Calcul Stochastique

Calcul stochastique
M2 Mathematiques
Jean-Christophe Breton
Universite de Rennes 1
Septembre-Decembre 2014
Version du 20/10/14
Table des mati`

eres
1 Formule dIt
o et cons
equences
1.1 Formule dIto . . . . . . . . . . . . . . . . . .
1.2 Theorème de Levy . . . . . . . . . . . . . . .
1.3 Dubins-Schwarz . . . . . . . . . . . . . . . . .
1.4 Inegalites de Burkholder-Davis-Gundy . . . .
1.5 Representation des martingales (browniennes)
1.6 Formule de Tanaka . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
11
12
14
20
23
2 Th
eor`
eme de Girsanov
2.1 Logarithme stochastique . . . .
2.2 Theorème de Girsanov . . . . .
2.3 Utilisation de Girsanov . . . . .
2.4 Girsanov dans le cadre brownien
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
27
28
30
32
34
.
.
.
.
.
.
.
.
41
41
43
43
45
45
51
53
60
.
.
.
.
63
63
67
72
73
5 Diffusions
5.1 Generateur dune diffusion . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2 Semi-groupe dune diffusion . . . . . . . . . . . . . . . . . . . . . . . . . .
75
75
77
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3 Equations
diff
erentielles stochastiques
3.1 Introduction, definitions . . . . . . . .
3.2 Exemples dEDS . . . . . . . . . . . .
3.2.1 Equations
lineaires . . . . . . .
3.2.2 Equations affines . . . . . . . .

3.3 Existence et unicite . . . . . . . . . . .
3.4 Utilisation de Girsanov pour les EDS .
3.5 Flot sur lespace de Wiener . . . . . .
3.6 Markov fort pour EDS homogène . . .
4 Mouvement brownien et EDP
4.1 Fonctions harmoniques . . . .
4.2 Problème de Dirichlet . . . . .
4.3 Equation
de la chaleur . . . .
4.4 Formule de Feynman-Kac . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
ii
Table des matières

5.3
5.4
Diffusion et EDP . . . . . . . . . . . .
5.3.1 EDP de type Dirichlet . . . . .
5.3.2 Formule de Feynman-Kac . . .
Problème de martingales . . . . . . . .
5.4.1 Introduction . . . . . . . . . . .
5.4.2 EDS et problème de martingales
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
81
82
83
85
85
87
Introduction
Ces notes de cours ont pour but de presenter le mouvement brownien et lintegration
stochastique. dintroduire au calcul stochastique et à ses outils fondamentaux Elles sont
principalement destinees aux etudiants du Master 2 Mathematiques et applications
de lUniversite de Rennes 1. Ces notes ont plusieurs sources dinspiration, principalement
[LG1] mais aussi les notes de cours [Gue], [EGK], [CM], [Mal]. Par ailleurs, des references
standard conseillees sur le sujet sont les livres [KS], [RY].
Le contenu de ces notes est le suivant :
Les proprietes de lintegrale stochastique, en particulier la formule dIto et le theorème
de Girsanov, sont des outils qui fondent le calcul stochastique ; ils sont presentes dans les
Chapitres 1 et 2.
On presente la notion dequation differentielle stochastique (EDS) à laquelle on donne un
sens grace à lintegration stochastique, dans le Chapitre 3.
Le calcul stochastique et la formule dIto en particulier permettent de creer des liens feconds entre processus stochastiques et EDP. Ils sont illustres dans le Chapitre 4 par les
liens entre mouvement brownien et equation de la chaleur.
On sinteresse ensuite aux processus de diffusion, qui sont des solutions dEDS particulières. On le introduit dans le chapitre 5. Des references valables pour tous les chapitres
sont [LG1], [Gue], [EGK], [KS], [RY], [CM] et [Mal].
Les prerequis de ce cours sont des probabilites de base (des fondements des probabilites
aux consequences de la LGN et du TCL niveau L3) , les martingales en temps discret
(niveau M1), , le mouvement brownien et lintegration stochastique.
iii
iv
c
JCB
M2 Math. Universite de Rennes 1
Chapitre 1
Formule dIt
o et cons
equences
Dans ce chapitre, on prouve la formule dIto, veritable clef de vo
ute du calcul stochas2
tique. Celle-ci montre que lorsquon applique une application C a` une semimartingale, on
conserve une semimartingale ; elle en donne en plus la decomposition (martingale locale +
processus à variation finie). La formule dIto est prouvee en Section 1.1. Des consequences
importantes en sont presentees dans les sections suivantes : theorème de Levy (caracterisation du mouvement brownien par son crochet, Section 1.2 ), theorème de Dubins-Schwarz
(Section 1.3), inegalites de Burkholder-Davis-Gundy (Section 1.4), theorème de representation des martingales (Section 1.5), formule de Tanaka (Section 1.6).
1.1
Formule dIt
o
La formule dIto est loutil de base du calcul stochastique : elle montre quune fonction de
classe C 2 de p semimartingales continues est encore une semimartingale continue, et elle
exprime explicitement la decomposition de cette semimartingale.
Rappelons la formule de changement de variable classique : si F, g sont de classe C 1 alors
(F g)0 (t) = F 0 (g(t)) g 0 (t) secrit
Z t
F (g(t)) = F (g(0)) +
F 0 (g(s))g 0 (s) ds.
0
Si F est C 1 et g est seulement absolument continue (cest a` dire à variation finie) alors on
a encore avec lintegrale de Stieltjes :
Z t
F (g(t)) = F (g(0)) +
F 0 (g(s)) dg(s).
0
La meme formule reste vraie pour un processus X a` variation finie en faisant un calcul
trajectoriel (pour chaque fixe, la trajectoire t 7 Xt () est a` variation finie et le cas
precedent sapplique) : pour F une fonction de classe C 1 , on a alors
Z t
F (Xt ) = F (X0 ) +
F 0 (Xs ) dXs .
0
c
Chapitre 1. JCB
La formule dIto generalise cette propriete pour des semimartingales lorsque F est C 2 et
fait apparatre un terme supplementaire d
u au fait que ces processus ne sont pas a` variation
finie, cf. (1.1) ci-dessous.
Th
eor`
eme 1.1 (Formule dIt
o) Soient X une semimartingale et F : R R une fonction de classe C 2 . Alors
Z
Z t
1 t 00
0
F (Xs ) dhX, Xis .
(1.1)
F (Xs ) dXs +
F (Xt ) = F (X0 ) +
2 0
0
Si on considère p semimartingales continues X 1 , . . . , X p et F : Rp R de classe C 2 alors,
F (Xt1 , . . . , Xtp )
F (X01 , . . . , X0p )
p Z
X
XZ
1
2 i,j=1
F
(X 1 , . . . , Xsp ) dXsi
xi s
i=1
p
2F
(X 1 , . . . , Xsp ) dhX i , X j is .
xi xj s
(1.2)
D
emonstration : On traite dabord le cas (1.1) pour p = 1. Considerons une suite {0 =
tn0 < < tnpn = t}n1 de subdivisions emboitees de [0, t] de pas tendant vers 0. Alors en
telescopant la somme, on a
pn 1
F (Xt ) = F (X0 ) +

F (Xtni+1 ) F (Xtni ) .
i=0
La formule de Taylor à lordre 2 sur lintervalle (Xtni , Xtni+1 ) donne pour chaque :
fn,i ()
(Xtni+1 Xtni )2
2
F (Xtni+1 ) F (Xtni ) = F 0 (Xtni )(Xtni+1 Xtni ) +

o`
u
"
fn,i
inf F 00 Xtni + (Xtni+1
[0,1]
#

Xtni ) , sup F 00 Xtni + (Xtni+1 Xtni ) .
[0,1]
Daprès 6) dans la Proposition ?? (approximation a` la Riemann des integrales stochastiques) avec Hs = F 0 (Xs ), on a au sens de la convergence en probabilite :
pn 1
P- lim
n+
F (Xtni )(Xtni+1 Xtni ) =
F 0 (Xs ) dXs .
i=0
Pour prouver la formule dIto (1.1), il reste à etablir la convergence en probabilite :

pn 1
P- lim
n+
X
i=0
fn,i ()(Xtni+1 Xtni ) =
Z
0
F 00 (Xs ) dhX, Xis ,
(1.3)
1.1. Formule dIto
car alors, par unicite presque s

ure de la limite en probabilite, on aura pour tout t 0 :
Z
F (Xt ) = F (X0 ) +
0
1
F (Xs ) dXs +
2
0
F 00 (Xs ) dhX, Xis
ps.
Les deux termes de legalite ci-dessus etant continus en t, les deux processus sont en fait
indistinguables, ce qui donnera (1.1).
Il reste donc a` etablir (1.3) ; pour cela, on note pour m < n :
pn 1
Tn =
fn,i ()(Xtni+1 Xtni )2
i=0
pm 1
Tm,n =
X
j=0
Comme
Ppn 1
i=0
Ppm 1 P
j=0
fm,j ()
,
n
m
{i:tm
j ti <tj+1 }
(Xtni+1 Xtni )2 .
n
m
{i:tm
j ti <tj+1 }
on a
|Tn Tm,n |

pX

pm 1
X
X
X
m 1

2
2

=
fn,i ()(Xtni+1 Xtni )
fm,j ()(Xtni+1 Xtni )
j=0 {i:tm

n
m
n
m
j=0 {i:tm
j ti <tj+1 }
j ti <tj+1 }

pm 1

X
X

2

=
fn,i () fm,j () (Xtni+1 Xtni )
j=0 {i:tm

n
m
j ti <tj+1 }

pm 1
X

X
2

(Xtni+1 Xtni )
Zm,n

j=0 {i:tm
n
m
j ti <tj+1 }
!
pn 1
X
= Zm,n
(Xtni+1 Xtni )2
i=0
avec
!
Zm,n =
|fn,i fm,j | .
sup
sup
0jpm 1
n
m
{i:tm
j ti <tj+1 }
La continuite de F 00 assure que Zm,n 0 ps quand m, n +. Daprès linterpretation

P n 1
P
variation quadratique du crochet (Proposition ??), on a pi=0
(Xtni+1 Xtni )2 hX, Xit .
Et donc pour > 0 donne, il existe m1 tel que pour tout n > m m1 ,
pn 1

P |Tn Tm,n | /3 P Zm,n
X
i=0
(Xtni+1 Xtni )2
!
/3
/3.
(1.4)
c
Chapitre 1. JCB
P n 1
P
P
(Comme Zm,n 0 et pi=0
(Xtni+1 Xtni )2 hX, Xit , le theorème de Slutsky assure

P
P
pn 1
2
n
n
Zm,n
0.) Ensuite la Proposition ?? montre aussi quen probai=0 (Xti+1 Xti )
bilite :
pm 1
P- lim Tm,n = P- lim

n+
n+
pm 1
fm,j
(Xtni+1 Xtni )2
n
m
{i:tm
j ti <tj+1 }
j=0
fm,j hX, Xi
tm
j+1
hX, Xi
tm
j
j=0
Z t
hm (s) dhX, Xis ,

0
m
o`
u hm est definie par hm (s) = fm,j si tm
j s < tj+1 . Ainsi il existe m2 tel que pour m m2

Z t

hm (s) dhX, Xis /3 /3.
(1.5)
P Tm,n
0
Puis comme F est C 2 , on a limm+ hm (s) = F 00 (Xs ) ps. De plus, on a pour tout s

hm (s) F 00 (Xs ) = fm,j lim fm,i = lim fm,j fm,i lim Zn,m ,
n+
n+
n+
et donc
sup |hm (s) F 00 (Xs )| 0.
P
s[0,t]
Il existe donc aussi m3 tel que pour m m3

Z t
Z t

00
F (Xs ) dhX, Xis /3 /3.
P hm (s) dhX, Xis
0
Comme

(p 1
)
Z t
n

X

fn,i (Xtni+1 Xtni )2
F 00 (Xs ) dhX, Xis

0
i=0
{|Tn Tm,n | /3}

Z t

Tm,n
hm (s) dhX, Xis /3
0

Z t

Z t

00

hm (s) dhX, Xis
F (Xs ) dhX, Xis /3
0
en combinant (1.4), (1.5), (1.6), et en prenant n > m max(m1 , m2 , m3 ), on a :

p 1

!
Z t
n
X

P
F 00 (Xs ) dhX, Xis
fn,i (Xtni+1 Xtni )2

0
i=0
(1.6)
1.1. Formule dIto
ce qui prouve (1.3) et donc la formule dIto (1.1) pour p = 1.

Dans le cas o`
u p est quelconque, la formule de Taylor (toujours à lordre 2) donne
F (Xt1ni+1 , . . . , Xtpni+1 ) F (Xt1ni , . . . , Xtpni )
p
p
k,l
X
X
fn,i
F
p
k
k
1
=
(Xtni , . . . , Xtni )(Xtni+1 Xtni ) +
(Xtkni+1 Xtkni )
x
2
k
k=1
k,l=1
avec
#
2
F
2F
inf
(Xt1ni + (Xt1ni+1 Xt1ni ), . . . ), sup
(Xt1ni + (Xt1ni+1 Xt1ni ), . . . ) .
[0,1] xk xl
[0,1] xk xl
"
k,l
fn,i
Le 6) dans la Proposition ?? donne a` nouveau la limite cherchee pour les termes faisant
intervenir les derivees premières :
p Z
X
i=1
X
F
P
(Xs1 , . . . , Xsp ) dXsi
xi
i=1
Z
0
F
(X 1 , . . . , Xsp ) dXsi .
xi s
En adaptant legèrement les arguments du cas p = 1, on montre que pour tous k, l

{1, . . . , p} :
pn 1
P- lim
n+
k,l
fn,i
(Xtkni+1
Xtkni )(Xtlni+1
Xtlni )
Z
=
0
i=0
2F
(X 1 , . . . , Xsp ) dhX k , X l is .
xk xl s
Cela achève la preuve de la formule dIto dans le cas general (1.2).
Un cas particulier important de la formule dIto est la formule dintegration par parties.
Corollaire 1.1 (IPP) Si X et Y sont deux semimartingales continues, on a
Z t
Z t
Xt Yt = X0 Y0 +
Xs dYs +
Ys dXs + hX, Y it .
0
(1.7)
Le terme hX, Y i est nul si X ou Y est a` variation finie. Il est present quand on considère
de (vraies) semimartingales et ce terme supplementaire temoigne de la difference entre le
calcul stochastique et le calcul differentiel deterministe.
D
emonstration : Appliquer la formule dIto a` F (x, y) = xy qui est bien de classe C 2 en
x, y et noter que
2F
2F
2F
(x, y) = 1,
(x,
y)
=
(x, y) = 0.
xy
x2
y 2
c
Chapitre 1. JCB
En particulier, si Y = X on obtient
Xt2
X02
Xs dXs + hX, Xit .
+2
0
Remarque 1.1
Lorsque X = M est une martingale locale, on sait que M 2 hM, M i
est une martingale locale (definition du crochet du theorème ??). La formule precedente montre que cette martingale locale est en fait
M02
Ms dMs ,
+2
0
ce quon aurait pu voir directement sur la demonstration donnee en Section ?? puisquune lecture P
attentive de la demonstration indique que la construction de hM, M i
n
Mtni (Mtni+1 Mtni ) qui sont des approximations (à la Riemann)
fait intervenir pi=0
Rt
de lintegrale stochastique 0 Ms dMs .
En prenant Xt1 = t et Xt2 = Xt , on a aussi pour toute fonction F de classe C 2 sur
R+ R
Z t
Z
Z t
F
1 t 2F
F
F (t, Xt ) = F (0, X0 )+
(s, Xs )dXs +
(s, Xs )ds +
(s, Xs ) dhX, Xis .
2 0 x2
0 x
0 t
|
{z
} |
{z
}
martingale locale
variation finie
(1.8)
En fait, il suffit de prendre F C 1,2 (R+ R, R), ie. F est C 1 en t R+ et C 2 en
x R.
Retour au mouvement brownien

Pour un (Ft )t0 -mouvement brownien B, la formule dIto secrit
Z
F (Bt ) = F (B0 ) +
0
1
F (Bs ) dBs +
2
0
F 00 (Bs ) ds.
En prenant Xt1 = t et Xt2 = Bt , (1.8) devient : pour toute fonction F de classe C 2 sur
R+ R, on a :
Z
F (t, Bt ) = F (0, B0 ) +
0
F
(s, Bs ) dBs +
x
Z t
0
F
1 2F
+
t
2 x2

(s, Bs ) ds.
Si Bt = (Bt1 , . . . , Btp ) est un (Ft )t0 -mouvement brownien en dimension d alors les B i sont
des mouvements browniens independants. On a vu au chapitre precedent que dans ce cas
1.1. Formule dIto
hB i , B j i = 0 lorsque i 6= j et dhB i , B i is = ds. La formule dIto montre alors que, pour

toute fonction F de classe C 2 sur Rp ,
F (Bt1 , . . . , Btp )
F (B01 , . . . , B0p )
p Z
X
i=1
o`
u F =
2F
i=1 x2i
Pd
1
F 1
(Bs , . . . , Bsp )dBsi +
xi
2
F (Bs1 , . . . , Bsp )ds
est le laplacien de F . On a aussi une formule analogue pour F (t, Bt1 , . . . , Btp ).
En particulier si F est harmonique (ie. F = 0) alors F (Bt1 , . . . , Btp ) est une martingale
locale.
Exponentielles stochastiques
On definit maintenant lexponentielle stochastique E(M ) dune martingale locale M
quelconque. La formule dIto justifie quil sagit dune martingale locale et explique la
terminologie, cf. la Remarque 1.2 ci-dessous. Pour commencer, on dit quun processus a`
valeurs dans C est une martingale locale si ses parties reelle et imaginaire en sont.
Proposition 1.1 Soit M une martingale locale. Pour tout C, soit

2
E(M )t = exp Mt hM, M it .
2
Le processus E(M ) est une martingale locale.
D
emonstration : Si F (x, r) est une fonction de classe C 2 sur R R+ , la formule dIto
entrane que
F Mt , hM, M it

F
Ms , hM, M is dMs
= F (M0 , 0) +
0 x

Z t

F
1 2F
+
+
M
,
hM,
M
i
dhM, M is .
s
s
r
2 x2
0

Le processus F Mt , hM, M it est une martingale locale dès que sa partie a` variation finie
sannule, ie. lorsque F verifie la condition :
F
1 2F
+
= 0.
r
2 x2
Il est immediat que cette condition est satisfaite par la fonction F (x, r) = exp x
(plus precisement par les parties reelle et imaginaire de cette fonction).
2
r
2
c
Chapitre 1. JCB

Remarque 1.2 Avec F (x, r) = exp x r/2 (prendre = 1 precedemment),
F (x, r), si bien que lidentite
Z
F Mt , hM, M it = F (M0 , 0) +
0
secrit
Z
F
(x, r)
x

F
Ms , hM, M is dMs
x
E(M )s dMs
E(M )t = E(M )0 +
(1.9)
ou en ecriture symbolique dEDS (cf. Chapitre 3) : dE(M ) = E(M )dM , ce qui generalise
lequation dy = ydx de solution y(x) = ex avec la condition y(0) = 1 ou lequation dy = ydg
de solution y(t) = exp(g(t)) si g est a` variation finie nulle en 0 et avec la condition initiale
y(0) = 1. Cette propriete justifie lappelation exponentielle stochastique de M pour
E(M ).
Proposition 1.2 Soit f L2loc (B). Si pour une constante C finie, on a
Z
f (s)2 ds C
ps
R
R
alors E( 0 fs dBs ) est une vraie martingale de carre integrable et, pour tout t 0, E[E( 0 fs dBs )t ] =
1
Si f L2loc (B) est à valeurs complexes, on a
" Z
2 #

Z
Z t

2
|f (s)| ds C = E E( fs dBs ) < + et E E( fs dBs ) = 1.
0
R
D
emonstration : Notons Zt = E( 0 f (s)dBs )t . On commence par supposer que |f (s)| k
pour tout s [0, t]. Pour lexponentielle stochastique, la formule dIto secrit
Z
Zt = 1 +
Zs f (s) dBs .
0
On montre alors que

fZ
L2[0,t] (B)

=
Z
H : R+ R : progressif avec E
Hs2

ds < +
Rt
pour assurer que 0 Zs f (s) dBs est une (vraie) martingale et que E[Zt ] = 1. De (a + b)2
2(a2 + b2 ), on deduit
Z
!
2
Zu2
2 1+
Zs fs dBs
0
u t.
1.1. Formule dIto
Ru
Pour le calcul du moment dordre 2 de 0 Zs fs dBs , on utilise lisometrie dIto pour deduire
pour u t :

Z u
2 2
2
E Zs fs ds
E Zu 2 1 +
0

Z u
2
2
E Zs ds .
(1.10)
2 1+k
0
E[Zs2 ]
Apriori comme
nest pas finie, on considère les temps darret Tn = inf t 0 : Zt
n , n 1, qui reduisent la martingale locale Z. En faisant comme precedemment, on peut
remplacer (1.10) par

Z u

2
2

2
2
(1.11)
E Zs 1sTn ds .
E Zu 1{uTn } E ZuTn 2 1 + k
0

On peut alors appliquer le resultat suivant a` E Zu2 1{uTn } :
Lemme 1.1 (Gronwall) Soit g une fonction positive localement integrable definie sur R+
telle que pour a, b 0
Z
t
g(t) a + b
g(s) ds.
(1.12)
Alors g(t) a exp(bt) pour tout t 0.

Preuve (Gronwall). En multipliant par ebt , lhypothèse (1.12) secrit

Z t
d
exp(bt)
g(s)ds a exp(bt)
dt
0
ce qui, en integrant, donne
Z
exp(bt)
0
a
g(s)ds (1 exp(bt)).
b
On obtient le resultat en reportant linegalite ci-dessus dans lhypothèse (1.12) :

a
g(t) a + b ebt (1 exp(bt)) = aebt .
b

Le lemme de Gronwall assure E[Zs2 1{uTn } ] 2 exp(2k 2 s) et par convergence monotone
lorsque n + E[Zs2 ] 2 exp(2k 2 s). On a donc Zs de carre integrable et borne dans L2
pour s [0, t]. Cela garantit f Z L2[0,t] (B) et E[Zt ] = 1.
Dans le cas general, onRpose fn = (f Rn) (n) et on applique le cas precedent a` fn . Par
t
t
convergence monotone 0 fn (u)2 du % 0 f (u)2 du, n +, et par isometrie et convergence
Rt
L2 R t
dominee 0 fn (u)dBu 0 f (u)dBu car
"Z
2 #
Z t

Z t
t
2
E
fn (u) dBu
f (u) dBu
=E
(fn (u) f (u)) du .
0
c
Chapitre 1. JCB
10
On a donc
Z
0
1
fn (s) dBs
2
fn (s) ds
0
1
fn (s) dBs
2
f (s)2 ds
et (comme la convergence en probabilite se conserve en appliquant une application contiP

nue) on a avec des notations evidentes Zn (t) Z(t), n +. Puis

Z t
Z t

2
2
fn (s) ds
fn (s) dBs (4 3)
E Zn (t)
= E exp 2
0

Z t
1/2
Z t
2
E exp 4
fn (s) dBs 8
fn (s) ds
0
1/2

Z t
2
fn (s) ds
E exp 6
0
1 exp(3C)
en utilisant linegalite de Cauchy-Schwarz et le cas precedent pour avoir

Z t

Z t

Z t
2
4fn (s) dBs
E exp 4
fn (s) dBs 8
fn (s) ds
=E E
= 1.
0
On a donc (Zn (t))n1 uniformement integrable. Daprès le Theorème de Vitali, la converL1
gence Zn (t) Z(t) se renforce en Zn (t) Z(t) et on a en particulier limn+ E[Zn (t)] =
E[Z(t)], ce qui assure E[Z(t)] = 1.
Par le lemme de Fatou,
h
i
h
i
E[Z(t)|Fs ] = E lim Zn (t)|Fs = E lim inf Zn (t)|Fs
n+
n+

lim inf E Zn (t)|Fs lim inf Zn (s) = Z(s).
n+
n+
Par consequent, Z est une surmartingale. Comme E[Z(t)] = 1, cela exige quen fait ce soit
une vraie martingale.
Puis, on a mieux que luniforme integrabilite dans L1 : en effet

Z t

Z
3 t
3
2
E[Zn (t) ] = E exp 3
fn (s) dBs
fn (s) ds
2 0
0

Z t

Z
18 15 t
2
= E exp 3
fn (s) dBs
fn (s) ds
2
0
0
1/2

Z t
Z t
2
E exp 6
fn (s) dBs 18
fn (s) ds
0
E exp 15
0
1/2
fn (s) ds
2
1.2. Theorème de Levy
11
h Z
i
6fn (s) dBs t exp(15C/2) = exp(15C/2)
E E
0
L2
justifie que (Zn (t))n1 est uiformement integrable dans L2 . On en deduit alors que Zn (t)
Z(t) et donc Z(t) L2 .
Pour le cas complexe, on ecrit f = Re(f ) + iIm(f ) et on se ramène assez facilement au cas
reel.
1.2
Th
eor`
eme de L
evy
Le resultat suivant permet de caracteriser le mouvement brownien par son crochet parmi
les martingales locales a` trajectoires continues.
Th
eor`
eme 1.2 (Caract
erisation du MB par son crochet) Soit X = (X 1 , . . . , X d )
un processus à trajectoires continues (Ft )t0 -adapte issu de 0. Il y a equivalence entre
1. X est un (Ft )t0 -mouvement brownien en dimension d.
2. Les processus X 1 , . . . , X d sont des (Ft )t0 -martingales locales continues et de plus
hX i , X j it = i,j t
o`
u i,j designe le symbole de Kronecker.
En particulier, une (Ft )t0 -martingale locale continue M issue de 0 est un (Ft )t0 -mouvement brownien si et seulement si hM, M it = t.
Remarque 1.3 Il est crucial que le processus soit à trajectoires continues. Par exemple le
processus de Poisson (standard) verifie la meme propriete de crochet mais il est a` trajectoires càdlàg.
D
emonstration : Le sens 1) 2) est connu, cf.
?? et ??. On montre la
PdRemarques
j
d
reciproque. Pour cela, soit u R . Alors u Xt = j=1 uj Xt est une martingale locale de
processus croissant
d X
d
d
X
X
j
k
uj uk hX , X it =
u2j t = kuk2 t.
j=1 k=1
j=1
Daprès la Proposition 1.1 sur les exponentielles stochastiques, E(iuX) = exp iu Xt +

1
kuk2 t est une martingale locale. Cette martingale locale est bornee sur les intervalles
2
[0, T ], T > 0, il sagit donc dune vraie martingale. La propriete de martingale donne alors
pour s < t

1
1

2
2
E exp iu Xt + kuk t Fs = exp iu Xs + kuk s .
2
2
c
Chapitre 1. JCB
12
En particulier, pour A Fs , on a :
h
i
E 1A exp iu (Xt Xs )
= E [E [1A exp (iu (Xt Xs )) |Fs ]]

1
1
2
2
= E 1A exp iu Xs kuk t E exp iu Xt + kuk t |Fs
2
2

1
1
2
2
= E 1A exp iu Xs kuk t exp iu Xs + kuk s
2
2

1
= P(A) exp kuk2 (t s) .
2
(1.13)
Avec A = , (1.13) montre que Xt Xs N (0, (t s)Id ). Ensuite pour A Fs de

probabilite P(A) > 0, en notant PA () = P(|A), on a
h
EA

i
1
2
exp iu (Xt Xs ) = exp kuk (t s)
2

ie. L(Xt Xs |A) = N 0, (t s)Id . Pour toute fonction mesurable positive f sur Rd , on a

EA f (Xt Xs ) = E f (Xt Xs )
soit

E 1A f (Xt Xs ) = P(A)E f (Xt Xs ) .
Comme cest vrai pour tout A Fs , on a Xt Xs
Fs .
Finalement, pour tout 0 = t0 < t1 < < tp , le vecteur Xtij Xtij1
1id
1jp
est un vecteur
gaussien (car obtenu en regroupant p vecteurs gaussiens independants). Par transformation lineaire, (Xti )1ip est encore un vecteur gaussien
pour tout (ti )1ip et donc X est un
i
i
processus gaussien. Comme le vecteur Xtj Xtj1 1id a ses composantes independantes,
1jp
le processus X est finalement gaussien, a` accroissements independants et stationnaires et

(par hypothèse) à trajectoires continues : cela justifie que X 1 , . . . , X d sont d mouvements
browniens independants.
1.3
Dubins-Schwarz
Le resultat suivant montre que pour les martingales locales, le crochet est une horloge
interne qui permet de retrouver le processus quand on evalue un mouvement brownien avec
cette horloge. Cest une preuve supplementaire du role central du mouvement brownien
dans la classe des martingales locales continues.
1.3. Dubins-Schwarz
13
Th
eor`
eme 1.3 (Dubins-Schwarz) Soit M une martingale locale continue issue de 0 et
telle que hM, M i = + ps. Alors, il existe un mouvement brownien tel que
ps
t 0,
Mt = hM,M it .
Remarque 1.4
En grossissant lespace de probabilite on peut se debarrasser de la
restriction hM, M i = + ps.
Le mouvement brownien nest pas adapte par rapport à la filtration (Ft )t0 initiale
de M , mais par rapport à une filtration changee de temps .
Il sagit dun resultat existentiel : le resultat est valable pour un certain mouvement
brownien (construit par la preuve du theorème) et pas pour un mouvement brownien
quelconque.
D
emonstration : Pour tout r 0, on definit un temps darret r en posant

r = inf t 0 : hM, M it > r .
Lhypothèse sur hM, M i assure que r < + ps. De plus, la fonction r 7 r est
croissante car si r s alors
{t 0 : hM, M it > s} {t 0 : hM, M it > r}
et en passant aux inf : r s ;
continue a` droite car si on note = lims&r s , on a dabord r par croissance, puis
si linegalite est stricte, on aurait r < < s pour tout s > r et necessairement
r < hM, M i s pour tout s > r ce qui est absurde (car on peut prendre s
arbitrairement proche de r) ;
avec des limites à gauche en r > 0 avec

lim s = r = inf t 0 : hM, M it = r .
s%r
La fonction r 7 r est donc croissante càdlàg. On pose alors r = Mr . Le processus

est adapte par rapport a` la filtration donnee par Gr = Fr , r 0. Remarquons que cette
filtration satisfait les conditions habituelles
T (puisque lorsque (Tn )n1 est une suite de temps
darret decroissants vers T on a FT = n1 FTn , cf. Prop. ??).
Lemme 1.2 Les intervalles de constance de M et de hM, M i sont ps les memes. En
dautres termes, on a ps pour tous a < b,
Mt = Ma , t [a, b] hM, M it = hM, M ia , t [a, b].
D
emonstration : De la gauche vers la droite, utiliser lapproximation habituelle de
hM, M it . De la droite vers la gauche, appliquer le Corollaire ?? (hM, M i = 0 : M est
indistinguable de M0 ) au processus M(a+t)T Ma pour un temps darret T convenable.
c
Chapitre 1. JCB
14
Revenons à la preuve du Theorème 1.3. On a ps pour tout r > 0,

lim s = lim Ms = Mr = Mr = r .
s%r
s%r
o`
u lavant dernière egalite vient du Lemme 1.2 et du fait que pour t [r , r ], on a
hM, M it = r. Par ailleurs, par composition de telles fonctions, les trajectoires de sont
clairement continues à droite ; on conclut que le processus est a` trajectoires continues.
Nous montrons ensuite que s et s2 s sont des martingales relativement à la filtration
(Gs )s0 . Pour tout n 1, les martingales locales arretees M n et (M n )2 hM, M in
sont des vraies martingales uniformement integrables (daprès le Theorème ?? puisque
hM n , M n i = hM, M in = n). Le theorème darret sapplique pour ces martingales uniformement integrables et donne alors pour r s n :
E[s |Gr ] = E[Msn |Fr ] = Mrn = r
et

E[s2 s|Gr ] = E (Msn )2 hM n , M n is |Fr
= (Mrn )2 hM n , M n ir
= r2 r.
On a donc h, is = s. Le Theorème 1.2 (Theorème de Levy avec d = 1) assure alors que
est un (Gr )r0 -mouvement brownien. Finalement, par definition de , on a ps pour tout
t 0,
hM,M it = MhM,M it .
On a

hM,M it = inf s 0 : hM, M is > hM, M it t,
si linegalite est stricte alors hM, M i est constante sur [t, hM,M it ], et daprès le Lemme 1.2
M aussi, ce qui assure MhM,M it = Mt et conclut que ps pour tout t 0 on a Mt = hM,M it .
Par continuite des trajectoires, les deux processus sont indistinguables.
1.4
In
egalit
es de Burkholder-Davis-Gundy
Dans cette section, on prouve les inegalites Burkholder-Davis-Gundy (BDG) qui montrent
que pour une martingale locale M

E hM, M im
et E |Mt |2m
t
o`
u Mt = max0st |Ms | sont de meme ordre de grandeur sur [0, +[ pour tout m > 0.
1.4. Inegalites de Burkholder-Davis-Gundy
15
Th
eor`
eme 1.4 (In
egalit
es de Burkholder-Davis-Gundy) Pour tout reel p 0, il
existe des constantes cp , Cp telles que pour toutes martingale locale M continue issue de 0,

p

p/2
(1.14)
C
E
hM,
M
i
)
E
(M
cp E hM, M ip/2
p
o`
u Mt = sup0st |Ms |.
Remarque 1.5 Si T est un temps darret quelconque, en remplacant M par la martingale
locale arretee M T , on obtient les memes inegalites avec T a` la place de + ; en particulier,
on a les memes inegalites avec t a` la place de +.
On commence par les resultats preliminaires suivant :
Proposition 1.3 (In
egalit
es de martingales) Soit M une martingale continue
et de variation quadratique bornee. Pour tout temps darret T , on a

E |MT |2m Cm E hM, M im
m>0
T ,

m
2m
Bm E hM, M iT
E |MT | , m > 1/2

m
0
Bm E hM, M iT
E (MT )2m Cm
E hM, M im
m > 1/2
T ,
bornee
(1.15)
(1.16)
(1.17)
0
sont des constantes universelles (qui dependent seulement de m mais pas
o`
u Bm , Cm , Cm
de la martingale M ni du temps darret T ).
Remarque 1.6 En localisant correctement, on montre que (1.15) et (1.17) restent valables
pour M
locale continue. Pour que (1.16) reste valable, il faut supposer en plus
martingale
m
que E hM, M iT < +.
D
emonstration :[Inegalites de martingales] On considère le processus
Yt = + hM, M it + Mt2
Z
= + (1 + )hM, M it + 2
Ms dMs ,
t 0,
o`
u > 0 et > 0 sont des constantes qui seront choisies plus tard et la deuxième expression
vient de la formule dIto. En appliquant la formule dIto pour f (x) = xm , on a pour t 0 :
Z t
Z t
m
m
m1
Yt = + m(1 + )
Ys dhM, M is + 2m(m 1)
Ysm2 Ms2 dhM, M is
0
0
Z t
+2m
Ysm1 Ms dMs .
0
Comme
R t m1 par hypothèse M , Y et hM, M i sont bornees et Y est bornee de 0, lintegrale
Y
Ms dMs est (vraie) une martingale uniformement integrable. Le theorème darret
0 s
(Theorème ??) sapplique et donne
Z T

m1
E
Ys Ms dMs = 0.
0
c
Chapitre 1. JCB
16
En prenant les esperances dans la formule dIto, on a donc

Z T
m
m1
m
Ys dhM, M is
= + m(1 + )E
E YT
0
Z T

m2
2
+2m(m 1)E
Ys Ms dhM, M i .
(1.18)
Cas 1 : borne sup pour 0 < m 1. Comme le dernier terme a` droite de (1.18) est
negatif pour m 1, en faisant 0, on a
Z T

2 m
2 m1
E (hM, M iT + MT )
m(1 + )E
(hM, M is + Ms )
dhM, M is
0
Z T

m1
m1
hM, M is dhM, M is
m(1 + )
E
0

= (1 + )m1 E hM, M im
(1.19)
T
en utilisant la decroissance de xm1 pour 0 < m 1. Comme pour ces valeurs de m,
x 7 xm est concave, on a
2m1 (xm + y m ) (x + y)m ,
x 0, y 0,
(1.20)
et (1.19) donne

2m
m E hM, M im
(1 + )(/2)m1 E hM, M im
T + E |MT |
T .
(1.21)
On deduit alors

E |MT |2m (1 + )(2/)1m m E hM, M im
T .
(1.22)
Cas 2 : borne inf pour m > 1. Dans ce cas, le dernier terme a` droite de (1.18) est positif,
x 7 xm1 est croissante et x 7 xm est convexe. Les inegalites dans (1.19), (1.21), (1.22)
se renversent pour mener a`

E |MT |2m (1 + )(2/)1m m E hM, M im
T .
Cas 3 : borne inf pour
1
2
< m 1. En faisant = 0 et 0 dans (1.18), on a

1
E |MT |2m = 2m(m )E
2
Z
T
2(m1)
|Ms |

dhM, M is .
De plus, on deduit de (1.20) et (1.18) et de la decroissance de xm1

m
2 m
2m1 m E[hM, M im
E hM, M iT + ( + MT2 )
= E|YTm ]
T ] + E[( + MT ) ]
(1.23)
17
T
Z
+ m(1 + )E
( +
Ms2 )m1 dhM, M is

.
En faisant & 0, on voit alors

m1

2m
E hM, M im
m(1 + )E
T + E |MT |
Z
2(m1)
|Ms |

dhM, M is .
(1.24)
En combinant (1.23) et (1.24), on a la borne inferieure valable pour tout > 0 :

1

(1 + )21m
m
2m
1
E |MT |
E hM, M im
T .
2m 1
Cas 4 : borne sup pour m > 1. Dans ce cas, linegalite (1.24) sinverse et on a

1

(1 + )21m
2m
m
E |MT |
E hM, M im
1
T
2m 1
o`
u doit verifier > (2m 1)2m1 1.
Les cas 14 etablissent (1.15) et (1.16). Pour prouver (1.17), on applique linegalite maximale de Doob a` la (Ft )-martingale (MT t )t0 On a alors pour m > 1/2 :

2m
2m
Bm E hM, M im
E
|M
|
E
(MT t )
T
t
T t

2m

2m
E |MT t |2m
2m 1

2m

2m
Cm
E hM, M im
t 0,
T t ,
2m 1
ce qui est (1.17) avec T remplace par T t. On conclut alors a` laide du theorème de
convergence monotone en faisant t +.

On utilise encore linegalite de Lenglart :
Proposition 1.4 (In
egalit
e de Lenglart) Soit (Xt )t0 un processus continu positif partant de 0 et (At )t0 un processus continu croissant tels que
pour tout temps darret T borne :
E[XT ] E[AT ].
Alors pour tout temps darret T borne :

E[ AT ]
+ P(AT ), , > 0
P max Xs
sT

2p p
E (XT )p
E AT , 0 < p < 1.
1p
(1.25)
(1.26)
(1.27)
c
Chapitre 1. JCB
18
Remarque 1.7 Noter que la condition (1.25) est remplie si X = M 2 o`

u M est une mar2
tingale continue bornee dans L car par definition du crochet de M , on a Xt At =
Mt2 hM, M it martingale locale et cest une vraie martingale car M L2 . Le theorème

darret (avec T borne et 0 T ) donne en prenant lesperance E MT2 AT = E M02 A0 ,
ie. E[XT ] = E[AT ].
La condition (1.25) est encore remplie si M est une martingale locale reduite par Tn : on
peut supposer que M Tn est une martingale L2 pour laquelle daprès 1) (1.25) est vraie, ie.
E[XT Tn ] = E[AT Tn ] E[AT ].
Mais comme Tn % + et T est borne, par le lemme de Fatou,

E[XT ] = E lim inf XT Tn lim inf E[XT Tn ] lim inf E[AT Tn ] E[AT ].
n
D
emonstration
: Soient dabord T un temps darret borne et > 0. On note R = inf t

0 : Xt . Sur {XT }, on a R T ou encore R = R T . Comme par continuite des
trajectoires XR = , on a alors :

XR
XRT
P XT = E 1{XT } = E
1{XT } = E
1{XT }
1
1
1
E[XRT ] E[ART ] E[AT ]

(1.28)
o`
u on utilise dabord (1.25) avec T R borne puis la croissance de A.
Si T est un temps darret quelconque, alors (1.28) sapplique
S a` Tn = T n temps darret
1
borne : P(XTn ) E[ATn ]. Mais comme Tn T , n1 {XTn > } = {XT > }

(reunion croissante), en passant a` la limite, on a :

1
P XT > = lim P XTn > E[AT ].
n+

On a aussi P(XT > ) 1 E[AT ]. Finalement, soient , > 0 et S = inf t 0 : At .
On a

P XT = P XT , AT < + P XT , AT
P(XT , T < S) + P(AT )
P(XT S ) + P(AT )

1
E AT S + P(AT )

1
E AT + P(AT )
en utilisant (1.28) avec T S puis la definition de S (qui assure AT S = AT ).
19
Considerons (M n )n1 une suite de martingales locales et un temps darret T tels que
P
hM n , M n iT 0. Daprès la remarque, la borne precedente reste vraie pour X = (M n )2
et At = hM n , M n it o`
u M n est une martingale locale. on a alors

1
n 2
P sup |Ms | > E hM n , M n iT + P hM n , M n iT .
sT
Le deuxième terme tend vers 0 directement par lhypothèse. Comme hM n , M n iT
est borne, le premier
terme tend aussi vers 0 par convergence dominee. Finalement,

P supsT |Msn |2 > 0, ce qui assure, en probabilite

n
P- lim sup |Ms | = 0.
n+
sT
R +
Pour la dernière partie, on utilise E[Z] = 0 P(Z x)dx valable pour toute variable
aleatoire Z positive. Avec ci-dessous (1.28) pour = = x1/p , on a
Z +
p

E (XT )
P (XT )p > x dx
Z0 +
P XT > x1/p dx
Z0 +
Z +

1/p
1/p
x
E AT x
+
P AT > x1/p dx
0
0
# Z
"Z
"Z p #
+
+
AT

1/p
P ApT > x dx
AT x
dx +
dx + E
E
ApT
E[ApT ] + E AT
p
p
Ap1
+
E
AT
1p T
2p p
E AT .
1p
D
emonstration des in
egalit
es BDG (Th
eor`
eme 1.4). Daprès les inegalites de martingales precedentes (Proposition 1.3) et la remarque qui les suit, (1.14) est valable pour
p = 2m > 1. Il reste à voir le cas 0 < p = 2m 1. On suppose (quitte a` localiser les
processus) que M et hM, M i sont bornees et on utilise linegalite de Lenglart (1.27).
Daprès linegalite droite dans (1.17) (avec m = 1), on peut appliquer linegalite de Lenglart
(1.27) avec
X = (M )2 , A = C10 hM, M i
et on a pour m 1/2 :
2m

E (MT )2m
(C10 )m E hM, M im
T
1m
c
Chapitre 1. JCB
20
pour tout 0 < m < 1. De la meme facon, linegalite a` gauche de (1.17) (avec m = 1) permet
dappliquer linegalite de Lenglart avec
X = B1 hM, M i,
A = (M )2
ce qui donne, pour 0 < m < 1,

2m
1m m
.
B1 E hM, M im
T E (MT )
2m
Cela achève la preuve des inegalites BDG.
1.5
Repr
esentation des martingales (browniennes)
Nous montrons que lorsque la filtration est engendree par un mouvement brownien,
toutes les martingales pour cette filtration peuvent etre representees comme integrales
stochastiques par rapport à ce mouvement brownien.
Th
eor`
eme 1.5 (Repr
esentation des martingales) On suppose que la filtration (Ft )t0
sur est (laugmentation habituelle de) la filtration canonique dun mouvement brownien
B issu de 0. Alors, pour toute variable aleatoire Z L2 (, F ), il existe un (unique)
processus h L2 (B) (en particulier progressif donc adapte) tel que
+
Z
Z = E[Z] +
h(s, ) dBs .
0
Par consequent, pour toute martingale M continue et bornee dans L2 (respectivement pour
toute martingale locale M continue), il existe un (unique) processus h L2 (B) (resp.
h L2loc (B)) et une constante C reelle tels que
Z
Mt = C +
h(s, ) dBs .
0
La preuve utilise le resultat suivant de densite.

Lemme 1.3 Sous les hypothèses du theorème precedent, lespace vectoriel engendre par
les variables aleatoires
n
X

exp i
j (Btj Btj1 )
j=1
pour 0 = t0 < t1 < < tn et 1 , . . . , n R est dense dans L2C (, F ).
1.5. Representation des martingales (browniennes)
21
D
emonstration :[Lemme 1.3] Il suffit de montrer que si Z L2C (, F ) verifie
"
#
n
X

E Z exp i
j (Btj Btj1 ) = 0
(1.29)
j=1
pour tout choix de 0 = t0 < t1 < < tn et 1 , . . . , n R alors Z = 0.

Soient 0 = t0 < t1 < < tn fixes et on note gm,2 (x), x R, la densite de la loi N (m, 2 ),
m R, 2 > 0. La condition (1.29) assure que pour tous 12 , . . . , n2 > 0 et m1 , . . . , mn R,
on a
"
#
Z Y
n
n
X

0 =
gmj ,j2 (j )E Z exp i
j (Btj Btj1 ) d1 . . . dj
Rn j=1
"
j=1
m
Y
j2 (Btj Btj1 )2
= E Z
exp imj (Btj Btj1 )
2
j=1

#
o`
u la deuxième egalite vient du theorème de Fubini et de lexpression de la fonction caracteristique dune loi gaussienne. On obtient pour tous m1 , . . . , mn R et 1 , . . . , n > 0 :
#
"
m
Y

E Z
exp imj (Btj Btj1 ) j (Btj Btj1 )2 = 0.
j=1
Le theorème de Stone-Weierstrass garantit que les combinaisons lineaires complexes de la

fonction constante egale a` 1 et des fonctions de la forme
n
X

2
(y1 , . . . , yn ) 7 exp
(imj yj j yj )
j=1
avec 1 , . . . , m > 0 et m1 , . . . , mn R sont denses dans lespace C` (Rn , C) des fonctions

continues de Rn dans C qui ont une limite à linfini, muni de la norme de la convergence
uniforme. Par un passage a` la limite, on obtient donc, pour toute fonction C` (Rn , C),

E Z (Bt1 , Bt2 Bt1 , . . . , Btn Btn1 ) = 0.
On a donc, dabord par approximation, pour tout ouvert borne U de Rn puis, par un
argument de classe monotone, pour tout borelien U de Rn :

E Z 1U (Bt1 , Bt2 Bt1 , . . . , Btn Btn1 ) = 0.
Finalement, on a obtenu legalite E[Z1A ] = 0 pour tout A (Bt1 , . . . , Btn ). Avec un
dernier argument de classe monotone, on montre que cette egalite reste vraie pour tout
A (Bt : t 0) ; puis, par completion, pour tout A F . On conclut finalement que
Z = 0 ce qui etablit le lemme.
c
Chapitre 1. JCB
22
D
emonstration :(du Theorème 1.5) On montre dabord la première assertion. Pour cela,
on note H lespace vectoriel des variables aleatoires Z L2 (, F ) qui ont la propriete
annoncee. Remarquons que lunicite de h est facile a` etablir puisque si h et h0 correspondent
a` la meme variable aleatoire Z, on a par isometrie :
"Z
Z

2 #
Z
+
(h(s, ) h0 (s, ))2 ds = E
h0 (s, ))2 dBs
h(s, ) dBs
= 0,
do`
u h = h0 dans L2 (B). Si Z H correspond a` h,
Z +

2
2
2
E[Z ] = E[Z] + E
h(s, ) ds .
0
Il en decoule facilement que si (Zn )n0 est une suite dans H qui converge dans L2 (, F )
vers Z, les processus hn associes à Zn forment une suite de Cauchy dans L2 (B) donc
convergent vers h L2 (B). Daprès la
propriete disometrie de lintegrale stochastique
R +
(Theorème ??) on a alors Z = E[Z] + 0 h(s, ) dBs et H est donc ferme.
P
Ensuite, pour 0 = t0 < t1 < < tn et 1 , . . . , n R, notons f (s) = nj=1 j 1]tj1 ,tj ] (s)

R
et Etf la martingale exponentielle E i 0 f (s) dBs (cf. Proposition 1.1). La formule dIto
pour lexponentielle stochastique (cf. (1.9)) montre que
Z +
n
n

X
1X 2
f
j (tj tj1 ) = E = 1 + i
Esf f (s) dBs
exp i
j (Btj Btj1 ) +
2 j=1
0
j=1
soit
n
X

exp i
j (Btj Btj1 )
j=1
n

1X 2
= exp
j (tj tj1 ) + i
2 j=1

cest a` dire
(
exp i
n
X

1X 2
exp
j (tj tj1 ) Esf f (s) dBs
2 j=1

!
j (Btj Btj1 )
)
: j R, 0 = t0 < t1 < tn , n N
j=1
et daprès le Lemme 1.3,

(
L2 (, F ) = Vect
exp i
n
X
!
j (Btj Btj1 )
)
: j R, 0 = t0 < t1 < tn , n N
j=1
On a donc H = L2 (, F ) ce qui prouve la première partie du theorème.
H = H.
1.6. Formule de Tanaka
23
Soit maintenant M une martingale continue et bornee dans L2 , alors, daprès la première
partie, M L2 (, F ) secrit, avec h L2 (B), sous la forme
Z +
M = E[M ] +
h(s, ) dBs .
0
Par conditionnement, il vient :

t
Z
Mt = E[M |Ft ] = E[M ] +
h(s, ) dBs .
0
Lunicite de h sobtient comme dans la première partie.

Enfin, soit M une martingale locale (continue), on a dabord M0 = C R parce que F0 est
P-triviale (ce quon peut deduiresoit de la première partie de la preuve soit du Chapitre
??). Si Tn = inf t 0 : |Mt | n on peut appliquer ce qui precède a` la martingale arretee
M Tn et trouver un processus hn L2 (B) tel que
Z t
Tn
Mt = C +
hn (s, ) dBs .
0
Par unicite dans la deuxième partie, si m < n, on a hn (s, ) = hm (s, ), ds-pp sur [0, Tm ]
ps. Il est alors facile de construire h L2loc (B) tel que, pour tout m, h(s, ) = hm (s, )
ds-pp sur [0, T
] ps. La formule annoncee decoule ensuite de la construction de lintegrale
Rm
t
stochastique 0 h(s, ) dBs et lunicite de h sobtient aussi facilement par un argument de
localisation.

Remarque 1.8 Sous les hypothèses du Theorème 1.5, notons N la classe des P-negligeables de (Bt : t 0) et pour tout t 0, Gt = (Bs : 0 s t) N . A priori, on a
Ft = Gt+ . En fait, le Theorème 1.5 entrane que Gt = Gt+ = Ft (le cas t = 0 est la loi de
Blumenthal). En effet, si Z est une variable aleatoire Ft -mesurable bornee, on a
Z t
Z t
2
h(s, ) dBs .
Z=
h(s, ) dBs = (L )- lim
0
et quitte a` prendre une sous-suite, on voit que Z est limite ps de variables (Gt )t -mesurables
(car si > 0 : Ft Gt ).
1.6
Formule de Tanaka
Th
eor`
eme 1.6 (Formule de Tanaka) Soit X une semimartingale continue. Il existe
a
(Lt )t0 , a R, processus croissant continu, appele temps local en a de la semimartingale
X, tel que
Z t
1
+
+
(Xt a) = (X0 a) +
1{Xs >a} dXs + Lat
2
0
c
Chapitre 1. JCB
24
t
1
1{Xs a} dXs + Lat
= (X0 a)
2
Z t0
sgn(Xs a)dXs + Lat
|Xt a| = |X0 a| +
(Xt a)
a
o`
u sgn(x) = 1, 1 selon que x 0, x > 0. De plus, la mesure (de Stieltjes) dLat associee `
Lat est portee par {t R : Xt = a}.
D
emonstration : On considère dabord une fonction convexe continue. Bien que ne
soit pas C 2 , on tente decrire une formule dIto pour (Xt ).
j une fonction positive de classeR C a` support compact inclus dans ] , 0] telle que
RSoit
0
0
j(y)dy = 1. On pose n (x) = n (x+y)j(ny)dy. Comme convexe est localement
bornee, n est bien definie. De plus, n est C et converge simplement vers et 0n crot
vers 0 , derivee a` gauche de .
En appliquant la formule dIto à la fonction n de classe C 2 , on a pour chaque n 1 :
Z t
1
n (Xt ) = n (X0 ) +
0n (Xs )dXs + At n
(1.30)
2
0
Rt
o`
u At n = 0 00n (Xs )dhX, Xis .
On a limn+ n (Xt ) = (Xt ) et limn+ n (X0 ) = (X0 ). En arretant X, on peut
supposer que X et 0n (Xs ) sont bornees (uniformement en n car 01 0n 0 ). Par le
Theorème ?? (convergence dominee pour lintegrale stochastique), on a
Z t
Z t
P
0
n (Xs )dXs
0 (Xs )dXs
0
uniformement sur les compacts. Par consequent, An converge vers un processus A croissant car limite de processus croissants. En passant a` la limite dans (1.30), il vient
Z t
1
(Xt ) = (X0 ) +
0 (Xs )dXs + At
(1.31)
2
0
puis le processus A peut etre choisi continu (car difference de processus continus).
On applique (1.31) a` (x) = (x a)+ fonction convexe de derivee à gauche 0 = 1]a,+[ :
il existe un processus croissant A+ tel que
Z t
1
+
+
(Xt a) = (X0 a) +
1{Xs >a} dXs + A+
.
(1.32)
2 t
0
De la meme facon avec (x) = (x a) fonction convexe de derivee a` gauche 0 =
1],a] : il existe un processus croissant A tel que
Z t
1
(Xt a) = (X0 a)
1{Xs a} dXs + A
.
(1.33)
2 t
0
1.6. Formule de Tanaka
25
Par difference de (1.32) et (1.33), comme x = x+ x , on a

Z t
1
dXs + (A+
X t = X0 +
t At ).
2
0
(1.34)
Il vient A+ = A et on pose alors Lat = A+

t . En sommant (1.32) et (1.33), comme |x| =
+
x + x , on a
Z t
|Xt a| = |X0 a| +
sgn(Xs a)dXs + Lat .
0
Pour la dernière partie, en appliquant la formule dIto à la semimartingale |Xt a| avec

f (x) = x2 , on a en utilisant aussi (1.34)
Z t
2
2
|Xs a| d(|Xs a|)s + h|X a|, |X a|it
|Xt a| = |X0 a| + 2
0
Z t
Z t
2
|Xs a| dLas + hX, Xit .
|Xs a|sign (Xs a) dXs + 2
= (X0 a) + 2
0
En comparant avec la formule dIto pour X avec f (x) = (x a)2 ,

Z t
2
2
(Xt a) = (X0 a) + 2 (Xs a) dXs + hX, Xit
0
il vient
Rt
0
|Xs a| dLas = 0 ps, ce qui est le resultat.
Remarque 1.9 (Formule dIt

o-Tanaka) Lorsque : R R est une fonction convexe,
on peut preciser (1.31) : on montre que
Z +
At = 2
Lat 00 (da)
o`
u 00 (da) est la mesure associee à 00 a` comprendre dans le sens des distributions. On a
alors la formule dIto-Tanaka pour convexe :
Z t
Z +
0
(Xt ) = (X0 ) +
(Xs )dXs +
Lat 00 (da).
(1.35)
0
La formule (1.35)
P se generalise immediatement à une combinaison lineaire de fonctions
convexes = pi=1 i i . Dans ce cas, 00 devient une mesure signee.
26
c
Chapitre 1. JCB
Chapitre 2
Th
eor`
eme de Girsanov
La formule dIto etudiee au Chapitre 1 explore comment se transforme une semimartingale quand on lui applique une transformation C 2 . On etudie maintenant comment se
transforme une semimartingale lorsquon change de mesure de probabilite P. Cest lobjet du theorème de Girsanov quon prouve en Section 2.2 et dont on etudie les premières
consequences en Section 2.2.
Commencons par une approche heuristique pour des variables aleatoires : la densite gaus2
2
sienne standard g(x) = 12 exp( x2 ) possède la propriete suivante g(x a) = g(x)eaxa /2
pour tout a R qui se reecrit
Z
E[f (N + a)] =
f (x + a)g(x)dx
Z
f (x)g(x a)dx
=
Z
=
2 /2
f (x)eaxa
g(x)dx
= E[f (N ) exp(aN a2 )] = Ea [f (N )]
pour f mesurable bornee et N N (0, 1). Cela signifie que la variable aleatoire translatee
N + a suit la meme loi que N en changeant la probabilite en
dQ(a) = exp(aN a2 ) dP
(a)
ie. PN +a = QN .
Cest cette observation, generalisee au mouvement brownien, qui constitue la formule de
Cameron-Martin (1944, cf. Corollaire 2.7) puis le Theorème de Girsanov original (1960, cf.
Corollaire 2.6). Ce theorème a ensuite ete etendu a` des martingales locales plus generales,
cest cette version que nous presentons.
On considère (, F, (Ft )t0 , P) un espace filtre satisfaisant les conditions habituelles.
27
c
Chapitre 2. JCB
28
2.1
Logarithme stochastique
La propriete de martingale est liee à la probabilite utilisee : si on change P en Q,

une martingale X (pour P) na pas de raison de rester une martingale pour Q. Dans
cette section, on etudie comment se transforme une semimartingale quand on change la
probabilite P en Q P. La reponse est donnee par le Theorème de Girsanov (Th. 2.1).
Pour eviter les confusions dans un tel contexte, on indique la probabilite par rapport a`
laquelle une martingale est consideree (on ecrira ainsi : soit X une P-martingale ou une
(Ft , P)-martingale et on notera EP pour une esperance relative a` P).
Dans la suite, on considère Q P sur F . Bien s
ur, on a alors Q P sur Ft pour tout
dQ
t 0 et on note Dt = dP |Ft la derivee de Radon-Nikodym de Q par rapport a` P sur Ft .
Dans un contexte statistique, D sappelle la vraisemblance de Q (par rapport à P). Le
processus D verifie les proprietes suivantes :
Proposition 2.1 (Processus d
eriv
ee de Radon-Nikodym)
1. D est une (Ft )t0 -martingale uniformement integrable.
2. D admet une modification càdlàg ; pour cette version et pour tout temps darret T ,
on a DT = dQ
.
dP |FT
3. Si Q P sur F (ie. Q P et P Q) alors ps pour tout t 0, Dt > 0.
D
emonstration : 1) Pour A Ft F , on a

Q(A) = EQ [1A ] = EP [1A D ] = EP 1A EP [D |Ft ] .
Comme EP [D |Ft ] est Ft -mesurable, par unicite de la derivee de Radon-Nikodym, il vient
Dt = EP [D |Ft ] ps, ce qui assure que D est une (Ft )t0 -martingale (filtration complète) ;
elle est uniformement integrable car fermee.
2) Daprès le Theorème ?? (regularisation trajectorielle des martingales), D admet une
version càdlàg. On peut donc considerer que D est càdlàg, ce qui permet dappliquer le
theorème darret (D est uniformement integrable) : si T est un temps darret et A FT ,
on a :
Q(A) = EQ [1A ] = EP [1A D ] = EP [1A DT ].
Comme DT est FT -mesurable, par unicite de la derivee de Radon-Nikodym, on a DT =
dQ
.
dP |FT

3) Posons S = inf t 0 : Dt = 0 . Il sagit dun temp darret. Sur {S < +}, on peut
considerer sn & S avec Dsn = 0, la continuite a` droite de D assure alors DS = 0. Avec
A = {S < +} FS , on a daprès le 2) : Q(A) = EP [1A DS ] = 0 et donc par hypothèse
on a aussi P(A) = 0. Ainsi, S = + P (ou Q)-presque s
urement, cest a` dire Dt > 0 pour
tout t 0.
2.1. Logarithme stochastique
29
Dans la suite, on suppose en general D a` trajectoires continues. La notion dexponentielle

stochastique a ete visitee au Chapitre 1. On lui associe maintenant la notion de logarithme
stochastique :
Proposition 2.2 (Logarithme stochastique) Soit D une martingale locale continue
strictement positive. Alors, il existe une unique martingale locale, à trajectoire continues,
L, appelee logarithme stochastique de D, telle que

1
(2.1)
Dt = exp Lt hL, Lit = E(L)t .
2
De plus, L est donnee par lexpression
t
Ds1 dDs .
Lt = log D0 +
(2.2)

D
emonstration : Unicit
e. Si Dt = exp Lt 21 hL, Lit = exp L0t 21 hL0 , L0 it pour tout
t 0 alors Lt L0t = 12 hL, Lit 21 hL0 , L0 it pour tout t 0 ce qui exige L = L0 par le
Theorème ?? (une martingale locale a` variation bornee et issue de 0 est nulle).
Existence. Prenons L donne par (2.2) et remarquons que
Z
dhD, Dis
.
Ds2
hL, Lit =
0
Comme D > 0 et log est C 2 sur R+ , on applique la formule dIto a` log D :

Z
log Dt = log D0 +
0
dDs 1
Ds
2
Z
0
dhD, Dis
1
= Lt hL, Lit ,
2
Ds
2
ce qui donne (2.1) en appliquant exp.
Proposition 2.3 (P-martingale et Q-martingale) Soit Q P sur F . Soit L le logarithme stochastique associe à la martingale Dt = (dQ/dP)|Ft quon suppose continue.
Soient X un processus continu adapte et T un temps darret tel que (XD)T est une Pmartingale alors X T est une Q-martingale. En particulier, si XD est une P-martingale
locale alors X est une Q-martingale locale.
D
emonstration : La seconde partie de la proposition decoule facilement de la première
partie quon se contente de prouver.
Pour cela, on a dabord XtT L1 (Q) car daprès la Proposition 2.1,
EQ [|XT t |] = EP [|XT t DT t |] < +.
c
Chapitre 2. JCB
30
Puis considerons s < t et A Fs . Comme A {T > s} = A {T s}c Fs et (XD)T

est une P-martingale, on a

EP 1A{T >s} XT t DT t = EP 1A{T >s} XT s DT s
(2.3)
par propriete de P-martingale pour (XD)T . On a aussi A {T > s} FT car pour tout
u 0,
si s u
si s > u
A {T > s} {T u} Fs Fu Fu ,
A {T > s} {T u} = Fu .
Comme aussi A {T > s} Fs , on a donc A {T > s} FT s FT t , legalite (2.3) se

reecrit

EQ 1A{T >s} XT t = EQ 1A{T >s} XT s
car on rappelle que par la Proposition 2.1 :
DT t =
dQ
,
dP |FT t
DT s =
dQ
.
dP |FT s
Par ailleurs, comme il est evident que EQ [1A{T s} XT t ] = EQ [1A{T s} XT s ] (car dans ces
deux integrales XT t = XT = XT s ), il vient EQ [1A XT t ] = EQ [1A XT s ] pour tout A Fs .
Cela etablit que X T est une Q-martingale et prouve la proposition.
2.2
Th
eor`
eme de Girsanov
Th
eor`
eme 2.1 (Girsanov) Soit Q P sur F et soit L le logarithme stochastique (suppose à trajectoires continues) associe à la martingale Dt = (dQ/dP)|Ft . Si M est une
f = M hM, Li est une (Ft , Q)(Ft , P)-martingale locale continue, alors le processus M
martingale locale continue.
f = G P (M ). Alors lapplication G P verifie :
Sous les hypothèses du Theorème 2.1, notons M
Q
Q
GQP envoie lensemble des P-martingales locales continues dans lensemble des Qmartingales locales continues.
GPQ GQP = Id.
De plus, GQP commute avec lintegrale stochastique, ie. si H est un processus localement borne alors H GQP (M ) = GQP (H M ).
D
emonstration : On applique la formule dIto avec F (x, y) = xy de classe C 2 aux
f = M hM, Li et D :
semimartingales M
Z
ft Dt = M
f0 D0 +
M
fs + hM
f, Dit
Ds dM
fs dDs +
M
0
2.2. Theorème de Girsanov
31
Z
= M0 D0 +
0
Z
= M0 D0 +
0
t
Z
fs dDs +
M
Z
Ds dMs
fs dDs +
M
Ds dhM, Lis + hM, Dit

0
Ds dMs
(2.4)
puisque daprès la Proposition 2.2 on a dhM, Lis = Ds1 dhM, Dis . Comme M et D sont
fD est une P-martingale locale car M
des P-martingales, legalite (2.4) montre alors que M
et D en sont donc les integrales stochastiques contre D et M aussi. La conclusion vient de
la Proposition 2.3.

Les corollaires suivants explorent quelques consequences remarquables du theorème de
Girsanov.
Corollaire 2.1 Une (Ft , P)-martingale locale continue M reste une (Ft , Q)-semimartingale
f + hM, Li.
continue avec la decomposition M = M
D
emonstration : Directe.
En particulier, ce corollaire montre que la classe des (Ft , P) semimartingales continues est
contenue dans celle des (Ft , Q) semimartingales continues. Mais en fait, on a mieux :
Corollaire 2.2 Sous les hypothèses du Theorème 2.1 (Girsanov), les classes des (Ft , P)
semimartingales continues et des (Ft , Q) semimartingales continues concident.
D
emonstration : Il suffit de montrer que sous les hypothèses du Theorème 2.1 (Girsanov),
les roles de P et Q sont symetriques. Pour cela, on applique le Theorème 2.1 a` M = L. On
f = M hM, Li = L+hL, Li est une martingale locale continue avec hM
f, M
fi = hL, Li.
aM
Ainsi

1 f f
f
f
E M t = exp Mt hM , M it
2

1
= exp Lt + hL, Lit hL, Lit
2

1
= exp Lt + hL, Lit
2
1
1
= E L t = Dt .
On peut donc echanger les roles de P et Q quitte a` remplacer D par D1 et L par
f = L + hL, Li.
M
Corollaire 2.3 Soient X, Y deux semimartingales continues (relativement à P ou Q). La

valeur du crochet hX, Y i est la meme sous P et sous Q.
c
Chapitre 2. JCB
32
D
emonstration : En effet dans les deux cas, hX, Y i est donne par lapproximation de la
Proposition ?? qui ne change pas si on change P en Q. Ou encore, le changement de probabilite naffecte que la partie a` variation finie dune semimartingale donc pas son crochet.

De meme, si H est un processus localement borne, lintegrale stochastique H X est la
meme sous P et Q (utiliser des approximations par des processus elementaires).
Le Theorème de Girsanov sutilise souvent a` horizon fini :
Corollaire 2.4 Pour T > 0 une date deterministe fixee, on se donne une filtration (Ft )t[0,T ]
et on suppose quelle verifie les conditions habituelles (chaque Ft contient les P-negligeables
de FT ). Si Q P, on definit comme precedemment la martingale (Dt )t[0,T ] et, si D a une
version continue, on definit la martingale (Lt )t[0,T ] . Alors, lanalogue du Theorème 2.1
(Girsanov) reste vrai pour [0, T ].
2.3
Utilisation de Girsanov
Dans les applications pratiques du Theorème de Girsanov (Th. 2.1), on ne dispose pas
en general de la probabilite Q mais de ce qui joue le role du logarithme stochastique L de
sa derivee de Radon-Nikodym D = dQ/dP. On reconstruit alors la probabilite Q comme
suit :
on part dune martingale locale continue L telle que L0 = 0 ;
alors E(L)t est une martingale locale continue à valeurs strictement positives, cest
donc une surmartingale (Proposition ??) ;
cela assure lexistence ps de la limite E(L) (Theorème ??) ; en plus, daprès le lemme
de Fatou, on a
E[E(L) ] 1
(2.5)
puisque

E[E(L) ] = E
lim E(L)t = E lim inf E(L)t lim inf E[E(L)t ] 1
t+
t+
t+
(2.6)
car, si s t, E[E(L)t ] E[E(L)s ] E[E(L)0 ] = 1.

Mais si on a egalite dans (2.5), on a bien mieux :
Proposition 2.4 Si la condition suivante est satisfaite
E[E(L) ] = 1,
(2.7)
alors E(L) est une vraie martingale uniformement integrable.

D
emonstration : On montre dabord sous (2.7) que E(L) est une vraie martingale : sous (2.7), il y a egalite dans les inegalites (2.6), soit necessairement E[E(L)t ] =
E[E(L)s ] pour tout s t, ce qui combine avec E[E(L)t |Fs ] E(L)s exige E[E(L)t |Fs ] =
E(L)s , cest a` dire E(L) est une vraie martingale.
2.3. Utilisation de Girsanov
33
Puis comme E(L)t E(L) ps avec E[|E(L)t |] = E[|E(L) |] = 1 alors le resultat

suivant (lemme de Scheffe) garantit que E(L)t E(L) dans L1 .
Daprès la Proposition ?? sur la convergence des martingales, cest equivalent a` avoir
E(L) uniformement integrable (ou fermee).
En posant Q = E(L) P , on est finalement dans le cadre du theorème de Girsanov
(Th. 2.1).
Lemme 2.1 (Scheff
e) Soient Xn X ps. Alors

E |Xn | E |X|
ssi E |Xn X| 0 ie. Xn X dans L1 .
En pratique, si M est une P-martingale locale, si on change sa partie à variation finie en
retranchant hM, Li, on a toujours une martingale locale en changeant P en Q, probabilite
equivalente de densite donnee par lexponentielle stochastique E(L). Il faut cependant que
la condition (2.7) soit satisfaite. Il est donc important de pouvoir donner des conditions
qui assurent (2.7). Cest lobjet du resultat suivant.
Th
eor`
eme 2.2 (Condition de Novikov) Soit L une martingale locale continue telle
que L0 = 0. Considerons les conditions suivantes :
h
1. E exp 21 hL, Li ] < + ;

2. L est une martingale uniformement integrable et E exp( 21 L ) < + ;
3. E(L) est une martingale uniformement integrable.
Alors on a les implications 1) 2) 3).
D
emonstration : 1) 2). Comme daprès 1) E[hL, Li ] < +, L est une vraie
martingale bornee dans L2 (cf. Th. ??). Elle est donc uniformement integrable. Puis, par
definition de E(L) :

exp
1
L
2

=
1/2
E(L)

exp
1
hL, Li
2
1/2
.
Par linegalite de Cauchy-Schwarz, comme on a toujours (2.5) , on a

1/2

1/2
1
1
1
1/2
E exp
L
E [E(L) ] E exp
hL, Li
E exp
hL, Li
< +.
2
2
2
2) 3). Puisque L est une martingale uniformement integrable, on a Lt = E[L |Ft ].
Par linegalite de Jensen avec exp, on a alors

1
1
1
Lt = exp
E[L |Ft ] E exp
L |Ft
exp
2
2
2
34
c
Chapitre 2. JCB
ce qui assure, par 2), que exp( 21 Lt ) L1 . Par convexite de exp, exp( 21 Lt ) est une sousmartingale qui, par linegalite precedente, est fermee par exp( 12 L ) (en tant que sousmartingale). En appliquant le theorème darret (Th. ??) pour les (sur)sous-martingales
fermees, pour
temps darret T , on a exp( 12 LT ) E[exp( 21 L )|FT ]. Cela montre que
tout
la famille exp( 12 LT ) : T temps darret est uniformement integrable.

(a)
aLt
Puis pour 0 < a < 1, on pose Zt = exp 1+a
. Un calcul direct donne
2
(a)
E(aL)t = (E(L)t )a (Zt )1a .

Si F et T est un temps darret, linegalite de Holder avec p = 1/a2 et q = 1/(1 a2 )
donne

2a(1a)
h
i1a2
h
i1a2
1
(a)
(a)
a2
E [1 E(aL)T ] E [E(L)T ] E 1 Zt
E 1 Z t
E 1 exp
LT
2
(2.8)
o`
u, pour la deuxième inegalite, on a utilise que E(L) est une surmartingale positive, ie.
E [E(L)T ] E [E(L)0 ] = 1
puis pour la troisième linegalite de Jensen avec (x) = x(1+a)/(2a) (convexe pour 0 < a < 1),
ie.

h
i(1+a)/(2a)
h
i
h
i
1
(a)
(a)
(a)
E 1 Zt
= E 1 Zt
E (1 Zt ) = E 1 exp
LT
.
2

et est uniform
ement integrable, linegalite
Comme la famille exp( 21 L
T ) : T temps darr

(2.8) montre que la famille E(aL)T : T temps darret lest aussi. Daprès la Proposition
?? cela entrane alors que E(aL) est une vraie martingale uniformement integrable. Il suit
alors

2a(1a)
(a) 1a2
1
a2
a2
1 = E [E(aL)0 ] = E [E(aL) ] E [E(L) ] E Z
E [E(L) ] E exp
L
2
avec, à nouveau pour la dernière egalite, linegalite de Jensen avec (x) = x(1+a)/(2a) . En
faisant a 1, la dernière borne implique E [E(L) ] 1 et donc avec (2.5) toujours valable on a obtenu E [E(L) ] = 1. On deduit de la Proposition 2.4 que E(L) est une vraie
martingale uniformement integrable.
2.4
Girsanov dans le cadre brownien
Dans cette section, on specialise de plus en plus le Theorème de Girsanov dans le cadre
brownien.
2.4. Girsanov dans le cadre brownien
35
Corollaire 2.5 (Girsanov brownien 1) Soient B un (Ft , P)-mouvement brownien et L

e=
satisfaisant (2.7) (en satisfaisant une des conditions de Novikov du Th. 2.2). Alors B
B hB, Li est un (Ft , Q)-mouvement brownien.
e = B hB, Li est une (Ft , Q)D
emonstration : Par le Theorème 2.1 (Girsanov), B
e Bi
e t = hB, Bit = t, t 0. Le
martingale locale continue de variation quadratique hB,
e est un (Ft , Q)-mouvement brownien.
Theorème de Levy (Th. 1.2) assure alors que B
Rt
Dans le corollaire suivant, on prend Lt = 0 f (s)dBs . Il sagit du Theorème de Girsanov
original (1960). On rappelle que, pour le mouvement brownien B,

Z T

2
2
Hs () ds < +
Lloc (B) = H : R : progressif avec pour tout t 0 E
0
ici on considère
L2[0,T ] (B)

Z
= H : R : progressif avec E

Hs () ds < + .
2
Corollaire 2.6 (Girsanov brownien

R t 2) Soit B un (Ft , P)-mouvement brownien et, pour
2
T fixe, f L[0,T ] (B) telle que Lt = 0 f (s)dBs satisfait (2.7) (en satisfaisant une des conditions de Novikov du Th. 2.2). Soit Q de densite (par rapport à P)
Z T

Z
1 T
2
f (s)dBs
DT = exp
f (s) ds .
2 0
0
Sous Q, le processus B secrit
Bt =
BtQ
Z
+
f (s)ds
(2.9)
o`
u B Q est un (Ft , Q)-mouvement brownien.
D
emonstration : On applique le Theorème de Girsanov (Th. 2.1) a` M = B avec
Rt
Rt
e = B hB, Li = B Q
Lt = 0 f (s)ds et on remarque que hB, Lit = 0 f (s)ds. Alors B
e Bi
e t = hB, Bit = t. Donc B Q = B
e est
est une Q-martingale locale continue de crochet hB,
un Q-mouvement brownien.

On specialise encore davantage le Theorème de Girsanov dans le cadre brownien en prenant
maintenant des integrales stochastiques avec des integrants f deterministes. On obtient la
formule de Cameron-Martin (1944) :
Corollaire 2.7 (Cameron-Martin) Soient (Bt )t0 un (Ft , P)-mouvement brownien et
f L2 ([0, T ]).
c
Chapitre 2. JCB
36
1. La variable aleatoire
Z
DT = exp
0
1
f (s)dBs
2
T
2
f (s) ds
0
est une densite de probabilite qui definit une probabilite Q (par dQ = DT dP).
2. Le processus
BtQ
tT
Z
= Bt
f (s)ds
0
est un Q-mouvement brownien. Autrement dit, sous Q, le P-mouvement brownien B

secrit
Z t
Q
Bt = Bt +
f (s)ds.
0
D
emonstration : Il suffit
R tde prouver le point 1). Le point 2) estR talors 2donne par le Corollaire 2.6. On prend Lt = 0 f (s)dBs dans (2.1). On a hL, Lit = 0 f (s) ds et comme f est
deterministe, E[exphL, LiT ] < + est garanti. Le Theorème 2.2 assure alors la condition
de Novikov (2.7) et donc (Dt )t[0,T ] est bien une densite de probabilite.

Rt
Dans le cadre gaussien pour Lt = 0 f (s) dBs avec f L2[0,T ] (B), on donne une condition
plus explicite qui garantit (2.7) mais pour un horizon T fini :
Proposition 2.5 Soient T une date determinite fixee et f L2[0,T ] (B). On suppose quil
existe a > 0 et C ]0, +[ tel que pour tout t [0, T ] on ait

E exp(af (t)2 ) C < +,
alors E[E(L)T ] = 1, ie. la condition (2.7) garantissant le Theorème de Girsanov sur [0, T ]
est satisfaite.
D
emonstration
: On localise afin deRpouvoir appliquer la Proposition 1.2 qui garantit
RT
2
que si 0 f (s) ds est bornee alors E[E( 0 f (s)dBs )T ] = 1. Pour cela, on pose n = inf t

Rt
0 : 0 f (s)2 ds n . La suite fn = f 1[0,n ] est telle que, quand n +,
Z
T
2
fn (u) du n,
0
T
2
fn (u) du %
0
fn (u) dBu
f (u) du,
0
f (u)2 dBu
ps.
R
R
On note Vn = E( 0 fn (s)dBs ) et V = E( 0 f (s)dBs ). Fixons r, s tels que 0 r s T
avec |s r| a/6 et ecrivons

2
Z s

Z s
Vn (s)
2
= exp 2
fn (u)dBu
fn (u) du
Vn (r)
r
r
Z s

Z s

Z s
2
2
= exp 2
fn (u)dBu 4
fn (u) du exp 3
fn (u) du .
r
37
Linegalite de Cauchy-Schwarz implique

"
2 #
Vn (s)
E
Vn (r)
1/2

Z s

1/2

Z s
Z s
2
2
E exp 4
fn (u)dBu 8
fn (u) du E exp 6
fn (u) du
r
r
r
|
{z
}
=1
1/2

Z s
2
fn (u) du
= 1 E exp 6
r
Z

du
E exp(6(s r)fn (u)2 )
sr
1/2
C 1/2
en utilisant le theorème de Fubini, linegalite de Jensen pour la fonction convexe exp et
la mesure uniforme du/(s r) sur [r, s] et enfin lhypothèse sur a 6(s r) ainsi que la
Proposition 1.2 pour

Z s
Z s
2
fn (u) du
= 1.
fn (u)dBu 8
E exp 4
r
Comme les moments dordre 2 de
Vn (s)
Vn (r)
P
sont bornes, on en deduit que
Vn (s)
Vn (r)
est uniformement
integrable. Comme de plus, Vn (t) V (t), cf. preuve de la Proposition 1.2, on a aussi
Vn (s) P V (s)
V (r) et avec le Theorème de Vitali :
Vn (r)
Vn (s)
V (s)
=
n+ Vn (r)
V (r)
lim
dans L1
et par continuite de lesperance conditionnelle

V (s)
Vn (s)
E
Fr = lim E
Fr = 1
n+
V (r)
Vn (r)
car, pour fn , Ln est une vraie martingale, ce qui assure

Vn (s)
E[Vn (s)|Fr ]
Vn (r)
E
|Fr =
=
= 1.
Vn (r)
Vn (r)
Vn (r)
k
Pour conclure, il suffit de decomposer [0, T ] en une subdivision tk = m
T , 0 k m,
avec m assez grand pour que le pas verifie T /m a/6. On ecrit alors V (T ) = V (tm1 )
[V (tm )/V (tm1 )] avec V (tm1 ) variable aleatoire Ftm1 -mesurable et, par ce qui precède,
E[V (tm )/V (tm1 )|Ftm1 ] = 1. Finalement, par recurrence

E[V (T )] = E V (tm1 ) [V (tm )/V (tm1 )]
38
c
Chapitre 2. JCB

= E V (tm1 )E[V (tm )/V (tm1 )|Ftm1 ]
= E[V (tm1 )]
= 1.
Exemple 1 : Etude
du sup dun mouvement brownien d
ecentr
e.
e
Pour etudier la loi du sup de Bt = Bt + bt sur [0, T ], il suffit de connatre la loi du couple
(BT , suptT Bt ). En effet, daprès la formule de Cameron-Martin, on a

1 2
P sup(Bt + bt) x = EP exp(bBT b T )1{suptT Bt x} .
2
tT
Exemple 2 : Application statistique `
a la d
etection dun signal. Considerons un
signal (temporel, deterministe) represente par une fonction m. On cherche à tester la presence ou non du signal m. La difficulte vient de ce que le test se pratique dans une ambiance
bruitee (representee par B). On observe alors
soit B (le bruit pur) si le signal est absent,
soit m + B (le signal utile m bruite par B) si le signal est present.
Lobservateur nobserve quune seule des deux fonctions (sans savoir laquelle) = (t : t
[0, T ]) {B, m + B} et le but est precisement de determiner laquelle des deux fonctions il
observe.
Plutot que de considerer les deux fonctions aleatoires B et m + B dont la loi est mesuree
par la meme probabilite P, il est equivalent de considerer quil ne peut observer quune
fonction X, qui modelise son observation, mais sous deux probabilites differentes selon que
le signal est present ou pas. Ainsi est observee avec la probabilite P(d) ou Q(d) selon
le cas.
On suppose que
le bruit est modelise par un mouvement
brownien B ;
Rt
le signal est de la forme m(t) = 0 f (s)ds o`
u f est
R deterministe mesurable.
On interprète alors m comme le crochet m(t) = hB, 0 f (s)dBs it . Sous la probabilite Q
donnee par dQ = DT dP avec
Z T

Z
1 T
2
f (s) ds
DT = exp
f (s)dBs
2 0
0
B est un processus (mouvement brownien) decentre par m (ie. B = B Q + m), tandis que
sous P, B est un mouvement brownien standard donc centre.
La vraisemblance associee à lobservation de la trajectoire est donnee par DT () qui vaut
1 sil ny a pas de signal et qui peut etre très grand sil y en a un. On en deduit une règle
39
de decision : si on observe , on decide que le signal etait present lorsque

Z T
Z
1
1 T
1
f (s)dBs > VarP (U ) =
U :=
f (s)2 ds = 2 .
2
2 0
2
0
Cette règle nest pas infaillible : Sous P, U N (0, 2 ) N0 (o`
u N0 N (0, 1)) et si le
signal m est reellement absent, la probabilite de prendre une mauvaise decision est

1
1
p = P U > 2 = P N0 > .
2
2
Tandis que si le signal est vraiment present, Q est la probabilite qui gouverne le phenomène ;
sous Q
Z T
Z T
Z T
Q
U=
f (s)dBs =
f (s)dBs +
f (s)dm(s)
0
0
0
Z T
Z T
Q
=
f (s)dBs +
f (s)2 ds
0
N (0, 2 ) + 2 .
La probabilite derreur est alors

1
1 2
2
q = Q U < VarP (U ) = P N0 +
2
2

1 2
1 2
= P N0 = P N0 = p
2
2
(selon les cas, cest P ou Q qui gouverne les lois). Daprès la table de la loi N (0, 1), on a
p, q 5% si 4.
40
c
Chapitre 2. JCB
Chapitre 3
Equations
diff
erentielles
stochastiques
On presente dans ce chapitre les equations differentielles stochastiques browniennes.
On commence par en donner une motivation en Section 3.1 en tant que generalisation des
equations differentielles ordinaires dans un contexte dincertitude representee par un bruit
aleatoire. Des exemples dEDS classiques sont presentes en Section 3.2. Les principaux
resultats dexistence et dunicite sont decrits en Section 3.3. On etudie les solutions dEDS
dirigee par un mouvement brownien comme fonctionnelle sur lespace de Wiener en Section
3.5. La propriete de Markov pour les solutions dEDS est presentee en Section 3.6.
3.1
Introduction, d
efinitions
Equations
diff
erentielles et EDS
Les equations differentielles (standard) gouvernent de nombreux phenonènes deterministes.
Pour prendre en compte des phenomènes aleatoires, formellement on doit prendre en
compte des differentielles stochastiques , ce qui transforme les equations en equations
differentielles stochastiques (EDS).
Les equations differentielles sont des equations devolution du type
x(t)
= a(t, x(t))
(3.1)
o`
u linconnue est une fonction x(t) qui doit verifier une equation impliquant sa derivee x
et elle meme. Les cas les plus simples sont les equations differentielles dordre 1 comme en
(3.1) (seule la derivee 1ère est impliquee) avec a(t, x) = a + bx independant de t et affine
par rapport a` x. Symboliquement, lequation (3.1) se reecrit
dx(t) = a(t, x(t)) dt.
(3.2)
Cette equation modelise typiquement un système physique (x(t))t0 qui evolue avec le
temps de facon que x saccrot, à la date t, selon le taux a(t, x(t)). Par exemple, avec
41
c
Chapitre 3. JCB
42
a(t, x) = a(t)x, lequation dx(t) = a(t)x(t) dt modelise le cours dun actif financier x(t)
soumis au taux dinteret variable a(t) ou dune population avec un taux de natalite a(t).
Il est bien connu que la solution est

Z t
a(s) ds .
x(t) = x0 exp
0
Les EDS sont des generalisations des equations (3.2) o`

u la dynamique deterministe devolution a est perturbee par un terme aleatoire (stochastique). On parle alors dequation
differentielle stochastique. En general la perturbation aleatoire est consideree comme un
bruit. Par un argument du type TCL, il est legitime de considerer que ce bruit est un processus gaussien et en general il est modelise par un mouvement brownien B et une intensite
de bruit (t, x) :
dXt = a(t, Xt ) dt + (t, Xt ) dBt
(3.3)
o`
u est une fonction du temps t et de linconnue au temps t (Xt ) mais pourrait juste
dependre du temps (t ) ou de la valeur Xt en t ((Xt )) ou encore etre constante .
D
efinitions
En fait, lecriture (3.3) est symbolique car dBt na pas vraiment de sens (le mouvement
brownien nest pas derivable !). Il faudrait ecrire (3.3) sous la forme
Z t
Z t
(s, Xs ) dBs
(3.4)
a(s, Xs ) ds +
Xt = X0 +
0
Rt
qui, elle, a un sens si lintegrale stochastique 0 (s, Xs ) dBs a un sens, cf. chapitre ??. On
generalise encore dans la definition suivante la notion dEDS dans un cadre vectoriel.
D
efinition 3.1 (EDS) On appelle equation differentielle stochastique (EDS) une equation en le processus X (à valeurs dans Rd ) de la forme
ce qui, en terme integrale, secrit
Z t
m Z t
X
i
i
Xt = X0 +
ai (s, Xs ) ds +
i,j (s, Xs ) dBsj ,
0
j=1
(E(a, ))
1id
(3.5)
o`
u, pour m, d des entiers positifs,
a(t, x) = (ai (t, x))1id est un vecteur mesurable de Rd defini sur R+ Rd appele
d
erive ou drift de lEDS,
(t, x) = (i,j (t, x))1id est une matrice d m mesurable definie sur R+ Rd appele
1jm
coefficient de diffusion de lEDS,

et B = (B 1 , . . . , B m ) est un mouvement brownien standard en dimension m.
3.2. Exemples dEDS
43
La solution dune EDS est une fonction aleatoire. Il sagit donc dun processus quon note
X = (Xt )t0 . Plus precisement, on a :
D
efinition 3.2 (Solution dune EDS) On appelle solution de lEDS E(a, ) la donnee
de

un espace de probabilite filtre , F, (Ft )t0 , P satisfaisant les conditions habituelles ;
un (Ft )t0 -mouvement brownien B = (B 1 , . . . , B m ) dans Rm defini sur cet espace de
probabilite ;
un processus (Ft )t0 -adapte continu X = (X 1 , . . . , X d ) à valeurs dans Rd tel que
(3.4) soit verifiee, cest à dire, coordonnee par coordonnee, pour tout 1 i d :
(3.5).
Lorsque de plus X0 = x Rd , on dira que le processus X est solution de Ex (a, ).
En pratique (dans les cas simples), pour trouver la solution dune EDS, on intuite la forme
de la solution et on verifie que lEDS de depart est bien satisfaite en appliquant la formule
dIto, cf. Section 3.2. On propose des resultats generaux dexistence et dunicite des EDS,
du type theorème de Cauchy-Lipschitz dans la Section 3.3.
3.2
Exemples dEDS
Les EDS affines admettent des solutions explicites quon peut obtenir comme dans le cas
deterministe par la methode de variation de la constante. Le cas affine est important car
les EDS affines apparaissent comme des linearisees dEDS plus complexes quon ne sait pas
toujours resoudre. On se place dans le cas reel, ie. d = m = 1.
3.2.1
Equations
lin
eaires
Ornstein-Uhlenbeck :
equation a(t, x) = ax (a > 0) et (x) = . Il sagit de
lequation de Langevin :
dXt = aXt dt + dBt
(3.6)
cest a` dire avec a(t, x) = ax, et (x) = . La solution est donnee par
Xt = X0 e
at
Z
+
ea(ts) dBs .
(3.7)
Sans le terme dBt , lequation dXt = aXt dt se resout immediatement en Xt = Ceat .

Pour tenir compte du terme dBt , on fait varier la constante C :
dC eat aCeat dt = dXt = aXt dt + dBt
dC = eat dBt
Z t
C = X0 +
eas dBs
0
c
Chapitre 3. JCB
44
et, avec Xt = Ceat , lexpression (3.7) est obtenue.

On peut observer directement que (3.7) est satisfaite en derivant Xt = X0 eat +eat
avec la formule dIto (sous la forme derivee de lIPP) :
Rt
0
eas dBs
d(Xt Yt ) = Xt dYt + Yt dXt + dhX, Y it .

Il sagit du processus dOrnstein-Uhlenbeck (cf. Section ?? ). Ce cas se generalise au
contexte vectoriel.
Equation
a(t, x) = at x et (x) = t x. On suppose les processus (at )t0 et (t )t0 bornes
RT
RT
ou verifiant lintegrabilite 0 |at | dt < +, 0 |t |2 dt < +. LEDS
dXt = Xt (at dt + t dBt ),
X0 = x
(3.8)
admet pour solution

Z
Z
as ds +
Xt = x exp
0
1
s dBs
2
s2 ds
(3.9)
Pour le voir, on suppose X positivement borne sur [0, T ] (minore par 1/n, majore par
n) ; sinon, on introduit le temps darret Tn = inf(t : Xt 1/n ou Xt > n) et on arrete les
processus à ces dates. On applique la formule dIto a` XtTn et a` la fonction ln (qui est C 2 sur
[1/n, n]). De lequation (3.8), on deduit dhX, Xit = Xt2 t2 dt. Le processus Yt = ln XtTn
verifie alors
dYt =
t2
1
1 dhX, Xit
1
=
a
dt
+
dB
dt = at t2 dt + t dBt ,
dXt
t
t
t
2
Xt
2 Xt
2
2
ce qui prouve le resultat (3.9).

Black et Scholes. Cest le cas particulier o`
u a(t, x) = ax et (t, x) = x, ie.
dXt = aXt dt + Xt dBt .
(3.10)
Cette EDS modelise levolution dun cours X soumis a` un taux dinteret deterministe a
et à une perturbation stochastique Xt dBt . Dans un contexte financier, le coefficient de
diffusion est appele volatilite. Noter que la partie deterministe de laccroissement de Xt
(aXt ) et sa partie aleatoire (Xt ) sont toutes les deux proportionnelles a` la valeur courante,
Xt , en t (ce qui est typique des modèles de croissance).
La solution de (3.10) est un cas particulier de (3.9) :

2
Xt = X0 exp at t + Bt .
2
On retrouve le mouvement brownien geometrique .
3.3. Existence et unicite
3.2.2
45
Equations
affines
On suppose que a(t, x) = ct + at x et (t, x) = t x + t , cest a` dire quon considère

lEDS affine generale
dXt = Xt (at dt + t dBt ) + ct dt + t dBt .
(3.11)
Elle a une solution construite a` partir de la solution Z de lEDS lineaire dZt = Zt (at dt +
t dBt ) de condition initiale Z0 = 1, ie.

Z t
Z t
Z
1 t 2
Zt = exp
as ds +
s dBs
ds
2 0 s
0
0
donnee, avec e
ct = ct t t , par

Z t
1
Xt = Zt X0 +
Zs (e
cs ds + s dBs ) .
(3.12)
Avec la formule dIto, on verifie que (3.12) satisfait effectivement lequation (3.11) :

dXt = Zt Zt1 (e
ct dt + t dBt ) + Xt (at dt + t dBt ) + dhZt , Zt1 t Bt it
= e
ct dt + t dBt + Xt (at dt + t dBt ) + t t dt
= Xt (at dt + t dBt ) + ct dt + t dBt .
3.3
Existence et unicit
e
Comme dhabitude pour les equations differentielles, les notions dexistence et dunicite
sont essentielles. Dans le contexte des EDS, il existe plusieurs types dexistence et dunicite
des EDS. Dans toute cette section, on considère lEDS E(a, ).
D
efinition 3.3 (Existence, unicit
e des EDS) Pour lequation E(a, ), on dit quil y a
existence faible si pour tout x Rd , il existe une solution de Ex (a, ) ;
existence et unicite faibles si de plus toutes les solutions de Ex (a, )
ont meme loi ;
unicite trajectorielle si, lespace de probabilite filtre , F, (Ft )t0 , P et le mouvement
brownien B etant fixes, deux solutions X et X 0 de E(a, ) telles que X0 = X00 ps sont
indistinguables.
On dit de plus quune solution X de Ex (a, ) est une solution forte si X est adapte par rapport à la filtration canonique de B. Il y a unicite forte pour E(a, ) si pour tout mouvement
brownien B, deux solutions fortes associees à B sont indistinguables.
Remarque 3.1 Il peut y avoir existence et unicite faibles sans quil y ait unicite trajectorielle. Pour voir cela, on considère un mouvement brownien issu de 0 = y et on
pose
Z
t
Bt =
sign (s ) ds
0
c
Chapitre 3. JCB
46
avec sign (x) = 1 si x 0 et sign (x) = 1 si x < 0. On constate facilement que

Z t
sign (s ) dBs .
t = y +
0
Comme B est une martingale locale à trajectoires continues et que

Z t
Z t
2
sign (s ) dh, is =
ds = t,
hB, Bit =
0
le Theorème de Levy (Theorème 1.2) justifie que B est un mouvement brownien (issu de
0). On voit alors que est solution de lEDS
dXt = sign (Xt ) dBt ,
X0 = y,
(3.13)
` nouveau, par le Theorème de Levy, on prouve

pour laquelle il y a donc existence faible. A
lunicite faible : toute solution X de (3.13) est une martingale locale a` trajectoires continues
et verifie
Z t
Z t
sign (Xs )2 dhB, Bis =
hX, Xit =
0
ds = t
0
et doit donc etre un mouvement brownien (Theorème de Levy : Th. 1.2).

Par contre, il ny a pas, en general, unicite trajectorielle : pour y = 0, on voit facilement
et sont deux solutions de (3.13) associees au meme brownien B. Noter que
Rque
t
1
ds = 0 car
0 {s =0}
"Z
Z

Z
2 #
Z
1{s =0} dBs
E
0
12{s =0}
=E
0
1{s =0} ds =
ds = E
0
P(s = 0)ds = 0
0
Rt
et donc 0 1{s =0} dBs = 0 ps). Aussi, nest pas solution forte de lEDS : on montre que
la filtration de B concide avec la filtration canonique de ||, qui est strictement plus petite
que celle de .
Le resultat suivant -admis (cf. [KS, Prop 3.20] pour une preuve)- relie les differentes notions
dexistence et dunicite :
Th
eor`
eme 3.1 (Yamada-Watanabe) Existence faible et unicite trajectorielle impliquent

unicite faible. De plus, dans ce cas, pour tout espace de probabilite filtre , F, (Ft )t0 , P
et tout (Ft )t0 -mouvement brownien B, il existe pour chaque x Rd une (unique) solution
forte de Ex (a, ).
Dans toute la suite, on suppose remplies les conditions suivantes :
Hypoth`
eses lipschitziennes. Les fonctions a et sont continues sur R+ Rd et lipschitziennes en x, ie. il existe une constante K ]0, +[ telle que pour tout t 0 et
x, y Rd
|a(t, x) a(t, y)| K|x y|
47
|(t, x) (t, y)| K|x y|
RT
et 0 |a(t, 0)|2 + |(t, 0)|2 dt < + pour tout T o`
u |a| et || representent la norme du
vecteur a et de la matrice . On a alors
Th
eor`
eme 3.2 (Cauchy-Lipschitz pour EDS) Sous les hypothèses lipschitziennes, il y

a unicite trajectorielle pour E(a, ). De plus, pour tout espace de probabilite filtre , F, (Ft )t0 , P
et tout (Ft )t -mouvement brownien B, il existe pour chaque x Rd une (unique) solution
forte de Ex (a, ).
Ce resultat entrane en particulier quil y a existence faible pour E(a, ). Lunicite faible
sera une consequence du Theorème 3.4 (cf. remarque qui suit ce resultat) ; elle vient aussi
de lunicite trajectorielle si on utilise le theorème de Yamata-Watanabe (Theorème 3.1).
Remarque 3.2 On peut affaiblir lhypothèse de continuite en t, celle-ci nintervient essentiellement que pour majorer sup0tT |(t, x)| et sup0tT |a(t, x)| pour x fixe : on peut
localiser lhypothèse lipschitzienne sur a et se contenter dune constante K qui depend du compact sur lequel t et x sont consideres. Il faut alors conserver une condition de
croissance sous-lineaire :
|(t, x)| K(1 + |x|),
|a(t, x)| K(1 + |x|).
Comme pour les equations differentielles (ordinaires), la croissance sous-lineaire previent

lexplosion de la solution de lEDS.
D
emonstration : Pous simplifier la preuve, on considère le cas d = m = 1.
Unicit
e trajectorielle. On considère deux solutions X et X 0 de E(a, ) avec X0 = X00 ,
definies sur sur le meme espace et avec le meme mouvement brownien B. Pour M > 0 fixe,
on considère le temps darret

= inf t 0 : |Xt | M, |Xt0 | M .
Daprès E(a, ), on a alors pour tout t 0 :
Z t
Z t
Xt = X0 +
(s, Xs ) dBs +
a(s, Xs ) ds
0
0
Z t
Z t
0
0
0
Xt = X0 +
(s, Xs ) dBs +
a(s, Xs0 ) ds.
0
On considère t [0, T ]. Par difference, comme X0 = X00 et comme X, X 0 sont bornees

par M sur ]0, ], lexpression de la variance dune integrale stochastique L2 , linegalite de
Cauchy-Schwarz, les hypothèses lipschitziennes et la majoration (x + y)2 2(x2 + y 2 )
donnent

0
E (Xt Xt
)2
c
Chapitre 3. JCB
48
" Z
2 #
2 E
((s, Xs )
(s, Xs0 ))
dBs
"Z
(a(s, Xs )
+E
Z
2 E
2 #!
a(s, Xs0 ))
ds
(s, Xs0 ))2

Z
ds + T E
((s, Xs )

Z t
2
0 2
2K (1 + T )E
(Xs Xs ) ds
0

Z t
2
0
2
2K (1 + T )E
(Xs Xs ) ds.
0
(a(s, Xs )
a(s, Xs0 ))2

ds

0
)2 et C = 2K 2 (1 + T ), alors on a etabli que h verifie
Si on pose h(t) = E (Xt Xt
pour t [0, T ] :
Z t
h(t) C
h(s) ds.
0
De plus, par definition de , la fonction h est bornee par 4M 2 , linegalite de Gronwall

0
(lemme suivant) sapplique avec a = 0 et b = C. On obtient h = 0, cest a` dire Xt = Xt
ps. Finalement, en faisant M +, on a + et donc Xt = Xt0 ps. Les processus X
et X 0 sont des modifications a` trajectoires continues, ils sont donc indistinguables, ce qui
prouve lunicite trajectorielle.
Lemme 3.1 (Gronwall) Soient T > 0 et g une fonction positive mesurable bornee sur
[0, T ]. On suppose quil existe des constantes a 0, b 0 telles que pour tout t [0, T ],
on a
Z t
g(t) a + b
g(s)ds.
(3.14)
Alors on a g(t) a exp(bt) pour tout t [0, T ].

D
emonstration :[Gronwall] En iterant la condition (3.14) sur g, on a pour tout n 1,
Z t
Z s1
Z sn
(bt)2
(bt)n
n+1
g(t) a + a(bt) + a
g(sn+1 )dsn+1 .
+ + a
+b
ds1
ds2 . . .
2
n!
0
0
0
Si g est majoree par A, le dernier terme se majore par A(bt)n+1 /(n + 1)! et il tend vers 0
quand n +, ce qui prouve le lemme car le developpement a` droite tend vers a exp(bt).
Existence forte. On procède comme pour les equations differentielles avec une methode
dapproximation de Picard. Pour cela, on pose
Xt0 = x
Xt1
= x+
(s, x) dBs +
0
Xt2
Z
= x+
0
a(s, x) ds
0
(s, Xs1 )
Z
dBs +
0
a(s, Xs1 ) ds
49
... = ... Z
Z t
t
n1
n
a(s, Xsn1 ) ds.
(s, Xs ) dBs +
Xt = x +
(3.15)
Les integrales stochastiques ci-dessus sont bien definies puisque par recurrence, on constate
que, pour chaque n, Xtn est continu et adapte donc localement borne si bien que le processus
(t, Xtn ) lest aussi (hypothèse lipschitzienne) et lintegrale correspondante bien definie.
On fixe maintenant T > 0 et on raisonne sur [0, T ]. On prouve par recurrence quil existe
Cn tel que, pour tout t [0, T ],

(3.16)
E (Xtn )2 Cn .
En effet, (3.16) est immediate si n = 0 avec C0 = x. Puis, on suppose que (3.16) est vraie
au rang n 1 avec
|(s, y)| K 0 + K|y|,
|a(s, y)| K 0 + K|y|,
s [0, T ], y R.
Noter
la croissance
sous-lineaire de et lhypothèse de recurrence (3.16), on a

R t que par
n1 2
E 0 (s, Xs ) ds < +. On a donc
"Z

2 #
Z t
t
n1
n1 2
E
(s, Xs ) dBs
(s, Xs ) ds .
=E
0
Comme (x + y + z)2 3(x2 + y 2 + z 2 ), par linegalite de Cauchy-Schwarz, lisometrie L2 ,

et les hypothèses lipschitziennes, on majore comme suit
"Z
"Z
2 #!
2 #
t
t
n 2
E (Xt )
(s, Xsn1 ) dBs
a(s, Xsn1 ) ds
3 |x|2 + E
+E
0
(convexite)

Z t

Z t

n1 2
n1 2
2
(s, Xs ) ds + tE
a(s, Xs ) ds
3 |x| + E
0
(isometrie L , Cauchy-Schwarz)

Z t

2
0 2
2
n1 2
3 |x| + (1 + T )E
((K ) + K (Xs ) ) ds
0
(hypothèses lipshitziennes)
3(|x|2 + T (1 + T )((K 0 )2 + K 2 Cn1 ) =: Cn
ce qui etablit (3.16) par recurrence.
La borne (3.16) etR la croissance sous-lineaire de assurent alors que, pour chaque n, la
t
martingale locale 0 (s, Xsn )dBs est une vraie martingale bornee dans L2 sur lintervalle
[0, T ] (cf. Theorème ??).

Cela va permettre de majorer par recurrence E sup0tT |Xtn+1 Xtn |2 . On a
Z t
Z t
n
n
n1
n+1
Xt Xt =
((s, Xs ) (s, Xs )) dBs +
(a(s, Xsn ) a(s, Xsn1 ) ds.
0
c
Chapitre 3. JCB
50
En utilisant les inegalites de Doob (Prop. ??) et de Cauchy-Schwarz ainsi que les hypothèses
lipschitziennes, on deduit

n+1
n 2
E sup |Xs Xs |
0st
"
2 #
Z s
2
Z s

2E sup ((u, Xun ) (u, Xun1 )) dBu + sup (a(u, Xun ) a(u, Xun1 )) du
0st
0st
0
(convexite)
"Z
"Z
2 #!
2 #
t
t
+E
|a(u, Xun ) a(u, Xun1 )| du
((u, Xun ) (u, Xun1 )) dBu
2 4E
0
(inegalite de Doob)

Z t
Z t
n
n1 2
n
n1 2
(a(u, Xu ) a(u, Xu )) du
2 4E
((u, Xu ) (u, Xu )) du + T E
0
(isometrie L2 , Cauchy-Schwarz)

Z t
n
n1 2
2
|Xu Xu | du
2(4 + T )K E
(3.17)
(hypothèses lipschitziennes)

Z t
n
n1 2
sup |Xr Xr | du
CT E
(3.18)
0 0ru

avec CT = 2(4 + T )K 2 . Si on note gn (u) = E sup0ru |Xrn Xrn1 |2 alors on a etabli
Z
gn+1 (t) CT
gn (u)du.
(3.19)
Par ailleurs, par (3.16) et les inegalites precedentes (cf. (3.17)), on voit que les fonctions gn
sont bornees sur [0, T ]. En particulier, il existe une constante CT0 telle que g0 (t) CT0 pour
t [0, T ]. Par une recurrence utilisant (3.19), on etablit que pour tout n 1 et t [0, T ],
on a
tn
gn (t) CT0 .
n!
P+
On deduit alors que n=0 gn (T )1/2 < +, comme

+
+
+
X

X
X

n+1
n
n+1
n

sup |Xs Xs |
sup |Xs Xs | =
gn (T )1/2 < +

n=0 0sT

2
n=0 0sT
n=0
2
cela entrane que ps

+
X
sup |Xsn+1 Xsn | < +,
n=0 0sT
3.4. Utilisation de Girsanov pour les EDS
51
et donc ps la suite (Xtn )t[0,T ] converge uniformement sur [0, T ] vers un processus limite
(Xt )t[0,T ] qui est continu. Comme par recurrence, chaque processus X n est adapte par
rapport à la filtration canonique de B, X lest aussi a` la limite.
Les estimations (3.18) etablissent aussi que

E
sup |Xsn Xs |2
0sT
+
X
!2
gk (T )1/2
0,
n +.
k=n
On deduit alors de lisometrie L2 , des hypothèses lipschitziennes que, avec des limites dans
L2 , on a :
Z t
Z t
2
n
L - lim
(s, Xs ) dBs =
(s, Xs ) dBs ,
n+ 0
0
Z t
Z t
2
n
L - lim
a(s, Xs ) ds =
a(s, Xs ) ds.
n+
Finalement, en passant à la limite dans lequation de recurrence (3.15), on obtient que X

est solution forte de Ex (a, ) sur [0, T ].
3.4
Utilisation de Girsanov pour les EDS
Le theorème de Girsanov permet de montrer lexistence de solution faible dEDS quand

elle nadmet pas necessairement de solution forte.
Proposition 3.1 Soit B un mouvement brownien standard dans Rd et a : R+ Rd Rd .
On considère lEDS
dXt = a(t, Xt )dt + dBt .
(3.20)
1. Il y a existence faible lorsque a est une fonction bornee.
2. Il y a unicite faible sur [0, T ] lorsque a est presque s
urement carr
e integrable sur
i
i
i
i
i
[0, T ] : Soit pour i = 1, 2 X une solution sur , F , (Ft )t0 , P associee au mouvement brownien B i et de condition initiale (independante de i = 1, 2). Alors
(X 1 , B 1 ) et (X 2 , B 2 ) ont la meme loi sous P1 et P2 resp. (unicite faible) si
Z T

i
i 2
P
ka(t, Xt )k dt < + = 1.
0
Remarque 3.3
La condition sur a est trop faible pour que le Theorème 3.2 sapplique. Le theorème de Girsanov permet de montrer lexistence faible dune solution.
On peut affaiblir lhypothèse a bornee en croissance sous-lineaire :
ka(t, x)k K(1 + kxk),
0 t T, x Rd .
c
Chapitre 3. JCB
52
e
On met ainsi en evidence leffet regularisant du mouvement brownien B (en fait B,
e
cf.
R t ci-dessous) dans (3.20) puisque sans B, lequation differentielle ordinaire xt =
a(s, xs )ds nadmet pas de solution en general lorsque a est seulement borne.
0
D
emonstration : Pour simplifier, on suppose d = 1.
1) Existence faible. En partant de , F, (FtB )t0 , P et B un mouvement brownien,
on construit
une solution faible par le theorème de Girsanov. Pour cela, on considère
Rt
Lt = 0 a(s, Bs )dBs (bien defini parce que a est bornee) et on pose
Z
Zt = E(L)t = exp
0
Comme exp
R
1 t
2
1
a(s, Bs ) dBs
2

a(s, Bs ) ds .
2
a(s, Bs )2 ds exp(tkak /2), le critère de Novikov (Theorème 2.2) est
satisfait sur tout intervalle [0, t] et Z est une F B -martingale sur R+ . On definit alors une
probabilite sur chaque FtB en posant dQa|F B = Zt dP. Le theorème de Girsanov assure que
t
Z t
et = Bt
B
a(s, Bs )ds
0
a
est un Q -mouvement brownien. Sous Q , le processus B est solution de

Z t
e
a(s, Xs )ds
Xt = Bt +
0
e On a donc construit une probabilite Qa et des

cest a` dire de lEDS (3.20) dirigee par B.
e tels que B
e est un mouvement brownien sous Qa et B est solution faible
processus (B, B)
de (3.20).
2) Unicit
e faible. Soient T une date deterministe fixee et une loi initiale. Pour k 1
et i = 1, 2, on considère

Z t
i
i 2
k = T inf 0 t T :
ka(s, Xs )k ds k .
0
Comme precedemment, le critère de Novikov assure que

Ztk,i = exp
tki
a(s, Xsi ) dBsi
1
2
tki
!
ka(s, Xsi )k2 ds
est une martingale. On definit alors des probabilites par dQk,i = ZTk,i dPi . Le theorème de
Girsanov assure alors que sous Qk,i
i
Xt
i
k
X0i
Z
+
0
tki
i
a(s, Xsi )ds + Bt
i,
k
0tT
3.5. Flot sur lespace de Wiener
53
est un mouvement brownien standard de loi initiale , arrete à ki . De plus, on montre que
i
ependamment de i = 1, 2.
ki , (Bti : t ki ) et ZTk,i sexpriment en termes de Xt
i ind
k

Pour 0 = t0 < t1 < < tn = T et A B R2(n+1) , on a
Z

1
1
1
1
1
1
1
1
1
1
P (Xt0 , Bt0 , . . . , Xtn , Btn ) A, k = T =
dQk,1
1 1 1
k,1 {(Xt0 ,Bt0 ,...,Xtn ,Btn )A,k =T }
1 ZT
Z
1
2
2
2
=
1 2 2
dQk,2
k,2 {(Xt0 ,Bt0 ,...,Xtn ,Btn )A,k =T }
2
Z
T

2
= P (Xt20 , Bt20 , . . . , Xt2n , Bt2n ) A, k2 = T
i
o`
u la deuxième ligne vient de lobservation precedente et du fait que sous Qk,i , X i,k est un
mouvement
brownien (arrete, de loi initiale ). Lhypothèse sur a implique limk+ Pi ki =

T = 1, i = 1, 2. On peut donc passer à la limite k + pour conclure.

Le resultat suivant (admis) est une generalisation de la Proposition 3.1 pour une EDS avec
un coefficient de diffusion plus general :
Th
eor`
eme 3.3 (Benes) Soient a : R R une fonction bornee et : R R une
fonction (globalement) lipschitzienne et ne sannulant pas et B un mouvement brownien
reel standard. LEDS
dXt = a(Xt ) dt + (Xt ) dBt
admet une solution faible qui est unique en loi.
Lhypothèse cruciale est que le coefficient de diffusion ne sannule pas : le processus diffuse
tout le temps. La non-nullite de ce coefficient joue un role essentiel dans letude de la
regularite des lois de solutions dEDS. Cela est explore à laide du calcul de Malliavin.
3.5
Flot sur lespace de Wiener
Dans lexemple des EDS affines (3.11), la dependance de la solution par rapport aux conditions initiales est explicite puisque (3.12) se reecrit Xt = Zt (X0 + Dt ). La solution Xt est
donc une fonction affine de la condition initiale X0 . Lorsque les coefficients sont deterministes, les processus Zt et Dt sont adaptes par rapport à la filtration Ft = (Bs : s t)
pour tout t. Autrement dit, Xt est une fonction deterministe de X0 et de la trajectoire du
mouvement brownien sur [0, t]. En ecrivant [x]t = {s 7 xs : s t} la trajectoire dune
fonction x sur [0, t], on peut ecrire pour lEDS affine
Xt () = FX0 (t, [B()]t )
o`
u Fx (t, w) est continue par rapport à x. On generalise cette observation en interpretant
la solution de lEDS E(a, ), ie. dXt = a(t, Xt ) dt + (t, Xt ) dBt , comme fonctionnelle sur
54
c
Chapitre 3. JCB

lespace de Wiener C(R+ , Rm ), B(C(R+ , Rm )), W (espace des trajectoires du mouvement
brownien).
On rappelle que lespace de Wiener est lespace canonique dun mouvement brownien B,
issu de 0 à valeurs dans Rm , cest a` dire lensemble C(R+ , Rm ) des fonctions continues de
R+ dans Rm , muni de la mesure de Wiener W, . En particulier, la mesure de Wiener W
est la loi dun mouvement brownien B.
Th
eor`
eme 3.4 (Fonctionnelle sur lespace de Wiener) Sous les hypothèses lipschitziennes, pour tout x Rd , il existe

C(R+ , Rm ) C(R+ , Rd )
Fx :
w
7 Fx (w)
mesurable et satisfaisant les proprietes suivantes :
i) pour tout t 0, Fx (w)t concide W(dw)-ps avec
w(r) : 0 r t ; avec un abus de notation, on
d
R
m
ii) pour tout w C(R+ , R ), lapplication
x 7
une fonction mesurable de [w]t =

ecrira Fx (t, [B]t ) ;
C(R+ , Rm )
est continue ;
Fx (w)

iii) pour tout x Rd , pour tout choix despace de probabilite filtre , F, (Ft )t0 , P
et tout (Ft )t0 -mouvement brownien B en dimension m, le processus X defini par
Xt = Fx (B)t est lunique solution de E(a, ) avec valeur initiale x ; de plus, si Z est
une variable aleatoire F0 -mesurable, le processus FZ (B)t est lunique solution avec
valeur initiale Z.
Remarque 3.4 Lassertion iii) montre en particulier quil y a unicite faible pour lEDS
E(a, ) : les solutions de Ex (a, ) sont toutes de la forme Fx (B) et ont donc la meme loi,
image de la mesure de Wiener W par Fx .
` nouveau, on simplifie la presentation de la preuve en considerant le
D
emonstration : A
cas d = m = 1. On note N la classe des sous-ensembles W-negligeables de C(R+ , R) et on
considère la filtration donnee pour tout t [0, +],

Gt = w(s) : 0 s t N .
Daprès la Remarque 1.8, la filtration (Gt )t0 est continue à droite, comme en plus elle
est complète, elle satisfait les conditions habituelles. Pour chaque x R, on note X x
la solution de lEDS Ex (a, ) associee a` lespace canonique C(R+ , R), G , (Gt )t0 , W et
au mouvement brownien (canonique) Bt (w) = w(t). Daprès le Theorème 3.2, sous les
hypothèses lipschitziennes cette solution existe et est unique à indistinguabilite près.
Soient x, y R et Tn le temps darret defini par

Tn = inf t 0 : |Xtx | n ou |Xty | n .
55
Soit p 2 et T 1. En utilisant (x + y + z)p 3p1 (xp + y p + z p ), les inegalites de

Burkholder-Davis-Gundy (Theorème 1.4) et linegalite de Holder, on a pour tout t [0, T ] :

y
p
x
E sup |XsTn XsTn |
st
p
Z sTn

y
x
p

(r, Xr ) (r, Xt ) dBr
Cp |x y| + E sup
0st
0

Z sTn

p
x
y

a(r, Xr ) a(r, Xr ) dr
+E sup
0st
(convexite)
Cp
|x y|p + Cp0 E
"Z
tTn
(r, Xrx ) (r, Xty )
2
p/2 #
dr
Z
tTn

a(r, Xrx ) a(r, Xry ) dr
+E
p
(inegalite BDG droite pour p 2)

Z t
p

y
x
p
0 p/21

Cp |x y| + Cp t
(r Tn , XrTn ) (r Tn , XtTn ) dr
E
0
Z t

p
y
p1
x
a(r Tn , XrT ) a(r Tn , X
dr
+t E
rTn )
n
0
(inegalite de Holder)

Z t

x
y
p
00
p
p
E |XtTn XrTn | dr
Cp |x y| + T
0
(hypothèses lipschitziennes et T 1)
o`
u la constante Cp00 < + depend de p et de la constante K intervenant dans les hypothèses
lipschitziennes sur et a mais pas de n, x, y ou T .

y
x
Puisque par definition de Tn , la fonction t 7 E supst |XsT
XsT
|p est bornee, linn
n
egalite de Gronwall (Lemme 3.1) sapplique avec a = Cp00 |x y|p et b = Cp00 T p et entrane
que pour tout t [0, T ], on a

y
x
p
E sup |XsTn XsTn | Cp00 |x y|p exp(Cp00 T p t).
(3.21)
st
Comme
y
x
sup |XsT
XsT
|p = sup |Xsx Xsy |p
n
n
st
stTn
et Tn % +, cest croissant en n 1. Par convergence monotone, il vient alors

x
y p
E sup |Xs Xs | Cp00 |x y|p exp(Cp00 T p t).
st
c
Chapitre 3. JCB
56
On considère sur C(R+ , R) la topologie de la convergence uniforme sur les compacts. Elle
est definie par une distance du type
0
d(w, w ) =
+
X

0
k sup |w(s) w (s)| 1
sk
k=1
pour tout choix de la suite de reels positifs k > 0 tels que la serie
Ici, on fait le choix des coefficients k tels que
+
X
k1
k soit convergente.

k exp Cp00 k p+1 < +.
(3.22)
k=1
ep < +, on a :
Daprès (3.21), ce choix (3.22) garantit que pour une constante C
+
X

x
y p
ep |x y|p .
k E sup |Xs Xs | C
(3.23)
sk
k=1
Alors les estimations precedentes et linegalite de Jensen montrent que

" +
!p #
X

E d(X x , X y )p = E
k sup |Xsx Xsy | 1
sk
k=1
+
X
k=1
+
X
!p
k
"
E
!p
k
k=1
+
X
k=1
k
P+
"
E
+
X
k=1
k
P+
k=1
k=1
k
k

!p #
sup |Xsx Xsy | 1
sk

p !#
sup |Xsx Xsy | 1
sk
P
k
P+
(inegalite de Jensen pour la mesure +
k )
k=1
k=1 k
!
p1 +

+
X
X
x
y p
ep |x y|p
k
k E sup |Xs Xs | . C
k=1
k=1
sk
(avec la borne (3.23))

Le Theorème de Kolmogorov-Centsov (Theorème ??) applique au processus (X x , x R) a`
e x, x
valeurs dans C(R+ , R) muni de la distance d donne lexistence dune modification (X
R) dont les trajectoires sont continues. On note
e x (w).
F (t, x, w) = Fx (w)t = X
t
e x 7 Fx (w) est continue ce qui etablit la propriete ii) de lenonce.
Par choix de la version X,
Lapplication w 7 Fx (w) est mesurable de C(R+ , R) muni de la tribu G dans C(R+ , R)
etx (w)
muni de la tribu borelienne (w(s) : s 0). De meme, pour chaque t 0, Fx (w)t = X
57
est Gt -mesurable donc concide ps avec une fonction mesurable de [w]t = {w(s) : 0 s t},
ce qui etablit maintenant lassertion i).
On termine en montrant
lassertion iii). On commence par fixer lespace de probabilite

filtre , F, (Ft )t0 , P et un (Ft )t0 -mouvement brownien B. Il sagit de voir que Fx (B)
est solution de lEDS Ex (a, ) :
dXt = a(t, Xt ) dt + (t, Xt ) dBt ,
X0 = x.
On observe que le processus Fx (B) est continu et adapte daprès i) puisque Fx (B)t concide
ps avec une fonction mesurable de [B]t = {Br : 0 r t} en effet pour une fonction fx
mesurable sur C(R+ , R), par le theorème de transfert

P Fx (B)t = fx ([B]t ) = W Fx (w)t = fx ([w]t ) = 1.
Dautre part, par construction de Fx , on a W(dw)-ps
Z t
Z t
a(s, Fx (w)s ) ds.
(s, Fx (w)s ) dw(s) +
Fx (w)t = x +
0
De facon standard, lintegrale de Stieltjes sapproxime par des sommes de Riemann : on a

W-ps
tn
Z t
pn 1
X
a(s, Fx (w)s ) ds = lim
a(tni , Fx (w)tni ) (tni+1 tni )
n+
i=0
o`
u 0 = tn0 tn1 tnpn = t est une subdivision de [0, t] de pas qui tend vers 0. De
la meme facon, daprès 6) dans
R t la Proposition ??, on a une approximation a` la Riemann
pour lintegrale stochastique 0 (s, Fx (w)s ) dw(s) mais dans le sens de la convergence en
probabilite W :
tn
pn 1
(s, Fx (w)s ) dw(s) = W- lim

0
n+
tni , Fx (w)tni

w tni+1 w (tni ) .
i=0
En prenant une sous-suite (nk )k correctement choisie, on a une convergence W-presque

s
ure :
n
tpnk 1
(s, Fx (w)s ) dw(s) = lim

0
k+
k
X

k
tni k , Fx (w)tni k w tni+1
w (tni k ) .
i=0
Comme en plus W-ps Fx (w)t = fx ([w]t ) pour une fonction fx mesurable sur C(R+ , Rm ),
on a finalement
nk
nk 1
tpX

k
fx ([w]t ) = x + lim
tni k , Fx (w)tni k w tni+1
w (tni k )
k+
i=0
c
Chapitre 3. JCB
58
tpnk 1
k
X
k
a(tni k , Fx (w)tni k )(tni+1
tni k )
i=0
Maintenant quon sest ramene à une convergence W-presque s

ure, on peut, comme precedemment, remplacer w par B (puisque sa loi est W) :
nk
nk 1
tpX

k
w (tni k )
1 = W fx ([w]t ) = x + lim
tni k , Fx (w)tink w tni+1
k+
i=0
nk
tpn 1
k
X
nk
nk
nk
n
+
a(ti , Fx (w)ti k )(ti+1 ti )
i=0
nk
nk 1
tpX

k
tni k , Fx (B)tni k B tni+1
= P fx ([B]t ) = x + lim
B (tni k )
k+
i=0
n
tpnk 1
k
X
k
+
a(tni k , Fx (B)tni k )(tni+1
tni k ) .
i=0
Mais, en utilisant encore 6) dans la Proposition ??, on a

n
tpnk 1
(s, Fx (B)s ) dBs = P- lim
k
X
k+
i=0
tn
1
pn
a(s, Fx (B)s ) ds =
0

k
tni k , Fx (B)tni k B tni+1
B (tni k ) (en proba)
lim
n+
a(tni , Fx (B)tni )(tni+1 tni ) P-ps
i=0
cest a` dire finalement (par unicite de la limite en probabilite) : P-ps

Z t
Z t
Fx (B)t = fx ([B]t ) = x +
(s, Fx (B)s ) dBs +
a(s, Fx (B)s ) ds.
0
On obtient donc que Fx (B) est la solution recherchee de lEDS Ex (a, ).

Pour finir, on etablit la deuxième partie de iii). On fixe a` nouveau lespace de probabilite
filtre , F, (Ft )t0 , P et le (Ft )t0 -mouvement brownien B. Soit Z une variable aleatoire
F0 -mesurable. En remplacant formellement, dans lEDS verifiee par Fx (B), x par Z, on
obtient que FZ (B) est solution de E(a, ) avec valeur initiale Z. On justifie maintenant ce
remplacement formel.
Dabord comme (x, ) 7 Fx (B)t est continue par rapport a` x et Ft -mesurable par rapport
a` , on a facilement que cette application est mesurable pour la tribu B(R) Ft . Comme
59
Z est F0 -mesurable, il sen deduit, par composition, que FZ (B)t est Ft -mesurable et le
processus FZ (B) est donc continu et adapte.
On a vu precedemment que
Fx (B)t
nk
nk 1
tpX

nk
k
n
B (tni k )
= x + P- lim
ti , Fx (B)ti k B tni+1
k+
i=0
n
tpnk 1
k
X
nk
n
n
k
k
+
a(ti , Fx (B)tni k )(ti+1 ti ) .
i=0
De plus, comme Z est F0 -mesurable, on a Z

B. On peut donc remplacer precedemment
x par Z et, en utilisant encore 6) dans la Proposition ??, avoir (avec Z
B encore)
Z
FZ (B)t = Z +
Z
(s, FZ (w)s ) dBs +
a(s, FZ (B)s ) ds
0
ce qui etablit que FZ (B) est solution de E(a, ) avec valeur initiale Z.
Propri
et
e de flot
On suppose toujours valides les hypothèses lipschitziennes.
On considère maintenant le cas general de lEDS E(a, ) qui part de x a` la date r, ie. avec
Xr = x et on note la solution Xtr,x pour t r. Daprès le Theorème 3.4, on peut ecrire
Xtr,x = F (r, x, t, [B Br ]t )
o`
u (B Br )s+r = Bs+r Br est la valeur en s du mouvement brownien translate en temps
de r (cest bien un mouvement brownien daprès la propriete de Markov faible).
Th
eor`
eme 3.5 (Propri
et
e de flot) Sous les hypothèses lipschitziennes, la solution de
lEDS E(a, ) avec Xr = x verifie la propriete de flot
F (r, x, t0 + t, [B Br ]t0 +t ) = F (t0 , Xtr,x
, t0 + t, [B Bt0 ]t0 +t )
0
t0 ,X r,x
ie. Xtr,x
= Xt0 +t t0 .
0 +t
(3.24)
Cette propriete setend pour des temps aleatoires : soit T r un temps darret borne
F (r, x, T + t, [B Br ]T +t ) = F (T, XTr,x , T + t, [B BT ]T +t )
T,X r,x
ie. XTr,x+t = XT +tT .
(3.25)
c
Chapitre 3. JCB
60
D
emonstration : La propriete de flot (3.24) vient de lunicite forte de la solution de
lEDS E(a, ) due au Theorème 3.2 sous les hypothèses lipschitziennes. Le processus t 7
F (t0 , Xtr,x
, t0 + t, [B Bt0 ]t0 +t ) est une solution issue de Xtr,x
a` linstant t = 0. Il en est de
0
0
meme du processus t 7 F (r, x, t0 + t, [B Br ]t0 +t ) : a` la date t = 0, il est en Xtr,x
. Les
0
deux processus sont adaptes par rapport a` la filtration (Bt0 +t Bt0 : t 0) (Bt0 Br ).
Par unicite forte, ces deux processus continus en t sont egaux.
Pour un temps darret T , on procède de meme en notant que, par la propriete de Markov
forte, (BT +t BT )t0 est un mouvement brownien, cf. Theorème ??.
3.6
Markov fort pour EDS homog`

ene
Dans cette section, on suppose toujours les hypothèses lipschitziennes de la section precedente remplies. Pour avoir des proprietes markoviennes homogènes, on suppose en outre
que lEDS est homogène, cest à dire que les coefficients de lEDS ne dependent pas du
temps :
(t, y) = (y), a(t, y) = a(y).
Pour chaque x Rd , on note Px la loi sur C(R+ , Rd ) des solutions de Ex (a, ) (daprès
le Theorème 3.4, on a Px = WFx1 ). Lassertion ii) dans le Theorème 3.4 montre que
x 7 Px est continue pour la topologie de la convergence etroite : soit xn x, pour
f Cb (C(R+ , Rd ))
Z
Z
f dPxn =
Z
f (Fxn (w)) dW(w)
Z
f (Fx (w)) dW(w) =
f dPx
o`
u on utilise Fxn (w) Fx (w) d
u au Theorème 3.4 et la convergence dominee puisque f
d
Cb C(R+ , R ) . On deduit alors dun argument de classe monotone que pour toute fonction
borelienne de C(R+ , Rd ) dans R, lapplication x 7 Ex [] est, elle aussi, mesurable.
Th
eor`
eme 3.6 (Markov fort pour EDS homog`
ene) Soit X une solution de E(a, )
sur un espace de probabilite filtre , F, (Ft )t0 , P . Soit aussi T un temps darret fini ps.
Alors pour : C(R+ , Rd ) R+ borelienne, on a

E (XT +t : t 0)|FT = EXT []
cest à dire pour toute variable aleatoire U positive FT -mesurable

E U (XT +t : t 0) = E U EXT []

ie. L (XT +t )t0 |FT = L (Xt )t0 |XT .
3.6. Markov fort pour EDS homogène
61
Remarque 3.5 Ce resultat signifie que la solution X de lEDS verifie la propriete de

Markov forte par rapport à la filtration (Ft )t0 : pour tout temps darret fini T , la loi
conditionnelle du futur (XT +t : t 0) connaissant le passe FT est la loi de X
partant de XT , qui ne depend que du present à linstant T . Dans le cas particulier = Id
et a = 0, on retrouve la propriete de Markov forte pour le mouvement brownien. Cest du
reste sur celle-ci quon sappuie pour la preuve.
D
emonstration : Pour simplifier la presentation de la preuve, on suppose encore que
(T )
m = 1, d = 1. Notons Bt = BT +t BT . Il sagit dun mouvement brownien independant
de FT (propriete de Markov forte pour le brownien B, cf. Theorème ??). On pose aussi
Xt0 = XT +t et on remarque que le processus X 0 est adapte par rapport a` la filtration (Ft0 )t0
o`
u Ft0 = FT +t et que cette filtration satisfait les conditions habituelles. De plus, daprès
lEDS satisfaite par X,
Z T +t
Z T +t
0
Xt = XT +
a(Xs ) ds +
(Xs ) dBs .
T
Par changement de variable, on a de suite

Z T +t
Z t
a(Xs ) ds =
a(Xs0 ) ds
T
(comme il sagit dune integrale de Stieltjes definie par , on peut faire le changement
de variable sans problème par , la valeur T = T () etant alors figee).
On fait aussi un changement de variable dans lintegrale stochastique à laide du lemme
suivant :
Lemme 3.2 Si h est un processus continu adapte, on a
Z t
Z T +t
h(s, ) dBs =
h(T + s, ) dBs(T ) .
T
D
emonstration :[Lemme] En approchant h par des combinaisons lineaires finies de processus de la forme h(s, ) = ()1]r,r0 ] (s) o`
u est Fr -mesurable. Pour simplifier on prend
meme h de la forme h(s, ) = ()1]T +r,T +r0 ] (s) o`
u est FT +r -mesurable, il suffit de
montrer le changement de variables pour ces fonctions particulières :
Z T +t
Z T +t
h(s, ) dBs =
()1]T +r,T +r0 ] (s) dBs
T
T
Z (T +r0 )(T +t)
= ()
dBs
(T +r)(T +t)

= () B((T + r0 ) (T + t)) B((T + r) (T + t))

= () B((T + r0 ) (T + t)) BT B((T + r) (T + t)) + BT

= () B T (r0 t) B T (r t)
c
Chapitre 3. JCB
62
Z
r0 t
dBuT
= ()
rt
Z r0 t
() dBuT
=
rt
Z t
()1]r,r0 ] (u) dBu(T )
=
Z0 t
()1]T +r,T +r0 ] (T + u) dBu(T )
=
Z0 t
h(T + u, ) dBu(T ) .
=
0

On deduit alors du lemme que
Z T +t
Z t
Z t
(T )
(Xs ) dBs =
(XT +u ) dBu =
(Xu0 ) dBu(T )
T
et on a donc
XT0
Z
= XT +
(Xs0 )
dBs(T )
Z
+
a(Xs0 ) ds.
On remarque que X 0 est adapte par rapport a` la filtration (Ft0 )t0 , B (T ) est un (Ft0 )mouvement brownien et XT est F00 -mesurable. Daprès iii) dans le Theorème 3.4, on doit
avoir ps X 0 = FXT B (T ) . Le resultat du theorème suit alors facilement : comme XT est
FT -mesurable et B (T ) est independant de FT , on a

E (Xt0 : t 0)|FT = E FXT (B (T ) ) |FT
Z
=
(FXT (w)) W(dw) = EXT [(Xt : t 0)].
C(R+ ,Rm )
Chapitre 4
Mouvement brownien et EDP
Des liens importants existent entre probabilites et EDP via les processus stochastiques.
Ceux-ci sont souvent relies à des operateurs differentiels lineaires, ce qui permet dexprimer
les solutions de certaines EDP en termes de processus stochastiques. Loperateur le plus
simple est celui de Laplace et il est directement relie au mouvement brownien. On etudie
dans ce chapitre les connexions entre mouvement brownien et equations liees au laplacien
(equation de Laplace, problème de Dirichlet, equation de la chaleur, formule de FeynmanKac).
4.1
Fonctions harmoniques
Le laplacien u dune fonction C 2 sur un ouvert U de Rd est defini par

d
X
u
(x).
u(x) =
2
x
i
i=1
Le mouvement brownien B dans Rd est naturellement relie a` cet operateur, en effet la

formule dIto montre que si : Rd R est C 2 alors
Z
(Bt ) = (B0 ) +
0
1
(Bs ) dBs +
2
(Bs )ds.
(4.1)
Ainsi, si = 0, alors (B) est une martingale locale.

D
efinition 4.1 (Fonction harmonique) Soit D Rd un domaine (ouvert, connexe)
Une fonction u : D R est dite harmonique si u est de classe C 2 sur D et satisfait
lequation de Laplace u = 0 dans D.
Exemples. En dimension 2 : ln(x21 + x22 ) et ex1 sin x2 sont harmoniques. En dimension d :
1/|x|d2 lest sur D = Rd \ {0}.
63
c
Chapitre 4. JCB
64
La propriete suivante joue un role essentiel pour relier les solutions dEDP a` des esperances
de processus arretes en des temps de sortie de domaine. Dans la suite, pour G ouvert, on
note pour B mouvement brownien :
G = inf(t 0 : Bt
6 G) le temps dentree dans Gc ,
G = inf(t > 0 : Bt 6 G) le temps de sortie de G.
On note que le temps de sortie de G est plus grand que le temps dentree dans Gc : G G .
Par exemple si G est ouvert et B part de G, on a G = 0 mais G > 0 si B commence
par entrer dans G.
D et B un mouvement brownien issu
Proposition 4.1 Soit G un ouvert borne avec G
de a G. Si u : D R est harmonique alors
Mt = u(BtG ) u(a)
est une martingale centree.
D
emonstration : La fonction u nest definie que sur D. Pour appliquer la formule dIto,
on commence par la prolonger sur Rd en C 2 (Rd ) (qui concide avec u sur G mais
pas necessairement sur D). Par exemple, on peut obtenir le prolongement par convolution
avec :

(1G2 ) u dans D
=
0
dans Dc
o`
u G2 est le (2)-voisinage de G avec 4 = dist(G, Dc ) > 0 et o`
u R est une fonction
t
dintegrale 1, C et à support dans B(0, ). En notant Nt = (a) + 0 (Bs ) dBs la

martingale locale obtenue dans la formule dIto (4.1), on a
Z
1 tG
(Bs )ds.
(BtG ) = NtG +
2 0
Comme |G = u|G et comme u est harmonique sur G, on a (BtG ) = NtG o`
u NtG =
Rt
2
Finau(a) + 0 1[0,G ] (s)(Bs ) dBs est une martingale L puisque est borne sur G.
lement,
Z t
Mt = u(BtG ) u(a) = (BtG ) (a) =
1[0,G ] (s)(Bs ) dBs
0
est une martingale L2 (et donc centree).
D
efinition 4.2 (Formule de la moyenne) Une fonction reelle u est dite satisfaire la
formule de la moyenne sur D si pour toute boule ouverte B(a, r) telle que B(a, r) D,
on a
Z
u(a) =
u(x) a,r (dx)
(4.2)
B(a,r)
o`
u a,r est la probabilite uniforme sur la sphère B(a, r).
4.1. Fonctions harmoniques
65
Cette propriete signifie que la valeur de u en tout point a sobtient comme moyenne de u
sur nimporte quelle sphère centree en a, dadherence dans D.
Notons que le volume de la boule B(a, r) est
2rd d/2
:= Vr
Vol B(a, r) =
d( d2 )
et son aire de surface est
2rd1 d/2
d
Sr = r Vol B(a, r) =
= Vr ,
d
r
( 2 )
ainsi, on deduit lexpression suivante pour les integrales sur les boules :
Z r Z
Z
S
f (x) a,r (dx)d.
f (x) dx =
B(a,r)
(4.3)
B(a,r)
Proposition 4.2 Soit u : D R. Alors u est harmonique sur D ssi u verifie la formule
de la moyenne (4.2).
D
emonstration : : On applique la Proposition 4.1 avec G = B(a, r) :
Ea [u(BtG )] u(a) = Ea [Mt ] = 0.
Comme G est borne, G < + ps, et en faisant t +, on deduit par convergence
dominee (comme u est bornee sur B(a, r)) :
u(a) = Ea [u(BG )].
(4.4)
On observe que le mouvement brownien standard issu de a est isotrope : aucune direction
nest priviliegiee par le processus, ie. la loi de B est invariante par les rotations de centre a.
Par consequent, la loi du point de sortie de B de la boule B(a, r) est invariante aussi par
les rotations de centre a. Comme la probabilite uniforme a,r est la seule loi sur la sphère
B(a, r) invariante par rotation (de centre a), il sagit necessairement de la loi de BG :
Pa (BB(a,r) ) = a,r . On reecrit alors (4.4) comme suit
Z
u(a) = Ea [u(BG )] =
u(x) a,r (dx).
(4.5)
B(a,r)
: On suppose maintenant que u verifie la formule de la moyenne (4.2). On commence

par montrer que u est de classe C . Soit, pour > 0, g : Rd R+ la fonction C donnee
par

(
si kxk <
c exp kxk212
g (x) =
0
si kxk
c
Chapitre 4. JCB
66
o`
u la constante c est choisie de facon que

Z
Z
S exp
g (x) dx = c
0
B(0,)
1
2
2
Soient > 0 et a D tels que B(a, ) D, on pose

Z
Z
u(a + x)g (x) dx =
u (a) =

d = 1.
(4.6)
u(y)g (y a) dy.
Rd
B(0,)
Il est clair que u est C sur le domaine D o`

u elle est definie. De plus, pour tout a D,
il existe > 0 tel que B(a, ) D, on deduit alors, a` laide du theorème de Fubini, de la
formule de la moyenne et de (4.6)
Z
u(a + x)g (x) dx
u (a) =
B(0,)

Z Z
1
= c
S
u(a + x) exp
0, (dx)d
2 2
0
B

Z Z
1
= c
S
u(x) a, (dx) exp
d
2 2
0
B(a,)

Z
1
= c
S u(a) exp
d
2 2
0
= u(a)
en utilisant lecriture (4.3) des integrales. Comme u = u sur D avec u C , on a aussi
u de classe C sur D.
Pour voir que u = 0 sur D, on choisit a D et on ecrit la formule de Taylor en a :
u(a + y) = u(a) +
d
X
i=1
d
1X
2u
u
(a) +
(a) + o(kyk2 ),
yi
yi yj
xi
2 i,j=1
xi xj
y B(0, ),
(4.7)
o`
u > 0 est assez petit pour que B(a, ) D o`
u u est C . Comme par (im)parite, on a
Z
Z
yi 0, (dy) = 0,
yi yj 0, (dy) = 0, i 6= j,
B(0,)
B(0,)
en integrant la formule de Taylor (4.7) sur B(0, ), et en utilisant la formule de la moyenne,

on obtient
Z
Z
d
1 X 2u
u(a) =
u(a + y) dy = u(a) +
(a)
yi2 0, (dy) + o(2 ).
2
2
x
B(0,)
B(0,)
i
i=1
Mais comme
Z
B(0,)
yi2
1X
0, (dy) =
d i=1
Z
B(0,)
yi2 0, (dy) =
2
,
d
4.2. Problème de Dirichlet
67
on a
2
u(a) + o(2 ) = 0.
2d
Do`
u il vient u(a) = 0 pour a D en faisant 0.
Proposition 4.3 (Principe du maximum) Soit u une fonction harmonique sur D. Alors
1. Si u atteint son maximum en un point interieur à D et si louvert D est connexe
alors u est constante sur D.
2. Sur tout compact F D, u atteint son maximum sur le bord F de F .
D
emonstration : Pour 1), on pose M = sup(u(x) : x D). Si a D, daprès la formule
de la moyenne (satisfaite par u harmonique), u(a) est moyenne des valeurs {u(x) : x
B(a, r)} pour tout r assez petit. Ainsi si u(a) = M , necessairement u est constante egale
a` M sur toute sphère la B(a, r). Comme ceci est valable pour tout r assez petit, cela exige
que u soit constante sur un voisinage de a.
Lensemble A = {x D : u(x) = M } est donc ouvert mais il est aussi ferme par continuite
de u. De plus, comme par hypothèse A 6= et D est connexe, on a A = D.
Pour montrer 2), on considère a F , interieur de F compact et on note G la composante
connexe de F qui contient a. Daprès la formule de la moyenne, on a u(a) max(u(x) :
x G). Comme G F F , on a donc aussi que u(a) max(u(x) : x F ).
4.2
Probl`
eme de Dirichlet
Le problème de Dirichlet consiste en resoudre lequation de Laplace sur un ouvert D
avec des conditions aux bords imposees (sur D). Etant

donne un ouvert D Rd et
f : D R une fonction continue, le probl`
eme de Dirichlet (D, f ) consiste a` trouver
2
une fonction u : D R continue sur D et C sur D telle que

u = 0 sur D
(4.8)
u|D = f.
Il sagit dun problème bien connu quon peut resoudre explicitement de facon analytique en
utilisant la transformation de Fourier sur des domaines pertinents. Lapproche probabiliste
permet davoir accès rapidement a` une expression de la solution pour des domaines D
de geometrie (relativement) arbitraire. De plus, elle ouvre la porte a` des techniques de
simulations de ces solutions dEDP (methode de Monte-Carlo). Cependant pour simplifier,
nous supposons que D est borne.
c
Chapitre 4. JCB
68
Th
eor`
eme 4.1 (Dirichlet 1) On considère le problème de Dirichlet (4.8). Soit
u(x) = Ex [f (BD )],
x D.
(4.9)
1. Si Ex [|f (BD )|] < +, x D, alors u donnee par (4.9) verifie (4.8).
2. Si f est bornee et
Pa (D < +) = 1,
a D
alors toute solution bornee du problème de Dirichlet (D, f ) secrit (4.9).

Si D est borne alors la condition dans 1) au dessus est satisfaite car BD reste dans D et
f est finie sur un domaine borne.
Daprès le Theorème 4.1, pour resoudre le problème de Dirichlet (4.8), il reste seulement à
voir la continuite sur D de u donnee par (4.9), cest a` dire
lim Ex [f (BD )] = f (a).
(4.10)
xD
xa
Ceci est lie à la notion de regularite du bord, cf. ci-dessous.

D
emonstration : On montre dabord 2) puis 1).
2) On suppose dabord quil existe u verifiant le problème de Dirichlet (4.8). Soient x D
et D
= {x D : dist(x, Dc ) > } le -interieur de D. Pour assez petit, x D
. On
applique alors la Proposition 4.1 et en prenant lesperance de la martingale obtenue, on a

u(x) = Ex u(BtD ) .
D) : on se ramène facilement, au cas o`

u D est
Par hypothèse, on a D < + ps (D
un rectangle et on utilise les temps de sortie des marginales de B qui sont des mouvements
browniens unidimensionnels dont les temps de sorties dintervalles sont bien connus. On
puisque D est borne) pour
utilise le theorème de convergence dominee (u bornee sur D
faire successivement t + et 0 : dabord comme D < + ps

u(x) = lim Ex u(BtD ) = Ex u(BD ) .
t+
Puis comme D = >0 D

, on a D % D lorsque 0 donc par continuite de B et de
u, a` nouveau par convergence dominee :

u(x) = lim Ex u(BD ) = Ex [u(BD )] = Ex [f (BD )]
0
o`
u la dernière egalite vient de la condition au bord du problème de Dirichlet (4.8) avec
BD D. Finalement, si x D, D = 0 et on a u(x) = f (x). Si elle existe, la solution
de (4.8) est donc unique et necessairement donnee par (4.9).
1) On considère maintenant u donnee par (4.9). Comme pour 2), il est immediat que
u(x) = f (x) si x D. Pour montrer que u est harmonique dans D, on montre que u
69
verifie la formule de la moyenne, ce qui est equivalent par la Proposition 4.2.

Soit B(a, r) D. Quand B part de a B(a, r) D, comme B(a,r) D , on a FB(a,r)
FD et par conditionnement on a

u(a) = Ea [f (BD )] = Ea Ea [f (BD )|FB(a,r) ] .
Mais
Ea [f (BD )|FB(a,r) ] = Ea [f (BD BB(a,r) + BB(a,r) )|FB(a,r) ]
(
= Ea [f (BDB(a,r)
B(a,r) + BB(a,r) )|FB(a,r) ]
= Ea [f (B 0 B(a,r) + BB(a,r) )|FB(a,r) ]
D
= u(BB(a,r) )
(B(a,r) )
car par la propriete de Markov forte, Bt
:= Bt+B(a,r) BB(a,r) , t 0, est un mouve(
ment brownien issu de 0, independant de FB(a,r) et donc sachant FB(a,r) , Bt+B(a,r)

+BB(a,r)
B(a,r)
0
est un mouvement brownien partant de BB(a,r) B(a, r) pour lequel D := D B(a,r)
reste le temps de sortie D (il sagit de D , reinitialise a` la date B(a,r) ).
Finalement avec (4.5), on a
Z
u(a) = Ea [u(BB(a,r) )] =
u(y) a,r (dy)
B(a,r)
ce qui etablit la formule de la moyenne donc lharmonicite par la Proposition 4.2, cest à
dire lequation de Laplace sur D.
R
egularit
e du bord
Pour avoir une solution au problème de Dirichlet (4.8) a` partir de (4.9), il reste a` voir
la continuite sur D, ie. (4.10). Pour cela, on utilise la notion de regularite du bord tel que
decrit dans [KS, p. 245].
D
efinition 4.3 (R
egularit
e) On rappelle que D = inf(t > 0 : Bt 6 D) est le temps de
sortie de D dun mouvement brownien B.
1. Un point x D est regulier pour D si Px (D = 0) = 1.
2. Le domaine D est regulier si tous ses points frontières le sont :
Px (D = 0) = 1
x D.
(4.11)
En dautres termes, la regularite demande que le mouvement brownien partant de D sorte

immediatement de D.
c
Chapitre 4. JCB
70
Remarque 4.1
Un point x est dit irregulier si Px (D = 0) < 1. Comme {D = 0}
B
F0+ , la loi du zero/un de Blumenthal assure que, pour ces points, Px (D = 0) = 0.
La condition de regularite est locale : x D est regulier pour D ssi x lest pour
B(x, r) D pour r > 0.
Exemples (R
egularit
e).
Cest le cas si D R2 est de bord une courbe simple C 1 ou D Rd est le bord dune
variete differentiable de classe C 1 .
En dimension 1, tout point de D est regulier. En effet, par exemple pour 0, le
mouvement brownien reel issu de 0 visite R+ et R en des temps arbitrairement
proches de 0, ce qui garantit D = 0. Ainsi, on verra avec le Theorème 4.2 que le
problème de Dirichlet en dimension 1 est resoluble avec une solution lineaire par
morceaux donnee par (4.9).
En dimension d 2, un ouvert prive dun point interieur (par exemple Rd \ {0})
nest pas regulier.
Pour d 2, D = {x Rd : 0 < kxk < 1}. Pour x D, le mouvement brownien
partant de x quitte D par S1 = {x Rd : kxk = 1}, pas par lorigine. Ainsi u donnee
par (4.9) est determinee seulement par les valeurs de f sur la frontière exterieure S1
et va concider (à part a` lorigine) avec la fonction harmonique
u
e(x) = Ex [f (BB(0,1) )] = Ex [f (BD )],
x B(0, 1).
En posant u(0) = f (0), u est continue en 0 ssi f (0) = u

e(0).
Quand d 3, il est possible davoir D connecte et avec des points irreguliers.
Proposition 4.4 (R
egularit
e du bord) Soient d 2 et a D. Les assertions suivantes sont equivalentes.
1. La condition (4.10) est remplie pour toute fonction mesurable bornee f : D R,
continue en a.
2. Le point a est regulier pour D.
3. Pour tout > 0, on a
lim Px (D > ) = 0.
xD
xa
Des Theorème 4.1 et Proposition 4.4, on deduit dabord immediatement :

Th
eor`
eme 4.2 (Dirichlet 2) Si le domaine D est regulier, alors la fonction u donnee
par (4.9) est lunique solution du problème de Dirichlet, ie. u est C 2 sur D et continue sur
et (4.8) est satisfait.
D
71
Cons
equences sur le mouvement brownien
Exemple 1. Pour d = 2, on considère
lanneau D de centre 0 et de rayons
interieur r et
2
2
2
2
exterieur R, 0 < r < R < +, ie. D = x = (x1 , x2 ) : r < x1 + x2 < R et f est donnee
sur D par

1 si |x| = r
f (x) =
0 si |x| = R.
Comme le domaine D est regulier, daprès le Theorème 4.2, la solution du problème de
Dirichlet (D, f ) est donnee par (4.9), soit

u(x) = Ex 1{|BD |=r}
= Px B sort de D par le cercle interieur , x D.

De plus un calcul direct montre que
ln R ln |x|
,
ln R ln |r|
x D,
verifie lEDP de Dirichlet (4.8) et donc (par unicite) concide avec u. On a etabli
ln R ln |x|
Px B sort de D par le cercle interieur =

, x D.
ln R ln |r|

Exemple 2. On considère maintenant d 3 et toujours D = x Rd : r < |x| < R avec
f comme precedemment. On verifie alors que

u(x) = Ex 1{|BD |=r}
|x|d+2 |R|d+2
,
= Px B sort de D par le cercle interieur = d+2
|r|
|R|d+2
xD
o`
u la deuxième egalite vient de ce que, par un calcul direct, on voit que la fonction est
solution de lEDP de Dirichlet (4.8).
Quand R +, comme le temps datteinte de la sphère exterieure tend presque s
urement
vers + avec R, on a, par convergence monotone :

lim Px B sort de D par le cercle interieur = Px B atteint la boule B(0, r) en temps fini .
R+
Dans lExemple 1, on constate que u(x) 1 quand R + ; dans lExemple 2, u(x)

(r/|x|)d2 . Cela met en evidence deux types de comportements differents du mouvement
brownien selon que d = 2 ou d 3.
En fait, en dimension d = 2, le mouvement brownien est recurrent (avec probabilite 1, il
finit par atteindre la boule B(0, r) pour tout rayon r > 0 et pour tout point de depart (et
aussi pour tout rayon positif par scaling). Au contraire, si d 3, le mouvement brownien a
une probabilite strictement positive de ne jamais atteindre la boule B(0, r), il est transcient.
Il y a en quelque sorte trop de place en dimension d 3 pour que la marche au hasard
brownienne soit s
ure de repasser près de lorigine.
72
4.3
c
Chapitre 4. JCB
Equation
de la chaleur
Les lois de la thermodynamique expliquent que la solution u du problème de Dirichlet

(D, f ) en (4.8) est le champ de temperature a` lequilibre a` linterieur D dun recipient dont
les parois D sont maintenues a` temperature f (cette interpretation suppose que f 0) .
On sinteresse maintenant aux equations de Laplace avec evolution dans le temps : par
exemple, pour poursuivre la meme interpretation thermodynamique, on considère une
plaque infiniment mince isolee homogène et infinie. La temperature u(t; y, z) au point (y, z)
a` linstant t se determine en fonction de la temperature initiale f comme la solution de
lEDP

2 2u 2u
u
=
+
t
2 y 2 z 2
partant de u(0, ) = f (). Le coefficient > 0 ne depend pas de (y, z) et caracterise la
conductance thermique de la plaque.
En dimension d quelconque, on appelle
equation de la chaleur, le problème de Cauchy

u = 12 u
t
(4.12)
u(0, ) = f.
Nous allons relier cette EDP à des objets probabilistes. On considère dabord la loi de
Bt sachant Fs : par independance et stationnarite des accroissements, en ecrivant Bt =
Bt Bs + Bs , on constate quil sagit de la loi gaussienne (conditionnelle) Nd (Bs , (t s)Id )
de densite au point y, en notant Bs = x, donnee par
p(t s; x, y) = gts (y x).
On voit sans difficulte que p = p(t; x, y) verifie
p1
d
|y x|2
p
= +
t
2t
2t2
et que
2p
1 (yi xi )2
=
+
x2i
t
t2
de sorte que la fonction p est solution de lequation progressive (dite forward) (ie. en la
variable y de la position future)
p1
1
p = y p,
t
2
lim p dy = x
t&0
o`
u x est la mesure de Dirac en 0 et aussi par symetrie solution de lequation retrograde
(dite backward) (ie. en la variable x de la position passee)
1
p = x p,
t
2
lim p dx = y .
t&0
Ces relations justifient que p est la solution fondamentale de lequation de la chaleur. (De
ce fait, on appelle p le noyau de la chaleur.)
4.4. Formule de Feynman-Kac
73
Proposition 4.5 On suppose que la condition initiale f verifie

pour une constante c > 0. Alors la fonction
R
Rd
|f (x)|ec|x| dx < +
u(t, x) = Ex [f (Bt )]
est solution de lequation de la chaleur (4.12) sur [0, t0 [Rd avec t0 = 1/(2c).
R
D
emonstration : Par definition, on a u(t, x) = Rd f (y)p(t; x, y) dy. La propriete dintegrabilite de f permet de deriver sous le signe integrale pour t [0, 1/(2c)[ et davoir
Z
Z
2
2
u = f (y) p(t; x, y) dy,

u
=
f
(y)
p(t; x, y) dy
t
t
x2i
x2i
ce qui implique daprès lequation retrograde pour p que u est solution de (4.12) sur cet
intervalle de temps avec la bonne condition initiale.
4.4
Formule de Feynman-Kac
On considère lEDP parabolique lineaire

u = 12 u ku,
t
u(0, ) = f.
(t, x) R+ Rd
(4.13)
Le terme supplementaire k(x) represente le taux de dissipation de la chaleur en x dans le

cas o`
u k 0. Dans le cas o`
u k nest pas positive, on interprètera plutot cette equation
(avec f 0) comme decrivant la densite u(t, x) au temps t et au point x de particules
diffusant dans lespace qui se multiplient dans les sites tels que k(x) 0 (à un taux k)
et qui sont tuees dans les sites tels que k(x) 0 (à un taux k). Puisque cette equation se
reduit si k = 0 a` lequation de la chaleur, le resultat suivant nest pas surprenant compte
tenu de la Proposition 4.5 :
Proposition 4.6 On suppose que f : Rd R et k : Rd R sont boreliennes avec f
à croissance sous-exponentielle et k bornee. Alors toute solution u(t, x) de lEDP parabolique lineaire (4.13) de classe C 1,2 dont le gradient est à croissance sous-exponentielle
(uniformement en temps), est donnee par la formule

Z t

u(t, x) = Ex f (Bt ) exp
k(Bs )ds .
(4.14)
0
En particulier, une telle solution est unique.

On interprètera mieux cette formule, plus tard, avec la notion de generateur associe à la
diffusion B.
c
Chapitre 4. JCB
74
D
emonstration : On fixe
R s t 0 et on applique la formule dIto au temps s ]0, t[ a`
s 7 u(t s, Bs ) exp 0 k(Br )dr . Il vient

Z s
k(Br )dr
d u(t s, Bs ) exp
0
i
1
=
k(Bs )u(t s, Bs )ds u(t s, Bs )ds + u(t s, Bs )dBs + u(t s, Bs )ds
t
2

Z s
k(Br )dr
exp
0

Z s
k(Br )dr
= u(t s, Bs ) dBs exp
h
en utilisant lEDP (4.13). On intègre entre s = 0 et s = t :

Z t

Z t

exp
k(Br )dr u(0, Bt ) u(t, B0 ) = exp
k(Br )dr f (Bt ) u(t, B0 )
0
0
Z s

Z t
=
exp
k(Br )dr u(t s, Bs )dBs .
0
On passe a` lesperance sous Px , en notant que lintegrale stochastique est une martingale
L2 daprès les hypothèses de croissance sous-exponentielle de u et de la bornitude pour k ;
elle est donc desperance nulle. On obtient alors

Z t
Ex exp
k(Br )dr f (Bt ) u(t, B0 ) = 0
0
soit, puisque B0 = x sous Px ,

Z t

u(t, x) = Ex exp
k(Br )dr f (Bt )
0
ce qui est la formule de Feynman-Kac (4.14).
Cas de lEDP (4.13) sur un domaine. Soit D un domaine borne regulier de Rd , k

mesurable bornee sur D. On considère maintenant lEDP
u = 21 u ku, (t, x) R+ D
u(0, ) = f sur D
u(, x) = 0 pour x D.
de classe C 1,2 bornee et a` derivees
Soit u une solution de lEDP continue sur R+ D,
bornees. On peut verifier qualors

Z t

u(t, x) = Ex f (Bt )1{t<D } exp
k(Bs )ds
0
o`
u D est le temps de sortie de D.
Chapitre 5
Diffusions
Dans ce chapitre, on introduit brièvement en Section 5.1 les solutions dEDS appelees
diffusions ainsi que des outils importants pour leur etude. On termine en reliant lexistence
dune solution faible dune EDS à un problème de martingales en Section 5.4.
5.1
G
en
erateur dune diffusion
D
efinition 5.1 (Processus de diffusion) On appelle processus de diffusion un processus verifiant la propriete de Markov forte et à trajectoires continues du type considere dans
le Theorème 3.6.
Ainsi, daprès le Theorème 3.6, les solutions dEDS homogènes dXt = a(Xt ) dt + (Xt ) dBt
sont des diffusions. On considère ce type de processus dans la suite. De facon generale, on
considère X solution forte de lEDS E(a, )
avec a(t, x) Rd et (t, x) Md,m (R) boreliennes et B un mouvement brownien mdimensionnel. On suppose que pour tout t 0 ps, pour tout 1 i d et 1 j m,
on a
Z t
Z t
|ai (s, Xs )| ds < +,
|i,j (s, Xs )|2 ds < +.
0
Il est important de pouvoir attacher aux processus de diffusion des martingales (locales)
continues. Cest lobjet du theorème suivant o`
u on note la transposee de la matrice .
Pour cela, on introduit le generateur dune diffusion.
D
efinition 5.2 (G
en
erateur infinit
esimal) Soit X diffusion solution forte de lEDS
E(a, ). On appelle generateur (infinitesimal) de X, loperateur elliptique du deuxième
ordre qui associe à f , fonction de classe C 2 sur Rd ,
Lf (t, x) =
d
X
i=1
ai (t, x)
f
1 XX
2f
(x) +
( )i,j (t, x)
(x)
xi
2 i=1 j=1
xi xj
75
c
Chapitre 5. JCB
76
1
L = a x + x x .
2
Le Theorème 5.2 justifiera la terminologie generateur.
Par exemple, pour X = B mouvement brownien, L = 2 /x2 (en dimension 1) ou L =
(en dimension d). Le resultat suivant justifie limportance du generateur L de X pour X.
Th
eor`
eme 5.1 Soient X une solution forte de E(a, ) de generateur L et f dans le domaine de loperateur L. Alors
Z t
Lf (s, Xs ) ds
f (Xt )
0
est une martingale locale.

D
emonstration : On commence par noter que comme dhB k , B l it = k,l dt, on a :
i
dhX , X it =
=
m
X
i,k (t, Xt )j,l (t, Xt )dhB k , B l it
k,l=1
m
X
i,k (t, Xt )j,k (t, Xt ) dt
k=1
= ( )i,j (t, Xt ) dt.

On applique la formule dIto a` f (Xt ) :
f (Xt ) = f (X0 ) +
d Z
X
i=1
= f (X0 ) +
d Z
X
i=1
Z
= f (X0 ) +
Z t
f
1 X
2f
i
(Xs )dXs +
(Xs )dhX i , X j is
xi
2 1i,jd 0 xi xj
d Z t
m
X
X
f
f
ai (s, Xs )
(Xs ) ds +
(Xs )
i,k (s, Xs ) dBsk
x
x
i
i
0
i=1 0
k=1
Z t
2
X
f
1
+
( )i,j (s, Xs )
(Xs ) ds
2 1i,jd 0
xi xj
t
Lf (s, Xs ) ds +
0
m Z
d X
X
i=1 k=1
i,k (s, Xs )
f
(Xs ) dBsk .
xi
Finalement
Z
f (Xt )
Lf (s, Xs )ds = f (X0 ) +

0
d X
m Z
X
i=1 k=1
i,k (s, Xs )
f
(Xs ) dBsk
xi
est bien une martingale locale car en arretant lintegrale en

Z t
2
Sn = inf t 0 : kXt k n, (i, j),
i,j (s, Xs ) ds n
0
(5.1)
5.2. Semi-groupe dune diffusion
77
temps darret (qui tend vers + par hypothèse sur ) on a bien une vraie martingale.
Si f est assez regulière, on a meme une vraie martingale et en prenant lesperance avec
X0 = x :
Z t
E[Lf (s, Xs )]ds.
(5.2)
E[f (Xt )] = f (x) +
0
Loperateur L pour X permet dinterpreter de nombreux resultats probabilistes en analyse

et reciproquement. Ce pont, jete entre probabilite et analyse, se revèle particulièrement
fecond et constitue a` lui seul une motivation importante pour letude des E ds. Le Theorème 5.3 qui suit en est une illustration.
5.2
Semi-groupe dune diffusion
D
efinition 5.3 (Noyau de transition) On associe à X r,x solution de lEDS E(a, ) partant de x à linstant r un noyau de transition donne par
Ptr f (x) = E[f (Xtr,x )] t r.
(5.3)
On notera aussi Pt f (r, x) := Ptr f (x). Ce noyau donne la distribution de la variable aleatoire
Xtr,x pour t r. Par exemple, on voit dans le Chapitre 4 que, dans le cas du mouvement
brownien, le noyau est le semi-groupe de la chaleur. Il sagit encore dun semi-groupe dans
le cas general, cf. Theorème 5.2.
Th
eor`
eme 5.2 (Propri
et
e de semi-groupe) Le noyau de transition (Ptr )tr verifie la
propriete de semi-groupe : pour r s t :
Ptr f (x) = Psr (Pts f )(x).
(5.4)
Lorsque les coefficients de lEDS ne dependent pas du temps, le semi-groupe de transition

Ptr ne depend que de t r (ie. Ptr = Ptr ) et on note
r
Pt+r
f (x) := Pt f (x) := E[f (Xt+r )|Xr = x].
D
emonstration : Daprès la propriete de flot, on a pour s r :
r,x
Xs+t
= F (r, x, s + t, [Br+ Br ]t )
= F (s, Xsr,x , s + t, [Bs+ Bs ]t ))
r,x
cest a` dire Xs+t
secrit comme fonction de Xsr,x et du mouvement brownien independant
[Bs+ Bs ]t ).
r,x
De plus, comme [Bs+ Bs ]t est independante de Fs , la loi conditionnelle de Xs+t
sachant
r,x
s,Xs
r,x
Fs est celle de Xs+t sachant Xs . Ainsi

r,x
s,Xsr,x
r,x
L(Xs+t |Fs ) = L Xs+t |Xs .
78
c
Chapitre 5. JCB
En prenant les esperances, il vient

h
i
r,x
r,x
s,Xsr,x
r
Ps+t
f (x) = E[f (Xs+t
)] = E [E[f (Xs+t
)|Fs ]] = E E[f (Xs+t
)|Xsr,x ]
Z
Z
s,y
s,y
= E
f (Xs+t )PXsr,x (dy) = E [f (Xs+t
)] PXsr,x (dy)
Z
s
s
s
=
Ps+t
f (y)PXsr,x (dy) = E[Ps+t
f (Xsr,x )] = Psr (Ps+t
f )(x).

Le semi-groupe du mouvement brownien verifie lequation de la chaleur (4.12), cf. Section
4.3. On montre dans le Theorème 5.3 que cela se generalise pour une diffusion solution
dune EDS E(a, ) en une EDP impliquant le generateur.
Th
eor`
eme 5.3 (D
erivation et g
en
erateur) Le semi-groupe (Ptr )tr est derivable par
rapport à t et sa derivee est le generateur de la diffusion, ie. pour f de classe C 2 assez
regulière :
t Pt f (r, x) = Ptr [Lf (t, )](x).
(5.5)
En particulier, t Ptr f (x)|t=r = Lf (r, x).

Dans le cas homogène (ie. a(t, x) = a(x) et (t, x) = (x)), on a
t Pt f (x) = Pt (Lf )(x)
= L(Pt f )(x)
et
t Pt f (x)|t=0 = Lf (x).
(5.6)
(5.7)
Cela explique la terminologie generateur infinitesimal pour L, puisquon peut ecrire symboliquement (5.7) sous la forme Pt = exp(tL) .
D
emonstration : On suppose que la fonction f est regulière de facon que la martingale locale du Theorème 5.1 soit une vraie martingale. Elle est desperance nulle et donc
lesperance dans la formule dIto (5.1) donne pour les dates t et t + h (avec t r et h 0) :

Z t+h
r,x
r,x
r,x
Lf (s, Xs ) ds .
E[f (Xt+h )] = E[f (Xt )] + E
t
Comme Lf (s, Xsr,x ) est continue et bornee lorsque f est assez regulière, daprès le theorème
de convergence dominee, la fonction de t, Ptr f (x) = E[f (Xtr,x )] est derivable a` droite et de
derivee E[Lf (t, Xtr,x )] = Ptr [Lf (t, )](x), ce qui etablit lidentite (5.5). En particulier,
t Ptr f (x)|t=r = Lf (r, x).
La derivabilite precedente a ete montree a` droite seulement. Pour conclure, on observe que
Ptr t [Lf (t, )](x) = E[Lf (t, Xtr,x )] est une fonction continue de t par convergence dominee
(et regularite de f ). Ainsi la fonction
Z t
t 7
Psr [Lf (s, )](x) ds
r
5.2. Semi-groupe dune diffusion
79
est derivable de derivee Ptr [Lf (t, )](x). Comme la difference de deux fonctions qui ont la
meme derivee a` droite est necessairement constante, il existe c tel que
Z t
r
Psr [Lf (s, )](x) + c.
Pt f (x) =
r
En faisant t = r, on a c = f (x). Cela achève de prouver complètement la derivabilite dans

(5.5).
Dans le cas homogène, la propriete de semi-groupe secrit Pt+s f = Ps Pt f = Pt Ps f et
montre maintenant la deuxième partie de (5.7)
Pt+h f (x) Pt f (x)
Ph P t f Pt f
Ph g g
=
(x) =
(x)
h
h
h
en notant g = Pt f . En passant à la limite h & 0, on a
Pt+h f (x) Pt f (x)
= u Pu g(x)|u=0 = Lg(x) = L[Pt f ](x)
h&0
h
t Pt f (x) = lim
ce qui etablit lidentite (5.7).
Remarque
5.1 Si le semi-groupe (Ptr )tr admet une densite pt (r, x, y) (ie. Ptr f (x) =
R
pt (r, x, y)f (y) dy), cette densite verifie lequation de convolution
Z
pt (r, x, y)ps (t, y, z)dy = ps+t (r, x, z).
Rn
En effet, lequation de convolution est lanalogue sur les densites de la propriete de semigroupe (5.4).
Th
eor`
eme 5.4 (Equation
de Kolmogorov) On suppose que le semi-groupe (Ptr )tr admet une densite pt (r, x, y). Alors cette densite verifie (dans le sens des distributions) lequation de Kolmogorov progressive en (t, y), au sens des distributions,

t pt (r, x, y) = Ly [pt (r, x, )](t, y)
(5.8)
limtr pt (r, x, ) = x
o`
u L est loperateur adjoint de L defini par
Ly f (t, x)
d
d
X
1 X 2
=
[((t, x)(t, x) )i,j f (t, x)]
[ai (t, x)f (t, x)].
2 i,j=1 xi xj
xi
i=1
Si en plus lEDS est homogène alors la densite pt (r, x, y) satisfait aussi lequation de Kolmogorov retrograde en (t, x) :

t pt (r, x, y) = Lx [pt (r, y)](t, x)
(5.9)
limtr pt (r, y) = y .
c
Chapitre 5. JCB
80
D
emonstration : Avec (5.5), pour toute fonction f regulière a` support compact, on a :
t Pt f (r, x) = Pt [L(t, )](r, s)
Z
=
pt (r, x, y)Lf (t, y)dy
Rd
Z
pt (r, x, y)
=
Rd
!
d
d
X
1 X 2
[((t, y)(t, y) )i,j pt (r, x, y)]

[ai (t, y)pt (r, x, y)] f (y)dy
2 i,j=1 yi yj
yi
i=1
Z
=
Rd
Z
=
Rd
!
d
d
2
X
1X
f
f
((t, y)(t, y) )i,j
(y) +
ai (t, y)
(y) dy
2 i,j=1
yi yj
y
i
i=1
Ly pt (r, x, y)f (y)dy
avec quelques IPP. En comparant les deux expressions obtenues, il vient : lequation progressive (5.8).
Dans le cas homogène, par convergence dominee, avec la definition de Ptr , on a pour toute
fonction f regulière a` support compact
Z
Z
r,x
r
f (y)t pt (r, x, y)dy.
t Pt f (x) = t E[f (Xt )] = t
f (y)pt (r, x, y)dy =
Rd
Rd
Or daprès (5.7), on a
t Ptr f (x)
L(Ptr f )(x)
Z
=L

f (y)pt (r, , y)dy (x) =
Z
f (y)Lx [pt (r, , y)](x)dy.
En comparant avec lexpression

Z
Z
Pt f (r, ) = t
pt (r, x, y)f (y) dy = t pt (r, x, y)f (y) dy,
il vient lequation retrograde (5.9) (avec des derivees dans le sens des distributions).
Remarque 5.2 (EDS homog`

enes) Pour des EDS homogènes, le generateur L de (5.1)
ne depend que de x et le semi-groupe verifie Ptr = Ptr . Dans ce cas, on a des expressions
homogènes en temps :
Pt f (x)
Pt+s f
t Pt f
Pt
=
=
=
=
E[f (Xtx )]
Pt (Ps f )
Pt Lf = LPt f
exp(tL).
5.3. Diffusion et EDP
5.3
81
Diffusion et EDP
On generalise lobservation du Theorème 5.1 avec la formule de Dynkin.

Th
eor`
eme 5.5 (Formule de Dynkin) Soit Xt )t0 une diffusion homogène de generateur
d
d
X
X
+
,
L=
ai (x)
( )i,j (x)
xi xj
xi
i=1
i,j=1
x Rd , un temps darret integrable : Ex [ ] < + et f : Rd R une fonction de classe
C 2 à support compact. Alors
x
Z
E [f (X )] = f (x) + E

Lf (Xs ) ds .
(5.10)
D
emonstration : Pour simplifier la preuve, on considère le cas d = m = 1. Avec la
formule dIto, comme dans la preuve du Theorème 5.1, on a
Z
Ex [f (X )] = f (x) + Ex
Z
Lf (Xs ) ds + Ex
0
(Xs )f (Xs ) dBs .
(5.11)
Il suffit donc de montrer que lesperance de lintegrale stochastique est nulle. Mais pour
toute fonction h bornee par M , et N N, on a
N
Z
Z
h(Xs ) dBs = Ex
Ex
0

1{s< } h(Xs ) dBs = 0
car 1{s< } et h(Xs ) sont Fs -mesurables. Puis

"Z
h(Xs ) dBs
Ex
0
2 #
h(Xs ) dBs
Z
= Ex

h(Xs ) ds
2
0
2
M Ex [ N ]
qui tend vers 0 quand n + par convergence dominee, en vertu de lhypothèse Ex [ ] <
+, On a donc
Z
0 = lim Ex
N +
Z
h(Xs ) dBs = Ex
0

h(Xs ) dBs
(5.12)
ce qui conclut la preuve en reportant cette conclusion dans (5.11) pour h = f 0 .
c
Chapitre 5. JCB
82
5.3.1
EDP de type Dirichlet
On considère D un ouvert de Rd et le temps de première sortie de D dune diffusion

homogène de generateur L. On considère alors le problème avec condition au bord :

Lu = , x D
(5.13)
u = , x D.
Si le problème (5.13) admet une unique solution (par exemple si D, , sont assez reguliers)
alors daprès la formule de Dynkin (5.10), on a

Z
u(x) = Ex (X )
(Xs ) ds .
0
En particulier,
pour = 0 et = 1, u(x) est egal a` lesperance de partant de x.
pour = 0 et = indcatrice dune partie A de D, alors u(x) est la probabilite de
quitter D par A.
Ainsi la resolution de (5.13) donne des informations sur le temps de sortie et le lieu de
sortie X de la diffusion X de D.
Exemple 1. On considère la diffusion dXt = Xt dBt . Comme les solutions de Lu = 0 sont
u(x) = c1 x + c2 , c1 , c2 R, en notant a et b les temps datteinte de a < b, on montre
quon a
bx
, x [a, b].
Px (a < b ) =
ba
Exemple 2. On considère la diffusion dXt = rXt dt + Xt d Bt , r R. Pour r 6= 1/2, les
solutions de Lu = 0 sont u(x) = c1 x12r + c2 , c1 , c2 R.
Pour r < 1/2, en notant a et b les temps datteinte de 0 < a < b, En appliquant la
formule de Dynkin (5.10) avec = 0 et (a) = 0, (b) = 1, on a
u(x) = Ex [1{X =b} ] = Px (b < a )
Daprès lunicite de la solution de lEDP, en determinant les constantes a` laide de
u(b) = 1, u(a) = 0, on a
x12r a12r
, x [a, b].
b12r a12r
12r
Comme lima0 a12r = 0, on a Px (b < 0 ) = xb
. La probabilite que X natteigne
jamais b est 1 (x/b)12r .
on a
x12r a12r
Px (b < a ) = 12r
, x [a, b].
b
a12r
Comme lima0 a12r = 0, on a
x 12r
Px (b < 0 ) =
.
b
La probabilite que X natteigne jamais b est 1 (x/b)12r .
Px (b < a ) =
5.3. Diffusion et EDP
83
Pour r > 1/2, on a

x12r b12r
Px (a < b ) = 12r
,
a
b12r
x [a, b].
Comme lima0 a12r = +, on a

Px (0 < b ) = 0,
x < b.
Puis comme la solution de

Lu(x) = 1, 0 < x < b

u(x) = 0, x = b
est
u(x) =
Mais avec = 1 et = 0, et = b , on a
Z
x
u(x) = E
ln b ln x
r 1/2
b

1 ds = Ex [b ]
On en deduit de lunicite de la solution de lEDP que

1
b
Ex [b ] =
ln
.
r 1/2
x
Remarque : Cela montre que les solutions
tendent a` crotre exponentiellement puisque

Ex [b ] = T pour b = x exp (r 1/2)T .
on deduit que

b
1
ln
.
Ex [b ] =
r 1/2
x
Cela montre que les solutions
tendent a` crotre exponentiellement puisque Ex [b ] = T pour

b = x exp (r 1/2)T .
5.3.2
Formule de Feynman-Kac
Parfois, il nest pas utile de connatre explicitement tout le semi-groupe de transition

mais, en utilisant des EDP retrogrades, seulement certaines integrales.
(Ptr )tr
Th
eor`
eme 5.6 (Feynman-Kac) Soit g une fonction continue. Sil existe une solution
regulière u(t, x) à lEDP retrograde
u
(t, x) + Lu(t, x) = 0,
t
alors u(t, x) = E[g(XT )|Xt = x].
u(T, x) = g(x),
(5.14)
c
Chapitre 5. JCB
84
Linteret dune telle formule est de pouvoir donner une solution dEDP sous forme des` laide de methodes de Monte-Carlo pour approximer les esperances, on peut
perance. A
simuler la solution de lEDP.
D
emonstration : Comme pour (5.1), on applique la formule dIto à u(s, Xs ) entre t et T
et on utilise que u verifie lEDP (5.14). On a
Z t
d X
m Z T
X
u
u
Lu(s, Xs ) ds +
ij (s, Xs )
(s, Xs ) ds +
(s, Xs(5.15)
) dBsj
u(T, XT ) = u(t, Xt ) +
s
x
i
0
t
i=1 j=1 t
Z
d X
m
T
X
u
i,j (s, Xs )
= u(t, Xt ) +
(s, Xs ) dBsj .
x
i
i=1 j=1 t
Z
RT
u
Avec assez de regularite, les integrales t ij (s, Xs ) x
(s, Xs ) dBsj sont de vraies martini
gales. En prenant lesperance, la propriete de martingale annule lesperance correspondante
et avec la condition terminale en T , on a :
E[g(XT )|Xt = x] = E[u(T, XT )|Xr = x] = E[u(t, Xt )|Xt = x] = u(t, x).
Corollaire 5.1 Soit g une fonction continue. Sil existe une solution regulière v(t, x) `
a
lEDP retrograde
v
(t, x) + Lv(t, x) k(t, x)v(t, x) = 0, v(T, x) = g(x),
t
h
R

i
T
alors v(t, x) = E exp t k(s, Xs ) ds g(XT )|Xt = x .
(5.16)
D
emonstration : Comme dans la preuve precedente et dans celle de la Proposition 4.6,
on applique la formule
R s dIto (de la meme facon que pour (5.1)) au produit de processus
u(s, Xs ) et exp t k(u, Xu )du et on utilise lEDP (5.16). En prenant lesperance, la
partie martingale disparat et on a

Z s

E exp
k(u, Xu )du u(s, Xs )|Xt = x
t
Z v

Z t
u
= E [u(t, Xt )|Xt = x] +
E exp
k(u, Xu )du
+ Lu ku (v, Xv )|Xt = x dv.
t
s
t
On conclut en utilisant le fait que u est solution de lEDP (5.16).
5.4. Problème de martingales
5.4
5.4.1
85
Probl`
eme de martingales
Introduction
On considère lEDS E(a, )

o`
u a(t, x) Rd et (t, x) Md,m (R) sont mesurables pour t R+ et x Rd et B est un
mouvement brownien m dimensionnel.
Dans cette section, on ne suppose plus les hypothèses lipschitziennes du Chapitre 3 et on
cherche une solution faible à lEDS E(a, ), cest a` dire un triplet X, B, (, F, (Ft )t0 , P) tel
que B soit un (Ft )t0 -mouvement brownien et X un processus adapte et continu verifiant
ps
Z t

2
|ai (s, Xs )| + i,j
(s, Xs ) ds < +, 1 i d, 1 j m, t 0 (5.17)
0
Z t
Z t
(s, Xs ) dBs , t 0.
(5.18)
a(s, Xs ) ds +
Xt = X0 +
0
Noter que pour une telle solution Xt est bien definie pour tout t. Si bien que lorsquon
considère les temps darret
Sn = inf(t 0 : kXt k n)
on a Sn + ps quand n +.

Une solution faible peut etre vue comme une loi sur lespace C(R+ , Rd ), B(C(R+ , Rd ) .
On parle aussi de mesure-solution.

Dans cette section, on montre quune probabilite sur C(R+ , Rd ), B(C(R+ , Rd ) est solution
faible (mesure-solution) de E(a, ) si et seulement si cest la solution dun problème de
martingales. Ce type de problème a ete introduit par Stroock et Varadhan en 1969.
Exemple. Si on considère lequation E(0, 1) avec m = d = 1 et a = 0, (t, x) = 1 avec la
condition initiale x = 0, ie.
dXt = dBt , X0 = 0
la seule solution est X = B et la solution faible est donc la mesure de Wiener W sur

(0 , F 0 ) = C(R+ , R), B(C(R+ , R))
muni de la filtration (Ft0 )t0 engendree par le processus canonique Xt0 ( 0 ) = 0 (t). Dans
ce cas, on observe avec le Theorème de Levy que la mesure de Wiener W est la seule
probabilite sur (0 , F 0 , (Ft0 )t0 ) sous laquelle Xt0 et Xt02 t sont des martingales locales.
Le but dans cette section est de generaliser cette observation a` (presque toutes) les equations E(a, ) sous lhypothèse :
a et sont des fonctions boreliennes localement bornees.
(loc)
c
Chapitre 5. JCB
86
On note c = la fonction de R+ Rd dans lespace des matrices d d symetriques

positives, ie.
m
X
ci,j (t, x) =
i,k (t, x)j,k (t, x).
k=1
La fonction c est borelienne et sous (loc) elle est aussi localement bornee.
On associe à lEDS E(a, ) le generateur (5.1), ie.
Lf (t, x) =
d
X
i=1
d
1X
2f
f
(x) +
ci,j (t, x)
(x),
ai (t, x)
xi
2 i,j=1
xi xj
f C 2 (Rd ).
Si f C 1,2 (R+ Rd ), on applique L (t, ) a` f (t, ) et on pose

Lf (t, x) =
d
X
i=1
d
f
1X
2f
ai (t, x)
(t, x) +
(t, x).
ci,j (t, x)
xi
2 i,j=1
xi xj
Proposition 5.1 Soit X, B, (, F, (Ft )t0 , P) une solution faible de lEDS E(a, ). Pour
toute fonction f (t, x) C 1,2 (R+ Rd ),

Z t
f
f
+ Lf (s, Xs ) ds
(5.19)
Mt = f (t, Xt ) f (0, X0 )
t
0
est une martingale locale continue. De plus si g C 1,2 (R+ Rd ) alors
d Z t
X
f
g
f
g
ci,j (s, Xs )
hM , M it =
(s, Xs )
(s, Xs ) ds.
xi
xj
i,j=1 0
(5.20)
Puis si f Cc1,2 (R+ Rd ) et les coefficients i,j sont bornes sur le support de f alors
M f L2 (B).
D
emonstration : La formule dIto exprime M f comme une somme dintegrales stochastiques :
Z t
m
d X
X
f
f
i,j
i,j
Mt =
Mt
avec Mt =
i,j (s, Xs )
(s, Xs ) dBsj
x
i
0
i=1 j=1
cf. par exemple (5.15). On considère les temps darret

Z t
2
Sn = inf t 0 : kXt k n ou
i,j (s, Xs ) ds n pour un (i, j) .
0
Rt
Comme ps pour chaque (i, j), on a pour la solution X de lEDS 0 i,j (s, Xs )2 ds < +
alors Sn +. Les processus
d X
m
d X
m Z tSn
X
X
f
f Sn
f
i,j
(Mt ) = MtSn =
MtSn =
i,j (s, Xs )
(s, Xs ) dBsj
xi
i=1 j=1
i=1 j=1 0
87
sont des martingales continues. Le crochet (5.20) vient de lexpression obtenue pour M f et
de hB i , B j it = i,j t :
f
hM , M it =
d X
m Z
X
0
i,k=1 j,l=1
d X
m Z
X
d X
m Z
X
i,k=1 j=1
d Z
X
i,k=1
f
(s, Xs ) dBsj ,
i,j (s, Xs )
xi
Z
0
g
k,l (s, Xs )
(s, Xs ) dBsl
xk
i,j (s, Xs )k,l (s, Xs )
g
f
(s, Xs )
(s, Xs )dhB j , B l is
xi
xk
i,j (s, Xs )j,k

(s, Xs )
f
g
(s, Xs )
(s, Xs ) ds
xi
xk
i,k=1 j,l=1
( )i,j (s, Xs )

t
f
g
(s, Xs )
(s, Xs ) ds.
xi
xk
Si de plus f est a` support compact sur lequel chaque i,j est borne alors lintegrand dans
M i,j est borne et M f L2 (B).
5.4.2
EDS et probl`
eme de martingales
On va montrer une sorte de reciproque : si M f est une martingale locale lorsque f

C (R+ Rd ) alors on a une solution faible de lEDS E(a, ). En fait, on montre quil
suffit de le voir pour les fonctions fi (x) = xi , 1 i d, et fi,j (x) = xi xj , 1 i, j d.
Dans ce cas,
1,2
Lfi (t, x) = ai (t, x),
Lfi,j (t, x) = ai (t, x)xj + aj (t, x)xi + ci,j (t, x)
et on note M i = M fi et M i,j = M fi,j :

Z t
i
i
i
ai (s, Xs ) ds, i = 1, . . . , d
(5.21)
Mt = Xt x0
0
Z t

i,j
i j
i j
ai (s, Xs )Xsj + aj (s, Xs )Xsi + ci,j (s, Xs ) ds. (5.22)
Mt = Xt Xt x0 x0
0
On introduit pour i, j = 1, . . . , d
Nti,j
Mti Mtj
ci,j (s, Xs ) ds
(5.23)
= Mti,j X0i Mtj X0j Mti + Kti,j

avec le terme correctif
Z t
Z t
Z t
Z t
j
i,j
i
j
i
Kt =
(Xs Xt )aj (s, Xs ) ds +
(Xs Xt )ai (s, Xs ) ds +
ai (s, Xs ) ds
aj (s, Xs ) ds
0
c
Chapitre 5. JCB
88
Z
Mti )aj (s, Xs )
ds +
(Msj Msj )ai (s, Xs ) ds
0
0

Z t Z s
Z t Z s
i
=
aj (s, Xs ) ds dMs
ai (s, Xs ) ds dMsj
(Msi
(5.24)
(5.25)
o`
u (5.24) sobtient par integration par parties classique
Z
Z

aj (s, Xs ) ds
ai (s, Xs ) ds
0

Z t Z t
Z t Z t
ai (u, Xu ) du aj (s, Xs ) ds +
aj (s, Xs ) du ai (s, Xs ) ds
=
0
Rt
avec Xsi Xti + s ai (s, Xs ) ds = Msi R Mti et (5.25) est obtenu par IPP avec la formule
dIto pour [XY ] avec X = M et Y = 0 a(s, Xs ) ds. Finalement N i,j est une martingale
locale ssi M i,j en est une.
Comme a priori on ne dispose pas de solution (ie. de triplet X, B, (, F, (Ft )t0 , P) o`
u B est
un (Ft )t0 -mouvement brownien B et sur lequel X est solution comme en (5.17)(5.18)),
on va exprimer le problème de martingales sur lespace canonique

(0 , F 0 ) = C(R+ , Rd ), B(C(R+ , Rd )) .
On le munit de la filtration (Ft0 )t0 engendree par le processus canonique donne par
Xt0 ( 0 ) = 0 (t).
D
efinition 5.4 (Probl`
eme de martingales) Une probabilite P0 sur (0 , F 0 ) sous laquelle
0f
M definie par
Z t
0f
0
0
Mt = f (Xt ) f (X0 )
Lf (s, Xs0 ) ds
(5.26)
0
est une martingale locale (resp. martingale) pour tout f C 2 (R+ , Rd )(resp. f Cc2 (R+ , Rd ))
est appelee solution du problème de martingale locale (resp. martingale).
On considère les equivalents de M fi , M fi,j sur 0 comme en (5.21)-(5.23)
0
M i = M fi = X i xi A i , i = 1, . . . , d
0
0
0
0
N i,j = M i M j C i,j , i, j = 1, . . . , d
o`
u
0i
At =
ai (s, Xs0 )
ds,
Ct
sont des processus continus et adaptes sur 0 .

Le resultat principal est alors le suivant :
0 i,j
Z
=
0
ci,j (s, Xs0 ) ds
(5.27)
89
Th
eor`
eme 5.7 (Probl`
eme de martingales) On suppose lhypothèse (loc) satisfaite pour
lEDS E(a, ). Une probabilite P0 sur (0 , F 0 ) est solution faible (ou mesure-solution) ssi
0
0
0
les processus M i et N i,j sont des martingales locales sous P0 avec M0i = 0 P0 -ps pour tout
1 i d (soit P0 (X00 = x) = 1).
De la Proposition 5.1 et du Theorème 5.7, on deduit :
Corollaire 5.2 Considerons les assertions suivantes :
(A) Il existe une solution faible de lEDS E(a, ).
(B) Il existe une solution au problème de martingale locale (5.26).
(C) Il existe une solution au problème de martingale (5.26).
Alors (C) {(A) (B)}.
D
emonstration :[Theorème 5.7] On procède par etape : etape 1 : la condition est necessaire ; etape 2 : travail preliminaire pour la suffisance ; etape 3 : la condition est suffisante.
Etape
1 : On montre que la condition du Theorème 5.7 est necessaire.
On suppose que P0 est solution faible. Il existe alors (, F, (Ft )t0 , P), B (Ft )t -mouvement
brownien et X processus adapte à trajectoires continues ps, triplet solution de E(a, ) avec
(5.17)-(5.18) sur avec B et X de loi P0 .
Daprès la Proposition 5.1, chaque M i et M i,j sont des martingales locales et les crochets
des M i sont donnes par
Z
t
hM , M it =
ci,j (s, Xs ) ds.

0
En particulier, chaque N i,j = M i M j Ci,j est une martingale locale. Il reste a` transferer
0
0
0
cette observation aux martingales M i , M i,j et N i,j qui sont leur analogue sur 0 . On
effectue le transfert par le processus solution X : 0 . Plus precisement en notant
N = { : la fonction t 7 Xt () nest pas continue}, on considère : 0 donnee par

Xt () si 6 N
()(t) =
0
si N
alors P0 = P X 1 = P 1 .
On note Tn = inf(t 0 : kXt k n) et Tn0 = inf(t 0 : kXt0 k n). Comme daprès (loc)
les processus arretes (M i )Tn et (N i,j )Tn sont bornes sur chaque intervalle de temps, ce sont
de (vraies) martingales.
0
0
Daprès les definitions de , des processus M i , N i,j et des processus M i et N i,j , hors de
N , on a
0
0
0
0
(M i )Tn = (M i )Tn , (N i,j )Tn = (N i,j )Tn .
(5.28)
Comme P(N ) = 0, les egalites restent vraies P-ps.
c
Chapitre 5. JCB
90
Lemme 5.1 Soit (, F, (Ft )t0 , P) et (0 , F 0 , (Ft0 )t0 ) et : 0 qui respecte les filtrations. On pose P0 = P 1 . Alors si M est une martingale sur (, F, (Ft )t0 , P), le
processus continu M 0 sur 0 associe à M par M = M 0 en dehors de N (bien defini
P0 -ps) est une martingale sur (0 , F 0 , (Ft0 )t0 , P0 ).
D
emonstration : En effet, si s < t et A0 Fs0 , on a A = 1 (A0 ) Fs (car X est
previsible) et
E0 [(Mt0 Ms0 )1A0 ] = E[(Mt Ms )1A ] = 0
par transfert à laide de . Ainsi M 0 est une martingale sur (0 , F 0 , (Ft0 )t0 , P0 ).
0

0
Daprès cette remarque, les expressions (5.28) assurent que (M i )Tn et (N i,j )Tn sont des
martingales sur 0 . Comme Tn0 + (sous P0 avec les condition (loc)), on obtient que
0
0
M i et N i,j sont des P0 -martingales locales P0 -ps nulles en 0, ce qui prouve letape 1.
Etape
2 : On montre quelques resultats preliminaires avant detablir que la condition du
Theorème 5.7 est suffisante dans letape 3 : pour montrer que P0 est solution faible, il sagit
de trouver un espace sur lequel X 0 (de loi P0 ) est encore defini et est solution de E(a, ),
ie. verifie (5.17)(5.18).
Pour cela, on considère un espace auxiliaire (00 , F 00 , (Ft00 )t0 , P00 ) sur lequel est defini un
mouvement brownien m-dimensionnel B 00 (par exemple 00 peut etre lespace de Wiener
m-dimensionnel). On pose alors
\
= 0 00 , F = F 0 F 00 , Ft =
Fs0 Fs00 , P = P0 P00 .
s>t
Avec un abus de notation, on etend toutes les fonctions sur 0 ou 00 de manière usuelle a`
en gardant le meme symbole, par exemple
Xt0 ( 0 , 00 ) = Xt0 ( 0 ),
Bt00 ( 0 , 00 ) = Bt00 ( 00 ).
Par construction, B 00 est independant de 0 . Soit U 0 et U 00 des martingales locales sur

(0 , F 0 , (Ft0 )t , P0 ) et (00 , F 00 , (Ft00 )t , P00 ). On les suppose reduites respectivement par (Tn0 )n1
et (Tn00 )n1 . Pour tous s t et A0 Fs0 , A00 Fs00 , on a
0T 0

0T 0

0 0

0 0

E Ut n 1A0 A00 = E0 Ut n 1A0 P00 (A00 ) = E0 UsTn 1A0 P00 (A00 ) = E UsTn 1A0 A00
0 T 0 00 T 00

0T 0
00 T 00

0 0
00 00

E Ut n Ut n 1A0 A00 , = E0 Ut n 1A0 E00 Ut n 1A00 = E0 UsTn 1A0 E00 Us Tn 1A00

0 0 00 00
= E UsTn Us Tn 1A0 A00 .
(5.29)
0T 0
00 T 00
n
Donc U 0 et U 00 sont des martingales locales sur (, F, (Ft )t , P). Comme Ut n Ut

une martingale,
0T 0
00 T 00
n
Ut n Ut
Tn0 Tn00
0 T 0 T 00
n
n
= Ut
00 T 0 T 00
n
n
Ut
= Ut0 Ut00
Tn0 Tn00
est aussi
91
est une martingale (car martingale arretee) et donc U 0 U 00 est une martingale locale car Tn0
Tn00 +. Par consequent, hU 0 , U 00 it = 0. Il sensuit que sur cet espace (, F, (Ft )t0 , P),
0
0
B 00 est un mouvement brownien et les M i et N i,j sont des martingales locales avec
0i
00 j
hM , B i = 0 daprès (5.29).
On utilise maintenant des resultats elementaires dalgèbre lineaire : on rappelle que si
c = est de rang ( d, m) alors est aussi de rang . Le fait que soit degeneree
est la difficulte qui oblige a` construire un mouvement brownien sur une extension de
lespace 0 .
Soit c0 = une matrice de taille m m symetrique positive. Elle secrit c0 = o`
u
est orthogonale de taille m m et est diagonale avec i,i > 0 si i et i,i = 0 si
i > . Soit 0 la matrice diagonale avec
0i,i = 1/i,i si i
et
0i,i = 0 si i > .
On a 0 = Im, en notant Im, la matrice diagonale de taille m m ayant 1 pour les

premiers elements diagonaux et 0 pour les suivants. Soit enfin 0 = 0 une matrice de
taille m d. On a alors
0
0 c = (0 )( )(0 ) = (0 )( )( )(0 ) = 0 0 = Im, .
(5.30)
Enfin comme
Pd = c2 = = () (), en regardant les termes diagonaux pour
k > , on a j=1 ()j,k = 0 si k > . Ainsi, ()j,k = 0 pour tout j si k > , ce qui secrit
= Im, . Par suite
0 c = (0 )( ) = 0 ( )
= ()(0 ) = Im,
= = = c.
(5.31)
Etape
3 : On montre maintenant que la condition du Theorème 5.7 est suffisante.
Comme la fonction matricielle est borelienne sur R+ Rd , il en est de meme pour son
rang . On peut aussi verifier quon peut choisir pour les matrices et des fonctions
boreliennes. De meme, les fonctions 0 et 0 le sont encore.
0
Soit aussi = supim,jd |i,j
| (elle est encore borelienne). La fonction 0 / (avec la convention 0/0 = 0) etant bornee, pour tout i = 1, . . . , m on peut definir les integrales
Uti
d Z
X
j=1
Daprès lhypothèse de cette etape, N

0
0
0
a donc hM i , M j i = C i,j . On a alors
i
0 i,j
hU , U it =
0
0
i,j
0
(s, Xs0 )dMsj .
, definie en (5.23), est une P0 -martingale locale. On
d
0
0
X
i,k
j,l
0k
0l
0
(s,
X
)dhM
,
M
is
s
2
k,l=1
c
Chapitre 5. JCB
92
d
0
0
X
ck,l
j,l
i,k
(s, Xs0 ) ds
2
k,l=1
Z
=
0
( 0 c )i,j
=
(s, Xs0 ) ds
2
0
Z t
1
0
1
ds
= i,j
0 2 {(s,Xs )i}
0 (s, Xs )
Z
en utilisant 0 c = Im, (cf. (5.30)). Cela assure que les integrales stochastiques Vti =
Rt
(s, Xs0 )dUsi sont bien definies et en plus
0
i
hV , V it = i,j
1{(s,Xs0 )i} ds.
(5.32)
Dans la suite, on utilise

0i
(s, Xs0 )dhM i , U j is
hM , V it =
=
0
d
XZ t
k=1 0
d Z t
X
0
j,k
(s, Xs0 )dhM i , M k is
k=1
0
j,k
0
0
0
(s, Xs )
(s, Xs0 )dhM i , M k is
Z tX
d
0
j,k
(s, Xs0 )ci,k (s, Xs0 ) ds
0 k=1
t
Z
=
(c )i,j (s, Xs0 ) ds.
(5.33)
On rappelle que B 00 est un mouvement brownien ur et quil est independant de lespace

facteur 0 . Pour i m, on definit les P-martingales locales continues suivantes
Z t
m Z t
X
00 i
i
i
i
1{(s,Xs0 )<i} dBs
et Bt =
i,k (s, Xs0 )dZsk .
(5.34)
Zt = Vt +
0
k=1
00
00
Noter que, par independance, on a hM i , B k i = 0 et donc il vient hU i , B k i = 0 puis aussi

00
00
00
hV i , B k i = 0. Avec (5.32) et hB i , B j it = i,j t (mouvements browniens independants),
on obtient
Z t
i
j
i
j
hZ , Z it = hV , V it + i,j
1{(s,Xs0 )<i} ds = i,j t
0
hB i , B j it =
m Z
X
k,l=1
(i,k j,l )(s, Xs0 )dhZ k , Z l is
93
m Z
X
k=1
t
Z
=
(i,k j,k )(s, Xs0 ) ds
( )i,j (s, Xs0 ) ds = i,j t
puisque = Im . Par consequent, Z et B sont des (Ft )t0 -mouvements browniens mdimensionnels. En particulier, B est le mouvement brownien cherche sur pour resoudre
lEDS E(a, ) sur (, F, (Ft )t0 , P) comme en (5.18). Pour le voir, on considère les processus
Z t
m Z t
X
0i
0
i
i
i,j (s, Xs0 ) dBsj
ai (s, Xs ) ds
Yt = Xt x
0
m Z t
X
= Mt i
j=1
j=1
i,j (s, Xs0 ) dBsj .
Ce sont des martingales locales continues nulles en 0 et il sagit de voir quelles sont indis0
0
tinguables de 0 pour etablir que X 0 = (X 1 , . . . , X d ) est solution de lEDS E(a, ) comme
en (5.18). Pour le voir, on calcule hY i , Y i it pour montrer que le crochet est identiquement
nul.
On a
0
hY i , Y i it = hM i , M i it
m Z t
m Z t
X
X
0
0
0
k
l
+
i,k (s, Xs )i,l (s, Xs )dhB , B is 2
i,k (s, Xs0 )dhM i , B k is . (5.35)
k,l=1
k=1
Dabord, on a
0i
0i
hM , M it =
ci,i (s, Xs0 ) ds.
(5.36)
Ensuite, pour le premier terme de (5.35), on a :

m Z t
m Z t
X
X
k
l
0
0
2
i,k
(s, Xs0 ) ds
i, (s, Xs )i,l (s, Xs )dhB , B is =
k,l=1
k=1
Z tX
m
2
i,k
(s, Xs0 ) ds
0 k=1
t
Z
=
ci,i (s, Xs0 ) ds.
0
0
00
Pour le deuxième terme de (5.35) : dabord, comme hM i , B k i 0, on a

m Z t
X
0i
0
j
hM , B it =
j,k (s, Xs0 )dhM i , Z k is
k=1
(5.37)
c
Chapitre 5. JCB
94
=
=
=
m Z
X
k=1 0
m Z t
X
k=1 0
m Z t
X
k=1
t

0
0
00
j,k (s, Xs0 ) dhM i , V k is + 1{(s,Xs0 )<k} dhM i , B k is
0
j,k (s, Xs0 )dhM i , V k is

0
(j,k (c )i,k )(s, Xs0 ) ds
0
0
(c )i,j (s, Xs0 ) ds
(5.38)
daprès (5.33). Et donc le deuxième terme de (5.35) secrit avec (5.38) :

m Z
X
k=1
0
i,k (s, Xs0 )dhM i , B k is
m Z
X
k=1
t
Z
=
Z0 t
=
i,k (s, Xs0 )(c )i,k (s, Xs0 ) ds
0
0
(c )i,i (s, Xs0 ) ds

ci,i (s, Xs0 ) ds
(5.39)
car par symetrie de c et avec (5.31) obtenu dans letape 2

0
c = c = ( c) = c = c.
Finalement, (5.35) secrit
Z t
Z t
Z t
i
i
0
0
hY , Y it =
ci,i (s, Xs ) ds +
ci,i (s, Xs ) ds 2 ( 0 c)i,i (s, Xs0 ) ds = 0.
0
Comme en plus Y0i = 0 P-ps, on en deduit que Y i est P-indistinguable de 0. Cela signifie
que X 0 considere comme processus sur (, F, (Ft )t0 , P) est solution de lEDS E(a, )
relativement au mouvement brownien B construit en (5.34).
Comme par construction P0 est la loi de X 0 , cela signifie que P0 est solution faible (ou
mesure-solution) de lEDS E(a, ) et on a le resultat cherche.

Corollaire 5.3 On suppose lhypothèse (loc) satisfaite pour lEDS E(a, ). Si m = d et si
la fonction est inversible dinverse 1 localement borne, une probabilite P0 sur (0 , F 0 )
est solution faible de E(a, ) ssi il existe un (Ft0 )t0 -mouvement brownien d-dimensionnel
B 0 sur (0 , F 0 ) tel que X 0 soit solution faible de E(a, ) relativement à B 0 .
Remarque 5.3 Linteret du corollaire est donc dassurer que sous de bonnes conditions,
on peut construire la solution faible directement sur lespace canonique 0 = C(R+ , Rd ).
95
D
emonstration : La condition est clairement suffisante. Pour voir quelle est necessaire,
on suppose que d = m, que P0 est une solution faible et que la fonction 1 existe (elle est
alors borelienne) et est localement bornee.
0
0
Daprès le Theorème 5.7, les processus M i et N i,j sont des P0 -martingales locales ps nulles
en 0.
On reprend alors letape 3 dans la preuve precedente avec (x, t) = m (presque s
urement
0
1
par hypothèse sur ) et = . Dans ce cas ((x, t) = m), par les definitions en (5.34),
on a Z i = V i et donc B ne depend pas de B 00 . Cest donc un mouvement brownien sur
(0 , F 0 , (Ft0 )t , P0 ) (et pas seulement sur comme dans letape 3). En dautres termes, on
na pas besoin dintroduire lespace auxiliaire 00 et les processus Y i sont definis sur 0
egalement. On a le resultat avec B 0 = B.
96
c
Chapitre 5. JCB
Bibliographie
[App] David Applebaum. Levy Processes and Stochastic Calculus. Cambridge series in
advanced mathematics, vol. 93, 2004.
[BC] Bernard Bercu, Djalil Chafa. Modelisation stochastique et simulation. Dunod, 2007.
[JCB-L3] Jean-Christophe Breton. Fondement des Probabilites. Notes de cours, L3 Mathematiques, Universite de Rennes 1, 2013.
[Bil2] Patrick Billingsley. Convergence of Probability measures. 2nd Edition, Wiley series
in probabilities and mathematical statistics, 1999.
[CM] Francis Comets, Thierry Meyre. Calcul stochastique et modèles de diffusions. Dunod,
2006.
[Chung] Kai Lai Chung. A course in probability theory. 3rd Edition, Academic Press, 2001.
[Dav] Youri Davydov. Cours de DEA Processus stochastiques. Universite Lille 1, 1999
2000.
[DM] Claude Dellacherie, Pierre-Andre Meyer. Probabilites et potentiels. Hermann, 1975.
[EGK] Nicole El Karoui, Emmanuel Gobet, Etienne Pardoux. Introduction au calcul sto
chastique. Ecole
Polytechnique, 2001.
[Fel] William Feller. An introduction to probability theory and its applications. Vol. 1. 3rd
Edition, Wiley series in probabilities and mathematical statistics, 1968.
[Gal] Leonard Gallardo. Mouvement brownien et calcul dIto. Coll. Methodes mathematiques. Ed. Hermann. 2008.
[Gue] Helène Guerin. Processus à temps continu. Notes de cours, M2 Mathematiques, Universite de Rennes 1, 2009.
[Kal] Olav Kallenberg. Foundations of modern probability. 2nd Edition, Springer Series in
Statistics. Probability and its Applications, 2002.
[KS] Ioannis Karatzas, Steven E. Shreve. Brownian motion and stochastic calculus. Springer, 1987.
[Kin] John Kingman. Poisson processes. Oxford University Press, 1993.
[KT] Rama Kont, Peter Tankov. Financial modelling with Jump Processes. Chapman &
Hall, 2003.
[LG0] Jean-Francois Le Gall. Introduction au mouvement brownien. Gazette des Mathematiciens, vol. 40, 1989.
97
98
Bibliographie
[LG1] Jean-Francois Le Gall. Mouvement brownien, martingales et calcul stochastique.

Spinger, Coll. Mathematiques et applications, vol. 71, 2013. Voir les notes de cours
M2 Mathematiques de lUniversite Paris sud-Orasy.
[Lif] Michel Lisfhits. Gaussian random functions, Kluwer, 1995.
[Mal] Florent Malrieu. Processus de Markov et inegalites fonctionnelles. Notes de cours de
Master 2, 20052006.
[Pro] Philipp Protter. Stochastic integration and differential equations. Springer, 1995.
[RY] Daniel Revuz, Marc Yor. Continuous martingales and Brownian motion. Springer,
1991.
[Tud] Ciprian Tudor. Cours de calcul stochastique. Notes de cours M2 Mathematiques,
Universite Lille 1, 2011.

Calcul Stochastique

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Calcul Stochastique

Uploaded by

Copyright:

Available Formats

Calcul stochastique

Table des mati`

3.2.2 Equations affines . . . . . . . .

Table des mati`eres

F (Xtni+1 ) F (Xtni ) = F 0 (Xtni )(Xtni+1 Xtni ) +

inf F 00 Xtni + (Xtni+1

F (Xtni )(Xtni+1 Xtni ) =

Pour prouver la formule dIto (1.1), il reste `a etablir la convergence en probabilite :

fn,i ()(Xtni+1 Xtni ) =

F 00 (Xs ) dhX, Xis ,

1.1. Formule dIto

car alors, par unicite presque s

F 00 (Xs ) dhX, Xis

fn,i ()(Xtni+1 Xtni )2

La continuite de F 00 assure que Zm,n 0 ps quand m, n +. Dapr`es linterpretation

P- lim Tm,n = P- lim

hm (s) dhX, Xis ,

Il existe donc aussi m3 tel que pour m m3

{|Tn Tm,n | /3}

en combinant (1.4), (1.5), (1.6), et en prenant n > m max(m1 , m2 , m3 ), on a :

1.1. Formule dIto

ce qui prouve (1.3) et donc la formule dIto (1.1) pour p = 1.

En adaptant leg`erement les arguments du cas p = 1, on montre que pour tous k, l

Cela ach`eve la preuve de la formule dIto dans le cas general (1.2).

Xs dXs + hX, Xit .

Retour au mouvement brownien

1.1. Formule dIto

hB i , B j i = 0 lorsque i 6= j et dhB i , B i is = ds. La formule dIto montre alors que, pour

F (Bs1 , . . . , Bsp )ds

On montre alors que

1.1. Formule dIto

Alors g(t) a exp(bt) pour tout t 0.

On obtient le resultat en reportant linegalite ci-dessus dans lhypoth`ese (1.12) :

et (comme la convergence en probabilite se conserve en appliquant une application contiP

On a donc (Zn (t))n1 uniformement integrable. Dapr`es le Theor`eme de Vitali, la converL1

1.2. Theor`eme de Levy

Dapr`es la Proposition 1.1 sur les exponentielles stochastiques, E(iuX) = exp iu Xt +

Avec A = , (1.13) montre que Xt Xs N (0, (t s)Id ). Ensuite pour A Fs de

le processus X est finalement gaussien, a` accroissements independants et stationnaires et

La fonction r 7 r est donc croissante c`adl`ag. On pose alors r = Mr . Le processus

Revenons `a la preuve du Theor`eme 1.3. On a ps pour tout r > 0,

1.4. Inegalites de Burkholder-Davis-Gundy

En prenant les esperances dans la formule dIto, on a donc

< m 1. En faisant = 0 et 0 dans (1.18), on a

De plus, on deduit de (1.20) et (1.18) et de la decroissance de xm1

1.4. Inegalites de Burkholder-Davis-Gundy

Ms2 )m1 dhM, M is

En faisant & 0, on voit alors

En combinant (1.23) et (1.24), on a la borne inferieure valable pour tout > 0 :

Alors pour tout temps darret T borne :

Remarque 1.7 Noter que la condition (1.25) est remplie si X = M 2 o`

E[XRT ] E[ART ] E[AT ]

borne : P(XTn ) E[ATn ]. Mais comme Tn T , n1 {XTn > } = {XT > }

en utilisant (1.28) avec T S puis la definition de S (qui assure AT S = AT ).

1.4. Inegalites de Burkholder-Davis-Gundy

ce qui donne, pour 0 < m < 1,

La preuve utilise le resultat suivant de densite.

pour 0 = t0 < t1 < < tn et 1 , . . . , n R est dense dans L2C (, F ).

1.5. Representation des martingales (browniennes)

pour tout choix de 0 = t0 < t1 < < tn et 1 , . . . , n R alors Z = 0.

Le theor`eme de Stone-Weierstrass garantit que les combinaisons lineaires complexes de la

avec 1 , . . . , m > 0 et m1 , . . . , mn R sont denses dans lespace C` (Rn , C) des fonctions

(h(s, ) h0 (s, ))2 ds = E

h0 (s, ))2 dBs