[PDF] Cours de calcul stochastique - Département de mathématiques
[PDF] methodes de valorisation des stocks - AUNEGE
[PDF] TAUX DE SURCOTISATION - TEMPS PARTIEL et TEMPS - CDG81
[PDF] circulaire temps partiel 2016-2017
[PDF] Aire totale des prismes
[PDF] notice explicative calcul des surfaces de plancher - Canohes
[PDF] Aire des polygones - Sylvain Lacroix
[PDF] Aire d 'un quadrilatère quelconque - Numdam
[PDF] SCM : Et si l 'on reparlait de gestion de stocks - Supply Chain
[PDF] Cas #8211 évaluation de la taille d 'une équipe commerciale Cas - Free
[PDF] Taille optimale de l 'équipe commerciale - MemoPage
[PDF] modalités de calcul des tarifs de péage au sein des - Asecap
[PDF] Accueil de jeunes enfants - Caf
[PDF] La prestation de service unique Mode d 'emploi - Gisti
[PDF] Savoir-faire sur le calcul du taux de croissance (PDF)
INTRODUCTION AU CALCUL
STOCHASTIQUE
Nadine GUILLOTIN-PLANTARD
13 novembre 2009
Table des matieres
1 Processus stochastiques 3
1.1 Processus stochastiques equivalents. Modication. Processus
indistinguables. . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Loi d'un processus stochastique. Processus canonique. . . . . . 9
1.3 Processus canonique ayant des repartitions nies donnees . . . 11
2 Processus de Poisson standard et mouvement Brownien reel
standard 16
2.1 Processus ponctuel. Processus de Poisson standard . . . . . . 16
2.2 Critere de regularite de Kolmogorov. Construction du mouve-
ment Brownien reel standard . . . . . . . . . . . . . . . . . . . 18
2.3 Processus variation quadratique et application au mouvement
Brownien reel . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3 Martingales 24
3.1 Filtration. Processus adapte. Martingale . . . . . . . . . . . . 24
3.2 Temps d'arr^et. Adaptation forte. . . . . . . . . . . . . . . . . 29
3.3 Theoreme d'arr^et pour des temps d'arr^et bornes . . . . . . . . 31
3.4 Theoremes de convergence. Theoreme d'arr^et pour une mar-
tingale uniformement integrable . . . . . . . . . . . . . . . . . 34
4 Propriete de Markov forte des P.A.I.S. et applications 40
4.1 Propriete forte de Markov . . . . . . . . . . . . . . . . . . . . 40
4.2 Application au mouvement Brownien reel standard . . . . . . 42
5 Processus a variation nie et integrale de Stieltjes 47
5.1 Fonctions a variation nie et integrale de Stieltjes . . . . . . . 47
5.1.1 Fonctions a variation nie. . . . . . . . . . . . . . . . . 47
5.1.2 Fonctions a variation nie et mesures surR+;. . . . . . 48
5.1.3 Formule d'integration par parties. . . . . . . . . . . . . 49
5.1.4 Formule de changement de variable. . . . . . . . . . . . 50
5.1.5 Changement de temps. . . . . . . . . . . . . . . . . . . 52
5.2 Processus a variation nie. . . . . . . . . . . . . . . . . . . . . 52
6 Martingales locales continues 57
6.1 Variation quadratique d'une martingale continue bornee. . . . 57
6.2 Martingales locales continues. . . . . . . . . . . . . . . . . . . 60
6.3 Semi-martingales continues . . . . . . . . . . . . . . . . . . . . 64
7 Integrale stochastique 66
7.1 Integrale stochastique par rapport a une martingale bornee
dansL2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
7.2 Integrale stochastique par rapport a une martingale locale . . 70
7.3 Integrale stochastique par rapport a une semi-martingale conti-
nue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
7.4 Formule d'integration par parties . . . . . . . . . . . . . . . . 73
7.5 Formule de changement de variables de It^o . . . . . . . . . . . 74
7.6 Applications de la formule de It^o . . . . . . . . . . . . . . . . 76
7.6.1 Exponentielle de Doleans d'une martingale locale conti-
nue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
7.6.2 Theoreme de Girsanov . . . . . . . . . . . . . . . . . . 77
7.6.3 Inegalite de Burkholder . . . . . . . . . . . . . . . . . 79
8 Equations dierentielles stochastiques 86
Chapitre 1
Processus stochastiques
1.1 Processus stochastiques equivalents. Mo-
dication. Processus indistinguables. L'objet de la theorie des processus stochastiques (ou aleatoires) est l'etude des phenomenes aleatoires dependant du temps. Soit ( ;F;P) un espace probabilise, un ensembleTappeleensemble des temps(exemples :T=R+ ou [0;t]). Soit aussi (E;E) un espace mesurable appelel'espace des etats. Un processus stochastiqueavaleurs dans (E;E) basesur ( ;F;P) est une famille (Xt)t2Tde variables aleatoires (abreviation : v.a.) de ( ;F;P) dans (E;E). A!2 , on associe l'application : T!E t7!Xt(!) appeleela trajectoire de(Xt)t2Tassociee a!. PrenonsE=Rd,E=B(Rd), on dit que (Xt)t2TestPp.s. continu a droite (resp. :Pp.s. continu a gauche,Pp.s. continu) si pourPpresque tout ,t!Xt(!) est continue a droite (resp. : continue a gauche, continue). On dira que deux processus stochastiques decrivent le m^eme phenomene aleatoire s'ils sont equivalents au sens suivant : Soient (Xt)t2Tet (X0t)t2Tdeux processus stochastiques a valeurs dans le m^eme espace d'etats (E;E), avec (Xt)t2Tbase sur ( ;F;P) et (X0t)t2Tbase sur (
0;F0;P0).
On dit qu'ils sontequivalentssi8n1;8t1;:::;tn2T;8B1;:::;Bn2 E, on a :
P(fXt12B1;:::;Xtn2Bng) =P0(fX0t
12B1;:::;X0t
n2Bng): On dira encore que chacun de ces processus estune version de l'autreou encore que (Xt)t2Tet (X0t)t2Tsontdes versions du m^eme processus. (C'est une relation d'equivalence!). La famille des lois des v.a. (Xt1;:::;Xtn) lorsqueft1;:::;tngparcourt l'en- semble des parties nies non vides deTs'appellela famille des lois de di- mension nieoufamille des repartitions nies de(Xt)t2T. Deux processus stochastiques sont equivalents si et seulement si ils ont les m^emes repartitions nies. A partir de maintenant,T=R+et (E;E) = (Rd;B(Rd)). Un processus stochastique (Xt)t2R+base sur ( ;F;P) a valeurs dans (Rd;B(Rd)) estun processus a accroissements independants(abreviation : P.A.I.) si on a : (i)X0= 0Pp.s. (ii)8n2;8t1;:::;tn2R+tels que 0< t1< t2< ::: < tn, les v.a. t1;Xt2Xt1;:::;XtnXtn1 sont independantes. Un processus stochastique (Xt)t2R+estun processus a accroissements independants stationnaires(abreviation : P.A.I.S.) si c'est un P.A.I. et si (iii)8s;t2R+, tels que 0s < t, la v.a.XtXsa la m^eme loi queXts:
Autrement dit,8h0,
t+hXs+hL=Xts;
8s;t2R+, tels que 0s < t. (Notation :XL=YssiXetYont m^eme loi).
LorsqueT=N, la notion correspondante a celle de P.A.I. (resp. : P.A.I.S.) est la suivante : on se donne une suite (Zk)k1de v.a.ddimensionnelles independantes et on pose :S0= 0P-p.s. et pour toutn1, n=Z1+:::+Zn: (Sn)n0verie (i) et (ii) et si les v.a.Zk;k1;ont m^eme loi, (Sn)n0verie (iii) et s'appelleune marche aleatoire. Une famille (t)t2]0;+1[de probabilites sur (Rd;B(Rd)) estun semi-groupe de convolutionsi on a :8s2]0;+1[;8t2]0;+1[; s+t=st: (est la mesure image de par l'application (x;y)!x+y). Proposition 1.1.1.a). Si(Xt)t2R+est un P.A.I.S. (a valeurs dans(Rd;B(Rd))) et si pour toutt2]0;+1[,tdesigne la loi deXt, alors(t)t2]0;+1[est un semi-groupe de convolution. On l'appellele semi-groupe de convolution du
P.A.I.S. (Xt)t2R+.
b). Plus generalement, si(Xt)t2R+est un P.A.I. et si pour touts;t2R+ tels ques < t,s;tdesigne la loi deXtXs, alors on a :8s;t;u2R+, tels ques < t < u, on a : s;u=s;tt;u:
Demonstration.a) On a :
s+t=Xs+ (Xs+tXs): Or,XsetXs+tXssont des v.a. independantes etXs+tXsL=Xt, donc s+t=st: b) On ecrit : uXs= (XuXt) + (XtXs): uXsa pour lois;u; (XuXt) et (XtXs) sont des v.a. independantes de lois respectivest;uets;t, d'ou l'egalite s;u=s;tt;u:Proposition 1.1.2.a). Si(Xt)t2R+et(X0t)t2R+sont deux P.A.I.S.ddimensionnels (bases sur( ;F;P)et sur(
0;F0;P0)) qui ont m^eme semi-groupe de convo-
lution, alors(Xt)t2R+et(X0t)t2R+sont equivalents. b). Plus generalement, si(Xt)t2R+et(X0t)t2R+sont deux P.A.I.ddimensionnels tels que pour touts;t2R+avecs < t, on ait : tXsL=X0tX0s; alors(Xt)t2R+et(X0t)t2R+sont equivalents. Remarque :Le a). peut se reformuler ainsi : deux P.A.I.S. qui ont les m^emes lois de dimension 1 ont les m^emes lois de dimension nie. Ce resultat n'est pas vrai pour des processus plus generaux.
Demonstration.b) : (Remarquons queb):=)a):):
Pour toutt2R+,XtL=X0t:De plus, pour toutn2, pour toutt1;:::;tn2 +tels que 0< t1< t2< ::: < tn, (Xt1;:::;Xtn)L= (X0t
1;:::;X0t
n):
En eet, les v.a. (Xt1;Xt2Xt1;:::;XtnXtn1) et (X0t
1;X0t 2X0t
1;:::;X0t
n1) ont la loi0;t1 t1;t2 tn1;tn:On en deduit en considerant l'application : : (u1;:::;un)!(u1;u1+u2;:::;u1+:::+un) que (Xt1;:::;Xtn) =(Xt1;Xt2Xt1;:::;XtnXtn1) et (X0t
1;:::;X0t
n) ont la m^eme loi, c'est a dire la mesure image parde0;t1 t1;t2 tn1;tn.5 Exemples de semi-groupes de convolution sur(R;B(R)):quotesdbs_dbs7.pdfusesText_5