Introduction aux equations différentielles stochastiques

Nils Berglund

Janvier 2005

1 Le mouvement Brownien
Les équations différentielles stochastiques servent de modèle mathématique à des systèmes
faisant intervenir deux types de forces, l’une déterministe et l’autre aléatoire. Par exemple,
le mouvement d’une particule mésoscopique dans un fluide ou un gaz peut être décrit par
une équation de la forme
mẍ = Fext + Fstoch . (1.1)
Ici Fext décrit une force extérieure déterministe, par exemple la gravité ou une force
électromagnétique. Fstoch décrit l’effet des collisions erratiques des molécules du fluide
avec la particule mésoscopique. Le mouvement des molécules n’étant pas connu en détail,
nous voulons modéliser le second terme par une force aléatoire, ou un bruit.
La manière de modéliser le bruit dépend évidemment de la nature du fluide et des
échelles de temps et de longueur en jeu. La situation la plus simple apparaı̂t lorsque
le temps de décorrélation des molécules est négligeable par rapport à l’échelle de temps
caractéristique de la particule, on parle alors de bruit blanc. Celui-ci est modélisé mathéma-
tiquement par le mouvement Brownien, ou processus de Wiener, qui peut lui-même être
vu comme la limite du continu d’une marche aléatoire.

1.1 La marche aléatoire unidimensionnelle symétrique

Soient {Xi }i>1 des variables aléatoires indépendantes, identiquement distribuées (i.i.d.)
telles que
1
P{Xi = 1} = P{Xi = −1} = . (1.2)
2
La marche aléatoire unidimensionnelle symétrique est le processus stochastique à temps
discret {Sn }n>0 donné par
n
X
S0 = 0, Sn = Xi , n > 1. (1.3)
i=1

Rappelons ici quelques notions de théorie des probabilités. Notre processus stochastique
vit dans un espace probabilisé (Ω, F, P). L’univers Ω peut être identifié à {−1, 1}N , avec,
pour une réalisation ω ∈ Ω,
n
X
Sn (ω) = ωi , n > 0. (1.4)
i=1

1
La σ-algèbre F décrit l’ensemble des événements, et contient en particulier les événements

Ax1 ,x2 ,...,xn = {ω ∈ Ω : ω1 = x1 , . . . , ωn = xn }, (x1 , . . . , xn ) ∈ {−1, +1}n , (1.5)

qui ont probabilité 2−n . La filtration canonique de F est la suite croissante de σ-algèbres
[
F0 ⊂ F1 ⊂ F2 ⊂ · · · ⊂ F = Fn , (1.6)
n>0

avec

F0 = {Ω, ∅}
F1 = {Ω, ∅, A1 , A−1 }
F2 = {Ω, ∅, A1 , A−1 , A1,1 , A1,−1 , A−1,1 , A−1,−1 }
...
n
[
Fn = {Ω, ∅} ∪ {Ax : x ∈ {−1, +1}m },
m=1
... (1.7)

où A est la plus petite tribu contenant l’ensemble A. C’est-à-dire que Fn contient tous les
événements qui ne dépendent que de l’histoire du processus jusqu’au temps n.
Notons quelques propriétés élémentaires de la marche aléatoire. Tout d’abord, les Xi
étant i.i.d., nous avons
D
Sn − Sm = Sn−m , ∀n > m > 0 (1.8)
D
où le symbole = désigne l’égalité en distribution.
Ensuite, comme l’espérance et la variance des Xi valent respectivement E{Xi } = 0 et
Var{Xi } = E{Xi2 } − E{Xi }2 = 1, nous avons
n
X
E{Sn } = E{Xi } = 0 (1.9)
i=1
Xn
Var{Sn } = Var{Xi } = n, (1.10)
i=1

la deuxième relation étant une conséquence de l’indépendance des Xi . Enfin, il est facile
d’établir que la loi de Sn est binômiale:

1
 n!

n−k
si k ∈ {−n, −n + 2, . . . , n},
2 n n+k
P{Sn = k} = 2 ! 2 ! (1.11)

0 sinon.

Précisons toutefois que loi (1.11) ne contient pas à elle seule toute l’information sur le
processus stochastique. En effet, si pour tout n fixé l’application

ω 7→ Sn (ω) (1.12)

est une variable aléatoire entièrement décrite par la loi (1.11), on peut également s’inté-
resser aux propriétés des trajectoires (sample paths)

n 7→ Sn (ω). (1.13)

2
Un exemple d’événement dépendant de toute la trajectoire est
n o
sup Si > L , (1.14)
06i6n

c’est-à-dire que la marche aléatoire a atteint le niveau L au moins une fois pendant les
n premiers pas. L’analogue en temps continu de cet événement jouera un rôle important
dans la suite.

1.2 Construction du processus de Wiener

Considérons la suite de processus
bntc
(n) 1 1 X
Bt = √ Sbntc = √ Xi , t > 0. (1.15)
n n
i=1

Définissons d’abord formellement le processus Bt en prenant la limite au sens des distri-

(n)
butions finies de Bt lorsque n → ∞. Autrement dit, Bt est défini par le fait que pour
toute partition 0 6 t1 < t2 < · · · < tk et tout (x1 , x2 , . . . , xk ) ∈ R k ,
 (n) 
lim P Bti 6 xi , i = 1, . . . , k = P Bti 6 xi , i = 1, . . . , k . (1.16)
n→∞

Notons tout d’abord que

 1 2
(n)
lim Var{Bt } = lim √ bntc = t. (1.17)
n→∞ n→∞ n
De plus, nous pouvons écrire r
(n) Sbntc bntc
Bt =p . (1.18)
bntc n
Le théorèmepde la limite centrale (ou un calcul direct à partir de (1.11)) montre que la
loi de Sbntc / bntc converge, lorsque n → ∞, vers la loi normale standard N (0, 1) (i.e. de
moyenne nulle et variance 1). Il suit que
 (n) √
lim P Bt 6 x = P tN (0, 1) 6 x
n→∞
Z x/√t
1 2
=√ e−y /2 dy
2π −∞
Z x
1 2
=√ e−z /2t dz
2πt −∞

= P N (0, t) 6 x . (1.19)
(n)
Pour tout t fixé, la loi de Bt tend donc vers la loi normale N (0, t). De plus, si t > s > 0,
(n) (n) (n)
Bt − Bs est indépendant de Bu pour tous les u 6 s et nous avons par (1.8)
(n) 1
D 1
Bt − Bs(n) = √ Sbntc − Sbnsc = √ Sbntc−bnsc , (1.20)
n n
dont la loi tend vers N (0, t − s). Toutes les distributions finies de Bt sont ainsi définies à
partir de
k
Y
  
P Bt1 6 x1 , Bti −Bti−1 6 xi , i = 2, . . . , k = P Bt1 6 x1 P Bti −Bti−1 6 xi . (1.21)
i=2

3
Remarque 1.1. Les propriétés (1.17), (1.19) et (1.20) restent vraies pour des Xi i.i.d.
quelconques, pourvu qu’ils aient espérance 0 et variance 1.

Définition 1.2. Le mouvement Brownien standard ou processus de Wiener standard est

le processus stochastique {Bt }t>0 satisfaisant:
1. B0 = 0;
2. Incréments indépendants: pour tout t > s > 0, Bt − Bs est indépendant de {Bu }u6s ;
3. La loi de Bt − Bs est la loi normale N (0, t − s).

Certains auteurs ajoutent la condition que les trajectoires t 7→ Bt soient continues,

mais on peut en fait montrer que tout processus satisfaisant la définition 1.2 a une version
continue, c’est-à-dire que ses trajectoires sont continues avec probabilité 1.
Nous allons maintenant prouver qu’un processus à trajectoires continues, satisfaisant la
définition 1.2, existe bel en bien, en le construisant à partir d’une collection dénombrable
de variables aléatoires Gaussiennes indépendantes. Le lemme de Borel–Cantelli joue un
rôle important dans cette démonstration et dans la suite.

Lemme 1.3 (Borel–Cantelli). Pour une suite d’événements {An }n>0 (pas nécessai-
rement disjoints),
X nX o
P{An } < ∞ ⇒ P 1{An } = ∞ = 0, (1.22)
n>0 n>0

c’est-à-dire que la probabilité qu’une infinité des événements {An }n>0 soient réalisés à la
fois est nulle.

Théorème 1.4. Il existe un processus stochastique {Bt }t>0 satisfaisant la définition 1.2,
et dont les trajectoires t 7→ Bt (ω) sont continues.

Preuve:
1. Nous allons d’abord construire {Bt }06t61 à partir d’une collection de variables aléa-
toires gaussiennes indépendantes V1 , V1/2 , V1/4 , V3/4 , V1/8 , . . . , toutes d’espérance nulle,
et avec V1 et V1/2 de variance 1 et Vk2−n de variance 2−(n−1) (k < 2n impair).
Montrons d’abord que si Xs et Xt sont deux variables aléatoires telles que Xt − Xs
soit Gaussienne centrée de variance t − s, alors il existe une variable aléatoire X(t+s)/2
telle que les variables Xt − X(t+s)/2 et X(t+s)/2 − Xs soient i.i.d. de loi N (0, (t − s)/2).
Si U = Xt − Xs et V est indépendante de U , de même distribution, il suffit de définir
X(t+s)/2 par

U +V
Xt − X(t+s)/2 =
2
U −V
X(t+s)/2 − Xs = . (1.23)
2
En effet, il est aisé de vérifier que ces variables ont la distribution souhaitée, et qu’elles
sont indépendantes, puisque E{(U + V )(U − V )} = E{U 2 } − E{V 2 } = 0.
Posons alors X0 = 0, X1 = V1 , et construisons X1/2 à l’aide de la procédure ci-dessus,
avec V = V1/2 . Puis nous construisons X1/4 à l’aide de X0 , X1/2 et V1/4 , et ainsi de
suite, pour obtenir une familles de variables {Xt }t=k2−n ,n>1,k<2n telles que pour t > s,
Xt − Xs soit indépendante de Xs et de loi N (0, t − s).

4
 (n)
2. Pour n > 0, soit {Bt }06t61 le processus stochastique à trajectoires linéaires par
(n)
morceaux sur les intervalles [k2−n , (k + 1)2−n ], k < 2n , et tel que Bk2−n = Xk2−n .
Nous voulons montrer que la suite des B (n) (ω) converge uniformément sur [0, 1] pour
toute réalisation ω des Vi . Il nous faut donc estimer
(n+1) (n)
∆(n) (ω) = sup Bt (ω) − Bt (ω)
06t61
(n+1) (n)
= max max Bt (ω) − Bt (ω)
06k62n−1 k2−n 6t6(k+1)2−n
1

= max X(2k+1)2−(n+1) (ω) − Xk2−n (ω) + X(k+1)2−n (ω) . (1.24)
06k62n−1 2
Le terme en valeur absolue vaut V(2k+1)2−(n+1) par construction, c.f. (1.23), qui est
gaussienne de variance 2−n . Il suit que
√ n √ o
P ∆(n) > n2−n = P

max V(2k+1)2−(n+1) > 2 n2−n
06k62n−1
Z ∞
2 −n dx
62·2 n
√ e−x /2·2 √
−n 2π2−n
Z2 ∞n2
2 dx
= 2 · 2n √ e−y /2 √ 6 const 2n e−2n , (1.25)
2 n 2π
et donc X  √ X
P ∆(n) > n2−n 6 const (2 e−2 )n < ∞. (1.26)
n>0 n>0

Le lemme de Borel–Cantelli nous permet de conclure

√ qu’avec probabilité 1, il n’existe
(n) −n
qu’un nombre fini de n pour lesquels ∆ > n2 . Par conséquent,
nX o
P ∆(n) < ∞ = 1. (1.27)
n>0

(n)
La suite des {Bt }06t61 est donc une suite de Cauchy pour la norme sup avec prob-
abilité 1, et alors elle converge uniformément. Nous posons pour t ∈ [0, 1]
(
(n)
limn→∞ Bt si la suite converge uniformément
Bt0 = (1.28)
0 sinon (avec probabilité 0).

Il est facile de vérifier que B 0 satisfait les trois propriétés de la définition.

3. Pour étendre le processus à des temps quelconques, nous fabriquons des copies indé-
pendantes {B i }i>0 et posons



 Bt0 06t<1
B 0 + B 1

16t<2
1 t−1
Bt = 0 1 2
(1.29)


 B 1 + B 1 + B t−2 2 6 t < 3

. . .

Ceci conclut la démonstration.

Remarquons, sans démonstration, que si les trajectoires du processus de Wiener sont

continues, elles sont différentiables avec probabilité zéro.

5
1.3 Propriétés élémentaires du processus de Wiener
Les propriétés suivantes sont des conséquences directes de la définition 1.2 et nous les
donnons sans démonstration détaillée.
1. Propriété de Markov: Pour tout ensemble de Borel A ∈ R ,
Z

P Bt+s ∈ A Bt = x = p(y, t + s|x, t) dy, (1.30)
A

indépendamment de {Bu }u<t , avec des probabilités de transition gaussiennes

2
e−(y−x) /2s
p(y, t + s|x, t) = √ . (1.31)
2πs
La preuve suit directement du fait que l’on peut décomposer Bt+s = Bt + (Bt+s − Bt ),
le deuxième terme étant indépendant du premier et de loi N (0, s). On vérifiera en
particuler l’équation de Chapman–Kolmogorov: Pour t > u > s,
Z
p(y, t|x, s) = p(y, t|z, u)p(z, u|x, s) du. (1.32)
R

2. Propriété différentielle: Pour tout t > 0, {Bt+s −Bt }s>0 est un mouvement Brown-
ien standard, indépendant de {Bu }u<t .
3. Propriété d’échelle: Pour tout c > 0, {cBt/c2 }s>0 est un mouvement Brownien
standard.
4. Symétrie: {−Bt }t>0 est un mouvement Brownien standard.
5. Processus Gaussien: Le processus de Wiener est Gaussien de moyenne nulle (c’est-
à-dire que ses distributions jointes finies sont normales centrées), et il est caractérisé
par sa covariance
Cov{Bt , Bs } ≡ E{Bt Bs } = s ∧ t (1.33)
(s ∧ t désigne le minimum de s et t).

Preuve: Pour s < t, nous avons

E{Bt Bs } = E{Bs (Bs + Bt − Bs )} = E{Bs2 } + E{Bs (Bt − Bs )} = s, (1.34)

puisque le deuxième terme est nul par la propriété d’incréments indépendants.

En fait, un processus Gaussien centré, dont la covariance satisfait (1.33) est un pro-
cessus de Wiener standard.
6. Renversement du temps: Le processus {Xt }t>0 défini par
(
0 si t = 0
Xt = (1.35)
tB1/t si t > 0

est un processus de Wiener standard.

Preuve: Xt est un processus Gaussien de moyenne nulle, et un calcul simple montre

que sa covariance est bien Cov{Xt , Xs } = s ∧ t. Le seul point non trivial est de
montrer la continuité en zéro de Xt . Celle-ci est équivalente à la loi forte des grands
nombres.

6
1.4 Temps d’arrêt et principe de réflexion
La propriété différentielle du processus de Wiener reste vraie si le temps déterministe t est
remplacé par un certain type de temps aléatoire, appelé un temps d’arrêt.
Définition 1.5. Soit Ft la plus petite σ-algèbre engendrée par les événements du type
{a 6 Bs < b}s6t,a<b (on dit que {Ft }t>0 est la filtration engendrée par le processus de
Wiener). La variable aléatoire τ ∈ [0, ∞] est un temps d’arrêt si l’événement {τ < t}
appartient à Ft pour tout t > 0.
Intuitivement, Ft contient tous les événements ne dépendant que de l’histoire du pro-
cessus jusqu’au temps t. τ est un temps d’arrêt si la connaissance de l’histoire jusqu’au
temps t suffit à déterminer si τ < t. Ainsi, par exemple, un temps de premier passage

τ = inf{s > 0 : Bs = 1} (1.36)

est un temps d’arrêt, alors qu’un temps de dernier passage

τ = sup{s 6 1 : Bs = 1} (1.37)

n’en est pas un.

Théorème 1.6. Si τ est un temps d’arrêt tel que P{τ < ∞} = 1, alors {Bτ +t − Bτ }t>0
est un mouvement Brownien, indépendant de ∩s>τ Fs .
Preuve: Voir par exemple [McK69], p. 10.

Le résultat suivant, très utile pour des estimations de temps de premier passage, suit
immédiatement du théorème ci-dessus, de la propriété des incréments indépendants et de
la propriété de symétrie.
Corollaire 1.7 (Principe de réflexion). Pour L > 0 et τ = inf{t > 0 : Bt = L}, le
processus (
? Bt si t 6 τ
Bt = (1.38)
2L − Bt si t > τ
est un mouvement Brownien.
Nous donnerons une application classique du principe de réflexion.
Corollaire 1.8. Pour tout L > 0,
n o
P sup Bs > L = 2P{Bt > L}. (1.39)
06s6t

Preuve: Si τ = inf{t > 0 : Bt = L}, alors {sup06s6t Bs > L} = {τ 6 t}. Les trajectoires
du mouvement Brownien étant continues, Bt > L implique τ 6 t. Ainsi,

P{Bt > L} = P{Bt > L, τ 6 t}

= P{2L − Bt 6 L, τ 6 t}
= P{Bt? 6 L, τ 6 t}
= P{Bt 6 L, τ 6 t}. (1.40)

Le résultat suit de la décomposition P{τ 6 t} = P{Bt 6 L, τ 6 t} + P{Bt > L, τ 6 t}.

7
1.5 Martingales et inégalité de Doob
L’inégalité de Doob permet d’obtenir d’autres estimations sur le maximum de certains
processus stochastiques, qui seront utiles dans la discussion des intégrales stochastiques.
Dans ce qui suit, {Fs }s>0 désignera toujours la filtration engendrée par un processus de
Wiener.
Définition 1.9. Supposons que Fs ⊂ Ft , et soit X une variable aléatoire intégrable,
mesurable par rapport à Ft (c’est-à-dire que la préimage de tout ensemble mesurable dans
l’image de X appartient à Ft ). On appelle espérance conditionnelle E{X|Fs } la variable
aléatoire mesurable par rapport à Fs satisfaisant

E{XY } = E{E{X|Fs }Y } (1.41)

pour tout Y borné, mesurable par rapport à Fs .

On notera en particulier que si X est mesurable par rapport à Fs , alors E{X|Fs } = X.
Définition 1.10. Un processus {Mt }t>0 est une martingale (respectivement une sous-
martingale) si pour tout t > 0
1. Mt est mesurable par rapport à Ft ;
2. E{|Mt |} < ∞;
3. E{Mt |Fs } = Ms pour tout s < t (respectivement E{Mt |Fs } > Ms ).
En particulier, on a E{Mt } = E{M0 } si Mt est une martingale, et E{Mt } > E{Ms }
pour t > s si Mt est une sous-martingale. Le processus de Wiener est une martingale
puisque pour tout Y mesurable par rapport à Fs ,

E{Bt Y } = E{Bs Y } + E{(Bt − Bs )Y } = E{Bs Y }. (1.42)

Proposition 1.11 (Inégalité de sous-martingale de Doob). Soit Mt une sous-

martingale à trajectoires continues. Alors pour tout L > 0,
n o 1
P sup Ms > L 6 E{Mt ∨ 0}. (1.43)
06s6t L

Preuve: Soit 0 = t0 < t1 < · · · < tn = t une partition de l’intervalle [0, t] et soit
τ = inf{tk > 0 : Mtk > L}. Le processus M + = M ∨ 0 étant aussi une sous-martingale, on
a

E{Mt+ } > E 1{τ 6t} Mt+



Xn
E 1{τ =tk } Mt+

=
k=1
Xn
E 1{τ =tk } E{Mt+ |Ftk }

=
k=1
n
X
E 1{τ =tk } Mt+k

>
k=1
Xn
=L P{τ = tk }. (1.44)
k=1

8
Comme par ailleurs
n o n
X
P sup Mtk > L = P{τ 6 t} = P{τ = tk }, (1.45)
k k=1

il suit que n o 1
P sup Mtk > L 6 E{Mt+ } (1.46)
k L
En prenant des partitions plus fines, le membre de gauche croı̂t, alors que le membre de
droite ne change pas. Le résultat s’obtient en faisant tendre la partition vers un sous-
ensemble dense de [0, t].

Proposition 1.12. Pour tout γ > 0,

n to
Mt = exp γBt − γ 2 (1.47)
2
est une martingale.

Preuve: Notons tout d’abord que

2
e−x /2t
Z
2 t/2
E{Mt } = eγx−γ √ dx = 1. (1.48)
2πt
2
Nous pouvons décomposer Mt = RMs , où R = eγ(Bt −Bs )−γ (t−s)/2 est indépendant de Ms
et satisfait E{R} = E{Mt−s } = 1. Par conséquent, pour tout Y mesurable par rapport à
Fs ,
E{Mt Y } = E{RMs Y } = E{R}E{Ms Y } = E{Ms Y }, (1.49)
ce qui confirme que E{Mt |Fs } = Ms .

Une application de l’inégalité de Doob nous donne immédiatement

Corollaire 1.13. Pour tout γ, L > 0,

n h si o
P sup Bs − γ > L 6 e−γL . (1.50)
06s6t 2

Cette inégalité nous sera utile pour démontrer la continuité des intégrales stochastiques
dans la section suivante. Ici nous nous contenterons de mentionner, sans démonstration,
deux conséquences de (1.50): La loi du logarithme itéré
n Bt o
P lim sup p = 1 = 1, (1.51)
t→0 2t log|log t|

et le module de Lévy
n |Bt+δ − Bt | o
P lim sup p = 1 = 1. (1.52)
δ→0 2δ|log δ|

9
2 Intégrales stochastiques
Le but de l’intégrale stochastique est de donner un sens à des équations de la forme
dX dBt
= f (X) + g(X) . (2.1)
dt dt
Par exemple, si f ≡ 0 et g ≡ 1, on devrait retrouver Xt = X0 +Bt , décrivant le mouvement
suramorti d’une particule Brownienne.
Le problème est que, comme nous l’avons mentionné, les trajectoires du processus de
Wiener ne sont pas différentiables, ni même à variations bornées.
Comme dans le cas des équations différentielles ordinaires, on interprête une solution
de l’équation différentielle (2.1) comme une solution de l’équation intégrale
Z t Z t
Xt = X0 + f (Xs ) ds + g(Xs ) dBs . (2.2)
0 0

C’est à la deuxième intégrale qu’il s’agit de donner un sens mathématique. Si s 7→ g(Xs )

était différentiable, on pourrait le faire à l’aide d’une intégration par parties, mais ce n’est
en général pas le cas. Itô a donné une autre définition de l’intégrale stochastique, qui
s’applique à une classe beaucoup plus vaste d’intégrants (et donne le même résultat que
l’intégration par parties dans le cas différentiable).

2.1 Définition de l’intégrale d’Itô

Notre but est de définir l’intégrale stochastique
Z t
Xs dBs (2.3)
0

simultanément pour tous les t ∈ [0, T ], où Xt est lui-même un processus stochastique. Plus
précisément, nous supposerons que Xt est une fonctionnelle Brownienne non-anticipative,
c’est-à-dire ({Ft }t>0 désignant la filtration canonique engendrée par {Bt }t>0 )
1. X est mesurable par rapport à F;
2. Xt est mesurable par rapport à Ft pour tout t ∈ [0, T ].
Ceci revient à exiger que Xt ne dépende que de l’histoire du processus de Wiener jusqu’au
temps t, ce qui est raisonnable au vu de (2.2). En outre, nous allons supposer que
Z T 
2
P Xt dt < ∞ = 1. (2.4)
0

Remarque 2.1. On peut admettre que Xt dépende de variables aléatoires supplémen-

taires, indépendantes de Bt ; par exemple, la condition initiale peut être aléatoire. Il con-
vient alors d’étendre les σ-algèbres F et Ft dans la définition ci-dessus à des algèbres plus
grandes A et At , où At ne doit pas dépendre de l’algèbre engendrée par {Bt+s − Bt }s>0 .
Dans un premier temps, nous allons définir l’intégrale stochastique pour un intégrant
simple.
Définition 2.2. Une fonctionnelle Brownienne non-anticipative {et }t∈[0,T ] est dite simple
ou élémentaire s’il existe une partition 0 = t0 < t1 < · · · < tN = T de [0, T ] telle que
N
X
et = etk 1[tk−1 ,tk ) (t). (2.5)
k=1

10
 Pour une telle fonctionnelle, nous définissons l’intégrale stochastique par
Z t m
X    
es dBs = etk−1 Btk − Btk−1 + etm Bt − Btm , (2.6)
0 k=1

où m est tel que t ∈ [tm , tm+1 ).

Il est aisé de vérifier les propriétés suivantes:
1. Pour deux fonctionnelles simples e(1) et e(2) ,
Z t Z t Z t
(1) (2) (1)
e(2)


es + es dBs = es dBs + s dBs . (2.7)
0 0 0

2. Pour toute constante c, Z t

Z t
ces dBs = c es dBs . (2.8)
0 0
3. L’intégrale
Rt (2.6) est une fonction continue de t.
2
4. Si 0 E{es } ds < ∞, on a l’isométrie d’Itô
Z t 2  Z t
E es dBs = E{e2s } ds. (2.9)
0 0

Preuve: Posons tm+1 = t. On a

Z t 2   m+1
X 



E es dBs =E etk−1 etl−1 Btk − Btk−1 Btl − Btl−1
0 k,l=1
m+1
X
2
E e2tk−1 E Btk − Btk−1
 
=
k=1
| {z }
tk −tk−1
Z t
= E{e2s } ds. (2.10)
0

Nous avons utilisé la propriété des incréments indépendants afin d’éliminer les termes
k 6= l de la double somme, et le fait que es est nonanticipative.

L’idée d’Itô pour définir l’intégrale stochastique d’une fonctionnelle non-anticipative

générale X est de trouver une suite de fonctionnelles simples e(n) approchant X dans
L2 (P), c’est-à-dire
Z T

2
E Xs − e(n)

lim s ds = 0. (2.11)
n→∞ 0

L’isométrie (2.9) nous permet alors d’affirmer que la limite suivante existe dans L2 (P):
Z t Z t
lim e(n)
s dBs =: Xs dBs . (2.12)
n→∞ 0 0

C’est par définition l’intégrale d’Itô de Xs .

Nous allons maintenant prouver que cette construction est bien possible, indépendante
de la suite des e(n) , et que l’intégrale résultante est une fonction continue de t. Nous
commençons par énoncer deux lemmes préparatoires.

11
Lemme 2.3. Pour toute fonctionnelle non-anticipative X satisfaisant (2.4), il existe une
suite {e(n) }n>1 de fonctionnelles simples telles que
Z T 
(n)
2 −n
P Xt − et dt 62 , n → ∞ = 1. (2.13)
0

Preuve: Considérons les fonctionnelles simples

Z 2−m b2m tc
(m,k) k
et =2 Xs ds. (2.14)
(2−m b2m tc−2−k )∨0

RT (m,k) 2
Faisant tendre d’abord m, puis k vers l’infini, on s’aperçoit que 0 (Xt − et ) dt → 0.
On peut donc trouver des suites mn et kn telles que e(n) = e(mn ,kn ) satisfasse
Z T 
(n) 2 −n
P (Xt − et ) dt > 2 6 2−n . (2.15)
0

La relation (2.13) suit alors du lemme de Borel–Cantelli.

Lemme 2.4. Pour une suite {f (n) }n>1 de fonctionnelles nonanticipatives simples satis-
R T (n)
faisant P{ 0 (ft )2 dt 6 2−n , n → ∞} = 1 et tout θ > 1,
r
 Z t 
log n
P sup fs(n) dBs <θ , n → ∞ = 1. (2.16)
06t6T 0 2n−1

Preuve: Le processus stochastique

Z t
1 t (n) 2
Z 
(n)
Mt = exp fs(n) dBs − (fs ) ds (2.17)
0 2 0

est une martingale par rapport à {Bt }t>0 . En effet, nous avons démontré cette propriété
pour f (n) ≡ 1 dans la proposition 1.12. La même démonstration montre que si f (n) ≡ c
où c est une variable aléatoire mesurable par rapport à Fs , alors E{Mt |Fs } = Ms . Le cas
d’un f (n) simple arbitraire est alors traité par récurrence.
L’inégalité de Doob implique
Z t
γ t (n) 2
 Z  
P sup (n)
fs dBs − (fs ) ds > L 6 e−γL . (2.18)
06t6T 0 2 0
p p
Posons alors γ = 2n+1 log n et L = θ 2−(n+1) log n. Utilisant l’hypothèse sur les f (n) ,
nous obtenons
 Z t  q 
P sup fs(n) dBs > (1 + θ) 2−(n+1) log n 6 e−θ log n = n−θ . (2.19)
06t6T 0

Le lemme de Borel–Cantelli nous permet alors de conclure.

Théorème 2.5. La limite (2.12) existe, est indépendante de la suite des {e(n) }n>1 con-
vergeant vers X, et est une fonction continue de t.

12
Preuve: Quitte à passer à une sous-suite, nous pouvons choisir les e(n) de manière à
satisfaire (2.13). Mais ceci implique aussi que
Z T 
(n) (n−1)
2 −n
P et − et dt 6 const 2 , n → ∞ = 1. (2.20)
0

Le lemme 2.4 montre alors que

r
 Z t 
log n
e(n) (n−1)


P sup s − es dBs < const θ , n → ∞ = 1. (2.21)
06t6T 0 2n−1
Rt (n)
Ainsi la suite des 0 es dBs est de Cauchy presque sûrement, et dans ce cas elle converge
uniformément.

2.2 Propriétés élémentaires de l’intégrale d’Itô

Les propriétés suivantes sont prouvées aisément pour des processus X et Y nonanticipatifs
satisfaisant la condition d’intégrabilité (2.4).
1. Linéarité: Z t Z t Z t
(Xs + Ys ) dBs = Xs dBs + Ys dBs (2.22)
0 0 0
et Z t Z t
(cXs ) dBs = c Xs dBs . (2.23)
0 0
2. Additivité: Pour 0 6 s < u < t 6 T ,
Z t Z u Z t
Xv dBv = Xv dBv + Xv dBv . (2.24)
s s u

3. Pour un temps d’arrêt τ ,

Z τ ∧T Z T
Xt dBt = 1{t6τ } Xt dBt . (2.25)
0 0
RT
4. Si 0 E{Xt2 } dt < ∞, alors pour tout t 6 T ,
Z t 
E Xs dBs = 0 (2.26)
0

et Z t 2  Z t
E Xs dBs = E{Xs2 } ds. (2.27)
0 0
R t
De plus, le processus 0 Xs dBs s>0
est une martingale.
5. Le processus Z t
1 t 2
Z 
Mt = exp Xs dBs − X ds (2.28)
0 2 0 s
est une supermartingale, c’est-à-dire que −Mt est une sous-martingale et E{Mt } 6 1.

13
2.3 Un exemple
Nous donnons ici un exemple de calcul explicite d’une intégrale stochastique par la méthode
d’Itô: Z t
1 t
Bs dBs = Bt2 − . (2.29)
0 2 2
Le résultat, quelque peu surprenant au premier abord, prendra tout son sens lorsque nous
aurons vu la formule d’Itô.
(n)
Considérons la suite de fonctionnelles simples définies par et = B2−n b2n tc . Il suffit
alors de vérifier que Z t
1 t
lim e(n)
s dBs = Bt2 − . (2.30)
n→∞ 0 2 2
Notons tk = k2−n pour k 6 m = b2n tc et tm+1 = t. Il suit de la définition (2.6) que
Z t m+1
X
e(n)


2 s dBs =2 Btk−1 Btk − Btk−1
0 k=1
m+1
Xh
2 i
= Bt2k − Bt2k−1 − Btk − Btk−1
k=1
m+1
X
2
= Bt2 − Btk − Btk−1 . (2.31)
k=1

Considérons la martingale
m+1 m+1
(n)
X
2 X 
2

Mt = Btk − Btk−1 −t= Btk − Btk−1 − tk − tk−1 . (2.32)
k=1 k=1

Les termes de la somme sont indépendants et d’espérance nulle. Nous avons donc
m+1
(n)
2
2
2
 X 
E Mt = E Btk − Btk−1 − tk − tk−1
k=1

2
2
6 (m + 1)E Bt1 − Bt0 − t1 − t0

2 2
6 const 2n E B2−n − 2−n


2 2
= const 2−n E B1 − 1


6 const 2−n , (2.33)

(n)
2
à cause de la propriété d’échelle. Mt étant une sous-martingale, l’inégalité de Doob
nous donne
 
(n) 2 2 −n (n)
2
6 2n n−2 E Mt 6 const n−2 .


P sup Ms >n 2 (2.34)
06s6t

Le lemme de Borel–Cantelli nous permet alors de conclure que

 
(n) −n/2
P sup Ms < n2 , n → ∞ = 1, (2.35)
06s6t

ce qui prouve (2.30).

14
2.4 La formule d’Itô
Considérons une intégrale stochastique de la forme
Z t Z t
Xt = X0 + fs ds + gs dBs , t ∈ [0, T ] (2.36)
0 0

où X0 est indépendante du mouvement Brownien, et fs et gs sont des fonctionnelles

nonanticipatives satisfaisant
Z T 
P |fs | ds < ∞ = 1
0
Z T 
2
P gs ds < ∞ = 1. (2.37)
0

Le processus (2.36) s’écrit également sous forme différentielle

dXt = ft dt + gt dBt . (2.38)

Par exemple, la relation (2.29) est équivalente à

d(Bt2 ) = dt + 2Bt dBt . (2.39)

La formule d’Itô permet de déterminer de manière générale l’effet d’un changement de

variables sur une différentielle stochastique.

Lemme 2.6 (Formule d’Itô). Soit u : [0, ∞)×R → R , (t, x) 7→ u(t, x) une fonction con-
tinûment différentiable par rapport à t et deux fois continûment différentiable par rapport
à x. Alors le processus stochastique Yt = u(t, Xt ) satisfait l’équation

∂u ∂u  1 ∂2u
(t, Xt )gt2 dt.

dYt = (t, Xt ) dt + (t, Xt ) ft dt + gt dBt + (2.40)
∂t ∂x 2 ∂x2
Remarque 2.7.
1. Un moyen mnémotechnique pour retrouver la formule est de l’écrire sous la forme

∂u ∂u 1 ∂2u
dYt = dt + dXt + dXt2 , (2.41)
∂t ∂x 2 ∂x2
où dXt2 se calcule en utilisant les règles

dt2 = dt dBt = 0, dBt2 = dt. (2.42)

(1) (n)
2. La formule se généralise à des fonctions u(t, Xt , . . . , Xt ), dépendant de n processus
(i) (i) (i)
définis par dXt = ft dt + gt dBt , en

∂u X ∂u (i) 1 X ∂2u (i) (j)

dYt = dt + dXt + dXt dXt , (2.43)
∂t ∂xi 2 ∂xi ∂xj
i i,j

(i) (j) (i) (j)

où dXt dXt = gt gt dt.

15
Exemple 2.8.
1. Si Xt = Bt et u(x) = x2 , on retrouve la relation (2.39).
2. Si dXt = gt dBt − 12 gt2 dt et u(x) = ex , on obtient

d(eXt ) = gt eXt dBt . (2.44)

Ainsi la martingale Mt = exp γBt − γ 2 2t


de la proposition 1.12 est la solution de
l’équation dMt = γMt dBt .

Preuve du Lemme 2.6. Il suffit de prouver le résultat pour des fonctionnelles simples,
et par l’additivité des intégrales, on peut se ramener au cas de fonctionnelles constantes.
Mais alors Xt = f0 t + g0 Bt et Yt = u(t, f0 t + g0 Bt ) peut s’exprimer comme une fonction
de (t, Bt ). Il suffit en définitive de considérer le cas Xt = Bt . Or pour une partition
0 = t0 < t1 < · · · < tn = t, on a
n
X    
u(t, Bt ) − u(0, 0) = u(tk , Btk ) − u(tk−1 , Btk ) + u(tk−1 , Btk ) − u(tk−1 , Btk−1 )
k=1
n
X ∂u ∂u
= (tk−1 , Btk )(tk − tk−1 ) + (tk−1 , Btk−1 )(Btk − Btk−1 )
∂t ∂x
k=1
1 ∂2u
+ (tk−1 , Btk−1 )(Btk − Btk−1 )2 + O(tk − tk−1 ) + O((Btk − Btk−1 )2 )
2 ∂x2
Z t Z t
1 t ∂2u
Z
∂u ∂u
= (s, Bs ) ds + (s, Bs ) dBs + (s, Bs ) ds
0 ∂t 0 ∂x 2 0 ∂x2
n
X 1 ∂2u  2

+ (t k−1 , B t ) (B t − B t ) − (t k − t k−1 ) + O(1). (2.45)
2 ∂x2 k−1 k k−1
k=1

(n)
Or la somme se traite comme Mt dans la section 2.3 lorsque tk −tk−1 → 0, c.f. (2.32).

3 Equations différentielles stochastiques

3.1 Solutions fortes
Nous avons maintenant tous les éléments en main pour définir la notion de solution d’une
équation différentielle stochastique (EDS), de la forme

dxt = f (xt , t) dt + g(xt , t) dBt , (3.1)

où f, g : R × [0, T ] → R sont des fonctions déterministes mesurables.

Définition 3.1. Un processus stochastique {xt }t∈[0,T ] est appelé une solution forte de
l’EDS (3.1) avec condition initiale x0 si
• xt est Ft -mesurable pour tout t ∈ [0, T ];
• on a les conditions de régularité
Z T  Z T 
2
P |f (xs , s)| ds < ∞ = P g(xs , s) ds < ∞ = 1; (3.2)
0 0

16
 • pour tout t ∈ [0, T ], on a
Z t Z t
xt = x0 + f (xs , s) ds + g(xs , s) dBs (3.3)
0 0
avec probabilité 1.
(0)
Une solution forte se construit par itérations de Picard. Soit xt le processus iden-
tiquement égal à x0 . On définit par récurence
Z t Z t
(n+1) (n)
xt = x0 + f (xs , s) ds + g(x(n)
s , s) dBs , (3.4)
0 0
et l’on examine sous quelles conditions cette suite converge presque sûrement vers un pro-
(n)
cessus continu. Remarquons que par construction, xt est automatiquement Ft -mesurable
pour tout t et tout n.
Le résultat est pratiquement le même que pour les équations différentielles ordinaires:
Théorème 3.2. Supposons que les fonctions f et g satisfont les deux conditions suiv-
antes:
1. Condition de Lipschitz locale: Pour tout compact K ∈ R , il existe une constante
K = K(K) telle que
|f (x, t) − f (y, t)| + |g(x, t) − g(y, t)| 6 K|x − y| (3.5)
pour x, y ∈ K et t ∈ [0, T ].
2. Condition de croissance: Il existe une constante L telle que
xf (x, t) + g(x, t)2 6 L2 (1 + x2 ) (3.6)
pour tous x, t.
Alors l’EDS (3.1) admet, pour toute condition initiale, une solution forte {xt }t∈[0,T ] ,
presque sûrement continue. Cette solution est unique dans le sens que si {xt }t∈[0,T ] et
{yt }t∈[0,T ] sont deux solutions presque sûrement continues, alors
 
P sup |xt − yt | > 0 = 0. (3.7)
06t6T

Le processus {xt }t∈[0,T ] est appelé un processus de diffusion, ou simplement une dif-
fusion. On a coutume de dénoter par P x0 la loi du processus avec condition initiale x0 ,
et par E x0 les espérances par rapport à P x0 . Plus généralement, P t0 ,x0 désigne la loi d’un
processus de condition initiale xt0 = x0 .
La condition de croissance (3.6) autorise une croissance linéaire, par exemple f (x, t) =
x. Elle autorise également une croissance surlinéaire du bon signe, comme f (x, t) = −x3 .
Par contre, f (x, t) = x2 ne satisfait pas cette condition. Dans ce cas, même en l’absence
de bruit, les solutions peuvent diverger après un temps fini.
Exemple 3.3. L’EDS linéaire
dxt = −γxt dt + dBt (3.8)
admet une solution forte. La formule d’Itô montre que cette solution peut s’écrire sous
forme intégrale comme Z t
−γt
xt = x0 e + e−γ(t−s) dBs . (3.9)
0
Ce processus est connu sous le nom de processus d’Ornstein–Uhlenbeck.

17
Remarque 3.4. On définit de manière similaire la solution forte d’une EDS multidimen-
sionnelle, c’est-à-dire qu’on peut supposer que x ∈ R n , f (x, t) prend des valeurs dans Rn ,
et, si Bt est un mouvement Brownien de dimension k, g(x, t) prend des valeurs dans les
matrices n × k.

3.2 Semi-groupes et générateurs

Considérons l’EDS autonome

dxt = f (xt ) dt + g(xt ) dBt , (3.10)

admettant une solution forte {xt }t>0 pour toute condition initiale x ∈ R . On peut lui
associer une famille à un paramètre {Tt }t>0 d’opérateurs linéaires, agissant sur les fonctions
mesurables bornées ϕ : R → R , comme

Tt ϕ(x) = E x ϕ(xt ) .

(3.11)

L’homogénéité du temps et la propriété de Markov impliquent

Ts Tt ϕ (x) = E x E xs ϕ(xt ) = E x E s,xs ϕ(xt+s ) = E x ϕ(xt+s ) = Tt+s (x).

    

(3.12)
Par conséquent, Tt Ts = Tt+s , donc les opérateurs {Tt }t>0 forment un semi-groupe.
Les propriétés suivantes sont aisément vérifiées:
1. Tt préserve la fonction constante 1(x) ≡ 1:

Tt 1(x) = E x 1(xt ) = 1 ∀x.


(3.13)

2. Tt préserve l’ensemble des fonctions non-négatives:

ϕ(x) > 0 ∀x ⇒ Tt ϕ(x) > 0 ∀x. (3.14)

3. Tt est une contraction par rapport à la norme sup:

sup Tt ϕ(x) = sup E x ϕ(xt ) 6 sup ϕ(y) sup E x 1(xt ) = sup ϕ(y)
 
(3.15)
x∈R x∈R y∈R x∈R y∈R

De plus, les Tt jouissent de la propriété faible de Feller , c’est-à-dire qu’ils préservent

l’ensemble des fonctions bornées continues. Sous des conditions additionnelles, ils jouis-
sent de la propriété forte de Feller , en transformant les fonctions mesurables bornées en
fonctions continues bornées.
Le générateur du semi-groupe est l’opérateur linéraire défini par la limite

Tt ϕ(x) − ϕ(x)
Lϕ(x) = lim . (3.16)
t→∞ t
Son domaine est par définition l’ensemble des fonctions ϕ : R → R pour lesquelles cette
limite existe en tout point x.

Proposition 3.5. Le générateur du semi-groupe est l’opérateur différentiel

d 1 d2
L = f (x) + g(x)2 2 . (3.17)
dx 2 dx

18
Preuve: Par la formule d’Itô, appliquée à u(t, x) = ϕ(x),

Tt ϕ(x) − ϕ(x) = E x ϕ(xt ) − ϕ(x)


Z t  Z t 
x 0 1 2 00

0
=E f (xs )ϕ (xs ) + g(xs ) ϕ (xs ) ds + g(xs )ϕ (xs ) dBs
0 2 0
Z t 
x
=E Lϕ(xs ) ds , (3.18)
0

puisque l’espérance de l’intégrale stochastique est nulle. La dérivée en t = 0 de cette

x

expression se réduit à E Lϕ(x0 ) = Lϕ(x).

Remarque 3.6. Dans le cas d’une EDS multidimensionnelle, le générateur est donné par
l’opérateur différentiel
n n
X ∂ 1 X ∂2
L= fi (x) + dij (x) , (3.19)
∂xi 2 ∂xi ∂xj
i=1 i,j=1

où les dij (x) sont les éléments de matrice de g(x)g(x)T .

Remarquons qu’il suit de la définition du générateur que la fonction u(x, t) = Tt ϕ(x)

satisfait l’équation aux dérivées partielles
∂
u(x, t) = Lu(x, t), (3.20)
∂t
appelée équation de Kolmogorov rétrograde. Sous des hypothèses de régularité appropriées,
cette équation admet, pour toute condition initiale u(x, 0) = δ(x − y), une solution par-
ticulière que nous noterons p(y, t|x, 0) = Tt δ(x − y). Par linéarité, nous avons alors, pour
tout Borélien A ⊂ R ,

P x xt ∈ A = E x 1{xt ∈A}
 

= Tt 1A (x)
Z
= Tt 1A (y)δ(y − x) dy
Z R
= 1A (y)p(y, t|x, 0) dy
ZR
= p(y, t|x, 0) dy, (3.21)
A

ce qui veut dire que p(y, t|x, 0) est la densité de la probabilité de transition du processus
de Markov x0 7→ xt .
Le semi-groupe {Tt }t>0 admet un semi-groupe dual {St }t>0 , agissant sur les mesures
σ-finies par Z
P x xt ∈ A µ(dx),

St µ(A) = (3.22)
R

cette dernière quantité étant souvent dénotée P µ xt ∈ A . Son générateur est l’adjoint


formel de L, défini par Z Z

Lu(x)µ(dx) = u(x)L∗ µ(dx). (3.23)
R R

19
Ceci découle des égalités formelles
Z
d d
P x xt ∈ A µ(dx)

St µ(A) =
dt dt R
Z Z
d
= p(y, t|x, 0) dy µ(dx)
dt
Z ZR A
= Lp(y, t|x, 0) dy µ(dx)
ZR ZA
= p(y, t|x, 0) dy L∗ µ(dx)
ZR A
P x xt ∈ A L∗ µ(dx)

=
R
= St (L∗ µ)(A). (3.24)
Si la mesure µ admet une densité ρ, c’est-à-dire µ(dx) = ρ(x) dx, deux intégrations par
partie montrent que L∗ est l’opérateur différentiel
d
1 d2
L∗ ρ(x) = − g(x)2 ρ(x) .


f (x)ρ(x) + 2
(3.25)
dx 2 dx
R
La densité au temps t, ρ(y, t) = St ρ(y) = R p(y, t|x, 0)ρ(x) dx, satisfait l’équation de
Kolmogorov progressive ou équation de Fokker–Planck
∂
ρ(y, t) = L∗ ρ(y, t), (3.26)
∂t
et il en est de même des densités de transition (y, t) 7→ p(y, t|x, 0).
Si le processus admet une densité invariante ρ0 , elle doit être solution de l’équation
L∗ ρ0 = 0.

3.3 Exemples
Exemple 3.7. Le générateur du mouvement Brownien Bt est l’opérateur auto-adjoint
L = 21 d2 /dx2 . Ses densités de transition p(y, t|x, 0) sont les densités Gaussiennes
2
e−(y−x) /2t
p(y, t|x, 0) = √ . (3.27)
2πt
Il n’y a pas de densité invariante. Le générateur du mouvement Brownien multidimension-
nel est L = 21 ∆.
Exemple 3.8. Le processus d’Ornstein-Uhlenbeck de l’exemple 3.3 admet, pour γ = 1,
les générateurs
d 1 d2 ∗
 d  1 d2
L = −x + et L = 1 + x + . (3.28)
dx 2 dx2 dx 2 dx2
Sa densité invariante est gaussienne, de la forme
2
ρ0 (x) = const e−x . (3.29)
Par ailleurs, la substitution ρ(x) = ψ(x) e −x2 /2
donne
1h ψ 00 (x) i
L∗ ρ(x) = (1 − x2 ) + ρ(x). (3.30)
2 ψ(x)

20
Par conséquent, l’équation aux valeurs propres L∗ ρ(x) = λρ(x) est satisfaite si et seulement
si ψ est solution de l’équation

1 x2 1 
− ψ 00 (x) + ψ(x) = − λ ψ(x), (3.31)
2 2 2
qui est l’équation de Schrödinger stationnaire de l’oscillateur harmonique quantique. On
sait que ses valeurs propres sont les demi-entiers positifs, ce qui permet de conclure que
les valeurs propres de L∗ sont les entiers non-positifs. Par conséquent, si
X
ρ(x, 0) = ck ρk (x) (3.32)
k>0

est la décomposition de la densité initiale sur la base des fonctions propres de L∗ (c’est-à-
dire L∗ ρk (x) = −kρk (x)), on a
X
ρ(x, t) = ck e−kt ρk (x) (3.33)
k>0

Ceci implique la convergence exponentiellement rapide de toute densité initiale vers la

densité invariante.

Exemple 3.9. Plus généralement, un système gradient de la forme

dxt = −∇U (xt ) dt + σ dBt (3.34)

2
admet une densité invariante proportionnelle à e−2U (x)/σ , pourvu que U (x) croisse suff-
isamment vite à l’infini. Si σ est petit, cette densité est fortement concentrée autour des
minima du potentiel U (x).
Considérons le cas du potentiel à double puits
1 1
U (x) = x4 − x2 , (3.35)
4 2
associé à l’EDS
dxt = xt − x3t dt + σ dBt .


(3.36)
La densité invariante ρ0 (x) est maximale au fond des puits, en x = ±1, et correspond à
la valeur propre 0 du générateur. On peut montrer que le spectre est purement ponctuel,
2
et consiste en une valeur propre −λ1 très proche de 0, d’ordre e−2(U (1)−U (0))/σ , et une
infinité de valeurs propres toutes plus petites qu’une constante négative −a indépendante
de σ. La fonction propre associée à −λ1 est impaire, avec des extrêma en ±1, et telle que
ρ0 (x) ' |ρ1 (x)|. La densité du processus évolue selon
X
ρ(x, t) = ck e−λk t ρk (x) = c0 ρ0 (x) + c1 e−λ1 t ρ1 (x) + O(e−at ). (3.37)
k>0

Si la condition initiale est concentrée dans le puits de gauche, on aura c0 ' c1 , et la densité
reste concentrée dans ce puits pendant un temps très long, d’ordre 1/λ1 , avant d’approcher
ρ0 . C’est ce qu’on appelle un phénomène de métastabilité.
La théorie des grandes déviations permet de préciser ces résultats, en caractérisant
notamment l’espérance du temps nécessaire à aller d’un puits à l’autre, qui est aussi
d’ordre 1/λ1 .

21
Bibliographie
[Fri75] Avner Friedman, Stochastic differential equations and applications. Vol. 1, Academic
Press [Harcourt Brace Jovanovich Publishers], New York, 1975, Probability and Mathe-
matical Statistics, Vol. 28.
[GS72] Ĭ. Ī. Gı̄hman and A. V. Skorohod, Stochastic differential equations, Springer-Verlag, New
York, 1972, Translated from the Russian by Kenneth Wickwire, Ergebnisse der Mathe-
matik und ihrer Grenzgebiete, Band 72.
[McK69] H. P. McKean, Jr., Stochastic integrals, Probability and Mathematical Statistics, No. 5,
Academic Press, New York, 1969.
[Øks95] Bernt Øksendal, Stochastic differential equations, fourth ed., Universitext, Springer-
Verlag, Berlin, 1995, An introduction with applications.
[Res92] Sidney Resnick, Adventures in stochastic processes, Birkhäuser Boston Inc., Boston, MA,
1992.

Nils Berglund
FRUMAM, CPT–CNRS Luminy
Case 907, 13288 Marseille Cedex 9, France
et
PHYMAT, Université de Toulon
E-mail address: berglund@[Link]

22