These PG Mtps

N dordre : 26/2012-M/MT
RPUBLIQUE ALGRIENNE DMOCRATIQUE ET POPULAIRE

MINISTRE DE LENSEIGNEMENT SUPRIEUR ET DE LA RECHERCHE SCIENTIFIQUE
UNIVERSIT DES SCIENCES ET TECHNOLOGIE DE HOUARI BOUMEDIENNE
FACULT DES MATHMATIQUES
MMOIRE
PRSENT POUR LOBTENTION DU DIPLME DE MAGISTER.
EN MATHMATIQUES
SPCIALIT : PROBABILIT & STATISTIQUE
Par : Arsalane Chouaib GUIDOUM
Sujet
Conception dun Pro Logiciel Interactif Sous
R Pour La Simulation de Processus de
Diffusion
Soutenu publiquement le 25/02/2012, devant le jury compos de :
Mr. Mustapha MOULAI Professeur lUSTHB Prsident.
Mr. Kamal BOUKHETALA Professeur lUSTHB Directeur de Mmoire.
Mr. Rachid OUAFI Matre de Confrences/A lUSTHB Examinateur.
Mr. Abdelkader TATACHAK Matre de Confrences/A lUSTHB Examinateur.
Table des matires
Table des matires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
Liste des gures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v
Introduction Gnrale 3
1 Gnralit sur Les Processus Stochastiques 6
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Dnitions des processus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Processus stochastiques particuliers . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Processus stochastiques tabli partir de la distribution gamma . . . . . . . . . . 10
1.5 Processus stochastiques tabli partir de la distribution de Student . . . . . . . . 11
1.6 Processus de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.7 Processus du second ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.8 Processus ergodiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.9 Martingales et temps darrt . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.9.1 Temps darrt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.9.2 Thorme darrt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2 Mouvement Brownien 18
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Construction du mouvement brownien . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.1 Construction par un processus gaussien . . . . . . . . . . . . . . . . . . 20
2.2.2 Construction par une limite dune marche alatoire . . . . . . . . . . . . 21
2.2.3 Construction par le dveloppement de Karhunen-Love (D.K.L) . . . . . 22
2.3 Semi-groupe du mouvement brownien . . . . . . . . . . . . . . . . . . . . . . . 24
2.3.1 Proprit de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.3.2 Mouvement brownien multidimensionnel . . . . . . . . . . . . . . . . . 25
2.4 Approximation la drive dun mouvement brownien standard par un bruit blanc
gaussien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.5 Continuit des trajectoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.6 Rgularit des trajectoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.7 Mouvement brownien arithmtique . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.8 Mouvement brownien gomtrique . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.9 Pont brownien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
i
2.9.1 Construction par processus contraint . . . . . . . . . . . . . . . . . . . . 37
2.9.2 Construction par le dveloppement de Karhunen-Love (D.K.L) . . . . . 39
2.10 Martingales exponentielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.10.1 Caractrisation de Paul Lvy du mouvement brownien . . . . . . . . . . 40
2.10.2 La loi du temps datteinte du mouvement brownien . . . . . . . . . . . . 42
2.10.3 Les temps de passage du mouvement brownien . . . . . . . . . . . . . . 43
2.11 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3 Processus de Diffusion 46
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2 Intgrale stochastique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2.1 Lintgrale dIt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2.2 Lintgrale de Stratonovitch . . . . . . . . . . . . . . . . . . . . . . . . 50
3.2.3 Processus dIt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2.4 Formule dIt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.2.5 La rgle de multiplication . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.3 quations diffrentielles stochastiques . . . . . . . . . . . . . . . . . . . . . . . 56
3.3.1 Introduction et dnitions . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.3.2 Existence et unicit des solutions de lDS . . . . . . . . . . . . . . . . 59
3.3.3 quation de Langevin . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.3.4 Bruit blanc, bruit color . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.3.5 Transforme de Lamperti . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.4 Schmas numriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.4.1 Simulation numrique . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.4.2 Relation entre le schma dEuler et Milstein . . . . . . . . . . . . . . . . 72
3.5 Les modles attractives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.5.1 Modle dune diffusion en attraction M
s1
(V
t
) . . . . . . . . . . . . . . 76
3.5.2 Modle de deux diffusion en attraction M
m>0
(V
(1)
t
) M
0
(V
(2)
t
) . . . . 80
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4 Comportement Asymptotique Des Processus de Diffusion 84
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.2 quation de Fokker-Planck . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.2.1 Lorigine de lquation de Fokker-Planck . . . . . . . . . . . . . . . . . 87
4.2.2 Modlisation dune quation physique . . . . . . . . . . . . . . . . . . . 89
4.2.3 Existence dune solution . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.3 Processus de diffusion stationnaires . . . . . . . . . . . . . . . . . . . . . . . . 95
4.4 Classication des processus de diffusion linaire . . . . . . . . . . . . . . . . . . 96
4.4.1 Processus de diffusion de type N . . . . . . . . . . . . . . . . . . . . . . 97
4.4.2 Processus de diffusion de type G . . . . . . . . . . . . . . . . . . . . . . 101
4.4.3 Processus de diffusion de type B . . . . . . . . . . . . . . . . . . . . . . 105
4.5 Calculs de linstant de premier passage . . . . . . . . . . . . . . . . . . . . . . . 108
4.5.1 IPP dune diffusion en attraction M
s1
(V
t
) . . . . . . . . . . . . . . . . 109
ii
4.5.2 IPP de deux diffusion en attraction M
m>0
(V
(1)
t
) M
0
(V
(2)
t
) . . . . . . 114
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Conclusion Gnrale 116
Annexe A : R Code 117
Annexe B : Packages Sim.DiffProc & Sim.DiffProcGUI 122
Bibliographie 131
iii
Table des gures
1.1 Bruit blanc gaussien avec m = 0 et
2
= 1. . . . . . . . . . . . . . . . . . . . . . 9
1.2 Densit spectrale dun bruit blanc gaussien. . . . . . . . . . . . . . . . . . . . . 9
1.3 Processus alatoire tabli partir de la distribution (0.5, 2). . . . . . . . . . . . 11
1.4 Processus alatoire tabli partir de la distribution St
(2)
. . . . . . . . . . . . . . 12
2.1 Trajectoire brownienne simule a partir dune distribution gaussienne. . . . . . . 21
2.2 Flux de trajectoires brownienne simules a partir dune distribution gaussienne. . 21
2.3 Trajectoire brownienne comme limite dune marche alatoire. . . . . . . . . . . 22
2.4 Approximation dun mouvement brownien par le D.K.L. . . . . . . . . . . . . . 24
2.5 Mouvement brownien 2D simule a partir dune distribution gaussienne. . . . . 26
2.6 Approximation dun mouvement brownien 2D par une marche alatoire. . . . . 26
2.7 Mouvement brownien 3D simule a partir dune distribution gaussienne. . . . . 26
2.8 Fonction de covariance empirique dun mouvement brownien standard. . . . . . 29
2.9 Le mouvement brownien standard est non diffrentiables. . . . . . . . . . . . . . 31
2.10 La limite de mouvement brownien standard par rapport au temps. . . . . . . . . . 31
2.11 Trajectoire dun mouvement brownien arithmtique avec = 2 et = 1. . . . . . 34
2.12 Flux dun mouvement brownien arithmtique avec = 2 et = 1. . . . . . . . . 34
2.13 Trajectoire dun mouvement brownien gomtrique avec = 2 et = 1. . . . . . 35
2.14 Flux dun mouvement brownien gomtrique avec = 2 et = 1. . . . . . . . . 35
2.15 Trajectoire dun pont brownien partir de X
t
0
=2 et X
T
= 1. . . . . . . . . . . 38
2.16 Flux de 100 trajectoires dun pont brownien standard X
t
0
= X
T
= 0. . . . . . . . 38
2.17 Approximation dun pont brownien standard par le D.K.L. . . . . . . . . . . . . 39
3.1 Simulation lintgrale stochastique

t
0
W
s
dW
s
vs

t
0
W
s
dW
s
. . . . . . . . . . . . 51
3.2 Trajectoire dun processus dOrnstein-Uhlenbeck avec r = 2 et = 1. . . . . . . 59
3.3 Flux dun processus dOrnstein-Uhlenbeck avec r = 2 et = 1. . . . . . . . . . 59
3.4 Trajectoire simule de lquation de Langevin avec a = 2 et D = 1. . . . . . . . . 62
3.5 Lquation de Langevin en deux dimensions avec a = 2 et D = 1. . . . . . . . . . 62
3.6 Simulation une seule trajectoire du modle Radial Ornstein-Uhlenbeck par le
schma dEuler. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.7 Simulation un ux de 100 trajectoires du modle Radial Ornstein-Uhlenbeck par
le schma dEuler. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
iv
3.8 Simulation une seule trajectoire du modle dX
t
= (0.03tX
t
X
3
t
)dt +0.2dW
t
par
le schma de Milstein. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.9 Simulation un ux de 100 trajectoires du modle dX
t
= (0.03tX
t
X
3
t
)dt +
0.2dW
t
par le schma de Milstein. . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.10 Simulation un ux de 100 trajectoires du modle dX
t
= cos(t)dt +sin(t)dW
t
par
le schma de It-Taylor. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.11 Transformation de modle Cox-Ingersoll-Ross (CIR) dX
t
= (0.1 0.2X
t
)dt +
0.05
X
t
dW
t
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.12 Trajectoire du polluant dans une surface deau turbulente en 2D avec s = 1. . . 79
3.13 Trajectoire du polluant dans une surface deau turbulente en 3D avec s = 1. . . 79
3.14 Ttrajectoire du polluant dans une surface deau turbulente en 2D avec s > 1. . . 80
3.15 Ttrajectoire du polluant dans une surface deau turbulente en 3D avec s > 1. . . 80
3.16 Linteraction entre deux insectes en 2D. . . . . . . . . . . . . . . . . . . . . . 83
3.17 Linteraction entre deux insectes en 3D. . . . . . . . . . . . . . . . . . . . . . 83
4.1 Loscillateur de Van Der Pol, rgime permanent sinusodal a = 0. . . . . . . . . . 94
4.2 Loscillateur de Van Der Pol, rgime permanent non sinusodal a > 0. . . . . . . 94
4.3 Simulation un chantillon de taille 100 partir du modle VAG. . . . . . . . . . 99
4.4 Ajustement de la distribution stationnaire du modle VAG par la mthode dhis-
togramme. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.5 Ajustement de la distribution stationnaire du modle VAG par la mthode du noyau.101
4.6 Ajustement de la distribution stationnaire du modle CIR par la mthode dhis-
togramme. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.7 Ajustement de la distribution stationnaire du modle CIR par la mthode du noyau.104
4.8 Ajustement de la distribution stationnaire de processus de diffusion de Jacobi par
la mthode dhistogramme. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.9 Ajustement de la distribution stationnaire de processus de diffusion de Jacobi par
la mthode du noyau. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.10 Linstant de premier passage du modle M
s=1
(V
t
) en 2D. . . . . . . . . . . . . 111
4.11 Linstant de premier passage du modle M
s=1
(V
t
) en 3D. . . . . . . . . . . . . 111
4.12 Ajustement de la distribution de 1/
s=1
c
par la mthode dhistogramme. . . . . . 112
4.13 Ajustement de la distribution de 1/
s=1
c
par la mthode du noyau. . . . . . . . . . 112
XIV Graphical User Interface for Sim.DiffProc package at start-up. . . . . . . . . . . 126
v
Remerciements.
T
out dabord je tiens remercier Dieu de mavoir donn le courage, la morale et la sant pour
mener bien ce travail.
J
e tiens remercier avec tous mes sentiments de respectueuse gratitude mon promoteur Mr.
Kamal BOUKHETALA Professeur lUSTHB pour sa proposition de sujet ainsi pour son
soutien, ses orientations et ses prcieux conseils.
J
exprime aussi ma profonde gratitude Mr. Mustapha MOULAI Professeur lUSTHB, pour
avoir accept de prsider le jury de soutenance.
J
e remercie galement : Mr. Rachid OUAFI Matre de confrences lUSTHB, et Mr. Abdel-
kader TATACHAK Matre de confrences lUSTHB, pour avoir accepter dexaminer cette
thse.
E
nn, je remercie chaleureusement toutes les personnes qui mont aid, et qui ont contribu
de proche ou de loin la ralisation de ce travail.
vi
Rsum
D
ans ce travail, on propose un nouveau package Sim.DiffProc [9] pour la simulation des
processus de diffusion, muni dune interface graphique (GUI), sous langage R. Le dve-
loppement de loutil informatique (logiciels et matriels) ces dernires annes, nous a motiv de
raliser ce travail. A laide de ce package, nous pouvons traiter beaucoup de problmes tho-
riques difciles lie lutilisation des processus de diffusion, pour des recherches pratiques, tels
que la simulation numrique trajectoires de la solution dune DS. Ce qui permet beaucoup
dutilisateurs dans diffrents domaines lemployer comme outil sophistiqu la modlisation
de leurs problmes pratiques. Le problme de dispersion dun polluant [2, 4], en prsence dun
domaine attractif que nous avons trait dans ce travail en est un bon exemple. Cet exemple montre
lutilit et limportance pratique des processus de diffusion dans la modlisation simulation de
situations relles complexes. La fonction de densit de la variable alatoire
c
"instant de pre-
mier passage" de la frontire de domaine dattraction peut tre utilise pour dterminer le taux
de concentration des particules polluantes lintrieur du domaine. Les tudes de simulation et
les analyses statistiques mises en application laide du package Sim.DiffProc, se prsentent
efcaces et performantes, comparativement aux rsultats thoriques explicitement ou approxi-
mativement dtermins par les modles de processus de diffusion considrs.
vii
Introduction gnrale
L
a nature alatoire de nombreux phnomnes volutifs, dans des domaines trs divers, tels
ceux de la physique, astronomie, biologie, les mathmatiques nancires, gologie, analyse
gntique, pidmiologie et beaucoup dautres champs de la science et de lingnierie, nces-
site frquemment la description de tels phnomnes par des quations diffrentielles stochas-
tiques, qui peuvent tre un outil puissant pour la modlisation. Ltude des quations stochas-
tiques sest beaucoup dveloppe ces dernires annes, cest un domaine plein de perspectives
et de recherche. Dans beaucoup de literatures, on rencontre les quations stochastiques avec l-
gre variations dcriture, ainsi que leurs divers applications, voir par exemple [1, 18, 21, 36, 40].
Soit x
0
R
n
, Considrons, pour : R
n
R
n
, champ vectoriel rgulier, lquation diffren-
tielle ordinaire :
_
dx
dt
(t) = (t, x(t)),
x(0) = x
0
t 0 (1)
la solution de lquation (1), si elle est unique, est reprsente par une trajectoire. Dans la plupart
des applications o une telle quation diffrentielle ordinaire intervient, les trajectoires mesures
exprimentalement ne sont que rarement conformes aux solutions analytiques de lquation. Des
effets alatoires viennent se superposer la trajectoire idale, et il semble donc raisonnable de
modier lquation (1) en y introduisant un processus alatoire perturbant le systme. Formelle-
ment, la modication scrit :
_
dX
dt
(t) = (t, X
t
) +(t, X
t
)
t
,
X
0
= x
0
t 0 (2)
o : : R
n
R
nm
, et
t
est un bruit blanc gaussien m-dimensionnel. Cette approche soulve
les problmes suivants :
1. Dnir
t
de manire rigoureuse.
2. En dduire linuence de
t
dans la rsolution de lquation (1).
3. Montrer que lquation (1) a une solution, discuter de lunicit, du comportement asymp-
totique, du rle de , de x
0
,. . .
Considrons tout dabord que le bruit blanc gaussien
t
est la drive formelle du processus de
Wiener. Dans le cas gnral, lquation (2) peut alors se rcrire :
_
dX
t
= (t, X
t
)dt +(t, X
t
)dW
t
,
X
0
= x
0
t 0 (3)
3
INTRODUCTION GNRALE
lquation obtenue alors est une quation diffrentielle stochastique.
Dans notre travail on sintresse a les solutions des quations diffrentielles stochastiques
quon va tudier, sont des processus Markoviens valeurs dans R
n
, quon appelle les processus
de diffusion qui constituant la plus importante classe. Cependant, le mouvement Brownien W
t
(o processus de Wiener) est utilis comme un modle de diffusion homogne. Les modles de
diffusions sont reprsents par des quations diffrentielles stochastique de la forme (3), dite
quation de type It.
Le mathmaticien Kiyoshi It [27], a donn un sens ces quations, et a montrer lexistence
et lunicit de la solution de lquation (3) sous certaines conditions de rgularit des fonctions
(t, x) et (t, x), appeles respectivement coefcient de drive et coefcient de diffusion. X
t
est
solution de lquation (3) si et seulement si :
X
t
= x
0
+
t
0
(s, X
s
)ds +
t
0
(s, X
s
)dW
s
, t 0 (4)
X
t
est donc dni laide dintgrales dites intgrales stochastiques dIt.
Notre travail est structur de la faon suivante :
Dans le premier chapitre nous rappelons quelques notions fondamentales et les principaux
aspects thorique des processus stochastiques. Les martingales sont un outil essentiel et impor-
tant, qui nous a permis dtablir de nombreux rsultats ainsi le thorme darrt.
Le second chapitre est consacr ltude dtaille du mouvement Brownien, sa construc-
tion, ces proprits, ainsi sa simulation unidimensionnel et multidimensionnel. La difcult de
modlisation du mouvement brownien rside dans le fait que ce mouvement est alatoire et que
statistiquement, le dplacement est nul, cest--dire que le coefcient de drive est nul, il ny
a pas de mouvement densemble. Pour cela il est aussi possible de dnir la notion de mouve-
ment brownien avec drive. Il sagit dun mouvement brownien arithmtique (dans la nance
modle de Merton). Le mouvement brownien gomtrique (o le modle de march de Black
et Scholes) et le pont brownien, sont des objets mathmatiques de la thorie des probabilits,
reprsentent lun des plus importants processus stochastique et ont de nombreuses applications
dans la nance, et ce en les illustrant par des exemples de simulation, an de rendre plus facile
la comprhension des proprits qui le caractrise. On termine ce chapitre par la dtermination
les lois des temps de passage, et la caractrisation de Paul Lvy du mouvement brownien.
Le troisime chapitre est compos de quatre parties. La premier partie sera consacre donner
un sens lintgrale stochastique lorsque celle-ci est prise par rapport un mouvement brownien,
notons juste que la construction de cet intgrale au sens dIt [27] fait appel un changement
de la mesure dintgration habituelle par une nouvelle mesure, ainsi nous parlons de la formule
dIt dans le cas unidimensionnel et multidimensionnel, qui sera illustre par quelques exemples
4
INTRODUCTION GNRALE
dapplications. Dans la deuxime partie on sintresse dnir les quations diffrentielles sto-
chastiques dune manire gnrale, lexception les processus de diffusion, naturellement nous
annonons le thorme de lexistence et unicit des solutions des DS, nous donnons la dni-
tion et la diffrence entre un bruit blanc et un bruit color, ainsi la transforme de Lamperti [30]
qui sera trs utile sur le plan numrique pour amliorer la prcision. La dtermination de la so-
lution exacte de X
t
dune DS est trs difcile dterminer surtout lorsque la partie alatoire est
exprime en fonction du processus X
t
, cest ainsi quon se tourne vers les mthodes numriques
de lDS dont la base est fonde sur la discrtisation du temps. Nous prsenterons alors dans la
troisime partie, lapproche numrique, en citant les principaux schmas qui la concernent et qui
permettent dapprocher la solution exactes de ces quations. Nous illustrerons par des exemples
de simulation des diffrents mthodes. Dans la dernier partie de ce chapitre on sintresse
lutilisation des processus de diffusion dans la modlisation de deux phnomnes, le premier
est de modliser une trajectoire dun polluant, qui se dplace sur une surface deau turbulente
en prsence dun mcanisme dattraction [2, 4], et le deuxime porte sur une modlisation dun
phnomne dattraction entre deux insectes mle et femelle [5].
Le dernier chapitre, nous commenons par la prsentation de deux quations fondamentales
permettant de dcrire lvolution des lois de probabilits relatives un processus de diffusion.
Les quations de Fokker-Planck [35] ou les quations de Kolmogorov, qui dcrit lvolution
dynamique de la densit de probabilit dun systme hors dquilibre, ainsi sa distribution sta-
tionnaire si elle existe. Nous annonons deux thormes donnant lexiste dune relation simple
entre les deux diffrentielles It et Stratonovitch, ces derniers sont trs utiles pour la modlisation
dune quation physique, nous illustrerons cette modlisation par lexemple de loscillateur de
Van Der Pol. Par la suite nous parlerons de classication des processus de diffusion linaire, en
distinguant trois types. Ce chapitre se terminer par ltude et lanalyse statistique de la variable
alatoire linstant de premier passage "IPP" dans le cas du modle dune diffusion en attraction
[2, 4, 6, 7], et linstant de la premire rencontre entre deux insectes, cest--dire dans le cas du
modle de deux diffusion en attraction.
On terminera ce travail avec une conclusion gnrale, et quelques perspectives. Il est not
que dans tous nos programmes, nous utiliserons le langage R [32], qui sont prsente dans lan-
nexe A, ainsi pour toutes les exemples. Dans lannexe B nous donnons quelques rgles pour la
cration des packages sous R, et nous donnons aussi une prsentation de deux packages :
(1) Sim.DiffProc : Simulation of Diffusion Processes [8, 9].
(2) Sim.DiffProcGUI : Graphical User Interface for Simulation of Diffusion Processes [10].
5
1
Gnralit sur Les Processus Stochastiques
Sommaire
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Dnitions des processus . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Processus stochastiques particuliers . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Processus stochastiques tabli partir de la distribution gamma . . . . . . 10
1.5 Processus stochastiques tabli partir de la distribution de Student . . . . 11
1.6 Processus de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.7 Processus du second ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.8 Processus ergodiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.9 Martingales et temps darrt . . . . . . . . . . . . . . . . . . . . . . . . . . 16
6
1.1 Introduction
L
origine des processus stochastiques remonte aux progrs faits au dbut du XX
e
sicle dans
certaines branches appliques, telles que la mcanique statistique (par Gibbs, Boltzmann,
Poincar, Smoluchowski et Langevin). Les bases thoriques ont t formules plus tard par
[17, 28] et dautres (1930-1940). Cest durant cette priode que le mot "stochastique", qui pro-
vient du grec stokhastikos "conjectural", a commenc tre employ. Dautres progrs ont t
faits aussi partir du mouvement brownien en physique (par Einstein, Lvy et Wiener).
Nous introduisons dans ce chapitre les principaux processus alatoires lexception du mou-
vement brownien qui fait lobjet dun chapitre spar. Nous retrouverons la plupart de ces proces-
sus dans les problmes de calcul stochastique. Les processus du second ordre ont de nombreuses
applications en thorie du signal.
1.2 Dnitions des processus
Soit (, A, P) un espace de probabilit, et T un ensemble dindices (T = [a, b], T = [0, [, . . . )
un processus stochastique X(t, ) valeur dans un espace mesurable (E, ) est une application de
T dans E qui est mesurable par rapport la mesure du produit P o est la mesure de Le-
besgue sur T. Il est not indiffremment X
t
() ou X(t, ). La fonction t X(t, ) est appele
trajectoire ou ralisation de X
t
. t x, la fonction X(t, ) est une variable alatoire. X
t
est adapt la ltration F
t
si X
t
est F
t
-mesurable. Le thorme de Kolmogorov assure lexistence
des processus stochastiques. X
t
est un processus centr si son esprance est nulle E(X
t
) = 0, et si
X
t
est dans L
2
(E[X
t
[
2
< ), on dnit :
La moyenne du processus
m
x
(t) =E(X
t
()) =
X
t
()dP()
La variance
2
x
(t) =E[[X
t
E(X
t
)[
2
]
La fonction de covariance
(s, t) =E(X
s
E(X
s
))(X
t
E(X
t
))
=E(X
s
X
t
) E(X
s
)E(X
t
)
La rgularit des trajectoires est dterminer par le thorme de Kolmogorov.
Thorme 1.1 (Kolmogorov) Soit (X
t
)
t0
un processus stochastique tel que pour tout t, t +h
dans [a, b], il existe des constantes p > 0, c > 0 et r > 0 vriant
E[[X
t+h
X
t
[
p
] c[h[
1+r
alors presque toutes les trajectoires sont continues.
7
Les thormes suivants fondent la reprsentation spectral des processus stationnaires.
Thorme 1.2 (Herglotz) Soit c une fonction semi-dnie positive de Z dans C. Il existe une
unique mesure positive sur ] , +] telle que pour tout entier n Z,
c(n) =
e
in
d()
Thorme 1.3 (Bochner) Soit c une fonction continue et semi-dnie positive de R dans C. Il
existe une unique mesure borne telle que pour tout t R,
c(t) =
e
it
d()
Dnition 1.1 (Filtration) Soit (, A, P) un espace de probabilit, la ltration est une famille
croissante de sous tribus de A, not par (F
t
, t 0). La tribu F
t
est une description mathmatique
de toute linformation dont on dispose linstant t. Cette information nous permet dattribuer
des probabilits cohrentes aux vnements pouvant intervenir.
Dnition 1.2 (Processus adapt) Un processus X
t
, t 0 est dit adapt la ltration (F
t
, t
0) si pour chaque t, X
t
est F
t
-mesurable. Un processus adapt est celui pour lequel une description
probabiliste est ralisable.
1.3 Processus stochastiques particuliers
Dnition 1.3 (Processus strictement stationnaire) Un processus X
t
est strictement station-
naire si pour tout entier n et pour tous rels t
1
, t
2
, . . . , t
n
et pour tout h, les variables alatoires
(X
t
1
, X
t
2
, . . . , X
t
n
) et (X
t
1
+h
, X
t
2
+h
, . . . , X
t
n
+h
) ont mme loi.
Dnition 1.4 (Processus stationnaire) Un processus X
t
est stationnaire (ou faiblement station-
naire) si :
son esprance E(X
t
) est une constante indpendante du temps t.
sa fonction de corrlation R(s, t) ne dpend que de la diffrence =t s.
R() est continue ( lorigine).
Si X
t
est un processus stationnaire, sa fonction de corrlation est continue en 0 et dnie positive.
La fonction
() =
R()
R(0)
est une fonction caractristique daprs le thorme 1.3 de Bochner. Par consquent, il existe une
fonction Z() appele fonction de rpartition spectrale telle que Z() sannule au voisinage de
, et reste ni lorsque tend vers + telle que
R() =
e
i
dZ()
8
De plus, si Z est absolument continue, il existe une fonction S() appele densit spectrale du
processus X
t
, telle que S() = dZ()/d et
R() =
e
i
S()d
Par application de la transforme de Fourier inverse, si

[R()[d < alors la densit spectrale
est donne par
S() =
1
2
e
i
R()d
Exemple 1.1 Un bruit blanc est un processus stationnaire dont la densit spectrale est constante
S
X
() = a. Sa fonction de corrlation est donc de la forme R
X
() = a(). Un tel processus
contient toutes les frquences (do son nom de bruit blanc). Sa variance nest pas borne, il
nest donc pas ralisable en thorie.
Les gures 1.1 et 1.2 montre une seule trajectoire simule dun bruit blanc gaussien, avec sa
densit spectrale estime.
FIGURE 1.1 Bruit blanc gaussien avec m = 0
et
2
= 1.
FIGURE 1.2 Densit spectrale dun bruit blanc
gaussien.
Dnition 1.5 (Processus accroissements indpendants) Un processus X
t
est un processus
accroissements indpendants si pour tous rels t
1
<t
2
< <t
n
, les variables alatoires X
t
0
, X
t
1
X
t
0
, . . . , X
t
n
X
t
n1
sont indpendantes. Si X
t
est un processus accroissements indpendants,
alors pour tout s et t tels que 0 s t, X
t
X
s
est indpendant de F
s
=(X
u
, u s). La loi de X
t
est entirement dtermine par la loi de X
t
X
s
.
9
Dnition 1.6 (Processus accroissements indpendants stationnaires) Un processus X
t
est
un processus accroissements indpendants stationnaires si X
t
est un processus accroissements
indpendants et si X
t
X
s
a mme loi que X
ts
. Si X
t
est un processus accroissements indpen-
dants, alors sa fonction caractristique scrit
t
1
,...,t
n
(x
1
, . . . , x
n
) =
t
1
(x
1
+ +x
n
)
t
1
,t
2
(x
2
+ +x
n
). . .
t
n1
,t
n
(x
n
)
avec
t
i
,t
i+1
(x) =E[expix(X
t
i+1
X
t
i
)]
si X
t
est un processus accroissement indpendants stationnaires alors sa loi est indniment
divisible. La loi du processus X
t
est entirement dtermine par la loi de X
1
.
Thorme 1.4 Soit X
t
un processus accroissement indpendants stationnaires, (F
t
) la ltra-
tion engendre par le processus X
t
et T un temps darrt. Alors le processus Y
t
= X
T+t
X
t
est
un processus accroissements indpendants stationnaires de mme loi que X
t
et indpendant de
F
T
.
Dnition 1.7 (Processus gaussien) Un processus X
t
est gaussien si pour tout entier n et pour
tous rels t
1
, t
2
, . . . , t
n
les variables alatoires (X
t
1
, X
t
2
, . . . , X
t
n
) ont une distribution gaussienne.
Si on note m(t) lesprance de X
t
et R(s, t) la fonction de corrlation du processus, sa fonction
caractristique scrit
t
1
,...,t
n
(x
1
, . . . , x
n
) =E
_
expi
n
j=1
x
j
X
t
j
()
_
= exp
_
i
n
j=1
x
j
m(t
j
)
1
2
n
j=1
n
k=1
x
j
x
k
R(t
j
, t
k
)
_
un processus gaussien est entirement dtermin par la donne de sa valeur moyenne m(t) et de
sa fonction de corrlation R(s, t).
1.4 Processus stochastiques tabli partir de la distribution
gamma
La distribution gamma, caractrise par les deux paramtres et , se dnit comme suit :
f (x[, ) =

()
x
1
exp
_
_
o () est la fonction gamma dnie comme :
() =
+
0
y
1
exp(y)dy
10
noter que si = n et que n est un entier, on a alors le rsultat suivant :
(n) = (n1)!
La moyenne dune variable alatoire X qui obit une distribution gamma est de :
E(X) =
Et sa variance est de :
var(X) =
2
La gure 1.3 montre lvolution dun tel processus. Comme on peut le constater la lecture de
cette gure, de nombreux sauts se manifestent dans un tel processus stochastique, en ce sens
que ces sauts sloignent de beaucoup plus dcart-types de la moyenne que ne lautorise la
distribution normale.
FIGURE 1.3 Processus alatoire tabli partir de la distribution (0.5, 2).
1.5 Processus stochastiques tabli partir de la distribution
de Student
La distribution de Student est une autre distribution qui est de plus en plus utilise dans la
modlisation des prix des produits drivs.
11
Soit Z une N(0, 1) et
2
(r)
une variable alatoire Chi-deux avec r degrs de libert. Alors
T =
Z
_
2
(r)
/r
a une distribution Student qui est note St
(r)
. Elle est symtrique autour de 0, mais
tend vers la distribution normale lorsque le nombre de degrs de libert se dirige vers linni.
La gure 1.4 prend acte de lvolution dun tel processus. Encore une fois, des sauts trs
apparents se font jour lors du droulement du processus stochastique de la srie, ils sont dautant
plus amples que lon rduit le nombre de degrs de libert de la distribution de Student.
FIGURE 1.4 Processus alatoire tabli partir de la distribution St
(2)
.
1.6 Processus de Markov
Soit (, A, P) un espace de probabilit et (E, B) lespace des tats, B dsigne la tribu des
borliens de E, Un processus X
t
est un processus de Markov si pour tout u et t 0 et pour tout
A B, on a
P(X
t+u
A[X
s
, s t) =P(X
t+u
A[X
t
)
Ce qui signie que le processus ne dpend que du dernier instant et non de toute son histoire
P(X
t
n
< x
n
[X
t
n1
= x
t
n1
, . . . , X
t
1
= x
t
1
) =P(X
t
n
< x
t
n
[X
t
n1
= x
t
n1
)
Pour dmontrer quun processus est un processus de Markov, il suft de montrer par le thorme
de classe monotone que pour tout n, pour tous rels t
1
t
2
t
n
et pour toute fonction f
12
borlienne borne
E( f (X
t
n
)) =E( f (X
t
n
)[X
t
n1
)
La probabilit de transition pour passer de ltat x au temps s un tat appartenant A linstant
t est note pour s <t
P
s,t
(x, A) = p(s, x; t, A) =P(X
t
A[X
s
= x)
La fonction A p(s, x; t, A) est une probabilit sur B. La probabilit de transition vrie lqua-
tion de Chapman-Kolmogorov qui scrit sous les formes suivantes. Soit s <u <t tel que X
u
=y,
on a
P
s,t
(x, A) =
E
P
s,u
(x, dy)P
u,t
(y, A)
et dans le cas dun espace E dnombrable
P
s,t
(x, z) =

yE
P
s,u
(x, y)P
u,t
(y, z)
Si on note p
t
0
(A) la distribution de X
t
0
p
t
0
(A) =P(X
t
0
A)
alors pour tous rels t
0
<t
1
< <t
n
,
P(X
t
1
B
1
, . . . , X
t
n
B
n
) =
E
p
t
0
(dx
0
)
n1
k=1
B
k
p(t
k1
, x
k1
; t
k
, dx
k
)p(t
n1
, x
n1
; t
n
, B
n
)
En particulier,
P(X
t
B) =
E
p(t
0
, x; t, B)p
t
0
(dx)
Le processus X
t
est un processus de Markov homogne si pour tout s et t de T, la transition
p(s, x; t, B) = p(x, , B)
ne dpend que de =t s. Les oprateurs P
s,t
= P
ts
sont nots simplement P
t
. Ils forment dans
le cas homogne un semi-groupe. On a P
t
P
s
= P
t+s
, pour tout s, t > 0.
1.7 Processus du second ordre
Un processus X
t
est un processus du second ordre si E[X
t
[
2
< . Une srie chronologique
est un processus du second ordre temps discret. On dit que le processus du second ordre X
t
converge en moyenne quadratique (i.e. dans L
2
) vers une variable alatoire Y quand t tend vers
t
0
si et seulement si sa fonction de corrlation converge quand s et t tendent vers t
0
et dans ce cas
R(s, t)
s,tt
0
E[Y[
2
On dit que X
t
un processus du second ordre est continu en moyenne quadratique si
lim
h0
E[X
t+h
X
t
[
2
= 0
13
Proposition 1.1 Un processus du second ordre X
t
est continu en moyenne quadratique si et
seulement si sa fonction de corrlation R(t, t) est continue en t.
La continuit en moyenne quadratique nentrane pas la continuit des ralisations du processus.
Si X
t
est un processus de Poisson, sa fonction de corrlation R(s, t) = min(s, t) est continue,
mais presque toutes les ralisations ont des discontinuits sur un intervalle de temps ni.
On dit que X
t
un processus du second ordre est drivable en moyenne quadratique si la limite du
taux daccroissement (X
t+h
X
t
)/h converge dans L
2
vers une variable note X
/
t
.
lim
h0
X
t+h
X
t
h
X
/
t
2
= 0
Proposition 1.2 Un processus du second ordre X
t
est drivable en moyenne quadratique si et
seulement si sa fonction de corrlation R(s, t) est drivable en (s, t)
La drivation en moyenne quadratique est linaire. Si X
t
est drivable en moyenne quadratique,
alors X
t
est continue en moyenne quadratique.
Proposition 1.3 Si X
t
est un processus du second ordre centr et drivable en moyenne quadra-
tique et si les drives partielles existent, alors
R
X
(k)
X
(l)
(s, t) =E[X
(k)
(s)X
(l)
(t)] =

k+1
k
s
l
t
R
X
(s, t)
En particulier, un processus stationnaire est diffrentiable en t si et seulement si sa fonction de
corrlation R(u) admet une drive du second ordre en u et dans ce cas
R
X
(k)
X
(l)
(u) = (1)
k
d
k+1
du
k+1
R
X
(u)
Si X
t
est drivable en moyenne quadratique et si X
t
admet la densit spectrale S
X
(), alors le
processus driv admet une fonction spectrale S
X
/ () donne par
S
X
/ () =
2
S
X
()
Plus gnralement,
S
X
(k)
X
(l)
() = (i)
k
(i)
l
S
X
()
En particulier, la fonction de corrlation de la drive dordre k dun processus X
t
est
R
X
(k)
(u) = (1)
k
d
2k
du
2k
R
X
(u)
Sa fonction spectrale est donne par la formule
S
X
(k)
() = (1)
k
()
2k
S
X
()
14
Thorme 1.5 (Karhunen-Love) Soit X
t
un processus du second ordre pour t [a, b], continu
en moyenne quadratique, centr. Il existe un et un seul dveloppement, appel dveloppement de
Karhunen-Love de la forme
X
t
() =
n=1
Y
n
()
n
(t)
o les Y
n
sont des variables alatoires du second ordre telles que E(Y
i
Y
j
) =0 si i ,= j et E([Y
i
[
2
) =
i
o les
i
sont les valeurs propres et les
i
sont les vecteurs propres de loprateur R : L
2
L
2
symtrique compact
Rf (s) =
b
a
R(s, t) f (t)dt
vriant
b
a
R(s, t)
n
(t)dt =
n
n
(t)
Exemple 1.2 Pour un mouvement brownien W
t
, 0 t 1 (Chapitre 2 Section 2.2.3), le dve-
loppement scrit pour une suite de variables alatoires Z
n
de loi normale centre rduite N(0, 1)
telles que E[Z
n
[
2
= 1,
W
t
=
n=1
Z
n
sin(n+1/2)t
(n+1/2)
Et pour un pont brownien standard X
t
, 0 t 1 (Chapitre 2 Section 2.9.2), nous avons le
D.K.L
X
t
=
n=1
Z
n
sin(nt)
n
1.8 Processus ergodiques
Un processus du second ordre X
t
de moyenne m(t) et de fonction de corrlation R(s, t) est
ergodique si
1
T
2
T
0
T
0
R(s, t)dsdt
m.q
0
ce qui quivaut
1
T
T
0
(X
t
m(t))dt
m.q
0
si X
t
est stationnaire, X
t
est ergodique si et seulement si
R()
[[
0
ou :
lim
T
1
T
T
0
_
1

T
_
R()d = 0
Ainsi la connaissance de la fonction de corrlation et de la moyenne permet de dterminer si le
processus est ergodique.
15
1.9 Martingales et temps darrt
Les martingales temps discret ou temps continu sont loutil essentiel du probabiliste. Elles
permettent dtablir de nombreux rsultats.
Dnition 1.8 Soit (, A, P) un espace de probabilit, muni dune ltration (F
t
)
t0
. Un proces-
sus valeurs relles (M
t
)
t0
est une F
t
-martingale si :
il est adapt la ltration (F
t
)
t0
, ce qui veut dire que pour tout t, M
t
est F
t
-mesurable.
chaque variable M
t
est intgrable, et :
s t E(M
t
[F
s
) = M
s
on dit que M
t
est une F
t
-sur-martingale (resp. F
t
-sous-martingale) si lgalit ci-dessus est rem-
place par :
E(M
t
[F
s
) M
s
(resp.E(M
t
[F
s
) M
s
)
En particulier, lesprance E(M
t
) dune martingale, (resp. dune sur-martingale, sous-martingale),
est une fonction constante du temps (resp. dcroissante, croissante). De manire vidente, une
martingale est un processus qui est la fois une sur-martingale et une sous-martingale et si M
t
est une martingale, alors M
t
est une sous-martingale.
Proprit 1.1 (1). (M
t
)
t0
est une martingale si et seulement si (M
t
)
t0
est la fois une sur-
martingale et une sous-martingale.
(2). (M
t
)
t0
est une sous-martingale si et seulement si (M
t
)
t0
est une sur-martingale.
(3). La somme de deux martingales (resp. sous-martingale, sur-martingale) est une martingale
(resp. sous-martingale, sur-martingale).
1.9.1 Temps darrt
Cette notion joue un rle trs important en thorie des probabilits.
Dnition 1.9 Soit (F
t
)
t0
une ltration. Une application T : [0, [ est un temps darrt si
T t F
t
pour tout t 0.
Un temps darrt est donc un temps alatoire, tel que sur chaque ensemble : T() t,
lapplication T() dpend seulement de ce qui sest pass avant le temps t.
Un joueur honnte, qui ne peut pas anticiper sur les vnements futurs, peu dcider darrter
le jeu au temps alatoire T uniquement si T est un temps darrt. Un exemple trivial de temps
darrt est donn par T() =t pour tout .
En dehors des temps constants, lexemple fondamental de temps darrt est le temps datteinte
dun ensemble borlien A par un processus X
t
trajectoires continues droite et adapt la
ltration F
t
. On dnit plus prcisment :
T = inf(t 0; X
t
A)
16
1.9.2 Thorme darrt
Soit M
t
une martingale. La proprit des martingale peut facilement tre tendue aux temps
darrt borns.
Thorme 1.6 Si S et T sont deux temps darrt et si a R, alors :
E(M
T
[F
S
) = M
S
sur lensembleS T a (1.1)
En particulier, si T est un temps darrt qui est born, on a :
E(M
T
) =E(M
0
) (1.2)
Quand M
t
dsigne de nouveau le gain dun joueur au temps t, la proprit (1.2) peut tre
interprte comme suit. Quelle que soit la stratgie non anticipante que le joueur choisit pour
arrter le jeu, et sil doit nir de jouer avant un temps dterministe donn (aussi grand que soit
ce temps), alors la valeur espre de son gain est constante et gale son capital initial.
Observons que la relation (1.1) est, en gnral, fausse sur lensemble S T, et de mme
(1.2) est fausse si T nest pas born. Par exemple si M
t
= B
t
ou B
t
est un mouvement brownien
et si T = inf(t : M
t
= 1), alors E(M
0
) = 0 < E(M
T
) = 1. Dans ce cas, le temps alatoire T est
presque srement ni, mais nest pas born et a mme une esprance innie.
17
2
Mouvement Brownien
Sommaire
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Construction du mouvement brownien . . . . . . . . . . . . . . . . . . . . 20
2.3 Semi-groupe du mouvement brownien . . . . . . . . . . . . . . . . . . . . . 24
2.4 Approximation la drive dun mouvement brownien standard par un bruit
blanc gaussien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.5 Continuit des trajectoires . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.6 Rgularit des trajectoires . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.7 Mouvement brownien arithmtique . . . . . . . . . . . . . . . . . . . . . . 32
2.8 Mouvement brownien gomtrique . . . . . . . . . . . . . . . . . . . . . . 34
2.9 Pont brownien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.10 Martingales exponentielles . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.11 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
18
Mouvement Brownien
2.1 Introduction
L
e mouvement brownien est une description mathmatique du mouvement alatoire dune
grosse particule immerge dans un uide et qui nest soumise aucune autre interaction
que des chocs avec les petites molcules du uide environnant. Il en rsulte un mouvement trs
irrgulier de la grosse particule, qui a t dcrit pour la premire fois en 1827 par le biologiste
Robert Brown [11] alors quil observait du pollen de Clarkia pulchella (une espce de eur
sauvage nord-amricaine), puis de diverses autres plantes, en suspension dans leau.
La description physique la plus lmentaire du phnomne est la suivante
1. Entre deux chocs, la grosse particule se dplace en ligne droite avec une vitesse constante.
2. La grosse particule est acclre lorsquelle rencontre une molcule de uide ou une paroi.
Cette description permet de dcrire avec succs le comportement thermodynamique des gaz
(thorie cintique des gaz), ainsi que le phnomne de diffusion. Brown nest pas exactement le
premier avoir fait cette observation. Il signale lui-mme que plusieurs auteurs avaient suggr
lexistence dun tel mouvement (en lien avec les thories vitalistes de lpoque). Parmi ceux-ci,
certains lavaient effectivement dcrit, on peut mentionner en particulier labb John Turberville
Needham (1713-1781), clbre son poque pour sa grande matrise du microscope.
La ralit des observations de Brown a t discute tout au long du XXe sicle. Compte tenu
de la mdiocre qualit de loptique dont il disposait, certains ont contest quil ait pu voir vrita-
blement le mouvement brownien, qui intresse des particules de quelques micromtres au plus.
Les expriences ont t refaites par lAnglais Brian Ford [12] au dbut des annes 1990, avec le
matriel employ par Brown et dans les conditions les plus semblables possibles. Le mouvement
a bien t observ dans ces conditions, ce qui valide les observations de Brown.
Quelques annes plus trad en 1905, Albert Einstein mit en vidence les tranges relations
que le processus entretenait avec lquation de la chaleur. Vers 1909, Jean Perrin entreprit son
tude exprimentale et Paul Langevin posa la premire quation. Mais il faudra attendre 1925 et
les travaux de Norbert Wiener pour que le mouvement brownien ait vritablement un sens ma-
thmatique comme modle dun bruit blanc. partir des annes 1950, Kiyoshi It [27] lutilisa
pour dnir lintgrale qui porte son nom et jeta les bases du calcul stochastique.
Nous nous intressons dans ce chapitre principalement a les principaux processus alatoires
lexception du mouvement brownien, ces proprits, ces caractristiques, ainsi sa construction
mathmatique et sa simulation par trois approches, nous retrouverons la plupart de ces proces-
sus dans les problmes de calcul stochastique. Nous introduisons la notion de martingale ex-
ponentielle qui joue un rle trs importante dans les calcules des lois des temps de passage du
mouvement brownien, ainsi la thorme de caractrisation de Paul Lvy.
19
Mouvement Brownien
2.2 Construction du mouvement brownien
Ce processus de diffusion peut tre construit par diffrentes approches. Les dnitions les
plus usuelles du mouvement brownien sont les suivantes.
2.2.1 Construction par un processus gaussien
Un processus stochastique W
t
est un mouvement brownien ou un processus de Wiener si W
0
=
0 (on dit que W
t
est issu de 0) et si pour tous rels 0 < t
1
< t
2
< < t
n
, les variables alatoire
W
t
1
W
t
0
, . . . ,W
t
n
W
t
n1
sont indpendants et suivent une distribution gaussienne centre rduite
(on dit que le mouvement brownien est standard si m = 0 et = 1) telle que :
_
E(W
t+h
W
t
) = 0
E(W
t+h
W
t
)
2
= h
Dans le cas gnral, lorsque le mouvement brownien nest pas centr rduit, on a :
_
E(W
t
k
W
t
k1
) = m(t
k
t
k1
)
E((W
t+h
W
t
m(t
k
t
k1
))
2
=
2
(t
k
t
k1
)
le vecteur (W
t
0
,W
t
1
, . . . ,W
t
n
) est un vecteur gaussien. Le processus W
t
suit une loi gaussienne
de moyenne mt et de variance
2
t. On peut facilement simuler une trajectoire de mouvement
brownien dans un intervalle de temps [0, T], il suft de xe un pas de temps t > 0 et dcrire
W(t) =W(t) W(0) N(0, t)
tN(0, 1)
Les accroissements (W
nt
W
(n1)t
) tant indpendants et gaussiens, il suft donc de simuler
une loi gaussienne
W
t+t
W
t
N(0, t)
tN(0, 1)
Ainsi, nous pouvons simuler facilement une seule trajectoire brownienne de la faon suivante. On
considre la subdivision de lintervalle de temps [0, T] suivante 0 =t
1
<t
2
< <t
N
<t
N+1
=T,
avec t
i+1
t
i
= t, pour i = 1 on a W(0) =W(t
1
) = 0. On donne lalgorithme suivant :
1. Gnre un nouveau variable alatoire Z de la distribution gaussienne N(0, 1).
2. i = i +1.
3. W(t
i
) =W(t
i1
) +Z
t.
4. Si i N+1, ritrez a ltape 1.
La fonction BMN permet de simuler un mouvement brownien standard W
t
, t 0 dans lin-
tervalle de temps [t
0
, T] avec un pas t = (T t
0
)/N, et la fonction BMNF permet de simuler un
ux brownienne standard (C =
2
)
R> BMN(N = 1000, t0 = 0, T = 1, C = 1)
R> BMNF(N = 1000, M = 100, t0 = 0, T = 1, C = 1)
20
Mouvement Brownien
FIGURE 2.1 Trajectoire brownienne simule a
partir dune distribution gaussienne.
FIGURE 2.2 Flux de trajectoires brownienne
simules a partir dune distribution gaussienne.
2.2.2 Construction par une limite dune marche alatoire
Une caractrisation du mouvement brownien indique quil peut voir en tant que limite dune
marche alatoire dans le sens suivant. Considrons une suite de variables alatoires indpendants
X
i
centres de variance
2
et la marche alatoire S
n
= X
1
+X
2
+ +X
n
, o
X
i
=
_
+1 si p = 1/2
1 si p = 1/2
On dnit une suite de variables Y
n
par la formule suivante :
Y
n
(t) =
S
[nt]
+(nt [nt])X
[nt]+1
n
o [.] est la partie entire.
Ce rsultat fondamental est donn par le thorme de Donsker (1951) et est, en fait, au niveau
des processus, une version du thorme usuel de la limite centrale
Thorme 2.1 (Principe dinvariance de Donsker) Soit (X
n
)
n1
une suite de variables ala-
toires relles indpendantes, identiquement distribues, avec E(X
n
) = 0 et E(X
2
n
) = 1. Soit
S
n
=
1in
X
i
avec S
0
= 0.
Les processus des sommes normalises Y
n
t
=
1
n
S
[nt]
(o [nt] dsigne la partie entire de nt)
convergent en loi, en tant que processus, vers le mouvement brownien.
21
Mouvement Brownien
Cette convergence donne une dnition du mouvement brownien comme lunique limite (en loi)
de marches alatoires.
Le code 1, permettre de simule un mouvement brownien standard comme lunique limite
de marche alatoire. La gure 2.3 donne une reprsentation de lapproximation dun mouvement
brownien par une marche alatoire pour n = 10,n = 100 et n = 1000.
FIGURE 2.3 Trajectoire brownienne comme limite dune marche alatoire.
2.2.3 Construction par le dveloppement de Karhunen-Love (D.K.L)
Pour un mouvement brownien W
t
, 0 t 1, le dveloppement de Karhunen-Love [15, 16]
scrit pour une suite de variables alatoires Z
n
de loi normale centre rduite telles que E[Z
2
n
[ =
1,
W
t
=
n=1
Z
n
sin(n+1/2)t
(n+1/2)
t [0, 1] (2.1)
Preuve partir du thorme de Karhunen-Love 1.5, on a lquation aux valeurs propres
1
0
(s t)
n
(s)ds =
n
n
(t)
scrit
t
0
s
n
(s)ds +
1
t
t
n
(s)ds =
n
n
(t)
22
Mouvement Brownien
soit en drivant
/
n
(t) =
1
t
n
(s)ds
deux fois
//
n
(t) =
n
(t)
avec
/
n
(1) = 0. La rsolution de cette quation conduit
n
(t) = csin(t/
_
n
)
La constante c est dtermine par le fait que les fonctions propos sont orthonormes
1
0
2
n
(s)ds = 1
do c =
2. La condition limite
/
n
(1) = 0 donne lquation cos(1/
n
) = 0 qui fournit les
valeurs propres
n
=
1
(n+1/2)
2
do le dveloppement
W
t
=
n=1
Z
n
sin(n+1/2)t
(n+1/2)
Le code 2 (Annexe A), permettre de simule un mouvement brownien standard a partir de
D.K.L. La gure 2.4 donne une reprsentation graphique du une approximation dun mouvement
brownien par le D.K.L pour n = 10,n = 100 et n = 1000.
23
Mouvement Brownien
FIGURE 2.4 Approximation dun mouvement brownien par le D.K.L.
2.3 Semi-groupe du mouvement brownien
2.3.1 Proprit de Markov
Considrons un mouvement brownien W
t
sur (, A, P), et la ltration (F
t
)
t0
quil engendre.
Puisquil est accroissements indpendants, la variable Y := W
t+s
W
t
est indpendante de la
tribu F
t
. On a pour chaque fonction f borlienne borne sur R :
E( f (W
t+s
)[F
t
) =E( f (W
t
+Y)[F
t
) =
R
1
2s
e
x
2
/2s
f (W
t
+x)dx (2.2)
Cette formule montre que conditionnellement F
t
, la loi de W
t+s
ne dpend pas de tout le
pass (cest--dire de toutes les variables W
r
pour r t), mais seulement de la valeur "prsente"
W
t
du processus. On dira que le mouvement brownien est un processus de Markov.
Dnition 2.1 Un processus X
t
est un processus de Markov si, tant donn la ltration F
t
en-
gendre par le processus, celui-ci vrie la proprit de Markov, savoir que pour tous s, t 0
et pour toute fonction f borlienne borne sur R :
E( f (X
t+s
)[F
t
) =E( f (X
t+s
)[X
t
) (2.3)
24
Mouvement Brownien
Dans le cas du mouvement brownien, les variables W
r
pour r t, sont indpendantes, condi-
tionnellement la valeur de W
t
. De plus, la loi de W
t+s
sachant F
t
dpend bien sr de s, mais pas
de t. On dit que le mouvement brownien est un processus de Markov homogne.
Dnition 2.2 Soit X
t
un processus de Markov homogne. On appelle semi-groupe de transi-
tion de X
t
la famille (P
t
)
t0
doprateurs positifs linaires :
P
t
: L
(R
d
) P
t
L
(R
d
)
P
t
(x) =E((X
t
)[X
0
= x) =
R
d
(y)P
t
(x, dy)
qui satisfait P
t
1 = 1 et la proprit de semi-groupe :
P
0
= Id , P
t+s
= P
s
P
t
s, t 0 (2.4)
Dans le cas du mouvement brownien, qui est un processus de markov homogne, le semi-
groupe (P
t
)
t0
est donn par :
P
t
(x, dy) =
1
2t
exp
_
(y x)
2
2t
_
dy (2.5)
comme le montre immdiatement la formule (2.2).
En utilisant les relations (2.2) et (2.5), on obtient facilement les proprits :
E(W
t
[F
s
) =W
s
; E(W
2
t
[F
s
) =W
2
s
+t s , s <t (2.6)
2.3.2 Mouvement brownien multidimensionnel
Le mouvement brownien multidimensionnel est trs utilis dans les modles de marche en
temps continu. Par exemple, lors de la modlisation simultane des prix de plusieurs actifs ris-
qus.
Dnition 2.3 Un mouvement brownien d-dimensionnel est une collection W = (W
i
)
1id
de
d mouvements browniens valeurs relles W
i
= (W
i
t
)
t0
, qui sont indpendants entre eux.
Ce processus est encore un processus de Markov homogne (et mme un processus accrois-
sements indpendants). Son semi-groupe vaut alors :
P
t
(x, dy) =
1
(2t)
d/2
exp
_
[[y x[[
2
2t
_
dy (2.7)
o x et y appartiennent R
d
, [[.[[ dsigne la norme euclidienne sur R
d
, et dy la mesure de Le-
besgue sur R
d
.
Les deux fonctions BMN2D et BMRW2D permettre de simule un mouvement brownien 2 dimen-
sions, respectivement par la distribution gaussienne et par approximation une marche alatoire.
25
Mouvement Brownien
R> BMN2D(N = 10000, t0 = 0, T = 1, x0 = 0, y0 = 0, Sigma = 1)
R> BMRW2D(N = 10000, t0 = 0, T = 1, x0 = 0, y0 = 0, Sigma = 1)
FIGURE 2.5 Mouvement brownien 2D si-
mule a partir dune distribution gaussienne.
FIGURE 2.6 Approximation dun mouvement
brownien 2D par une marche alatoire.
La fonction BMN3D permettre de simule un mouvement brownien 3-dimensions.
R> BMN3D(N = 10000, t0 = 0, T = 1, X0 = 0, Y0 = 0, Z0 = 0, Sigma = 1)
FIGURE 2.7 Mouvement brownien 3D simule a partir dune distribution gaussienne.
26
Mouvement Brownien
2.4 Approximation la drive dun mouvement brownien stan-
dard par un bruit blanc gaussien
Un bruit blanc est une ralisation dun processus alatoire dans lequel la densit spectrale est
la mme pour toutes les frquences, on parle souvent de bruit blanc gaussien, il sagit dun bruit
blanc qui suit une loi normale de moyenne et variance donnes.
Dnition 2.4 Un processus
t
est quali de bruit blanc gaussien si :
E(
t
) = 0 et E(
2
t
) =
2

t
et
s
sont indpendants t ,= s

t
N(0,
2
)
Par analogie avec le bruit blanc en temps discret, dni comme une suite de variables ala-
toires, centres, du second ordre et indpendants, on cherche dnir
t
t0
comme un proces-
sus stochastique vriant t > 0 et h > 0 :
E(
t
) = 0
E(
t
t+h
) =
0
(h)
o
0
est la mesure de Dirac en 0.
Un tel processus nexiste pas. Son idalisation est la drive dun mouvement brownien standard.
Si pour t > 0 x, on considre le processus
t
=
W
t+t
W
t
t
Il est facile de montrer grce aux proprits donnes par la dnition de mouvement brownien
que :
E(
t
) = 0 et E(
t
t+h
) =
1
t
_
1
[h[
t
_
1
[0,1]
_
[h[
t
_
Quand t 0,E(
t
t+h
) converge vers
0
(h). Il est donc clair que la drive formelle
dW
t
dt
a
les proprits dun bruit blanc gaussien. Ce qui justie lafrmation concernant lidalisation du
bruit blanc.
Donc on peut crire formellement :
t
=
dW
t
dt
2.5 Continuit des trajectoires
Dire quun processus alatoire X
t
, t 0 est continu cest, par dnition dire que
lim
h0
[X
t+h
X
t
[ = 0
Selon le type de convergence de cette variable alatoire, on obtient une continuit plus ou moins
forte. La plus faible des notions de continuit est lie la convergence en loi. Elle est vide-
ment vrie. Nous allons dmontrer une continuit en probabilit pour le mouvement brownien
standard.
27
Mouvement Brownien
Proposition 2.1 Soit > 0 et W
t
, t 0 un mouvement brownien standard. On a
lim
h0
1
h
P([W
t+h
W
t
[ > ) = 0
Preuve Soit h > 0, par dnition, laccroissement W
t+h
W
t
admet pour loi N(0, h). Donc
1
h
P([W
t+h
W
t
[ > ) =
2
h
2h
e
x
2
2h
dx
< 2
2
1
h
3/2
e
x
2h
dx
=
1
h
3/2
2h
2
2h
Le dernier terme converge vers 0 lorsque h 0.
2.6 Rgularit des trajectoires
Le mouvement brownien a de nombreuse proprits dont certaines peuvent tre prise comme
dnition.
Proposition 2.2 Le processus W
t
est un processus accroissements indpendants de fonction de
covariance
(s, t) =E(W
s
W
t
) =
2
min(s, t)
Preuve Le mouvement brownien est un processus centr, les accroissements tant indpendants,
on a pour 0 s <t,
E(W
s
W
t
) =E(W
s
(W
t
W
s
)) +E(W
2
s
)
=E(W
s
)E(W
t
W
s
) +var(W
s
)
= 0+
2
s =
2
s
et pour 0 t < s on a,
E(W
t
W
s
) =E(W
t
(W
s
W
t
)) +E(W
2
t
)
=E(W
t
)E(W
s
W
t
) +var(W
t
)
= 0+
2
t =
2
t
dou : E(W
s
W
t
) =
2
min(s, t).
La fonction BMcov donne une reprsentation graphique (Figure 2.8) de la fonction de covariance
empirique dun mouvement brownien standard (pour M = 500 trajectoires simule de taille N =
1000, C =
2
).
28
Mouvement Brownien
R> BMcov(N = 1000, M = 500, T = 1, C = 1)
FIGURE 2.8 Fonction de covariance empirique dun mouvement brownien standard.
Proposition 2.3 La densit de W = (W
t
1
W
t
0
, . . . ,W
t
n
W
t
n1
) est donne par
f
W
(x
1
, . . . , x
n
) =
n
j=1
1
_
2(t
j
t
j1
)
exp
x
2
j
2(t
j
t
j1
)
Proposition 2.4 La densit de W = (W
t
1
, . . . ,W
t
n
) est
f (x
1
, . . . , x
n
) =
n
j=1
1
_
2(t
j
t
j1
)
exp
n
j=1
(x
j
x
j1
)
2
2(t
j
t
j1
)
Proposition 2.5 Pour un mouvement brownien standard (m = 0, = 1) et pour tout n, lesp-
rance
E(W
t+h
W
t
)
2n
=
1
2h
x
2n
e
x
2
/2h
dx = 1.3. . . (2n1)h
n
Presque toutes les ralisations du mouvement brownien sont continues (appliquer le thorme
1.1 de Kolmogorov avec c = 3,p = 4 et r = 1).
29
Mouvement Brownien
Proposition 2.6 Soit W
t
un mouvement brownien standard. On a presque srement,
lim
t+
sup
W
t
t
= + , lim
t0
sup
W
t
t
= +,
lim
t+
inf
W
t
t
= , lim
t0
inf
W
t
t
=,
et
lim
t+
W
t
t
= 0.
Preuve Comme pour tout s > 0,
U = lim
t+
sup
W
t
t
= lim
t+
sup
W
ts
W
t
t
cette limite est indpendante de la tribu (W
u
, u s) et donc de (W
u
, u 0) et par consquent
delle-mme. On a soit P(U = +) = 1 soit P(U = a) = 1. Supposons que la limite sup soit
atteinte en a. Pour tout b > a, P
_
W
t
t
> b
_
tend vers 0, mais P
_
W
t
t
> b
_
=P(W
1
> 0) = 1, Donc
a ne peut tre quinni. Pour la limite infrieure, il suft de considrer W
t
. Pour les limites au
voisinage de zro, on considrera le processus X
t
= tW
1/t
, pour tablir la dernire formule, on
pose s = 1/t et on considre le mouvement brownien X
t
= tW
1/t
, on a W
t
/t = sW
1/s
= X
s
0
p.s. puisque X
t
est un mouvement brownien standard.
Les deux codes 3 et 4, permettes de vrier par simulation la proposition 2.6, le mouvement
brownien standard est simule a partir de dveloppement de Karhunen-Love. La gure 2.9
montre clairement que le mouvement brownien standard est non diffrentiables, et la gure 2.10
montre que la limite de mouvement brownien standard par rapport au temps tend vers 0 quand
t +.
30
Mouvement Brownien
FIGURE 2.9 Le mouvement brownien stan-
dard est non diffrentiables.
FIGURE 2.10 La limite de mouvement brow-
nien standard par rapport au temps.
Proposition 2.7 Soit 0 = t
0
< t
1
< < t
n
< t
n+1
= t une subdivision de lintervalle [0, t] dont
le pas tend vers 0, la variation quadratique converge dans L
2
vers t
V
n
=
n
k=0
(W
t
k+1
W
t
k
)
2
L
2
t
Preuve Le calcul de la norme donne
[[V
n
t[[
2
L
2
=E
_
n
k=0
(W
t
k+1
W
t
k
)
2
(t
k+1
t
k
)
_
2
=E
n
k=0
((W
t
k+1
W
t
k
)
2
(t
k+1
t
k
))
2
+
i,=j
E(X
i
X
j
)
avec
X
i
= ((W
t
i+1
W
t
i
)
2
(t
i+1
t
i
))
Le produit des termes croiss est nul, car on a pour i < j
E(X
i
X
j
) =E(E(X
i
X
j
)[F
t
j
) =E(E(X
i
)E(X
j
[F
t
j
)) = 0
et puisque W
t
i+1
W
t
i
est F
t
j
-mesurable. Il reste donc
[[V
n
t[[
2
L
2
=
n
k=0
E((W
t
k+1
W
t
k
)
2
(t
k+1
t
k
))
2
31
Mouvement Brownien
Mais les accroissements (W
t
k+1
W
t
k
)
2
/(t
k+1
t
k
) ont mme loi que Z
2
, o Z est une variable
alatoire centre rduite. Do
[[V
n
t[[
2
L
2
=E(Z
2
1)
2
n
k=0
(t
k+1
t
k
)
2
E(Z
2
1)
2
t sup(t
k+1
t
k
) 0
Proposition 2.8 Si W
t
est un mouvement brownien, alors il en est de mme pour les processus
suivante
(1). X
t
=
1
a
W
a
2
t
pour a constante non nulle (invariance par changement dchelle).
(2). X
t
=tW
1/t
pour t > 0 et X
0
= 0 (invariance par inversion de temps).
(3). X
t
=W
Tt
W
T
avec T > 0 et t [0, T] (invariance par retournement du temps).
Preuve Il suft de vrier que le processus est gaussien et de mme covariance que W
t
(t s).
Vrions (1), on a
E(X
s
X
t
) =
1
a
2
E(W
a
2
s
W
a
2
t
) =
1
a
2
min(a
2
s, a
2
t) = min(s, t)
De mme pour (2), on a
E(X
s
X
t
) =tsE(W
1/s
W
1/t
) =tsmin(1/s, 1/t) = min(s, t)
et pour (3), on a
E(X
s
X
t
) =E((W
Ts
W
T
)(W
Tt
W
T
))
=E(W
Ts
W
Tt
) E(W
Ts
W
T
) E(W
T
W
Tt
) +E(W
2
T
)
= min(T s, T t) T +s +t
Si t > s, E(X
s
X
t
) = T t T +s +t = s
Si t < s, E(X
s
X
t
) = T s T +s +t =t
dou : E(X
s
X
t
) = min(s, t).
2.7 Mouvement brownien arithmtique
Le mouvement brownien standard ou processus de wiener que nous avons tudier comporte
certaines lacunes. Dabord sa drive est nul, or plusieurs processus stochastiques comportent
une tendance. Par exemple les indices boursiers font montre dune tendance la hausse long
terme. De plus, la variance dun processus stochastique est gale au pas t, comme cette variance
ne peut accepter quun nombre trs limit de processus stochastiques, il y a lieu de choisir la
partie alatoire dun processus stochastique par la variance observe de la srie. Le mouvement
32
Mouvement Brownien
brownien arithmtique o mouvement brownien avec drive (Dans la nance modle de Merton
(1973)) corrige ces deux dciences du processus de wiener. Il scrit comme suit
dX
t
= dt +dW
t
(2.8)
o est la drive de processus et son cart-type, W
t
partir de lquation diffrentielle stochastique (2.8) en remarque que cest la partie stochastique
du processus qui domine court terme et sa tendance long terme.
1
Pour simuler une seule trajectoire du mouvement brownien arithmtique sur un intervalle de
temps [t
0
0
)/N, nous avons utilis la fonction ABM. Et pour un ux de
trajectoires utilisant la fonction ABMF.
On considre la subdivision de lintervalle de temps [t
0
, T] suivante t
0
< <t
N
<t
N+1
= T,
avec t
i+1
t
i
= t, pour i = 0 on a W(0) =W(t
0
) = 0 et X(0) = X(t
0
) = x
0
, on a lalgorithme
suivant :
1. Gnrer un nouveau variable alatoire Z de la distribution gaussienne N(0, 1).
2. i = i +1.
3. W(t
i
) =W(t
i1
) +Z
t.
4. X(t
i
) = X
t
i1
+t +(W
t
i
W
t
i1
)
Remarque 2.1 Si = 0 on a un mouvement brownien.
Comme en prend acte la gure 2.11, le mouvement brownien arithmtique est caractris
par un drive long terme ponctu de dviations qui dpendent de lcart-type du processus
stochastique.
R> ABM(N = 1000, t0 = 0, T = 1, x0 = 0, theta = 2, sigma = 1)
R> ABMF(N = 1000, M = 100, t0 = 0, T = 1, x0 = 0, theta = 2, sigma = 1)
1. En effet, est multipli par dt et par
dt.
33
Mouvement Brownien
FIGURE 2.11 Trajectoire dun mouvement
brownien arithmtique avec = 2 et = 1.
FIGURE 2.12 Flux dun mouvement brownien
arithmtique avec = 2 et = 1.
2.8 Mouvement brownien gomtrique
Un mouvement brownien arithmtique est inappropri pour dcrire lvolution du prix dune
action, tant donn la croissance espre du prix de cette action, dsigne par , et lcart-type
du taux de rendement de laction, reprsent par . En effet, cela supposerait que le rendement
total de laction soit
dS
t
S
t
, aurait tendance diminuer au cours du temps, ce qui est contraire aux
donnes observes sur les rendements des actions. On fait donc lhypothse que le prix dune
action obir un mouvement brownien gomtrique o le modle de march de Black et Scholes,
cest--dire
dS
t
= S
t
dt +S
t
dW
t
(2.9)
La drive et lcart-type sont donc multiplis par S
t
, soit le niveau du prix de laction. Il sensuit
le taux de rendement de laction suit un mouvement brownien arithmtique
dS
t
S
t
= dt +dW
t
(2.10)
Utilisant le lemme dIt que nous examinerons plus en dtail dans le chapitre suivant, lquation
diffrentielle stochastique (2.9) admet pour solution
S
t
= S
0
exp
__
2
2
_
t +W
t
_
, S
0
> 0 (2.11)
34
Mouvement Brownien
Comme le mouvement brownien standard W
t
est de loi N(0, t),
_
2
2
_
t +W
t
est de loi
N
__
2
2
_
t,
2
t
_
et S
t
est de loi lognormale.
Pour simuler une seule trajectoire du mouvement brownien gomtrique (utilisant lquation
(2.11)) sur un intervalle de temps [t
0
0
)/N, nous avons utilis la
fonction GBM. Et pour un ux de trajectoires utilisant la fonction GBMF.
R> GBM(N = 1000, t0 = 0, T = 1, x0 = 1, theta = 2, sigma = 1)
R> GBMF(N = 1000, M = 100, t0 = 0, T = 1, x0 = 1, theta = 2, sigma = 1)
FIGURE 2.13 Trajectoire dun mouvement
brownien gomtrique avec = 2 et = 1.
FIGURE 2.14 Flux dun mouvement brownien
gomtrique avec = 2 et = 1.
Si lquation diffrentielle stochastique du prix de laction se conforme un mouvement
brownien gomtrique, alors le prix de laction suit une loi lognormale. Et si tel le cas le loga-
rithme de S
t
suit une loi normale. Pour le montrer soit lquation (2.9) du prix de laction, et soit
la fonction g qui est gale ln(S
t
). Cette fonction dpend donc de la variable alatoire S
t
. Selon
le lemme dIt, lquation diffrentielle de la fonction g scrit
dg
t
=
g
S
dS
t
+
1
2
2
g
S
2
dS
2
t
(2.12)
Le lemme dIt sapparente donc une expansion de Taylor du second degr. Or,
g
S
=
1
S
et

2
g
S
2
=
1
S
2
35
Mouvement Brownien
En substituant ces drives dans lquation (2.12) et en remplaant dS
t
par lquation (2.9), on
obtient
dg
t
=
1
S
t
(S
t
dt +S
t
dW
t
)
2
S
2
t
2S
2
t
(2.13)
Avec dS
2
t
=
2
S
2
t
dt, nous le justierons dans le chapitre suivant. Aprs simplication de lqua-
tion (2.13), on obtient
dg
t
=
_
1
2
2
_
dt +dW
t
(2.14)
Le logarithme de S
t
, soit la fonction g suit bien une loi normale puisque dW
t
obit une loi
normale. On peut alors crire le prix de laction comme suit
S
t
= S
t1
exp
__
1
2
2
_
dt +dW
t
_
(2.15)
2.9 Pont brownien
Un pont brownien est un objet mathmatique de la thorie des probabilits, galement appel
mouvement brownien attach ("tied down brownian motion" en anglais), mouvement brow-
nien attach en a ("brownian motion tied down at a" en anglais) ou mouvement brownien
pingl ("pinned brownian motion" en anglais).
Considrons un mouvement brownien (W
t
)
0t1
sur lintervalle de temps [0, 1]. On veut cal-
culer la loi conditionnelle de W
t
par rapport la tribu engendre par la variable alatoire W
1
.
Notons L(a, .) la loi conditionnelle de W
t
sachant W
1
= a. Si lon modie la loi du processus W
t
,
celui-ci changer de nom et de proprits.
Dnition 2.5 Le processus W
t
sous la loi L(a, .), est appel le pont brownien, et pont brow-
nien standard si a = 0.
Dnition 2.6 Un pont brownien X
t
est un processus stochastique temps continu dont la loi
celle dun processus de Wiener sachant lvnement W
0
=W
1
= a. Il sagit dun processus ala-
toire gaussien, cest dire que la loi de probabilit de tout vecteur (W
t
1
, . . . ,W
t
n
) conditionnelle-
ment W
1
=a est gaussienne. Il est alors caractris par sa moyenne et sa fonction de covariance,
qui sont donnes par :
E(W
t
[W
1
= a) = at 0 t 1
cov(W
s
,W
t
[W
1
= a) = s(1t) 0 s <t 1
Observons que la moyenne dpend de a, mais pas la covariance. Et si a =0 on a un pont brownien
standard dont
E(W
t
[W
1
= 0) = 0 et cov(W
s
,W
t
[W
1
= 0) = s(1t) 0 s <t 1
36
Mouvement Brownien
Son semi-groupe de transition est donn par la formule suivante, pour 0 s <t < 1
P
(a)
s,t
(x, dy) =
1
_
2(ts)(1t)
1s
exp
_
_
y
1
1s
(x(1t) +a(t s))
_
2
2(ts)(1t)
1s
_
dy
Le pont brownien peut tre vu comme la dnition de la loi dun point X
la date [s, t],

intermdiaire sur la trajectoire dun mouvement brownien dont X
s
et X
t
sont connus, un tel point
suit une loi normale
N
_
X
s
+
s
t s
(X
t
X
s
),
(t )(s)
t s
_
Proposition 2.9 Si (W
t
)
0t1
est un mouvement brownien standard, alors on a
(1). X
t
=W
t
tW
1
est un pont brownien.
(2). X
t
= (1t)W
t/1t
est un pont brownien.
Preuve Il suft de vrier que le processus est gaussien et de covariance gale s(1t) 0
s <t 1. Vrions (1), on a
E(X
s
X
t
) =E((W
s
sW
1
)(W
t
tW
1
))
=E(W
s
W
t
) tE(W
s
W
1
) sE(W
t
W
1
) +tsE(W
2
1
)
= min(s, t) ts = s(1t)
De mme pour (2), on a
E(X
s
X
t
) =E((1s)(1t)W
s/1s
W
t/1t
)
= (1s)(1t)min
_
s
1s
,
t
1t
_
= min(s(1t), t(1s)) = s(1t)
2.9.1 Construction par processus contraint
Soit (W
t
)
t0
un mouvement brownien standard, a et b des rels quelconques. On dnit le
processus (X
)
st
, comme la dformation de W
t
, partir de linstant = s force de passer
par a la date =t. tout instant, utilisant la nullit de lesprance de dW
t
pour tout t, on crit
donc le drift du processus X
comme la diffrence entre a et X
, sur le temps restant avant t. On

obtient donc une description du processus X
comme :
dX
=
aX
t
d+dW
, avec X
s
= b et X
t
= a. (2.16)
Lquation diffrentielle stochastique (2.16) (voir le chapitre correspondant) admet pour solu-
tion :
X
t,a
s,b
() = b+W
s
s
t s
(W
ts
a+b) (2.17)
37
Mouvement Brownien
Nous pouvons simuler une trajectoire dun pont brownien directement partir de lquation
(2.17). On considre la subdivision de lintervalle de temps [0, T] suivante 0 = t
1
< < t
N
<
t
N+1
= T, avec t
i+1
t
i
= t, pour i = 1 et W(0) =W(t
1
) = 0, on a lalgorithme suivant :
1. Gnrer une nouvelle variable alatoire Z de distribution gaussienne N(0, 1).
2. i = i +1.
3. W(t
i
) =W(t
i1
) +Z
t.
4. X(t
i
) = b+W
t
i
t
i
T
(W
T
a+b)
Remarque 2.2 Si a = b = 0 on a un pont brownien standard.
La fonction BB (Brownian Bridge) permet de simuler un pont brownien sur lintervalle de
temps [t
0
0
)/N, et la fonction BBF permet de simuler un ux de pont
brownien.
R> b <- - 2; a <- 1;
R> BB(N = 1000, t0 = 0 , T = 1 , x0 = b, y = a)
R> BBF(N = 1000, M = 100, t0 = 0, T = 1, x0 = 0, y = 0)
FIGURE 2.15 Trajectoire dun pont brownien
partir de X
t
0
=2 et X
T
= 1.
FIGURE 2.16 Flux de 100 trajectoires dun
pont brownien standard X
t
0
= X
T
= 0.
38
Mouvement Brownien
2.9.2 Construction par le dveloppement de Karhunen-Love (D.K.L)
Pour un pont brownien standard X
t
, 0 t 1 est un processus gaussien centr, trajectoires
continues (p.s), tel que X(0) = X(1) = 0. Le dveloppement de Karhunen-Love [15, 16] scrit
pour une suite de variables alatoires Z
n
de loi normale centre rduite telles que E[Z
2
n
[ = 1,
X
t
=
n=1
Z
n
sin(nt)
n
t [0, 1] (2.18)
Utilisant le code 5 pour simule un pont brownien standard a partir de D.K.L. La gure 2.17
donne une reprsentation graphique dune approximation dun pont brownien standard par le
D.K.L pour n = 10,n = 100 et n = 1000.
FIGURE 2.17 Approximation dun pont brownien standard par le D.K.L.
2.10 Martingales exponentielles
Dautres martingales sont lies au mouvement brownien. Les considrer permet dobtenir
dintressants rsultats. La martingale exponentielle ou martingale de Wald, permet en particulier
dobtenir des rsultats concernant les processus accroissements indpendants ayant une drive.
On note
M
t
= exp
_
W
t
2
2
t
_
, t 0
39
Mouvement Brownien
M
t
est une martingale par rapport au mouvement brownien, i.e., pour s <t,
E(M
t
[W
s
, s t) = M
s
2.10.1 Caractrisation de Paul Lvy du mouvement brownien
Soit W
t
, t 0 un mouvement brownien. Les processus suivantes sont des martingales conti-
nues relativement la ltration (F
t
)
t0
X
t
= W
t
(2.19)
Y
t
= W
2
t
t (2.20)
Z
t
=
t
0
f (s)dW
s
o f L
2
(version continue de lintgrale stochastique) (2.21)
L
t
= exp
_
W
t
2
2
t
_
(2.22)
Preuve Pour (2.19), si s t alors X
t
X
s
est indpendante de F
s
donc on a
E(X
t
X
s
[F
s
) =E(W
t
W
s
[F
s
) =E(W
t
W
s
) = 0
do
E(W
t
W
s
[F
s
) =E(W
t
[F
s
) W
s
= 0
Pour (2.20), de mme on a
E(W
2
t
W
2
s
[F
s
) =E((W
t
W
s
)
2
+2W
s
(W
t
W
s
)[F
s
)
=E((W
t
W
s
)
2
[F
s
) +2E(W
s
(W
t
W
s
)[F
s
)
=E((W
t
W
s
)
2
[F
s
) +2W
s
E((W
t
W
s
)[F
s
)
=E(W
2
ts
) =t s
do
E(W
2
t
t[F
s
) =W
2
s
s s t
Pour (2.21), Si f est une fonction tage,
f =
i
1
]t
i
,t
i+1
]
le processus Z
t
Z
t
=
t
0
f (s)dW
s
=
i
(W
t
i+1
t
W
t
i
t
)
40
Mouvement Brownien
est une martingale comme somme de deux martingales arrtes. De plus,
E
_
_
t
0
f (s)dW
s
_
2
_
=E
_
t
0
f
2
(s)ds
_
Si f est dans L
2
, il existe une suite de fonctions f
n
qui converge vers f . La somme
t
0
f
n
(s)dW
s
est une suite de martingales. En passant la limite, on voit que Z
t
est une martingale.
Pour (2.22), on a
E(L
t
[F
s
) =E
_
e
W
t
2
2
t+W
s
W
s
[F
s
_
= e
2
2
t
E
_
e
W
t
+W
s
W
s
)[F
s
_
= e
2
2
t
E
_
e
W
s
e
(W
t
W
s
)
[F
s
_
= e
2
2
t
e
W
s
E
_
e
(W
t
W
s
)
[F
s
_
= e
2
2
t
e
W
s
E
_
e
W
ts
_
et comme on W
t
est un processus gaussien accroissements indpendants et stationnaires, donc
W
ts
N(0, t s) =
t sN(0, 1), do
E(L
t
[F
s
) = e
2
2
t
e
W
s
E
_
e
tsN(0,1)
_
= e
2
2
t
e
W
s
e
2
2
(ts)
= exp
_
W
s
2
2
s
_
Dune manire plus gnrale, le processus M
t
est une martingale
M
t
= exp
_
t
0
f (s)dW
s
1
2
t
0
f
2
(s)ds
_
o f L
2
En prenant pour fonction f on construit une innit de martingales, le processus M
t
devient
M
t
= exp
_
t
0
f (s)dW
s
2
2
t
0
f
2
(s)ds
_
En drivant selon le paramtre , on obtient de nouvelles martingales. Pour f = 1, on trouve
que M
t
= exp
_
W
t
2
2
t
_
est une martingale. En drivant, on obtient une suite de martingales
M
t
/[
=0
=W
t
,
2
M
t
/
2
[
=0
=W
2
t
t,
3
M
t
/
3
[
=0
=W
3
t
3tW
t
,. . .
41
Mouvement Brownien
Thorme 2.2 (Caractrisation de Paul Lvy du mouvement brownien) Soit X
t
un processus
alatoire rel continu. Pour que X
t
soit un mouvement brownien il faut et il suft que X
t
et X
2
t
t
soient des martingales pour la ltration propre de X
t
.
Autrement dit, toute martingale continue est un mouvement brownien. Lhypothse continue
est essentielle. Le processus de Poisson N
t
est une martingale, mme que N
2
t
t, mais il nest
pas continu et donc nest pas un mouvement brownien.
2.10.2 La loi du temps datteinte du mouvement brownien
Soit W
t
un mouvement brownien, les martingales exponentielles permettent de calculer les
lois des temps de passage. Soit a > 0, on dnit T
a
le temps darrt (Chapitre 1 Section 1.9.1),
avec T
0
= 0
T
a
= inft > 0 : W
t
= a
reprsentant le premier instant o le mouvement brownien atteint la valeur a. On pose T
a
=
inf(/ 0) =. On peut calculer la transforme de Laplace de la variable alatoire T
a
, en considrant
la martingale
U
t
= exp
_
W
t
2
2
t
_
En arrtant U
t
laide de T
a
, on introduit la martingale
X
t
=U
tT
a
= exp
_
W
tT
a
2
2
(t T
a
)
_
qui converge vers
exp
_
a
2
2
T
a
_
1
T
a
<
Pour >0, X
t
est une martingale borne puisque W
tT
a
est majore par a. On peut donc appliquer
la relation (1.2) la martingale X
t
et au temps darrt T
a
, ce qui donne E(X
T
a
) = E(X
0
) = 1.
Puisque
X
T
a
= exp
_
a
2
2
T
a
_
Si lon pose =
2
/2, on obtient :
E(exp(T
a
)) = exp(a
2) (2.23)
On obtient ainsi la transforme de Laplace de la variable alatoire T
a
, cette transforme de La-
place peut tre inverse, et cela montre que T
a
admet une densit sur R
+
donne par :
f
a
(x) =
a
2x
3
exp
_
a
2
2x
_
; a > 0, t > 0 (2.24)
42
Mouvement Brownien
La loi de T
a
sappelle une loi stable dindice 1/2 o distribution de Lvy. En particulier, on en
dduit que
P(T
a
< ) = 1 et E(T
a
) =
Des formules similaires existent avec a au lieu de a si a est ngatif, par symtrie du mouvement
brownien. Le processus W
t
est encore un mouvement brownien, et le temps datteinte de a par
W
t
est gale au temps datteint de a par W
t
.
Exemple 2.1 Soit W
t
un mouvement brownien standard. On note
T
x
= inft 0,W
t
= x
et on considre une variable exponentielle X de paramtre 1, alors on a
P(T
x
< X) =

0
P(T
x
<t)e
t
dt =E(e
T
x
) = e
2x
2.10.3 Les temps de passage du mouvement brownien
Considrons maintenant a >0 et b >0, et soit T =min(T
a
, T
b
). La martingale M
t
=W
min(T,t)
est borne, donc uniformment intgrable, et on peut appliquer la relation (1.2) au temps T. cela
entrane que :
0 =E(M
0
) =E(M
T
) = aP(T = T
a
) bP(T = T
b
)
Mais T =T
a
=T
a
<T
b
et T =T
b
=T
b
<T
a
, de telle sorte que nalement on obtient
P(T
a
< T
b
) =
b
a+b
et P(T
b
< T
a
) =
a
a+b
Proposition 2.10 Les temps de passage sont donns par
E
_
exp(T
b
)1
T
b
<T
a
_
=
sinh(a
2)
sinh((b+a)
2)
(2.25)
E
_
exp(T
a
)1
T
a
<T
b
_
=
sinh(b
2)
sinh((b+a)
2)
(2.26)
E(exp((T
a
T
a
))) =
1
cosh(a
2)
(2.27)
Preuve Pour (2.25) on a exp
_
W
t
2
2
t
_
et exp
_
W
t
2
2
t
_
sont des martingales, le proces-
sus
X
t
= (exp(W
t
) +exp(W
t
))exp
_
2
t/2
_
est une martingale. Soit T = inf(T
a
, T
b
) un temps darrt. Le processus X
tT
est une martingale
borne (puisque b W
tT
a). Lorsque t tend vers linni, le processus X
tT
tend vers
(exp(W
T
) +exp(W
T
))exp
_
2
T/2
_
43
Mouvement Brownien
o W
T
vaut
W
T
= a1
T
a
<T
b
b1
T
b
<T
a
Choisissons et de sorte que exp(a) +exp(a) = 0. Par exemple en prenant, =

exp(a)/2 et =exp(a)/2. Le processus
X
t
= sinh((W
t
a))exp(
2
t/2)
est une martingale. Donc le processus arrt
X
tT
= sinh((W
tT
a))exp(
2
(t T)/2)
est aussi une martingale. Par consquent, daprs le thorme darrt (Chapitre 1 Section 1.9.2)
E(X
T
b
) =E(X
0
) = sinh(a) sinh((ba))E(exp(
2
T
b
/2)1
T
b
<T
a
) = sinh(a)
et comme la fonction sinh est une fonction impair (sinh(x) =sinh(x)), donc on a
E(exp(
2
T
b
/2)1
T
b
<T
a
) =
sinh(a)
sinh((b+a))
Si lon pose =
2
/2, on obtient
E
_
exp(T
b
)1
T
b
<T
a
_
=
sinh(a
2)
sinh((b+a)
2)
On dmontre la formule (2.26) de la mme manire, choisissons et de sorte que exp(b)+
exp(b) = 0, en prenant = exp(b)/2 et =exp(b)/2. Dons le processus
X
t
= sinh((W
t
+b))exp(
2
t/2)
est une martingale. Donc on le processus arrt
X
tT
= sinh((W
tT
+b))exp(
2
(t T)/2)
est aussi une martingale. Appliquons le thorme darrt
E(X
T
a
) =E(X
0
) = sinh(b) sinh((a+b))E(exp(
2
T
a
/2)1
T
a
<T
b
) = sinh(b)
E(exp(
2
T
a
/2)1
T
a
<T
b
) =
sinh(b)
sinh((a+b))
On a =
2
/2, on obtient
E
_
exp(T
a
)1
T
a
<T
b
_
=
sinh(b
2)
sinh((b+a)
2)
La troisime formule (2.27) est la somme des deux premires (2.25) et (2.26) dans laquelle on
prendra a = b, donc on
E(exp((T
a
T
a
))) =
2sinh(a
2)
sinh(2a
2)
On sait que sinh(2x) = 2sinh(x)cosh(x) (x = a
2), do on trouver
E(exp((T
a
T
a
))) =
1
cosh(a
2)
44
Mouvement Brownien
2.11 Conclusion
Le mouvement brownien, ou processus de Wiener, joue un rle fondamental dans de nom-
breux domaines. lheure actuelle, un rle important en mathmatiques nancires. Comme on
a pu le constater dans ce chapitre, il y a plusieurs faons de simule une processus stochastique
dune variable alatoire. Le processus de Wiener est la base de toutes ces reprsentations sto-
chastiques. Il entre justement dans la formulation de la partie stochastique de ces divers modles.
Le mouvement brownien arithmtique est le plus simple des processus stochastiques. Mais, pour
modliser le prix dune action, son principal dsavantage est que le rendement de cette action est
une fonction dcroissante du prix de laction. On recourt par consquent au mouvement brownien
gomtrique pour reprsenter le mouvement stochastique du prix dune action. Dans ce chapitre,
nous avons prsent le thorme de Paul Lvy qui caractrise un mouvement brownien, et on a
montre limportance du thorme darrt dans les calculs des temps de passages, cause de la
proprit de martingale.
45
3
Processus de Diffusion
Sommaire
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2 Intgrale stochastique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3 quations diffrentielles stochastiques . . . . . . . . . . . . . . . . . . . . . 56
3.4 Schmas numriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.5 Les modles attractives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
46
3.1 Introduction
A
n de prendre en compte les modlisations de force alatoires qui interviennent dans les
quations de la dynamique comme des termes complmentaires, on a cherch donner un
sens lintgrale lorsque celle-ci est prise par rapport un processus stochastique. Ce chapitre
est consacr dans un premier temps tudier lintgrale
b
a
f (t, )dW(t, )
dans la quelle W
t
est un mouvement brownien standard et f un processus stochastique. Si f est
une fonction dterministe de classe C
1
, lintgrale est une intgrale de Stieltjes classique. Mais
si f dpend alatoirement de la variable , comme le mouvement brownien standard nest nulle
part diffrentiable et que presque toutes ces ralisations nont pas de variations bornes, lin-
tgrale na pas de sens. [27] a t le premier donner un sens cette intgrale. la suite des
travaux dIt, Stratonovitch a propos une autre dnition de lintgrale stochastique, la construc-
tion de lintgrale dIt est assez technique. Dans le contexte de lintgrale stochastique, nous
employons indiffremment la notion de processus de Wiener et celle de mouvement brownien.
Les systmes apparaissant dans les applications sont souvent soumis des perturbations que
lon peut considrer comme alatoires. Dans le cas o le bruit
t
est un bruit blanc gaussien, on
peut modliser lquation par un mouvement brownien et la traiter comme une quation dIt. On
note X(t) = (X
1
(t), . . . , X
n
(t)) le vecteur dcrivant ltat du systme linstant t. On va considrer
des processus X
t
qui sont solution dune forme perturbe de lquation diffrentielle :
dX
t
dt
= (t, X
t
) +(t, X
t
)
t
(3.1)
o le vecteur X(t) = (X
1
(t), . . . , X
n
(t)) dcrit ltat du systme linstant t. Lquation (3.1) peut
scrire formellement :
dX
t
dt
= (t, X
t
) +(t, X
t
)
dW
t
dt
(3.2)
o
dW
t
dt
est la drive formelle par rapport au temps dun mouvement brownien W
t
(Chapitre
2 Section 2.4). En fait, la drive
dW
t
dt
nexiste pas (Dans la littrature dingnieur, la drive
de Wiener est souvent appele bruit blanc). Lquation (3.2) doit tre rcrite avec la notation
diffrentielle
dX
t
= (t, X
t
)dt +(t, X
t
)dW
t
(3.3)
avec (t, X
t
) et (t, X
t
) sont des fonctions mesurables localement bornes sur R
n
. Dans le cas o
le processus X
t
est markovien, on a ce quon appelle une diffusion.
Nous dcrivons dans ce chapitre des mthodes numriques pour la rsolution dquation
diffrentielles stochastiques (DS). Pour approcher numriquement lquation (3.3), on utilise
47
des schmas aux diffrences classiques et le fait que pour un pas h donn, les variables W
(n+1)h
W
nh
suivent des lois gaussiennes indpendantes de variance h. On note x
t
le processus approch
et on considre la subdivision
0 =t
0
<t
1
< <t
N1
<t
N
= T
de pas rgulier
h = t =t
n+1
t
n
Dans le cas multidimensionnel = (
1
, . . . ,
d
) et X
t
= (X
1
(t), . . . , X
d
(t)) sont des vecteurs de
R
d
. Le mouvement brownien a p composantes W
t
= (W
1
(t), . . . ,W
p
(t)) et
j
= (
1
j
,
2
j
, . . . ,
d
j
)
pour j = 1, . . . , d. Lquation (3.3) scrit
X
t
= (t, X
t
)dt +
p
i=1
j
(t, X
t
)dW
j
(t)
et se traite de la mme manire.
La dernire partie de ce chapitre concerne lutilisation des processus de diffusion dans la
modlisation et ltude analytique et par simulation de deux problmes :
Le premier problme est de modliser une trajectoire dun polluant, qui se dplace sur
une surface deau turbulente en prsence dun mcanisme dattraction, qui est donne par
(Boukhetala 1994,1996 [2, 4]).
Le deuxime problme porte sur une modlisation dun phnomne dattraction entre deux
insectes mle et femelle, qui est donne par (Boukhetala 1998 [5]).
3.2 Intgrale stochastique
3.2.1 Lintgrale dIt
On considre une espace de probabilit (, A, P) muni dune ltration F
t
, i.e. une suite de
tribus croissantes pour linclusion. On appelle tribu des prvisibles sur [0, [ la plus petite
tribu rendant mesurable tous les processus continus adapts la ltration F
t
. Un processus ou un
ensemble est prvisibles sil est mesurable par rapport cette tribu. Supposons donn un proces-
sus de Wiener standard W
t
, adapt la ltration F
t
et tel que pour tout 0 s t laccroissement
W
t
() W
s
() soit indpendant de F
t
. Sur un intervalle de temps [a, b], on note H
2
lensemble
des processus f (t, ) dnis pour t [a, b], F
t
mesurable et de carr intgrable presque sre-
ment. Dans ces conditions, si f est dans H
2
et si a =t
0
<t
1
< <t
n
<t
n+1
= b est subdivision
de lintervalle [a, b], alors f est indpendant des increments W
t
j+1
W
t
j
, en dautre termes f est
prvisible. Pour toute fonction f de H
2
, on dnit lintgrale stochastique dIt comme la limite
dans L
2
des accroissements ci-dessous (on notera que toutes les limites de cette section sont des
limites quadratiques, i.e. dans L
2
). On dnit ainsi lintgrale stochastique comme la limite des
sommes Riemann.
b
a
f (t, )dW(t, ) = lim
n
n
i=0
f (t
i
, )(W(t
i+1
) W(t
i
))
48
Cette dnition est cohrente avec les proprits usuelles de lintgrale. On a de plus quelques
proprits complmentaire lies la dpendance alatoire de f
(1) Si f H
2
et si

b
a
E
_
f
2
(t)
_
dt < , alors
b
a
E
_
f
2
(t)
_
dW
t
= 0
(2) Si f ,g H
2
et si

b
a
_
E
_
f
2
(t)
_
+E
_
g
2
(t)
_
dt < , alors
E
_
b
a
f (t)dW
t
__
b
a
g(t)dW
t
_
=
b
a
E( f (t)g(t))dt
En particulier, on a
E
_
b
a
f (t)dW
t
_
2
=
b
a
E
_
f
2
(t)
_
dt
Le rsultat suivante montre que lintgrale stochastique est une martingale. Si f (t, ) H
2
et si
pour tout t [a, b], la somme

b
a
E
_
f
2
(t)
_
dt < , alors lintgrale stochastique
b
a
f (t, )dW(t, )
est une martingale (la dmonstration dans la page 40) est ces trajectoires sont p.s. continues.
Exemple 3.1 Calcul de I
0
=
t
t
0
W
s
dW
s
Considrons la subdivision de lintervalle [t
0
, t] : t
0
< t
1
< < t
n
< t
n+1
= t et appliquons la
dnition. On rappelle que toutes les limites sont des limites prises dans L
2
I
0
= lim
n
i=0
W
t
i
_
W
t
i+1
W
t
i
En considrant la somme
I
1
= lim
n
i=0
W
t
i+1
_
W
t
i+1
W
t
i
on peut former la diffrence et appliquer les proprits du mouvement brownien

I
1
I
0
= lim
n
i=0
_
W
t
i+1
W
t
i
2
=t t
0
De manire gnrale, considrons
I
= (1)I
0
+I
1
49
On a
I
= lim
n
i=0
_
W
t
i+1
+(1)W
t
i
_
W
t
i+1
W
t
i
= lim
n
i=0
_
W
t
i
W
t
i+1
W
2
t
i
+
_
W
t
i+1
W
t
i
2
_
= lim
n
i=0
1
2
_
W
2
t
i+1
W
2
t
i
_
+
_
1
2
_
(t t
0
)
=
1
2
_
W
2
t
W
2
t
0
+
_
1
2
_
(t t
0
)
do la valeur de lintgrale dIt obtenue pour = 0
I
0
=
t
t
0
W
s
dW
s
=
1
2
_
W
2
t
W
2
t
0
t t
0
2
Remarquons que ce type de calcul ne respecte pas les lois du calcul diffrentiel ordinaire puis-
quon voit apparatre un terme supplmentaire. Pour t
0
= 0 lquation
t
0
W
s
dW
s
=
1
2
W
2
t

t
2
peut scrire
W
2
t
=
t
0
ds +2
t
0
W
s
dW
s
soit sous forme diffrentielle
dW
2
t
= dt +2W
t
dW
t
ce qui montre clairement le terme supplmentaire (dt). Dans les calculs stochastiques, la dri-
vation doit tre poursuivie lordre 2, les termes croiss sont nuls dW
t
dt = dt dW
t
= 0, de
mme que le terme dt dt = 0. En revanche, le terme dW
t
dW
t
= dt donne naissance un terme
supplmentaire.
3.2.2 Lintgrale de Stratonovitch
Qui est dnie par la limite quadratique
b
a
f (t, ) dW(t, ) = lim
n
i=0
f (t
i
, ) + f (t
i+1
, )
2
(W
t
i+1
W
ti
)
satisfait les rgles du calcul diffrentiel ordinaire. En reprenant le calcul prcdent pour =1/2,
on trouve
I
1/2
=
t
t
0
W
s
dW
s
=
1
2
_
W
2
t
W
2
t
0
50
Dans ce cas, il ny a pas de terme supplmentaire. On prfre toutefois dvelopper le calcul
stochastique en utilisant la dnition dIt.
La fonction ItovsStra permet de simuler lintgrale stochastique I
0
par les deux types It
et Stratonovitch, sur lintervalle de temps [0, T] avec un pas t = T/N.
Nous avons observ lors de la construction de lintgrale stochastique I
0
au sens dIt dans
la gure 3.1, que les trajectoires du processus
t
0
W
s
dW
s
, 0 t T pouvaient tre ngatives
certains instants.
R> ItovsStra(N = 1000, T = 1)
FIGURE 3.1 Simulation lintgrale stochastique

t
0
W
s
dW
s
vs

t
0
W
s
dW
s
.
3.2.3 Processus dIt
On appelle processus dIt, un processus X
t
, 0 t T valeur dans R tel que :
X
t
= X
0
+
t
0
s
ds +
t
0
s
dW
s
(3.4)
avec
(1) =
t
, 0 t T et =
t
, 0 t T sont des processus adapts la ltration F
t
t0
(2) P
_
T
0
[
s
[ds <
_
= 1
51
(3) P
_
T
0
[
s
[
2
ds <
_
= 1
crit sous sa forme diffrentielle, le processus dIt devient
dX
t
=
t
dt +
t
dW
t
(3.5)
Remarque 3.1 Par consquent, si le coefcient de drive est nul, cest--dire que
t
= 0 pour
tout 0 t T, alors le processus dIt X
t
X
t
= X
0
+
t
0
s
dW
s
(3.6)
est une F
t
-martingale si et seulement si E
_
T
0
[
s
[
2
_
ds < est vrier.
3.2.4 Formule dIt
Pour un processus stochastique X
t
vriant
X(t
2
) X(t
1
) =
t
2
t
1
(t)dt +
t
2
t
1
(t)dW
t
on note sous forme diffrentielle
dX
t
= (t, X
t
)dt +(t, X
t
)dW
t
Si f (t, x) est une fonction de classe C
2
, alors f (t, X
t
) admet une intgrale stochastique par rapport
au mme processus de Wiener donne par la formule dIt
d f (t, X
t
) =
_
f (t, X
t
)
t
+(t)
f (t, X
t
)
x
+
1
2
2
(t)
2
f (t, X
t
)
x
2
_
dt +(t)
f (t, X
t
)
x
dW
t
(3.7)
Cette formule permet de trouver les solutions de lquation diffrentielle stochastique (3.3), et
le calcul desprance dun processus donn. Elle permet aussi de montrer que certains processus
sont des martingales (puisque lintgrale stochastique est une martingale).
Par exemple, si f (x) = x
2
, alors
f (W
t
) =W
2
t
et f (W
0
) =W
2
0
= 0
et
f
w
(W
s
) = 2W
s
et

2
f
w
2
= 2.
En remplaant dans la formule (3.7), nous obtenons
dW
2
t
= dt +2W
t
dW
t
52
sous forme intgrale
W
2
t
= 2
t
0
W
s
dW
s
+
t
0
ds = 2
t
0
W
s
dW
s
+t
ce qui implique
t
0
W
s
dW
s
=
W
2
t
t
2
Dune manire gnrale la driv stochastique du processus X
t
= W
n
t
. Posons f (t, x) = x
n
et
appliquons la formule dIt. Il vient
dW
n
t
=
1
2
n(n1)W
n2
t
dt +nW
n1
t
dW
t
sous forme intgrale
W
n
t
=
1
2
n(n1)
t
0
W
n2
s
ds +n
t
0
W
n1
s
dW
s
t
0
W
n1
s
dW
s
=
1
n
W
n
t

n1
2
t
0
W
n2
s
ds
Pour n = n+1, on obtient
t
0
W
n
s
dW
s
=
1
n+1
W
n+1
t

n
2
t
0
W
n1
s
ds
Exemple 3.2 Soit le mouvement brownien gomtrique o le modle de march de Black et
Scholes (Chapitre 2 Section 2.8)
dS
t
= S
t
dt +S
t
dW
t
(3.8)
on chercher une solution unique explicite ce modle, nous appliquons la formule dIt (3.7)
lquation (3.8), posant f (t, x) = ln(x), on a
d ln(S
t
) =
_
0+S
t
1
S
t
+
1
2
2
S
2
t
_
1
S
2
t
__
dt +S
t
1
S
t
dW
t
=
_
1
2
2
_
dt +dW
t
sous forme intgrale
ln(S
t
) = ln(S
0
) +
_
1
2
2
_
t
0
ds +
t
0
dW
s
= ln(S
0
) +
_
1
2
2
_
t +W
t
do la solution de lquation (3.8), pour t 0 et S
0
> 0 est
S
t
= S
0
exp
__
2
2
_
t +W
t
_
53
Exemple 3.3 Soit calculer la drive stochastique du processus Y
t
= e
W
t
, o W
t
est un mouve-
ment brownien standard. Posons X
t
=W
t
, f (t, x) = e
x
et appliquons la formule (3.7). il vient
d
_
e
W
t
_
=
1
2
e
W
t
dt +e
W
t
dW
t
soit sous forme intgrale
e
W
t
= 1+
1
2
t
0
e
W
s
ds +
0
te
W
s
dW
s
En prenant lesprance de chaque membre et en appliquant les rgles de calcul du paragraphe
prcdent (lesprance de lintgrale en dW
s
est nulle).
E
_
e
W
t
_
= 1+
1
2
t
0
E
_
e
W
s
_
ds
En posant
y(t) =E
_
e
W
t
_
lquation prcdente est une quation diffrentielle du premier ordre dterministe en y(t) avec
comme condition initiale y(0) = 1
y
/
(t) =
1
2
y(t)
qui admet comme solution
y(t) =E
_
e
W
t
_
= e
t/2
Remarquons que lapplication de la formule dIt la fonction f (t, x) = e
iux
permet le calcul de
la fonction caractristique de W
t
.
E
_
e
iuW
t
_
= e
tu
2
/2
Formule dIt Multidimensionnel
Soit X
t
un processus de dimension m vriant lquation
dX
t
= A(t)dt +B(t)dW
t
(3.9)
o A(t) = (
1
(t), . . . ,
m
(t)) et B(t) = (
i j
(t)) est une matrice mn. Le mouvement brownien
tant de dimension n W
t
= (W
1
(t), . . . ,W
n
(t)). Soit f (t, x) une fonction dnie pour t [a, b] et x
un vecteur de R
m
valeurs dans R
p
de classe C
2
, alors le processus f (t, X
t
) admet une drive
stochastique donne par
d f (t, X
t
) =
_
f (t, X
t
)
t
+
m
i=1
i
(t)
f (t, X
t
)
x
+
1
2
n
k=1
m
i, j=1
i,k
(t)
j,k
(t)
2
f (t, X
t
)
x
2
_
dt
+
n
k=1
m
i=1
i,k
(t)
f (t, X
t
)
x
dW
k
(t)
(3.10)
54
Dans le cas, o la fonction f est indpendante du temps et X
t
=W
t
est une mouvement brownien
sur R
n
, la formule dIt se simplie en
f (W
t
) = f (W
0
) +
t
0
f (W
s
)dW
s
+
1
2
t
0
f (W
s
)ds (3.11)
3.2.5 La rgle de multiplication
La rgle de multiplication ou intgration par parties est utile lorsque nous voulons tudier,
par exemple le comportement du prix actualis dun actif lorsque nous connaissons les processus
pour lvolution du prix de lactif et celui du facteur dactualisation.
Thorme 3.1 (Intgration par parties) Soit X
t
et Y
t
deux processus dIt tels que
dX
t
=
t
dt +
t
dW
t
et dY
t
=
t
dt +
t
dW
t
(3.12)
la formule dIt (3.10) conduit la formule dintgration par parties
dX
t
Y
t
= X
t
dY
t
+Y
t
dX
t
+dX,Y
t
= (
t
X
t
+Y
t
+
t

t
)dt +(
t
X
t
+Y
t
)dW
t
(3.13)
o la variation quadratique est caractrise par
dX,Y
t
=
t

t
dt
Preuve En particulier lorsque les browniens sont les mmes et que la matrice B(t) se rduit un
vecteur, la drive scrit
d f =
_
t
f +
t
x
f +
t
y
f +
1
2
_
2
t

xx
f +2
t

t
xy
f +
2
t

yy
f
_
_
dt +(
t
x
f +
t
y
f )dW
t
appliquons cette formule a la fonction f (t, x, y) = xy, on trouve directement le rsultat
dX
t
Y
t
= (
t
Y
t
+
t
X
t
+
t

t
)dt +(
t
Y
t
+
t
X
t
)dW
t
=
t
Y
t
dt +
t
X
t
dt +
t

t
dt +
t
Y
t
dW
t
+
t
X
t
dW
t
=Y
t
(
t
dt +
t
dW
t
) +X
t
(
t
dt +
t
dW
t
) +
t

t
dt
= X
t
dY
t
+Y
t
dX
t
+dX,Y
t
Exemple 3.4 (La valeur actualise dun actif risqu) Supposons que le processus stochastique
S
t
satisfaisant lquation (3.8), est lvolution du prix dun titre risqu. Le processus Y
t
=
e
rt
, t 0 est notre facteur dactualisation. Notons que
d
dt
Y
t
=re
rt
=rY
t
cest--dire que le processus Y
t
est un processus dIt satisfaisant lquation diffrentielle
dY
t
=rY
t
dt
55
le processus Z
t
=Y
t
S
t
reprsente lvolution de la valeur actualise du prix du titre. La rgle de
multiplication (3.13) entrane que
dZ
t
= dY
t
S
t
=Y
t
dS
t
+S
t
dY
t
+dS,Y
t
=Y
t
(S
t
dt +S
t
dW
t
) +S
t
(rY
t
dt)
= (r)S
t
Y
t
dt +S
t
Y
t
dW
t
= (r)Z
t
dt +Z
t
dW
t
sous sa forme intgrale, cette dernire quation scrit
Z
t
= Z
0
+(r)
t
0
Z
s
ds +
t
0
Z
s
dW
s
3.3 quations diffrentielles stochastiques
3.3.1 Introduction et dnitions
De manire informelle, on appelle quation diffrentielle stochastique une quation diffren-
tielle ordinaire perturbe par un terme stochastique. Plus prcisment, cest une quation du type
suivant :
dX
t
= (t, X
t
)dt +(t, X
t
)dW
t
, X
0
= x
0
(3.14)
Dans cette quation, dW
t
est la diffrentielle dun mouvement brownien standard W
t
, et , sont
les coefcients de lquation (ce sont des fonctions de R
+
R dans R), et x
0
R est la valeur
initiale. Tous ces termes sont donns. La notation (3.14) est la plus usuelle.
Dnition 3.1 Rechercher une solution de lquation (3.14) consistera rechercher un processus
X
t
, t 0 satisfaisant lquation intgrale :
X
t
= x
0
+
t
0
(s, X
s
)ds +
t
0
(s, X
s
)dW
s
(3.15)
o la seconde intgrale est une intgrale stochastique.
Lquation (3.14) ou lquation (3.15) taient jusqu prsent unidimensionnelles. On peut
galement dnir une quation d-dimensionnelle de la manire suivante. Le processus inconnu
X =
_
X
i
_
1id
est une famille de processus valeurs relles X
i
=
_
X
i
t
_
t0
, la condition initiale
x
0
=
_
x
i
0
_
1id
appartient R
d
, le mouvement brownien W =
_
W
j
t
_
1jq
est q-dimensionnel,
et les coefcients ont les dimensions appropries, soit =
_
i
_
1id
et =
_
i, j
_
1id,1jq
, o
les coefcients
i
et
i, j
sont des fonctions de R
+
R dans R. On crit encore lquation sous
les formes (3.14) ou (3.15), mais cela signie maintenant que lon a :
X
i
t
= x
i
0
+
t
0
i
(s, X
s
)ds +
q
j=1
t
0
i, j
(s, X
s
)dW
j
s
; i = 1, . . . , d (3.16)
56
Dnition 3.2 Quand les coefcients et ne dependent pas du temps et sont seulement des
fonctions dnies sur R
d
, on dit que lquation est homogne.
Le coefcient est appel le coefcient de drive, tandis que est le coefcient de dif-
fusion. Un processus qui rsout lquation (3.14), ou de manire quivalente (3.16), est appel
processus de diffusion ou, plus simplement, une diffusion.
Dnition 3.3 (Processus de diffusion) Un processus de diffusion est un processus de Markov
trajectoires continues vriant lquation dIt (3.14). Soit (X
t
)
t0
un processus alatoire dni
sur lespace de probabilit (, A, P) valeurs rels, muni dun ltration (F
t
, t 0). On dit que
X
t
est une processus de diffusion caractrise par
(1) la limite donnant la drive
lim
h0
E(X
t+h
X
t
[X
t
= x)
h
= (x, t)
(2) la limite donnant la diffusion
lim
h0
E
_
(X
t+h
X
t
)
2
[X
t
= x
_
h
=
2
(x, t)
(3) la condition de Dyukin
> 0, lim
h0
P([X
t+h
X
t
[ > [X
t
= x)
h
= 0
Remarque 3.2 Le mouvement brownien standard est un processus de diffusion avec coefcient
de drive nulle et coefcient de diffusion gale 1.
Preuve
lim
h0
1
h
E(W
t+h
W
t
[W
t
= x) = lim
h0
1
h
E(W
t+h
W
t
[W
t
W
0
= x)
= lim
h0
1
h
E(W
t+h
W
t
)
= lim
h0
1
h
(E(W
t+h
) E(W
t
)) = 0
lim
h0
1
h
E
_
(W
t+h
W
t
)
2
[W
t
= x
_
= lim
h0
1
h
E
_
(W
t+h
W
t
)
2
[W
t
W
0
= x
_
= lim
h0
1
h
E
_
(W
t+h
W
t
)
2
_
= lim
h0
1
h
h = 1
57
Exemple 3.5 Le processus dOrnstein-Uhlenbeck est la diffusion solution de lquation (de lan-
gevin Section 3.3.3)
dX
t
=rX
t
dt +dW
t
o r et sont des constantes positives et W
t
un processus de Wiener standard. On suppose de
plus qu linstant initial X
0
= x
0
. En posant
Y
t
= X
t
e
rt
et en appliquant la formule dIt (3.7) la fonction f (t, x) = xe
rt
, on obtient
dY
t
= e
rt
dW
t
sous forme intgrale
Y
t
=Y
0
+
t
t
0
e
rs
dW
s
do la solution pour t t
0
,
X
t
= X
t
0
e
r(tt
0
)
+
t
t
0
e
r(ts)
dW
s
En notant x
0
=E(X
t
0
), le processus dOrnstein-Uhlenbeck a pour moyenne
E(X
t
) = x
0
e
r(tt
0
)
En appliquant la formule dIt au processus Z
t
= X
2
t
, on a
dZ
t
=2rZ
t
dt +
2
dt +2dW
t
En prenant la moyenne, on trouve en rsolvant une quation diffrentielle ordinaire
E(Z
t
) =E(X
2
t
) =

2
2r
_
1e
2r(tt
0
)
_
+E(X
2
t
0
)
Do la variance du processus dOrnstein-Uhlenbeck
var(X
t
) =E(X
2
t
) [E(X
t
)]
2
=

2
2r
_
1e
2r(tt
0
)
_
La fonction de corrlation du processus dOrnstein-Uhlenbeck vaut
R(t, s) =

2
2r
e
r[ts[
Nous pouvons simuler une trajectoire du processus dOrnstein-Uhlenbeck comme suit. On
considre la subdivision de lintervalle de temps [t
0
, T] suivante t
0
< t
1
< < t
N
< t
N+1
= T,
avec t
i+1
t
i
= t, pour i = 1 on a W(t
0
) =W(t
1
) = 0 et X(t
0
) = x
0
, on a lalgorithme suivant :
58
1. Gnre un nouveau variable alatoire Z de la distribution gaussienne N(0, 1).
2. i = i +1.
3. W(t
i
) =W(t
i1
) +Z
t.
4. I
i
= e
r(t
i+1
t
i
)
(W
i+1
W
i
)
5. X(t
i
) = X(t
0
)e
r(t
i1
t
0
)
+
i
j=1
I
j
.
La fonction OU permet de simuler une seule trajectoire de X
t
dans lintervalle [t
0
, T] avec un pas
t = (T t
0
)/N, et la fonction OUF permet de simuler un ux de X
t
.
R> OU(N = 1000, t0 = 0, T = 10, x0 = 10, r = 2, sigma = 1)
R> OUF(N = 1000, M = 100, t0 = 0, T = 10, x0 = 10, r = 2, sigma = 1)
FIGURE 3.2 Trajectoire dun processus
dOrnstein-Uhlenbeck avec r = 2 et = 1.
FIGURE 3.3 Flux dun processus dOrnstein-
Uhlenbeck avec r = 2 et = 1.
3.3.2 Existence et unicit des solutions de lDS
Soit T > 0, (t, x) une fonction mesurable de [0, T] R
n
dans R
n
et (t, x) une fonction
mesurable de [0, T] R
n
dans R
n
vriant :
(1) Condition de croissance : il existe une constante C telle que
[(t, x)[ +[(t, x)[ C(1+[x[)
59
(2) Condition de Lipschitz : il existe une constante K telle que
[(t, x) (t, y)[ +[(t, x) (t, y)[ K[x y[
(3) X
0
est une variable indpendante de la tribu (W
s
, s 0) et E
X
2
0
< ,
Alors lquation diffrentielle stochastique dIt (3.14) admet une solution unique X
t
dont presque
toutes les ralisations sont continues, qui est un processus de Markov de loi initiale X
0
et de pro-
babilit de transition
p(s, x, t, A) =P(X
t
A[X
s
= x)
De plus, si les fonctions et sont continues, alors X
t
est un processus de diffusion de drive
(t, x) et de matrice de diffusion
T
(symtrique et semi-dnie positive). En particulier lorsque
et sont lipschitziennes, lquation (3.14) admet une solution unique.
Remarque 3.3 (1) Une quation peut admettre une solution locale sans admettre de solution
globale. Par exemple sur [0, 1], lquation
dX
t
dt
= X
2
t
, X
0
= 1
admet une solution unique locale sur [0, 1[
X
t
=
1
1t
, t [0, 1[
mais nadmet pas de solution globale sur lintervalle [0, 1].
(2) La condition de croissance vite que les solutions explosent, i.e. que les solutions [X
t
[
tendent vers linni en un temps ni. Lquation
dX
t
=
1
2
aX
3
t
dt, X
t
=
1
y
et y > 0
admet une solution
X
t
=
1
_
y
2
at
qui diverge dans la direction y
2
= at. Si la condition de croissance nest pas satisfaite,
lquation peut quand mme avoir une solution.
(3) La condition de Lipschitz garantit lunicit. Lquation
dX
t
= 3X
2/3
t
dt, X
0
= 0
admet plus dune solution
X
t
= (t a)
3
1
t>a
car la fonction (t, x) = 3x
2/3
ne vrie pas la condition de Lipschitz.
60
3.3.3 quation de Langevin
Des particules dans un uide sont soumises une force de frottement proportionnelle la
vitesse de ces particules et une force alatoire. La vitesse des particules est processus alatoire.
Lquation fondamentale de la dynamique scrit
dv
dt
=av +(t)
avec a = 6r/m, la masse dune particule tant m et dsigne la viscosit du uide. Les
particules sont assimiles des petites sphres de rayon r. La force alatoire (t) est un bruit
blanc, son esprance est nulle et sa fonction de corrlation est constant, D est appel coefcient
de diffusion dEinstein.
E((t)) = 0 R(s, t) = 2D(t s)
En termes mathmatiques, ce problme scrit sous la forme dune quation dIt
dX
t
=aX
t
dt +
2DdW
t
(3.17)
W
t
est un processus de Wiener standard. Appliquons la formule dIt (3.7) Y
t
=X
t
e
at
, en posant
f (t, x) =xe
at
, on a
t
f =axe
at
,
x
f =e
at
et
xx
f =0. On en dduit que la solution est le processus
de diffusion, markovien, gaussien X
t
donn par
X
t
= X
0
e
at
+
2D
t
0
e
a(ts)
dW
s
De cette expression, on posant x
0
=E(X
0
), on trouve lesprance
E(X
t
) = x
0
e
at
et la variance du processus
var(X
t
) =
D
a
_
1e
2at
_
La fonction de corrlation du processus est
R(s, t) =
D
a
e
a[ts[
En supposant que var(X
0
) < , il sen suit que lorsque t , on a
E(X
t
) 0
et
var(X
t
) D/a
La distribution de X
t
approche de la loi N
_
0,
D
a
_
lorsque t . Ainsi, quelque soit la distribu-
tion initiale, la solution de lquation diffrentielle stochastique pour des temps trs grands suit
approximativement une loi gaussienne centre et de variance D/a (Chapitre 4 exemple 4.2), qui
61
reprsente un quilibre entre la force alatoire de perturbation dW
t
(que nous avons appel dans
lintroduction un bruit blanc) et la force de frottement aX
t
.
Le code 6 permet de simule une seule trajectoire de lquation de Langevin X
t
avec un pas
t =10
4
(peut tre x par lutilisateur),et les deux paramtres a =2 et D=1, qui est prsente
par la gure 3.4. Et le code 7 permet de simule lquation de Langevin en deux dimensions avec
les conditions initiales x
0
= 5 et y
0
= 6, comme cest illustr par la gure 3.5. Cest--dire que
on a systme dquation diffrentielle stochastique de la forme suivante :
_
dX
t
=aX
t
dt +
2DdW
1
t
, X
0
= x
0
dY
t
=aY
t
dt +
2DdW
2
t
, Y
0
= y
0
Avec W
1
t
et W
2
t
deux mouvements browniens standards indpendants, a = 2 et D = 1.
FIGURE 3.4 Trajectoire simule de lquation
de Langevin avec a = 2 et D = 1.
FIGURE 3.5 Lquation de Langevin en deux
dimensions avec a = 2 et D = 1.
3.3.4 Bruit blanc, bruit color
Linterprtation en sciences physiques des quations stochastiques repose sur la notion de
bruit blanc ou de bruit color. Un processus de Markov continu a des increments X(t +dt)X(t)
qui ne dpendant que du temps t, dt et de X(t) et de manire diffrentiable pour X(t) = x de t et
de x. La continuit de X(t) traduit le fait que lincrement X(t +dt) X(t) sachant que X(t) = x
tend vers 0 quand dt tend vers 0. Cet increment suit une quation de la forme
X(t +dt) X(t) = (t, x)dt +(t, x)N(0, 1)
dt (3.18)
62
o (t, x) et (t, x) sont des fonctions arbitraires et N(0, 1) est une variable alatoire gaussienne
centre rduite. En remplaant x par X
t
, on a
X(t +dt) X(t)
dt
= (t, X
t
)dt +
(t, X
t
)N(0, 1)
dt
Le processus alatoire N(0, 1)/
dt suit une loi gaussienne N(0, 1/dt). La limite de ce processus

dnit le bruit blanc gaussien
(t) = lim
dt0
N
_
0,
1
dt
_
Ce bruit conduit lquation de Langevin (3.17)
dX
t
dt
= (t, X
t
)dt +(t, X
t
)(t)
Il vrie les proprits
(t) =E((t)) = 0
(s), (t) = R(s, t) = (t s)
La fonction de corrlation ne dpend que de la diffrence = t s. La densit spectrale du
processus vaut
S() = 2
R()e
i
d = 2
()e
i
d = 2
Le spectre du bruit blanc est constant et indpendant des frquences.
Un bruit color est un bruit dont la densit spectrale dpend des frquences. La couleur est
la slectivit
1
du spectre de frquences. Donnons deux exemples de bruit color
(1) Le processus dOrnstein-Uhlenbeck stable (lexemple 3.5) est un bruit color. Il est obtenu
partir du processus dOrnstein-Uhlenbeck X
t
dpendant dun instant t
0
et en faisant tendre
le temps initial vers
t
= lim
t
X
t
= N
_
0,
2
2r
_
Ce processus est indpendant de la condition initiale x
0
et de t. Il vrie les proprits
(t) =E((t)) = 0
(s), (t) = R(s, t) =

2
2r
e
r[ts[
Lorsque le paramtre r tend vers linni, ce bruit color tend vers un bruit blanc. Sa densit
spectrale est
S() =

2
r
e
r[[
e
i
d =
2
2
2
+r
2
1. Tlcommunications capacit dun rcepteur capter les signaux dun metteur tout en liminant les signaux
mis par des frquences voisines.
63
(2) Un autre exemple de bruit color est le bruit des tlgraphistes. Le processus stochastique
est un processus X
t
= a, qui ne prend que deux valeurs. Lintervalle de temps entre les
changements de signe est distribue exponentiellement. Si on note le nombre moyen de
changement de signe par unit de temps, le processus a pour fonction de corrlation
X(s), X(t) = R(s, t) = a
2
e
2[ts[
Sa densit spectrale vaut
S() = a
2
8
2
+4
2
3.3.5 Transforme de Lamperti
Avant daborder les mthodes de rsolution numrique, nous allons introduire la transforme
de Lamperti [30] qui est trs utile pour traiter de nombreux processus stochastiques markoviens.
Sous la forme diffrentielle suivante
dX
t
= (t, X
t
)dt +(X
t
)dW
t
(3.19)
On appelle la transforme de Lamperti de X, la fonction Y dnie de la manire suivante :
Y
t
= F(X
t
) =
X
t
0
du
(u)
(3.20)
Avec ce changement de variable, lquation stochastique (3.19) devient
dY
t
=
Y
(t,Y
t
)dt +dW
t
avec
Y
(t,Y
t
) =
_
t, F
1
(y)
_
(F
1
(y))

1
2
_
F
1
(y)
_
do, on a
dY
t
=
_
(t, X
t
)
(X
t
)

1
2
x
(X
t
)
_
dt +dW
t
(3.21)
Preuve Appliquant la formule dIt (3.7) la fonction Y
t
= f (t, x) =
x
0
du
(u)
, avec
f (t, x)
t
= 0 ,
f (t, x)
x
=
1
(x)
et

2
f (t, x)
x
2
=
x
(x)
2
(x)
on obtient directement le rsultat
dY
t
= d f (t, x) =
_
0+(t, X
t
)
1
(X
t
)
1
2
2
(X
t
)
x
(X
t
)
2
(X
t
)
_
dt +(X
t
)
1
(X
t
)
dW
t
=
_
(t, X
t
)
(X
t
)

1
2
x
(X
t
)
_
dt +dW
t
64
Lintrt de cette transformation est quelle supprime le bruit multiplicatifs de lquation
diffrentielle stochastique initiale au prot dune quation de Langevin non linaire avec un bruit
blanc simple. Nous allons voir par la suite que sur le plan numrique ce changement de variable
est trs utile et peut amliorer la prcision numrique. Cette transformation a t lobjet de peu de
travaux jusqu un pass rcent, elle est tudi en dtail ses proprits et son intrt dans [19]. En
fait, la transformation de Lamperti peut tre envisage dau moins deux points de vue. Dune part,
elle permet une manipulation indirecte des processus auto-similaires (ltrage, prdiction, etc.)
en oprant sur leurs contreparties stationnaires. Dautre part, des outils stationnaires classiques
peuvent tre "Lampertiss", offrant ainsi de nouvelles faons de manipuler les processus auto-
similaires
2
.
3.4 Schmas numriques
De manire similaire aux quations diffrentielles ordinaires o la rsolution numrique
passe par une discrtisation du temps et un schma dapproximation concernant lintervalle de
temps lmentaire sur lequel lintgration est faite, il est ncessaire de procder de manire si-
milaire avec les quations diffrentielles stochastiques, quelques diffrences prs :
(i) Pour une quation ordinaire, la trajectoire tant dterministe (en tout cas pour les exemples
simples une particule, oscillateur harmonique ou anharmonique), on peut contrler avec
la solution exacte la qualit de lapproximation. Avec un processus de Wiener, nous avons
vu que deux trajectoires sont trs diffrentes (Figure 2.2), cette diffrence saccroissant
avec le temps. Si par contre, on cherche rsoudre un processus dOrnstein-Uhlenbeck
(Figure 3.3), on sait que le systme volue vers une distribution stationnaire que la variance
des trajectoires est nie.
(ii) Les schmas dapproximation des mthodes de rsolution des quations diffrentielles sont
bass sur le calcul diffrentiel usuel. Dans le cas des quations diffrentielles stochastiques,
ces schmas reposent sur le calcul diffrentiel stochastique de nature assez diffrente.
(iii) Des questions fondamentales sur lexistence et lunicit dune solution pour une quation
existent de manire similaire aux quations ordinaires. Sans bien videmment rentrer dans
le dtail qui relve de travaux trs techniques, il y a deux critres pour prouver lexistence
et lunicit dune solution sur un intervalle donn (Section 3.3.2)
Dans beaucoup de literatures peut tre vue dans les rfrences, les schmas numriques pour la
rsolution numrique de lquation (3.22) ont t proposs dans [22, 29, 31, 37, 40].
Soit nouveau la forme diffrentielle de lquation diffrentielle stochastique
dX
t
= f (X
t
)dt +g(X
t
)dW
t
, X
0
= x
0
, (3.22)
avec W
t
est un processus de Wiener et x
0
la valeur initiale. On utilise des schmas aux diff-
rences classiques et le fait que pour un pas h donn, les variables W
(n+1)h
W
nh
suivent des lois
2. On appelle processus auto-similaires les processus dont la loi est invariante par changement dchelle des
temps.
65
gaussiennes indpendantes de variance h. On note x
t
le processus approch et on considre la
subdivision
0 =t
0
<t
1
< <t
N1
<t
N
= T
de pas rgulier
h = t =t
n+1
t
n
=
(T t
0
)
N
o
t
n
= nt, n 1, 2, . . . , N.
Posant la notation suivante X
n
= X
t
n
, les trois variables alatoires suivantes seront employes
dans les schmas
W
n
=W
t
n+1
W
t
n
,
Z
n
=
t
n+1
t
n
s
t
n
dW
s
ds,
Z
n
=
t
n+1
t
n
s
t
n
dsdW
s
.
Ils sont obtenus comme des variables alatoires normales, utilisant la transformation suivante
W
n
=
n,1
(t)
1/2
,
Z
n
=
1
2
_
n,1
+

n,2
3
_
(t)
3/2
,
Z
n
=
1
2
_
n,1
n,2
3
_
(t)
3/2
.
Ainsi queux nous employons plus loin
W
n
=
n,2
(t)
1/2
, avec
n,1
,
n,2
deux variables ind-
pendantes de loi N(0, 1).
Schma dEuler
X
n+1
= X
n
+ f
n
t +g
n
W
n
(3.23)
Schma de Milstein
X
n+1
= X
n
+ f
n
t +g
n
W
n
+
1
2
g
/
n
g
n
((W
n
)
2
t) (3.24)
66
Schma de Milstein Seconde
X
n+1
= X
n
+ f
n
t +g
n
W
n
+
1
2
g
/
n
g
n
((W
n
)
2
t) + f
/
n
g
n
Z
n
+
_
g
/
n
f
n
+
1
2
g
//
n
g
2
n
_
Z
n
+
1
6
(g
/2
n
g
n
+g
//
n
g
2
n
)((W
n
)
3
3tW
n
)
(3.25)
Schma de It-Taylor Dordre 1.5
X
n+1
= X
n
+ f
n
t +g
n
W
n
+
1
2
g
/
n
g
n
((W
n
)
2
t) + f
/
n
g
n
Z
n
+
_
g
/
n
f
n
+
1
2
g
//
n
g
2
n
_
Z
n
+
1
6
(g
/2
n
g
n
+g
//
n
g
2
n
)((W
n
)
3
3tW
n
)
+
1
2
_
f
/
n
f
n
+
1
2
f
//
n
g
2
n
_
(t)
2
(3.26)
Schma de Heun Dordre 2
X
n+1
= X
n
+
1
2
[F
1
+F
2
]t +
1
2
[G
1
+G
2
]W
n
(3.27)
Avec
F
1
= F(X
n
), G
1
= g(X
n
),
F
2
= F(X
n
+F
1
t +G
1
W
n
), G
2
= g(X
n
+F
1
t +G
1
W
n
),
F
x
=
_
f
1
2
g
/
g
_
(x).
Schma de Runge-Kutta Dordre 3
X
n+1
= X
n
+
1
4
[F
1
+3F
3
]t +
1
4
[G
1
+3G
3
]W
n
+
1
2
3
_
f
/
n
g
n
g
/
n
f
n
1
2
g
//
n
g
2
n
_
t
W
n
(3.28)
67
Avec
F
1
= F(X
n
), G
1
= g(X
n
),
F
2
= F
_
X
n
+
1
3
F
1
t +
1
3
G
1
W
n
_
, G
2
= g
_
X
n
+
1
3
F
1
t +
1
3
G
1
W
n
_
,
F
3
= F
_
X
n
+
2
3
F
2
t +
2
3
G
2
W
n
_
, G
3
= g
_
X
n
+
2
3
F
2
t +
2
3
G
2
W
n
_
,
F
x
=
_
f
1
2
g
/
g
_
(x).
3.4.1 Simulation numrique
Lintrt pratique de la simulation dquations diffrentielles stochastiques est trs important,
car ce nest pas toujours facile dterminer la solution analytiquement. Cela rend difcile ltude
de lvolution dynamique dun phnomne, o par exemple lanalyse statistique de la variable
alatoire linstant de premier passage (IPP) correspondant la solution de lquation, qui sera
illustr dans le chapitre suivant. Aujourdhui, le dveloppement de loutil informatique motive
les scientiques pour mettre au point des schmas numriques pour la rsolution approche des
DS.
Lapprocher est simple, simuler numriquement X
t
jusquau temps T, puis approcher les-
prance E(X
t
) laide de la loi des grands nombres, cest--dire la moyenne de M trajectoires
indpendantes de X
t
. Cette dernire technique prsente un certain intrt, surtout lorsque la di-
mension de X
t
est grande. En effet, les mthodes o les schmas numriques deviennent dans ce
cas vite lourdes mettre en oeuvre. La fonction snssde
3
permettre de simule numriquement
la solution approche des DS par les schmas numriques qui sont en dtail dans la section
prcdente.
R> help("snssde")
R> example("snssde")
R> snssde(N, M, T = 1, t0, x0, Dt, drift, diffusion, Output = FALSE,
+ Methods = c("SchEuler", "SchMilstein", "SchMilsteinS",
+ "SchTaylor", "SchHeun", "SchRK3"), ...)
3. simulation numerical solution of stochastic differential equations.
68
Dtails :
N La taille de processus.
M Le nombre de trajectoire simule.
T Linstant nal (par dfaut gale 1).
t0 Linstant initial.
x0 La valeur initial.
Dt La discrtisation o le pas (Si Dt est xe alors par dfaut
T = t0 + Dt * N).
drift
4
Coefcient de drive (une expression qui dpende de x et de t).
diffusion
5
Coefcient de diffusion (une expression qui dpende de x et de t).
Output Pour sauvegarde les rsultats de simulation sous forme Excel
(par dfaut cest FALSE).
Methods Diffrents mthodes de simulation (par dfaut schma dEuler),
avec SchEuler(3.23), SchMilstein(3.24),SchMilsteinS(3.25),
SchTaylor(3.26), SchHeun(3.27), SchRK3(3.28).
Exemples illustratifs :
Radial Ornstein-Uhlenbeck (ROU)
Ce modle est dni par lquation diffrentielle stochastique suivante :
dX
t
=
_
X
t
X
t
_
dt +dW
t
, x
0
> 0.
avec , > 0, en simuler numriquement par la mthode dEuler (3.23), une seule trajectoire de
la solution approch ce modle qui est prsente dans la gure 3.6. En suite un ux de M =
100 trajectoires indpendantes avec leurs moyenne qui est illustr par la gure 3.7. Posant par
exemple = 1 et = 0.25, pour un pas t = 0.01 et la valeur initiale x
0
= 3.
R> f <- expression( (1/x) - x )
R> g <- expression( 0.25 )
R> snssde(N = 1000, M = 1, t0 = 0, x0 = 3, Dt = 0.01, drift = f,
+ diffusion = g)
+ diffusion = g)
4. (t, X
t
) peut tre constant o une fonction qui dpende de x ou t.
5. (t, X
t
) peut tre constant o une fonction qui dpende de x ou t.
69
FIGURE 3.6 Simulation une seule trajectoire
du modle Radial Ornstein-Uhlenbeck par le
schma dEuler.
FIGURE 3.7 Simulation un ux de 100 tra-
jectoires du modle Radial Ornstein-Uhlenbeck
par le schma dEuler.
Coefcient de drive en fonction de x et t
On consider lquation diffrentielle stochastique suivante :
dX
t
= (tX
t
X
3
t
)dt +dW
t
, x
0
= 0.
Avec , >0, cette quation nadmet pas une solution de forme explicite. En utilise le schma de
Milstein (3.24), pour simule numriquement une solution approch de X
t
. En remarque que cette
quation diffrentielle est spciale car les trajectoires simules de ce processus sont comprises
entre
t qui est illustr dans la gure 3.8, cest--dire que la variance de X

t
dpende de temps
t. La simulation dun ux de 100 trajectoires de X
t
montre que son esprance tend vers 0 quand t
tend vers linni, qui est donn par la gure 3.9. Posant =0.03 et =0.2, pour un pas t =0.1
et la valeur initiale x
0
= 0.
R> f <- expression( (0.03 * t * x - x^3))
R> g <- expression( 0.2 )
+ diffusion = g,Methods="SchMilstein")
+ diffusion = g,Methods="SchMilstein")
R> G <- function(t) sqrt(0.03 * t)
R> t <- seq(0, 100, by = 0.1)
R> points(t, +G(t), type="l", col="blue", lwd=2)
R> points(t, -G(t), type="l", col="blue", lwd=2)
70
FIGURE 3.8 Simulation une seule trajectoire
du modle dX
t
= (0.03tX
t
X
3
t
)dt +0.2dW
t
par
le schma de Milstein.
FIGURE 3.9 Simulation un ux de 100 tra-
jectoires du modle dX
t
= (0.03tX
t
X
3
t
)dt +
0.2dW
t
par le schma de Milstein.
Coefcients de drive et de diffusion en fonction de t
Soit lquation diffrentielle stochastique suivante :
dX
t
t
, x
0
= 0.
Cette quation nadmet pas une solution de forme explicite. En utilise le schma de It-Taylor
Dordre 1.5 (3.26), pour simule numriquement une solution approch de X
t
. Daprs la gure
3.10 en remarque que lesprance de X
t
gale x
0
+sin(t).
R> f <- expression( cos(t) )
R> g <- expression( sin(t) )
+ diffusion = g,Methods="SchTaylor")
R> G <- function(t) sin(t)
R> t <- seq(0, 100, by = 0.1)
R> points(t, G(t), type="l", col="blue", lwd=2)
71
FIGURE 3.10 Simulation un ux de 100 trajectoires du modle dX
t
t
par
le schma de It-Taylor.
Remarque 3.4 (Temps dexcution) Le langage R ntant pas un langage compil mais inter-
prt ligne ligne, les instructions de ce type sont excutes lentement et on prfrera, lorsque
cest possible, utiliser les outils de calcul sur les vecteurs et les matrices (Optimiss sous R). La
fonction system.time permet de mesurer le temps dexcution dune fonction et de comparer la
vitesse dexcution de plusieurs programmes. On peut gagner un temps considrable (10 100
fois plus rapide) en reprant les fonctions qui prennent du temps et en les programmant dans un
langage compil (C en particulier). Lavantage de langage R cest les calculs formelles (pas be-
soin de donne les drives de coefcient de drive et de diffusion dans les schmas numrique).
3.4.2 Relation entre le schma dEuler et Milstein
Lapproximation de schma de Milstein (3.24) a un ordre fort de convergence gal 1. Cette
mthode amliore donc les instabilit numriques par rapport la mthode dEuler (3.23). Tou-
tefois, il y a un lien entre les deux mthodes dans le cas o on peut raliser une transforme de
Lamperti (3.21) de lquation diffrentielle stochastique de dpart. En effet, dans le cas o lqua-
tion stochastique de dpart na pas de bruit multiplicatif, comme par exemple dans lexemple du
processus dOrnstein-Uhlenbeck, la mthode dEuler a un ordre de convergence fort qui devient
gal 1. Or, avec une transforme de Lamperti (si g(X
t
) est indpendante du temps), on peut
transformer lquation stochastique en une autre quation sans bruit multiplicatif. Ainsi, on peut
montrer que le schma dEuler de lquation transforme est identique au schma de Milstein
72
sur lquation originale. Dans le cas o la transforme de Lamperti est difcile obtenir analyti-
quement, il est utile dutiliser le schma de Milstein qui est plus prcis.
Preuve Soit le schma de Milstein de lquation diffrentielle stochastique (3.22)
X
n+1
= X
n
+ f
n
t +g
n
W
n
+
1
2
g
/
n
g
n
((W
n
)
2
t)
Soit la fonction y = F(x) et linverse x = G(y), appliquons la transforme de Lamperti (3.21)
Y
t
= F(X
t
), on trouver
dY
t
=
_
f
n
g
n
1
2
g
/
n
_
dt +dW
t
En suite appliquons le schma dEuler (3.23) a lquation Y
t
Y =Y
n+1
Y
n
=
_
f
n
g
n
1
2
g
/
n
_
t +W
n
Et en appliqu le dveloppement de Taylor linverse de la transformation de Lamperti, i.e.
X
t
= G(Y
t
), on trouver
G(Y
n
+Y) = G(Y
n
) +G
/
(Y
n
)Y +
1
2
G
//
(Y
n
)(Y)
2
+O(Y
3
)
Notons
G
/
(Y
n
) =
d
dy
F
1
(y) =
1
F
/
(G(y))
= g
n
et
G
//
(Y
n
) = G
/
(Y
n
)g
/
n
= g
n
g
/
n
Donc nalement, on a
G(Y
n
+Y) G(Y
n
) = g
n
Y +
1
2
g
n
g
/
n
(Y)
2
+O(Y
3
)
= g
n
__
f
n
g
n
1
2
g
/
n
_
t +W
n
_
+
1
2
g
n
g
/
n
__
f
n
g
n
1
2
g
/
n
_
t +W
n
_
2
+O(Y
3
)
=
_
g
n
+
1
2
g
n
g
/
n
__
f
n
g
n
1
2
g
/
n
_
t +W
n
____
f
n
g
n
1
2
g
/
n
_
t +W
n
_
+O(Y
3
)
=
_
g
n
+
1
2
g
n
g
/
n
W
n
_
W
n
+
_
f
n
1
2
g
n
g
/
n
_
t +O(t
3/2
)
= f
n
t +g
n
W
n
+
1
2
g
/
n
g
n
((W
n
)
2
t) +O(t
3/2
)
Puisque on a W
n
=
n,1
(t)
1/2
et (W
n
)
2
=
2
n,1
t, do on trouver le schema de Milstein
G(Y
n
+Y) G(Y
n
) = X
n+1
X
n
= f
n
t +g
n
W
n
+
1
2
g
/
n
g
n
((W
n
)
2
t) +O(t
3/2
)
73
Exemple 3.6 (Transformation de modle Cox-Ingersoll-Ross (CIR)) Le modle Cox-Ingersoll-
Ross (CIR) est utilis en mathmatiques nancires pour modliser lvolution des taux dintrt
court terme. Il sagit de la solution de lquation diffrentielle stochastique
dX
t
= (
1
2
X
t
)dt +
3
X
t
dW
t
, X
0
= x
0
> 0. (3.29)
o sous cette forme
dX
t
= (X
t
)dt +
X
t
dW
t
, X
0
= x
0
> 0. (3.30)
Notons que la solution de cette de lquation (3.30) reste strictement positive sous la condition
2 >
2
. Le paramtre donne la moyenne long terme, et > 0 donne la vitesse laquelle le
processus va converger vers cet quilibre.
Appliquons le schma de Milstein (3.24) lquation (3.29), on a :
X =
_
(
1
2
X
n
)
1
4
2
3
_
t +
3
X
n
W
n
+
1
4
3
(W
n
)
2
(3.31)
Maintenant appliquons la formule dIt (3.7) Y
t
=
X
t
pour lquation (3.29), en posant
y = f (t, x) =
x, on a
t
f = 0,
x
f = 1/2
x et
xx
f =1/4x
3/2
. On obtient :
dY
t
=
1
2Y
t
_
_
2
Y
2
t
_
1
4
2
3
_
dt +
1
2
3
dW
t
(3.32)
Appliquons le schma dEuler (3.23) Y
t
, on a
Y =
1
2Y
n
_
_
2
Y
2
n
_
1
4
2
3
_
t +
1
2
3
W
n
Et en appliquant le dveloppement de Taylor linverse de y =
x, cest--dire G(y) = x
2
, on
obtient :
G(Y
n
+Y) G(Y
n
) = (Y
n
+Y)
2
Y
2
n
= (Y)
2
+2Y
n
Y
=
_
1
2Y
n
_
_
2
Y
2
n
_
1
4
2
3
_
t +
1
2
3
W
n
_
2
+
_
_
2
Y
2
n
_
1
4
2
3
_
t +Y
n
3
W
n
=
_
_
2
Y
2
n
_
1
4
2
3
_
t +
3
Y
n
W
n
+
1
4
3
(W
n
)
2
+O
_
t
2
_
On remplace Y
t
=
X
t
, on trouve la mme rsultat (3.31).
74
Exemple de simulation
Le code 8 nous permettre de compare entre le processus origine X
t
(3.29) avec son transfor-
mation Y
t
(3.32), qui est illustr par le graphie 3.11. Posons (
1
,
2
,
3
) = (0.1, 0.2, 0.05), avec un
pas t = 0.1 et x
0
= 1. (2
1
>
2
3
est vrie)
FIGURE 3.11 Transformation de modle Cox-Ingersoll-Ross (CIR) dX
t
= (0.1 0.2X
t
)dt +
0.05
X
t
dW
t
.
3.5 Les modles attractives
Le phnomne de dispersion est un problme complexe, souvent caractris par sa diffu-
sion. Beaucoup de situations relles se comportent naturellement a ce phnomne de dispersion,
notamment en environnement, biologie, chimie, etc. . . La modlisation mathmatique ou par si-
mulation du comportement dynamique de tels phnomnes est trs difcile, et ncessite souvent
un outil puissant, pour dcrire le phnomne observ.
Diffrentes approches, dterministes et non dterministes ont t proposes par plusieurs au-
teurs, pour dcrire lvolution des phnomne de dispersion, voir par exemple [23, 26, 24, 2, 4, 5].
Les modles mathmatiques de diffusion dont lorigine est un phnomne biologique (voir le cas
particulier du mouvement Brownien), peuvent tre un outil de modlisation intressent pour
beaucoup de phnomnes de dispersion. Dans un premier cas, on propose un modle de disper-
sion dun polluant qui se dplace sur une surface deau turbulente, en prsence dun mcanisme
dattraction (une cible), qui oriente le polluant vers un point de localisation. Le deuxime modle
dcrit le comportement dune population dinsectes, o deux insecte mle-femelle sattirent lun
vers lautre. On fait les hypothses suivantes :
75
H1 Le mouvement des insectes (les polluantes) est Markovien.
H2 Le domaine D est compact.
H3 Le mcanisme dattraction est sufsamment fort pour attirer les insectes (les polluantes).
H4 Les insectes (les polluantes) se dplacent, indpendamment les uns des autres.
H5 Les forces extrieures opposes dplacement de linsecte (les polluantes) sont ngligeables.
H6 Les taux dimmigration et de mortalit sont ngligeables.
Sous ces hypothses, la famille de modles que nous proposons est une idalisation mathma-
tique dun systme rel complexe, cest aussi une sorte de simulation par des processus de diffu-
sion du phnomne observ.
3.5.1 Modle dune diffusion en attraction M
s1
(V
t
)
La pollution est un problme qui menace aujourdhui la nature des humains et des espces. En
particulier, la pollution de leau est un sujet important, auquel beaucoup de scientiques sint-
ressent actuellement. Gnralement on utilise les quations aux drives partielles dterministes,
pour dcrire la densit du polluant. Les processus de diffusion sont utiliss comme modles ma-
thmatiques pour dcrire le comportement dynamique des particules polluantes [24]. Le modle
que nous proposons ici dcrit le comportement dynamique dune particule en mouvement sur
une surface deau turbulente [2, 4].
On suppose quon observe linstant t, la position V
t
= (X
t
,Y
t
) D R
2
dun particule.
Le point V
0
= (X
0
,Y
0
) reprsente une position initiale du polluant observ. La nature du ph-
nomne observ implique que pour tout t [0, T], V
t
peut tre considr comme processus de
diffusion. On dsigne par L(x, y, t) la profondeur de la surface deau au point (x, y) et linstant
t, U
w
(x, y, t) et V
w
(x, y, t) sont respectivement les champs de vitesses, dus au mouvement deau,
suivant les directions x et y. U
a
(x, y, t) et V
a
(x, y, t) sont respectivement les champs de vitesses,
dus au mcanisme dattraction, suivant les directions x et y. Le coefcient de dispersion est note
par D(x, y, t). chaque instant t la position de la particule est suppose tre un processus de
diffusion V
t
= (X
t
,Y
t
), solution de systme dquation diffrentielle stochastique suivante [4]
dV
t
=
_
_
_
dX
t
=
_
U
a
+U
w
+
L
x
L
D
+
D
x
_
dt +
2DdW
1
t
dY
t
=
_
V
a
+V
w
+
L
y
L
D
+
D
y
_
dt +
2DdW
2
t
, t [0, T] (3.33)
Avec
U
a
=
Kx
_
_
x
2
+y
2
_
s+1
, V
a
=
Ky
_
_
x
2
+y
2
_
s+1
, D(x, y, t) =
1
2
2
et K sont des constantes positives, s 1 et 2K >
2
, W
1
t
et W
2
t
deux mouvements brow-
niens standards indpendants. U
w
(x, y, t) et V
w
(x, y, t) sont supposs ngligeable et la profondeur
L(x, y, t) est constante.
76
Pour chaque particule, on suppose quil y a conservation de la masse, ce qui est traduit par
lquation suivante [24]
L
t
+
UL
x
+
VL
y
= 0 (3.34)
Avec
U(x, y, t) =U
w
(x, y, t) +U
a
(x, y, t) et V(x, y, t) =V
w
(x, y, t) +V
a
(x, y, t)
Do le systme (3.33) devient
dV
t
=
_
_
dX
t
=
KX
t
_
X
2
t
+Y
2
t
_
s+1
dt +dW
1
t
dY
t
=
KY
t
_
X
2
t
+Y
2
t
_
s+1
dt +dW
2
t
, t [0, T] (3.35)
Appliquons la formule dIt multidimensionnel (3.10) au processus R
t
= [[(X
t
,Y
t
)[[, avec R
t
est la distance depuis lattraction (la cible) a linstant t. Posant f (x, y, t) =
_
x
2
+y
2
, on a
t
f =0
x
f =
x
_
x
2
+y
2
,
xx
f =
y
2
(x
2
+y
2
)
3/2
,
y
f =
y
_
x
2
+y
2
,
yy
f =
x
2
(x
2
+y
2
)
3/2
do, la formule dIt entrane
d
_
_
X
2
t
+Y
2
t
_
=
_
U
a
X
t
_
X
2
t
+Y
2
t
V
a
Y
t
_
X
2
t
+Y
2
t
+D
X
2
t
+Y
2
t
(X
2
t
+Y
2
t
)
3/2
_
dt
+
2D
X
t
_
X
2
t
+Y
2
t
dW
1
t
+
2D
Y
t
_
X
2
t
+Y
2
t
dW
2
t
=
_
_
_
KX
2
t
_
_
X
2
t
+Y
2
t
_
s+2

KY
2
t
_
_
X
2
t
+Y
2
t
_
s+2
+D
X
2
t
+Y
2
t
(X
2
t
+Y
2
t
)
3/2
_
_
_
dt
+
2D
_
X
2
t
+Y
2
t
_
X
t
dW
1
t
+Y
t
dW
2
t
_
=
_
_
_
K
_
X
2
t
+Y
2
t
_
_
_
X
2
t
+Y
2
t
_
s+2
+
D
_
X
2
t
+Y
2
t
_
_
_
dt +
2D
_
X
2
t
+Y
2
t
_
X
t
dW
1
t
+Y
t
dW
2
t
_
Posant le changement de variable en coordonnes polaire suivant
_
X
t
= R
t
cos(
t
)
Y
t
= R
t
sin(
t
)
Ce qui impliquera
dR
t
=
_
K
R
s
t
+
D
R
t
_
dt +
2D
_
cos(
t
)dW
1
t
+sin(
t
)dW
2
t
_
77
Proposition 3.1 Soit W
1
t
et W
2
t
deux mouvements browniens standards indpendants, alors on a
d
W
t
= cos(
t
)dW
1
t
+sin(
t
)dW
2
t
Preuve d
W
t
est un mouvement brownien standard, vriant :
E
_
d
W
t
_
= cos(
t
)E(dW
1
t
) +sin(
t
)E(dW
2
t
) = 0
et
E
_
_
d
W
t
_
2
_
= cos
2
(
t
)dt +sin
2
(
t
)dt =
_
cos
2
(
t
) +sin
2
(
t
)
_
dt = dt
Donc daprs cette proposition le processus R
t
est
dR
t
=
_
K
R
s
t
+
D
R
t
_
dt +
2Dd
W
t
=
_
K
R
s
t
+

2
2R
t
_
dt +d
W
t
On obtient, aprs simplication, le processus de diffusion R
t
solution de lquation diffrentielle
stochastique suivante
_
_
_
dR
t
=
_
2
2
R
s1
t
K
R
s
t
_
dt +d
W
t
,
R
0
= a
a > 0, t [0, T] (3.36)
On sintresse particulirement a la simulations aux deux modles M
s=1
(V
t
) et M
s>1
(V
t
) en
2 et 3 dimensions.
Simulation du modle M
s=1
(V
t
)
Lquation de ce modle, est de la forme
dV
t
=
_
dX
t
=
KX
t
X
2
t
+Y
2
t
dt +dW
1
t
dY
t
=
KY
t
X
2
t
+Y
2
t
dt +dW
2
t
, t [0, T] (3.37)
La fonction RadialP2D_1
6
permet de simule le phnomne du polluant qui se dplace sur une
surface deau turbulente en 2Dimensions (gure 3.12). Et la fonction RadialP3D_1 simuler le
phnomne en 3Dimensions (gure 3.13). att1in3D
6. Le constant v est un rayon dune sphre o un cercle qui nous permettre de donne la premire instant
dattendre la cible par une polluant.
78
R> RadialP2D_1(N = 10000, t0 = 0, Dt = 0.001, T = 1, X0 = 2, Y0 = 1,
+ v = 0.3, K = 2, Sigma = 0.2)
R> RadialP3D_1(N = 10000, t0 = 0, Dt = 0.001, T = 1, X0 = 1, Y0 = 1.25,
+ Z0 = 0.5, v = 0.2, K = 2, Sigma = 0.2)
FIGURE 3.12 Trajectoire du polluant dans une
surface deau turbulente en 2D avec s = 1.
FIGURE 3.13 Trajectoire du polluant dans une
surface deau turbulente en 3D avec s = 1.
Simulation du modle M
s>1
(V
t
)
Lquation de ce modle est donne par le systme dquation (3.35). La fonction RadialP2D_2
permet de simule le phnomne du polluant qui se dplace sur une surface deau turbulente en
2Dimensions (gure 3.14). Et la fonction RadialP3D_2 simuler le phnomne en 3Dimensions
(gure 3.15).
R> RadialP2D_2(N = 10000, t0 = 0, Dt = 0.001, T = 1, X0 = 2, Y0 = 1,
+ v = 0.3, K = 2, s = 2, Sigma = 0.2)
R> RadialP3D_2(N = 10000, t0 = 0, Dt = 0.001, T = 1, X0 = 1, Y0 = 1.25,
+ Z0 = 0.5, v = 0.2, K = 2, s = 2, Sigma=0.2)
79
FIGURE 3.14 Ttrajectoire du polluant dans
une surface deau turbulente en 2Davec s >1.
FIGURE 3.15 Ttrajectoire du polluant dans
une surface deau turbulente en 3Davec s >1.
3.5.2 Modle de deux diffusion en attraction M
m>0
(V
(1)
t
) M
0
(V
(2)
t
)
Dans le paragraphe suivante, nous allons proposer, un modle de deux diffusion en attraction
[5], lune de drive nulle M
0
(V
(2)
t
) et lautre M
m>0
(V
(1)
t
), de drive non nulle. Ce qui peut
modliser le comportement de deux insectes, lun attire lautre.
On considre V
(1)
t
= (X
t,1
, X
t,2
) et V
(2)
t
= (Y
t,1
,Y
t,2
) deux processus alatoire de diffusion,
quon suppose reprsentant respectivement les positions dun insecte mle et dun insecte fe-
melle, et que le mle est attir par la femelle. Le comportement de la femelle est suppos tre un
processus de mouvement brownien, dni par lquation suivante
dV
(2)
t
= I
22
dW
t
(3.38)
alors que le comportement du mle est suppos tre un processus de diffusion, dont la drive est
oriente, chaque instant t, vers la position de la femelle, et qui est donn par lquation suivante
dV
(1)
t
= dV
(2)
t
+
m+1
([[D
t
[[)D
t
dt +I
22
d
W
t
(3.39)
o
_
D
t
=V
(1)
t
V
(2)
t
m
([[d[[) =
K
[[d
m
t
[[
K et m sont des constantes positives, et K >
2
.
80
Le modle propos est de la forme suivante
dV
(1)
t
=
_
_
dX
t,1
= dY
t,1
K(X
t,1
Y
t,1)
_
(X
t,1
Y
t,1
)
2
+(X
t,2
Y
t,2
)
2
_
m+1
dt +d
W
1
t
dX
t,2
= dY
t,2
K(X
t,2
Y
t,2)
_
(X
t,1
Y
t,1
)
2
+(X
t,2
Y
t,2
)
2
_
m+1
dt +d
W
2
t
,t [0, T] (3.40)
dV
(2)
t
=
_
dY
t,1
= dW
1
t
dY
t,2
= dW
2
t
,t [0, T] (3.41)
avec

W
1
t
,
W
2
t
, W
1
t
et W
2
t
sont des mouvements Browniens indpendants.
Appliquons la formule dIt multidimensionnel (3.10) au processus R
t
= [[(V
(1)
t
,V
(2)
t
)[[,
avec R
t
reprsente la distance entre les deux insectes a linstant t. Posant f (x
1
, x
2
, y
1
, y
2
, t) =
_
(x
1
y
1
)
2
+(x
2
y
2
)
2
, on a
t
f = 0
x
1
f =
x
1
y
1
_
(x
1
y
1
)
2
+(x
2
y
2
)
2
,
x
1
x
1
f =
(x
2
y
2
)
2
((x
1
y
1
)
2
+(x
2
y
2
)
2
)
3/2
x
2
f =
x
2
y
2
_
(x
1
y
1
)
2
+(x
2
y
2
)
2
,
x
2
x
2
f =
(x
1
y
1
)
2
((x
1
y
1
)
2
+(x
2
y
2
)
2
)
3/2
y
1
f =
(x
1
y
1
)
_
(x
1
y
1
)
2
+(x
2
y
2
)
2
,
y
1
y
1
f =
(x
2
y
2
)
2
((x
1
y
1
)
2
+(x
2
y
2
)
2
)
3/2
y
2
f =
(x
2
y
2
)
_
(x
1
y
1
)
2
+(x
2
y
2
)
2
,
y
2
y
2
f =
(x
1
y
1
)
2
((x
1
y
1
)
2
+(x
2
y
2
)
2
)
3/2
do, la formule dIt entrane
d f =
_
t
f +A
1
x
1
f +A
2
x
2
f +

2
2
(
x
1
x
1
f +
x
2
x
2
f +
y
1
y
1
f +
y
2
y
2
f )
_
dt
+
_
(
x
1
f +
y
1
f )dW
1
t
+(
x
2
f +
y
2
f )dW
2
t
+
x
1
f d
W
1
t
+
x
2
f d
W
2
t
_
=
_
A
1
X
t,1
Y
t,1
_
(X
t,1
Y
t,1
)
2
+(X
t,2
Y
t,2
)
2
+A
2
X
t,2
Y
t,2
_
(X
t,1
Y
t,1
)
2
+(X
t,2
Y
t,2
)
2
+
2
(X
t,1
Y
t,1
)
2
+(X
t,2
Y
t,2
)
2
((X
t,1
Y
t,1
)
2
+(X
t,2
Y
t,2
)
2
)
3/2
_
dt +
_
X
t,1
Y
t,1
_
(X
t,1
Y
t,1
)
2
+(X
t,2
Y
t,2
)
2
d
W
1
t
+
X
t,2
Y
t,2
_
(X
t,1
Y
t,1
)
2
+(X
t,2
Y
t,2
)
2
d
W
2
t
_
81
Avec
A
1
=
K(X
t,1
Y
t,1
)
_
_
(X
t,1
Y
t,1
)
2
+(X
t,2
Y
t,2
)
2
_
m+1
et A
2
=
K(X
t,2
Y
t,2
)
_
_
(X
t,1
Y
t,1
)
2
+(X
t,2
Y
t,2
)
2
_
m+1
Do
d f =
_
_
_
K
_
(X
t,1
Y
t,1
)
2
+(X
t,2
Y
t,2
)
2
_
_
_
(X
t,1
Y
t,1
)
2
+(X
t,2
Y
t,2
)
2
_
m+2
+
2
(X
t,1
Y
t,1
)
2
+(X
t,2
Y
t,2
)
2
((X
t,1
Y
t,1
)
2
+(X
t,2
Y
t,2
)
2
)
3/2
_
_
_
dt
+

_
(X
t,1
Y
t,1
)
2
+(X
t,2
Y
t,2
)
2
_
(X
t,1
Y
t,1
)d
W
1
t
+(X
t,2
Y
t,2
)d
W
2
t
_
Posant le changement de variable en coordonnes polaire suivant
_
X
t,1
Y
t,1
= R
t
cos(
t
)
X
t,2
Y
t,2
= R
t
sin(
t
)
Ce qui impliquera que
d f = d
_
_
(X
t,1
Y
t,1
)
2
+(X
t,2
Y
t,2
)
2
_
= dR
t
Donc
dR
t
=
_
K
R
m
t
+

2
R
t
_
dt +
_
cos(
t
)d
W
1
t
+sin(
t
)d
W
2
t
_
=
_
K
R
m
t
+

2
R
t
_
dt +d
W
t
On obtient, aprs simplication, le processus de diffusion R
t
solution de lquation diffrentielle
stochastique suivante
_
dR
t
=
_
2
R
m1
t
K
R
m
t
_
dt +d
W
t
,
R
0
= a
a > 0, t [0, T] (3.42)
Ce modle permet de raliser sur ordinateur une simulation dynamique du phnomne rel.
Simulation le modle M
m>0
(V
(1)
t
) M
0
(V
(2)
t
) en 2 et 3 Dimensions
La fonction TwoDiffAtra2D
7
permet de simule le phnomne en 2Dimensions, cest--
dire simul les deux systmes dquations diffrentielles stochastiques (3.40) et (3.41), qui est
donne par la gure 3.16. Et la fonction TwoDiffAtra3D simuler le phnomne en 3Dimensions,
la gure 3.17 donne une illustration de linteraction entre deux insectes.
7. Le constant v est un seuil qui nous permettre de donne linstant de la premire rencontre entre les deux
insectes (voir les dtails help("TwoDiffAtra2D")).
82
R> TwoDiffAtra2D(N = 2000, t0 = 0, Dt = 0.001, T = 1, X1_0 = 0.5, X2_0 = 1,
+ Y1_0 = -0.5, Y2_0 = -1,v = 0.01, K = 2, m = 0.25, Sigma = 0.1)
R> TwoDiffAtra3D(N = 5000, t0 = 0, Dt = 0.001, T = 1, X1_0= 1, X2_0 = 1,
+ X3_0 = 2, Y1_0 = -0.5, Y2_0 = -1, Y3_0 = 0.25, v = 0.01,
+ K = 3, m = 0.2, Sigma = 0.2)
FIGURE 3.16 Linteraction entre deux insectes
en 2D.
FIGURE 3.17 Linteraction entre deux insectes
en 3D.
3.6 Conclusion
Dans ce chapitre, nous avons donner les dnitions et les rgles essentielles du calcul dif-
frentiel et intgral stochastique, et en particulier on a montrer comment on intgre une qua-
tion diffrentielle stochastique coefcients lipschitziens. Lintgrale stochastique aborde dnie
globalement sur lespace de toutes les trajectoires par convergence en L
2
. La formule de It nous
a permet de rsoudre des DS, ce qui implique son importance dans les calculs analytiques, et
on a montre lintrt pratique de la simulation dquations diffrentielles stochastiques qui est
trs important, car ce nest pas toujours facile dterminer la solution analytiquement, cela rend
difcile ltude de lvolution dynamique dun phnomne. Nous avons vues la puissance de
la modlisation par les processus de diffusion en prsence dun mcanisme attractive, qui peut
represent certain phnomne relle telle que la trajectoire dun polluant dans une surface deau
turbulente.
83
4
Comportement Asymptotique Des Processus
de Diffusion
Sommaire
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.2 quation de Fokker-Planck . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.3 Processus de diffusion stationnaires . . . . . . . . . . . . . . . . . . . . . . 95
4.4 Classication des processus de diffusion linaire . . . . . . . . . . . . . . . 96
4.5 Calculs de linstant de premier passage . . . . . . . . . . . . . . . . . . . . 108
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
84
comportement Asymptotique Des Processus de Diffusion
4.1 Introduction
C
e chapitre est consacr la prsentation de deux quations fondamentales permettant de
dcrire lvolution des lois de probabilits relatives un processus de diffusion. Il sagit
maintenant dobtenir linformation maximale possible dans un cadre probabiliste, cest--dire de
dterminer les lois de probabilits elles-mmes, pour dcrire lvolution temporelle dun systme
hors dquilibre obissant une dynamique markovienne.
Lquation de Fokker-Planck ou quation de Kolmogorov progressive est une quation aux
drives partielles linaire que doit satisfaire la densit de probabilit de transition p(s, x; t, y)
dun processus de Markov. A lorigine, une forme simplie de cette quation a permis dtudier
le mouvement brownien (Chapitre 2), quation qui est assimilable dans ce cas lquation de
la chaleur. Comme la plupart des quations aux drives partielles, elle ne donne des solutions
explicites que dans des cas bien particuliers portant la fois sur la forme de lquation, sur la
forme du domaine o elle est tudie. chaque quation dIt (3.4) est associe une quation
de Fokker-Planck qui dcrit lvolution dynamique de la densit du processus considr, ainsi sa
distribution stationnaire si il existe. Ces quations sont tudis en dtail ses proprits, mthodes
de solutions et simulation dans [18, 21, 25, 35].
titre dillustration, ce chapitre se termine par ltude et lanalyse statistique de la variable
alatoire linstant de premier passage "IPP" ("rst passage time" en anglais). Dans le modle
dune diffusion en attraction M
s1
(V
t
) (Chapitre 3 section 3.5.1), le taux
(s)
c
du polluant qui
passe la frontire dun voisinage dune cible est analytiquement tudi pour le cas s = 1, le
deuxime cas de s > 1 est tudier par simulation [2, 4, 6, 7]. Dans le deuxime modle de deux
diffusion en attraction (Chapitre 3 section 3.5.2), une tude par simulation est effectue pour la
densit de probabilit de linstant de la premire rencontre
_
V
(1)
t
,V
(2)
t
_
entre deux insectes.
4.2 quation de Fokker-Planck
chaque quation dIt
dX
t
= (t, X
t
)dt +(t, X
t
)dW
t
(4.1)
correspond une quation aux drives partielles que vrie la probabilit de transition p(s, x; t, y) =
p. Cette quation est appele quation de Fokker-Planck ou quation de Kolmogorov progressive,
qui est sous cette forme
p
t
=
1
2
2
y
2
_
2
(t, y) p
_

y
((t, y) p), (s, x) x (4.2)
85
Il existe une autre quation vrie par la densit de probabilit p qui est appele quation de
Kolmogorov rtrograde. Elle porte sur la variable x de dpart
p
s
=
1
2
2
(s, x)

2
x
2
p+(s, x)

x
p, (t, y) x (4.3)
Lquation de Fokker-Planck suppose, comme nous allons le voir, que le processus est mar-
kovien et que le bruit est un processus gaussien. Elle nest donc pas valable pour tous les types
de bruits.
Sous forme multidimensionnel, lquation de Fokker-Planck ne change pas dallure, elle est
donne par :
p
t
=L p (4.4)
o L est un oprateur connu sous le nom doprateur innitsimal ou oprateur de Dynkin
et prend la forme suivante, en dimension n :
L =
i
(x)

x
i
+
1
2
i j
i j
(x)

2
x
i
x
j
Prenons un exemple simple. Supposons un processus de Wiener standard avec un coefcient
de diffusion constant gale , cest--dire :
dX
t
= dW
t
Lquation de Fokker-Planck de ce processus est :
p
t
(s, x; t, y) =
1
2
2

2
x
2
p(s, x; t, y) (4.5)
On peut vrie facilement que la solution de cette dernire est une densit gaussienne :
p(s, x; t, y) =
1
_
2(t s)
exp
_
1
2
(x y)
2
2
(t s)
_
, t > s et x, y R.
Ce qui est donne par lquation (2.5) (Chapitre 2 section 2.3). Ce rsultat est souvent cit dans
les livres rcents en nance quantitative. Pour ce qui concerne le cas dun mouvement brownien
gomtrique (Chapitre 2 section 2.8) la solution de lquation de Fokker-Planck est la densit
lognormale p(t, S; t
/
, S
/
). En effet, supposons le mouvement brownien gomtrique pour laction
S :
dS
t
S
t
= dt +dW
t
, S
0
> 0
alors lquation de Fokker-Planck est donne par :
p
t
/
=
1
2
2
S
/2
(
2
S
/2
p)

S
/
(S
/
p), (t, S) x (4.6)
86
o p dnit la densit de probabilit de transition dun tat un autre, t le temps prsent et t
/
le
temps futur, S le prix de laction au temps prsent t et S
/
le prix de laction une priode future.
La solution de lquation (4.6) est donne par :
p(t, S; t
/
, S
/
) =
1
S
/
_
2(t
/
t)
exp
_
_
log(S/S
/
) +((1/2)
2
)(t
/
t)
2
2
2
(t
/
t)
_
Remarque 4.1 On fait les observations suivantes.
(1) Lquation de Fokker-Planck est une quation aux drives partielles linaire, dont la
solution unique sera xe par la donne dune condition initiale p(x, t
0
) = p
0
(x) tant
une fonction donne lavance. Dautre part, la solution doit tre une fonction positive
et intgrable, non seulement localement, mais encore sur tout le domaine accessible la
variable x. Ces conditions dnissent des conditions aux limites
1
assurant lappartenance
de lensemble des solutions particulires obtenues en tant que modes propres.
(2) Lquation de Fokker-Planck est dtermine par la fonction de drive (x, t) qui carac-
trise le dplacement du mouvement, et la fonction (x, t) > 0 qui, elle, caractrise la
diffusion.
(3) Lquation de Fokker-Planck est dite linaire
2
si :
(x, t) = a
1
+a
2
x et (x, t) = a
3
et quasi-linaire si (x, t) est non linaire et (x, t) = a
3
.
(4) Si lquation diffrentielle stochastique est linaire, alors la solution de lquation de
Fokker-Planck est gaussienne.
4.2.1 Lorigine de lquation de Fokker-Planck
Soit X
t
un processus de Markov de probabilit de transition P(x, t +h[x
0
, t). On souhaite
calculer la drive temporelle de la densit de probabilit p(x, t +h) de la variable alatoire X
linstant t +h.
p(x, t +h) =
P(x, t +h[x
0
, t)p(x
0
, t)dx
0
a partir des relations
P(x, t +h[x
0
, t) =
(z x)P(z, t +h[x
0
, t)dz
et
(z x) = (z x +x
0
x
0
)
=
n=0
(z x
0
)
n
n!
_

x
0
_
n
(x x
0
)
=
n=0
(z x
0
)
n
n!
_

x
_
n
(x
0
x)
1. Il convient de noter que certaines conditions aux limites sexpriment physiquement.
2. Le terme linaire se rapporte ici aux proprits de (x, t) et (x, t). Lquation de Fokker-Planck est, elle,
toujours linaire pour p.
87
on tablit que
P(x, t +h[x
0
, t) =
n=0
1
n!
_

x
_
n
(x
0
x)
(z x
0
)
n
P(z, t +h[x
0
, t)dz
en introduisant les moments
M
n
(x
0
, t, h) =E((X
t+h
X
t
)
n
[X
t
= x
0
)
=
(y x
0
)
n
P(y, t +h[x
0
, t)dy
on a
P(x, t +h[x
0
, t) =
n=0
1
n!
_

x
_
n
(x
0
x)M
n
(x
0
, t, h)
=
_
1+
n=1
1
n!
_

x
_
n
M
n
(x
0
, t, h)
_
(x
0
x)
=
_
1+
n=1
1
n!
_

x
_
n
M
n
(x, t, h)
_
(x x
0
)
Mais en considrant que h est petit, on peut crire
p(x, t +h) p(x, t) = h
p(x, t)
t
+O(h
2
)
=
(P(x, t +h[x
0
, t) 1)p(x
0
, t)dx
0
=
n=1
1
n!
_

x
_
n
(x x
0
)M
n
(x, t, h)p(x
0
, t)dx
0
=
n=1
_

x
_
n
M
n
(x, t, h)
n!
p(x, t)
Et en utilisant un dveloppement de Taylor pour M
n
(x, t, h), on a
M
n
(x, t, h) =
(x x
0
)
n
P(x, t[x
0
, t)dx +
d
dh
(x x
0
)
n
P(x, t[x
0
, t)dx
h=0
h+O(h
2
)
= hD
(n)
(x, t) +O(h
2
)
car
P(x, t[x
0
, t) = (x x
0
)
et avec
D
(n)
(x, t) =
d
dh
M
n
(x, t, h)
h=0
88
do
p(x, t +h) p(x, t) = h
p(x, t)
t
+O(h
2
)
=
n=1
1
n!
_

x
_
n
D
(n)
(x, t)p(x, t)
On en dduite les quation de Kramers-Moyal [25]
p(x, t)
t
=
n=1
1
n!
_

x
_
n
D
(n)
(x, t)p(x, t) (4.7)
dont lquation de Fokker-Planck (4.2) est un cas particulier de lquation de Kramers-Moyal
(4.7). Lorsque le bruit est un processus gaussien, comme un bruit blanc, on dmontre que les
coefcients de Kramers-Moyal sont nuls pour n 3, cest--dire
D
(n)
(x, t) = 0, si n 3
Dans ces conditions, lquation de Fokker-Planck scrit
p(x, t)
t
=

x
D
(1)
(x, t)p(x, t) +
1
2
2
x
2
D
(2)
(x, t)p(x, t)
avec
D
(1)
(x, t) = lim
h0
1
h
M
1
(x, t, h) = lim
h0
1
h
E(X
t+h
X
t
[X
t
= x)
et
D
(2)
(x, t) = lim
h0
1
h
M
2
(x, t, h) = lim
h0
1
h
E((X
t+h
X
t
)
2
[X
t
= x)
4.2.2 Modlisation dune quation physique
Avant daborder la modlisation, nous annonons deux thormes, donnant lexiste dune
relation simple entre les deux diffrentielles It et Stratonovitch, qui permet de passer de lune
lautre pour la rsolution dune quation diffrentielle stochastique
Thorme 4.1 (Diffrentielle dIt convertit en diffrentielle de Stratonovitch) Si un proces-
sus stochastique X
t
satisfait lquation dIt :
dX
t
= (t, X
t
)dt +(t, X
t
)dW
t
alors il satisfait galement lquation de Stratonovitch :
dX
t
= (t, X
t
)dt +(t, X
t
) dW
t
o le coefcient de drive modi (t, X
t
) est dni par :
(t, x) = (t, x)
1
2
(t, x)
(t, x)
x
89
Thorme 4.2 (Diffrentielle de Stratonovitch convertit en diffrentielle dIt) Si un proces-
sus stochastique X
t
satisfait lquation de Stratonovitch :
dX
t
= (t, X
t
)dt +(t, X
t
) dW
t
alors il satisfait galement lquation dIt :
dX
t
= (t, X
t
)dt +(t, X
t
)dW
t
o le coefcient de drive modi (t, X
t
) est dni par :
(t, x) = (t, x) +
1
2
(t, x)
(t, x)
x
On considre une quation physique dterministe unidimensionnelle soumise un bruit blanc
(t), sous la forme suivante
x(t) = (x, t) +(x, t)(t) (4.8)
On suppose que le bruit est un processus centr E((t)) =0 et de fonction de corrlation R(s, t) =
E((s)(t)) = (t s). Le bruit blanc est modlis par un processus de Wiener standard W
t
.
Lquation physique (4.8) se transcrit directement en quation de Stratonovitch
dX
t
= (t, X
t
)dt +(t, X
t
) dW
t
(4.9)
et se convertit en quation dIt sous la forme (appliquons le thorme 4.2)
dX
t
= A(t, X
t
)dt +B(t, X
t
)dW
t
(4.10)
Avec
A(x, t) = (x, t) +
1
2
(x, t)
(x, t)
x
et
B(x, t) = (x, t)
Do lquation physique (4.8) se traduit en quation dIt sous la forme suivante
dX
t
=
_
(t, X
t
) +
1
2
(t, X
t
)
(t, X
t
)
x
_
dt +(t, X
t
)dW
t
(4.11)
Lquation de Fokker-Planck pour lquation physique (4.8), scrit alors
p
t
=

x
_
(x, t) p+
1
2
(x, t)

x
((x, t) p)
_
+
1
2
x
2
((x, t) p)
Dans le cas multidimensionnel, on note x = (x
1
, . . . , x
n
). Le vecteur (t) = (
1
(t), . . . ,
m
(t))
reprsente des bruits blancs centrs et de fonctions de corrlation normes
R
i j
(s, t) =E
_
i
(t)
j
(t)
_
= (t s)
90
Les quantits ,
1
,. . . ,
m
sont des champs de vecteurs sur R
n
. Lquation physique multidimen-
sionnel, scrit sous la forme
x(t) = (x, t) +
1
(x, t)
1
(t) + +
m
(x, t)
m
(t) (4.12)
se traduit mathmatiquement par lquation de Stratonovitch
dX
t
= (t, X
t
)dt +
m
i=1
i
(t, X
t
) dW
i
(t)
o W
1
(t), . . . ,W
m
(t) sont m processus de Wiener standard valeurs dans R
n
. Cette quation
correspond lquation dIt pour i = 1, . . . , n
dX
i
t
=
_
i
(t, X
t
) +
1
2
m
j=1
n
k=1
k
j
(t, X
t
)
i
j
(t, X
t
)
x
k
_
dt +
m
j=1
i
j
(t, X
t
)dW
i
j
(t)
Si lon pose
L =
n
i=1
A
i
(x)

x
i
+
1
2
n
i, j=1
B
i j
(x)

2
x
i
x
j
avec
A
i
(x) =
i
(t, X
t
) +
1
2
m
j=1
n
k=1
k
j
(t, X
t
)
i
j
(t, X
t
)
x
k
et
B
i j
(x) =
n
k=1
i
k
(x)
j
k
(x)
alors le processus de diffusion X
t
vrie lquation de Fokker-Planck
p
t
=Lp
Exemple 4.1 (Loscillateur de Van Der Pol) On considre lquation de Van Der Pol pour los-
cillateur
3
lectrique, soumis une fonce dexcitation alatoire F, qui est centre et de fonction
de corrlation E(F
t
F
t+h
) = 2(h),
X +a
_
X
2
b
2
1
_

X +
2
0
X = F(t) (4.13)
Lquation de Van Der Pol (4.13) est utilise pour modliser des oscillateurs entretenus. Elle nest
pas linaire et na pas de solution explicite. Les paramtres caractristiques de cette quation
sont : la pulsation
4
propre
0
, le paramtre de raction
5
a et le paramtre de contrle b.
3. lectricit : dispositif lectrique qui sert produire un courant alternatif priodique de frquence dtermine.
4. Physique : augmentation momentane et priodique de lintensit dune onde.
5. Physique : processus de modication de la structure dun noyau atomique avec libration dnergie.
91
On crit cette quation du second degr sous la forme dun systme dquations du premier
degr
_
X =Y
Y =a
_
X
2
b
2
1
_
Y
2
0
X +F(t)
(4.14)
se traduit mathmatiquement par lquation de Stratonovitch
_
dX
t
=Y
t
dt
dY
t
=
_
a
_
X
2
b
2
1
_
Y
t
+
2
0
X
t
_
dt +2dW
t
lquation (4.13) se traduit un systme dquations dIt sous la forme suivante
_
dX
t
=Y
t
dt
dY
t
=
_
a
_
X
2
b
2
1
_
Y
t
+
2
0
X
t
_
dt +2dW
t
(4.15)
Lquation de Fokker-Planck pour lquation de Van Der Pol (4.13), scrit alors
p
t
=

x
(yp) +

y
_
a
_
x
2
b
2
1
_
yp
_
+

y
(
2
0
xp) +
1
2
2
y
2
(2p)
=y

x
p+a
_
x
2
b
2
1
_

y
(yp) +
2
0
x

y
p+

2
y
2
p
Simulation numrique de lquation de Van Der Pol
La fonction snssde2D
6
permettre de simule numriquement la solution approche des sys-
tmes dquations diffrentielles stochastiques deux dimensions par des schmas numriques
classiques.
R> help("snssde2D")
R> example("snssde2D")
R> snssde2D(N, T = 1, t0, x0, y0, Dt, driftx, drifty, diffx, diffy,
+ Step = FALSE, Output = FALSE, Methods = c("SchEuler",
+ "SchMilstein", "SchMilsteinS", "SchTaylor", "SchHeun",
+ "SchRK3"), ...)
6. simulation numerical solution of stochastic differential equations two-dimensional.
92
Dtails :
N La taille de processus.
M Le nombre de trajectoire simule.
T Linstant nal (par dfaut gale 1).
t0 Linstant initial.
x0 & y0 Les valeurs initiaux.
Dt La discrtisation o le pas (Si Dt est xe alors par dfaut
T = t0 + Dt * N).
driftx & drifty Coefcient de drive (une expression qui dpende de x, y et de t).
diffx & diffy Coefcient de diffusion (une expression qui dpende de x, y et de t).
Output Pour sauvegarde les rsultats de simulation sous forme Excel
(par dfaut cest FALSE).
Step Pour lanimation, simulation tape par tape (par dfaut cest FALSE).
Methods Diffrents mthodes de simulation (par dfaut schma dEuler),
avec SchEuler(3.23), SchMilstein(3.24),SchMilsteinS(3.25),
SchTaylor(3.26), SchHeun(3.27), SchRK3(3.28).
Posant par exemple (b,
0
,) = (4, 2, 0.5) et x
0
= y
0
= 0. On remarque deux tats du ce systme
physique trs diffrents pour le paramtre a = 0 et a > 0,donc on a lquation physique
_
X +4X = F(t), a = 0
X +2
_
X
2
16
1
_

X +4X = F(t), a > 0
se convertit mathmatique en quation dIt
_
dX
t
=Y
t
dt
dY
t
=4X
t
dt +dW
t
, a = 0
et
_
dX
t
=Y
t
dt
dY
t
=
_
2
_
X
2
16
1
_
Y
t
+4X
t
_
dt +dW
t
, a > 0
R> fx <- expression( y )
R> gx <- expression( 0 )
R> fy1<- expression( -4*x )
R> gy <- expression( 1 )
R> snssde2D(N = 10000, T = 1, t0 = 0, x0 = 0, y0 = 0, Dt = 0.1,
+ driftx = fx, drifty = fy1, diffx = gx, diffy = gy)
R> fy2<- expression( -(2*((x/4)^2 -1)*y + 4*x) )
R> snssde2D(N = 10000, T = 1, t0 = 0, x0 = 0, y0 = 0, Dt = 0.1,
+ driftx = fx, drifty = fy2, diffx = gx, diffy = gy)
93
FIGURE 4.1 Loscillateur de Van Der Pol, rgime permanent sinusodal a = 0.
FIGURE 4.2 Loscillateur de Van Der Pol, rgime permanent non sinusodal a > 0.
4.2.3 Existence dune solution
Soit L loprateur diffrentiel
L =
1
2
i j
i j
(x, t)

2
x
i
x
j
+
i
(x, t)

x
i
94
On considre lquation de Fokker-Planck
p
t
=L p
On tablit que lorsque les coefcients (x, t) et (x, t) sont lipschitziens (Chapitre 3 section 3.3.2)
et vrient une condition supplmentaire duniforme ellipticity, lquation de Fokker-Planck a
une solution unique. Plus prcisment, on a le rsultat suivante.
Thorme 4.3 On suppose que les coefcients de lquation de Fokker-Planck sont lipschitziens
et quil existe une constante c > 0 telle que les coefcients
i j
(x, t) vrient la condition
i j
i j
(x, t)y
i
y
j
c[y[
2
, x, y R
n
o [y[ est la norme de y, alors il existe une unique solution de lquation de Fokker-Planck
p(s, x; t, y) continue et drives partielles
x
i
p et
x
i
x
j
p continues.
4.3 Processus de diffusion stationnaires
Un processus alatoire de diffusion est dite stationnaire si sa densit de probabilit de transi-
tion p(s, x; t, y), vrier lquation suivante
(y) =
R
p(s, x; t, y)(x)dx, y R
o (y) est appele distribution stationnaire du processus si il existe. Pour laquelle on a :
p
t
= 0
Peut tre obtenue explicitement ou numriquement en rsolvant lune ou lautre des quations de
Fokker-Planck qui ne depend pas du temps (progressive (4.16) o rtrograde (4.17))
d
dy
((y)(y))
1
2
d
2
dy
2
_
2
(y)(y)
_
= 0 (4.16)
o
(x)
d
dx
(x) +
1
2
2
(x)
d
2
dx
2
(x) = 0 (4.17)
Exemple 4.2 (Distribution stationnaire de lquation de Langevin) Soit nouveau lquation
de Langevin (Chapitre 3 section 3.3.3),
dX
t
=aX
t
dt +
2DdW
t
95
On a E(X
t
) = 0 et la fonction de corrlation R(s, t) = (D/a)e
a[ts[
dpende de h =t s, donc le
processus de Langevin est stationnaire au sens faible, cest--dire qui il existe une distributions
stationnaire qui vrier
p
t
= 0
daprs lquation (4.16) ,on a
d
dy
(ay(y))
1
2
d
2
dy
2
(2D(y)) = 0 a
d
dy
(y(y)) +D
d
2
dy
2
(y) = 0
ay(y) +D
d
dy
(y) = 0
ay(y) =D
d
dy
(y)

/
(y)
(y)
=
a
D
y
ln[(y)[ =
a
2D
y
2
+C
(y) = Kexp
_
a
2D
y
2
_
Avec K =
1
2(D/a)
, donc on trouve la distributions stationnaire (y) de lquation de Langevin,
qui suit une loi gaussienne N(0, D/a)
(y) =
1
_
2D
a
exp
_
1
2
a
D
y
2
_
4.4 Classication des processus de diffusion linaire
Soit X
t
, 0 t T un processus de diffusion, solution de lquation diffrentielle stochas-
tique suivante
dX
t
= A(t, X
t
)dt +B(t, X
t
)dW
t
, X
0
= x
0
(4.18)
Lquation (4.18) est dite linaire si les coefcients de drive A(t, x) et de diffusion B(t, x) sont
de la forme suivante
A(t, x) =C(t) +D(t)x, avec C : [0, T] R
n
et D : [0, T] M
n,n
(R)
B(t, x) = E(t) +F(t)x, avec E : [0, T] M
n,m
(R) et F : [0, T] L(R
n
, M
n,m
(R))
o L(R
n
, M
n,m
(R)) est lespace des fonctions linaires continues de R
n
dans M
n,m
(R).
96
Dnition 4.1 Une quation diffrentielle stochastique linaire est dite homogne si C(t) =
E(t) = 0. Et elle est linaire au sens faible si F(t) = 0.
Maintenant, on considre lquation diffrentielle stochastique (4.18) de coefcient de drive
A(t, x) = r( x) avec r > 0, et coefcient de diffusion B(t, x) qui peut tre constant, linaire
dpend de x , o du type polynmial. Ces trois types de coefcient de diffusion conduite, res-
pectivement, aux distributions stationnaires Gaussiennes, Gamma, et Bta
7
. Nous ressemblant
certaines de leurs proprits dans le suivant.
4.4.1 Processus de diffusion de type N
Pour ce modle, nous avons :
Coefcient de drive : A(t, X
t
) = r(X
t
), r > 0.
Coefcient de diffusion : B(t, X
t
) =
2, > 0.
DS : dX
t
= r(X
t
)dt +
2dW
t
.
Distribution stationnaire : (x) =
1
2
exp
_
(x )
2
2
_
, =

r
.
Statistique : moyenne, mode = , variance = .
Preuve Daprs lquation (4.16) ,on a
d
dx
(r(x)(x))
1
2
d
2
dx
2
(2(x)) = 0 r
d
dx
((x)(x))
d
2
dx
2
(x) = 0
r(x)(x)
d
dx
(x) = 0
r(x)(x) =
d
dx
(x)

/
(x)
(x)
=
r
(x)
ln[(x)[ =
r
2
(x)
2
+C
(x) = Kexp
_
r
2
(x )
2
_
Avec K =
1
2(/r)
, donc on trouve la distributions stationnaire (x) de ce type dquation, qui
suit une loi gaussienne N(0, /r)
(x) =
1
2
exp
_
(x )
2
2
_
, =

r
7. La loi bta standard B
[0,1]
97
Simulation numrique de la distribution stationnaire de modle de type N
Dans cette simulation il sagit pas de rsoudre numriquement lquation diffrentielle ordi-
naire dordre deux (4.16) o (4.17) pour trouver la distribution stationnaire (x) de processus X
t
.
Lide est de simule un ux de M trajectoires de ce processus et en coupant un instant donne
t, donc on obtient un chantillon de taille M de ce modle linstant t = v que lon note par
X
v
= (x
1
v
, x
2
v
, . . . , x
M
v
). A partir de sa, en fait une analyse statistique a X
v
, ainsi lajustement de la
distribution de la variable alatoire X
v
utilisant deux mthodes, la mthode de histogramme et la
mthode du noyau [38]. Avant daborder les simulations, nous donnons une prsentation de la
mthode du noyau.
Dnition 4.2 (Mthode du noyau) La mthode du noyau est une mthode non paramtrique,
qui consiste estimer la densit de probabilit inconnue f
X
(x) dune certaine variable alatoire
X, dnie sur un domaine D, et dont on connat quun chantillon E = (X
1
, X
2
, . . . , X
n
) de sa
ralisation. Un estimateur

f
n,h
(x), dite du noyau, de la variable X, au vu de lobservation de E,
est donn par :
f
n,h
(x) =
1
nh
n
i=1
K
_
x X
i
h
_
K est une fonction, dit noyau, et lestimateur de cette fonction est caractrise par le paramtre
de lissage h. Cette fonction est suppos borne, et elle vrie :
K(x) 0 ,
D
K(x)dx = 1
Les noyaux les plus utilises sont Gaussien, cosinus, rectangulaire, triangulaire. Le problme
fondamental dans lutilisation de cette mthode est comment choisir le paramtre h, pour obtenir
un estimateur optimal de f
X
(x).
On considre par exemple le modle de Vasicek gnralis (VAG) dcrit par lquation dif-
frentielle stochastique
dX
t
= r(X
t
)dt +dW
t
, X
0
= x
0
(4.19)
avec =
2, la forme explicite de la solution de lquation (4.19) est :

X
t
= +(X
0
)e
rt
+
t
0
e
r(ts)
dW
s
La fonction AnaSimX permettre de simule numriquement un chantillon X
v
de taille M partir
dune DS.
R> help("AnaSimX")
R> AnaSimX(N, M, t0, Dt, T = 1, X0, v, drift, diff, Output = FALSE,
+ Methods = c("Euler", "Milstein", "MilsteinS", "Ito-Taylor",
+ "Heun", "RK3"), ...)
98
Posant (r, , ) = (2, 2, 1) et x
0
= 4, donc on a le modle
dX
t
= 2(2X
t
)dt +
2dW
t
, X
0
= 4
R> f <- expression( 2*(-2-x) )
R> g <- expression( sqrt(2) )
R> AnaSimX(N = 1000, M = 100, t0 = 0, Dt = 0.01, X0 = 4, v = 9,
+ drift = f, diff = g)
R> X
[1] -2.1943293 -2.2719547 -3.1151950 -0.6626404 -2.5430828 0.3602131
[7] -3.2372479 -2.0337318 -1.9326694 -1.4953072 -2.9416240 -1.9643427
[13] -2.0874472 -2.4104522 -2.6901473 -2.1066782 -1.6935978 -2.7531990
. . . . . . .
. . . . . . .
. . . . . . .
[85] -2.3721165 -2.0848300 -2.5641703 -1.6872738 -0.6147365 -2.0119820
[91] -2.5983331 -2.0200177 -3.7215718 -1.4605711 -2.3753241 -2.3620768
[97] -1.9748765 -2.2800181 -2.7551030 -2.1111137 -2.3917035 -1.0311714
FIGURE 4.3 Simulation un chantillon de taille 100 partir du modle VAG.
Statistique descriptive :
R> summary(X)
Min. 1st Qu. Median Mean 3rd Qu. Max.
99
-3.7570 -2.4160 -2.0520 -2.0080 -1.6070 0.3602
R> var(X)
[1] 0.5546319
La fonction Ajdnorm permettre destime les paramtres de la loi normale par la mthode de
maximum de vraisemblance, ainsi lintervalle de conance pour = 0.95.
R> Ajdnorm(X, starts = list(mean = 1, sd = 1), leve = 0.95)
Profiling...
$summary
Maximum likelihood estimation
Call:
mle(minuslogl = lik, start = starts)
Coefficients:
Estimate Std. Error
mean -2.0063018 0.07482636
sd 0.7445129 0.05291131
-2 log L: 222.5311
$coef
mean sd
-2.0063018 0.7445129
$AIC
[1] 226.5311
$vcov
mean sd
mean 5.598984e-03 -3.358252e-08
sd -3.358252e-08 2.799606e-03
$confint
2.5 % 97.5 %
mean -2.1543897 -1.858205
sd 0.6517166 0.861606
La fonction hist_general permettre dajust la distribution de lchantillon X
v
par la mthode
de lhistogramme. Et la fonction Kern_general cest lajustement par la mthode du noyau.
R> help(hist_general)
R> help(Kern_general)
R> hist_general(Data = X, Breaks = 'Sturges', Law = "Norm")
R> Kern_general(Data = X, bw='Bcv', k = "gaussian", Law = "Norm")
100
FIGURE 4.4 Ajustement de la distribution sta-
tionnaire du modle VAG par la mthode dhis-
togramme.
tionnaire du modle VAG par la mthode du
noyau.
Test de Kolmogorov-Smirnov :
R> ks.test(X, "pnorm", mean = -2, sd = sqrt(1/2) )
One-sample Kolmogorov-Smirnov test
data: X
D = 0.0621, p-value = 0.8357
alternative hypothesis: two-sided
4.4.2 Processus de diffusion de type G
t
) = r(X
t
), r > 0.
t
) =
X
t
, > 0.
DS : dX
t
= r(X
t
)dt +
X
t
dW
t
.
_
x
_
1+
_, =

2r
.
Statistique : moyenne = , mode = , variance = .
101
d
dx
(r(x)(x))
1
2
d
2
dx
2
(x(x)) = 0 r
d
dx
((x)(x))
2
d
2
dx
2
(x(x)) = 0
r(x)(x)
2
d
dx
(x(x)) = 0
r(x)(x) =

2
((x) +x
/
(x))
r(x)(x)
2
(x) =

2
x
/
(x)

/
(x)
(x)
=
2
x
_
r(x)
2
_

/
(x)
(x)
=
_
2r
1
_
1
x

2r
ln[(x)[ =
_
2r
1
_
ln(x)
2r
x +C
(x) = Kx
2r
1
exp
_
2r
x
_
Posant =

2r
avec K =
1
/
_
_
, do on trouve la distributions stationnaire (x) dune
quation de type G, qui suit une loi gamma
_
,
1
_
(x) =
_
x
_
1+
_
Simulation numrique de la distribution stationnaire de modle de type G
On considre par exemple le modle Cox-Ingersoll-Ross (CIR) (Chapitre 3 exemple 3.6)
dcrit par lquation diffrentielle stochastique
dX
t
= r(X
t
)dt +
X
t
dW
t
, X
0
= x
0
> 0. (4.20)
Avec la condition 2r >
2
. Posant par exemple (r, , ) = (0.5, 3, 1) et x
0
= 100,t = 0.1, donc
on a le modle
dX
t
=
1
2
(3X
t
)dt +
X
t
dW
t
, x
0
= 100
simulons numriquement un chantillon X
v=90
de taille 100 partir de cette quation
R> f <- expression( 0.5*(3-x) )
R> g <- expression( sqrt(x) )
R> X
102
[1] 1.9781677 2.7698461 1.9426347 6.8094888 3.2716436 11.0541449
[7] 1.6495788 2.7213673 5.6279096 4.1147230 3.6330197 1.8322262
. . . . . . .
. . . . . . .
. . . . . . .
[89] 2.1697131 6.5484018 0.8467619 2.5333814 1.1763158 3.3743554
[95] 0.4432751 3.7510871 1.6463437 2.0691975 1.8540492 3.8536741
R> summary(X)
0.5483 1.7760 2.7510 3.1900 4.2450 10.0500
R> var(X)
[1] 3.492991
Estimations des paramtres :
R> Ajdgamma(X, starts = list(shape = 1, rate = 1), leve = 0.95)
Profiling...
$summary
Call:
Coefficients:
Estimate Std. Error
shape 3.079444 0.4161674
rate 0.962066 0.1412105
-2 log L: 376.7305
$coef
shape rate
3.079444 0.962066
$AIC
[1] 380.7305
$vcov
shape rate
shape 0.17319531 0.05410881
rate 0.05410881 0.01994040
$confint
2.5 % 97.5 %
103
shape 2.3372820 3.972203
rate 0.7104027 1.265122
Ajustement de la distribution stationnaire (x) :
R> hist_general(Data = X, Breaks='Sturges', Law = "GAmma")
R> Kern_general(Data = X, bw='SJ', k = "gaussian", Law = "GAmma")
tionnaire du modle CIR par la mthode dhis-
togramme.
tionnaire du modle CIR par la mthode du
noyau.
R> ks.test(X, "pgamma", shape = 3, rate = 1 )
data: X
D = 0.0722, p-value = 0.6741
104
4.4.3 Processus de diffusion de type B
t
) = r(X
t
), r > 0, ]0, 1[
t
) =
_
X
t
(1X
t
), > 0.
DS : dX
t
= r(X
t
)dt +
_
X
t
(1X
t
)dW
t
, X
0
[0, 1].
_
1
_
1
_x
1+
(1x)
1+
1
, =

2r
.
Statistique : moyenne = , mode =

12
, variance =
(1)
1+
.
d
dx
(r(x)(x))
1
2
d
2
dx
2
(x(1x)(x)) = 0 (1)
(1) r
d
dx
((x)(x))
2
d
2
dx
2
(x(1x)(x)) = 0
r(x)(x)
2
d
dx
(x(1x)(x)) = 0
2r
(x)(x) = ((12x)(x) +x(1x)

/
(x))
_
2r
(x) (12x)
_
(x) = x(1x)
/
(x)

/
(x)
(x)
=
1
_
2r(x) (12x)
x(1x)
_

/
(x)
(x)
=
1
_
2r
x

2r(1)
1x
_
ln[(x)[ =
2r
ln[x[ +
2r(1)
ln[1x[ +C
(x) = Kx
2r
1
(1x)
2r(1)
1
Posant =

2r
avec K gale
K =
_
1
_
1
_
do on trouve la distributions stationnaire (x) dune quation de type B, qui suit une loi bta
standard B
_
,
1
_
(x) =
_
1
_
1
_x
1+
(1x)
1+
1
105
Simulation numrique de la distribution stationnaire de modle de type B
On considre le processus de diffusion de Jacobi X
t
, solution de lquation diffrentielle
stochastique
dX
t
= r(X
t
)dt +
_
X
t
(1X
t
)dW
t
, X
0
= x
0
[0, 1]. (4.21)
Avec ]0, 1[. Posant par exemple (r, , ) = (2, 0.5, 1) et x
0
= 0,t = 0.01, donc on a le modle
dX
t
= 2
_
1
2
X
t
_
dt +
_
X
t
(1X
t
)dW
t
, X
0
= 0.
Simulons numriquement un chantillon X
v=9
de taille 100 partir de cette quation
R> f <- expression( 2*(0.5-x) )
R> g <- expression( sqrt(x*(1-x)) )
R> X
[1] 0.61568827 0.22363297 0.23333832 0.34456437 0.86391343 0.67870198
[7] 0.82226081 0.06663198 0.60156924 0.58966279 0.57626142 0.63231225
. . . . . . .
. . . . . . .
. . . . . . .
[89] 0.43607965 0.61750493 0.19505968 0.87196355 0.79428433 0.61846946
[95] 0.72321640 0.45797652 0.88082305 0.53119498 0.49339106 0.48472011
R> summary(X)
0.01721 0.35020 0.53090 0.51870 0.71230 0.94530
R> var(X)
[1] 0.0502775
Estimations des paramtres :
R> Ajdbeta(X, starts = list(shape1 = 1, shape2 = 1), leve = 0.95)
Profiling...
$summary
Call:
Coefficients:
Estimate Std. Error
shape1 2.020047 0.2739796
106
shape2 1.909258 0.2571918
-2 log L: -23.83837
$coef
shape1 shape2
2.020047 1.909258
$AIC
[1] -19.83837
$vcov
shape1 shape2
shape1 0.07506481 0.05515151
shape2 0.05515151 0.06614760
$confint
2.5 % 97.5 %
shape1 1.531554 2.607888
shape2 1.450570 2.460968
Ajustement de la distribution stationnaire (x) :
R> hist_general(Data = X, Breaks='Sturges', Law = "Beta")
R> Kern_general(Data = X, bw='Bcv', k = "gaussian", Law = "Beta")
tionnaire de processus de diffusion de Jacobi
par la mthode dhistogramme.
tionnaire de processus de diffusion de Jacobi
par la mthode du noyau.
107
R> ks.test(X, "pbeta", shape1 = 2, shape2 = 2 )
data: X
D = 0.0803, p-value = 0.5385
Proprit 4.1 (Diffusion de Pearson) Une diffusion de Pearson
8
X
t
, t 0 [20], est une solu-
tion stationnaire une quation diffrentielle stochastique de la forme suivante :
dX
t
= r(X
t
)dt +
_
2(aX
2
t
+bX
t
+c)dW
t
(4.22)
Avec r > 0 cest la vitesse de convergence vers lquilibre, et cest la moyenne lquilibre,
>0. Les paramtres qui caractrise la diffusion a, b et c sont des constants dans R. Remarquons
que ce modle est stationnaire pour certains conditions sur a, b et c, on a
Si a = b = 0 et c = 1 Processus de diffusion linaire de type N.
Si a = c = 0 et b =
1
2
Processus de diffusion linaire de type G.
Si a = b =
1
2
et c = 0, avec ]0, 1[ Processus de diffusion linaire de type B.
4.5 Calculs de linstant de premier passage
Les instants de premier passage "IPP" jouent un rle trs important en pratique. Lobjet
de cette tude est de dterminer la densit de probabilit de la variable alatoire linstant de
premier passage dun processus de diffusion X
t
. Dans le chapitre 2 la technique des martingales
et thorme darrt qui nous a permet de dtermine la loi du temps datteinte du mouvement
brownien a un point donne a (le mouvement brownien est un martingale). Dans cette section,
on peut utiliser les techniques de la transforme de Laplace, pour dterminer la loi de probabilit
de .
Soit X
t
, t 0 un processus de diffusion solution de lquation diffrentielle stochastique
suivante :
dX
t
= (t, X
t
)dt +(t, X
t
)dW
t
, X
0
= x
0
(4.23)
On admet que les coefcients (x, t) et (x, t) remplissent les conditions dexistence et unicit
de la solution X
t
(Chapitre 3 section 3.3.2). Soit D une partie de R que lon va supposer ouverte
et borne et soit a un lment de D. On dni la variable alatoire
a
:
a
= inft 0 : X
t
D, X
t
= a
a
reprsentant le premier instant o le processus X
t
frappe la frontire du domaine D.
8. La fonction PDP permettre de simule Pearson Diffusions Process. voir help(PDP) pour plus de dtails (Pa-
ckage Sim.DiffProc).
108
4.5.1 IPP dune diffusion en attraction M
s1
(V
t
)
Dans une premire partie, pour le cas s = 1, nous allons effectuer une tude analytique,
an de dterminer explicitement la densit de la variable
(s=1)
c
, cette loi de probabilit permet
dapproximer pour ce modle, le taux des polluants qui dpasse la frontire D(0, c). Pour le cas
de s > 1, la simulation est utilise pour dterminer approximativement la densit de la variable
(s>1)
c
[2, 4, 6, 7].
Modle M
s=1
(V
t
)
Lquation de ce modle, pour le processus radial R
t
, est de la forme :
_
dR
t
=

2
(1k)
2R
t
dt +d
W
t
,
R
0
= a
a > 0, t [0, T] (4.24)
Avec k =
2K
2
pour des raisons de calcul. On utilise lquation (4.24) pour dterminer explicite-
ment la loi de probabilit de
(1)
c
.
La probabilit de transition f
t
(r[a) represents la densit de R
t
avec R
0
= a, qui est donn par
lquation de Fokker-Planck rtrograde (4.3) :
t
f
t
(r[a) = (1k)
2
2a
a
f
t
(r[a) +

2
2
2
a
2
f
t
(r[a) (4.25)
avec la condition initiale f
0
(r[a) = (ar), o (.) fonction de Dirac.
La forme analytique de la densit f
t
(r[a) peut tre explicitement dtermine en inversant son
transforment de Laplace f
(r; a), qui est la solution de lquation suivante :
2
2
2
a
2
f
(r; a) +(1k)
2
2a
a
f
(r; a) f
(r; a) =(ar) (4.26)

Puisque :
L
_
t
f
t
(r[a)
_
=
t
0
e
t

t
f
t
(r[a)dt =f
0
(r; a) +f
(r; a)
Une technique standard [39, 5], la solution de lquation (4.26) pouvoir tre formellement ex-
prim comme :
f
(r; a) =
2g
1,
(r)g
2,
(a)
2
_
g
1,
(r)g
/
2,
(a) g
/
1,
(r)g
2,
(a)
_, a > r (4.27)
avec :
g
1,
(a) = a
m
I
m
_
a
_
et g
2,
(a) = a
m
H
m
_
a
_
109
avec m = k
1
2
, I
m
et H
m
sont respectivement les fonctions de Bessel modie [39] de premire
et seconde ordre, dnies par :
I
m
(z) =
i=1
(1)
i
i!(i +m+1)
_
z
2
_
2i+m
et H
m
(z) =

2
I
m
(z) I
m
(z)
sin(m)
On remplace g
1,
et g
2,
dans lquation (4.27), on trouver :
f
(r; a) =
2
a
_
a
r
_
m+
1
2
r
3
2
H
m
_
a
_
I
m
_
r
_
, a > r (4.28)
linverse de lquation (4.28), est donne par :
f
t
(r[a) =
_
1
2
t
_
_
a
r
_
k
_
r
3
a
exp
_
a
2
+r
2
2
2
t
_
I
m
_
ar
2
t
_
(4.29)
Maintenant nous dnissons la variable alatoire
(1)
c
par :
(1)
c
= inft 0 : R
t
c, R
0
= a
On a,
f
(1)
c
() =E(e
(1)
c
[R
0
= a) =
g
2,
(a)
g
2,
(c)
, a c
Pour des petites valeurs de c, nous obtenons ([5, 6])
f
(1)
c
() =
_
a
_
m
2
m1
(m)
H
m
_
a
_
(4.30)
en inversant (4.30), on trouve lexpression analytique de la densit de probabilit de la variable
alatoire
(1)
c
, donne par :
f
(1)
c
() =
1
2(m)
_
a
2
2
2
_
m1
exp
_
a
2
2
2
_
(4.31)
Le changement de variable :
X =
a
2
donne
f
X
(x) =
_
1
2
_
m
(m)
x
m1
e
x
2
do, on a :
F
(1)
c
() = 1F
(m,1/2)
_
a
2
2
1
_
avec m = k
1
2
=
2K
2

1
2
, et (m, 1/2) est la loi gamma.
Remarque 4.2 La condition 2K >
2
, doit tre vrier (Chapitre 3 section 3.5.1)
110
Simulation la variable
(1)
c
La fonction tho_M1 permettre de simule un chantillonne de taille M = 50 de la variable
alatoire
(1)
c
. Avec K = 2 et = 1, le pas t = (T t
0
)/N, et le c = v = 0.5.
R> tho_M1(N = 1000, M = 50, t0 = 0, T = 1, R0 = 1, v = 0.5, K = 2,
+ sigma = 1)
R> FPT
[1] 0.245 0.037 0.113 0.050 0.060 0.046 0.107 0.182 0.232 0.056 0.032
[12] 0.219 0.085 0.065 0.090 0.032 0.083 0.147 0.065 0.053 0.072 0.073
[23] 0.074 0.040 0.099 0.101 0.177 0.072 0.089 0.198 0.108 0.088 0.058
[34] 0.071 0.181 0.209 0.117 0.082 0.057 0.136 0.078 0.133 0.026 0.121
[45] 0.079 0.331 0.158 0.090 0.091 0.074
Les deux gures 4.10 et 4.11 donne une illustration de linstant o le processus R
t
frappe la
frontire du domaine D. On dni le domaine D par un cercle de rayon c = v = 0.3 (en deux
dimensions), et par une sphre de rayon c = v = 0.3 (en trois dimensions).
FIGURE 4.10 Linstant de premier passage du
modle M
s=1
(V
t
) en 2D.
FIGURE 4.11 Linstant de premier passage du
modle M
s=1
(V
t
) en 3D.
Estimation de la distribution de Y =
a
2
2
1
(1)
c
R> Y = 1/FPT
R> Ajdgamma(Y, starts = list(shape = 1, rate = 1), leve = 0.95)
Profiling...
$summary
111
Call:
Coefficients:
Estimate Std. Error
shape 3.5297529 0.68206463
rate 0.2684711 0.05574823
-2 log L: 319.8036
$coef
shape rate
3.5297529 0.2684711
$AIC
[1] 323.8036
$vcov
shape rate
shape 0.46521216 0.035382963
rate 0.03538296 0.003107865
$confint
2.5 % 97.5 %
shape 2.3624031 5.0474887
rate 0.1731289 0.3925789
R> hist_general(Data = Y, Breaks='Sturges', Law = "GAmma")
R> Kern_general(Data = Y, bw='SJ', k = "gaussian", Law = "GAmma")
FIGURE 4.12 Ajustement de la distribution de
1/
s=1
c
par la mthode dhistogramme.
FIGURE 4.13 Ajustement de la distribution de
1/
s=1
c
par la mthode du noyau.
112
Modle M
s>1
(V
t
)
Le processus de diffusion radial, qui dcrit ce modle est donn par lquation diffrentielle
stochastique suivante :
_
_
_
dR
t
=
_
2
2
R
s1
t
K
R
s
t
_
dt +d
W
t
,
R
0
= a
a > 0, t [0, T] (4.32)
Lestimation de la densit de probabilit de la variable alatoire
(s>1)
c
sera effectue sur la base
de la simulation dun ux de trajectoires. Les observations simules de la variable
(s>1)
c
, seront
traites statistiquement par deux mthodes, la mthode de lhistogramme et la mthode du noyau,
pour estimer sa densit. Ce modle est analytiquement difcile rsoudre.
Simulation la variable
(s>1)
c
La fonction tho_M2 permettre de simule un chantillonne de taille M = 50 de la variable
alatoire
(s>1)
c
. Avec s = 2, K = 3 et = 1, le pas t = (T t
0
)/N, et le c = v = 0.5.
R> tho_M2(N = 1000, M = 50, t0 = 0, T = 1, R0 = 2, v = 0.5, K = 3, s = 2,
+ Sigma = 0.3)
R> FPTT
[1] 0.856 0.827 0.763 0.795 0.710 0.963 0.948 0.620 0.895 0.788 0.831
[12] 0.840 0.848 0.918 0.952 0.662 0.775 0.894 0.769 0.599 0.676 0.971
[23] 0.805 0.840 0.557 0.821 0.833 0.707 0.661 0.597 0.751 0.694 0.732
[34] 0.993 0.599 0.867 0.790 0.935 0.639 0.868 0.973 0.579 0.832 0.904
[45] 0.880 0.880 0.739 0.602 0.794 0.932
On fait lajustement de la variable Y = 1/
s=2
c
par les lois : gamma, exponentiel, lognormale et
weibull. Le meilleur modle est choisi par le critre AIC (minimum AIC).
R> Mod1 <- Ajdgamma(Y, starts = list(shape = 1, rate = 1), leve = 0.95)
$AIC
[1] 197.0462
R> Mod2 <- Ajdweibull(Y, starts = list(shape = 1, scale = 1), leve = 0.95)
$AIC
[1] 203.6206
R> Mod3 <- Ajdexp(Y, starts = list(lambda = 1), leve = 0.95)
$AIC
[1] 294.9443
R> Mod4 <- Ajdlognorm(Y, starts = list(meanlog = 1, sdlog = 1), leve = 0.95)
$AIC
[1] 199.8586
En remarque que la loi gamma ajuste mieux la distribution de la variable alatoire Y = 1/
s=2
c
,
selon le critre AIC.
113
4.5.2 IPP de deux diffusion en attraction M
m>0
(V
(1)
t
) M
0
(V
(2)
t
)
Le processus de diffusion X
t
qui dcrit ce modle est donn par lquation diffrentielle
stochastique suivante :
_
dX
t
=
_
2
X
m1
t
K
X
m
t
_
dt +d
W
t
,
X
0
= a
a > 0, t [0, T] (4.33)
K et m sont des constantes positives, et K >
2
.
Lestimation de la densit de probabilit de la variable alatoire
c
(V
(1)
t
,V
(2)
t
) sera effectue
sur la base de la simulation. Cette variable reprsente linstant de la premire rencontre entre les
deux insectes, dni par :
c
(V
(1)
t
,V
(2)
t
) = inft 0 : X
t
c
La fonction tho_02diff permettre de simule un chantillonne de taille M = 50 de la va-
riable alatoire
c
. Avec K = 4, m = 0.5 et = 0.2, le pas t = 0.01, et le c = v = 0.05.
R> tho_02diff(N = 1000, M = 50, t0 = 0, Dt = 0.001, T = 1, X1_0 = 1,
+ X2_0 = 1, Y1_0 = 0.5, Y2_0 = 0.5, v = 0.05, K = 4, m = 0.5,
+ Sigma = 0.2)
R> FPT
[1] 0.140 0.085 0.104 0.177 0.112 0.098 0.067 0.085 0.142 0.128 0.086
[12] 0.085 0.100 0.080 0.132 0.120 0.108 0.083 0.089 0.074 0.073 0.085
[23] 0.057 0.163 0.114 0.076 0.106 0.167 0.076 0.110 0.105 0.095 0.098
[34] 0.102 0.112 0.096 0.120 0.066 0.097 0.098 0.097 0.091 0.083 0.091
[45] 0.109 0.071 0.181 0.157 0.083 0.093
De mme on fait lajustement de la variable Y = 1/
c
par les lois : gamma, exponentiel, lognor-
male et weibull. Le meilleur modle est choisi par le critre AIC (minimum AIC).
R> Mod1 <- Ajdgamma(Y, starts = list(shape = 1, rate = 1), leve = 0.95)
$coef
shape rate
16.079041 1.544863
$AIC
[1] 234.4629
R> Mod2 <- Ajdweibull(Y, starts = list(shape = 1, scale = 1), leve = 0.95)
$coef
shape scale
4.403975 11.394287
$AIC
[1] 235.836
R> Mod3 <- Ajdexp(Y, starts = list(lambda = 1), leve = 0.95)
$coef
114
lambda
0.09607808
$AIC
[1] 329.5738
R> Mod4 <- Ajdlognorm(Y, starts = list(meanlog = 1, sdlog = 1), leve = 0.95)
$coef
meanlog sdlog
2.3111742 0.2560689
$AIC
[1] 236.0461
En remarque aprs cette simulation que la loi gamma ajuste mieux la distribution de la va-
riable alatoire Y = 1/
c
, mais si on rpte les simulations on remarque que les lois weibull et
lognormale ajuste aussi mieux la distribution de 1/
c
.
4.6 Conclusion
Dans ce chapitre nous avons vues limportance de dcrire lvolution dynamique de la densit
de transition du processus considr, cela repose sur la rsolution dune quation aux drive
partielle, qui ce nest pas toujours facile dtermine sa solution, car les conditions aux limites
sont gnralement exprimes physiquement. La simulation des processus de diffusion est un
objet trs puissant pour simule linstant de premier passage "IPP" dans les modles attractives.
Les mthodes dajustements de la distribution de probabilit, histogramme et mthode de noyau
son efcace.
115
Conclusion gnrale
I
l y a plus dun demi sicle que la thorie des processus de diffusion a t introduite, sous
certaines conditions, les quations diffrentielles stochastiques de type It, sont des proces-
sus de diffusion. Ce travail a t consacr lutilisation de laspect thorique des DS, comme
un outil mathmatique, dans la modlisation de certains phnomnes rels, prsentant un intrt
pratique, o on dmontre, travers ces exemples pratiques, limportance et lintrt de la simu-
lation. Aprs une analyses statistique des rsultats obtenus par simulation, on peut les utiliss
pour une aide la dcision. Gnralement, il est remarquer que une solution analytique exacte
dune DS nest pas toujours facile obtenir, car les rgles classiques de diffrentiabilit ne sont
pas toujours applicables, cause de la proprit de martingale que doit vrier lintgrale sto-
chastique dIt. La formule dIt, permet de donne une transformation simplie de lquation
initiale, souvent utilise pour la rsolution des DS. Dans ce travail nous avons fourni au lec-
teur un package Sim.DiffProc, muni dune interface graphique sous langage R, de manire ce
quon puisse simul des modles de diffusion dDS et analys statistiquement les rsultats de
simulation.
Cette tude nous permet de tracer quelques lignes perspectives, tel que le problme de la
dtermination analytique de la fonction de densit de transition p(s, x; t, y) ou de la variable de
sortie du processus solution, ncessite la rsolution dquations aux drives partielles, qui ne
sont pas toujours faciles rsoudre, la mthode des diffrence nies est parfois utilise pour d-
terminer une solution numrique approche du problme, dou la ncessit de dveloppement et
lutilisation des algorithmes gnrales pour dtermine les densits de transition pour nimporte
quel processus de diffusion, ainsi des mthodes de validation, pour les rsultats obtenus par les
simulations.
116
Annexe A : R Code
L
objective de lannexe A est de montre lefcacit et la puissance de la simulation sous lan-
gage R, et donne une ide sur la programmation mathmatique, qui nest pas trs diffrent
celle de Matlab.
Code 1
R> n <- 10 ;T <- 1;
R> t <- seq (0,T, length =100)
R> S <- cumsum (2*( runif (n ) >0.5) -1)
R> W <- sapply (t, function (x) ifelse (n*x >0,S[n*x] ,0))
R> W <- as.numeric (W)/ sqrt (n)
R> plot (t,W, type ="l",xlab=expression(W[t]),ylim=c(-1,1),las=1)
R> n <- 100
R> S <- cumsum (2*( runif (n ) >0.5) -1)
R> lines (t,W, lty =2)
R> n <- 1000
R> S <- cumsum (2*( runif (n ) >0.5) -1)
R> lines (t,W, lty =3)
R> legend("topleft",c("n=10","n=100","n=1000"),lty=c(1,2,3),
+ lwd=1,cex=0.9)
Code 2
R> phi <- function (i,t){
+ (sqrt(2)/ ((i + 0.5) *pi)) * sin ((i + 0.5) *pi*t) }
R> N <- 1000
R> t <- seq (0,1, length =N +1)
R> W <- numeric (N +1)
R> n <- 10
R> Z <- rnorm(n)
R> for (i in 2:( N +1)) W[i] <- sum (Z* sapply (1:n,
117
Annexe A : R Code
+ function(x) phi(x,t[i])))
R> plot (t,W, type ="l",ylim =c( -1 ,1),xlab=expression(W[t]),las =1)
R> n <- 100
R> Z <- rnorm(n)
R> lines(t,W, lty =2)
R> n <- 1000
R> Z <- rnorm(n)
+ function (x) phi(x,t[i])))
R> lines(t,W, lty =3)
+ lwd=1,cex=0.9)
Code 3
R> phi <- function (i,t,T){
+ (2* sqrt (2*T))/ ((2 *i +1) *pi) * sin (((2 *i +1) *pi*t)/(2*T))
+ }
R> s <- 0.1; n <- 100; T <- 1;
R> Z <- rnorm (n)
R> Delta <- seq(0, 0.01, length =50)
R> W <- sum (Z* sapply (1:n, function (x) phi (x ,s ,T )))
R> for (i in Delta ){W_h <- sum (Z* sapply (1:n,
+ function (x) phi (x ,s+i,T )))}
R> lim_W <- abs(W_h - W)/ Delta
R> plot(Delta , lim_W , type ="l",xlab = expression ( Delta *t),las=1,
+ ylab = expression ( abs (W (s+ Delta *t)- W (s)) / Delta *t))
R> max(lim_W ,na.rm=T)
[1] Inf
Code 4
R> phi <- function (i,t,T){
+ (2* sqrt (2*T))/ ((2 *i +1) *pi) * sin (((2 *i +1) *pi*t)/(2*T))
+ }
R> T <- 100; N <- 1000;
R> t <- seq (0,T, length =N +1)
R> W <- numeric (N +1)
R> n <- 100
R> Z <- rnorm (n)
+ function (x) phi (x,t[i],T )))
118
Annexe A : R Code
R> plot (t,W, type ="l",ylab=expression(W[t]))
R> lines(t,W/t,col="red")
R> legend("topleft",c(expression(W[t]),expression(lim(frac(w[t],t),
+ t%->%+infinity) %~~%0)),lty=c(1),col=c("black","red"),
+ lwd=1,cex=0.9)
Code 5
R> phi <- function (i,t){
+ (sqrt(2)/ (pi * i)) * sin (pi*i*t) }
R> N <- 1000
R> t <- seq (0,1, length =N +1)
R> X <- numeric (N +1)
R> n <- 10
R> Z <- rnorm(n)
R> for (i in 2:( N +1)) X[i] <- sum (Z* sapply (1:n,
R> plot (t,X, type ="l",ylim=c(-1,1), las =1)
R> n <- 100
R> Z <- rnorm(n)
R> lines(t,X, lty =2)
R> n <- 1000
R> Z <- rnorm(n)
+ function (x) phi(x,t[i])))
R> lines(t,X, lty =3)
+ lwd=1,cex=0.9)
Code 6
R> N = 10000; t0 = 0; Dt = 0.0001; x0 = 6; a = 2; D = 1;
R> time <- c(t0 ,t0+ cumsum(rep(Dt,N)))
R> u = runif(N,0,1)
R> for (i in 1:length(u)){
+ if ( u[i] >= 0.5)
+ u[i] = +1
+ else u[i] = -1 }
R> w = cumsum(c(0,u))*sqrt(Dt)
R>
R> Ito.sum <- c(0,sapply(1:(N+1),function(x){
119
Annexe A : R Code
+ exp(-a*(time[x+1]-time[x]))*(w[x+1]-w[x])}))
R> X <- sapply(1:(N+1),function(x){
+ x0*exp(-a*time[x])+sqrt(2*D)*sum(Ito.sum[1:x])})
R> plot(time,X,type="l",las=1,xlab="time",ylab=expression(X[t]))
R> mtext("Langevin Process",line=2.5,cex=1.2 )
R> mtext(bquote(dX[t]==-.(a)*X[t]*dt+sqrt(.(2*D))*dW[t]),
+ line=0.25,cex=1.2,col="red")
R> mtext(bquote(x[.(0)]==.(x0)),line=0.1,cex=0.9,adj=1,col="red")
R> mtext(bquote(t[0]==.(t0)),line=0.9,cex=0.9,adj=1,col="red")
R> mtext(bquote(Delta*t==.(delta.time)),line=0.4,cex=1,adj=0,col="red")
R> data.frame(time,X)
Code 7
R> N = 10000; t0 = 0; Dt = 0.0001; a = 2; D = 1;
R> x0 = 5; y0 = 6;
R> wx = cumsum(rnorm(N+1,mean=0,sd=sqrt(Dt)))
R> wy = cumsum(rnorm(N+1,mean=0,sd=sqrt(Dt)))
R> Ito.sumx <- c(0,sapply(1:(N+1),function(x){
+ exp(-a*(time[x+1]-time[x]))*(wx[x+1]-wx[x])}))
R> Ito.sumy <- c(0,sapply(1:(N+1),function(x){
+ exp(-a*(time[x+1]-time[x]))*(wy[x+1]-wy[x])}))
R> X <- sapply(1:(N+1),function(x){
+ x0*exp(-a*time[x])+sqrt(2*D)*sum(Ito.sumx[1:x])})
R> Y <- sapply(1:(N+1),function(x){
+ y0*exp(-a*time[x])+sqrt(2*D)*sum(Ito.sumy[1:x])})
R> plot(X,Y,type="l",las=1,xlab=expression(X[t]),ylab=expression(Y[t]))
R> mtext("Langevin Process In 2D",line=2.5,cex=1.2 )
R> data.frame(X,Y)
Code 8
R> N = 1000; t0 = 0; Dt = 0.001; theta1 = 0.1; theta2 = 0.2;theta3=0.05;
R> x0 = y0 = 1;
R> Error1 <- (2*theta1 > (theta3)^2)
R> w = cumsum(rnorm(N+1,mean=0,sd=sqrt(Dt)))
R> Dw <- diff(w)
R> X <- Y <- numeric()
R> X[1] = Y[1] <- x0
R> for (i in 2:(N+1)){
+ X[i] = X[i-1] + (( theta1 - theta2 * X[i-1])-0.25* (theta3)^2) * Dt +
120
Annexe A : R Code
+ theta3 * sqrt(X[i-1])*Dw[i-1] +0.25 * theta3 *(Dw[i-1])^2
+ Y[i] = Y[i-1] + ((theta1 - theta2 * (Y[i-1])^2)-0.25*(theta3)^2)*Dt +
+ theta3*Y[i-1]*Dw[i-1]+0.25*theta3*(Dw[i-1])^2
+ }
R> plot(time,X,type="l",col="blue")
R> lines(time,Y,type="l",col="red")
R> mtext(bquote(dX[t]==(.(theta1)-.(theta2)*X[t])*dt+.(theta3)*sqrt(X[t])*
+ dW[t]),line=2.5,cex=1,adj=0)
R> mtext(bquote(dY[t]==frac(1,2*Y[t])*bgroup("(",(.(theta1)-.(theta2)*
+ Y[t]^2)-frac(1,4)*.(theta3)^2 ,")") *dt+frac(1,2)*.(theta3)*dW[t]),
+ line=0.1,cex=1,adj=0)
R> legend("topright",border="gray",c(expression(X[t]),expression(Y[t])),
+ lty=c(1,1),col=c("blue","red"),lwd=2)
R> Error2 <- sum(abs(X-Y))/N
R> Error1
[1] TRUE
R> Error2
[1] 0.0009837406
121
Annexe B : Packages Sim.DiffProc &
Sim.DiffProcGUI
L
objective de lannexe B est de donnes quelques rgles pour la cration des packages sous
langage R. Et aussi une prsentation des deux packages Sim.DiffProc et Sim.DiffProcGUI.
Cration dun package
Pour crer un package sous langage R [32], il vous faut installer sur votre ordinateur un
certain nombre de logiciels, tous sont disponibles gratuitement sur le web, puis les congurer.
Perl : est un langage optimise pour lextraction dinformations de chiers textes et la
gnration de rapports.
http://www.activestate.com/Products/ActivePerl/Download.html
Rtools : Les Rtools sont des outils Unix qui fournissent une couche dmulation pour le
systme Windows. Ils rendent possible lexcution de programmes Unix sous Windows.
http://www.murdoch-sutherland.com/Rtools/tools.zip
MinGW : permet de compiler du code C, C++ et FORTRAN. Si vous nincluez pas de
langage autre dans votre code, vous navez pas besoin de MinGW.
Sinon : http://prdownloads.sourceforge.net/mingw/MinGW-5.0.0.exe
HTML Help Workshop : Ce logiciel permet de produire des aides au format .chm, le for-
mat daide propritaire de Windows. http://msdn.microsoft.com/library/en-us/
htmlhelp/html/hwmicrosofthtmlhelpdownloads.asp
Un compilateur L
A
T
E
X : permet de produire une aide au format pdf. Plusieurs compila-
teurs sont disponibles, MiKTeX est assez stable. http://www.miktex.org/
FTP : quand vous aurez termin votre package, il vous faudra le poster sur le site du
CRAN. Cela se fait grce un logiciel grant le FTP (File Transfert Protocol). L encore,
plusieurs choix sont possibles. http://filezilla-project.org/
La cration dun package se fait via une fentre de commande DOS ou une fentre terminal
sous Linux. Tous les nouveaux programmes qui viennent dtre installs doivent tre accessibles
depuis cette fentre. Pour cela, il faut prciser lendroit o ils ont t installs sur votre ordinateur.
Cela se fait en modiant la variable PATH.
Le plus simple est de crer un chier Rpath.bat contenant la dnition de la variable PATH.
noter que les espaces ne sont pas accepts dans les noms de chier. Sous Windows, Programme
File doit donc tre abrg en PROGRA1. La sparation des diffrents chemins peut se faire
grce ( ;). Pour plus de lisibilit, il est possible de dnir le PATH sur plusieurs lignes :
122
Annexe B : Packages Sim.DiffProc & Sim.DiffProcGUI
SET PATH =C:\ Rtools \bin
SET PATH =% PATH %;C:\ Perl \bin
SET PATH =% PATH %;C:\ Rtools \ MinGW \bin
SET PATH =% PATH %;C:\ PROGRA~1\R\R -2.13.1\ bin
SET PATH =% PATH %;C:\ PROGRA~1\R\R -2.13.1\ include
SET PATH =% PATH %;C:\ PROGRA~1\ MIKTEX~ 2.9\ miktex \bin
SET PATH =% PATH %;C:\ PROGRA~1\ HTMLHE~1
SET PATH =% PATH %;C:\ WINDOWS
SET PATH =% PATH %;C:\ WINDOWS \ system32
Si vous sauvegardez Rpath.bat dans le rpertoire racine C:/, il vous suft ensuite de taper
C:/Rpath dans la fentre systme que vous venez douvrir et votre variable PATH est modie
comme il convient. Il est galement possible de modier la variable PATH en allant explorer les
variables denvironnement. Mais ces modications sont permanentes jusqu ce quelles soient
recties. Cela veut dire qu chaque fois que vous allumerez votre ordinateur, le PATH sera
modie mme si vous navez pas de package compiler ce jour-l. Votre ordinateur sera un peu
moins rapide. Aussi, il est plus intressant de crer un chier Rpath.bat que lon excutera les
jours o cest ncessaire.
Un package est un ensemble de plusieurs chiers et rpertoires, tous runis dans un rpertoire
racine. Le rpertoire racine a pour nom le futur nom du package (par exemple Monpackage). Il
contient un chier nomm DESCRIPTION, un chier nomm NAMESPACE, plus les rpertoires
/R/, /man/, /data/ et /tests/.
DESCRIPTION : contient une description du package.
NAMESPACE : sert dnir la visibilit de nos fonctions et des fonctions des autres
packages, via import et export.
/R/ : contient le code des programmes.
/man/ : contient les chiers daide.
/data/ : contient les jeux de donnes.
/tests/ : contient les chiers permettant de tester notre programme (tests selon la R Core
Team
1
)
package.skeleton est une fonction qui cre pour vous larborescence des chiers (rpertoire
racine, rpertoires /R/, /man/ et /data/). Elle cre aussi les chiers daide (dans /man/), les chiers
codes (dans /R/), ventuellement les donnes (dans /data/), le chier DESCRIPTION et ventuel-
lement le chier NAMESPACE. Lide est dutiliser package.skeleton pour la cration initiale
de votre package, puis de modier ensuite la main les chiers quil a cres.
R> help(package.skeleton)
Lorsque les chiers sources (programme, aides et donnes) sont prts, il reste a les vrier,
construire le package et ventuellement construire des documentations au format pdf. Ces trois
tapes se font dans une fentre de commandes DOS sur Windows ou une fentre terminal sur
Linux. Pour plus de dtails [32, 33].
1. La R Core Team a mis au point un systme de gestion de tests automatiques trs performant.
123
Prsentation du package
Le package Sim.DiffProc
2
[9] sous la version de Windows de langage R t dveloppe
pour simule et trait statistiquement des quations diffrentielles stochastiques dune faon g-
nrale lexception les processus de diffusion [8]. Le langage R nincorpore pas une interface
graphique GUI
3
, mais il inclus des outils pour construire des interfaces graphiques. Bas sur le
package tcltk
4
[13, 14, 41], qui fournit la possibilit de cre une interface la bote outils de
Tcl/Tk. Le package Sim.DiffProcGUI
5
[10] fournit une interface graphique pour les fonctions
qui sont dans le package Sim.DiffProc.
Installation du package
Linstallation
6
du package Sim.DiffProcGUI sous R est simple, il sufra de crire dans R
Console la commande suivante :
R> install.packages("Sim.DiffProcGUI")
Pour le chargement de package aprs linstallation et pour des informations sur le package, est
dcrit par les commandes suivantes :
R> library("Sim.DiffProcGUI")
Le chargement a ncessit le package : Sim.DiffProc
Le chargement a ncessit le package : tcltk
Chargement de Tcl/Tk... termin
Le chargement a ncessit le package : tcltk2
Le chargement a ncessit le package : stats4
Le chargement a ncessit le package : rgl
Le chargement a ncessit le package : xlsx
Le chargement a ncessit le package : xlsxjars
Le chargement a ncessit le package : rJava
Sim.DiffProcGUI version 2.0-Sat Feb 26 15:58:10 2011.
BOUKHETALA Kamal <kboukhetala@usthb.dz>.
GUIDOUM Arsalane <starsalane@gmail.com>.
University of Sciences and Technology Houari Boumediene (USTHB)
Faculty of Mathematics
Department of Probabilities and Statistics.
Copyright (C) 2011 Algeria.
User Interface :: Sim.DiffGUI().
R> library(help="Sim.DiffProc")
R> library(help="Sim.DiffProcGUI")
2. Sim.DiffProc : Simulation of Diffusion Processes.
3. GUI : Graphical User Interface.
4. tcltk : Tool Command Language.
5. Sim.DiffProcGUI : Graphical User Interface for Simulation of Diffusion Processes.
6. Il faut tre connect Internet pour effectuer ces oprations, o tlcharg manuellement les deux packages
[9, 10].
124
Information sur le package Sim.DiffProc :
Package: Sim.DiffProc
Type: Package
Title: Simulation of Diffusion Processes
Version: 2.0
Date: 2011-02-09
Author: BOUKHETALA Kamal <kboukhetala@usthb.dz>,
GUIDOUM Arsalane <starsalane@gmail.com>
Maintainer: BOUKHETALA Kamal <kboukhetala@usthb.dz>
Depends: R (>= 2.11.0), tcltk, tcltk2, stats4, rgl, xlsx
License: GPL (>= 2)
URL: http://www.r-project.org
Repository: CRAN
LazyLoad: yes
Packaged: 2011-02-12 17:35:17 UTC;
Date/Publication: 2011-02-13 16:11:13
Built: R 2.13.1; ; 2011-09-29 07:46:05 UTC; windows
Information sur le package Sim.DiffProcGUI :
Package: Sim.DiffProcGUI
Type: Package
Title: Graphical User Interface for Simulation of
Diffusion Processes
Version: 2.0
Date: 2011-02-26
Author: BOUKHETALA Kamal <kboukhetala@usthb.dz>,
GUIDOUM Arsalane <starsalane@gmail.com>
Maintainer: BOUKHETALA Kamal <kboukhetala@usthb.dz>
Depends: Sim.DiffProc (>= 2.0)
License: GPL (>= 2)
LazyLoad: yes
Packaged: 2011-02-26 17:46:40 UTC;
Repository: CRAN
Date/Publication: 2011-02-27 16:28:40
Built: R 2.13.1; ; 2011-09-29 07:48:20 UTC; windows
Pour quelques dmonstrations graphique de package Sim.DiffProc, est dcrit par la commande
suivante :
R> demo(Sim.DiffProc)
Les objectifs de conception de linterface graphique est : renforcer le package Sim.DiffProc,
pour une utilisation facile, une interface simple et familire de menu/dialogue-bote. Le menu
125
principale est : File, Edit, Brownian Motion, Stochastic Integral, Stochastic Models, Parametric
Estimation, Numerical Solution of SDE, Statistical Analysis, Help " ?". Aprs chargement du
package, la fentre GUI devrait apparatre plus ou moins comme dans la gure XIV.
FIGURE XIV Graphical User Interface for Sim.DiffProc package at start-up.
Cette interface graphique dcran de GUI t cre sous Windows Seven. En cas de lutili-
sation une autre version Windows, ou une autre plate-forme, limage dcran de GUI peut tre
diffrent
7
. Toutes les fonctions du menu mnent aux zones de dialogue, cest--dire interactif.
Le menu complet (tree) pour le package Sim.DiffProcGUI (version 2.0) est montr ci-
dessous. toutes les fonctions de menu mnent aux zones de dialogue cest--dire interactif.
File |- Open file
|- Change working directory
|- Import data from...
|- Save
|- Save graphic
|- Quit
| ||- Quit Sim.DiffProcGUI
||- Quit R
Edit |- Eval code Ctrl+R
7. Nous emploient la version R sous Windows, cependant, le langage R est disponible sur dautres plates-formes,
des ordinateurs de Macintosh et des systmes dUnix/Linux. Lutilisation de R et le package Sim.DiffProcGUI sur
ces autres systmes est trs semblable leur utilisation sous Windows.
126
|- Clear Ctrl+T
|- Undo Ctrl+Z
|- Redo Ctrl+W
|- Cut Ctrl+X
|- Copy Ctrl+C
|- Paste Ctrl+V
|- Select All Ctrl+A
|- Delete Ctrl+D
Brownian Motion| - Creating Brownian Motion
| ||- By the normal distribution
| ||- By a random walk
|- Creating flow for Brownian Motion
|- Creating Arithmetic Brownian Motion
| ||- Arithmetic brownian
| ||- Flow of arithmetic brownian
|- Creating Geometric Brownian Motion
| ||- Geometric brownian
| ||- Flow of geometric brownian
|- Creating Brownian Bridge
| ||- Brownian bridge
| ||- Flow of brownian bridge
|-Brownian Motion Property
| ||- Empirical covariance for brownian motion
| ||- Limite for brownian motion
| ||- Invariance by reversal of time
| ||- Invariance by scaling
|- Brownian Trajectory in 2D
|- Brownian Trajectory in 3D
||- By the normal distribution
||- By a random walk
Stochastic Integral|- Stratonovitch Integral - Integral(W(s) o dW(s),0,t)
| ||- Integral(alpha o dW(s),0,t)
| ||- Integral(W(s)^n o dW(s),0,t)
|- Ito Integral - Integral(W(s)dW(s),0,t)
| ||- Integral(alpha*dW(s),0,t)
| ||- Integral(W(s)^n*dW(s),0,t)
|- Ito Integral vs Stratonovitch Integral
||-Integral(W(s)dW(s),0,t) vs Integral(W(s) o dW(s),0,t)
||- Integral(s*dW(s),0,t) vs Integral(s o dW(s),0,t)
127
||- Integral(W(s)^n*dW(s),0,t)vsIntegral(W(s)^n o dW(s),0,t)
Stochastic Models |- Attractive Model
| ||- Attractive Model for One-System SDE
| ||- Attractive Model for Two-System SDE
| |||- Two-Dimensional Attractive Model
| |||- Three-Dimensional Attractive Model
| |||- Simulation The First Passage Time
|- Bessel Process
|- Constant Elasticity of Variance Model
|- Cox-Ingersoll-Ross Model
| ||- CIR Model
| ||- The Modified CIR and hyperbolic Process
|- Chan-Karolyi-Longstaff-Sanders Model
|- Diffusion Bridge Model
|- Double-Well Potential Model
|- Exponential Martingales Process
|- Gaussian Diffusion Model
| ||- Hull-White/Vasicek (HWV)
| |||- Hull-White/Vasicek Model
| |||- Flow of Hull-White/Vasicek Model
| ||- Ornstein-Uhlenbeck Process
| |||- Ornstein-Uhlenbeck Process
| |||- Flow of Ornstein-Uhlenbeck Process
| |||- Radial Ornstein-Uhlenbeck Process
|- Hyperbolic Process
| ||- Hyperbolic Process
| ||- General Hyperbolic Diffusion
|- Inverse of Feller Square Root Model
|- Jacobi Diffusion Process
|- Pearson Diffusions Process
|- Stochastic Process
||- Stochastic Process The Gamma Distribution
||- Stochastic Process The Student Distribution
||- Random Walk
||- White Noise Gaussian
Parametric Estimation |- Parametric Estimation of Arithmetic Brownian Motion
|- Parametric Estimation of Model Black-Scholes
|- Parametric Estimation of Hull-White/Vasicek Model
|- Parametric Estimation of Ornstein-Uhlenbeck Model
||- Exact likelihood Inference
||- Explicit Estimators
Numerical Solution of SDE |- One-Dimensional SDE
| ||- Euler Scheme
128
| ||- Predictor-Corrector Method
| ||- Milstein Scheme
| |||- Milstein Scheme
| |||- Milstein Second Scheme
| ||- Strong Ito-Taylor Scheme
| ||- Heun Scheme
| ||- Runge-Kutta Scheme
|- Two-Dimensional SDE
||- Euler Scheme
||- Predictor-Corrector Method
||- Milstein Scheme
|||- Milstein Scheme
|||- Milstein Second Scheme
||- Strong Ito-Taylor Scheme
||- Heun Scheme
||- Runge-Kutta Scheme
Statistical Analysis |- Simulation M-Samples of Random Variable
|- Simulation The First Passage Time FPT
|- Ploting
| ||- Histograms
| ||- Kernel Density
| ||- Empirical Distribution
|- Adjustment of Distributions
| ||- Beta Distribution
| |||- Estimate of The Parameters
| |||- Kolmogorov-Smirnov Tests
| ||- Chi-Squared Distribution
| ||- Exponential Distribution
| ||- Fisher Distribution
| ||- Gamma Distribution
| ||- Log Normal Distribution
| ||- Normal Distribution
129
| ||- Student Distribution
| ||- Weibull Distribution
|- Density Estimation
| ||- by Histograms Methods
| ||- by Kernel Methods
|- Distribution Estimation
Help "?" |- Demos
| ||- Attractive Model for One-System SDE (2D)
| ||- Attractive Model for One-System SDE (3D)
| ||- Attractive Model for Two-System SDE (2D)
| ||- Attractive Model for Two-System SDE (3D)
| ||- Brownian Motion in 2D plane
| ||- Flow of the Diffusion Processes
| ||- Numerical Simulation of One-Dimensional SDE
| ||- Numerical Simulation of Two-Dimensional SDE
| ||- Stochastic Processes (Models)
|- Teachware
|- Start Sim.DiffProc help (.HTML)
|- Start Sim.DiffProc help (.PDF)
|- Start R help system
|- About Sim.DiffProc
Linterface de Sim.DiffProc inclut quelques lments en plus des menus et des dialogues, les
expositions externes qui sont montre par la gure XIV, on a :
Plot your data : cest pour trace votre donne en fonction du temps (time series).
Add your data : cest pour ajoute votre donne dans un graphe (par exemple pour la
compar).
Plot your solution : cest pour trac la solution dune DS si il existe (par exemple la
solution de Black-Scholes).
Add your solution : ajout la solution dans un graphe (par exemple simule un ux de
modle de Black-Scholes et ajout la solution trouv).
Show data : les donne import sont sauvegarde automatiquement dans cette fentre.
Save graphic : sauvegarde les graphes sous diffrent format(.pdf, .png, .jpeg, . . . )
130
Bibliographie
[1] Allen E (2007). Modeling with It Stochastic Differential Equations. Springer-Verlag, New
York. ISBN 13 : 978-1-4020-5953-7.
[2] Boukhetala K (1994). Simulation Study of a Dispersion About an Attractive Center. In
proceeding of 11th Symposium Computational Statistics., pp. 128130, Edited by R. Dutter
and W. Grossman, Wien, Austria.
[3] Boukhetala K (1995). Identication and simulation of a communication system. Maghreb
Mathematical Review, 2, pp. 5579.
[4] Boukhetala K (1996). Computer Methods and Water Resources, Modelling and Simulation
of a Dispersion Pollutant with Attractive Centre, volume 3, pp. 245252, Computational
mechanics publications edition. Boston, USA.
[5] Boukhetala K (1998). Application des Processus de Diffusion, Echantillonnage Optimal.
Ph.D. thesis, University of Science and Technology Houari Boumediene, BP 32 El-Alia,
U.S.T.H.B, Algeria.
[6] Boukhetala K (1998). Estimation of the rst passage time distribution for a simulated diffu-
sion process. Maghreb Mathematical Review, 7, pp. 125.
[7] Boukhetala K (1998). Kernel density of the exit time in a simulated diffusion. The Annals
of The Engineer Maghrebian, 12, pp. 587589.
[8] Boukhetala K, Guidoum A (2011). Sim.DiffProc : A Package for Simulation of Diffusion
Processes in R. Le Hal revue du centre national de la recherche scientique (France).
Preprint submitted to Journal of Statistical Software (JSS), 25 May 2011. http://hal.
archives-ouvertes.fr/hal-00629841/fr/.
[9] Boukhetala K, Guidoum A (2011). Sim.DiffProc : Simulation of Diffusion Processes. R pa-
ckage version 2.0. http://CRAN.R-project.org/package=Sim.DiffProc.
[10] Boukhetala K, Guidoum A (2011). Sim.DiffProcGUI : Graphical User Interface for Si-
mulation of Diffusion Processes. R package version 2.0. http://CRAN.R-project.org/
package=Sim.DiffProcGUI.
[11] Brown R(1828). Abrief account of microscopical observations made in the months of June,
July and August, 1827, on the particles contained in the pollen of plants ; and on the general
existence of active molecules in organic and inorganic bodies. Philosophical Magazine, 4,
pp. 161173. http://sciweb.nybg.org/science2/pdfs/dws/Brownian.pdf.
131
BIBLIOGRAPHIE
[12] Brian J F (1992). Brownian movement in Clarkia pollen : a reprise of the rst observations.
The Microscope, 40(4), pp. 235241.
[13] Dalgaard P (2001). A Primer on the R-Tcl/Tk Package. R News, 1(3), pp. 2731.
[14] Dalgaard P (2002). Changes to the R-Tcl/Tk Package. R News, 2(3), pp. 2571.
[15] Deheuvels P (2006). Karhunen-Love expansions of mean-centered Wiener processes.
High Dimensional Probability, 51, pp. 6276.
[16] Deheuvels P, G. Peccati G, Yor M (2006). On quadratic functionals of the brownian sheet
and related processes. Stochastic Processes and their Applications, 116, pp. 493538.
[17] Doob J L (1942). What is a stochastic process ?. The American Mathematical Monthly, 49,
pp. 648653.
[18] Douglas H, Peter P (2006). Stochastic Differential Equations in Science and Engineering.
World Scientic Publishing. ISBN 981-256-296-6.
[19] Flandrin P, Borgant P, Amblard P O (2003). From Stationarity to Self-similarity, and Back :
Variations on the Lamperti Transformation. in Processes with Long-Range Correlations, pp.
88117. Springer-Verlag
[20] Forman J L, Srensen M (2007). The Pearson Diffusions : A Class of Statistically Trac-
table Diffusion Processes. SSRN : Social Science Research Network, http://ssrn.com/
abstract=1150110.
[21] Franck J (2009). Modles alatoires et physique probabiliste. Springer-Verlag, New York.
ISBN 13 : 978-2-287-99307-7.
[22] Greiner A, Strittmatter W, Honerkamp J (1988). Numerical Integration of Stochastic Dif-
ferential Equations. The Journal of Statistical Physics, 51(1/2).
[23] Hadeler K, de Mottoni P, Schumacher K (1980). Dynamic Models for Animal Orientation.
The Journal of Mathematical Biology, 10, pp. 307332.
[24] Heemink A (1990). Stochastic Modelling of Dispersion in Shallow Water. Stochastic
Hydrology and Hydraulics, 4, pp. 161174.
[25] Heinz S (2011). Mathematical Modeling. Stochastic Evolution, pp. 295334, Springer-
Verlag, Berlin Heidelberg. ISBN 978-3-642-20310-7.
[26] Helland S (1983). Diffusion models for the dispersal of insects near an attractive center.
The Journal of Mathematical Biology, 18, pp. 103122.
[27] It K (1944). Stochastic integral. Tokyo, Proc. Jap. Acad, 20, pp. 519529.
[28] Kolmogorov A N (1936). Math. Sbornik. N.S., 1, pp. 607610.
[29] Kloeden P, Platen E (1989). A Survey of Numerical Methods for Stochastic Differential
Equations. Stochastic Hydrology and Hydraulics, 3, pp. 155178.
[30] Lamperti J (1962). Semi-stable stochastic processes. Transactions of the American Mathe-
matical Society, 104, pp. 6278. http://www.jstor.org/stable/1993933.
[31] Peter E, Eckhard P (1995). Numerical Solution of Stochastic Differential Equations.
Springer-Verlag, New York. ISBN 0-387-54062-8.
132
BIBLIOGRAPHIE
[32] R Development Core Team (2011). R : A Language and Environment for Statistical Com-
puting. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0,
http://www.R-project.org/.
[33] R Development Core Team (2011). Writing R extensions. version 2.13.1 (2011-07-08),
ISBN 3-900051-11-9.
[34] Racicot F , Thoret R (2006). Finance Computationnelle et Gestion des Risques. Presses
de lUniversit du Qubec. ISBN 2-7605-1447-1.
[35] Risken H (2001). The Fokker-Planck Equation : Methods of Solutions and Applications.
2nd edition, Springer Series in Synergetics. ISBN 9783540615309.
[36] Rolski T, Schmidli H, Schmidt V, Teugels J (1998). Stochastic Processes for Insurance and
Finance. John Wiley & Sons.
[37] Saito Y, Mitsui T (1993). Simulation of Stochastic Differential Equations. The Annals of
the Institute of Statistical Mathematics, 3, pp. 419432.
[38] Silverman B W (1986). Density estimation for statistics and data analysis. Chapman and
Hall, London.
[39] Soong T T (1973). Random differential equations in science and engineering. Academic
Press, New York. LC NUMBER : QA274.23 .S58.
[40] Stefano M (2008). Simulation and Inference for Stochastic Differential Equations.
Springer-Verlag, New York. ISBN 978-0-387-75838-1.
[41] Welch B (2000). Practical Programming in Tcl and Tk. 3nd edition. Prentice Hall PTR
Upper Saddle River, NJ, USA. ISBN 0-13-022028-0.
133

These PG Mtps

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

These PG Mtps

Încărcat de

Drepturi de autor:

Formate disponibile

N dordre : 26/2012-M/MT

RPUBLIQUE ALGRIENNE DMOCRATIQUE ET POPULAIRE

la date [s, t],

comme la diffrence entre a et X

, sur le temps restant avant t. On

Choisissons et de sorte que exp(a) +exp(a) = 0. Par exemple en prenant, =

on peut former la diffrence et appliquer les proprits du mouvement brownien

dt suit une loi gaussienne N(0, 1/dt). La limite de ce processus

t qui est illustr dans la gure 3.8, cest--dire que la variance de X

2, la forme explicite de la solution de lquation (4.19) est :

(x)(x) = ((12x)(x) +x(1x)

(r; a), qui est la solution de lquation suivante :

(r; a) =(ar) (4.26)

S-ar putea să vă placă și