Introduction à l’Analyse Stochastique

Mémoire du Magistère MMFAI sous la direction de M. le professeur A. S. Üstünel

Jérôme Valentin

20 mars 2008

Résumé
Le but de ce document est de présenter l’analyse stochastique, ou calcul de Malliavin,
qui vise à étudier des processus stochastiques via des idées d’analyse fonctionnelle. Après
en avoir présenté les fondements (construction d’espaces de type Sobolev sur l’espace de
Wiener), on tentera d’en montrer quelques applications simples.

Table des matières

1 Rappels 2
1.1 Espaces de Wiener et de Cameron-Martin . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Résultats de calcul stochastique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2 Gradient et divergence 3
2.1 Construction et propriétés du gradient . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Construction de la divergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

3 Semi-groupe d’Ornstein-Uhlenbeck 7
3.1 Définitions et propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

4 Étude de la mesure de Wiener 10

4.1 Moments exponentiels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.2 Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

5 Ouverture 13

6 Bibliographie 13

1
2 1 RAPPELS

1 Rappels

1.1 Espaces de Wiener et de Cameron-Martin

? On note W et on appelle espace de Wiener l’ensemble C([0, 1], R) muni de la norme k · k∞ ,

qui en fait un espace de Banach, et de la tribu des boréliens associée, notée F. On note Xt
l’application continue : w ∈ W 7→ w(t) ∈ R, et on associe au processus (Xt ) la filtration (Ft ). On
rappelle qu’il existe une unique mesure sur (W, Ft ) sous laquelle le processus des coordonnées
(Xt ) soit un (Ft )-mouvement brownien : c’est la mesure de Wiener, ci-après notée µ.

Remarque 1.1.1 Désormais, l’espace de probabilité sur lequel nous nous placerons sera l’espace
de Wiener tel qu’il vient d’être défini.

? On note H, et on appelle espace de Cameron-Martin, l’ensemble des primitives nulles en

0 d’éléments de L2 ([0, 1], R, λ). Un élément h de H admet donc une dérivée que l’on note ḣ. La
norme khkH = kḣkL2 munit H d’une structure d’espace de Hilbert, associée au produit scalaire
(h1 , h2 )H = (ḣ1 , ḣ2 )L2 . De plus, si w ∈ W , on a équivalence de w ∈ H et de kwkH < ∞, et
h ∈ H 7→ ḣ ∈ L2 est une isométrie. Mentionnons enfin que : ∀h ∈ H : khk∞ ≤ khkH , si bien que
H ,→ W . On sait en outre, grâce à la théorie des espaces de Sobolev réels, que cette injection est
compacte.

1.2 Résultats de calcul stochastique

On rappelle d’abord le résultat suivant, conséquence immédiate du théorème de Girsanov qui

sera fondamentale pour la suite :

Théorème 1.2.1 (Cameron-Martin) Soit h ∈ H. On note (X h ) le processus défini sur l’es-

pace de Wiener par :
Xth (w) = Xt (w) + ht = w(t) + h(t)
Ainsi X h : W 7→ W . On note µh la mesure-image de µ par X h , et on considère la martingale
locale :
 Z t 1 t 2 
Z
Λht = exp − ḣs dXs − |ḣ |ds
0 2 0 s
dµh
Alors µh  µ et = Λh1 .
dµ

On en déduit le :

Corollaire 1.2.1 Soient F, G ∈ L2 (µ). Si F = G p.s. alors ∀h ∈ H : F (· + h) = G(· + h) p.s.

Remarque 1.2.1 Réciproquement, si h ∈ W est tel que µh  µ, alors on a nécessairement

h ∈ H.

On utilisera également la notion de décomposition en chaos de Wiener :

 3

Définition 1.2.1 (Chaos de Wiener) On appelle chaos de Wiener d’ordre n l’espace vectoriel
des intégrales d’Itô-Wiener d’ordre n d’éléments symétriques de L2 ([0, 1]n ), pour lesquelles on
adopte la notation : In (f ).

Les éléments d’un chaos de Wiener sont clairement des variables aléatoires ; par convention on
appelle chaos de Wiener d’ordre 0 l’ensemble des constantes. Cette définition est motivée par le :

Théorème 1.2.2 (Décmposition en chaos de Wiener) Tout élément de L2 (µ) s’écrit de

manière unique comme somme orthogonale de chaos de Wiener :
∞
X
f = E[f ] + In (fn )
n=1

Le fondement de la preuve est le :

Théorème 1.2.3 (représentation d’Itô) Soit φ ∈ L2 (µ). Il existe K ∈ L2a ([0, 1] × W, λ ⊗ µ)

tel que :
Z 1
φ = E[φ] + Ks dXs
0

que l’on prouve d’abord dans le cas particulier des Λh , puis dans le cas général en observant que
les combinaisons linéaires de Λh sont denses dans L2 .

On peut établir le théorème 1.2.2 en appliquent de manière itérée le théorème de représenta-

tion d’Itô.

De plus, si pour h ∈ H on introduit la notation :

Z t1 Z tp
⊗p
h (t1 , · · · , tp ) = ··· ḣ(s1 ) · · · ḣ(sp )ds1 · · · dsp
0 0

et donc : Z 1 Z 1
⊗p
Ip (h )= ··· ḣ(s1 ) · · · ḣ(sp )dXs1 · · · dXsp
0 0

on peut par exemple vérifier que, pour h ∈ H on a la décomposition en chaos de Wiener suivante :
1 1 ∞
Ip (h⊗p )
Z Z 
1 X
exp ḣs dWs − |ḣs |2 ds = 1 +
0 2 0 p=1
p!

2 Gradient et divergence

On va construire le gradient comme une dérivée directionnelle au sens L2 (ou Lp ). D’après le

corollaire 1.2.1 le choix judicieux pour l’ensemble des directions de dérivation est H. La divergence
sera construite comme adjoint du gradient. On se donne aussi, pour la suite de ce paragraphe,
un espace de Hilbert séparable X.
4 2 GRADIENT ET DIVERGENCE

2.1 Construction et propriétés du gradient

On construit d’abord le gradient pour les fonctionnelles du type ci-dessous :

Définition 2.1.1 (Fonctionnelle cylindrique) On dit que F : W → X est cylindrique si elle

est de la forme :
F (w) = f (Xt1 (w), · · · , Xtn (w))
où f ∈ S(Rn , X).

d
Dans ce cas, on pose : ∀h ∈ H : ∇h F (w) = dλ F (w + λ · h)|λ=0 . On a donc explictement :
n
X
∇h F (w) = ∂i f (Xt1 (w), · · · , Xtn (w)) · h(ti )
i=1

On remarque que ∇h F : W 7→ X et que ∇F : W 7→ X ⊗ H ' L(H, X).

Remarque 2.1.1 L’ensemble des fonctionnelles cylindriques est dense dans Lp (W, X, µ).

Pour achever la construction, on utilise alors la :

Proposition 2.1.1 Si p ≥ 1 : ∇ est un opérateur fermable sur Lp (W, X, µ).

Remarque 2.1.2 Le résultat est vrai pour p ≥ 1, mais la preuve ci-dessous, qui utilise la dualité :
0
(Lp )0 ' Lp n’est valable que pour p > 1.

Il s’agit de montrer que si (Fn ) est une suite de fonctions cylindriques sur W telles que Fn → 0
au sens de Lp (W, X, µ), et telles que (∇Fn ) soit une suite de Cauchy au sens de Lp (W, X ⊗ H, µ),
alors ∇Fn → 0 au sens de Lp (W, X ⊗ H, µ). Puisqu’on sait qu’une limite existe et que les
fonctionnelles cylindriques
h sont
i denses dans les Lp , il suffit de montrer que ∀h ∈ H, ∀φ : W → X
cylindrique : E (∇h F, φ)X = 0. Et on a bien, en utilisant les calculs déjà effectués pour les
fonctionnelles cylindriques et le théorème de Cameron-Martin :
     
d
E ∇ h Fn , φ = E Fn (w + λh), φ(w)
X dλ X |λ=0
 Z · 
d 

= E Fn (w), φ(w − λh) ·E λ ḣs dWs
dλ X 0 |λ=0
    Z 1 
= −E Fn , ∇h φ + E (Fn , φ)X · ḣs dWs
X 0
p
et comme Fn → 0 au sens de L , on conclut en appliquant l’inégalité de Cauchy-Schwarz dans
X puis l’inégalité de Hölder.
Il est alors naturel de définir le gradient comme suit :

Définition 2.1.2 (dérivée de Gross-Sobolev) On dit que F ∈ Domp (∇) s’il existe une suite
de fonctionnelles cylindriques telles que Fn → F et (∇Fn ) soit une suite de Cauchy au sens Lp .
Dans ce cas on pose ∇F = limn→∞ ∇Fn .
2.1 Construction et propriétés du gradient 5

Bien sûr le résultat précédent implique que la définition de ∇F est indépendante de la suite de
fonctions cylindriques (Fn ). Dans le cadre de la définition précédente :

Définition 2.1.3 (Espace de Sobolev) On note Dp,1 (X) l’espace vectoriel Domp (∇) muni de
la norme : kF kp,1 = kF kLp + k∇F kLp .

Comme ∀k ∈ N, X ⊗ H ⊗k est encore un espace de Hilbert séparable, on peut définir des espaces
Dp,k (X) par itération :

F ∈ Dp,k (X) ssi ∇k−1 F ∈ Dp,1 (X ⊗ H ⊗(k−1) )

et dans ce cas :
∇k F := ∇ ∇k−1 F

On munit Dp,k (X) de la norme : kF kp,k = kF kLp (W,X,µ) +

Pp
k=1 k∇k F kLp (W,X⊗H ⊗k ,µ)

Exemple 2.1.1 (Dérivation d’une intégrale stochastique) Soit K ∈ Dp,1 (H) tel que K̇
soit un processus adapté. Alors 0 Ks dXs ∈ Dp,1 (R) et ∀h ∈ H :
R1

Z 1 Z 1

Z 1
∇h Ks dXs = ∇h Ks dXs + K̇s ḣs ds
0 0 0

On a une propriété intéressante de mesurabilité du gradient :

Proposition 2.1.2 Si φ ∈ Dp,1 (X) est Ft -mesurable, alors ∇φ aussi, et pour tout h ∈ H dont
le support est inclus dans [t, 1] : ∇h φ = 0.

Les vérifications sont faciles pour les fonctionnelles cylindriques et passent à la limite presque
sure.
Moyennant une étude plus poussée en analyse de Hilbert, on déduit de la proposition 2.1.2
le résultat suivant :

Théorème 2.1.1 Soit u ∈ Dp,1 (H) tel que u̇ soit adapté. Alors ∇u est presque sûrement un
opérateur de Hilbert-Schmidt quasi-nilpotent sur H.

Dans le cas particulier où X = R, on remarque en outre que si f ∈ Dp,1 , p.s. w ∈ W :

h → ∇h f (w) est un élément de H ∗ . Donc le théorème de Riesz assure qu’il existe K(w) ∈ H tel
que : Z 1
∇h f (w) = (∇f (w), K(w))H = ḣs K̇(w)s ds
0
On note : K = Df . On peut alors préciser le théorème de représentation d’Itô :

Théorème 2.1.2 (Formule d’Itô-Clark) Soit f ∈ Dp,1 (R). On a :

Z 1
f = E[f ] + E[Ds f |Fs ]dXs
0
6 2 GRADIENT ET DIVERGENCE

A titre d’application, on peut établir une inégalité de type Poincaré :

Théorème 2.1.3 (Inégalité de Poincaré) Soit f ∈ D2,1 (R). On a :

E[|f − E[f ]|2 ] ≤ E[|∇f |2H ]

En effet, on a :
Z 1 
2 2
E[|f − E[f ]| ] ≤ E E[Ds f |Fs ] ds
0
Z 1 
= E E[Ds f ]2 ds
0
= E[|∇f |2H ]

Une autre application possible est le :

Théorème 2.1.4 (Inégalité logarithmique de Sobolev) Soit f élément de l’un des Dp,1 (R) ;
on a :
E[f 2 log f 2 ] − E[f 2 ] log E[f 2 ] ≤ 2E[|∇f |2H ]

Il suffit de prouver que si en outre on a f > 0 et E[f ] = 1 alors :

 
1 1
E[f log f ] ≤ E |∇f |H
2 f
R1
La formule d’Itô-Clark permet d’écrire : f = 1 + 0 E[Ds f |Fs ]dXs . Introduisons aussi la mar-
tingale :
Z t
Mt = E[f |Ft ] = 1 + E[Ds f |Fs ]dXs
0

La formule d’Itô permet d’écrire :

t t
d hM is
Z Z
dMs 1
ln Mt = dXs −
0 Ms 2 0 Ms2

et d hM is = E[Ds f |Fs ]2 ds donc on en déduit en particulier :

2 !
1 1 
E[Ds f |Fs ] E[Ds f |Fs ]
Z Z
1
f = exp dXs − ds
0 E[f |Fs ] 2 0 E[f |Fs ]

d’où l’on tire par une autre application de la formule d’Itô :

" Z  2 #
1
1 E[Ds f |Fs ]
E[f ln f ] = E f ds
2 0 E[f |Fs ]
2.2 Construction de la divergence 7

Puis, en notant ν la mesure de probabilité définie par : dν = f dµ et en remarquent que :

Ds ln f = Dfs f il vient :
" Z  2 #
1
1 E[f Ds ln f |Fs ]
E[f ln f ] = E f ds
2 0 E[f |Fs ]
Z 1 
1 2
= Eν (Eν [Ds ln f |Fs ]) ds
2 0
Z 1 
1 2
≤ Eν (Ds ln f ) ds
2 0
1
= E[f |∇ ln f |]2H
2 
|∇f |2H

1
= E
2 f

ce qui conclut.

2.2 Construction de la divergence

On construit la divergence comme adjoint du gradient :

Définition 2.2.1 (Divergence d’une variable aléatoire) Soit ξ une variable aléatoire à va-
leurs dans X ⊗ H. On dit que ξ
admet une divergence au sens de Dp,1 , et on note ξ ∈ Domp (δ),
si ∀φ ∈ Dp∗ ,1 (X) : φ 7→ ∇φ, ξ X⊗H est une forme linéaire continue. Dans ce cas le théorème
de Riesz permet de définir la divergence δξ : W → X par :

∀φ ∈ Dp,1 (X) E (φ, δξ)X = E (∇φ, ξ)X⊗H

   

R1
Exemple 2.2.1 Pour h ∈ H on calcule : δh = 0
ḣs dWs .

3 Semi-groupe d’Ornstein-Uhlenbeck

3.1 Définitions et propriétés

Définition 3.1.1 Soit u ∈ Lp (W, X, µ) pour un p ≥ 1. On pose :

Z  p 
Pt f (w) = f e−t w + 1 − e−2t w0 dµ(w0 )
W

On vérifie facilement que Pt f est bien défini, et que kPt f kLp ≤ kf kLp . On en déduit le même
résultat pour L∞ , puisque si φ ∈ L∞ alors ∀p : φ ∈ Lp et kφkLp → kφkL∞ . On peut aussi
observer que P0 = Id et que Pt f → E[f ] d’après le théorème de convergence dominée.
On va vérifier que pour tout t, les espaces propres de Pt sont exactement
R· les chaos de Wiener.
Pour cela, on commence par calculer : Pt E(I(h))1 , où I(h) = 0 ḣs dWs . En passant par les
8 3 SEMI-GROUPE D’ORNSTEIN-UHLENBECK

sommes de Riemann, on vérifie facilement que I(h) est linéaire en w et on en déduit :

Pt E(I(h))1 (w)
1 1 1 1
e−2t 1 − e−2t
Z  Z  Z  p Z  Z
= exp e−t ḣs dWs (w) − 2
|ḣs | ds + 1−e−2t ḣs dWs 0
(w ) − |ḣs |2 ds
W 0 2 0 0 2 0
h p i
E e−t I(h) 1 × E E



= 1 − e−2t I(h) 1
E e−t I(h) 1


=
∞
X In (h⊗n )
= e−nt
n=0
n!

Donc en identifiant les termes homogènes entre eux : Pt In (h⊗n ) = e−nt In (h⊗n ), puis par densité
il vient Pt fn = e−nt fn pour tout fn dans le chaos de Wiener d’ordre n (et donc les chaos de
Wiener sont exactement les espaces propres de Pt ). On en déduit alors les résultats suivants :

Proposition 3.1.1 (Pt ) est un semi-groupe markovien contractant sur Lp .

Il n’y a plus qu’à vérifier la propriété de semi-groupe. On peut décomposer f ∈ L2 en chaos de

Wiener ; or la propriété de semi-groupe est immédiate sur les chaos de Wiener d’après les calculs
précédents. Si p > 2 on a la même conclusion car Lp ⊂ L2 . Enfin pour p < 2 on conclut par
densité.

Définition 3.1.2 On note −L le générateur infinitésimal du semi-groupe d’Ornstein-Uhlenbeck,

que l’on nomme opérateur d’Ornstein-Uhlenbeck.

Lorsque ces deux quantités sont bien définies, on a : Lf = δ∇f .

Proposition 3.1.2 Tous les Pt sont autoadjoints sur L2 : ∀f, g ∈ L2 : E[Pt f g] = E[f Pt g].

Il suffit de se souvenir que la décomposition en chaos de Wiener est une somme directe orthogo-
nale.

Corollaire 3.1.1 ∀t ≥ 0, ∀f ∈ L1 : E[Pt f ] = E[f ].

Corollaire 3.1.2 Le chaos de Wiener d’ordre n est l’espace propre de L qui est associé à la
valeur propre n, et ce sont les seuls espaces propres.

On a également une relation de commutation entre ∇ et Pt :

Proposition 3.1.3 Si φ ∈ Dp,1 alors Pt φ ∈ Dp,1 et : ∇Pt φ = e−t Pt ∇φ.

Comme ci-dessus, on prouve cette propriété pour les chaos de Wiener puis on passe au cas général.
On a également des relations du type : Pt δφ = e−t δPt φ et ∇Lφ = (Id + L)∇φ.
3.2 Applications 9

3.2 Applications

Mentionnons sans preuve le :

Théorème 3.2.1 (Inégalités de Meyer) L’expression : kF k = k(I + L)k/2 F kLp (µ) définit sur
Dp,k une norme équivalente à la norme k · kp,k .

Ceci permet de définir Dp,k pour k ∈

/ N, ou de construire les espaces Dp,k intrinsèquement (avant
∇) en les voyant comme complétés de la classe des fonctionnelles cylindriques pour la norme
ci-dessus.
Une application plus simple est de retrouver le :

Théorème 3.2.2 (Inégalité logarithmique de Sobolev) Soit f élément de l’un des Dp,1 (R) ;
on a :
E[f 2 log f 2 ] − E[f 2 ] log E[f 2 ] ≤ 2E[|∇f |2H ]

Soit g une variable aléatoire strictement positive telle que g log g ∈ L1 . On a :

E[g log g] − E[g] log E[g] = E[P0 g log P0 g] − E[P∞ g log P∞ g]
Z ∞
d
= − E[Pt g log Pt g]dt
0 dt
Z ∞
= E[LPt g · log Pt g − LPt g]dt
0
Z ∞
= E[LPt g · log Pt g]dt
0
d d
car E[LPt g] = − dt E[Pt g] = − dt E[g] = 0. Puis, en utilisant le fait que L = δ ◦ ∇ il vient :
Z ∞
E[g log g] − E[g] log E[g] = E[(∇Pt g, ∇(log Pt g))]dt
0
Z ∞ 
|∇Pt g|2H

= E dt
0 Pt g
Z ∞
|Pt ∇g|2H
 
−2t
= e E dt
0 Pt g
Enfin en utilisant l’inégalité de Cauchy-Schwarz dans l’intégrale définissant Pt et en écrivant
√ ∇g
∇g = g · √ on observe que :
g
|∇g|2H
 
|Pt g(∇f )|2H ≤ Pt g · Pt
g
puis il vient :
∞
|∇g|2H
Z   
−2t
E[g log g] − E[g] log E[g] ≤ e E Pt dt
g
Z0 ∞
√
= e−4t E[|∇ g|2H ]dt
0
√
= 2E[|∇ g|2H ]
10 4 ÉTUDE DE LA MESURE DE WIENER

et on conclut en prenant g = f 2 .
Terminons ce paragraphe par une propriété régularisante du semi-groupe d’Ornstein-Uhlenbeck :

Proposition 3.2.1 Soit f ∈ Lp (µ). Alors, ∀t > 0 : Pt f ∈ Dp,1 et ∀h ∈ H :

e−t
Z  p 
∇h Pt f (w) = √ f e−t w + 1 − e−2t w0 δh(w0 )dµ(w0 )
1 − e−2t W

C’est encore une conséquence du théorème de Cameron-Martin :

Z  p 
Pt f (w + h) = f e−t (w + h) + 1 − e−2t w0 dµ(w0 )
W
e−t
Z  p

= f e−t w + 1 − e−2t w0 + √ dµ(w0 )
1−e −2t
W
e−t
Z  p   
−t 0
= f e w + 1 − e−2t w · E √ δh (w0 )dµ(w0 )
W 1 − e−2t 1

On conclut alors avec l’inégalité de Hölder.

À titre d’application, établissons le résultat suivant :

Théorème 3.2.3 (Loi du 0-1) Si A est une partie mesurable de W telle que A + H ⊂ A (on
dit que A est H-invariant) alors µ(A) ∈ {0, 1}.

En effet, pour t > 0 on a Pt ∞A ∈ Dp,1 , et du fait que 1A (w + h) = 1A (w) on déduit facilement

que : Pt 1A (w + h) = Pt 1A (w), d’où ∇Pt 1A = 0, donc Pt 1A est p.s. constant. Or cette famille de
fonctionnelles converge dans Lp vers 1A , donc 1A est p.s. constant ce qui conclut.
En reprenant la forme de Pt f (w + h) donnée dans la preuve du théorème précédent, on voit
que l’ensemble sur lequel Pt f est strictement positif est H-invariant et on en déduit le résultat
suivant :

Proposition 3.2.2 ("Positivity Improving") Si f ∈ L1 (µ) vérifie µ{f > 0} > 0, alors :
∀t > 0 : Pt f > 0 p.s.

4 Étude de la mesure de Wiener

On peut utiliser l’analyse stochastique pour obtenir des informations fines sur la mesure de
Wiener. On commence par un résultat sur la queue de la mesure de Wiener, et on en déduit une
condition suffisnte pour qu’une fonctionnelle ait des moments exponentiels ; on retrouve grâce à
ce résultat un théorème bien connu de grandes déviations.

4.1 Moments exponentiels

Théorème 4.1.1 Soit u ∈ Dp,1 (R) pour un certain p > 1, et supposons que ∇u ∈ L∞ (W, H, µ).
Alors ∀c ≥ 0 :
(c − E[u])2
 
µ{|u| > c} ≤ 2 exp −
2k∇uk2L∞ (W,H,µ)
4.1 Moments exponentiels 11

On prouve d’abord le résultat pour les fonctionnelles cylindriques puis on généralise ; on com-
mence donc par un résulat analogue à l’énoncé pour des martingales réelles continues :

Lemme 4.1.1 (Inégalité de Doob exponentielle) Soit M une martingale réelle continue is-
sue de 0 telle que p.s. ∀t ≥ 0 : hM, M it ≤ Kt. Alors :
 c2 
P (sup Mt > c) ≤ exp −
t≤τ 2Kτ

et :
 c2 
P (sup |Mt | > c) ≤ exp −
t≤τ 2Kτ

Remarque 4.1.1 L’inégalité de Doob exponentielle est optimale au sens ou le mouvment brow-
nien est un exemple de cas d’égalité.

La seconde inégalité découle immédiatement de la première en observant que :

P (sup |Mt | > c) = P (sup Mt > c) + P (inf Mt > −c)

t≤τ t≤τ t≤τ

= P (sup Mt > c) + P (sup(−Mt ) > c)

t≤τ t≤τ

et que −M est encore une martingale réelle issue de 0 et que h−M, −M it ≤ Kt p.s. ∀t. Pour
prouver la seconde, on écrit :
 
P (sup Mt > c) = P sup exp(λMt ) > exp(λc)
t≤τ t≤τ

λ2 
  
≤ P sup exp(λMt ) · exp( ) > exp(λc)
t≤τ 2
λ2 
  
= P sup E(λM )t > exp λc −
t≤τ 2Kτ
2 
 λ
≤ exp λc −
2Kτ
en utilisant l’inégalité de Doob pour la (sur)martingale positive E(λM ). Puis, on optimise en
c
prenant λ = Kτ , ce qui donne le résultat voulu et achève la preuve du lemme.

On passe maintenant a la preuve du résultat. On se ramène au cas où E[u] = 0, puis,

u ∈ Dp,1 étant donnée, on pose : un = E[P1/n u|Fn ] ;on peut alors montrer qu’on a la forme :
un = fn (δe1 , · · · δen ) avec fn ∈ C ∞ (Rn , R) et que un → u au sens de Dp,1 . De plus d’après un
corollaire du théorème d’Itô-Nisio, il vient, en notant B un mouvement brownien en dimension
n, B la filtration associée et Q le semi-groupe de la chaleur :

µ{|u| > c} = P {|fn (B1 )| > c}

≤ P { sup |E[fn (B1 )|Bt ]| > c}
0≤t≤1
= P { sup |Q1−t fn (Bt )| > c}
0≤t≤1
12 4 ÉTUDE DE LA MESURE DE WIENER

On écrit alors : Q1−t fn (Bt ) = φ(t, Bt ) où

kb − yk2
Z  
1
φ(t, b) = · f (y) exp − dy
(2π(1 − t))n/2 Rn 2(1 − t)

φ est de classe C ∞ et est solution de l’équation de la chaleur, donc la formule d’Itô se simplifie
en : Z t


Q1−t fn (Bt ) = Q1 f (0) + ∇ Q1−s fn (Bs ) · dBs
0
(n)
et Q1 f (0) = E[un ] = E[P1/n u] = E[u] = 0 donc si on note Mt = Q1−t fn (Bt ) alors M (n) est
une martingale locale continue issue de 0. De plus une intégration par parties permet de vérifier
que : ∀t ∇(Qt f ) = Qt (∇f ) donc puisque le semi-groupe de la chaleur est contractant on obtient
l’estimation :
D E Z t
M (n) , M (n) = |Q1−s (∇fn )(Bs )|2 ds
t 0
Z t
≤ k∇fn k2∞ ds
0
= tk∇fn k2∞
≤ tk∇uk2L∞ (W,H,µ)

ce qui assure que M (n) est une martingale à laquelle on peut appliquer l’inégalité exponentielle
de Doob pour obtenir :

c2
 
µ{|un | > c} ≤ 2 exp −
2k∇uk2L∞ (W,H,µ)

et on conclut car la convergence au sens Dp,1 implique la convergence en probabilité.

Théorème 4.1.2 (Moments exponentiels) Sous les hypothèses du théorème précédent, pour

−1
λ < 2k∇ukL∞ (W,H,µ) on a :
E exp(λ|u|2 ) < ∞
 

En particulier u a des moments de tous ordres.

On peut encore se ramener au cas où E[u] = 0 et alors on a :

Z n ∞ o
2
2
µ eλ|u| > t dt
 
E exp(λ|u| ) =
1
Z ∞ ( r )
ln t
= µ |u| > dt
1 λ
Z ∞  
ln t
≤ 2 exp − dt
2λk∇uk
Z1 ∞
1
= 2 t− 2λk∇uk dt < ∞
1
4.2 Application 13

4.2 Application

Rappelons que l’on a muni W de la norme : kwk∞ = sup |w(t)|.

Théorème 4.2.1 (Fernique) Pour tout λ < 1/2 on a : E[exp(λkwk2∞ )] < ∞.

Il suffit de remarquer que p.s. w ∈ W , ∀h ∈ H, on a : |kw + hk∞ − kwk∞ | ≤ |h|H . On en déduit

que k · k∞ ∈ Dp,1 , que ∇k · k∞ ∈ L∞ (µ) et que : k∇k · k∞ kL∞ (µ) ≤ 1, puis les résultats précédents
s’appliquent.

5 Ouverture

Ce document est trop court pour que puisse y être abordée l’étude de mesures obtenues par
transformation de la mesure de Wiener, qui était le sujet de mon mémoire de M2. Le calcul de
Malliavin permet d’obtenir des critères intéressants d’absolue continuité et de calculer les densités
de telles mesures. Mentionnons à titre d’exemple l’un des premiers résultats qu’il est possible
d’obtenir, et que l’on peut considérer comme une généralisation du théorème de Girsanov :

Théorème 5.0.2 (Ramer) Soit u ∈ Dp,1 (H) pour un p > 1, telle que : p.s.

k∇uk ≤ c < 1 et k∇uk2 ≤ d < ∞.

On note U = Id + u. Alors :
– U : W → W est inversible ; Notons V son inverse. V a la forme Id + v, avec v ∈ Dp,1 (H),
c d
et on a : p.s. k∇vk ≤ 1−c ; k∇vk2 ≤ 1−c

– ∀F mesurable et bornée : E[F ] = E[F ◦ T · |Λu |] (formule de changement de variables) où

l’on a noté Λu = det2 (Id + ∇u) · exp(−δu − 12 kuk2H ). En particulier, on a : E[|Λu |] = 1.

– ∀F mesurable et bornée : E[F ◦ U ] = E[F · Λv ] et E[F ◦ V ] = E[F · Λu ] c’est à dire que

dU ∗ µ dV ∗ µ
U ∗ µ  µ, V ∗ µ  µ, et on a les densités : dµ = |Λv | et dµ = |Λu |.

6 Bibliographie
– P. Malliavin : Stochastic Analysis. Springer Verlag, 1997.
– A.S. Üstünel : Analysis on Wiener Space and Applications. Notes d’un cours enseigné à
l’ENST Paris.
– A.S. Üstünel and M. Zakaï : Transformation of Measure on Wiener Space. Springer Mo-
nographs in Math. Springer 1999.