? =E? eiuk-1(Xtk-1-Xtk-2)...eiu1(Xt1)? e-u2k(tk-tk-1)/2On en conclut que (Xtk-Xtk-1, Xtk-1-Xtk-2, ..., Xt1) suit une loiN(0,A) puisque un vecteur al´eatoire
est caract´eris´e par sa transform´ee de Fourier.?? Proposition 1.19SiBest un mouvement brownien, il en est de mˆeme pour1.Xt:=a-1Ba2tpour touta?= 0;
2.Xt=Bt+t0-Bt0,t0>0;
3.Xt:=BT-t-BT,t?[0,T];T >0.
7Preuve de la Proposition 1.19.Le r´esultat d´ecoule de la caract´erisation d"un mouvement Brownien en
terme de processus gaussien.?? Proposition 1.20SoitX= (Xt)t≥0= (X1t,...,Xdt)un processus `a valeurs dansRd. AlorsXest un mouvement brownien si, et seulement si, (i)Xkest un mouvement brownien r´eel pour toutk= 1,...,d; (ii) les processusX1, ...,Xdsont ind´ependants.Preuve de la Proposition 1.20.En revenant `a la d´efinition du mouvement brownien, il est clair (i) et
(ii) implique queXest un mouvement brownien `a valeurs dansRd. Il reste `a d´emontrer que siXest un
mouvement brownien alors les processusX1, ...,Xdsont ind´ependants. Or on a pourj?=k,u,v?RetE(eiuXjseiv Xkt) =E(eiu Xjs+iv Xkseiv(Xkt-Xks))
=E(eiu Xjs+iv Xks)E(eiv(Xkt-Xks)) (Xest un PAI) =E(eiu Xj s)E(eiv Xk s)E(eiv(Xk t-Xk s)) (Xs≂ Nd(0,1)?Xjs??Xks) =E(eiu Xj s)E(eiv Xk seiv(Xk t-Xk s)) (Xest un PAI) =E(eiu Xj s)E(eiv Xk t), et on conclut par un argument de densit´e.??D´efinition 1.21On appelle parfois mouvement brownien (g´en´eral) de condition initialeX0, de d´eriveμet
d"´ecart typeσun processus continuX`a accroissements stationnaires et ind´ependants et tel que
X t-X0≂ Nd(μt,σ I).On passe d"un mouvement brownienB(standard issu de0) `a un mouvement brownien (g´en´eral) en con-
sid´erant une vaX0ind´ependante deB, une d´eriveμ?Ret un ´ecart typeσ >0et en introduisant le
processusXt:=Bσt+μt+X0.Exercice 1.22[Dur2, page 245]
processus gaussiens de moyenne nulle et de variances(1-t). b) EtudierZt:=e-tBe2t.Il est possible de d´evelopper directement (sans lire les sections 2, 3, 4) le calcul stochastique brownien.
Le seul r´esultat n´ecessaire estl"in´egalit´e maximale de Doobpr´esent´ee dans la section 6 et qui permet de
d´emontrer la continuit´e de l"int´egrale stochastique. Ce r´esultat peut ˆetre omis en premi`ere lecture.
Nous allons pr´esenter dans la suite de ce chapitre trois propri´et´es remarquables - la loi du tout ou rien; - la propri´et´e de Markov forte; - le th´eor`emes d"arrˆet (ou ´echantillonage) et des in´egalit´es maximales de Doob.Pour formuler ces r´esultats nous allons avoir besoin de la notion defiltration, detemps d"arrˆetet enfin de
(sous-)martingales.2 Loi du 0-1 et applications
Pour aller un peu plus loin nous allons avoir besoin de la notion defiltration, ce qui va nous permettre de
g´en´eraliser la notion deMartingale, et de la notion detemps d"arrˆet, ce qui va nous permettre d"´enoncer la
propri´et´e de Markov forte. 82.1 Th´eor`eme du "tout ou rien" ou loi du 0-1 de BlumenthalTh´eor`eme 2.1 (Loi 0-1 de Blumenthal)Soit(Xt)t>0un PAIc`ad tel queX0= 0. AlorsFX0+est triviale:
pour toutA? F0+on aP(A)? {0,1}, o`u on a pos´e FX0+:=?
s>0F Xs=? s>0, s?QFquotesdbs_dbs47.pdfusesText_47[PDF] Mouvement des ions dans une solution
[PDF] mouvement des jambes en brasse
[PDF] mouvement des planètes animation
[PDF] mouvement des planètes autour du soleil cycle 3
[PDF] mouvement des planètes dans le système solaire
[PDF] mouvement des plaques lithosphériques 1ere s
[PDF] mouvement des plaques lithosphériques animation
[PDF] mouvement des plaques tectoniques pdf
[PDF] mouvement des satellites et des planètes terminale s
[PDF] Mouvement et force
[PDF] mouvement et force seconde
[PDF] mouvement et force seconde controle
[PDF] mouvement et force seconde exercices corriges
[PDF] mouvement et inertie ( analyser en termes de force)