Chapitre 1

Exercices

Exercice 1. Soit Ω = {1, 2, 3} et deux sigma-algèbres

F = {∅, {1, 2}, {3}, {1, 2, 3}},

G = {∅, {1, 3}, {2}, {1, 2, 3}}.

Calculez F ∪ G et F ∩ G. Ces familles d’ensembles sont-elles des sigma-algèbres ?

Exercice 2. Soit Ω = {1, 2, 3, 4} et la famille d’ensembles

A = {{1, 2}, {2, 3}, {3, 4}}.

Donnez la composition de σ(A), la plus petite sigma-algèbre qui contient A.

Soit une mesure de probabilité P sur l’espace mesurable (Ω, σ(A)). Supposons que

P({1}) = 0,2, P({1, 2}) = 0,6, P({2, 3}) = 0,7.

Que vaut P(E) pour les autres événements E de σ(A) ?

Les événements {1, 4} et {1, 2} sont-ils indépendants sous la mesure P ?

Exercice 3. Soit l’espace mesurable (Ω, F), où Ω = {a, b, c} et F = 2Ω (la famille de tous

1
les sous-ensembles de Ω). Donnez explicitement la composition de F.

Soit la variable aléatoire X définie par

X(a) = 2, X(b) = 3, X(c) = 2.

Donnez explicitement la composition de σ(X), la sigma-algèbre engendrée par X ?

Soit la mesure de probabilité P telle que

P({a}) = 1/6, P({b}) = 1/3, P({c}) = 1/2,

et soit la variable aléatoire Y définie par

Y (a) = 4, Y (b) = 5, Y (c) = −2.

Y est-elle σ(X)-mesurable ? Quelle est la fonction de répartition de Y ?

Les variables aléatoires X et Y sont-elles indépendantes ?

Exercice 4 (ACT6230). Soit un espace de probabilité (Ω, F, P). Nous avons vu qu’une
variable aléatoire est une fonction X : Ω → R satisfaisant :

∀x ∈ R : {ω ∈ Ω : X(ω) ≤ x} ∈ F.

Montrez que si l’ensemble fondamental Ω est fini, alors cette condition est équivalente à

∀x ∈ R : {ω ∈ Ω : X(ω) = x} ∈ F.

Exercice 5 (ACT6230). Soit l’espace mesurable (Ω, F), où F = {Ω, ∅}. Démontrez que si
X est une variable aléatoire, alors X est constante.

Exercice 6 (ACT6230). Soit X une variable aléatoire sur l’espace mesurable (Ω, F). Dé-
montrez que X 2 est aussi une variable aléatoire.

Exercice 7. Soit l’espace mesurable (Ω, F), où Ω = {(a1 , a2 , a3 ) : at ∈ {P, F }, t = 1, 2, 3}

2
et F = 2Ω . On peut représenter cette expérience aléatoire par trois lancés d’une pièce de
monnaie (possiblement biaisée) ; obtenir pile au te lancé correspond à at = P .

Soit X = {Xt }3t=1 le processus stochastique défini par


1,

si at = P,
Xt =
0,

sinon.

Soit F = {Ft }3t=1 , la filtration engendrée par X. Donnez la composition de Ft , t = 1, 2, 3.

Soit Y = {Yt }3t=1 , le processus stochastique, où Yt est le nombre cumulatif de piles obtenus
jusqu’au lancé t. Quelle est la trajectoire du processus Y pour la réalisation (P, F, P ) ? Donnez
la composition de σ(Y2 ), la sigma-algèbre engendrée par Y2 . Est-ce que Y2 est F2 -mesurable ?
Est-ce que X2 est σ(Y2 )-mesurable ?

Exercice 8 (ACT6230). Soit l’espace mesurable (Ω, F), où Ω = {a, b, c, d, e, f } et F = 2Ω .

Soit la mesure de probabilité P telle que

3 4 5
P({a}) = , P({b}) = , P({c}) = ,
20 20 20
2 5 1
P({d}) = , P({e}) = , P({f }) = .
20 20 20

Soit les sigma-algèbres :

G1 := {∅, Ω, {a, b}, {c, d, e, f }},

G2 := {∅, Ω, {a, b}, {c, d}, {e, f }, {a, b, c, d}, {a, b, e, f }, {c, d, e, f }}.

Soit la variable aléatoire X telle que






1, si ω ∈ {a, d, e},

X(ω) = 3, si ω ∈ {b, c},



2,

sinon.

Vérifiez que E [X | G1 ] = E [E [X | G2 ] | G1 ] en utilisant seulement la définition de l’espérance

conditionnelle.

3
Exercice 9. Soit Y = {Yt }t=0,1,...,T , un processus stochastique à temps discret F-adapté et
intégrable. Montrez l’équivalence entre les conditions martingales vues dans le cours, soit les
conditions :

E[Yt | Fs ] = Ys , s = 0, 1, . . . , T et t = s + 1, . . . , T,

E[Yt+1 | Ft ] = Yt , t = 0, 1, . . . , T − 1,

E[YT | Ft ] = Yt , t = 0, 1, . . . , T − 1.

Exercice 10. Supposons que X1 , X2 , . . . est une suite de variables aléatoires indépendantes
et identiquement distribuées telles que pour tout i, P(Xi = 1) = p et P(Xi = −1) =
1 − p. Soit Y = {Yt }t=1,2,... , le processus stochastique défini par Yt = ti=1 Xi et soit F, la
P

filtration engendrée par ce processus. Pour quelle(s) valeur(s) de p le processus Y est-il une
F-martingale ?

Exercice 11. Supposons que X1 , X2 , . . . est une suite de variables aléatoires indépendantes
et identiquement distribuées de moyenne µ = 0 et de variance finie σ 2 . Soit

Yt = X1 + X2 + . . . + Xt et Zt = Yt2 − tσ 2 .

Montrez que {Zt }t=1,2,... est une martingale par rapport à la filtration engendrée par {Yt }t=1,2,... .

Exercice 12. Soit X, une variable aléatoire intégrable construite sur l’espace de probabilité
(Ω, F, P) et soit F = {Ft }t=0,1,... , une filtration sur cet espace. Montrez que le processus
stochastique Y = {Yt }t=0,1,... défini par

Yt = E [X | Ft ] , t = 0, 1, . . . ,

est une F-martingale.

Exercice 13. Soit l’espace mesurable (Ω, F), où Ω = {a, b, c, d} et F = 2Ω , et soit les
mesures de probabilité P et Q suivantes :

P(a) = P(b) = P(c) = P(d) = 0,25,

4
 Q(a) = 0,1, Q(b) = 0,2, Q(c) = 0,3, Q(d) = 0,4.

dQ
Calculez la dérivée de Radon-Nikodym dP
.