Examen de processus stochastiques M2 2010-2011 Vendredi 10 juin 2011 L’examen est composé de 7 exercices de longueur et de difficulté différentes. N’hésitez pas passer à l’exercice suivant si vous êtes bloqués. Les excercices sont essentiellement indépendants, mais à l’occasion, et c’est alors mentionné explicitement, un résultat prouvé dans un exercice peut servir (sans preuve) dans un autre. Variation quadratique et compensateur Soit (Ω, F, F = {Fn }n∈N , p) un espace probabilisé filtré et X. : N × Ω → (R, B(R)) un processus aléatoire. Le processus Q. : N × Ω → (R, B(R)) défini par Q0 = X20 et P 2 Qn = X20 + n−1 m=0 (Xm+1 − Xm ) pour n = 1, 2, · · · s’appelle la variation quadratique du processus X. . Si E(X2n ) < +∞ pour tout n ∈ N, le processus C. : N × Ω → P 2 (R, B(R)) défini par C0 = X20 et Cn = X20 + n−1 m=0 E((Xm+1 − Xm ) |Fm ) s’appelle le compensateur du processus X2. . I.1 : Si le processus X. est adapté, que dire du processus Q. , du processus C. ? . On suppose que X. est une F-martingale de carré intégrable (i.e. E(X2n ) < +∞ pour tout n ∈ N). I.2 : Monter que E(X2n+1 |Fn ) = X2n + E((Xn+1 − Xn )2 |Fn ). . I.3 : En déduire que X2. − Q. et X2. − C. sont des F-martingale. . Soit ε1 , ε2 , · · · une suite de variables aléatoires réelles indépendantes intégrables sur un espace probabilisé (Ω, F, p). On pose F0 = {∅, Ω} (la tribu grossière) et Fn = σ(ε1 , · · · , εn ) (la plus petite tribu rendant ε1 , · · · , εn mesurables) pour n = 1, 2, · · · . On 1 munit (Ω, F, p) de la filtration F = {Fn }n∈N . On pose S0 = 0 et Sn = ε1 + · · · + εn . I.4 : Montrer que Sn − E(Sn ) est une F-martingale. . On suppose dans la question suivante que ε1 , ε2 , · · · ont même loi, chacune prenant les valeur 1 et −1 avec probabilité 1/2. I.5 : Montrer que S. est une F-martingale. Calculer la variation quadratique de S. et les compensateur de S2. . . Soit x ∈ [0, 1]. On suppose dans la question suivante que ε1 , ε2 , · · · ont même loi, chacune prenant les valeur 1 avec probabilité x et 0 avec probabilité 1 − x. On pose Mn = Sn − E(Sn ) I.6 : Calculer la variation quadratique de S. . Calculer la variation quadratique de M. et le compensateur de M2. . . Processus de Bessel Soit D ∈ [1, +∞[ et (Ω, F, F = {Ft }t∈[0,+∞[ , p) un espace probabilisé filtré. On suppose que W. : [0, +∞[×Ω → (R, B(R)) est un Brownien et une F-martingale, et que R. : [0, +∞[×Ω → (R, B(R)) vérifie l’équation différentielle stochastique dRt = D−1 dt + dWt , 2Rt i.e. Zt Rt = R0 + Wt + 0 (1) D−1 ds. 2Rs II.1 : Le processus Rt est-il une diffusion ? . II.2 : Si f(r) est une fonction C2 (i.e. deux fois continument différentiable) sur R, calculer df(Rt ). Donner la version intégrale rigoureuse de cette formule différentielle symbolique. En particulier, que dire de R2t − Dt. . II.3 : Déduire de la question précédente l’équation de Fokker-Planck satisfaite par la densité de probabilité ρ(r, t), définie par p(Rt ∈ [r, r + dr[) ≡ ρ(r, t)dr. On utilisera la version intégrale de la formule d’Itô, et on supposera que pour une classe asez grande de fonctions f on peut apliquer le théorème de Fubini pour intervertir E et Rt ds.... . 0 2 Si D = 1, 2, · · · , le Laplacien sur RD d’une fonction C2 (i.e. deux fois continûment différentiable) F(x1 , · · · , xd ) est définit par ∆F = PD ∂2 i=1 ∂x2i F. P 2 1/2 II.4 : Si F(x1 , · · · , xD ) = f(r) n’est fonction que de r = ( D , i=1 xi ) 1 exprimer 2 ∆F comme un opérateur différentiel agissant sur f. Voyezvous une analogie avec le résultat de l’application de la formule d’Itô à la question II.2 ? . Pour D entier, le Brownien à D dimensions est défini comme un vecteur (B1,t , · · · , BD,t ) dont les D composantes sont des Browniens indépendants. On peut montrer que le processus (B21,t + · · · + B2D,t )1/2 ≡ Rt Rt a la propriété suivante : Rt − 0 D−1 ds est un Brownien. En consé2Rs quence, la longueur d’un Brownien à D dimensions satisfait à l’équation (1). Nous allons faire une vérification non-triviale de cette propriété dans le cas D = 3. II.5 : En utilisant l’indépendance des différentes composantes du Brownien à D = 3 dimensions, calculer la probabilité p((B21,t + B22,t + B23,t )1/2 ∈ [r, r + dr[) ≡ ρ̃(r, t)dr qu’à l’instant t le Brownien à 3 dimensions soit dans la coquille sphérique de rayon r et d’épaisseur dr. . II.6 : Montrer que ρ̃(r, t) vérifie l’équation Fokker-Planck obtenue pour ρ(r, t) à la question II.3 (spécialisée à D = 3). . Un jeu On vous propose le jeu suivant : on lance une pièce équilibrée jusqu’à ce soit un « face » suivi d’un « pile », soit deux « pile » consécutifs apparaissent. Dans le premier cas, ...FP, vous perdez 1 Euro. Dans le second, ...PP, vous gagnez 2 Euros. III.1 : Acceptez-vous ? . Martingales induites Dans cet excercice, T désigne une partie de [0, +∞[, typiquement [0, +∞[ lui même, ou {0, 1, 2 · · · }. Soit (Ω, F, F = {Ft }t∈T , p) un espace probabilisé filtré. On suppose que G = {Gt }t∈T est une sousfiltration de F i.e. que pour tout t ∈ T , Gt ⊂ Ft est une σ-algèbre. 3 IV.1 : Montrer que si Mt , t ∈ T est une F-martingale, alors E(Mt |Gt ), t ∈ T est une G-martingale. . Tribu sur N∗ Soit F une σ-algèbre sur N∗ ≡ {1, 2, 3, · · · } telle que pour tout n ∈ N∗ , {n, 2n, 3n, · · · } ∈ F. V.1 : Montrer que F est la σ-algèbre totale, F = P(N∗ ). . Inégalités Le but de cet exercice est de montrer que les deux propriétés de base de l’espérance (que l’on peut utiliser librement) : – Linéarité : si X, Y sont deux variables aléatoires (réelles) intégrables et si λ ∈ R alors X + λY est une variable aléatoire intégrable, et E(X + λY) = E(X) + λE(Y), Ce résultat persiste pour les variables aléatoires X, Y complexes et pour λ ∈ C. – Positivité : si X est une variable aléatoire réelle non-négative (i.e. X(ω) > 0 pour tout ω ∈ Ω) alors E(X) > 0, restent vraies pour les espérances conditionnelles, et d’en donner deux applications simples. Mais commencons par quelques rappels : VI.1 : Rappeler pourquoi, si X est une variable aléatoire (réelle) telle que E(X2 ) < +∞, on a E(|X|) < +∞ et E(X2 ) > E(X)2 . . VI.2 : En déduire que si Z est une variable aléatoire (complexe) telle que E(|Z|2 ) < +∞, alors E(Z) existe et E(|Z|2 ) > |E(Z)|2 . . Soit (Ω, F, p) un espace probabilisé. et G ⊂ F est une σ-algèbre. En revenant à la propriété qui définit les espérances conditionnelles, montrer que : VI.3 : Si X, Y sont deux variables aléatoires (réelles) intégrables et si λ ∈ R alors E(X + λY|G) = E(X|G) + λE(Y|G), . VI.4 : Si X est une variable aléatoire intégrable (réelle) non-négative alors E(X|G) > 0. Ceci est à prendre au sens G-presque sûr. Il faut montrer que si A = {ω ∈ Ω, E(X|G) < 0} alors p(A) = 0. On pourra considérer An = {ω ∈ Ω, E(X|G) < −1/n} pour n = 1, 2, · · · , montrer que An ∈ G et p(An ) = 0. . Application : VI.5 : Si X est une variable aléatoire (réelle) intégrable alors E(|X| |G) > 4 |E(X|G)|, . VI.6 : Si X est une variable aléatoire (réelle) de carré intégrable alors E(X2 |G) > E(X|G)2 . . Fonction caractéristique Dans cet exercice, on utilise librement le résultats de la question VI.2 Soit X une variable aléatoire réelle sur un espace probabilisé (Ω, F, p). VII.1 : Montrer que la variable aléatoire eiαX est intégrable et que |E(eiαX )| 6 1 pour tout α ∈ R. . La fonction F(α) ≡ E(eiαX ) est appelée fonction caractéristique de la variable aléatoire X. VII.2 : Montrer que |F(α) − F(β)|2 6 4E(sin2 (α − β)X/2). . VII.3 : En conclure que, pour toute suite αn qui converge vers α, la suite F(αn ) converge vers F(α) donc que F est une fonction continue de α. On pourra utiliser la convergence dominée. . On suppose de plus que X est de carré intégrable (i.e. E(X2 ) < +∞). Soit Xn une suite de variables aléatoires de carré intégrable sur (Ω, F, p) telle que E((X − Xn )2 ) converge vers 0. VII.4 : Montrer que |E(eiαX − eiαXn )|2 6 4E(sin2 α(X − Xn )/2). En utilisant que | sin x| 6 |x| pour tout x ∈ R, conclure que E(eiαXn ) converge vers E(eiαX ) pour tout α ∈ R. . Un théorème important assure que la connaissance de F(α) = E(eiαX ) est équivalente à la connaissance de la loi de X, c’est à dire de la fonction R(x) = p(X 6 x). La question précédente donne donc une preuve du résultat suivant : Si f : (R+ , B(R+ )) → (R, Rt B(R)) est une fonction mesurable telle que pour tout t ∈ R+ , 0 f(s)2 ds < +∞ et si Bt , t ∈ [0, +∞[ un Brownien sur un espace probabilisé (Ω, F, p),R la variable aléatoire Rt t 2 0 f(s)dBs est gaussienne centrée de variance 0 f(s) ds pour tout t. 5