Séminaire Brelot-Choquet-Deny. Théorie du potentiel PAUL -A NDRÉ M EYER Définition des processus de Markov et des martingales Séminaire Brelot-Choquet-Deny. Théorie du potentiel, tome 5 (1960-1961), exp. no 3, p. 1-11 <http://www.numdam.org/item?id=SBCD_1960-1961__5__A4_0> © Séminaire Brelot-Choquet-Deny. Théorie du potentiel (Secrétariat mathématique, Paris), 1960-1961, tous droits réservés. L’accès aux archives de la collection « Séminaire Brelot-Choquet-Deny. Théorie du potentiel » implique l’accord avec les conditions générales d’utilisation (http://www.numdam.org/legal.php). Toute utilisation commerciale ou impression systématique est constitutive d’une infraction pénale. Toute copie ou impression de ce fichier doit contenir la présente mention de copyright. Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques http://www.numdam.org/ 3-01 Séminaire BRELOT-HOQUET-DENY Potentiel) (Théorie année, 1%0/61, n° 3 du 5e DÉFINITION DES PROCESSUS DE MARKOV ET DES MARTINGALES Paul-André MEYER Dans tout cet R+ ,admettant exposé, l’ensemble d’indices 5 est 0 premier éléments pour N intervalle de un ou de I. La notion de temps A. Processus adapté DRFINITION dans 10 Pour tout 20 X. donné Soit La un Ft terminologie ensemble de temps qu’une le processus à la (s , t) de points est une processus variable aléatoire stochastique, adaptée, soit suivante "temps", on à de sorte que un Ft = B(X , processus encore très commode : nous s ~t , peut toujours construire est nous sera si : F~ on a Ft-mesurable. il suffit de poser adaptée famille) tels que 5~ de de sous-tribus famille (ou à valeurs stochastique nous dirons/’soit t s ~t) . stochastique. adaptée au Posons processus. considérerons un famille une G instant" pour comme signi- appellerons alors Ft la tribu des événements antérieurs appellerons tribu des événements postérieurs au temps t , te 5" . Nous t et nous B(Xs , s~t) . DÉFINITION une On dit processus processus B. Définition des temps à un fl, F ; la famille de tribus la tribu . tribus. , famille de tribus une fier "soit au un qui lui de tribus = au couple V ~tant F (Q , F , P (X , B) . 1. - Soit adaptée est famille de une espace d’états un F de à famille 2. - Soit d’arrêts (03A9 , F , tel que un processus On appelle temps de tribus une’variable aléatoire P , sur (0, F , p) , prenant stochastique adapté d’arrêt (relatif ses aux valeurs dans l’ensemble 3-02 On appelle tribu évènements A des évènements antérieurs à et la tribu des note on tels que F de T~ REMARQUES. T(W) = 1° La fonction constante t E 0 est un temps d’arrêt. est 3 ° Si dans la définition ci@dessus exactement les 4° Si S = N 5° Si des T et temps ou T~ remplace "T $ rapport à la T si t " par 1fT:’ t " , on famille {Ft+}t~L. par R ~ et on est un temps d’arrêt, il inf(T~ ~ T2) sont des temps en est de même de T2) et T + t sont temps d’arrêt. 6° Si Tl FT c FT . et T2 sont des w, Tl (w) T2(W)’ on a importante. - Nous aurons souvent besoin dans la suite de considérer des variables aléatoires non partout définies sur 03A9 ; voici comment on les ramène a un point qui n’appartient pas à aux variables aléatoires ordinaires : soient X , et X’ l’espace Xu{0) muni de la tribu B’ engendrée par les ensembles de peut être considéré comme prenant B , et l’ensemble {~} . Le processus ses valeurs dans B’) . Nous lui adjoindrons une variable aléatoire X~ telle de faire que X (u) == ô V ~ ~ Lorsque X est un espace LCD ~ il est très commode de X’ un espace compact (à base dénombrable) , en considérant ~ comme le point à l’ inf ini de X (point qui est isolé si X est compact). Il sera toujours conX est identifiée à une fonction sur X ~ nulle au point venu qu’une fonction sur Convention qu’aucune autre fonction sur X’ n’est envisagée, sauf mention du contraire , l’expression : "la fonction 1" par exemple, désigne la fonction sur X’ égale à 1 0 au point a. Le lecteur se persuadera aisément, en lisant la suite; sur X . à ô~ et de la commodité de cette convention. NOTATION. - Soit T la fonction sur Q à si T(w) = oo . un temps d’arrêt. Nous désignerons par la notation valeurs égale dans Si cette fonction est une à variable (w) aléatoire, si T(W) ~ 00, XT(W) à a appellerons ~ettc répartition "répartition nous du processus à l’instant T " , et sa et si toutes les fonctions Si 5 = N ou du processus à l’instant (t ~ 5) sont mesurables, nous appellerons tribu des événements postérieurs fonction "position R , XT+t(03C9) au temps T la tribu engendrée par 3-03 C. Transformation des processus* Soient tifs 3 aux un sous-ensemble de tribus ait on . T~~ s. p. couple L 1 (w) Si les est dit obtenu {3L } temps d’arrêts processus une telle que, pour tout F , famille de temps d’arrêt rela(i, j) de points de 3 ~ avec et R+, sont des variables transformant le processus en Xt iel système de T.. Deux exemples de aléatoires, au le moyen du transformations sont particu- ces lièrement importants : 10 S est un temps T. i est "obtenu par arrêt du processus 2° Les notations étant les si 1 S(03C9)) ; le nouveau mêmes, = inf(S , i) ; à l’instant Xt on nouveau processus S ". = pose le 1 si S(w), 1 = + 00 processus est dit "obtenu par destruction du processus II. Processus de Markov$ A. Définition des processus de Markov. - DÉFINITION dans un tout 1. -Soit espace t , les (Q , F , (X, B) . On dit que tribus B(X , st) indépendantes, Xt un p , le processus et B(X , propriété s’exprime par des phrases conditionnellement indépendants, le présent , est de Markov s t) à valeurs si, pour sont conditionnellement étant donnée. Cette Le théorème stochastique processus telles que "le passé et le futur sont étant donné". 3.2 . , (exposé 2) permet immédiatement d’énoncer les théorèmes suivants ? , THEOREME 1. - Un processus markovien reste markovien après inversion du sens du temps THÉORÈME 2 . - Soit Ft la tribu s soit markovien, il faut et il suffit que, aléatoire Y intégrable, mesurable sur p, t). pour tout s Pour que le processus t e ~t) lxt .l t; et pour toute variable on ait : s. Le théorème suivant montre markovien, tout Drocessus en particulier équivalent le que si possède un aussi. processus possède le caractère 3-04 THEOREME soit de 3. - Pour qu’un processus système que, pour tout B--mesurable DEMONSTRATION. - vérifiée pour fini d’instants croissants de X , A un on D’après t2 ... tn 1 toute t ~ partie ait : la propriété processus de Markov. h(W) sur 03A9, des fonctions bornées il faut et il suffit Markov, (exposé 2, 6° sur cette relation est l’espace vectoriel H soit Réciproquement, mesurables 2), p. B(Xs , la tribu tp), n s telles que : Il est bien clair que la limite de toute suite tante, de fonctions positives H de appartient évidemment les fonctions de la forme sur telles fonctionso Soient tn, et h à s , s2 ... s , L’espérance mathématique intérieure est égale à notre hypothèse $ D’après le théorème 4 ~ exposé 1 ~ où forme avec Appliquons k - 1 g est sur B-mesurable fonctions alors le théorème mesurables par mesurable B-mesurable bornée des instants croissants B-mesurables bornées des fonctions h1 ... hk, problème~ est h 0 une cons- contient aussi bien H H. par t ~ t . Montrons par récurrence qu’il contient les produits finis de et X , croissante, majorée rapport à la cette tribu, au lieu de 5i exposé ~~ tribu h sur t X s 3f page X , JXs à nous avons : ) d’après p. s. cette fonction X . On est alors ramené est de la au même k. p. 3. H B~Xs ~ s ~ tn~ . et sur postérieurs contient toutes les fonctions Il en résulte que~ si ont même intégrale A. i appartiennent sur h est les ensembles n où les de la forme ensembles permet engendrent de conclure. une nouvelle application du théorème à B ; comme ces 5, exposé 1 ps 3 3-05 B. Processus à fonction de transition. Nous n’aurons besoin dans la suite que de la notion de fonction de transition stationnaire ; cependant, pour la clarté de l’exposé, nous allons donner ci-après la définition DÉFINITION générale S supposé égal est s 2° Pour tout s 9 sur s ~ t , que x parcourt X, et la fonction t , x - P la fonction A ~ x, s~t (x ~ A ) est P est A ne . B-mesurable. une x, A, et tout triple (6, t , u) dite de Chapman-Kolmogorov loi de pro- tel que on a La fonction de transition est dite stationnaire si l’on a, pour tout la relation A) -5 A) .. On pose alors A) Nous parcourt 11 (X, B) ~ 3° Pour tout la relation l’ensemble des couples telle que : R~ ~ 1° Pour tout babilité (8, t) parcourt points de 5 tels à valeurs dans , . (X , B) un espace mesurable. Nous appellerons probabilité (ou fonction de transition) de Markov sur (X ~ B) , une application (s ~ t) , x , A -~ de N. ou à lB. 2 0 - Soit de transition (s , t) à (s , t) , A) ~ == considérerons plus que des fonctions de transition stationnaires et nous omettrons le mot "stationnaire". NOTATION. - Soit f une fonction l’intégrale X 1t(x , Explicitons les axiomes 1° Pour tout t , A, 2° Pour tout x, lité sur t:- sur B-mesurable : X , dy) r(y) , et Pt f nous noterons souvent l’application x - des fonctions de transition stationnaires. l’application x est - l’application A -+ A) est B-mesurable. une loi de probabi- (X ~ B) . 3° Pour tout x , A t , s on a la relation , REMARQUES. 1° Lorsque dans la condition (2),.on exige simplement considérée soit complètement additive, positive, de on que la fonction d’ensemble masse inférieure ou égale 1&#x3E; 1, obtient la notion de fonction de transition sous-markovienne. Voici comment on r; 3-06 ramène cette notion à celle de fonction de transition ordinaire. Soit 1x’ 1 BI) A E B’ , l’espace construit à la page 2 de cet exposé . Posons, si x A et en outre : La fonction 2° Soit est alors G l’espace fonction de transition de Markov une B-mesurables et bornées de Banach des fonctions ~Xr - B~) sur (la norme étant celle de la convergence uniforme) : les applications f ... P t f sont des opérateurs linéaires positifs de norme 1 , sur G , et la condition 3 exprime que ces opérateurs constituent un semi-groupe (en élargissant un peu la définition des soit et soit un espace Les espaces G et M sont en M l’espace dualité, et des ). Supposons 1 de Radon mesures il est = Po assez la continuité de bornées que sur X X 0 facile de voir que la conpour la topologie faible chaque opérateur P t o(G , M) . Nous appellerons semi-groupe de Markov (resp. sous-markovien) un semigroupe dl opérateurs linéaires sur G qui est ainsi associé à une fonction de transition de Markov (resp. sous-markovienne). (Cette fonction de transition dition 2 . suppression de la condition par la semi-groupes, exprime est alors unique). 3° Lorsque adjoints P. ~ bornée, est X sur un M ~ qui la valeur de la f) XPt(x, forment au lieu de fonction sur une probabilités, on a admettent des Pt semi-groupe. Si n un P* p mesure En calcul des tation Pt opérateurs les espace est f une mesure de G opérateurs de Radon est il est commode d’utiliser la no- alors la relation ’ où (,~ est la forme bilinéaire canonique DÉFINITION 3. - Soit (Q , F ~ p ~ {X. L~) dans (X , B) adapte à une famille de tribus ’ est un processus de Markov par fonction de transition, et admet 03BD 1~ ~ est la loi ~ ~ une loi de probabilité rapport comme sur sur un M x G ~ processus stochastique, à valeurs On dit que le processus {F.}. ~. admet aux répartition initiale, (X ~ B) , et la Pt(x, A) comme si : répartition de 3L est 3-07 2° est Ae B ~ et pour une fonction de transition (s , t) couple de temps tels (X, B) , sur et l’on a, pour tout s~t ~ que REMARQUES. est de 10 Il est clair que cette relation implique bien que le processus Markov au sens de la définition 1. 2° Nous ne considérerons ici que des fonctions de transition pour lesquelles est l’identité, les autres sont très intéressantes, et se rencon- l’opérateur Po leur étude trent souvent dans la pratique, mais sente aucune difficulté nouvelle, il suffit de notations et complique les ne considérer que des ne pré- initiale{, mesures de la forme A) 3° Lorsqu’on utilise l’expression "processus de Markov admettant fonction de transition", sans spécifier la famille de tribus, il est toujours entendu que s t) . Ft = Pt(x , 4° Soient A) fonction de transition sous-markovienne une la fonction de transition markovienne (X’ B’) sur construite ci-dessus. Un processus de Markov, admettant transition, et dont la mesure initiale est concentrée sur "processus admettant comme comme sous- (X, B) , sur associée à comme eet X , fonction de encore appelé fonction de transition". Le théorème suivant est fondamental pour toute la suite. THEOREME 4. - Soient A) Radon sur une X un espace compact métrisable, fonction de transition de Markov sur processus de Markov (et X . Il existe admettant un comme (X~ ~ B t;) .. répartitions Soient Xt finies par la formule sa (X , B) . un seul à fonction de transition et v tribu borelienne, Soit v une et loi de équivalence près) répartition initiale~ une comme canonique. Prenons pour (Q ~ F) les applications coordonnées. Définissons les DEMONSTRATION. - Nous allons exhiber l’espace B un processus 3-08 t~ == 0 . t.... ~~ des parties B-mesurables de Il est immédiat que probabilité. exposé 2, p. 5. de ces La limite répartitions Opérateurs E , THÉORÈME rable P" , nous DÉMONSTRATION. 1, page 3. Désormais, bornées pv sur ou gauche . système projectif de lois d’après le théorème 4.1 , un donc (0, F) . d’associer Si v est la P ~ la loi P" . Nous espérances mathématiques. 5. - Soit A telles que nous venons noterons pour des Q lit de droite à fait se présent exposé. que le même espace X , et l’on sur sont A ... de translation. Les différentes lois x , AO La vérification du caractère markovien du processus obtenu û. point se finies forment projective pV existe utilisant le théorème 3 du sur grande intégrale X. La en définies et sont des instants croissants où un événement La famille H lois initiales v unité ?x placée sont au utiliserons de même les symboles initiale v, x ~P~(A) est B-mesu- la relation f(w), F-mesurables, des fonctions bornées sur vérifie les hypothèses du théorème 5, exposé = nous masse F . La fonction de a, pour toute loi aux considérerons des mesures non, la relation ci-dessus étant initiales v positives quelconques, prise pour définition de la mesure ({2, F) . teS . On appelle opérateur de translation par t , et on note l’application de Q dans 0 qui associe à la trajectoire w la trajectoire et u définie par la relation cette application est évidemment w) = Soit mesurable. Les et opèrent est la fonction leur {X f aussi sur et les fonctions (si f est une fonction sur 0, et f particulier sur les ensembles de F , identifiés à fonction caractéristique. Ainsi, le translaté de l’ensemble cylindrique e A On a alors A1 ... e A } est l’ensemble A1 ... X.. ~ le résultat 0 en XSn suivant, qui exprime {X.. de manière très commode la sn n}. propriété de Markov ? 3-09 THÉOREME o. - Soient x ~ EX[ p] tion X ; sur ’-presque sûrement, on a quelle DÉMONSTRATION. - L’espace à cette qui satisfont et bornée, F-mesurable, fonction une la fonc- la relation : que soit la vectoriel mesure des fonctions bornées et H relation, vérifie initiale 03BD. les hypothèses du F-mesurables, théorème 5 (exposé nO’ 1, 3). p. D. Exemples de fonctions de transition. Nous allons déterminer certaines culs que nous Nous dirons ferons dans le qu’une cas probabilités où X = de transition importantes. Les cal- R , s’étendent bien fonction do transition sur R à R w est invariante par translation A) Pt (0 , A - x) est vérifiée identiquement. Notons 7~ la mesure dx) . Il est immédiat que, pour toute fonction borélienne bornée + autrement dit, si l’on désigne f sur R , on a f) y) même, par o l’opérateur de symétrie par rapport à comme semi-groupe de si la répartition de Xt pour un processus admettant on a la relation transition LI équation de ChapmanHt * Kolmogorov devient donc simplement l’équation de convolution x s * nt = si la relation = = Cette relation t w~ t ~ a une sont des importante signification probabiliste, elle exprime que, si sont indétemps croissants, les accroissements - pendants. EXEMPLE. - On appelle fonction de transition du mouvement brownien la fonction de transition invariante par translation définie par la relation constante prise où dy est la en général égale mesure de à 2) Lebesgue. On définit de même le mouvement brownien à n dimensions, où (où Î est une 3-10 On le théorème de a donne la forme de tous représentation générale qui ces semi- groupes de convolution. THEOREME qu’il de existe Khintchine-Lévy. - Soit semi-groupe logarithme de un suffit que le de convolution probabilité loi de une tel {nt} que 03C01 Fourier la transformée de R. Pour sur , il faut et il = et soit de la existe, forme où a, a sont des pas de masses à positive bornée telle représentation est unique . M constantes, et l’origine. Une comportant ne une mesure III. Martingales et semi-martingales (~ ~ F , A. DEFINITION. - Soit un p processus stochastique à valeurs On dit que le dans R, adapté a une f amille de tribus processus {Xt } est une.martingale (resp. super-martingale, sous-martingale) relativement aux tribus si : Ft ’ 1° Les variables aléatoires sont (s ~ t) 2° On a, pour tout couple Lorsqu’aucune intégrables. famille de tribus n’est . d’instants tels que mentionnée, s ~t, la relation il est sous-entendu que RFMARQUES. 1° Dans ce dernier cas, il est clair que la condition ci-dessus est à la suivante : pour tout Xt processus n1 Xt n = équivalent 2° La restriction système d’instants (resp. ~,~). Si nous d’intégrabilité parlerons Propriétés évidentes a. {Xt}’ {Ft}’ Soient tribus positives), sur un un tl ... processus est t , on a martingale, t , une tout l’est aussi. tion fondamentale ci-dessus positives ; croissants équivalente des garde est un peu gênante. Il est clair que la rela- lorsque les Xt sont, par exemple, martingales (super-, sous-) généralisées. son sens alors de martingales et semi-martingales. deux super-martingales même espace. Les processus Yt)}, sont des par rapport {aXt une même famille de ( a , b , + supen-martingales à par rapport aux constantes Ft . 3-11 {Xt} b. Soient martingale, une bles aléatoires -g sont Xt. 0 une g intégrables, fonction convexe {g le processus R. Si les varia- sur 0 X.} une sous- est martingale . Exemples de martingales~ (0, F , p) 1° Soit un, espace muni d’une loi de des sous-tribus de aléatoire intégrable tivement aux 2° Soient Soit O. Le processus sur Xt t . Soit avec = E[x)F] est X une une variable martingale rela- 0 intégra°=les, d’espérance mathématique indépendantes (ou plus généralement telles que et nulle, Ft X F , qui croissent et soient probabilité, la S des variables aléatoires + somme ... + S processus est une martingale. 3° Le mouvement brownien linéaire issu de l’origine (et plus généralement tout processus à accroissements indépendants, dont les variables aléatoires sont intégrables et ont une espérance mathématique nulle) est une martingale. Deux exemples fondamentaux $ THÉORÈME 1 - valeurs dans (0, Scit (X , B) , F ,p v , {Xt BE0) (.0 R+ = markovien par rapport à une N ), ou un processus à {Ft} famille de tribus admet- A) comme probabilité de transition* Soit initiale, f une fonction positive B-mesurable sur X. Pour que le processus {e 20143~b f 0 XJ (où X est une constante positive ou nulle), soit une super-martingale généralisée par rapport aux P pour toute mesure initiale v , il faut et il suffit que l’on A~ ait pour tout te" Pt tant 03BD comme mesure Démonstration facile. Une telle fonction f est dite THEOREME un une 2. - Soient famille rapport aux adaptée (0, F , P , processus A) et admette comme une martingale par rapport aux stochastique, {Fj’ soit markovien par de tribus" Pour que le processus probabilité de transition, il faut et il suffit que, pour toute fonction mesurable bornée pour toute fonction continue à support soit 03BB-surmédiane. f (ml si E le processus est un espace