Notion du processus stochastique

A-Kadrani

Institut National des Postes et Télécommunications

(INPT)

Rabat, Mai 2021

Chapitre 1 Processus stochastique

Introduction

Un système naturel physique évoluant dans le temps et assujeti au hasard

peut être représenté par une fonction X (t, w ) où t ∈ T (T est souvent le
temps) et w ∈ Ω où (Ω, F, P) est un espace probabilisé. Deux façons
pour représenter ce système:
1 Une famille (Xt )t∈T de v.a dénies sur (Ω, F, P) (donné) telles que:

Xt : (Ω, F, P) −→ (E , B)
w 7−→ Xt (w ) = X (t, w ).

(E , B) espace mesurable, appelé espace des "états".

2 On regarde, pour w ∈ Ω xé, l'application
X (., w ) : T −→ (E , B)
t 7−→ X (t, w ) = Xt (w ).

Chapitre 1 Processus stochastique

Introduction

Un système naturel physique évoluant dans le temps et assujeti au hasard

peut être représenté par une fonction X (t, w ) où t ∈ T (T est souvent le
temps) et w ∈ Ω où (Ω, F, P) est un espace probabilisé. Deux façons
pour représenter ce système:
1 Une famille (Xt )t∈T de v.a dénies sur (Ω, F, P) (donné) telles que:

Xt : (Ω, F, P) −→ (E , B)
w 7−→ Xt (w ) = X (t, w ).

(E , B) espace mesurable, appelé espace des "états".

2 On regarde, pour w ∈ Ω xé, l'application
X (., w ) : T −→ (E , B)
t 7−→ X (t, w ) = Xt (w ).

Chapitre 1 Processus stochastique

Introduction

Un système naturel physique évoluant dans le temps et assujeti au hasard

peut être représenté par une fonction X (t, w ) où t ∈ T (T est souvent le
temps) et w ∈ Ω où (Ω, F, P) est un espace probabilisé. Deux façons
pour représenter ce système:
1 Une famille (Xt )t∈T de v.a dénies sur (Ω, F, P) (donné) telles que:

Xt : (Ω, F, P) −→ (E , B)
w 7−→ Xt (w ) = X (t, w ).

(E , B) espace mesurable, appelé espace des "états".

2 On regarde, pour w ∈ Ω xé, l'application
X (., w ) : T −→ (E , B)
t 7−→ X (t, w ) = Xt (w ).

Chapitre 1 Processus stochastique

Introduction

Un système naturel physique évoluant dans le temps et assujeti au hasard

peut être représenté par une fonction X (t, w ) où t ∈ T (T est souvent le
temps) et w ∈ Ω où (Ω, F, P) est un espace probabilisé. Deux façons
pour représenter ce système:
1 Une famille (Xt )t∈T de v.a dénies sur (Ω, F, P) (donné) telles que:

Xt : (Ω, F, P) −→ (E , B)
w 7−→ Xt (w ) = X (t, w ).

(E , B) espace mesurable, appelé espace des "états".

2 On regarde, pour w ∈ Ω xé, l'application
X (., w ) : T −→ (E , B)
t 7−→ X (t, w ) = Xt (w ).

Chapitre 1 Processus stochastique

Processus stochastique
Dénitions

Dénition 1.1
Soit T 6= ∅. On appelle processus stochastique dénie sur (Ω, F, P) à valeurs
dans (E , β), le terme Ω, F, P, (Xt )t∈T constitué par (Ω, F, P) qui est un es-

pace de probabilité et d'une famille (Xt )t∈T de variables aléatoires dénies sur
(Ω, F, P) à valeurs (E , B).
L'espace (Ω, F, P) est appelé espace de base et (E , B) est dit espace de phase
ou espace des états du processus.
Exemple 1.1:

On considère N lancers indépendants d'un dé à six faces non pipé. On souhaite

modéliser le résultat global de l'expérience par un processus stochastique.
- T = {1, · · · , N} ensemble des paramètres.
- Xi v.a représentant le résultat du i ème lancer, i ∈ T .
- E = {face 1, face 2, face 3, face 4, face 5, face 6} l'espace des états muni
d'une tribu des parties B = P(E ).
- Ω = {1, 2, 3, 4, 5, 6}N espace de probabilité muni d'une tribu des parties
F = P(Ω) et d'une mesure de probabilité P({w }) = 6−N , w ∈ Ω.

Chapitre 1 Processus stochastique

Processus stochastique
Dénitions

Dénition 1.1
Soit T 6= ∅. On appelle processus stochastique dénie sur (Ω, F, P) à valeurs
dans (E , β), le terme Ω, F, P, (Xt )t∈T constitué par (Ω, F, P) qui est un es-

pace de probabilité et d'une famille (Xt )t∈T de variables aléatoires dénies sur
(Ω, F, P) à valeurs (E , B).
L'espace (Ω, F, P) est appelé espace de base et (E , B) est dit espace de phase
ou espace des états du processus.
Exemple 1.1:

On considère N lancers indépendants d'un dé à six faces non pipé. On souhaite

modéliser le résultat global de l'expérience par un processus stochastique.
- T = {1, · · · , N} ensemble des paramètres.
- Xi v.a représentant le résultat du i ème lancer, i ∈ T .
- E = {face 1, face 2, face 3, face 4, face 5, face 6} l'espace des états muni
d'une tribu des parties B = P(E ).
- Ω = {1, 2, 3, 4, 5, 6}N espace de probabilité muni d'une tribu des parties
F = P(Ω) et d'une mesure de probabilité P({w }) = 6−N , w ∈ Ω.

Chapitre 1 Processus stochastique

Processus stochastique
Dénitions

Dénition 1.1
Soit T 6= ∅. On appelle processus stochastique dénie sur (Ω, F, P) à valeurs
dans (E , β), le terme Ω, F, P, (Xt )t∈T constitué par (Ω, F, P) qui est un es-

pace de probabilité et d'une famille (Xt )t∈T de variables aléatoires dénies sur
(Ω, F, P) à valeurs (E , B).
L'espace (Ω, F, P) est appelé espace de base et (E , B) est dit espace de phase
ou espace des états du processus.
Exemple 1.1:

On considère N lancers indépendants d'un dé à six faces non pipé. On souhaite

modéliser le résultat global de l'expérience par un processus stochastique.
- T = {1, · · · , N} ensemble des paramètres.
- Xi v.a représentant le résultat du i ème lancer, i ∈ T .
- E = {face 1, face 2, face 3, face 4, face 5, face 6} l'espace des états muni
d'une tribu des parties B = P(E ).
- Ω = {1, 2, 3, 4, 5, 6}N espace de probabilité muni d'une tribu des parties
F = P(Ω) et d'une mesure de probabilité P({w }) = 6−N , w ∈ Ω.

Chapitre 1 Processus stochastique

Processus stochastique
Dénitions

Dénition 1.1
Soit T 6= ∅. On appelle processus stochastique dénie sur (Ω, F, P) à valeurs
dans (E , β), le terme Ω, F, P, (Xt )t∈T constitué par (Ω, F, P) qui est un es-

pace de probabilité et d'une famille (Xt )t∈T de variables aléatoires dénies sur
(Ω, F, P) à valeurs (E , B).
L'espace (Ω, F, P) est appelé espace de base et (E , B) est dit espace de phase
ou espace des états du processus.
Exemple 1.1:

On considère N lancers indépendants d'un dé à six faces non pipé. On souhaite

modéliser le résultat global de l'expérience par un processus stochastique.
- T = {1, · · · , N} ensemble des paramètres.
- Xi v.a représentant le résultat du i ème lancer, i ∈ T .
- E = {face 1, face 2, face 3, face 4, face 5, face 6} l'espace des états muni
d'une tribu des parties B = P(E ).
- Ω = {1, 2, 3, 4, 5, 6}N espace de probabilité muni d'une tribu des parties
F = P(Ω) et d'une mesure de probabilité P({w }) = 6−N , w ∈ Ω.

Chapitre 1 Processus stochastique

Processus stochastique
Dénitions

Dénition 1.1
Soit T 6= ∅. On appelle processus stochastique dénie sur (Ω, F, P) à valeurs
dans (E , β), le terme Ω, F, P, (Xt )t∈T constitué par (Ω, F, P) qui est un es-

pace de probabilité et d'une famille (Xt )t∈T de variables aléatoires dénies sur
(Ω, F, P) à valeurs (E , B).
L'espace (Ω, F, P) est appelé espace de base et (E , B) est dit espace de phase
ou espace des états du processus.
Exemple 1.1:

On considère N lancers indépendants d'un dé à six faces non pipé. On souhaite

modéliser le résultat global de l'expérience par un processus stochastique.
- T = {1, · · · , N} ensemble des paramètres.
- Xi v.a représentant le résultat du i ème lancer, i ∈ T .
- E = {face 1, face 2, face 3, face 4, face 5, face 6} l'espace des états muni
d'une tribu des parties B = P(E ).
- Ω = {1, 2, 3, 4, 5, 6}N espace de probabilité muni d'une tribu des parties
F = P(Ω) et d'une mesure de probabilité P({w }) = 6−N , w ∈ Ω.

Chapitre 1 Processus stochastique

Processus stochastique  Exemples
Exemple 1: Ruine d'un joueur
Un joueur joue un jeu où il peut gagner un montant xe (ici 1 unité) avec
probabilité p et perdre le même montant avec probabilité 1 − p . Le joueur est
ruiné (et donc arrête de jouer) dès que sa fortune est épuisée. On peut
également ajouter une condition que le joueur s'arrête de jouer si sa fortune
atteint un certain seuil a.
.
.
.
.
.
.
.
.
.
.
.
.
.
Dans ce jeu, on aimerait connaître l'espérance de gain ou encore la durée
moyenne du jeu en fonction de sa fortune initiale, p et a.
Chapitre 1 Processus stochastique
Autres Exemples  Extinction d'une population

Galton et Watson ont introduit un modèle pour étudier la perpétuation des

lignées des Lords en Angleterre au 19e siècle : les individus sont des Lords qui
transmettent leur titre uniquement à leurs ls. Il s'agit alors d'étudier
l'évolution de la population au cours du temps, d'une autre manière, quelle la
probabilité que la lignée des Lords s'éteigne?
Ce modèle a donné lieu à des nombreuses généralisations en biologie des
populations.
On part d'un seul individu à l'instant initial: X0 = 1.
A chaque instant n, on a une population de Xn individus. La taille de la
population à l'instant suivant est:
Xn
X k
Xn+1 = Zn+ 1
k=1

où k
Zn+1 est une v.a. qui resprésente le nombre de descendances directes de
l'individu k juste avant de s'éteindre. Zn+
k
1 est indépendante des autres Zn+1
j

avec 1 ≤ j ≤ Xn , et du passé selon une loi de porbabilité dite de reproduction.

Question: Y aura-t'il extinction de la lignée des Lords?.

Chapitre 1 Processus stochastique

Autres Exemples  Système Bonus-Malus en assurance auto
La prime d'un assuré peut diminuer si aucune réclamation n'est faite durant
une période donnée ou augmenter si une ou plusieurs réclamations sont
soumises durant une certaine période. Les réclamations font suite à des
accidents de la route qui se produisent au hasard dans le temps. L'arrivée
d'événements au hasard est décrite par un processus de Poisson (Chap 2).
Supposons que la mise à jour de la classe de l'assuré se fait après chaque
année. Cette classe est augmentée du nombre de réclamations durant l'année
s'il y en a, mais diminuée de 1 s'il y'en a pas. Si Xn représente la classe d'un
assuré après n années de conduite, alors:
λk
P(Xn+1 = i + k|Xn = i) = k!
e −λ k ≥ 1, i ≥ 0

P(Xn+1 = i − 1|Xn = i) = P(Xn+1 = 0|Xn = 0) = e −λ i ≥1

Questions:

P(Xn = j|X0 = 0) converge-t-elle lorsque n → ∞?

si elle converge, quelle est la limite πj ≥ 0?
Cette limite πj ,quand elle existe, correspond à la proportion moyenne d'années
à long terme qu'un assuré passe dans la classe j .
Chapitre 1 Processus stochastique
Principales classes processus stochastiques
Les processus stochastiques se classient suivant les trois éléments suivants:
L'ensemble des indices T :
- si T est dénombrable, le PS est dit à temps discret,
- si T n'est pas dénombrable et T ⊆ R, le PS est dit à temps
continu.
L'espace des états E :
- si E est dénombrable, le PS est dit à valeurs entières ou à
espace d'état discret,
- si E n'est pas dénombrable et E ⊆ R, le PS est dit à valeurs
réèlles ou espace d'état continu.
Les lois marginales de processus vériant les deux conditions de
compatibilité:

Ft1 ,...,tn ,tn+1 ,...,tn+p (x1 , . . . , xn , +∞, . . . , +∞) = Ft1 ,...,tn (x1 , . . . , xn )

Ft1 ,...,tn (x1 , . . . , xn ) = Fti1 ,...,tin (xi1 , . . . , xin )

où Ft1 ,...,tn (x1 , . . . , xn ) = P(Xt1 ≤ x1 , . . . , Xtn ≤ xn ) et i1 , . . . , in est une

permutation quelconque de 1, . . . , n.
Chapitre 1 Processus stochastique
Principales classes processus stochastiques
Les processus stochastiques se classient suivant les trois éléments suivants:
L'ensemble des indices T :
- si T est dénombrable, le PS est dit à temps discret,
- si T n'est pas dénombrable et T ⊆ R, le PS est dit à temps
continu.
L'espace des états E :
- si E est dénombrable, le PS est dit à valeurs entières ou à
espace d'état discret,
- si E n'est pas dénombrable et E ⊆ R, le PS est dit à valeurs
réèlles ou espace d'état continu.
Les lois marginales de processus vériant les deux conditions de
compatibilité:

Ft1 ,...,tn ,tn+1 ,...,tn+p (x1 , . . . , xn , +∞, . . . , +∞) = Ft1 ,...,tn (x1 , . . . , xn )

Ft1 ,...,tn (x1 , . . . , xn ) = Fti1 ,...,tin (xi1 , . . . , xin )

où Ft1 ,...,tn (x1 , . . . , xn ) = P(Xt1 ≤ x1 , . . . , Xtn ≤ xn ) et i1 , . . . , in est une

permutation quelconque de 1, . . . , n.
Chapitre 1 Processus stochastique
Principales classes processus stochastiques
Les processus stochastiques se classient suivant les trois éléments suivants:
L'ensemble des indices T :
- si T est dénombrable, le PS est dit à temps discret,
- si T n'est pas dénombrable et T ⊆ R, le PS est dit à temps
continu.
L'espace des états E :
- si E est dénombrable, le PS est dit à valeurs entières ou à
espace d'état discret,
- si E n'est pas dénombrable et E ⊆ R, le PS est dit à valeurs
réèlles ou espace d'état continu.
Les lois marginales de processus vériant les deux conditions de
compatibilité:

Ft1 ,...,tn ,tn+1 ,...,tn+p (x1 , . . . , xn , +∞, . . . , +∞) = Ft1 ,...,tn (x1 , . . . , xn )

Ft1 ,...,tn (x1 , . . . , xn ) = Fti1 ,...,tin (xi1 , . . . , xin )

où Ft1 ,...,tn (x1 , . . . , xn ) = P(Xt1 ≤ x1 , . . . , Xtn ≤ xn ) et i1 , . . . , in est une

permutation quelconque de 1, . . . , n.
Chapitre 1 Processus stochastique
Principales classes processus stochastiques
Les processus stochastiques se classient suivant les trois éléments suivants:
L'ensemble des indices T :
- si T est dénombrable, le PS est dit à temps discret,
- si T n'est pas dénombrable et T ⊆ R, le PS est dit à temps
continu.
L'espace des états E :
- si E est dénombrable, le PS est dit à valeurs entières ou à
espace d'état discret,
- si E n'est pas dénombrable et E ⊆ R, le PS est dit à valeurs
réèlles ou espace d'état continu.
Les lois marginales de processus vériant les deux conditions de
compatibilité:

Ft1 ,...,tn ,tn+1 ,...,tn+p (x1 , . . . , xn , +∞, . . . , +∞) = Ft1 ,...,tn (x1 , . . . , xn )

Ft1 ,...,tn (x1 , . . . , xn ) = Fti1 ,...,tin (xi1 , . . . , xin )

où Ft1 ,...,tn (x1 , . . . , xn ) = P(Xt1 ≤ x1 , . . . , Xtn ≤ xn ) et i1 , . . . , in est une

permutation quelconque de 1, . . . , n.
Chapitre 1 Processus stochastique
Principales classes processus stochastiques
Les processus stochastiques se classient suivant les trois éléments suivants:
L'ensemble des indices T :
- si T est dénombrable, le PS est dit à temps discret,
- si T n'est pas dénombrable et T ⊆ R, le PS est dit à temps
continu.
L'espace des états E :
- si E est dénombrable, le PS est dit à valeurs entières ou à
espace d'état discret,
- si E n'est pas dénombrable et E ⊆ R, le PS est dit à valeurs
réèlles ou espace d'état continu.
Les lois marginales de processus vériant les deux conditions de
compatibilité:

Ft1 ,...,tn ,tn+1 ,...,tn+p (x1 , . . . , xn , +∞, . . . , +∞) = Ft1 ,...,tn (x1 , . . . , xn )

Ft1 ,...,tn (x1 , . . . , xn ) = Fti1 ,...,tin (xi1 , . . . , xin )

où Ft1 ,...,tn (x1 , . . . , xn ) = P(Xt1 ≤ x1 , . . . , Xtn ≤ xn ) et i1 , . . . , in est une

permutation quelconque de 1, . . . , n.
Chapitre 1 Processus stochastique
Principales classes processus stochastiques
Les processus stochastiques se classient suivant les trois éléments suivants:
L'ensemble des indices T :
- si T est dénombrable, le PS est dit à temps discret,
- si T n'est pas dénombrable et T ⊆ R, le PS est dit à temps
continu.
L'espace des états E :
- si E est dénombrable, le PS est dit à valeurs entières ou à
espace d'état discret,
- si E n'est pas dénombrable et E ⊆ R, le PS est dit à valeurs
réèlles ou espace d'état continu.
Les lois marginales de processus vériant les deux conditions de
compatibilité:

Ft1 ,...,tn ,tn+1 ,...,tn+p (x1 , . . . , xn , +∞, . . . , +∞) = Ft1 ,...,tn (x1 , . . . , xn )

Ft1 ,...,tn (x1 , . . . , xn ) = Fti1 ,...,tin (xi1 , . . . , xin )

où Ft1 ,...,tn (x1 , . . . , xn ) = P(Xt1 ≤ x1 , . . . , Xtn ≤ xn ) et i1 , . . . , in est une

permutation quelconque de 1, . . . , n.
Chapitre 1 Processus stochastique
Principales classes processus stochastiques
Les processus stochastiques se classient suivant les trois éléments suivants:
L'ensemble des indices T :
- si T est dénombrable, le PS est dit à temps discret,
- si T n'est pas dénombrable et T ⊆ R, le PS est dit à temps
continu.
L'espace des états E :
- si E est dénombrable, le PS est dit à valeurs entières ou à
espace d'état discret,
- si E n'est pas dénombrable et E ⊆ R, le PS est dit à valeurs
réèlles ou espace d'état continu.
Les lois marginales de processus vériant les deux conditions de
compatibilité:

Ft1 ,...,tn ,tn+1 ,...,tn+p (x1 , . . . , xn , +∞, . . . , +∞) = Ft1 ,...,tn (x1 , . . . , xn )

Ft1 ,...,tn (x1 , . . . , xn ) = Fti1 ,...,tin (xi1 , . . . , xin )

où Ft1 ,...,tn (x1 , . . . , xn ) = P(Xt1 ≤ x1 , . . . , Xtn ≤ xn ) et i1 , . . . , in est une

permutation quelconque de 1, . . . , n.
Chapitre 1 Processus stochastique
Principales classes processus stochastiques
Les processus stochastiques se classient suivant les trois éléments suivants:
L'ensemble des indices T :
- si T est dénombrable, le PS est dit à temps discret,
- si T n'est pas dénombrable et T ⊆ R, le PS est dit à temps
continu.
L'espace des états E :
- si E est dénombrable, le PS est dit à valeurs entières ou à
espace d'état discret,
- si E n'est pas dénombrable et E ⊆ R, le PS est dit à valeurs
réèlles ou espace d'état continu.
Les lois marginales de processus vériant les deux conditions de
compatibilité:

Ft1 ,...,tn ,tn+1 ,...,tn+p (x1 , . . . , xn , +∞, . . . , +∞) = Ft1 ,...,tn (x1 , . . . , xn )

Ft1 ,...,tn (x1 , . . . , xn ) = Fti1 ,...,tin (xi1 , . . . , xin )

où Ft1 ,...,tn (x1 , . . . , xn ) = P(Xt1 ≤ x1 , . . . , Xtn ≤ xn ) et i1 , . . . , in est une

permutation quelconque de 1, . . . , n.
Chapitre 1 Processus stochastique
Classes des PS  Processus à accroissements indépendants

On suppose que T ⊆ R et que t0 = inf t > −∞.

t∈T
Dénition 1.2
Le processus X = (Ω, F, P, (Xt )t∈T ) est à accroissements indépen-
dants si pour tout n = 1, 2, · · · et tout indice t0 < t1 < · · · < tn , les
variables aléatoires

Xt0 , Xt1 − Xt0 , · · · , Xtn − Xtn−1

sont deux à deux indépendantes.

Remarque 1.1:
Un processus à accroissements indépendants (PAI) est entièrement
déni par la loi initiale P0 (B) = P(X0 ∈ B) et de la famille de lois

P(t, h, B) = P(Xt+h − Xt ∈ B), B ∈ B, t ∈ T , t + h ∈ T .

Chapitre 1 Processus stochastique

Dénition 1.3
Un processus X = (Ω, F, P, (Xt )t∈T ) dont la loi de l'accroissement
Xt+h − Xt dépend uniquement de la longueur de [t, t + h[ est dit à ac-
croissements stationnaires. Pour un processus à accroissements indépen-
dants, le processus est dit homogène ou processus à accroissements in-
dépendants et stationnaire (PAIS).
Exemples 1.2

1 Le mouvement Brownien est un PAIS dont la loi des accroissements

est une loi Gaussienne. Pour tout t ≥ 0 et h > 0 la densité de
Xt+h − Xt est v.a normale de paramètres mh et σ 2 h:
1 (x−mh)2
f (x) = √ e− 2σ 2 h , x ∈ R,
2πσ 2 h
et la loi de l'accroissement est donc
1 (x−mh)2
Z
P(t, h, B) = √ e− 2σ 2 h dx, B ∈ B(R)
B 2πσ 2 h
2 Lorsque l'accroissement d'un PAI est une v.a discrète de loi de
Poisson, le processus s'appelle un processus de Poisson.
Chapitre 1 Processus stochastique
Dénition 1.3
Un processus X = (Ω, F, P, (Xt )t∈T ) dont la loi de l'accroissement
Xt+h − Xt dépend uniquement de la longueur de [t, t + h[ est dit à ac-
croissements stationnaires. Pour un processus à accroissements indépen-
dants, le processus est dit homogène ou processus à accroissements in-
dépendants et stationnaire (PAIS).
Exemples 1.2

1 Le mouvement Brownien est un PAIS dont la loi des accroissements

est une loi Gaussienne. Pour tout t ≥ 0 et h > 0 la densité de
Xt+h − Xt est v.a normale de paramètres mh et σ 2 h:
1 (x−mh)2
f (x) = √ e− 2σ 2 h , x ∈ R,
2πσ 2 h
et la loi de l'accroissement est donc
1 (x−mh)2
Z
P(t, h, B) = √ e− 2σ 2 h dx, B ∈ B(R)
B 2πσ 2 h
2 Lorsque l'accroissement d'un PAI est une v.a discrète de loi de
Poisson, le processus s'appelle un processus de Poisson.
Chapitre 1 Processus stochastique
Dénition 1.3
Un processus X = (Ω, F, P, (Xt )t∈T ) dont la loi de l'accroissement
Xt+h − Xt dépend uniquement de la longueur de [t, t + h[ est dit à ac-
croissements stationnaires. Pour un processus à accroissements indépen-
dants, le processus est dit homogène ou processus à accroissements in-
dépendants et stationnaire (PAIS).
Exemples 1.2

1 Le mouvement Brownien est un PAIS dont la loi des accroissements

est une loi Gaussienne. Pour tout t ≥ 0 et h > 0 la densité de
Xt+h − Xt est v.a normale de paramètres mh et σ 2 h:
1 (x−mh)2
f (x) = √ e− 2σ 2 h , x ∈ R,
2πσ 2 h
et la loi de l'accroissement est donc
1 (x−mh)2
Z
P(t, h, B) = √ e− 2σ 2 h dx, B ∈ B(R)
B 2πσ 2 h
2 Lorsque l'accroissement d'un PAI est une v.a discrète de loi de
Poisson, le processus s'appelle un processus de Poisson.
Chapitre 1 Processus stochastique
Classes des PS  Processus stationnaires

On suppose que T ⊆ R et que E ⊆ Rd , d ≥ 1.

Dénition 1.4
Le processus stochastique X = (Ω, F, P, (Xt )t∈T ) est stationnaire
si pour tout n = 1, 2, · · · n et tout t0 , t1 , · · · , tn dans T et h > 0 tel
que ti + h ∈ T , la loi jointe de (Xt1 +h , · · · , Xtn +h ) est indépendante
de h.
Remarque 1.2:
Pour un processus stationnaire les vecteurs (Xt1 +h , · · · , Xtn +h ) et
(Xt1 , · · · , Xtn ) ont même loi, mais ne sont pas nécessairement
identiques.

Chapitre 1 Processus stochastique

Classes des PS  Processus martingales
Dénition 1.5
Un PS X (t) est dit processus martingale si pour tout n = 1, 2, · · · n et tout
t0 , t1 , · · · , tn dans T et h > 0 tel que ti + h ∈ T , le processus vérie la
propriété suivante:

E Xtn /Xt0 , Xt1 , . . . , Xtn−1 = Xtn−1 .
Remarque 1.3:
Ceci signie que la dernière réalisation Xtn−1 représentera la valeur
moyenne de l'observation à faire.
Exemples 1.3
Soit X (t) un PS centré et à accroissements indépendants. Montrer que
ce processus est une martingale?
On a
  
E Xtn /Xt0 , Xt1 , . . . , Xtn−1 = E  Xtn − Xtn−1 + Xtn−1 /Xt0 , Xt1 , . . . , Xtn−1
= E Xtn − Xtn−1 + Xtn−1
= Xtn−1

Chapitre 1 Processus stochastique

Classes des PS  Processus ergodiques
Pour ω0 xé, la moyenne temporelle d'ordre 1 et 2 du processus est dénie par:
- Cas discret:
N
1X
X̄ (ω0 ) = lim X (tn , ω0 ), (ordre 1)
N→∞ N
n=1
N
1
X¯2 (ω0 ) X 2 (tn , ω0 ),
X
= lim (ordre 2).
N→∞ N
n=1

- Cas continue:
1 T Z
X̄ (ω0 ) = lim X (t, ω0 )dt, (ordre 1)
T →∞ 2T
Z−T
1 T
X¯2 (ω0 ) = lim X 2 (t, ω0 )dt, (ordre 2).
T →∞ 2T −T

Dénition 1.6
Un PS X (t) est dit ergodique si toutes ses moyennes temporelles existent et ont
la même valeur quelle que soit la trajectoire considérée, sauf pour un ensemble
de trajectoires de probabilité nulle.

Chapitre 1 Processus stochastique

Classes des PS  Processus gaussiens et de Wiener

Dénition 1.8
Un PS X (t) est dit gaussien si pour chaque ensemble ni
d'instants tk (k = 1, 2, . . . , K ), le vecteur aléatoire à K dimensions
(Xt1 , Xt2 , . . . , XtK ) est gaussien.
Dénition 1.9
Un PS {W (t), t ≥ 0} est dit processus de Wiener si
W (0) = 0,
{W (t), t ≥ 0} est à accroissements indépendants et
stationnaires,
pour chaque t > s > 0, [W (t) − W (s)] suit une distribution
gaussienne,
pour tout t > 0, E {W (t)} = 0.

Chapitre 1 Processus stochastique

Classes des PS  Processus Ponctuel et de comptage
Dénition 1.10
Soit {Tn , n = 1, 2, · · · } une suite croissante de v.a, éventuellement de valeur
innie et presque partout deux à deux distinctes,
∃A ⊂ Ω, P(A) = 1, et w ∈ A, Tn (w ) ≤ ∞ =⇒ Tn−1 (w ) < Tn (w ).

La trace sur R+ des v.a Tn , n = 1, 2, · · · s'appelle un processus ponctuel sur R+ .

On dénit N(t), t ≥ 0, fonction de comptage, comme suit:
N(t) : (Ω, F, P) −→ N
∞
X
w 7−→ N(t)(w ) = 1{Tn (w )≤t} ,
n=1

Dénition 1.11
Un PS {N(t), t ≥ 0} est un processus de comptage si:
i. Pour tout t ≥ 0, N(t) prend des valeurs entières ou nulles;
2i. s < t =⇒ N(s) ≤ N(t)
3i. Pour s < t , N(t) − N(s) est égal au nombre d'évenements qui se sont
produits dans l'intervalle de temps ] s, t].

Chapitre 1 Processus stochastique

Classes des PS  Processus Markoviens
Dénition 1.12
Le processus X = (Ω, F, P, (Xt )t≥0 ) est un processus de sauts markoviens
ou processus de Markov si pour tout t > s
p.s
P (Xt ∈ B|Xu , 0 ≤ u ≤ s) = P (Xt ∈ B|Xs ) , B ∈ B,

ou de manière équivalente si

P (Xt ∈ B|Xu = xu , 0 ≤ u ≤ s) = P (Xt ∈ B|Xs = xs ) ,

pour tout B ∈ B et xu ∈ E , 0 ≤ u ≤ s .
Dénition 1.13
Le processus X à valeurs dans (E , B) dénombrable est une chaîne de
Markov si pour tout n = 1, · · · n et tout 0 < t1 < · · · < tn < tn+1 ,

P (Xtn+1 = xn+1 |Xtn = xn , · · · , X0 = x0 ) = P (Xtn+1 = xn+1 |Xtn = xn ) ,

pour tout état x0 , · · · , xn+1 dans E .

Chapitre 1 Processus stochastique