Martingales 1

Département GMM
4ème année Spécialité MMS
Martingales et Applications
Aldéric Joulin
A. Joulin
Bureau 115 - GMM
ajoulin@insa-toulouse.fr
Table des matières
0 Espérance conditionnelle 5
0.1 Quelques éléments sur les tribus . . . . . . . . . . . . . . . . . . . . . . . . 5
0.2 Espérance conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1 Martingales 11
1.1 Définition et premières propriétés . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 Martingales de carré intégrable . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3 Théorème d’arrêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2 Inégalités maximales et convergence 23

2.1 Inégalités maximales de Doob . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Convergence des martingales . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3 Le cas de la convergence L1 . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4 LGN et TCL pour les martingales . . . . . . . . . . . . . . . . . . . . . . . 33
2.5 Une ouverture vers les statistiques . . . . . . . . . . . . . . . . . . . . . . . 40
Bibliographie
3
4 TABLE DES MATIÈRES
Chapitre 0
Rappels sur l’espérance

conditionnelle
0.1 Quelques éléments sur les tribus

Avant de rentrer dans le coeur du sujet, faisons quelques rappels sur la notion de
tribu.
Définition 0.1.1. Soit Ω un ensemble et A une famille de parties de Ω. On dit que A
est une tribu (sur Ω) si :
(i) Ω ∈ A.
(ii) pour tout ensemble A ∈ A, on a Ac ∈ A, où Ac désigne le complémentaire de
A dans Ω (stabilité par passage au complémentaire).
(iii) pour toute famille (An )n∈N de Ω satisfaisant An ∈ A pour tout n ∈ N, alors
∪n∈N An ∈ A (stabilité par union dénombrable).
En particulier, on appelle tribu engendrée par une classe de parties C de Ω la plus
petite tribu sur Ω contenant C, c’est-à-dire l’intersection de toutes les tribus contenant C.
On la note σ(C). Un exemple classique est la tribu borélienne sur Ω = Rd , où C désigne
l’ensemble des ouverts (ou fermés) de Rd .
Dans la suite de ce cours, l’espace de probabilité sur lequel les variables aléatoires
(v.a.) sont définies est noté (Ω, A, P).
Définition 0.1.2. Étant donnée une v.a. X à valeurs dans un espace mesurable (E, E),
on appelle tribu engendrée par X, et on la note σ(X), la sous-tribu de A engendrée par
l’ensemble des images réciproques de X. Autrement dit,
σ(X) := σ {X −1 (B) : B ∈ E}

5
6 CHAPITRE 0. ESPÉRANCE CONDITIONNELLE
= σ ({{ω ∈ Ω : X(ω) ∈ B} ; B ∈ E})

= σ ({{X ∈ B} ; B ∈ E}) ,
où la dernière égalité est simplement une notation. Il s’agit donc de la plus petite tribu
sur Ω rendant X mesurable. De même, si X1 , . . . , Xn sont des v.a. à valeurs dans (E, E),
alors on définit la tribu engendrée par ces v.a. comme
σ (X1 , . . . , Xn ) := σ ({∩ni=1 {Xi ∈ Bi } ; B1 , . . . , Bn ∈ E}) .
À présent, nous allons énoncer un résultat très utile en pratique, le lemme de Doob,
dû à un célèbre probabiliste américain du milieu de 20ème siècle. En particulier, ce lemme
nous donne un critère simple pour établir la mesurabilité d’une v.a. réelle (v.a.r.) Y par
rapport à la tribu engendrée par d’autres v.a.r. X1 , . . . , Xn .
Lemme 0.1.3. (Doob)
Étant données des v.a.r. X1 , . . . , Xn , une autre v.a.r. Y est σ(X1 , . . . , Xn )-mesurable si
et seulement s’il exite une fonction borélienne h : Rn → R telle que Y = h(X1 , . . . , Xn ).
0.2 Espérance conditionnelle

Maintenant, nous sommes en mesure d’introduire la notion d’espérance condition-
nelle. Dans la suite et sauf mention du contraire, toutes nos v.a. seront à valeurs réelles
(donc des v.a.r.). Par ailleurs, étant donné un nombre p ∈ [1, +∞], nous noterons pour
alléger la notation Lp := Lp (Ω, A, P) et Lp (F) = Lp (Ω, F, P), où
n o
p p 1/p
L (Ω, A, P) := v.a. X : kXkLp := E [|X| ] < +∞ ,
et Lp (Ω, F, P) est le sous-ensemble de Lp (Ω, A, P) constitué des v.a. F-mesurables. Enfin,

on rappelle qu’une propriété faisant intervenir des v.a. est vérifiée presque sûrement (on
note p.s.) si elle est vérifiée pour tout ω en dehors d’un ensemble négligeable, i.e. de
probabilité 0. Il s’agit simplement de la version probabiliste du “presque partout”, une
probabilité étant une mesure de masse totale égale à 1. Par exemple, on rencontre souvent
cette notion lorsque l’on a une égalité entre deux v.a.r. (on parle de v.a. équivalentes), ou
encore une inégalité, un résultat de convergence, etc...
Définition et théorème 0.2.1. Soit X une v.a. appartenant à l’espace L2 (respective-
ment à L1 ) et soit F une sous-tribu quelconque de A. Alors il existe une v.a. Y dans
L2 (F) (resp. dans L1 (F)), unique à équivalence près, telle que pour toute v.a. Z ∈ L2 (F)
(resp. tout événement A ∈ F),
E [XZ] = E [Y Z] (resp. E [X1A ] = E [Y 1A ]).
On note Y = E [X | F] : c’est l’espérance conditionnelle de X sachant la tribu F.
0.2. ESPÉRANCE CONDITIONNELLE 7
Démonstration. Nous n’allons faire que la démonstration dans L2 (F), le cas L1 (F) se
traitant ensuite par densité et un passage à la limite. Posons F = L2 (F), qui est un espace
de Hilbert donc complet (i.e. toute suite de Cauchy converge pour la norme associée). De
plus, F étant inclus dans L2 , il est fermé (tout sous-espace complet d’un espace métrique,
non nécessairement complet, est fermé). Ainsi, par le théorème du supplémentaire ortho-
gonal d’un fermé dans un espace de Hilbert, on a
L2 = F ⊕ F ⊥ ,
c’est-à-dire que l’espace L2 se décompose comme la somme directe de F et de son ortho-

gonal F ⊥ défini par
F ⊥ := {U ∈ L2 : E[U Z] = 0 pour tout Z ∈ F }.
En d’autres termes, toute v.a. de L2 se décompose de manière unique comme la somme de

2 v.a., l’une dans F et l’autre dans F ⊥ . Lorsque l’on applique ce résultat à X on obtient
l’existence et l’unicité d’une v.a. Y ∈ F telle que X = Y + (X − Y ) où X − Y est dans
F ⊥ . Ainsi, on en déduit que pour tout Z ∈ F ,
E[(X − Y ) Z] = 0,
c’est-à-dire le résultat désiré.

Cette définition généralise le cas de l’espérance conditionnelle définie par rapport à
une tribu engendrée par une partition, que vous avez pu voir dans le cours de Compléments
de Probabilités. Notons par ailleurs que nous imposons de l’intégrabilité dans la définition
de l’espérance conditionnelle afin de s’assurer que cette dernière ait un sens, mais cette
hypothèse peut bien évidemment être relaxée en supposant que X est seulement positive,
auquel cas E[X | F] peut prendre la valeur +∞. De surcroı̂t, on peut montrer que l’on ne
change pas la notion d’espérance conditionnelle dans le cas intégrable en remplaçant les
indicatrices 1A par des v.a. Z ∈ L∞ (F), c’est-à-dire des v.a. F-mesurables et bornées (cf. le
cours de théorie de la mesure et l’approximation des fonctions mesurables bornées par des
suites de fonctions étagées). On rappelle qu’une v.a. Z est dite bornée s’il existe un nombre
(déterministe) c ≥ 0 tel que P(|Z| ≤ c) = 1 (c’est le cas des v.a. de Bernoulli, binomiale,
uniforme sur un intervalle, tandis que les v.a. de Poisson, géométrique, exponentielle,
normale ne le sont pas).
Tout comme l’espérance et comme conséquence directe des résultats classiques issus
de la théorie de la mesure, l’espérance conditionnelle satisfait les propriétés de linéarité,
de positivité, de convergences monotone et dominée, mais aussi les inégalités de Jensen,
de Cauchy-Schwarz et de Hölder.
Proposition 0.2.2. L’espérance conditionnelle vérifie les propriétés suivantes.

(i) Si X ≥ 0 p.s. alors E [X | F] ≥ 0 p.s.
(ii) L’application X → E [X | F] est linéaire.
(iii) (Convergence monotone) Soit (Xn )n∈N une suite croissante de v.a. positives,
tendant p.s. vers une v.a. X. Alors on a la convergence p.s.
lim E[Xn | F] = E[X | F].

n→+∞
(iv) (Lemme de Fatou) Soit (Xn )n∈N une suite de v.a. positives. Alors p.s.,
E[lim inf Xn | F] ≤ lim inf E[Xn | F].

n→+∞ n→+∞
(v) (Convergence dominée) Soit (Xn )n∈N une suite de v.a. tendant p.s. vers une
v.a. X et telles que supn∈N |Xn | ≤ V ∈ L1 . Alors p.s.,
lim E[Xn | F] = E[X | F].

n→+∞
(vi) (Inégalité de Jensen) Si ϕ : R → R est une fonction convexe telle que

E[|ϕ(X)|] < +∞, alors on a l’inégalité p.s.,
ϕ (E[X | F]) ≤ E[ϕ(X) | F].
(vii) (Inégalité de Hölder) Soient X, Y deux v.a. respectivement dans Lp et Lq , où

p et q vérifient 1/p + 1/q = 1 avec p, q > 1. Alors on a l’inégalité p.s.,
|E[XY | F]| ≤ (E[|X|p | F])1/p (E[|Y |q | F])1/q .
Pour p = q = 2 c’est la célèbre inégalité de Cauchy-Schwarz.

En pratique, les propriétés que l’on utilise le plus souvent sont les suivantes.
Proposition 0.2.3. Soit X une v.a. intégrable. Alors l’espérance conditionnelle vérifie
les propriétés suivantes.
(i) E [E [X | F]] = E [X].
(ii) Si les tribus σ(X) et F sont indépendantes, alors E [X | F] = E [X].
(iii) Si X est F-mesurable, alors E [X | F] = X.
(iv) Si G ⊂ F alors E [E [X | F] | G] = E [X | G].
(v) Si Y est une v.a. F-mesurable avec de surcroı̂t le produit XY qui est intégrable,
alors
E [XY | F] = Y E [X | F] .
0.2. ESPÉRANCE CONDITIONNELLE 9
(vi) Supposons que X est F-mesurable et soit Y une v.a. indépendante de F. Soit
2
h : R → R une application borélienne telle que E[|h(X, Y )|] < ∞. Alors on a
E[h(X, Y ) | F] = H(X), avec H(x) = E [h(x, Y )] .
(vii) Si X est de carré intégrable, alors E [X | F] est le projeté orthogonal de X

sur le sous-espace fermé L2 (F).
Démonstration. (i) : Prendre Z = 1 qui est bien F-mesurable et bornée.
(ii) : Supposons les tribus σ(X) et F indépendantes. Alors pour toute v.a. F-mesurable
et bornée Z,
E [X Z] = E [X] E [Z] .
Or E [X] étant constante, elle est bien F-mesurable et donc on obtient le résultat par
unicité de l’espérance conditionnelle.
(iii) : Même raisonnement que précédemment.
(iv) et (v) : Il suffit de l’écrire (un peu pénible tout de même).
(vi) : Démonstration admise.
(vii) : La v.a. Y := E[X | F] est le projeté orthogonal de X sur le fermé F := L2 (F) si
et seulement si
Y ∈ F and kX − Y kL2 = inf kX − ZkL2 .
Z∈F
On sait déjà que Y ∈ F . Ainsi, soit Z ∈ F et posons U := X −Y ∈ F ⊥ et V := Y −Z ∈ F ,

comme différence de deux éléments de F . Alors E [U V ] = 0 et l’on obtient
E (X − Z)2 = E (U + V )2

= E U 2 + E V 2 + 2 E [U V ]

= E U2 + E V 2 ,

quantité qui est minimale pour le choix de V = 0, i.e. Z = Y .

Chapitre 1
Martingales
Les martingales proviennent en partie de la théorie des jeux. Si Mn désigne la

fortune d’un joueur à l’instant n et Fn l’information disponible sur le jeu jusqu’à ce même
instant n, la suite (Mn )n∈N est une martingale si en moyenne et connaissant Fn , la fortune
du joueur à l’instant suivant vaut Mn . Ce concept traduit le fait que le jeu est équitable.
L’exemple le plus simple est le suivant : à chaque instant n, vous jouez à pile ou face
avec la même pièce de monnaie, chacune des deux faces étant obtenue avec probabilité
1/2. Vous gagnez (resp. perdez) un Euro si vous faites pile (resp. face). La suite de v.a.
(Mn )n∈N , où Mn désigne votre fortune à l’instant n, est alors une martingale. En revanche,
si la probabilité d’obtenir pile (resp. face) est p (resp. 1−p), où le paramètre p est différent
de 1/2, alors on a affaire à une sous ou sur-martingale selon la valeur de p, la symétrie
du jeu étant brisée et le jeu étant biaisé. Du point de vue mathématique, les martingales
sont des suites de v.a. ayant un certain nombre de propriétés agréables, en particulier en
terme de convergence. L’objectif de ce cours est donc à la fois de présenter les propriétés
générales de ces processus et de voir à travers différents exemples comment elles peuvent
être utilisées en modélisation mathématique.
1.1 Définition et premières propriétés

Tout d’abord, commençons par un élément de sémantique issue de la théorie du
calcul stochastique, c’est-à-dire de l’étude des phénomènes aléatoires indexés par le temps
continu.
Définition 1.1.1. Un processus stochastique (ou aléatoire) à temps discret est une suite
de v.a., non nécessairement indépendantes.
Dans la suite on parlera simplement de processus.
11
12 CHAPITRE 1. MARTINGALES
Définition 1.1.2. Une suite (Fn )n∈N de sous-tribus de A est appelée une filtration de
l’espace (Ω, A, P) si
F0 ⊂ F1 ⊂ · · · ⊂ Fn ⊂ · · · ⊂ A.
L’espace (Ω, A, (Fn )n∈N , P) est alors appelé un espace de probabilité filtré.
La notion de tribu est liée à l’information dont nous disposons. Ainsi, supposer
cette suite de tribus croissante traduit simplement le fait que plus on avance dans le
temps, plus on a d’informations.
Définition 1.1.3. Un processus (Mn )n∈N est adapté à une filtration (Fn )n∈N si Mn est
Fn -mesurable pour tout n ∈ N.
Si Mn est Fn−1 -mesurable pour tout n ∈ N∗ , alors (Mn )n∈N est dit prévisible.
Notons qu’un processus prévisible est forcément adapté. Par ailleurs, le processus
(Mn )n∈N est évidemment adapté à sa filtration naturelle, définie par Fn := σ(M0 , M1 , . . . , Mn )
pour tout n ∈ N.
Définition 1.1.4. Considérons un processus (Mn )n∈N intégrable (tous ses éléments le
sont) et adapté à une filtration (Fn )n∈N . On dit que le processus (Mn )n∈N est (pour
(Fn )n∈N ) une
(i) martingale si E[Mn+1 | Fn ] = Mn pour tout n ∈ N.
(ii) surmartingale si E[Mn+1 | Fn ] ≤ Mn pour tout n ∈ N.
(iii) sous-martingale si E[Mn+1 | Fn ] ≥ Mn pour tout n ∈ N.
Ainsi, le processus intégrable (Mn )n∈N qui est adapté à la filtration (Fn )n∈N est
une martingale si et seulement si pour tout événement A ∈ Fn , on a l’égalité
E [Mn+1 1A ] = E [Mn 1A ] .
Dans le cas d’une sous ou surmartingale, il faut remplacer l’égalité par l’inégalité qui
convient. Observons par ailleurs qu’une martingale est à la fois une surmartingale et une
sous-martingale. Enfin, elle est forcément d’espérance constante, tandis que celle d’une
surmartingale décroı̂t et celle d’une sous-martingale croı̂t.
Donnons-nous quelques exemples bien sympathiques que l’on rencontre souvent en
pratique.
(i) Si (Xn )n∈N ∗ désigne une suite
Pn de v.a. indépendantes et intégrables, alors le
processus (Sn )n∈N ∗ défini par Sn := i=1 Xi est une martingale (resp. surmartingale,
sous-martingale) pour la filtration engendrée par la suite (Xn )n∈N ∗ lorsque pour tout
n ∈ N∗ , on a E[Xn ] = 0 (resp. E[Xn ] ≤ 0, E[Xn ] ≥ 0). Notons que nous n’avons pas
supposé que les v.a. étaient de même loi.
1.1. DÉFINITION ET PREMIÈRES PROPRIÉTÉS 13
(ii) Même conclusion pour le processus donné pour tout n ∈ N∗ par Mn := Sn2 −nσ 2 ,
sous réserve que les Xi ont même variance σ 2 .
(iii) Si (Xn )n∈N ∗ désigne une suite de v.a.
Qnindépendantes, intégrables et d’espérance
commune égale à 1, alors le processus Mn := i=1 Xi est une martingale par rapport à la
filtration naturelle de (Xn )n∈N ∗ .
(iv) Si (Mn )n∈N est un processus intégrable, centré (chaque élément l’est), et à
accroissements indépendants (c’est-à-dire que la suite (Mn+1 − Mn )n∈N forme une suite
de v.a. indépendantes), alors c’est une martingale par rapport à sa filtration naturelle.
(v) Si (Fn )n∈N est une filtration quelconque et X une v.a. intégrable, alors Mn :=
E[X | Fn ] est une martingale pour (Fn )n∈N .
Proposition 1.1.5. Soit (Mn )n∈N un processus intégrable et adapté à une filtration
(Fn )n∈N . Alors c’est une martingale si et seulement si pour tous n, p ∈ N,
E[Mn+p | Fn ] = Mn .
On a le même résultat lorsque (Mn )n∈N est une sous ou surmartingale (remplacer l’égalité
par l’inégalité qui convient).
Démonstration. La condition suffisante est triviale (prendre p = 1). Pour la condition
nécessaire, notons que l’on a pour p ∈ N∗ ,
" p #
X
E[Mn+p | Fn ] = E (Mn+i − Mn+i−1 ) + Mn | Fn
i=1
p
X
= E [E [Mn+i − Mn+i−1 | Fn+i−1 ] | Fn ] + Mn
i=1
= Mn ,
car (Fn )n∈N étant une filtration, on a Fn ⊂ Fn+i−1 pour tout i ∈ {1, . . . , p}.
Dans la suite, nous supposerons l’espace de probabilité filtré par une filtration
générique (Fn )n∈N . Dans la proposition suivante, on présente quelques propriétés immédiates.
Proposition 1.1.6. (i) L’opposé d’une surmartingale est une sous-martingale, et inver-
sement.
(ii) La somme de deux surmartingales (resp. sous-martingales) est une surmartingale
(resp. sous-martingale).
(iii) L’ensemble des martingales forme un espace vectoriel sur R.
(iv) Si l’on compose une martingale avec une fonction convexe, on obtient une sous-
martingale (sous l’hypothèse d’intégrabilité).
Démonstration. Les trois premières propriétés sont immédiates. Pour la dernière, il suffit
d’utiliser l’inégalité de Jensen pour l’espérance conditionnelle.
Par exemple, si (Mn )n∈N est une martingale alors (|Mn |p )n∈N avec p ≥ 1 (sous
réserve que chaque Mn est dans Lp ) et (Mn+ )n∈N sont des sous-martingales. Par ailleurs,
on déduit de la proposition précédente que la plupart des résultats valables pour une
sous-martingale le sera aussi pour une surmartingale, quitte à modifier légèrement les
hypothèses (transformer un + en −, une suite croissante en suite décroissante, etc...).
À présent, introduisons deux notions importantes à propos des martingales : la
décomposition de Doob et la transformation prévisible.
Théorème 1.1.7. (Décomposition de Doob d’une sous-martingale)

Soit (Xn )n∈N une sous-martingale. Alors, il existe une unique martingale (Mn )n∈N et un
unique processus croissant prévisible (An )n∈N , intégrable et issu de 0, tels que
Xn = Mn + An , n ∈ N.
Démonstration. Pour l’existence, on définit récursivement les processus (Mn )n∈N et (An )n∈N
de la manière suivante : A0 = 0 et M0 = X0 puis pour tout n ≥ 1,
Mn = Mn−1 + Xn − Xn−1 − E[Xn − Xn−1 | Fn−1 ]

An = An−1 + E[Xn − Xn−1 | Fn−1 ].
On vérifie aisément que (Mn )n∈N est une martingale par construction, que (An )n∈N est
un processus croissant par la propriété de sous-martingale de la suite (Xn )n∈N , prévisible
et intégrable par construction. Enfin, ils satisfont Xn = Mn + An pour tout n ∈ N.
Pour l’unicité, supposons qu’il existe deux couples de processus (Mn )n∈N , (An )n∈N et
(Nn )n∈N , (Bn )n∈N vérifiant la conclusion, et montrons qu’ils sont égaux. Comme pour
tout n ∈ N,
Xn = Mn + An = Nn + Bn ,
on a que
Mn − Nn = Bn − An , n ∈ N.
Ainsi, le processus (Bn − An )n∈N est une martingale et l’on obtient pour tout n ∈ N,
E[Bn+1 − An+1 | Fn ] = Bn − An .
Or les processus (An )n∈N et (Bn )n∈N étant supposés prévisibles, on a
E[Bn+1 | Fn ] = Bn+1 et E[An+1 | Fn ] = An+1 .
Autrement dit, le processus (Bn − An )n∈N est constant et vaut donc B0 − A0 = 0. Ainsi,
les processus (An )n∈N et (Bn )n∈N coı̈ncident et donc les processus (Mn )n∈N et (Nn )n∈N
aussi.
1.2. MARTINGALES DE CARRÉ INTÉGRABLE 15
L’intérêt de la décomposition de Doob réside dans le fait que l’étude d’une sous-
martingale peut souvent se ramener à celle d’une martingale, en général plus facile à
appréhender (modulo la présence d’un processus croissant prévisible). Cette remarque
sera illustrée dans la partie convergence des martingales.
La transformation prévisible d’une martingale permet de construire une nouvelle
martingale à partir d’une martingale originelle, sous certaines conditions sur la suite
prévisible.
Définition et théorème 1.1.8. (Transformation prévisible d’une martingale)

Soit (Mn )n∈N une martingale et soit (An )n∈N ∗ un processus prévisible. La transformation
prévisible de la martingale (Mn )n∈N par le processus (An )n∈N ∗ est définie par le processus
donné par M f0 = M0 et
n
X
M
fn := M
f0 + Ai (Mi − Mi−1 ), n ∈ N∗ .
i=1
Si les v.a. An sont bornées, alors (M

fn )n∈N est une martingale.
Démonstration. Tout d’abord, remarquons que (M fn )n∈N est clairement adapté par rap-
port à la filtration (Fn )n∈N , et que la bornitude des An assure simplement l’intégrabilité
des éléments Mfn . Étant donné un entier n, on a par la prévisibilité de An+1 ,
h i
E Mn+1 − Mn | Fn = E [An+1 (Mn+1 − Mn ) | Fn ]
f f
= An+1 E [Mn+1 − Mn | Fn ]
= 0,
car (Mn )n∈N est une martingale.
1.2 Martingales de carré intégrable

Dans cette partie, nous allons nous intéresser à une sous-classe très importante des
martingales : les martingales de carré intégrable. En particulier, cette étude va donner lieu
à une version à temps discret d’un objet fondamental de la théorie du calcul stochastique :
l’intégrale stochastique d’Itô.
Définition 1.2.1. Un processus (Xn )n∈N est dit de carré intégrable, ou simplement dans
L2 , si E[Xn2 ] < +∞ pour tout n ∈ N.
Le résultat suivant est la version L2 du théorème de transformation prévisible.

La démonstration, laissée en exercice, est la même que celle effectuée dans le cas clas-
sique, avec en plus le caractère L2 (il faut montrer que le processus (M fn )n∈N est de
carré intégrable). Notons que la transformation prévisible peut être vue comme une
discrétisation temporelle de la célèbre intégrale stochastique d’Itô.
Théorème 1.2.2. (Transformation prévisible d’une martingale, version L2 )

Soit (Mfn )n∈N la transformation prévisible d’une martingale de carré intégrable (Mn )n∈N
par le processus prévisible (An )n∈N ∗ , supposé borné. Alors (M
fn )n∈N est une martingale de
carré intégrable.
À présent, nous allons introduire la variation quadratique d’une martingale de

carré intégrable.
Définition et théorème 1.2.3. Soit (Mn )n∈N une martingale de carré intégrable. Alors il
existe un unique processus croissant et prévisible, intégrable et issu de 0, appelé la variation
quadratique de (Mn )n∈N et noté ([M, M ]n )n∈N , tel que le processus (Mn2 − [M, M ]n )n∈N
soit une martingale.
La variation quadratique admet la représentation suivante : [M, M ]0 = 0 et pour tout
n ∈ N∗ ,
Xn
E (Mi − Mi−1 )2 | Fi−1 .

[M, M ]n =
i=1
Démonstration. La martingale (Mn )n∈N étant de carré intégrable, le processus (Mn2 )n∈N
est une sous-martingale et par la décomposition de Doob, il existe une unique martingale
(Nn )n∈N et un unique processus croissant (An )n∈N , prévisible, intégrable et issu de 0, tels
que
Mn2 = Nn + An , n ∈ N.
Le processus (An )n∈N est la variation quadratique de la martingale de carré intégrable
(Mn )n∈N , et est noté dans la suite ([M, M ]n )n∈N .
À présent, établissons l’expression explicite de la variation quadratique. Pour ce faire il
suffit de montrer, par unicité de la décomposition de Doob, que le processus suivant est
une martingale : N0 := M02 et
n
X
Nn := Mn2 − E (Mi − Mi−1 )2 | Fi−1 , n ∈ N∗ .

i=1
On a pour tout n ∈ N,
2
| Fn ] − Mn2 − E (Mn+1 − Mn )2 | Fn

E[Nn+1 − Nn | Fn ] = E[Mn+1
1.2. MARTINGALES DE CARRÉ INTÉGRABLE 17
2
| Fn ] − Mn2 − E Mn+1
2
| Fn − Mn2 + 2Mn E [Mn+1 | Fn ]

= E[Mn+1
2
| Fn ] − Mn2 − E Mn+1
2
− Mn2 | Fn

= E[Mn+1
= 0,
car le processus (Mn )n∈N est une martingale.

Notons que nous avons démontré le résultat suivant, que l’on utilise souvent en
pratique : si (Mn )n∈N est une martingale de carré intégrable, alors on a pour tout n ∈ N,
E (Mn+1 − Mn )2 | Fn = E Mn+1
2
| Fn − Mn2 .

Par ailleurs, en prenant l’espérance de la martingale (Mn2 − [M, M ]n )n∈N , on obtient
E Mn2 = E M02 + E [[M, M ]n ] , n ∈ N,

et en particulier
Var(Mn ) = Var(M0 ) + E [[M, M ]n ] , n ∈ N,
une identité nous permettant souvent de calculer la variance d’une martingale de carré
intégrable lorsque l’on connaı̂t explicitement sa variation quadratique. Enfin, le dernier
résultat de cette partie est une formule exprimant la variation quadratique de la trans-
formation prévisible en fonction de celle de la martingale originelle. Nous nous servirons
de ce résultat dans le prochain chapitre pour démontrer la loi des grands nombres pour
les martingales.
Théorème 1.2.4. (Variation quadratique d’une transformation prévisible)

Soit (M
fn )n∈N la transformation prévisible d’une martingale de carré intégrable (Mn )n∈N
par le processus prévisible (An )n∈N ∗ , supposé borné. Alors on a la formule suivante : pour
tout n ∈ N∗ ,
X n
[M
f, Mf]n = A2i ([M, M ]i − [M, M ]i−1 ) .
i=1
Démonstration. On a [M f]0 = 0 par définition et pour tout n ∈ N,

f, M
n
X h i
2
[M
f, M
f]n = E (Mi − Mi−1 ) | Fi−1
f f
i=1
n
X
E A2i (Mi − Mi−1 )2 | Fi−1

=
i=1
n
X
A2i E (Mi − Mi−1 )2 | Fi−1

=
i=1
n
X
= A2i ([M, M ]i − [M, M ]i−1 ) ,
i=1
car le processus (An )n∈N ∗ est prévisible, d’où le résultat désiré.
1.3 Théorème d’arrêt

Dans cette partie, nous allons établir le théorème d’arrêt pour les martingales,
résultat très utile en pratique, par exemple lorsque l’on considère le problème de la ruine
du joueur. Avant tout, définissons la tribu correspondant à l’ensemble des informations
disponibles. C’est la tribu engendrée par toutes les tribus Fn , à savoir
F∞ := σ (∪n≥0 Fn ) .
En d’autres termes, c’est la plus petite tribu contenant toutes les tribus Fn . On rap-
pelle que l’union de tribus n’étant pas forcément une tribu, il nous faut prendre dans la
définition la tribu engendrée par l’union des tribus. À présent, introduisons la notion de
temps d’arrêt relativement à la filtration (Fn )n∈N .
Définition 1.3.1. Une v.a. entière τ , pouvant prendre la valeur +∞, est un temps d’arrêt
pour la filtration (Fn )n∈N si pour tout n ∈ N,
{τ ≤ n} ∈ Fn .
Notons que dans cette définition on peut remplacer l’événement {τ ≤ n} par {τ = n}. En
effet, la propriété “{τ ≤ n} ∈ Fn pour tout n ∈ N” est équivalent à celle “{τ = n} ∈ Fn
pour tout n ∈ N”.
Pour illuster cette notion de temps d’arrêt, prenons l’exemple d’un joueur rentrant
avec une somme S0 dans un casino. On note Sn sa fortune à l’instant n. Ce joueur décide
de jouer tant qu’il a encore de l’argent dans son portefeuille (on suppose le casino ouvert
24h sur 24). Cela signifie qu’il joue jusqu’à l’instant
τ := inf{n ∈ N : Sn = 0},
qui est un temps d’arrêt pour la filtration naturelle de la suite (Sn )n∈N . En effet, on a
pour tout n ∈ N,
n
[
{τ ≤ n} = {Si = 0} ∈ Fn .
i=0
Dans la proposition suivante, on énonce quelques propriétés des temps d’arrêt,
dont les démonstrations sont immédiates. On note dans la suite a ∧ b = min{a, b} et
a ∨ b = max{a, b}.
1.3. THÉORÈME D’ARRÊT 19
Proposition 1.3.2. Soient τ1 et τ2 deux temps d’arrêt. Alors τ1 ∧ τ2 , τ1 ∨ τ2 et τ1 + τ2

sont des temps d’arrêt.
Étant donné un temps d’arrêt τ , on définit la famille d’événements suivante :
Fτ := {A ∈ F∞ : A ∩ {τ ≤ n} ∈ Fn ∀n ∈ N} .
On peut démontrer que cette famille est une tribu, appelée tribu des événements antérieurs
à τ . Là aussi, remplacer l’inégalité par une égalité ne modifie en rien la tribu (on pourra
utiliser cette définition alternative par la suite). Notons par ailleurs que si τ n’est pas un
temps d’arrêt, l’univers Ω n’est plus dans la famille Fτ qui n’est plus une tribu.
De cette définition relativement difficile, il faut retenir que Fτ représente l’ensemble des
informations dont on dispose à l’instant aléatoire τ . La proposition suivante justifie les
résultats auxquels on s’attend en considérant la tribu des événements antérieurs à un
temps d’arrêt.
Proposition 1.3.3. On a les propriétés suivantes :
(i) Si τ (ω) = k pour tout ω ∈ Ω, alors τ est un temps d’arrêt et Fτ = Fk (il n’y a
donc pas d’ambiguı̈té de notation).
(ii) Le temps d’arrêt τ est Fτ -mesurable.
(iii) Si τ1 ≤ τ2 , alors Fτ1 ⊂ Fτ2 .
(iv) On a l’égalité Fτ1 ∧τ2 = Fτ1 ∩ Fτ2 .
Démonstration. (i) Si τ est constant alors on a {τ ≤ n} = Ω ou ∅ selon que n ≥ k ou
n < k. Dans les deux cas l’événement {τ ≤ n} appartient à la tribu Fn , d’où τ est un
temps d’arrêt.
À présent, montrons par double inclusion que Fτ = Fk . Si A ∈ Fk alors on a :
◦ si n ≥ k alors A ∩ {τ ≤ n} = A ∈ Fk ⊂ Fn ;
◦ si n < k alors A ∩ {τ ≤ n} = ∅ ∈ Fn .
D’où A ∈ Fτ . Quant à l’autre inclusion, on note que si A ∈ Fτ alors A ∩ {τ ≤ n} ∈ Fn
pour tout n ∈ N, en particulier pour n ≥ k on obtient que A ∈ Fk .
(ii) Le temps d’arrêt τ est Fτ -mesurable si pour tout k ∈ N, on a {τ = k} ∈ Fτ , c’est-
à-dire si pour tous k, n ∈ N, on a {τ = k} ∩ {τ = n} ∈ Fn , ce que l’on démontre sans
difficulté après avoir considéré les cas n 6= k et n = k.
(iii) Soit A ∈ Fτ1 . Comme τ1 ≤ τ2 , on a pour tout n ∈ N,
A ∩ {τ2 ≤ n} = A ∩ {τ1 ≤ n} ∩ {τ2 ≤ n} ∈ Fn ,
comme intersection de deux événements de la tribu Fn (τ2 est un temps d’arrêt).
(iv) La première inclusion étant immédiate par (iii), démontrons seulement l’inclusion
Fτ1 ∩ Fτ2 ⊂ Fτ1 ∧τ2 . Soit A ∈ Fτ1 ∩ Fτ2 . On a pour tout n ∈ N,
A ∩ {τ1 ∧ τ2 ≤ n} = (A ∩ {τ1 ≤ n}) ∪ (A ∩ {τ2 ≤ n}) ∈ Fn ,
comme union de deux événements de la tribu Fn . Ainsi, A ∈ Fτ1 ∧τ2 , d’où l’inclusion
désirée.
Dans la pratique, comme par exemple pour le problème de la ruine du joueur, ce
qui nous intéresse est le comportement d’un processus (Xn )n∈N évalué au temps d’arrêt
τ . S’il est supposé fini p.s., alors on peut définir la v.a. Xτ comme
X
Xτ := 1{τ =n} Xn .
n∈N
On montre facilement que Xτ est Fτ -mesurable. Lorsque que le temps d’arrêt prend la
valeur +∞, c’est-à-dire que P(τ = +∞) > 0, nous pouvons toujours le tronquer en
considérant plutôt pour un entier n donné le temps d’arrêt n ∧ τ , qui est fini et même
borné. Dans ce cas, la v.a. Xn∧τ est bien définie.
Énonçons à présent le théorème d’arrêt pour les martingales (valable aussi pour
les sous et surmartingales sous les mêmes hypothèses, sous réserve de modifier les égalités
par les inégalités qui conviennent).
Théorème 1.3.4. (Théorème d’arrêt pour les martingales)
Soit (Mn )n∈N une martingale et soit τ un temps d’arrêt. Alors le processus arrêté
(Mn∧τ )n∈N est aussi une martingale. De plus, si τ1 ≤ τ2 sont deux temps d’arrêt bornés,
alors on a
E [Mτ2 | Fτ1 ] = Mτ1 et E[Mτ1 ] = E[Mτ2 ] = E[M0 ].
Démonstration. Quitte à remplacer (Mn )n∈N par la martingale (Mn − M0 )n∈N , supposons
sans perte de généralité que M0 = 0 (ce que l’on fera de temps en temps dans la suite
de ce cours). La v.a. τ étant un temps d’arrêt, les v.a. définies pour tout n ∈ N∗ par
An := 1{τ ≥n} forment un processus prévisible. De plus, on a
n
X n∧τ
X
Ai (Mi − Mi−1 ) = (Mi − Mi−1 ) = Mn∧τ ,
i=1 i=1
ce qui entraı̂ne que la suite (Mn∧τ )n∈N est la transformation prévisible de la martingale
(Mn )n∈N par rapport à (An )n∈N ∗ . Ainsi, c’est une martingale par le théorème 1.1.8 et
la première affirmation du théorème est démontrée. Le lecteur averti aura noté que cette
propriété de martingale peut être démontrée directement : montrer d’abord l’intégrabilité,
ensuite le fait que (Mn∧τ )n∈N est adapté à la filtration sous-jacente, puis la propriété de
martingale en remarquant que
Mn∧τ = Mn 1{τ ≥n} + Mτ 1{τ <n}
n−1
X
= Mn 1{τ ≥n} + Mi 1{τ =i} .
i=1
1.3. THÉORÈME D’ARRÊT 21
Démontrons maintenant les deux égalités. Supposons τ2 borné par une constante
positive κ. Comme (Mn∧τ2 )n∈N est une martingale, on a pour n0 := bκc + 1 (la notation
b·c désignant la partie entière) et tout événement A ∈ Fτ1 que
E [Mτ2 1A ] = E [Mn0 ∧τ2 1A ]

0 −1
nX

= E Mn0 ∧τ2 1{τ1 =p}∩A car τ1 < n0
p=0
0 −1
nX

= E Mp∧τ2 1{τ1 =p}∩A car {τ1 = p} ∩ A ∈ Fp
p=0
= E [Mτ1 ∧τ2 1A ]
= E [Mτ1 1A ] ,
c’est-à-dire, en terme d’espérance conditionnelle, que
E [Mτ2 | Fτ1 ] = Mτ1 .
Enfin, si τ désigne τ1 ou τ2 , comme p.s. Mn∧τ −→ Mτ et que

n→+∞
n∧τ
X
|Mn∧τ | ≤ |Mi − Mi−1 |
i=1
Xκ
≤ (|Mi | + |Mi−1 |),
i=1
qui est intégrable sans dépendre de n, le théorème de convergence dominée entraı̂ne que
E[Mτ ] = lim E[Mn∧τ ] = 0.

n→+∞
Ainsi, le théorème d’arrêt est démontré dans sa totalité.

Chapitre 2
Inégalités maximales et théorèmes

de convergence
2.1 Inégalités maximales de Doob

Lorsque l’on étudie un processus aléatoire, une question importante en pratique
est de savoir contrôler son évolution. En particulier, il s’avère que pour les sous et sur-
martingales positives, nous pouvons obtenir des inégalités sur son processus supremum,
à savoir
Mn∗ := sup Mk , n ∈ N.
0≤k≤n
On les appelle inégalités maximales de Doob. Dans cette partie, nous établissons des
inégalités maximales pour les sous et surmartingales positives qui nous serviront comme
ingrédient de base dans la démonstration des théorèmes de convergence. En particulier,
une fois que tous les résultats ci-dessous seront démontrés pour les sous-martingales po-
sitives, ils seront immédiatement valables pour des martingales, en remplaçant Mn∗ par
sup0≤k≤n |Mk |.
Théorème 2.1.1 (Inégalités maximales de Doob). Soit (Mn )n∈N une sous-martingale
positive. Alors pour tout n ∈ N,
E[Mn 1{Mn∗ ≥λ} ] E[Mn ]

P(Mn∗ ≥ λ) ≤ ≤ , λ > 0.
λ λ
Par ailleurs, si (Mn )n∈N a tous ses éléments dans Lp , où p ≥ 1, alors pour tout n ∈ N,
E[Mnp ]
P(Mn∗ ≥ λ) ≤ , λ > 0.
λp
23
24 CHAPITRE 2. INÉGALITÉS MAXIMALES ET CONVERGENCE
Enfin, si (Mn )n∈N une surmartingale positive, on a
∗ E[M0 ]
P(M∞ ≥ λ) ≤ , λ > 0.
λ
Démonstration. Établissons tout d’abord la première inégalité. Notons que pour une
sous-martingale, on a
Mk ≤ E[Mn | Fk ], 0 ≤ k ≤ n,
ce qui entraı̂ne que pour tout A ∈ Fk , en multipliant par 1A et en prenant l’espérance,
E[Mk 1A ] ≤ E[Mn 1A ].
Par ailleurs, on peut écrire l’identité suivante : pour tout λ > 0,
{Mn∗ ≥ λ} = {τλ ≤ n}, n ∈ N,
où τλ est le temps d’arrêt τλ := inf{n ∈ N : Mn ≥ λ}. Si τλ ≤ n, alors on a Mτλ ≥ λ et

l’on peut écrire
λ 1{τλ ≤n} ≤ Mτλ 1{τλ ≤n} .
En passant à l’espérance et en utilisant l’inégalité entre espérances précédente, on obtient
λ P(τλ ≤ n) = λ E[1{τλ ≤n} ]

≤ E[Mτλ 1{τλ ≤n} ]
Xn
= E[Mk 1{τλ =k} ]
k=0
n
X
≤ E[Mn 1{τλ =k} ] car {τλ = k} ∈ Fk
k=0
= E[Mn 1{τλ ≤n} ],
ce qui conclut la démonstration de la première inégalité.

Pour la seconde inégalité, on notera que si (Mn )n∈N est une sous-martingale positive
telle que Mn ∈ Lp pour tout n ∈ N, alors (Mnp )n∈N est une sous-martingale positive et
l’inégalité précédente s’applique.
Enfin, pour la troisième inégalité, le processus (Mn )n∈N étant une surmartingale positive,
il suffit de reprendre le raisonnement précédent pour aboutir à l’inégalité
λ P(τλ ≤ n) ≤ E[M0 1{τλ ≤n} ] ≤ E[M0 ],
et le théorème de convergence monotone achève la démonstration.

2.2. CONVERGENCE DES MARTINGALES 25
Ce qui est remarquable dans les inégalités maximales, c’est que l’on réussit à
faire passer le “sup” à l’extérieur de la probabilité. De plus, on voit que l’on contrôle
ici l’évolution du processus par l’espérance de la valeur initiale ou de la valeur terminale
du processus. À présent, donnons une seconde inégalité maximale, comparant l’espérance
du processus supremum avec celle du processus originel.
Théorème 2.1.2 (Inégalités de Doob Lp ). Soit p > 1. Supposons que (Mn )n∈N soit une
sous-martingale positive telle que Mn ∈ Lp pour tout n ∈ N. Alors pour tout n ∈ N,
Mn∗ ∈ Lp et p
∗ p p
E[(Mn ) ] ≤ E[Mnp ].
p−1
Démonstration. Tout d’abord, le fait que Mn∗ ∈ Lp est une conséquence des inégalités
n
!p n
X X
∗ p
(Mn ) ≤ Mk ≤ (n + 1) p−1
Mkp .
k=0 k=0
En se ramenant à la première inégalité maximale du théorème 2.1.1, il vient

Z ∞
∗ p
E[(Mn ) ] = p xp−1 P(Mn∗ ≥ x) dx
Z0 ∞
≤ p xp−2 E[Mn 1{Mn∗ ≥x} ] dx
0
Z Mn∗
= p E[Mn xp−2 dx]
0
p
= E[Mn (Mn∗ )p−1 ]
p−1
p
≤ E[Mnp ]1/p E[(Mn∗ )p ](p−1)/p ,
p−1
où dans la dernière inégalité nous avons utilisé l’inégalité de Hölder avec les exposants p
et q = p/(p − 1). Enfin, on regroupe les termes comme il faut dans l’inégalité ci-dessus et
ceci achève la démonstration.
L’inégalité de Doob la plus utilisée est celle pour l’espace L2 , c’est-à-dire

E sup |Mk | ≤ 4 E Mn2 , n ∈ N.
2

0≤k≤n
2.2 Convergence des martingales

L’une des raisons qui expliquent l’importance des martingales sont les théorèmes de
convergence, qui garantissent qu’une martingale converge p.s. sous des hypothèses souvent
faciles à vérifier. Commençons par énoncer un premier résultat dans le cas des martingales
bornées dans L2 , dont la preuve repose essentiellement sur une inégalité maximale de
Doob.
Théorème 2.2.1. Soit (Mn )n∈N une martingale bornée dans L2 , i.e.
sup E Mn2 < +∞.

n∈N
Alors la suite (Mn )n∈N converge p.s. et dans L2 vers une v.a. M∞ ∈ L2 .
En particulier, une martingale bornée (i.e. telle que la v.a. supn∈N |Mn | est bornée) est
p.s. convergente.
Démonstration. Pour toute paire arbitraire de rationnels a < b, notons l’ensemble

Aa,b := ω ∈ Ω : lim inf Mn (ω) ≤ a < b ≤ lim sup Mn (ω) .
n→+∞ n→+∞
Ainsi, la suite (Mn )n∈N va converger p.s. (éventuellement vers l’infini) à partir du moment
où l’on montre que P(∪a,b∈Q Aa,b ) = 0. Afin de faire le rapprochement avec les inégalités
maximales, observons que l’on a

b−a
Aa,b ⊂ ω ∈ Ω : sup |Mk (ω) − Mm (ω)| ≥ , m ∈ N.
k≥m 2
En effet, si ω ∈ Aa,b , alors pour tout m ∈ N,
b − a ≤ sup Mk (ω) − inf Mk (ω)

k≥m k≥m
= sup |Mk (ω) − Ml (ω)|

k,l≥m
≤ 2 sup |Mk (ω) − Mm (ω)|.
k≥m
Considérons à présent les accroissements définis par dk := Mk − Mk−1 , k ∈ N∗ . Comme

la suite (Mn )n∈N est de carré intégrable, on en déduit que les (dk )k∈N ∗ sont orthogonaux
entre eux. En effet, on a pour tous 1 ≤ k < l,
E [dk dl ] = E [(Mk − Mk−1 ) (Ml − Ml−1 )]

= E [Mk Ml ] − E [Mk Ml−1 ] − E [Mk−1 Ml ] + E [Mk−1 Ml−1 ]
= E [E[Mk Ml | Fk ]] − E [E[Mk Ml−1 | Fk ]] − E [E[Mk−1 Ml | Fk−1 ]]
+E [E[Mk−1 Ml−1 | Fk−1 ]]
= E [Mk E[Ml | Fk ]] − E [Mk E[Ml−1 | Fk ]] − E [Mk−1 E[Ml | Fk−1 ]]
+E [Mk−1 E[Ml−1 | Fk−1 ]]

= E Mk2 − E Mk2 − E Mk−1
2 2
+ E Mk−1
= 0.
Comme précédemment nous pouvons supposer sans perte de généralité que M0 = 0, et
l’on obtient alors  !2 
n
X Xn
E[Mn2 ] = E  E d2k ,

dk  =
k=1 k=1
qui est la somme partielle d’une série convergente par l’hypothèse de L2 -bornitude. Par
ailleurs, le processus (Mk+m − Mm )k∈N étant une martingale (pour la filtration translatée
(Fk+m )k∈N ), la suite (Mk0 )k∈N définie pour tout k ∈ N par Mk0 := (Mk+m − Mm )2 est une
sous-martingale positive et l’inégalité de Doob du théorème 2.1.1, combinée au lemme de
Fatou, s’applique de la manière suivante :
(b − a)2

b−a 0
P sup |Mk − Mm | ≥ = P sup Mk ≥
k≥m 2 k≥0 4
4
≤ lim inf E [Mk0 ]
(b − a)2 k→∞
4
= 2
sup E [Mk0 ]
(b − a) k≥0
k+m
4 X
= sup E d2i
(b − a)2 k≥0 i=m
4 X
= E d2i .
(b − a)2 i≥m
Enfin, le terme de droite tend vers 0 lorsque m → +∞, ce qui démontre que P(Aa,b ) = 0,
et donc que P(∪a,b∈Q Aa,b ) = 0, toute union dénombrable d’ensembles négligeables restant
négligeable.
Pour démontrer la seconde assertion, notons M∞ la limite p.s. de la martingale (Mn )n∈N .
Par le lemme de Fatou, on a
2
≤ lim inf E Mn2 ≤ sup E Mn2 < +∞,

E M∞
n→+∞ n∈N
d’où M∞ est non seulement finie mais aussi dans L2 . Enfin, la convergence dans L2 est
immédiate d’après ce qui précède :
X
E (M∞ − Mn )2 = E d2k −→ 0.

n→+∞
k≥n+1
Notons que d’après la formule que nous avons déjà vue,
E Mn2 = E M02 + E [[M, M ]n ] , n ∈ N,

une martingale de carré intégrable est bornée dans L2 si et seulement si [M, M ]∞ ∈ L1 .

À présent, donnons un résultat de convergence pour les sous et surmartingales. En parti-
culier, une martingale positive étant une surmartingale positive, elle est p.s. convergente.
Théorème 2.2.2. Une sous-martingale bornée, tout comme une surmartingale positive,
est p.s. convergente.
Démonstration. Commençons par démontrer la première assertion. Soit (Xn )n∈N une sous-
martingale bornée en valeur absolue par K (une constante déterministe indépendante de
n) et notons Xn = Mn + An sa décomposition de Doob. On a
E[An ] = E[Xn ] − E[M0 ] ≤ 2K,
et donc par convergence monotone, E[A∞ ] ≤ 2K, d’où A∞ < +∞ p.s. On pose
τp = inf{n ≥ 0 : An+1 > p}, p ∈ N.
On montre facilement que τp est un temps d’arrêt et, par le théorème d’arrêt, le processus
arrêté (Mn∧τp )n∈N est une martingale. Par ailleurs on a An∧τp ≤ p et donc
|Mn∧τp | = |Xn∧τp − An∧τp | ≤ K + p,
c’est-à-dire que la martingale arrêtée est bornée, donc p.s. convergente par le théorème
2.2.1. Comme on a Xn = Xn∧τp lorsque τp = +∞, on en déduit que la sous-martingale
(Xn )n∈N converge p.s. sur l’événement {τp = +∞}. En utilisant la convergence monotone
à deux reprises, on a pour tout p ∈ N,
P (τp < +∞) = lim P (τp ≤ n)

n→+∞
= lim P (An+1 > p)
n→+∞
= P (A∞ > p) ,
probabilité qui tend vers 0 lorsque p tend vers l’infini, la v.a. A∞ étant p.s. finie. D’où la
convergence monotone entraı̂ne que P (∩p∈N {τp < +∞}) = 0, c’est-à-dire que ∪p∈N {τp =
+∞} est un événement de probabilité 1. Finalement, la sous-martingale (Xn )n∈N conver-
geant p.s. sur l’événement ∪p∈N {τp = +∞}, on en déduit qu’elle converge p.s., ce qui
achève la démonstration de la première assertion.
À présent si (Xn )n∈N est une surmartingale positive, la fonction exponentielle étant
convexe et croissante, le processus (e−Xn )n∈N est une sous-martingale à valeurs dans l’in-
tervalle [0, 1]. Par ce qui précède on obtient la convergence p.s. de cette sous-martingale,
et donc celle de (Xn )n∈N , qui peut néanmoins tendre vers +∞. Si l’on note X∞ cette
limite, le lemme de Fatou nous donne
E [X∞ ] ≤ lim inf E [Xn ] ≤ E [X0 ] ,
n→+∞
la dernière inégalité étant due à la propriété de surmartingale. On en déduit que X∞ <

+∞ p.s., ce qui termine la preuve.
Si l’on reprend la démonstration précédente en remplaçant la décomposition de
Doob de la sous-martingale positive (Xn )n∈N par celle de (Mn2 )n∈N , où (Mn )n∈N est une
martingale de carré intégrable, alors en notant le temps d’arrêt
τp = inf{n ≥ 0 : [M, M ]n+1 > p},
on montre que la martingale arrêtée (Mn∧τp )n∈N est bornée dans L2 , donc est p.s. conver-
gente. Ainsi, (Mn )n∈N converge p.s. sur l’événement {τp = +∞} et comme on a
[
{τp = +∞} = {[M, M ]∞ < +∞},
p∈N
on en déduit que la martingale converge p.s. si [M, M ]∞ < +∞ p.s. On a démontré le

résultat suivant.
Théorème 2.2.3. Soit (Mn )n∈N une martingale de carré intégrable. Si l’on a [M, M ]∞ <
+∞ p.s., la martingale est p.s. convergente.
Un autre critère intéressant pour assurer la convergence p.s. des sous-martingales
est la bornitude dans L1 . Notons que contrairement au cas L2 (ou même Lp comme on le
verra ci-dessous), la bornitude dans L1 n’entraı̂ne pas en général la convergence dans L1 .
Théorème 2.2.4. Soit (Xn )n∈N une sous-martingale bornée dans L1 , i.e.
sup E [|Xn |] < +∞.
n∈N
Alors le processus (Xn )n∈N est p.s. convergent.

Démonstration. Pour démontrer ce résultat, il suffit de montrer que (Xn )n∈N s’écrit comme
la différence d’une martingale positive et d’une surmartingale positive, puis d’appliquer le
théorème précédent. Soit Xn+ = Mn + An la décomposition de Doob de la sous-martingale
(Xn+ )n∈N . On a
E [A∞ ] = sup E [An ] ≤ E [|M0 |] + sup E [|Xn |] < +∞.
n∈N n∈N
Ainsi, le processus (Yn )n∈N défini par Yn = Mn + E [A∞ | Fn ] est une martingale comme
somme de deux martingales. Par ailleurs, comme le processus (An )n∈N est croissant et
adapté (car prévisible), on a
Yn = Mn + E [A∞ | Fn ] ≥ Mn + An = Xn+ ≥ 0,
c’est-à-dire que (Yn )n∈N est une martingale positive. Enfin, le processus (Yn − Xn )n∈N est
une surmartingale comme somme de deux surmartingales, qui est positive car Yn ≥ Xn+ ≥
Xn . La démonstration est établie.
À présent, nous sommes en mesure d’énoncer la version Lp des théorèmes de conver-
gence pour les martingales.
Théorème 2.2.5. Étant donné p > 1, soit (Mn )n∈N une martingale bornée dans Lp , i.e.
sup E [|Mn |p ] < +∞.

n∈N
Alors le processus (Mn )n∈N converge p.s. et dans Lp vers une v.a. M∞ ∈ Lp .
Démonstration. La martingale (Mn )n∈N étant bornée dans Lp , elle est donc bornée dans
L1 par l’inégalité de Hölder, donc p.s. convergente par le théorème précédent. Ainsi, notons
∗
M∞ sa limite p.s. Par ailleurs, d’après l’inégalité de Doob Lp , la v.a. M∞ = supn∈N |Mn |
p
appartient à l’espace L . Grâce à l’inégalité suivante :
∗
|Mn − M∞ | ≤ 2M∞ ,
on peut appliquer le théorème de convergence dominée pour obtenir la convergence dans

Lp , à savoir
lim E [|Mn − M∞ |p ] = 0.
n→+∞
2.3 Le cas de la convergence L1

Étudions en détail le cas de la convergence L1 qui est plus délicat et pour le-
quel nous avons une complète caractérisation. Pour ce faire, introduisons tout d’abord le
concept d’intégrabilité uniforme.
Définition 2.3.1. Une famille de v.a. (Xi )i∈I est dite uniformément intégrable si

lim sup E |Xi | 1{|Xi |>a} = 0.
a→+∞ i∈I
2.3. LE CAS DE LA CONVERGENCE L1 31
L’intérêt d’introduire cette notion est qu’elle va nous permettre d’obtenir la conver-
gence dans L1 à partir de la convergence p.s., lorsque le théorème de convergence dominée
ne s’applique pas.
Proposition 2.3.2. Si une suite (Xn )n∈N est uniformément intégrable et converge p.s.
vers une v.a. X∞ , alors X∞ ∈ L1 et la convergence a aussi lieu dans L1 .
Démonstration. Notons pour tout a > 0 la quantité

ρ(a) := sup E |Xn | 1{|Xn |>a} .
n∈N
Tout d’abord par le lemme de Fatou,

E |X∞ | 1{|X∞ |>a} ≤ lim inf E |Xn | 1{|Xn |>a}
n→+∞
≤ ρ(a),
ce qui entraı̂ne que X∞ ∈ L1 et même E[|X∞ |] ≤ ρ(a) + a. Maintenant, on majore

|Xn − X∞ | de la manière suivante :
|Xn − X∞ | ≤ |Xn − X∞ | 1{|Xn |≤a} + |X∞ | 1{|Xn |>a} + |Xn | 1{|Xn |>a} .
Les deux premiers termes sont majorés respectivement par a + |X∞ | et |X∞ |, tous deux
dans L1 , donc le théorème de convergence dominée entraı̂ne que

E |Xn − X∞ | 1{|Xn |≤a} −→ 0 et E |X∞ | 1{|Xn |>a} −→ E |X∞ | 1{|X∞ |>a} ≤ ρ(a),
n→+∞ n→+∞
tandis que le troisième et dernier terme est majoré en espérance par ρ(a). Ainsi, on obtient
que
lim sup E [|Xn − X∞ |] ≤ 2ρ(a),
n→+∞
et nous concluons la preuve en observant que ρ(a) → 0 lorsque a → +∞.

La proposition suivante nous donne des critères intéressants en pratique pour
établir la propriété d’intégrabilité uniforme.
Proposition 2.3.3. Les assertions suivantes sont vérifiées.

(i) Si une famille de v.a. (Xi )i∈I est bornée par une v.a. intégrable, alors elle est
uniformément intégrable.
(ii) S’il existe p > 1 tel que la famille de v.a. (Xi )i∈I soit bornée dans Lp , i.e.
sup E [|Xi |p ] < +∞,

i∈I
alors elle est uniformément intégrable.

(iii) Une famille de v.a. (Xi )i∈I est uniformément intégrable si et seulement si elle
est bornée dans L1 et équicontinue, i.e. pour tout ε > 0, il existe η > 0 tel que
P(A) < η =⇒ sup E [|Xi | 1A ] < ε.

i∈I
Démonstration. Le point (i) est immédiat en utilisant le théorème de convergence do-

minée, tandis que pour le point (ii), on utilise les inégalités de Hölder puis de Chebyshev.
Établissons le point (iii). On a pour tout A ∈ A et tout a > 0,
E[|Xi | 1A ] ≤ a P(A) + E[|Xi | 1{|Xi |>a} ].
Ainsi, en prenant A = Ω, ceci entraı̂ne par intégrabilité uniforme que supi∈I E[|Xi |] <
+∞. Montrons maintenant l’équicontinuité. Soit ε > 0. On choisit alors a de telle sorte
que supi∈I E[|Xi | 1{|Xi |>a} ] < ε/2. De l’inégalité ci-dessus, il s’ensuit
ε
sup E[|Xi | 1A ] ≤ a P(A) + .
i∈I 2
Enfin, le choix de η := ε/(2a) nous permet d’établir l’équicontinuité.
Réciproquement, posons M := supi∈I E [|Xi |] < +∞. Alors pour tout i ∈ I, l’inégalité de
Chebyshev nous dit que
M
sup P(|Xi | > a) ≤ ,
i∈I a
et par suite, le choix de a assez grand et l’équicontinuité achèvent la démonstration de
l’intégrabilité uniforme.
En particulier, si une v.a. est intégrable, alors on peut adapter la preuve précédente
pour montrer, en utilisant le théorème de convergence dominée, qu’elle est équicontinue.
Ceci se généralise à une famille finie de variables aléatoires.
À présent, nous sommes en mesure d’établir la caractérisation de la convergence
dans L1 des martingales.
Théorème 2.3.4. Soit (Mn )n∈N une martingale. Alors les assertions suivantes sont
équivalentes :
(i) il existe une v.a. Z ∈ L1 telle que
Mn = E[Z | Fn ], n ∈ N.
(ii) la martingale (Mn )n∈N est uniformément intégrable.

(iii) la martingale (Mn )n∈N converge p.s. et dans L1 vers une variable M∞ ∈ L1 .
Dans ce cas, on a Z = M∞ et la martingale (Mn )n∈N est dite fermée (par M∞ ).
2.4. LGN ET TCL POUR LES MARTINGALES 33
Démonstration. (i) ⇒ (ii) : étant donné un entier n, considérons l’ensemble An :=

{|Mn | > a}. D’après les inégalités de Chebyshev puis de Jensen, on a
supn∈N E [|Mn |] E [|Z|]

sup P(An ) ≤ ≤ .
n∈N a a
Par ailleurs, An étant Fn -mesurable, l’inégalité de Jensen entraı̂ne aussi
E [|Mn | 1An ] ≤ E [|Z| 1An ] .
La v.a. Z étant équicontinue car intégrable, pour tout ε > 0, il existe η > 0 tel que pour
tout n ∈ N,
P(An ) < η =⇒ E [|Z| 1An ] < ε.
Il suffit enfin de choisir a assez grand de sorte que supn∈N P(An ) < η, et on aura alors
E [|Mn | 1An ] < pour tout n ∈ N, autrement dit l’intégrabilité uniforme.
(ii) ⇒ (iii) : la martingale (Mn )n∈N étant uniformément intégrable, elle est bornée dans
L1 par la proposition 2.3.3, et donc elle converge p.s. par le théorème 2.2.4. Une fois la
convergence p.s. établie, la convergence dans L1 est immédiate par la proposition 2.3.2.
(iii) ⇒ (i) : notons que pour tous n, p ∈ N et tout A ∈ Fn , la propriété de martingale
entraı̂ne que
|E [(M∞ − Mn ) 1A ]| = |E [(M∞ − Mn+p ) 1A ]|

≤ E [|M∞ − Mn+p )|]
−→ 0.
p→+∞
Finalement, on obtient que E [(M∞ − Mn ) 1A ] = 0 pour tout A ∈ Fn , donc que Mn =

E[M∞ | Fn ].
On en déduit par le théorème 2.2.5 que toute martingale bornée dans un Lp , où
p > 1, est fermée.
2.4 Loi des grands nombres et théorème central li-

mite pour les martingales
On a vu précédemment qu’une martingale de carré intégrable dont la variation
quadratique admet une limite p.s. est p.s. convergente. En revanche, quel résultat de
convergence peut-on établir lorsque la variation quadratique tend vers l’infini ? Pour ob-
tenir un résultat de convergence, il faut renormaliser la martingale de carré intégrable par
sa variation quadratique : nous rentrons dans le cadre de la loi des grands nombres. Avant
de donner le résultat, rappelons le lemme de Kronecker qui est un résultat de convergence
pour les séries numériques.
Lemme 2.4.1 (Kronecker). Soit (an )n∈N une suite de nombres strictement positifs ten-
dant vers l’infini à l’infini et (xn )n∈N une suite de nombres réels. Si la série de terme
général xn /an converge, alors
n
1 X
lim xk = 0.
n→+∞ an
k=1
Démonstration. Soit (un )n∈N la suite définie par

n
X xk
un = , u0 = 0,
k=1
ak
qui est convergente par hypothèse. Notons u la somme de la série. On a

n n n
1 X 1 X 1 X
xk = ak (uk − uk−1 ) = un − uk−1 (ak − ak−1 ).
an k=1 an k=1 an k=1
Pour montrer la convergence désirée, il nous faut montrer que la suite (ρn )n∈N donnée par
n
1 X
ρn = uk−1 (ak − ak−1 ) − u,
an k=1
tend vers 0 lorsque n tend vers l’infini. On a pour tout p ∈ {0, · · · , n − 1},
p
n
1 X 1 X a
p
|ρn | ≤ u (a − a ) + (u − u)(a − a k−1 +
) |u|

k−1 k k−1 k−1 k
an k=1 an an

k=p+1
p
1 X |an − ap | ap

≤ uk−1 (ak − ak−1 ) + sup |uk−1 − u| + |u|.
an an an

k≥p+1
k=1
En passant à la limite en n, on a pour tout p ∈ N,

lim sup |ρn | ≤ 0 + sup |uk−1 − u| + 0,
n→+∞ k≥p+1
la suite (an )n∈N tendant vers l’infini à l’infini. Enfin en passant à la limite en p dans
l’inégalité, on obtient
lim sup |ρn | ≤ lim sup |uk−1 − u| = lim sup |up − u| = 0,
n→+∞ p→+∞ k≥p+1 p→+∞
d’où la conclusion.
À présent, nous allons énoncer la loi des grands nombres (LGN) pour les martin-
gales. La dénomination est due au fait que ce résultat est une généralisation de la LGN
pour les v.a. i.i.d., sous l’hypothèse supplémentaire d’un moment d’ordre deux.
Théorème 2.4.2 (LGN). Soit (Mn )n∈N une martingale de carré intégrable. Si p.s.,
[M, M ]∞ = +∞, alors on a la convergence p.s. suivante :
Mn
lim = 0.
n→+∞ [M, M ]n
Démonstration. Considérons le processus (Xn )n∈N défini par X0 = 0 et

n
X Mk − Mk−1
Xn = , n ≥ 1.
k=1
1 + [M, M ]k
On remarque que (Xn )n∈N est la transformation prévisible de la martingale (Mn )n∈N par
le processus prévisible et borné (1/(1 + [M, M ]n ))n∈N . Ainsi, par le théorème 1.2.2, le
processus (Xn )n∈N est une martingale de carré intégrable. De plus, le théorème 1.2.4 nous
donne la variation quadratique de la transformation prévisible : pour tout m ∈ N∗ ,
m
X [M, M ]i − [M, M ]i−1
[X, X]m =
i=1
(1 + [M, M ]i )2
m
X [M, M ]i − [M, M ]i−1
≤
i=1
(1 + [M, M ]i )(1 + [M, M ]i−1 )
m
X 1 1
= −
i=1
1 + [M, M ] i−1 1 + [M, M ]i
1 1
= −
1 + [M, M ]0 1 + [M, M ]m
≤ 1,
la variation quadratique étant un processus croissant. Ainsi, par le théorème 2.2.3, la

martingale (Xn )n∈N est p.s. convergente. Enfin, comme on a supposé que [M, M ]∞ = +∞
p.s., on peut appliquer le lemme de Kronecker aux suites aléatoires an = 1 + [M, M ]n et
xn = Mn − Mn−1 (x0 = M0 ) et l’on obtient que la suite

Mn Mn − M0 M0 1 + [M, M ]n
= + × ,
[M, M ]n 1 + [M, M ]n 1 + [M, M ]n [M, M ]n
converge p.s. vers 0, ce qui achève la démonstration de la LGN pour les martingales.
Comme nous l’avons mentionné ci-dessus, le résultat précédent généralise la LGN

pour les v.a. i.i.d., au sens où elles ne sont plus nécessairement de même loi. Le prix à
payer pour cette amélioration est de supposer qu’elles sont de carré intégrable et non
seulement intégrables.
Théorème 2.4.3. Soit (Xn )n∈N ∗ une suite de v.a. indépendantes (non nécessairement
de même loi) et de carré intégrable. Posons mn = E[Xn ] et σn2 = Var(Xn ). Si la série
numérique de terme général (σn )n∈N ∗ diverge, alors on a la convergence p.s. suivante :
n
1 X
lim Pn × (Xk − mk ) = 0.
n→+∞
k=1 σk2 k=1
Démonstration. Soit (Mn )n∈N le processus défini par
∗
n
X
Mn = (Xk − mk ), n ∈ N∗ .
k=1
Le processus (Mn )n∈N ∗ étant la somme de v.a. indépendantes, intégrables et centrées,

nous avons vu que (Mn )n∈N ∗ était une martingale pour la filtration Fn = σ(X1 , · · · , Xn ),
n ∈ N∗ , qui de surcroı̂t est de carré intégrable. Pour tout n ∈ N∗ , on a
n
X
E (Mk − Mk−1 )2 | Fk−1

[M, M ]n =
k=1
n
X
E (Xk − mk )2 | Fk−1

=
k=1
n
X
E (Xk − mk )2

= car σ(Xk ) et Fk−1 sont indépendantes
k=1
Xn
= Var(Xk )
k=1
Xn
= σk2 .
k=1
Enfin, le théorème 2.4.2 achève la démonstration de cette LGN.

Une fois la LGN pour les martingales établie, on peut se demander si un théorème
central limite (TCL) a lieu. Il s’avère que la réponse à cette question est positive et l’on a
même plusieurs résultats à notre disposition selon les hypothèses que l’on formule sur les
martingales. Cependant, nous n’allons énoncer que celui dont la démonstration n’est pas
trop pénible. Bien évidemment, on retrouve le TCL pour les variables i.i.d. centrées avec
le choix de la suite an = n, sous une hypothèse supplémentaire sur les accroissements.
Théorème 2.4.4 (TCL). Soit M une martingale dont les accroissements satisfont la
propriété de convergence p.s. suivante :
sup E |Mn − Mn−1 |3 | Fn−1 < +∞, p.s.,

n∈N ∗
et soit (an )n∈N une suite positive tendant vers l’infini lorsque n tend vers l’infini. On
suppose qu’il existe une constante σ 2 > 0 telle que l’on ait la convergence p.s. suivante :
[M, M ]n
lim = σ2.
n→+∞ an
Alors on a les convergences en loi
Mn √ Mn
√ =⇒ N (0, σ 2 ) et an =⇒ N (0, σ −2 ).
an n→+∞ [M, M ]n n→+∞
Démonstration. La première convergence en loi est le TCL proprement dit tandis que la
seconde en est une conséquence grâce au point (iii) du lemme de Slutsky énoncé ci-dessous
après la fin de la démonstration. Ainsi, démontrons seulement la première convergence en
loi et considérons pour simplifier la suite an = n (le cas général est identique).
La démonstration se fait en plusieurs étapes.
◦ Étape 1 : tout d’abord notons K le supremum de l’énoncé et pour tout n ∈ N∗ la
quantité
σn2 := E (Mn − Mn−1 )2 | Fn−1 .

L’inégalité de Hölder pour les espérances conditionnelles appliquée avec p = 3/2 et q = 3

indique que l’on a p.s.,
sup σk2 ≤ K 2/3 ,
k∈N ∗
d’où l’inégalité p.s.

n
X
[M, M ]n = σk2 ≤ nK 2/3 .
k=1
◦ Étape 2 : dans la suite, on supposera sans perte de généralité que K = 1. Soient x ∈ R,

y ∈ [0, 1] des paramètres fixés et posons
t2 y

φx,y (t) := exp itx + , t ∈ [−1, 1].
2
Par la formule de Taylor-Lagrange, on a
t2 00 t3
φx,y (t) = φx,y (0) + t φ0x,y (0) + φx,y (0) + Rx,y (t)
2 3!
t2 t3
= 1 + itx + (y − x2 ) + Rx,y (t),
2 6
où Rx,y est une fonction de t, dépendant de x et de y et telle que l’on ait
t2
|Rx,y (t)| ≤ sup |φ000
x,y (s)| ≤ C 1 + |x|
3
e2,
s∈[0,t]
avec C > 0 une constante déterministe dont la valeur n’a aucune importance (dans la
suite, on notera C une telle constante, qui peut changer de ligne à ligne).
◦ Étape 3 : appliquons ceci à la suite de fonctions aléatoires (Zn )n∈N ∗ définie par
t2 σn2

Zn (t) := φMn −Mn−1 ,σn2 (t) = exp it(Mn − Mn−1 ) + , t ∈ [−1, 1].
2
Notons que l’étape 1 nous le permet car l’on a bien σn2 ∈ [0, 1] pour tout n ∈ N∗ . On a
alors
t2
E [Zn (t) | Fn−1 ] = 1 + it E [Mn − Mn−1 | Fn−1 ] + E σn2 − (Mn − Mn−1 )2 | Fn−1

| {z } 2| {z }
= 0 car M martingale = 0 par définition
t3
+ E RMn −Mn−1 ,σn2 (t) | Fn−1
6
= 1 + Vn−1 (t),
où Vn−1 (t) est une v.a. Fn−1 mesurable vérifiant l’inégalité p.s. :
t2
|Vn−1 (t)| ≤ C |t|3 e 2 .
◦ Étape 4 : à présent si l’on pose pour tout n ∈ N∗ la fonction aléatoire
t2 [M, M ]n

Yn (t) := φMn ,[M,M ]n (t) = exp itMn + , t ∈ [−1, 1],
2
on a
E[Yn (t)] = E [Yn−1 (t) Zn (t)]
= E [Yn−1 (t) E [Zn (t) | Fn−1 ]] car Yn−1 (t) est Fn−1 mesurable
= E [Yn−1 (t) (1 + Vn (t))]
= E [Yn−1 (t)] + E [Yn−1 (t) Vn (t)] ,
et l’on démontre facilement par récurrence sur n ∈ N∗ que
E[Yn (t)] = 1 + vn (t),
où vn (t) satisfait l’inégalité

nt2
|vn (t)| ≤ C n|t|3 e 2 .
√
Ainsi on en déduit en remplaçant t par t/ n (t est à présent fixé dans R et non
√ plus dans
[−1, 1] mais comme n a vocation à tendre vers l’infini on peut supposer que t/ n ∈ [−1, 1])
et en passant à la limite dans l’égalité précédente que

t
lim E Yn √ = 1.
n→+∞ n
◦ Étape 5 : par ailleurs on a
Mn t2 σ 2
2 2 2
Mn tσ t [M, M ]n
E exp it √ + − 1 = E exp it √ exp − exp
n 2 n 2 2n

t
+E Yn √ − 1.
n
Montrons que la première espérance dans le terme de droite tend vers 0 lorsque n tend
vers l’infini. On a
2 2 2 2 2 2

exp it √ M n t σ t [M, M ]n t σ t [M, M ] n
exp − exp = exp − exp ,
n 2 2n 2 2n
qui tend p.s. vers 0 lorsque n tend vers l’infini, la suite [M, M ]n /n tendant p.s. vers σ 2
par hypothèse. De plus, comme la suite [M, M ]n /n est bornée par 1 d’après l’étape 1, on
a 2 2 2 2 2 2
exp t σ − exp t [M, M ]n ≤ exp t σ + exp t ,

2 2n 2 2
cette dernière quantité étant bien intégrable car déterministe. Le théorème de convergence
dominée et l’étape 4 nous donnent alors que
Mn t2 σ 2

lim E exp it √ + = 1,
n→+∞ n 2
c’est-à-dire que
t2 σ 2

Mn
lim E exp it √ = exp − .
n→+∞ n 2
Enfin, le théorème de convergence de Lévy (la convergence des fonctions caractéristiques
est équivalente à la convergence en loi) √
nous permet d’obtenir le résultat désiré, à savoir
la convergence en loi de la suite (Mn / n)n∈N ∗ vers une v.a. gaussienne centrée et de
variance σ 2 .
Pour terminer cette partie, on rappelle sans démonstration le lemme de Slutsky.
Lemme 2.4.5 (Lemme de Slutsky). Soient (Xn )n∈N ∗ et (Yn )n∈N ∗ deux suites de v.a.
convergeant en loi respectivement vers un nombre c ∈ R et une v.a. Y . Alors
(i) la somme Xn + Yn converge en loi vers c + Y .
(ii) le produit Xn Yn converge en loi vers c Y .
(iii) le ratio Yn /Xn converge en loi vers Y /c dès que c 6= 0.
Dans l’énoncé, l’hypothèse selon laquelle Xn converge vers une constante est cru-
ciale. En effet, si la limite était une v.a., le résultat ne serait plus valide et il faudrait une
hypothèse plus forte comme la convergence en loi du couple (Xn , Yn ) pour que le résultat
reste vrai. Par ailleurs, le lemme reste valide lorsque l’on remplace toutes les convergences
en loi par des convergences en probabilité.
2.5 Une ouverture vers les statistiques

Terminons ce cours sur les martingales par une application des LGN et TCL vus
ci-dessus à l’estimation paramétrique par maximum de vraisemblance dans un modèle se-
lon lequel les v.a. considérées ne sont plus i.i.d. mais forment une chaı̂ne de Markov. Avant
de rentrer dans les détails, rappelons brièvement le contexte de l’estimation statistique
d’un paramètre inconnu par maximum de vraisemblance. On se donne un n-échantillon
(X1 , . . . , Xn ) d’observations dépendant d’un paramètre inconnu θ ∈ Θ, c’est-à-dire une
suite de v.a. (i.i.d. ou non) dont la loi jointe Pθ dépend de θ. L’ensemble Θ, quant à lui,
est un sous-ensemble de R (ou de Rd , mais dans ce qui va suivre nous ne considérerons
que la dimension 1) supposé implicitement compact ou borné pour assurer des résultats
de régularité suffisants (sur lesquels nous n’insisterons pas). Rappelons que P est une pro-
babilité sur (Ω, A) tandis que Pθ est une probabilité sur l’ensemble des valeurs prises par
le vecteur (X1 , . . . , Xn ) muni de sa tribu naturelle (la tribu borélienne produit dans le cas
d’un espace continu et l’ensemble des parties produit dans le cas discret d’un ensemble
fini ou dénombrable). On suppose aussi que la famille (Pθ )θ∈Θ vérifie la condition d’iden-
tifiabilité, c’est-à-dire que l’application θ 7→ Pθ est injective : si deux lois de probabilités
Pθ1 et Pθ2 sont égales alors θ1 = θ2 .
Définition 2.5.1. On appelle vraisemblance du modèle la fonction Ln : (x1 , . . . , xn , θ) 7→

Ln (x1 , . . . , xn , θ) définie :
- dans le cas de v.a. discrètes par Ln (x1 , . . . , xn , θ) = Pθ ({x1 , . . . , xn }) ;
- dans le cas continu par la densité de la loi jointe du n-échantillon par rapport à
la mesure de Lebesgue, c’est-à-dire Ln (x1 , . . . , xn , θ) = fθ (x1 , . . . , xn ).
La v.a. obtenue en appliquant la fonction (x1 , . . . , xn ) 7→ argmaxθ∈Θ Ln (x1 , . . . , xn , θ) au
2.5. UNE OUVERTURE VERS LES STATISTIQUES 41
n-échantillon (X1 , . . . , Xn ) s’appelle l’estimateur du maximum de vraisemblance (EMV)

du paramètre θ. On le note θ̂n .
Dans le cas où les v.a. sont indépendantes, la loi jointe étant le produit des lois mar-
ginales, la vraisemblance devient simplement le produit des lois marginales. En revanche
ce n’est plus le cas si les v.a. ne sont plus indépendantes comme lorsque le n-échantillon
représente les termes successifs d’une chaı̂ne de Markov. Notons par ailleurs que l’EMV
peut être unique, ne pas être unique, ou même ne pas exister. Lorsque la vraisemblance
est strictement positive et grâce à la croissance stricte du logarithme népérien (noté log
dans la suite), il est équivalent (et souvent plus simple en pratique) de maximiser la
log-vraisemblance, c’est-à-dire le logarithme népérien de la vraisemblance (dans le cas
indépendant le produit se transforme en somme, ce qui est plus simple à dériver). La
recherche de l’EMV est alors un problème d’optimisation de la log-vraisemblance : si c’est
une fonction assez régulière de θ, alors il s’agit :
- de trouver un point critique, i.e. un point pour lequel la dérivée de la log-
vraisemblance s’annule, puis
- de vérifier que la dérivée seconde en ce point est négative (il s’agit donc d’un
maximum local) puis
- de montrer que ce maximum local est en fait global. Ce dernier point est en
général assuré par l’éventuelle concavité de la log-vraisemblance.
Dans le cas des v.a. i.i.d. et sous des hypothèses de régularité raisonnables, l’EMV
est un estimateur consistant de θ, c’est-à-dire qu’il converge en probabilité vers θ lorsque
la taille n de l’échantillon tend vers l’infini. De plus, il est asymptotiquement normal au
sens de la convergence en loi vers une v.a. gaussienne centrée dont la variance est l’inverse
d’une quantité strictement positive appelée l’information de Fisher. En particulier l’EMV
atteint à la limite la borne de Cramer-Rao : il est asymptotiquement sans biais et de
variance minimale : on dit qu’il est asymptotiquement efficace.
Dans le cas des chaı̂nes de Markov, il existe des résultats analogues sous de bonnes
hypothèses de convergence en temps long vers une mesure invariante. Plutôt que d’énoncer
un résultat général, regardons ce que l’on obtient sur un exemple particulier et voyons
comment la théorie des martingales entre en jeu. L’exemple que nous allons étudier fait
partie de la classe importante des processus auto-régressifs d’ordre 1, notés processus
AR(1), intervenant comme modèle de régression pour des séries temporelles (dans lequel
la série est expliquée par ses valeurs passées plutôt que par d’autres variables). Dans la
suite on supposera la condition initiale X0 déterministe par simplicité, mais ce qui va
suivre reste valide dans le cas d’une v.a. quelconque, l’important étant que l’on connaisse
sa loi. En effet, la valeur de la chaı̂ne au temps 0 est observée en pratique et peut donc
être considérée comme connue (sa loi ne dépendra pas du paramètre inconnu θ).
Ainsi, soit (Un )n≥1 une suite i.i.d. de loi commune N (0, 1) et considérons la suite
(Xn )n≥0 définie par récurrence par X0 = x ∈ R∗ et
Xn+1 = θ Xn + Un+1 , n ∈ N,
où θ ∈] − 1, 1[ est un paramètre inconnu que l’on souhaite estimer. La suite (Xn )n≥0
s’écrivant sous la forme
Xn+1 = f (Xn , Un+1 ),
où f : R × R → R est la fonction borélienne f (x, u) = θx + u, et les (Un )n≥1 étant i.i.d.
et (évidemment) indépendantes de X0 , c’est une chaı̂ne de Markov homogène qui est la
version à temps discret d’un processus stochastique à temps continu appelé processus
d’Ornstein-Uhlenbeck. Il n’est pas difficile de montrer que le vecteur (X1 , . . . , Xn ) des ob-
servations est gaussien (la condition d’identifiabilité est alors immédiatement vérifiée).
Plus précisément, comme la densité jointe est le produit des densités conditionnelles
(rappelez-vous votre cours sur les chaı̂nes de Markov), la densité jointe est
n
!
1 1 X
fθ (x1 , . . . , xn ) = exp − (xi − θ xi−1 )2 , (x1 , . . . , xn ) ∈ Rn ,
(2π)n/2 2 i=1
où par convention x0 = x. Ainsi, la log-vraisemblance est donnée par

n
n 1 X
log Ln (x1 , . . . , xn , θ) = − log(2π) − (xi − θ xi−1 )2 , (x1 , . . . , xn ) ∈ Rn .
2 2 i=1
On voit directement que cette fonction est une parabole en θ dont les branches pointent
vers le bas : il s’agit d’une fonction concave et régulière de θ, qui admet donc un unique
maximum. Sa dérivée est
n
∂ X
log Ln (x1 , . . . , xn , θ) = − xi−1 (θ xi−1 − xi ),
∂θ i=1
et le θ pour lequel cette quantité s’annule vaut

Pn
i=1 xi−1 xi
P n 2
.
i=1 xi−1
Notons que ce ratio est bien défini, le dénominateur étant strictement positif (x0 = x 6= 0).
Ainsi l’EMV est égal à
Pn Pn
i=1 Xi−1 Xi i=1 Xi−1 Ui Mn
θ̂n = Pn 2
= θ+ P n 2
= θ+ ,
i=1 Xi−1 i=1 Xi−1 [M, M ]n
2.5. UNE OUVERTURE VERS LES STATISTIQUES 43
où M est défini par la suite

n
X
Mn := Xi−1 Ui , n ∈ N∗ , M0 := 0.
i=1
La notation M n’est pas innocente : on montre que M est une martingale de carré
intégrable. Nous y voilà : la consistance et la potentielle normalité asymptotique de l’EMV
dépendent du comportement du ratio martingale/variation quadratique. Pour la consis-
tance, on souhaite utiliser la LGN et pour ce faire, il faut que la variation quadratique
tende p.s. vers l’infini lorsque n tend vers l’infini. Remarquons que cette dernière est,
lorsque l’on divise par n, de la forme
n
[M, M ]n 1 X
= g(Xi−1 ), avec g(u) = u2 .
n n i=1
Ainsi, si la chaı̂ne de Markov est irréductible et récurrente positive, alors la chaı̂ne possède
une unique probabilité invariante π et dans le cas où g ∈ L1 (π), la somme renormalisée
ci-dessus converge p.s. vers l’intégrale de la fonction g par rapport à π : c’est le théorème
ergodique. L’hypothèse de la LGN est alors satisfaite et l’on obtient ainsi la consistance de
l’EMV, la convergence p.s. entraı̂nant celle en probabilité. On peut montrer facilement que
la chaı̂ne ci-dessus est bien irréductible (on a P (z, A) > 0 pour tout z ∈ R et tout borélien
A de mesure de Lebesgue strictement positive, les probabilités de transition étant des lois
gaussiennes, donc de support R tout entier) et qu’elle admet pour unique probabilité
invariante la loi gaussienne centrée et de variance 1/(1 − θ2 ) (rappelons que θ est supposé
être dans l’intervalle ] − 1, 1[).
De même, pour la normalité asymptotique, on va utiliser le TCL. Tout d’abord on a bien
p.s. r
1 − θ2
Z
[M, M ]n u2 (1−θ 2 ) 1
lim = u2 e− 2 du = 2
=: σ 2 .
n→+∞ n 2π R 1 − θ
Néanmoins l’autre condition du TCL n’est pas vérifiée. En effet, comme Xn−1 est Fn−1 -
mesurable et Un est indépendante de Fn−1 , on a
E |Mn − Mn−1 |3 | Fn−1 = E |Xn−1 Un |3 | Fn−1 = |Xn−1 |3 E |Un |3 ,

quantité qui n’est pas bornée car Xn−1 ne l’est pas (son support est R tout entier).
Cependant le TCL a tout de même lieu lorsque cette condition est remplacée par la
condition plus faible de la convergence p.s. suivante :
n
1 X
E |Mk − Mk−1 |3 | Fk−1 = 0,

lim
n→+∞ n3/2 k=1
condition qui est satisfaite par notre modèle grâce au théorème ergodique. Ainsi, on a la
convergence en loi suivante :
√
n θ̂n − θ =⇒ N (0, 1 − θ2 ).
n→+∞
Enfin, si l’on désire une variance ne dépendant pas du paramètre inconnu θ, il suffit
d’utiliser la consistance de l’EMV puis le lemme de Slutsky pour obtenir la convergence
en loi suivante :
√ θ̂n − θ
n× q =⇒ N (0, 1).
n→+∞
2
1 − θ̂n
Notons que comme θ ∈] − 1, 1[ et que l’on a la convergence p.s. de θ̂n vers θ, on aura
que p.s. θ̂n ∈] − 1, 1[ à partir d’un certain rang (aléatoire), ce qui évite le problème de
définition au dénominateur ci-dessus.
Bibliographie
[1] P. Baldi, L. Mazliak et P. Priouret. Martingales et chaı̂nes de Markov. Théorie

élémentaire et exercices corrigés. Hermann, 2001.
[2] M. Cottrel, C. Duhamel et V. Genon-Catalot. Exercices de Probabilités. Cassini, 2011.
45

Martingales 1

Transféré par

Droits d'auteur :

Formats disponibles

Martingales 1

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Martingales 1

Transféré par

Droits d'auteur :

Formats disponibles

Département GMM

4ème année Spécialité MMS

2 Inégalités maximales et convergence 23

Rappels sur l’espérance

0.1 Quelques éléments sur les tribus

= σ ({{ω ∈ Ω : X(ω) ∈ B} ; B ∈ E})

0.2 Espérance conditionnelle

et Lp (Ω, F, P) est le sous-ensemble de Lp (Ω, A, P) constitué des v.a. F-mesurables. Enfin,

c’est-à-dire que l’espace L2 se décompose comme la somme directe de F et de son ortho-

F ⊥ := {U ∈ L2 : E[U Z] = 0 pour tout Z ∈ F }.

En d’autres termes, toute v.a. de L2 se décompose de manière unique comme la somme de

c’est-à-dire le résultat désiré.

Proposition 0.2.2. L’espérance conditionnelle vérifie les propriétés suivantes.

lim E[Xn | F] = E[X | F].

E[lim inf Xn | F] ≤ lim inf E[Xn | F].

lim E[Xn | F] = E[X | F].

(vi) (Inégalité de Jensen) Si ϕ : R → R est une fonction convexe telle que

ϕ (E[X | F]) ≤ E[ϕ(X) | F].

(vii) (Inégalité de Hölder) Soient X, Y deux v.a. respectivement dans Lp et Lq , où

|E[XY | F]| ≤ (E[|X|p | F])1/p (E[|Y |q | F])1/q .

Pour p = q = 2 c’est la célèbre inégalité de Cauchy-Schwarz.

E[h(X, Y ) | F] = H(X), avec H(x) = E [h(x, Y )] .

(vii) Si X est de carré intégrable, alors E [X | F] est le projeté orthogonal de X

On sait déjà que Y ∈ F . Ainsi, soit Z ∈ F et posons U := X −Y ∈ F ⊥ et V := Y −Z ∈ F ,

quantité qui est minimale pour le choix de V = 0, i.e. Z = Y .

Les martingales proviennent en partie de la théorie des jeux. Si Mn désigne la

1.1 Définition et premières propriétés

Dans la suite on parlera simplement de processus.

Théorème 1.1.7. (Décomposition de Doob d’une sous-martingale)

Mn = Mn−1 + Xn − Xn−1 − E[Xn − Xn−1 | Fn−1 ]

Or les processus (An )n∈N et (Bn )n∈N étant supposés prévisibles, on a

E[Bn+1 | Fn ] = Bn+1 et E[An+1 | Fn ] = An+1 .

Définition et théorème 1.1.8. (Transformation prévisible d’une martingale)

Si les v.a. An sont bornées, alors (M

car (Mn )n∈N est une martingale.

1.2 Martingales de carré intégrable

Le résultat suivant est la version L2 du théorème de transformation prévisible.

Théorème 1.2.2. (Transformation prévisible d’une martingale, version L2 )

À présent, nous allons introduire la variation quadratique d’une martingale de

car le processus (Mn )n∈N est une martingale.

Par ailleurs, en prenant l’espérance de la martingale (Mn2 − [M, M ]n )n∈N , on obtient

E Mn2 = E M02 + E [[M, M ]n ] , n ∈ N,

Théorème 1.2.4. (Variation quadratique d’une transformation prévisible)

Démonstration. On a [M f]0 = 0 par définition et pour tout n ∈ N,

car le processus (An )n∈N ∗ est prévisible, d’où le résultat désiré.

1.3 Théorème d’arrêt

Proposition 1.3.2. Soient τ1 et τ2 deux temps d’arrêt. Alors τ1 ∧ τ2 , τ1 ∨ τ2 et τ1 + τ2

E [Mτ2 1A ] = E [Mn0 ∧τ2 1A ]

c’est-à-dire, en terme d’espérance conditionnelle, que

E [Mτ2 | Fτ1 ] = Mτ1 .

Enfin, si τ désigne τ1 ou τ2 , comme p.s. Mn∧τ −→ Mτ et que

E[Mτ ] = lim E[Mn∧τ ] = 0.

Ainsi, le théorème d’arrêt est démontré dans sa totalité.

Inégalités maximales et théorèmes

2.1 Inégalités maximales de Doob

E[Mn 1{Mn∗ ≥λ} ] E[Mn ]

Enfin, si (Mn )n∈N une surmartingale positive, on a

Par ailleurs, on peut écrire l’identité suivante : pour tout λ > 0,

{Mn∗ ≥ λ} = {τλ ≤ n}, n ∈ N,