Aix-Marseille Université Processus Stochastiques

Master Mathématiques & Applications 1ère année Année 2019-2020

Série 2 : Temps d’arrêt et martingales.

Exercice 1
1. Soit (ξk )k≥1 une suite de v.a. i.i.d. de Bernoulli telle que

P (ξn = 1) = 1 − P (ξn = −1) = p, p ∈ [0, 1].

Pn
Sous quelle condition (Xn = k=1 ξk )n≥1 est elle une surmartingale ? une sous-
martingale ? une martingale ?
2. Soient (Yn )n≥0 des v.a.i.i.d. positives, et Xn = nk=0 Yk . Sous quelle condition
Q
(Xn )n≥0 est elle une surmartingale ? une sous-martingale ? une martingale ?
3. Considérons le processus suivant :
n
X
Sn = Yk − nr,
k=1

où les (Yk )k≥1 sont i.i.d. d’espérance finie. Montrer que le processus (Sn )n≥0 est une
martingale si et seulement si r = E(Y1 ).
4. Soit (Ω, F, (Fn )n≥0 , P ) un espace probabilisé filtré. On considère Y intégrable et
on définit le processus (Xn )n≥0 par Xn = E(Y | Fn ). Montrer que (Xn )n≥0 est une
martingale.

Exercice 2 Soit (Xn )n≥0 un processus et A un sous-ensemble d’états.

1. Le temps d’atteinte de l’ensemble A par le processus (Xn )n≥0 est défini par

TA = inf{n ≥ 0 : Xn ∈ A}.
(r)
Soient r ≥ 1 un entier et TA le premier instant où le processus (Xn )n≥0 atteint le
(1) (r)
sous-ensemble A pour la rième fois. Montrer que TA := TA et TA , pour r ≥ 2, sont
des temps d’arrêt pour le processus (Xn )n≥0 .
2. On note TA0 le dernier temps de passage de (Xn )n≥0 dans A. Soit (Yn )n≥0 le
processus constitué de v.a.i.i.d. de Bernoulli vérifiant

P (Yn = 1) = 1 − P (Yn = −1) = p, avec 0 < p < 1.

On pose Xn = Y0 + · · · + Yn et on note A l’ensemble des entiers négatifs ou nuls.

Montrer que TA0 n’est pas un temps d’arrêt pour (Xn )n≥0 .

Exercice 3 Soient (Ω, F, (Fn )n≥0 , P ) un espace probabilisé filtré et S, T deux temps
d’arrêt associés à la filtration (Fn )n≥0 . On note FS et FT les tribus des événements
antérieurs à S et à T respectivement. Montrer que
1. Si S ≡ p, p ∈ N, alors FS = Fp .
2. S ∧ T , S ∨ T et S + T sont des temps d’arrêt.

1
3. Si S ≤ T , alors FS ⊂ FT .
4. FS∧T = FS ∩ FT .
5. {S < T } ∈ FS ∩ FT et {S = T } ∈ FS ∩ FT .

Exercice 4 Théorème : Soit (Xn )n≥0 une martingale (resp. sur-, sous-) et soit
S ≤ T deux temps d’arrêt bornés. Alors,

E(XT | FS ) = XS (resp. ≤, ≥).

1. Montrer le théorème précédent.

2. Est-ce qu’est l’hypothèse que S et T sont des temps d’arrêt bornés est nécessaire ?

Correction : 1) La relation cruciale est d’observer que

T
X −1
XT − XS = Xk+1 − Xk
k=S
X∞
= 1{S≤k<T } (Xk+1 − Xk ).
k=0

Notez que cette somme est en fait finie (elle comporte un nombre non aléatoire de
terms) car T est borné.
A partir de cette relation on va calculer l’espérance conditionnelle. Pour cela on
prend un ensemble A ∈ FS et on doit calculer E[(XT − XS )1A ] pour montrer que
ça vaut 0. En utilisant la relation ci-dessus (et en justifiant le fait que l’on peut
intervertir somme et espérance car la somme est finie) on obtient
∞
X
E[(XT − XS )1A ] = E[1{S≤k<T }∩A (Xk+1 − Xk )].
k=0


On peut écrire l’ensemble {S ≤ k < T } ∩ A comme {S ≤ k} ∩ A ∩ {k < T }. Vu
que A ∈ FS on a {S ≤ k} ∩ A ∈ Fk et comme T est un temps d’arrêt {k < T } =
{T ≤ k}c ∈ Fk . Donc {S ≤ k < T } ∩ A ∈ Fk .
Du coup,

E[1{S≤k<T }∩A (Xk+1 − Xk )] = E[1{S≤k<T }∩A E[(Xk+1 − Xk )|Fk ]]

et comme (Xn )n est une martingale E[(Xk+1 − Xk )|Fk ] = 0. Au final E[(XT −

XS )1A ] = 0 et on a donc montré que

E[(XT − XS )|FS ] = 0,

ce qui est le résultat demandé.

2) L’hypothèse que S et T soient bornés n’est pas nécessaire. Il existe plusieurs
autres ”jeux d’hypothèses” standards. On peut aussi supposer l’un ou l’autre en-
semble d’hypothèses suivants
H1. la martingale (Xn )n est bornée, i.e. il existe K > 0 tel que pour tout n et
presque tout ω |Xn (ω)| ≤ K, et T est fini presque sûrement

2
 H2. T est intégrable et il existe un réel K tel que pour tout n et presque tout
ω : |Xn+1 (ω) − Xn (ω)| ≤ K
En effet, sous H2, les hypothèses permettent de refaire les calculs précédents, en
particulier
P∞ d’intervertir espérance et somme. il faut pouvoir montrer que la série
k=0 E[1{S≤k<T }∩A |Xk+1 − Xk |] converge pour appliquer Fubini. Or

∞
X ∞
X
E[1{S≤k<T }∩A |Xk+1 − Xk |] ≤K E[1{k<T } ]
k=0 k=0
∞
X
=KE[ 1{k<T } ]
k=0
=KE[T ] < +∞.

Sous H1, on observe que pour tout N ∈ N, T ∧ N et S ∧ N sont des temps d’arrêt
bornés. En appliquant le résultat de la question 1, on a

E[(XT ∧N − XS∧N )|FT ∧N ] = 0.

Soit A ∈ FS . Il faut maintenant observer que A ∩ {S ≤ N } ∈ FS∧N (le vérifier !) et

donc
E[(XT ∧N − XS∧N )1A∩{S≤N } ] = 0.
Le but est de passer à la limite dans l’expression ci-dessus quand N → ∞ grâce au
théorème de convergence dominée. Comme T (et donc S) est fini presque sûrement
on a presque sûrement

lim XT ∧N = XT , lim XS∧N = XS lim 1A∩{S≤N } = 1A

N →∞ N →∞ N →∞

Comme |XT ∧N | ≤ supn∈N |Xn | ≤ K et |XS∧N | ≤ supn∈N |Xn | ≤ K, la convergence

dominée entraı̂ne que
E[(XT − XS )1A ] = 0,
et donc le résultat voulu.
Pn
Exercice 5 Soient (ξn )n≥1 une suite de v.a. i.i.d. d’espérance nulle et Xn = k=1 ξk .
On se donne λ > 0 et on considère
 
Pn (λ) = P max Xk ≥ λ .
1≤k≤n

1. On suppose que ξ1 est de variance finie. Donner une majoration de Pn (λ) en

appliquant l’inégalité de Doob à Xn2 .
2. Améliorer la borne précédente en appliquant l’inégalité de Doob à (Xn + c)2 et
en optimisant sur c.
3. On suppose que les (ξn )n≥1 suivent une loi normale N (0, 1). Majorer Pn (λ) en
appliquant l’inégalité de Doob à ecXn et optimiser sur c.

Correction : 1) Remarquer que (Xn )n est une martingale. De plus elle est de carré
intégrable car ξ1 l’est (et donc chaque ξi car ces variables sont iid). L’inégalité de

3
Markov, puis celle de Doob entraı̂nent alors que

2 
Pn (λ) ≤λ−2 E max Xk

1≤k≤n
−2
max E Xk2
 
≤4λ
1≤k≤n

Il est alors facile de calculer

n
 2 X  
E Xk = E ξi ξi0
i,i0 =1
k
X n
X
E ξi2 +
   
= E ξi ξi0
i=1 i6=i0 =1
k
X n
X
E ξi2 +
   
= E ξi ]E[ξi0
i=1 i6=i0 =1
k
X
E ξi2 = kE ξ12
   
=
i=1

Au final Pn (λ) ≤ 4λ−2 nE ξ12 .

 

2) On a, en répétant les calculs précédents vu que (c + Xn )n est toujours une

martingale,
 
Pn (λ) =P max Xk ≥ λ
1≤k≤n
 
=P max Xk + c ≥ λ + c
1≤k≤n

2 
≤4(λ + c)−2 E max Xk + c

1≤k≤n
−2
max E (Xk + c)2
 
≤4(λ + c)
1≤k≤n
−2
=4(λ + c) (nE ξ12 + c2 )
 

On peut alors optimiser

  en c pour trouver que le minimum du membre de droite est
nE ξ12
atteint pour c = λ , ce qui donne

nE ξ12
 
Pn (λ) ≤ 4 2  .
λ + nE ξ12

3) Tout d’abord on remarque que ecXn est intégrable pour tout c. De plus, l’in-
égalité de Jensen montre que c’est une sous-martingale. Comme elle est positive on
va encore pouvoir lui appliquer les inégalités maximales. Tout d’abord on remarque
par croissance de u 7→ ecu (si c > 0) que
   
Pn (λ) =P max Xk ≥ λ ≤ P max ecXk ≥ ecλ
1≤k≤n 1≤k≤n

4
En appliquant les inégalités maximales on en déduit
 
Pn (λ) ≤e−cλ max E ecXk
1≤k≤n
−cλ+nc2 /2
=e

λ2
On conclut en prenant c = λ/n que Pn (λ) ≤ e− 2n .
Pn
Exercice 6 On considère Xn = i=1 ξi avec (ξn )n≥1 une suite de v.a.i.i.d. de
loi 1/2(δ−1 + δ1 ). On introduit Fn la fitration naturelle associée à (ξn )n≥1 . Soient
a < 0 < b des entiers, on définit Ta,b = inf{n ≥ 1 : Xn = a ou Xn = b}.
1. Que peut-on dire de (Xn )n≥1 et de Ta,b ?
2. Montrer que Ta,b est presque-sûrement fini (on pourra considérer, pour p ∈ N,
l’événement Ap = {ξp(b−a)+1 = · · · = ξp(b−a)+(b−a) = 1}).
3. Donner la loi de XTa,b .

Correction : 1) On peut vérifier aisément que (Xn )n est une martingale (pour
la filtration engendrée par les (ξn )n≥1 ) et que Ta,b est un temps d’arrêt pour cette
martingale.
2) L’argument pour montrer que Ta,b est presque-sûrement fini est plus subtil.
Observez tout d’abord que sur {Ta,b } = +∞, on doit avoir pour tout n : a + 1 ≤
Xn ≤ b − 1, ce qui implique |Xn − Xk | < b − a pour tous n, k.
Or, l’évènement Ap oblige Xn à faire un saut de longueur b − a entre les instants
p(b − a) et p(b − a) + (b − a), c’est-à-dire si Ap est réalisé on a

Xp(b−a)+(b−a) − Xp(b−a) = b − a (0.1)

Donc sur {Ta,b = +∞}, l’évènement Ap ne peut pas être réalisé, et ce pour tout p.
On en déduit que pour tout N
N
\
{Ta,b = +∞} ⊂ Acp
p=1

Or, les Ap étant indépendants : pour chaque p, notons Yp le vecteur aléatoire

Yp = (ξp(b−a)+1 , . . . , ξp(b−a)+(b−a) ).

Remarquez que chaque Yp implique des variables aléatoires ξk toutes différentes de

celles apparaissant dans les autres Yp0 pour p0 6= p. Comme les (ξn )n sont indé-
pendantes, la suite (Yp )p est elle aussi une suite de vecteurs aléatoires indépendants.
Comme chaque Ap peut s’écrire comme une fonction mesurable de Yp , les évènements
(Ap )p sont donc bien indépendants. On en déduit que
N
Y
P(Ta,b = +∞) ≤ P(Acp ) = (1 − P(A1 ))N = (1 − 2−(b−a) )N
p=1

Ceci étant vrai pour tout N , cela force P(Ta,b = +∞) = 0.

5
 3) Vu que Ta,b est fini ps, alors XTa,b ne peut prendre que 2 valeurs qui sont a ou b.
Nous allons calculer la probabilité de chacune d’entre elles grâce au théorème d’arrêt
(exo 4) pour les martingales. Comme (Xn )n est une martingale, le processus arrêté
(Xn∧Ta,b )n est également une martingale, qui est bornée car |Xn∧Ta,b | ≤ max(−a, b).
Les hypothèses H1 de l’exo 4 sont donc satisfaites et l’on obtient E[Xn∧Ta,b ] =
E[X0 ] = 0. Comme (Xn∧Ta,b )n est bornée et qu’elle converge vers XTa,b quand n →
∞, on peut appliquer la convergence dominée qui donne

0 = E[XTa,b ] = aP(Ta < Tb ) + bP(Tb < Ta )

De plus P(Ta < Tb ) + P(Tb < Ta ) = 1. Ces 2 équations permettent de déterminer

b −a
P(Ta < Tb ) = , P(Tb < Ta ) =
b−a b−a
b −a
La loi de XTa,b est donc donnée par b−a δa + b−a δb .