1

Quelques notions de
Mathmatique
utiles pour la Modlisation en Biologie











Jean-Pierre Masson
Nov. 2004
2




Lexprience nous montre aujourdhui que les mathmatiques utiles dans la
modlisation en biologie en Biomathmatiques font appel non seulement aux
domaines du Calcul des probabilits et de la statistique qui senrichissent
continuellement mais encore lensemble des mathmatiques appliques et de leurs
applications.
Les notes qui suivent sont courtes et diverses. Elles ont un double objectif :
1. Alimenter la formation Modlisation de phnomnes biologiques laide
dquations diffrentielles dispense en Ecole doctorale Vie, Agro, Sant
commune lUniversit de Rennes1 et lAgrocampus Rennes par Jean-
Sbastien Pierre et Jean-Pierre Masson.
2. Alimenter le module de Formation Ouverte et A Distance Biomath1, module
orient Dynamique des populations en cours de construction par lquipe
constitue de Sylvaine Bitteur, Philippe Brul, Jean-Pierre Masson et Jean-
Sbastien Pierre, quipe laquelle sest joint Jacques Mallard.


Plan

1. Quelques dynamiques : p.3
1
re
dynamique : Dynamique exponentielle
2
me
dynamique : Les lapins de Fibonacci
Equations aux diffrences
3
me
dynamique : Calcul de la racine carre dun nombre positif.

2. Structures p.12

3. Fonction, limite, continuit, condition de Lipschitz p.14

4. Suites, limites, convergences de variables alatoires p.16

5. Drivation, quations diffrentielles p.20

6. Quelques rsultats fondamentaux relatifs aux Equations Diffrentielles p.22

7. Les fonctions exponentielles p.26

8. Un exemple de modle compartiment en pharmacocintique p.35

9. Esprance. Esprance conditionnelle p.39

10. Le mouvement Brownien : Dfinition et quelques proprits p.42

11. Quelques notions sur les intgrales p.44

12. Croissance exponentielle bruite p.47

3

1. Quelques dynamiques


Une premire dynamique :
Dynamique exponentielle

Lorigine du jeu dchecs est encore mal connue. La lgende rapporte que son inventeur avait
souhait recevoir comme rcompense le nombre de grains de bl obtenu en procdant de la
manire suivante :
1. Placer un grain sur la premire case
2. Passer la case suivante et placer dans cette case le double des grains de la case qui la
prcde et ainsi de suite
3. Terminer la procdure aprs avoir rempli la dernire et 64
ime
case.
Savait-il que le rsultat est astronomique ! Il est pourtant infrieur
63
64.2 et de lordre de
19
2.10 .
Cette premire dynamique est exactement du mme type ; nous permettons simplement au
temps de scouler sans limite.

Rgle du jeu :
1. Un individu est immortel
2. A chaque temps n leffectif de la population est le double de leffectif au temps
prcdent 1 n .
3. Au temps 0 la population est constitue dun seul individu.

Problme :
Quelle est la taille de la population au temps n ( 0,1, 2,...) n = ?

Solution :
On note
n
x la taille de la population au temps n ( 0,1, 2,...) n =
0
1 0
2
2 1 0
1
1
2. 2
2. 2.2. 2
...
...
2.
...
n n
x
x x
x x x
x x

=
= =
= = =
=

Une rcurrence immdiate nous montre que :
.ln2
2
n n
n
x e = =
. k n
e = avec ln 2 0.69315 k = 2.71828 e

Ce modle dynamique est dterministe et discret dans le temps.
Cest de plus un modle de rtroaction ou feeback un pas ; leffectif de la population au
temps n ne dpend que de leffectif au temps 1 n .
A vous de construire le graphique des effectifs en fonction du temps discret !
4

En savoir plus
Dbut
1. 2
n
n
x = donc ln (ln 2). 0.69315.
n
x n n =
avec
10
ln
log
ln10
ln10 2.30285
x
x =

Par suite :
10
ln 2 0.69315
log 2 . . 0.301.
ln10 2.30285
n
n n n =

Pour

4
4 0.301*4 1.204 2 16 n = = = (le logarithme base 10 de leffectif est suprieur 1 (et
infrieur 2) ; leffectif est donc compris entre 10 et 100)
10
10 0.301*10 3.01 2 1024 n = = = (le logarithme dcimal de leffectif est suprieur 3
(et infrieur 4) ; leffectif est donc compris entre 1 000 et 10 000)
15
15 0.301*15 4.515 2 32734 n = =
En utilisant le mme argument que prcdemment on peut dire que leffectif est compris entre
10 000 et 100 000.
La croissance est pour le moins trs rapide ; avec un individu au dpart ( 0) n = nous
dpassons 1000 individus la 10ime gnration ( 10) n = . Elle est exponentielle !

2. Plus gnralement considrons la suite rcurrente (rtroaction ou feeback un pas)
suivante :
1
( 1).
n n
x k x
+
= + o k est positif ou ngatif (dans lexercice prcdent 1 k = )
1
.
n n n
x x k x
+
=
Cette criture nous invite, quand lunit de temps est trs petite approcher cette quation
aux diffrences par lquation diffrentielle .
dx
k x
dt
= .
Cherchons lensemble des solutions de cette quation diffrentielle.
Elle peut scrire encore .
dx
k dt
x
= ou encore
1
. dx k dt
x
=

ou encore, ln x tant une

primitive de
1
x
,
0
ln .
x
k t
x
= o
0
x (ncessairement positif) est leffectif de la population au
temps 0 t = . Finalement :

0
ln ln . x x k t = +
Prciser
0
x cest choisir la constante et par suite la courbe intgrale.
Dans lexemple prcdent ln x t = (car ln1 0 et 1 k = = ).
2. .
t
t h t h
x e
x e e e
+
=

= =

avec
2
ln 2 0.69315
h
e
h
=

Ainsi quand lunit de temps est gale ln 2 0.69315 - comme dans lexercice prcdent -
leffectif double chaque fois quon augmente le temps dune unit.
En savoir plus
Fin.
5

Une deuxime dynamique :
Les lapins de Fibonacci.





(les photos sont extraites de http://www-history.mcs.st-andrews.ac.uk)

Leonardo Pisano dit Fibonacci (1170 1250), accompagnant son pre, a commenc par
voyager sur le pourtour du bassin mditerranen. Il a largement contribu la diffusion du
systme dcimale. Vers lan 1200 il sinstalle Pise et commence crire. Dans la troisime
partie de son livre Liber abaci (1202) il introduit la suite et les nombres qui portent encore
aujourdhui son nom.
1 1
0
1
0
1
n n n
x x x
x
x
+
= +
=
=

Il sagit dun modle (trs simple) de rtroaction ou feeback deux pas : la performance
au temps 1 n + est fonction de la performance au temps n et de la performance au temps
1 n .
Si vous souhaitez faire plus ample connaissance avec le nombre dor, allez chercher
ladresse indique ci-dessus.
Effectivement le rapport
1 n
n
x
x
+
de deux termes successifs de la suite de Fibonacci
6
tend vers la golden mean encore appele la proportio divina gale :
1 5
1.618034
2
+

Donc quand le nombre de gnration est grand, la croissance est pratiquement exponentielle
et
1
1.618034*
n n
x x
+
.
Voir une premire dynamique .

En savoir plus
Dbut

Posons
2
2
1
n
n
n
x
s
x
+
+
+
= .
Alors
2
2
1
1 1
1
1 1
n n
n
n
n n
n
x x
s
x
x x
x
+
+
+
+ +
= = + = +
Limite du rapport
2
2
1
n
n
n
x
s
x
+
+
+
= dun terme son prdcesseur.
Si limite de la suite
2 n
s
+
il y a, elle est gale l solution positive de lquation :
2
1
1 1 0 l l l
l
= + =
2
1 4 5 = + =
Les deux solutions sont :
1 5
2
l

=
Comme la suite est essentiellement positive, sa limite est gale :
1 5
2
l
+
= .
Curieuse fraction continue
Vous dmontrez par rcurrence que :
2
1
1
1
1
1
1
1
.....
n
n
x
x
+
+
= +
+
+

o n est le nombre dtages de la fraction.

n
x exprim comme une fonction de ( entier) n n
On peut montrer que pour tout entier n :
1 1 5 1 5
2 2 5
n n
n
x
(
| | | |
+
(
=
| |
| |
(
\ \


La suite de Fibonacci fait toujours aujourdhui lobjet de nombreux travaux
mathmatiques. Vous vous en rendrez compte en cherchant sur la toile (mot-
cl :Fibonacci).

En savoir plus
Fin.

7
Vous vrifierez aisment que les premiers termes de la suite sont :
0
1
2
3
0
1
1
2
x
x
x
x
=
=
=
=

Do la squence des premiers termes : 1,1, 2, 3, 5, 8,13, 21, 34, 55, 89,144, 233,...

Vous avez presque srement programmer un algorithme de production des termes successifs
de la suite de Fibonacci : mais linformaticien de service ne vous a sans doute pas parl de
lapins. Si vous navez pas encore programm ce type dalgorithme dpchez vous de le faire
et construisez la courbe des effectifs (
n
x ) en fonction du temps n . Nous allons voir que pour
les lapins lunit de temps qui spare n de 1 n + est le mois.

Quen est-il donc des lapins ?

Rgle du jeu

1. Un couple de lapins (un mle et une femelle) ds quil est n devient ternel.
2. Un couple de lapins, adulte au bout dun mois, donne inexorablement naissance le
mois un couple de lapins et ainsi de suite tous les mois
3. Lunit de temps est le mois.

Problme

Quel est le nombre de couples de lapins au temps 1 n + ( 0,1, 2,...) n = sachant quau temps 0
on dispose dun seul couple de lapins ?

Solution

La solution est la suite de Fibonacci.
Nous vous demandons de chercher pourquoi avant daller voir la solution.

Pour savoir
Dbut


Temps n
(en
mois)
Nombre
de
couples
de
lapins
0 1 1
1 1 1
2 1 1 2
3 1 1 1 3
4 1 1 1 1 1 5
5 1 1 1 1 1 1 1 1 8
1 1 1 1 1 1 1 1
8

On constate donc laide de ce graphique quen priode de croisire ( 2 n ) le nombre de
couples au temps 1 n + est gal au nombre de couples au temps n (qui sont suffisamment
vieux pour produire encore et encore) augment du nombre de couples au temps 1 n qui
donne pour la premire fois naissance chacun un couple de lapins.
Par suite si
n
x est le nombre de couples au temps n la suite de Fibonacci :
1 1
0
1
0
1
n n n
x x x
x
x
+
= +
=
=

Pour savoir
Fin.




9
Equations aux diffrences


Considrons une suite
0 1 2
, , ,..., ,...
n
u u u u .

Equations aux diffrences du 1
er
ordre ( coefficient constant) :

1
. 0
n n
u a u
+
+ =
Il est facile de vrifier que ( )
0
.
n
n
u u a =

Equations aux diffrences du 2
me
ordre ( coefficients constants) :

2 1
. . 0
n n n
u a u b u
+ +
+ + =
Il est bien connu que la solution scrit laide des solutions de lquation
caractristique suivante :
2
. 0 x a x b + + = . Soient
1 2
x et x les racines de lquation
caractristique. Alors :
- Si
1 2
x x alors ( ) ( )
1 1 2 2
n n
n
u C x C x = +
- Si
1 2
x x = alors ( ) ( )
1 2 1
. .
n
n
u C C n x = +
o
1 2
C et C sont des constantes arbitraires prciser en fonction des deux
premiers termes de la suite.

Nous vous proposons lappliquer les rsultats prcdents la suite de Fibonacci :

2 1 0 1
1 1
n n n
u u u avec u et u
+ +
= + = =
Vous trouverez :

1 1 5 1 1 5
. .
2 2 2 2
n n
n
u
| | | |
+
= +
| |
| |
\ \
.



10

Une troisime dynamique
Calcul de la racine carre dun nombre positif



A. Analyse

Construisez la courbe
1 1
( )
2
y x
x
= + et montrez quil sagit dune hyperbole ayant
lorigine pour centre de symtrie et laxe des y et la droite
2
x
y = pour asymptotes.
Considrons la suite rcurrente
1
1
( )
2
n n
n
a
x x
x
+
= + . Nous supposerons 0 a > et
0
0 x > .
Vous avez vraisemblablement dj crit un programme de calcul des diffrents
termes de cette suite (rtroaction ou feedback un pas). Sinon faites le.
Montrez que dans ce cadre (on sintresse la branche positive de lhyperbole) :
1. La limite de cette suite est gale : a .
2. Le point ( , ) a a est situ lintersection de la premire bissectrice et de la
courbe
1 1
( )
2
y x
x
= + .
3. Ds que 2 n la suite est dcroissante et tend vers a
4. Montrez que
1
1
( )
2
n n n
n
a
x x x
x
+
= et que, par suite,
1
0
n n n
x a x x
+
> <
pour 2 n .

Dbut illustration
Prsenter la branche positive de la courbe
1 1
( )
2
y x
x
= + et illustrer diffrentes
convergences en partant de diffrents abscisses positifs .
Fin illustration

B. Gomtrie

Considrons le cercle ( ) C de centre O et de rayon a . Choisissons
0
M dabscisse
0
0 x > (sur la figure nous avons choisi
0
0 x a < < ) . Soit
0
M le point dintersection de
la tangente ( ) C en
0
H et de laxe des x .
La droite supporte par
0 0
M H es la polaire du point
0
M par rapport au cercle ( ) C et
2
0 0
. ( ) OM OM a = .
1 0 0
1
( )
2
OM OM OM = + et
1
M est le point dabscisse
1 0
0
1
( )
2
a
x x
x
= + et ainsi de suite
comme indiqu sur la figure.
11

C. Modle continu associ
Nous avons tabli que
1
1
( )
2
n n n
n
a
x x x
x
+
= ; ceci nous invite crire, quand le temps
sparant deux itrations successives est trs petit, lEquation Diffrentielle Ordinaire
(EDO et ordinaire parce que les fonctions ( ) x t solutions de cette quation sont
dterministes ; elles nont rien dalatoire) suivante :
1
( )
2
dx a
x
dt x
= pour 0 t > et 0 x > .La vitesse
dx
dt
sannule pour
1
0 ( )
2
dx a
x
dt x
= =
soit x a = .Essayons de rsoudre cette EDO.
1
.
2
dx
dt
a
x
x
=

ou encore
2
. 1
.
2
x dx
dt
a x
=

Donc :
2
2
1 ( ) 1
2 2
d u
dt
a u
=

Supposons
0
x a > et v a > . Alors
0 2
ln
k
t t
x a
=

avec
2
0
0 k x a = > .
Finalement ( )
t
k
x t a
e
= + .
Etudiez cette fonction ( ) x t et montrez quelle dcrot assez rapidement de k a + a
quand t crot de 0 + .

12

2. Structures

1. Topologie

Prsentation dans le cadre dun espace mtrique.

1.1. Axiomes et dfinitions

Ouvert
Une partie A de E est appele ouverte si, toutes les fois quelle contient un point de E , elle
contient au moins une boule ouverte ayant pour centre ce point. Les parties ouvertes de E
possdent les proprits suivantes :
- E et sont ouverts,
- Toute intersection dun nombre fini densembles ouverts est ouverte,
- Toute runion dune famille finie ou infinie densembles ouverts est ouverte.

Axiome de sparation de Hausdorff
Quels que soient les points a et b distincts de E , il existe deux ouverts, contenant
respectivement a et b , dintersection vide.

Ferm
On appelle partie ferme de E toute partie de E dont le complmentaire est ouvert.
Proprits :
- E et sont ferms,
- Toute runion dun nombre fini densembles ferms est ferme,
'- Toute intersection dune famille finie ou infinie densembles ferms est ferme.

Voisinage
On appelle voisinage dun point a de E toute partie de E contenant au moins un ouvert
contenant lui-mme a .

1.2. Premier thorme et dfinitions

Pour quune partie A de E soit ouverte, il faut et il suffit quelle soit un voisinage de
chacun de ses points.

On appelle adhrence de A, lintersection de toutes les parties fermes de E qui
contiennent A.

Une partie A dun espace mtrique E est dite dense dans E si tout point de E lui est
adhrent, cest--dire si son adhrence est E lui-mme.

2. Anneaux, tribus et semi-anneaux de parties dun ensemble

2.1. Anneau
On appelle anneau boolen de parties de E , tout ( ) E A P qui possde les proprits
suivantes :
13
1. , A B A B A A A,
2. , / A B A B A A A.

A est un anneau boolen unitaire si A est un anneau boolen et si EA .

Tout anneau boolen A possde la proprit :
, A B A B A A A .

Si A est unitaire :
c
A A A A.

2.2. anneau et tribu

On appelle anneau boolen de parties de E , tout anneau boolen A possdant de plus la
proprit :
Quelle que soit la famille dnombrable
n
A N extraite de A on a
n
A A .

On appelle tribu (ou algbre ) de parties de E , un anneau boolen ( ) E A P tel
que EA .

Proposition :
Tout anneau boolen A possde la proprit :
( ) ( )
n n
n N A A A A.

On appelle tribu (ou algbre ) de parties de E , un anneau boolen ( ) E A P tel que
EA .

2.2.Semi-anneau

On appelle semi-anneau boolen de parties de E , tout ( ) E A P tel que :
, , A B A B A A il existe une suite finie ( )
1
,...,
m
A A extraite de A densembles deux
deux disjoints telle que :
/
n
B A A = .

14

3. Fonction, Limite, Continuit, Condition
de Lipschitz

1. Fonction

Soient et E F deux ensembles ; on appelle application de dans E F ou fonction dfinie
sur E valeurs dans F toute correspondance f qui, chaque lment de x E , fait
correspondre un lment, not ( ) f x , de F . E sappelle ensemble initial, F ensemble
final.

2. Fonction variation borne

Soit ( ) f x dfinie sur le segment [ ] , a b . Partageons , a b en n segments :
1 2 1
...
n
a x x x b

< < < < < .

Formons la somme positive
1 2 1 1
( ) ( ) ( ) ( ) ... ( ) ( )
n
S f x f a f x f x f b f x

= + + + .
Si, pour lensemble de toutes les dcompositions de ( ) , a b , il existe un nombre M auquel
toutes les sommes S restent infrieures, on dit que ( ) f x est variation borne sur ( ) , a b .
Toute fonction variation borne est la diffrence de deux fonctions monotones non
dcroissantes.

3. Limite

f tant dfinie sur un voisinage de V a (sauf peut-tre au point a ), on dit que ( ) f x
admet la limite l quand x tend vers a si, tant donn le nombre positif arbitraire , on
peut prouver lexistence dun nombre positif tel que la condition ( ) f x l < est
vrifie en tout point x qui dune part appartient V , dautre part satisfait 0 x a < < .

4. Continuit

Une fonction f dfinie sur un voisinage
0
de V x (et par suite en
0
x ) est dite continue au
point
0
x si ( ) f x admet la limite
0
( ) f x quand x tend vers
0
x , cest--dire si :
0 0
0, : et ( ) ( ) x V x x f x f x > < < .
Une fonction f est dite continue sur un domaine D si elle est continue en tout point de
D.

5. Continuit uniforme

Une fonction f est dite uniformment continue sur un intervalle I si
0, : ' et x'' et ' '' ( ') ( '') x I x x f x f x > < < .
15
Une fonction f continue sur un segment [ ] , a b y est uniformment continue.

6. Fonction convexe

( ) f x dfinie sur le segment [ ] , a b est convexe si elle est continue et si quels que soient les
points
1 2
et x x du segment [ ] , a b , on a lingalit :

1 2 1 2
( . (1 ). ) . ( ) (1 ). ( ) avec 0 1 f x x f x f x + + .

7. Condition de Lipschitz

Une fonction f est dite satisfaire une condition de Lipschitz sur un segment [ ] , a b si :
[ ] , ' , : ( ) ( ') . ' x x a b f x f x L x x


16

4. Suites. Limites, Convergences de variables
alatoires



1. Suites numriques

Une suite de points
1 2
, ,..., ,...
n
u u u de E est une application de N dans E .

Limite l

La suite
1 2
( , ,..., ,...)
n
u u u tend vers l si pour tout voisinageV de l , il existe
N tel que n N implique
n
u V .
.
On note
lim
n
n
u l =

Valeur dadhrence l

La suite
1 2
( , ,..., ,...)
n
u u u a l pour valeur dadhrence si pour tout voisinageV
de l et tout entier N , il existe n N tel que
n
u V .

Limite suprieure ; limite infrieure

Dans ce paragraphe E R .
La limite suprieure de la suite
1 2
( , ,..., ,...)
n
u u u est le plus grand nombre not
lim
n
n
u tel que une infinit dlments
n
u appartienne tout voisinage de ce
nombre :
lim
n
inf sup
n
n
k n
u

=
k
u
lim
n
lim sup
n k
n
k n
u u

=
De mme la limite infrieure de la suite
1 2
( , ,..., ,...)
n
u u u est le plus petit
nombre, not lim
n
n
u

tel que une infinit de

n
u appartienne tout voisinage de
ce nombre :
lim
n
supinf
n k
k n
n
u u

=
lim
n
lim inf
n k
n k n
u u

=
Il va sans dire que la limite suprieure et la limite infrieure sont des valeurs
dadhrence, et que si lim lim
n
u =
n
u l = la suite a une limite l .


17
2. Suites dvnements

En Calcul des Probabilits on considre souvent des suites infinies
dnombrables dvnements
1 2
( , ,..., ,...)
n
A A A .

Limite suprieure
La limite suprieure de la suite
1 2
, ,..., ,...
n
A A A est lvnement not lim sup
n
A
tel que quelque soit n lun au moins des vnements
1
, ,...
n n
A A
+
est ralis :
lim lim
n
A =
1
sup
n k
n k n
A A

=
Cet vnement ralise une infinit dnombrable de
k
A .
lim { / 1 ( ) }
n
n A
A = =

Limite infrieure
De mme la limite infrieure de la suite
1 2
, ,..., ,...
n
A A A est lvnement not
lim inf
n
A tel que partir dun certain rang tous les vnements
k
A sont
raliss :
lim lim
n
A =
1
inf
n k
n k n
A A

=

Remarques
Il est clair que lim inf lim
n
A sup
n
A .
On vrifiera que pour une suite { }
n
A monotone croissante
n
A cest--dire
1 2
... ...
n
A A A , lim inf lim
n
A =
1
sup
n n
n
A A

= .
De mme pour une suite { }
n
A monotone dcroissante
n
A cest--dire
1 2
... ...
n
A A A , lim
1
sup
n n
n
A A

= .


3. Suites de variables alatoires.

En Calcul des Probabilits, on sintresse trs souvent des suites infinies
de variables alatoires.
Remarque : On notera cependant que la suite des variables alatoires
t
X
indices par le temps t dun processus alatoire temps continu est non
dnombrable.

Lvnement {sup }
n
n
X a est lvnement ralis si et seulement si
lvnement
1
1
{ }
n
n
U X a

= est ralis ; et de mme

{sup } { }
n m m
m n
m n
U X a X a

= .
Lvnement {inf }
n
n
X a est dfini comme
1
{ }
n
n
V X a = et de mme
inf { }
n m n
m n
m n
V X X a

= .
18

Limite suprieure

limsup inf
n n
n
n
X U

=

Limite infrieure

liminf sup
n n
n
n
X V

=

Remarque

Quand la limite suprieure est gale la limite infrieure la suite { }
n
X
a pour limite lim limsup liminf
n n n
n n
n
X X X X

= = = .

4. Convergences de variables alatoires.

Convergence en probabilit

La suite des variables alatoires
n
X tend en probabilit vers la variable
alatoire X si la suite
n
X X tend en probabilit vers 0 , cest--dire si tant
donns et il existe ( , ) N tel que ds que :
( , ) n N > ( )
n
P X X > < { }
n
P X X > <
On note
n
X X en p.

Convergence presque sre

Quelque soit arbitrairement petit, considrons la suite
( ) { / ( ) ( ) }
n n
A X X = > on dit que la suite
n
X converge presque
srement vers X ou que la suite
n
X X converge presque srement vers 0
quand lvnement lim ( )
k
A qui ralise une infinit des ( )
k
A est de
probabilit nulle. On note
n
X X p.s.
On dmontre alors que la suite
n
X X p.s. si la suite sup
k n
k
X X tend en
probabilit vers 0. Attention dans le cas de la convergence presque sre cest le
sup qui tend en probabilit vers 0 et non pas seulement le terme gnral de la
suite qui tend en probabilit vers 0. La convergence presque sre implique
donc la convergence en probabilit.

Convergence en loi

La suite
n
X de variables alatoires de fonction de rpartition
n
F tend en loi
vers la variable alatoire X de fonction de rpartition F quand :
lim
n
( ) ( )
n
F x F x
19
On note
L
n
X X .

Convergence en moyenne quadratique

Dans le sous-espace vectoriel des variables alatoires ayant un moment du
second ordre fini (la variance existe) , on dfinit la distance en moyenne
quadratique entre
1
X et
2
X par :

2
1 2 1 2
( , ) ( ) d X X E X X =
On dit alors que la suite de variables alatoires { }
n
X converge en moyenne
quadratique vers la variable alatoire X quand :
( ) 0
n
d X X quand n .

Rsum

Convergence presque sre Convergence en probabilit

Convergence en moyenne Convergence en loi
quadratique

Ajoutons encore un point souvent utilis dans les dmonstrations :
Si
n
X X en p. , il existe une suite partielle
k
n
X extraite de
n
X telle que

k
n
X X p.s.

20

5. Drivation, Equations diffrentielles

1. Drive

Soit f une fonction relle de la variable relle dfinie sur un segment ou un intervalle I .
On dit que f est drivable au point
0
x si le rapport

0
0
( ) ( ) f x f x
m
x x

admet une limite l quand x tend vers
0
x .

Thorme : Si une fonction est drivable en un point, elle est continue en ce point.

Si la fonction f dfinie sur C est drivable en tout point
0
x de C nous avons une loi qui
en tout point
0
x de C associe un nombre
0
'( ) f x , donc une application de C dans R .
Cette application est dite fonction drive de f et est dsigne par le symbole ' f .

2. Diffrentielle

La diffrentielle de ( ) f x est '( ). df f x dx = (cest la dfinition : x est une variable
indpendante, dx est un facteur arbitraire souvent not h ).
Etant donne, par exemple, une fonction ( , , ) f x y z des trois variables indpendantes
, , x y z pourvue de drives partielles du premier ordre, on appelle diffrentielle totale de
( , , ) f x y z lexpression :
'( , , ). '( , , ). '( , , ).
x y z
df f x y z h f x y z k f x y z l = + +
o , , h k l sont des facteurs arbitraires.

3. Formule de taylor

Univariable

( )
0 ( )
0 0 0 0
( ) ( ) ( ) '( ) ... . ( )
!
n
n
x x
f x f x x x f x f x R
n

= + + + +
( )
( )
( 1)
0 ( 1)
0
. ( ) o (par exemple)
1 !
n
n
x x
R f x x
n

+
+

=
+
.
( )
0
0 ( 1)
. ( ).
!
n
x
n
x
x x
R f x dx
n
+

Multivariable
Soit une fonction ( , , ) f x y z admettant des drives partielles jusqu lordre ( ) 1 n + ,
continues dans un domaine C du point ( )
0 0 0
, , x y z .Si les nombres , , , h k l sont assez
petits, le point ( )
0 0 0
. , . , . x h t y k t z l t + + + appartient C quelque soit t pris dans [ ] 0,1 .
21
La fonction ( )
0 0 0
( ) . , . , . F t f x h t y k t z l t = + + + sera donc dfinie et aura des drives
continues jusqu lordre ( 1) n + en ce point.

2 2 2
2 2 2
'( ) '. '. '.
''( ) ". ". ". 2 ". . 2 ". . 2 ". .
x y z
xy yz xz
x y z
F t f h f k f l
F t f h f k f l f h k f k l f l h
= + +
= + + + + +

que lon peut crire symboliquement :

(2)
"( ) ( , , ) F t h k l f x ht y kt z lt
x y z
(
= + + + + +
(



Par rcurrence on en dduit :
( )
( )
( ) ( , , )
n
n
F t h k l f x ht y kt z lt
x y z
(
= + + + + +
(



Pour obtenir lexpression explicite de
( )
( )
n
F t , on dveloppe le crochet comme une
puissance n-ime ordinaire en mettant
n
x par exemple au lieu de ( )
n
x et on reporte
( )
0 0 0
. , . , . f x ht y k t z l t + + + la suite de chaque
n
des numrateurs.
En appliquant la formule de Taylor la fonction ( ) F t dans lintervalle ( , ) a b on
obtient la formule due Lagrange et Cauchy :


( )
( )
0 0 0 0 0 0 0 0 0
1
( 1)
0 0 0
1
( , , ) ( , , ) ( , , ) ...
!
1
... ( , , ) avec 0 1
1 !
p
n
p
n
f x h y k z l f x y z h k l f x y z
p x y z
h k l f x h y k z l
n x y z

=
+
(
+ + + = + + + +
(


(
+ + + + + + < <
(
+

22

6. Quelques rsultats fondamentaux relatifs aux
Equations Diffrentielles

Considrons lquation diffrentielle : '( ) ( , ( )) t I u t f t u t = .

Thorme 1
Si
0 0
, t I x H , pour que ( ) u t soit solution de lquation diffrentielle ci-dessus et que
0 0
( ) u t u = , il est ncessaire et suffisant que :

0
0
( ) ( , ( )).
t
t
u t u f s u s ds = +

.
Dmonstration : En effet si '( ) ( , ( )) u t f t u t = alors
0
( , ( )).
t
t
f s u s ds

est une primitive de '( ) u t

qui sannule pour
0
t t = .
Rciproquement si
0
0
( ) ( , ( )).
t
t
u t u f s u s ds = +

alors '( ) ( , ( )) u t f t u t = .

Thorme 2
Si, dans le domaine produit I H , la fonction ( , ) f t u est continue par rapport et t u , et si
elle vrifie, pour tout t I , une condition de Lipschitz, on peut faire correspondre tout point
0 0
( , ) t u de I H un voisinage dans lequel lquation diffrentielle '( ) ( , ( )) u t f t u t = a
une solution et une seule prenant pour
0
t t = la valeur
0
u (Thorme de Picard : construction
par itration ou approximations successives).

Une ide de la dmonstration :
0
0
( ) ( , ( )).
t
t
u t u f s u s ds =

Donnons nous
1
( ) u t et formons la suite ( )
p
u t suivante :
0
2 0 1
( ) ( , ( )).
t
t
u t u f s u s ds =

..
0
0 1
( ) ( , ( )).
t
p p
t
u t u f s u s ds

On dmontre successivement les rsultats suivants :
1. Si
1
( ) u t nest pas trop loin de
0
u , les ( )
p
u t restent au voisinage de
0
u .
2.
1
( ) u t tant donn, la suite ( )
p
u t converge uniformment vers une limite ( ) u t qui
est solution de lquation diffrentielle.
1 0 0
( ) .( ) u t u M t t
0
0
3 2 2 1
2 1
( ) ( ) ( , ( )) ( , ( )) .
. ( ) ( ) . (condition de Lipschitz)
t
t
t
t
u t u t f s u s f s u s ds
L u s u s ds

Or
2 1 2 0 1 0
( ) ( ) ( ) ( ) 2 u s u s u s u u s u + <
23
Donc
3 2 0
( ) ( ) .2 .( ) u s u s L t t
Par rcurrence on voit facilement que :
( )
1 1
0
1
1 2 1 1
( )
( ) ( ) 2
1 !
( ) ... ( )
p p
p p
p p p
L t t
u t u t
p
u u u u u u

<

= + + +

On voit apparatre la srie de terme gnral
1 p p
u u

.
La norme du terme gnral est majore par le terme gnral dune srie convergente ;
la srie est donc convergente et de plus uniformment ( ') t t < et la somme ( ) u t est
solution de lquation intgrale
0
0
( ) ( , ( )).
t
t
u t u f s u s ds =

et ( ) u t est solution de
lquation diffrentielle '( ) ( , ( )) u t f t u t = avec la condition initiale
0 0
( ) u t u = .
3. la limite est indpendante de la fonction initiale
1
( ) u t choisie
4. On prouve de plus que, mme par une autre technique de calcul, on est sr de
trouver la mme solution ( ) u t .


Exercice : ' u u =

Cherchons la solution de cette quation diffrentielle telle que (0) 1 u = .
Choisissons
1
( ) 1 u t t = +

1
0
2
2 1
0
2 3
3 2
0
2
( ) 1 ( ).
( ) 1 ( ). 1
2!
( ) 1 ( ). 1
2! 3!
...........
( ) 1 ...
2! !
t
p p
t
t
p
p
u t u s ds
t
u t u s ds t
t t
u t u s ds t
t t
u t t
p

=
= + = + +
= + = + + +
= + + + +

On reconnat l le dveloppement en srie de la fonction exponentielle au voisinage de 0 .


La mthode dintgration numrique la plus simple : La mthode dEuler

Il sagit ici de montrer comme on borne lerreur de mthode aprs un pas puis au bout dun
intervalle. Il sagit ici encore de montrer que la condition de Lipschitz est la condition
technique essentielle dans la dmonstration.
[ ]
0
, t a b t a = .
On subdivise [ ] , en a b N intervalles de longueur
b a
h
N

= laide des points :

, 0,...,
i
t a ih i N = + = .


24
Partant de
0
t a = , on connat
0 0
( ) u t u = , donc aussi la drive en ce point
0 0 0
'( ) ( , ) u t f t u = .
Lide de la mthode est alors de considrer que sur le petit intervalle [ ]
0 0
,
h
t t
+
la courbe nest
pas trs loin de sa tangente en
0
t et quune estimation raisonnable de
1
( ) u t est :

1 0 0 0
. ( , ) u u h f t u = +
On estime alors que
1
'( ) u t nest pas trs diffrente de
1 1
( , ) f t u et sur lintervalle ( )
1 2
, t t on
remplace la courbe par sa tangente approche en
1
t ce qui donne lestimation de
2
( ) u t :

2 1 1 1
. ( , ) u u h f t u = +
et ainsi de suite

Thorme 3
Supposons vrifies les hypothses du thorme 2 et que la solution ( ) u t de lquation
diffrentielle appartient [ ]
2
, C a b . On pose
[ ]
2
,
max "( )
t a b
M u t

= .
Alors si lon note ( )
n n n
e u u t = lerreur au point
n
t on a la majoration :

( )
( ) 2
1
. 1 .
2
L b a
n
M
e e h
L

La mthode dEuler est du 1
er
ordre.

Dmonstration : Utilisons la formule de Taylor :

2
1
( ) ( ) . ( , ( )) . "( )
2!
n n n n n
h
u t u t h f t u t u
+
= + +
Lalgorithme fournit :

1
. ( , )
n n n n
u u h f t u
+
= +
On obtient :

Comme

( , ) ( , ) . , (condition de Lipschitz) f t u f t u L u u

( , ( )) ( , ) . ( )
.
n n n n n n
n
f t u t f t u L u t u
L e

et
[ ]
2
1
,
. . max "( )
2
n n n
t a b
h
e e h L e u t
+

= + +
soit

[ ]
2
1
,
.(1 . ) max "( )
2
n n
t a b
h
e e h L u t
+

= + +
Par ailleurs il est facile de montrer par rcurrence que la suite ( ) , 0,...,
n
n N = de
nombres positifs vrifiant
1
. avec 0,..., 1
n n
a b n N
+
+ = alors :

0
1
. . pour 0,...,
1
n
n
n
a
a b n N
a


+ =

De mme il est facile de montrer que avec et 0 on a : (1 )
n nu
n N u u e +

Appliquons ces rsultats avec
0
0 e = .
25

( )
( )
2
2 2
2
( ) 2
1 1
. .
2
1
. .
2
1
. .
2
1
1 . . puisque
2
n
n
nhL
nhL
L b a
n
hL
M
e h
hL
M e
h
hL
M e
h
L
M
e h nh x a b a
L

=







26

7. Les fonctions exponentielles


Dans de nombreux phnomnes naturels la vitesse ou plutt la drive ' '( ) y f x = de
la fonction ( ) y f x = peut tre considre comme proportionnelle y . LEquation
Diffrentielle Ordinaire (EDO)
' . y k y =

est souvent vrifie avec une trs grande prcision. Ici k est une constante
connue (ou un paramtre estimer en fonction des donnes).
LEDO prcdente est la plus simple : lquation est dordre 1, linaire et sans second
membre.

Les fonctions qui sont solutions de ce type dEquations Diffrentielles Ordinaires
(EDO) sont les fonctions exponentielles que nous allons tudier ici. On les trouve
presque partout prsentes. Citons quelques exemples classiques :
- la dsintgration des substances radioactives,
- la dcharge dun condensateur dans une rsistance,
- les applications de la loi daction des masses et la modlisation de ractions
chimiques,
-
- la croissance (ou la dcroissance) exponentielle de populations sous certains
conditions.

En savoir plus
Dbut
Dsintgration dune substance radioactive

Niveau global
Pendant lintervalle de temps (relativement petit) [ ] , t t t + , la diminution
( ) ( ) N t t N t + est, avec une trs bonne approximation, proportionnelle au
nombre datomes radioactifs ( ) N t prsents linstant t :
( ) ( )
. ( )
N t t N t
N t
t

+
=

Par passage la limite ( 0 t ) nous obtenons :
'( ) . ( ) N t N t =
Du point de vue individuel au global

Supposons qu linstant initial pour nous 0 t = un atome nest pas dsintgr
et que le fait quil ne le soit pas linstant s ne nous renseigne pas sur sa dure
de vie future. Appelons D la dure de vie alatoire dun atome. Lhypothse
que nous avons faite se traduit en termes probabilistes par :
o ( ) ( ) P D t s D s u t > + > = , probabilit qui ne dpend pas de s .
o
( ) ( ). ( )
( ). ( )
P D t s u t P D s
u s P D t
> + = >
= >

27
Posons : ( ) ( ) P D d v d > = . Alors :
( ) ( ). ( )
( ). ( )
v t s u t v s
u s v t
+ =

.

Il rsulte de ce qui prcde que : (0) (0) 1 u v = = et que : ( ) ( ). ( ) v t s v t v s + = .

Vous connaissez sans doute la solution : cest une probabilit qui est de la
forme exp( ) t , complment 1 de la fonction de rpartition ( ) P D d de la
variable alatoire , D tant le paramtre de Poisson.

Pour un nombre (0) N datomes linstant 0 t = le schma binomial ( , ) n p B
simpose avec : (0) n N = et exp( ) p t = avec :
o lesprance gale (0).exp( ) N t
o la variance gale ( ) (0).exp( ). 1 exp( ) N t t .
Fin

Dans les modles compartiments qui changent avec des vitesses proportionnelles
aux quantits de matire quils contiennent, les fonctions exponentielles sont l ! Il en
est de mme dans les tudes locales de systmes dquations diffrentielles non
linaires o interviennent aussi les fonctions exponentielles complexes et les fonctions
exponentielles de matrices. Pensez par ailleurs aux transformations fonctionnelles de
Laplace, de Fourier, et leurs applications en particulier dans le domaine du
calcul des probabilits et des processus stochastiques.

Vous trouverez donc ici pour rpondre nos besoins :
1. une dfinition des fonctions exponentielles
2. une tude rapide de la fonction exponentielle
x
y e =
3. une prsentation des fonctions
.ln x a x
y e a = =
4. une tude rapide de la fonction
z
y e = avec z
5. une prsentation succincte de
A
e o A est une matrice carre.

28


1. Une dfinition des fonctions exponentielles:

Prlude
dbut

Nous avons dj rencontr la fonction exponentielle croissante :
(0) 1, , ( ) 2
n
f n f n = =
(voir Premire dynamique )
et la combinaison linaire dexponentielles solution de la suite de Fibonacci :
1 1 5 1 5
(0) 1, , ( )
2 2 5
n n
f n f n
(
| | | |
+
(
= =
| |
| |
(
\ \

.

Vous avez dj travaill avec les puissances
x
a quand a est un nombre
entier, une fraction (un nombre rationnel) ou un nombre rel (que ce nombre
soit rationnel ou non) et quand x est un nombre entier ou rationnel. Ainsi :
( )
( )
2
2
1 1 3
3
3
3 2
2 2 2 2 = = = .

Chacun sait dfinir
x
a quand a et quand x . Do notre capacit
dfinir les fonctions :
0
(0) 1,
x
f a x a = =
qui possdent les proprits bien connues suivantes :
( )
( )
1 2 1 2
' '
'
'
' ' ' '
. ; .
1
.
pq p q
p p
qq
x x x x pq p q q q qq
x
x
x
x x
y
x xy
a a a a a a a
a
a
a b ab
a a
+
+ +

= = =

Nous souhaitons pour commencer que nos fonctions exponentielles soient
dfinies sur , continues et drivables, quelles vrifient les EDO du type
' . y k y = et quelles possdent toutes les bonnes proprits des fonctions
puissance que nous venons de rappeler. Cest notre objectif.
fin

Une fonction exponentielle ( ) f x est une fonction drivable et non nulle dans un
voisinage de 0 cest la dfinition que nous adoptons - solution de lEDO :
'( )
( )
( )
f x
k k
f x
= .

29
Toute fonction exponentielle (si elle existe) est dfini une constante multiplicative
prs c . Il nous faut prciser une condition initiale et nous choisirons : (0) 1 f c = = . De
plus :
'( ) '( ) '(0)
( ) ( ) (0)
f x f y f
k
f x f y f
= = = .
Il y a donc autant de fonctions exponentielles ( une constante multiplicative prs) que
de valeurs de k , cest--dire une infinit.
Une fonction exponentielle est indfiniment drivable. En effet :

2
. '( ) ''( ) . ( ) k f x f x k f x = = ;
2
''(0) f k = et dune manire gnrale :
( )
(0)
n n
f k =

Une fonction exponentielle existe bel et bien (au voisinage de 0 ) car elle est dfinie
par son dveloppement en srie :

2
2
2 2
( )
1! 2! !
. . .
( ) 1
1! 2! !
n
n
n n
x x x
f x c ck ck ck
n
k x k x k x
f x c
n
= + + + + +

= + + + + +
`
)


Vous vrifierez en drivant terme terme que lEDO de dpart est bien vrifie.

De plus avec le choix que nous avons fait : 1 c =
2 2
. . .
( ) 1
1! 2! !
n n
k x k x k x
f x
n
= + + + + +

Vous vrifierez qualors lquation fonctionnelle :
( ) ( ). ( ) f x y f x f y + =
est bien vrifie ainsi que toutes les bonnes proprits des fonctions puissance .
(voir Prambule)

Rciproquement supposons quune telle solution existe et soit drivable ;
alors :
o [ ]
2
(0) (0) f f = qui a les 2 solutions :
- (0) 0 ( ) 0 f f x = = , solution triviale qui ne nous occupera plus.
- (0) 1 f = , toute fonction solution de lquation fonctionnelle fait
correspondre llment 0 llment 1
o Drivons par rapport x puis par rapport y ; nous obtenons :
'( ) '( ). ( )
'( ) '( ). ( )
x
y
f x y f x f y
f x y f y f x
+ =
+ =


Il en rsulte par symtrie que : '( ). ( ) '( ). ( ) f x f y f y f x = et que '( ) . ( ) ( ) f x k f x k =
pourvu que ( ) 0 f x quand x est dans un voisinage de 0 ; ce qui est le cas.
30

2. Une fonction exponentielle particulire :
x
y e =
Choisissons 1 k = ; alors la fonction ( ) f x est identique sa drive qui, drivable et
continue, est intgrale. Cette fonction exponentielle - dite de base e pour les raisons
qui vont suivre est reprsente par une srie convergente quelque soit x ; elle existe.
Notons-la exp( ) y x = ou encore
x
y e = . Nous dirons que y est lexponentielle de x
dans la base e . Et :


( )
1 2 1 2
1 2 1 2
.
exp( ) exp( ).exp( ) ou .
,
x x x x
n
n x x
x x x x e e e
n e e
+
+ = =
=


Croissance
La drive de la fonction exponentielle qui vient dtre dfinie est la fonction
exponentielle ; elle est positive dans un voisinage de 0 (puisque '(0) 1 f = ). La
fonction exponentielle continue est donc croissante dans un voisinage de 0 . De fait la
fonction et sa drive sont positives quelque soit x car
( )
2
2
0
x
x
e e = >

Dveloppement en sries entires
Nous avons dj utilis la formule de Taylor au voisinage de 0 dans le paragraphe
prcdent :
2
exp( ) 1 ... ...
1! 2! !
n
x x x
x
n
= + + + + +
Le rayon de convergence de cette srie est infini.

1 1 1
exp(1) 1 ... ...
1! 2! !
e
n
= + + + + +

Limites
lim
x
x
e
+
= +.
Montrons que : lim 0
x
x
e

= . La fonction
x
y e = est strictement croissante et positive.
Quand x sa limite ne peut tre que positive ou nulle ; la fonction est gale sa
drive et une limite strictement positive ne peut tre envisage.
Ajoutons que lon montre que :
exp( ) lim 1
n
n
x
x
n

| |
= +
|
\


La fonction ln( ) y x = est la fonction rciproque de la fonction
x
y e =
, exp( ) ln( ) x y x x y = =

31


3. Les fonctions exponentielles base a
Choisissons maintenant 1 k . Posons
k
e a = .
ln
k
e a k a = =

( ) ( ) ( ) ( )
( ) ( ) ( )
( ) ( )
1 2 1 2
1 2
.( ) . .
1 2 1 2
ln ln . .
1 2
exp . . exp . .exp .
exp ln . .
k x x k x k x
a a x x
k x x e e e k x k x
a x x e e
+
+ = = =
= + =

et
( ) ln . a x
e
est la seule solution de ' . y k y = telle que '(0) y k = . Il est donc tout fait
lgitime de noter
( ) ln . a x
e
par
x
a car non seulement
1 2 1 2
.
x x x x
a a a
+
= mais encore
lcriture assure la cohrence ncessaire avec llvation de a la puissance par une
fraction :

.ln
p p
a
q
p q q
a a e = =

Vous vrifierez que :

( )
( ) ( )
2
ln .
. ln( ) . ln( )
.ln( )
1 ... ...
1! 2! !
n
a x x
x a x a
x a
a e
n
= = + + + + + .


4. Que savoir de exp( ) ,
z
z e z = .
Dans le cadre dune fonction complexe de variable relle les notions de suite, limite,
continuit, drivation, primitive et intgration stendent sans difficult. Le module de
la diffrence de deux nombres complexes mesure la distance qui les spare ; cest la
distance euclidienne des images de ces nombres dans le plan complexe.
Il en va autrement quand on travaille avec des fonctions complexes de variables
complexes. Considrons laccroissement de la fonction rapport laccroissement de
la variable :

0
0
( ) ( ) f z f z
z z

.

En gnral la limite de cet accroissement dpend du chemin choisi par z quand z
tend vers
0
z . On montre que les seules fonctions drivables (la limite de
laccroissement ne dpend pas du chemin choisi) sont les fonctions
( ) ( , ) . ( , ) f z P x y i Q x y = + avec . z x i y = + qui vrifient les conditions de Cauchy :

P Q P Q
U V
x y y x

= = = =


Alors '( ) . f z U i V = + ; par exemple '( ) .
P Q
f z i
x x

= +



Une fonction holomorphe dans un domaine D est une fonction complexe dune
variable complexe qui est drivable en tout point intrieur de D.
Vous vrifierez que les Laplaciens de P et de Q sont nuls :
32

2 2 2 2
2 2 2 2
0 et 0
P P Q Q
x y x y

+ = + =

.

Nous pouvons maintenant poursuivre notre objectif : trouver au moins une fonction
continue et drivable (si elle existe) telle que :
'( ) ( ) avec '(0) (0) 1 f z f z f f = = = .
Nous avons choisi ici 1 k = comme dans notre dfinition de la fonction exponentielle
classique dans le cas dune variable relle.
'( ) . .
P Q
f z i P i Q
x x

= + = +


Par suite :
( , ) ( , ), ( , ) ( , )
P Q
x y P x y x y Q x y
x x

= =


Ces deux quations aux drives partielles sont identiques. Travaillons avec ( , ) P x y
pour fixer les ides. Une solution est de la forme ( , ) . ( )
x
P x y e y = o ( ) y est
arbitraire. Mais ( , ) P x y est harmonique ; donc ( ) y doit vrifier lquation
diffrentielle ''( ) ( ) 0 y y + = dont la solution la plus gnrale est de la forme :

.cos .sin y y +
Donc :

( )
( )
( , ) . cos sin
( , ) . sin cos
x
x
P x y e y y
Q x y e y y


= +
=


La condition '(0) (0) 1 f f = = oblige choisir 1 et 0 = = .
Nous venons de mettre en vidence la fonction complexe exp( ) z de la variable
complexe z . Nous la noterons
z
e :
.(cos .sin )
z x
e e y i y = +

Rptons ses proprits :
1 2 1 2
0
( )
. , , 1
z
z z z z z
d e
e e e e e
dz
+
= = =

Cette fonction mrite dtre tudie pour elle-mme ; elle est priodique et de
priode 2i . Chacun connat les formules trs mdiatises
2
1 ou 1
i i
e e

= = .


z
e a la mme forme de dveloppement en sries que
x
e
On dfinit comme pour
x
e des fonctions circulaires et hyperboliques que
nous rapportons ici pour mmoire :

cos sin
2 2
ch sh
2 2
iz iz iz iz
z z z z
e e e e
z z
i
e e e e
z z


+
= =
+
= =
.

Et cetera
33

Plus gnralement, comme attendu, les fonctions exponentielles sont de la forme :
( ) , , exp ln( ).
w
z w z z w = .

Ajoutons que la fonction logarithmique ln Z z = se dfinit comme la fonction
rciproque de la fonction exponentielle. Soient et les module et argument de z :
ln ln . 2 z i ik = + + o k .


5. Que savoir de ( ) exp A o A est une matrice carre.

Dans ltude des modles dynamiques (modles compartiments, cintique chimique
et enzymatique, modles dinteractions entre populations,) on est conduit tudier
des systmes dEDO linaires :

( )
. ( )
dx t
A x t
dt
=

o A est une matrice carre dordre n ,
o ( ) x t est un vecteur ( ,1) n de fonctions de la variable relle t ,
o
( )

dx t
dt
est le vecteur ( ,1) n dont les coordonnes sont les drives des
coordonnes de ( ) x t .
Par ordinaire il faut comprendre dterministe par opposition stochastique
(Equations Diffrentielles Stochastiques (EDS)).
Ce systme est obtenu directement ou aprs linarisation au voisinage dun point.
Il est tentant dcrire la solution dun tel systme sous la forme condense :

( )
.
0
( ) .
A t
x t e x =
avec
. A t
e matrice carre dordre n et
0
(0) x x = vecteur initial.
Ainsi il nous faut dfinir ce quil convient dentendre par exp( )
A
A e .
Les conditions suivantes mriteraient dtre satisfaites :
1.
( )
. .
.
A t A t
d
e Ae
dt
= dans cet ordre.
2.
0
e I = o 0 est la matrice carre nulle et I la matrice identit
dordre n .
3.
.
.
I t t
e e I =
4. .
A B A B
e e e
+
= .

La dfinition de exp( )
A
A e suivante :

2
... ...
1! 2! !
n
A
A A A
e I
n
= + + + + +
satisfait les conditions 1, 2, 3. La condition 4 ne peut tre satisfaite en gnral. Elle
nest vraie que lorsque les matrices et A B commutent ( . . A B B A = ).
34
Vous vrifierez quavec cette dfinition de lexponentielle dune matrice nous
pouvons bien crire la solution de
( )
. ( )
dx t
A x t
dt
= avec
0
(0) x x = sous la forme
( )
.
0
( ) .
A t
x t e x = .
Ajoutons que si la matrice carre M dordre n admet une matrice inverse note
1
M

(
1 1
. . M M M M I

= = ) alors :

1
. . 1
. .
M A M A
e M e M

= .

Les valeurs propres de A et les vecteurs propres qui leur sont associs sont au cur de
la recherche des solutions dun systme dEDO linaire. Nous pouvons le voir
maintenant ainsi :
Considrons les valeurs propres note ( 1,..., )
i
i n = (que nous supposerons
distinctes pour ne pas alourdir notre propos) et leurs vecteurs propres associs
( 1,..., )
i
v i n = :
. . , 1,...,
i i i
Av v i n = =
Nous pouvons crire de manire synthtique :
. . AV V =
o ( )
1
,...,
n
V v v = et
1 0
0
n

| |
|
=
|
|
\

Alors :

1
1
. . 1
. .
0
0
n
t
A t V V t
t
e
e e V V
e

| |
|
= =
|
|
\

Nous percevons l tout lintrt des combinaisons linaires de fonctions exponentielles
complexes.

35

8. Un exemple de modle compartiment en
pharmacocintique


On injecte linstant 0 t = une quantit
10
x du mdicament dans le sang.
On mesure au cours du temps lvolution de la concentration du mdicament dans le sang ( un
prlvement toutes les heures ) et on observe la cintique suivante :

Graphe de la cintique

On peut penser que llimination du mdicament est dautant plus rapide que la quantit dans
le sang est importante et par suite ajuster les donnes laide dun modle exponentiel
dcroissant (
.
.
k t
x Ae

= ). Lajustement est mauvais.

On peut alors imaginer que le compartiment sang change avec le compartiment tissu
selon le schma suivant :

Schma du modle compartiments

Conditions initiales : 0 t =
10 20
0, , 0 t x x = = .
Et que le systme fonctionne sous les hypothses classiques suivantes (Voir hypothses des
modles compartiments pour en savoir plus ) que nous nonons nouveau :
1. La vitesse dlimination du mdicament vers lextrieur du systme sang tissu
est proportionnelle la quantit du mdicament. Le coefficient de proportionnalit,
not
2
k est un paramtre estimer.
2. Les compartiments sang et tissu changent du mdicament de la mme faon
quen 1., le coefficient de proportionnalit gouvernant lchange sang vers
tissu tant not
12
k , celui gouvernant lchange inverse tissu vers sang
tant not
21
k .

Vous pourrez commencer par faire fonctionner le logiciel STELLA :
o Construction du modle
o Simulation pour diffrentes valeurs des paramtres

Ce modle de fonctionnement se traduit donc par le systme :


1
12 2 21 1
12 21 2 2
( )
.
dx
k k k x
dX
dt
k k x dx dt
dt
| |
|
+ | | | |
= = |
| |

| \ \
|
\


quil convient de rsoudre.

Vous pourrez introduire le systme dquations diffrentielles dans le logiciel de calcul
formel qui vous donnera la solution
1 2
( ( ), ( )) x t x t
Nous poserons :
36

12 2 21 1
12 21 2
( )
;
k k k x
K X
k k x
+ | | | |
= =
| |

\ \


Alors le systme scrit sous forme matricielle :

.
dX
K X
dt
=

Nous vous proposons de procder maintenant la rsolution analytique partielle de ce
systme.
Nous allons mettre en uvre quelques concepts et rsultats dalgbre linaire et de calcul
matriciel . Le lecteur sy reportera en cas de besoin. ( calcul matriciel )

o Quand la matrice K est diagonale, la solution du systme est immdiate. Posons :

1
1 1
2 2 2
0
. .
0
dy
y
dY
dt
Y
y dy dt
dt

| |
|
| | | |
= = = |
| |
| \ \
|
\

Soit :

1
1 1
2
2 2
.
.
dy
y
dt
dy
y
dt

Nous supposerons ici que
1 2
et sont des nombres rels.


( en savoir plus
dbut
Supposons que, dans un systme diffrentiel linaire,
i
soit une valeur propre
complexe ; alors le nombre complexe conjugu
i
est lui aussi valeur propre.
Posons :

.
.
et les vecteurs propres associs
i i i
i
i i
i i
u i v
u i v
w w

= +
=
La contribution de et de
i i
la solution est de la forme :

. .
i i
t t
i i
w e w e

+


Rappelons que :
{ }
cos( ) sin( )
i i
t u t
i i
e e v t i v t

= +

La contribution est donc bien relle de la forme :

( ) ( )
{ }
. cos .sin cos .sin
i
u t
i i i i i i
e w v t i v t w v t i v t + +

37

et par suite in fine de la forme :
. .cos( )
i
u t
i i i
A e v t +
o tous les paramtres de cette
dernire expression sont rels.
Fin de
En savoir plus)


Alors :

1
2
1 1 1 1
2 2 2 2
( ) . (0)
( ) . (0)
t
t
y t a e y a
y t a e y a

= =

= =

Nous allons donc effectuer une transformation linaire nous permettant de passer des
variables
1 2 1 2
( ( ), ( )) aux variables ( ( ), ( )) x t x t y t y t .
Nous savons calculer les valeurs propres et les vecteurs propres associs de la matrice
K . Soit u un vecteur propre associ la valeur propre ; alors : . . K u u = .
Dans cet exercice nous avons deux valeurs propres relles distinctes (et par suite deux
directions propres linairement indpendantes).
Rangeons dans la matrice U en premire colonne un vecteur propre
11
1
21
u
u
u
| |
=
|
\

correspondant la premire valeur propre
1
et en 2
me
colonne un vecteur propre
12
2
22
u
u
u
| |
=
|
\
correspondant la deuxime valeur propre
2
.

( )
1 1
2 2
1
1 2
2
. .
. .
et
. .
0
avec et
0
K u u
K u u
KU U
U u u

=
=
=
| |
= =
|
\

1 2
et u u tant linairement indpendants, la matrice U est inversible ; nous noterons
1
U

la matrice inverse de U .
Considrons la transformation linaire :

1
. . Y U X X U Y

= =

1
1 1 1 1
2 2 2
0
. . . . . .
0
dy
y
dY dX
dt
U U KU Y Y
y dy dt dt
dt

| |
|
| | | |
= = = = = |
| |
| \ \
|
\

Finalement :
1
1 1
2
2 2
.
.
dy
y
dt
dy
y
dt

=
=
,
systme que nous savons rsoudre (voir plus haut).
Revenons aux variables de dpart :
38

( ) ( )
( ) ( )
1 2
1 2
1 11 1 12 2 11 1 12 2
2 21 1 22 2 21 1 22 2
11 1 12 2
( ) . ( ) . ( ) . .
( ) . ( ) . ( ) . .
Posons et
t t
t t
x t u y t u y t u a e u a e
x t u y t u y t u a e u a e
A u a B u a


= + = +
= + = +
= =

Les variables
1 2
( ) et ( ) x t x t sont des combinaisons linaires dexponentielles et :
1 2
1
( ) . .
t t
x t Ae Be

= + .
1
( ) x t nous intresse tout particulirement parce que son ajustement aux donnes
exprimentales nous permettra destimer les paramtres
1 2
, , , A B .

(Exercice supplmentaire
dbut
Calculons maintenant les valeurs propres
1 2
et en fonction des paramtre k du
modle compartiment en calculant le dterminant de la matrice :

12 2 21
12 21
( ) k k k
D
k k

+ | |
=
|

\


[ ] [ ]
12 2 21 12 21
2
1 2 1 2 21 2 12 21 2
( ) . .
. avec . et
D k k k k k
c c c k k c k k k


= + + +
= + + = = + +


2
1 1 1 2
2
4
2
c c c

(
=
(

o
2
1 2
4 0 c c > . On le montrera en posant
,
2 12 21 2
c k k k = + ;
,
2 12 2
4 . c k k + est
essentiellement positif et est gal
2
1 2
4. c c .
o Les valeurs propres sont toutes les deux ngatives (la somme est ngative et le
produit est positif (voir trinme du second degr)) et relles.

fin)

Les valeurs propres sont ngatives relles et pour bien marquer que
1
( ) x t est une
combinaison linaire dexponentielle dcroissante en fonction du temps on posera :
1 2
et = = avec et positifs. Do :

1
( ) . .
t t
x t Ae B e

= + .

39

9. Esprance. Esprance conditionnelle


A. Esprance

Variables discrtes

i
X x = , 1,..., ,... i n =
{ }
i i
P X x p = =
1
i
i
p =

Lesprance mathmatique est le barycentre de la distribution ; elle est note
[ ] E X ou ( ) E X .

Variable continue avec densit ( ) f x

[ ] . ( ). E X x f x dx
+

Avec une mesure de Stieltjes
[ ] . ( ) E X x dF x
+

Plus gnralement

Soi F P ( , , ) un espace probabilis et une variable alatoire X F - mesurable
prenant ses valeurs dans ( , )
R
R B (i.e. X est une fonction mesurable dfinie sur
prenant ses valeurs dans R ).
Lesprance mathmatique de X est lintgrale de X
[ ] ( ) ( ) E X X dP

A la fonction X elle fait correspondre un nombre rel.
Lesprance est encore gale :
[ ] . ( )
X
R
E X x dx =

o
X
est la mesure image de P .
(Cest la mesure note ( )
X
X P telle que :
B
R
B ,
1
{ ( )} ( ) P X B B

= ).


B. Esprance conditionnelle

Nous allons envisager successivement le cas dun couple de variables discrtes puis un
couple de variables continues avant de prsenter un cadre plus gnral qui nous sera fort
utile pour rflchir dans la suite.

40
Variables discrtes ( , ) X Y

( et )
ij i j
p P X x Y y = = =
[ / ] . ( / )
i j j i
j
E Y X x y P Y y X x = = = =

On voit l que lesprance sur Y est prise avec dautres mesures de probabilits
conditionnelles

.
.
( et )
[ / ] .
( )
. o
j i
i j
j
i
ij
j i ij
j j
i
P Y y X x
E Y X x y
P X x
p
y p p
p
= =
= =
=
= =

Variables continues avec une densit ( , ) x y ou une mesure de Stieltjes
( , ) F x y

[ ] . ( , ). . E Y y x y dx dy =

[ ] . ( , ) E Y y dF x y =

Bien sr ( , ). . 1 x y dx dy =

et ( , ) 1 dF x y =

Nous allons poursuivre, pour ne pas nous embarrasser de deux critures dans le cas
de lexistence dune densit ( , ) x y . Alors la densit marginale en x est gale :
( , ). x y dy

et la densit conditionnelle est gale :

( , )
( / )
( , ).
x y
g y x
x y dy

Alors lesprance conditionnelle de Y sachant X x = est une fonction de x gale
:
1
[ / ] . . ( , ).
( , ).
E Y X x y x y dy
x y dy

= =

Elle prend le statut de variable alatoire ds quon ne prcise plus x ; plus
prcisment cest une fonction mesurable de dans R :

( ) [ / ]
( / (.)]
X x E Y X x
E Y X
= =


Plus gnralement

Soit ( , , ) F P un espace probabilis, une variable alatoire Y (on na pas besoin
de prciser davantage) et une variable alatoire X prenant ses valeurs dans
lespace probabilis ( , , )
X
E B o
X
est la mesure image par X de P .
Alors le thorme de Radon Nikodym nous dit quil existe une classe unique de
fonctions
X
- intgrables dfinies sur ( , ) E B , classe note ( / ) ou ( )
X
E Y X E Y
telle que , pour tout ( / ) f E Y X , on ait :

[ ]
( ). ( ) ( ). ( )
X
X B B
B Y dP f x dx

=

B
41
Cette classe est lesprance conditionnelle de la v.a. Y par rapport la v.a. X .
[ ] X B est (cest une question de notation) lensemble des tels que ( ) X B
soit { / ( ) } X B .
Cette dfinition de lesprance conditionnelle de la v.a. Y par rapport la v.a. X
nous apprend que notamment pour B E :

( ) ( ). ( ) ( ). ( ) [ ( / )]
( / )
X
E
E Y Y dP f x dx E E Y X
E Y X

= = =

Mais attention, cela fonctionne quelque soit BB , cest--dire pour la tribu
engendre par la variable alatoire X , cest--dire la tribu engendre par les
parties de la forme { / ( ) }, B X B B .
Par exemple, et pour pousser un peu plus loin, considrons la v.a. identit I de
, ,
( , ) dans ( , ) o F B B F (sinon I ne serait pas mesurable) :


,
. ( ).
I
B B
B Y dP E Y dP =

B
Cette esprance conditionnelle est note ( ) E Y
B
.
Ce qui est vraiment important ce nest pas X mais en fait la tribu engendre par
X et incluse dans F ; notons la
,
B (comme ci-dessus) car de fait nous avons le
schma suivant (emprunt feu Michel Mtivier).

Schma M. Mtivier

On a :

' '
. ( ). ( ) .
X X
X
B B B
Y dP E Y d E Y X dP = =


Ce rsultat prsent sous forme schmatique est crucial car il montre que
,
( ) E Y
B

ne retient X que par la tribu
,
que X B engendre dans .
On voit l tout lintrt de ce rsultat car travailler sur la v .a. ( )
X
E Y dfinie dans
( , , )
X
E B cest mme chose que travailler sur la v.a.
,
( ) E Y
B
dfinie dans lespace
de dpart ( , , ) F P . Ce point de vue facilite une prsentation rigoureuse des
processus stochastiques.



42

10. Le mouvement Brownien :Dfinition et quelques
proprits

Le mouvement Brownien ( ) B t est un processus stochastique possdant les proprits
suivantes :
1. ( ) ( ) (0, ) ( ) B t B s N t s s t <
2. ( ) ( ) B t B s est indpendant de ( ), 0 B u u s <
3. Les trajectoires de ( ) B t sont des fonctions continues de t .

- Si (0) alors ( ) ( , ) B x B t N x t = et
[ ] { }
( )
2
1
( ) , .exp .
2 2
b
a
y x
P B t a b dy
t t
| |

= |
|
\

Do la densit de probabilit du mouvement Brownien :
( )
2
1
( , ) .exp
2 2
y x
p x y
t t
| |

= |
|
\
.

- Le mouvement Brownien est un processus gaussien tel que :

( ( )) 0
( ( ), ( )) min( , )
E B t
Cov B t B s t s
=

- Le mouvement Brownien a en outre les proprits suivantes :
o Il est monotone dans aucun intervalle, aussi petit soit cet intervalle
o En tout point il nest pas drivable
o Il est de variation infinie dans tout intervalle, aussi petit soit cet intervalle
o Il est de variation quadratique sur [ ] 0, t gale quelque soit t t .

- Le mouvement Brownien est une martingale. Il est de mme des processus :

2
2
( ) et , exp . ( )
2
u
B t t t u B t t
| |

|
\


- Le mouvement Brownien est un processus Markovien et :

( )
2
1
( , , , ) .exp .
2( ) 2 ( )
y
u x
P y t x s du
t s t s

| |

= |
|

\

o ( , , , ) ( ( ) / ( ) ) P y t x s P B t y B s x = < =

En savoir plus
Dbut

Le mouvement Brownien est un processus Markovien homogne. Sa probabilit de transition
( )
2
1
( , , , ) .exp
2( ) 2 ( )
y x
p y t x s
t s t s
| |

= |
|

\
ne dpend que de la diffrence t s .
43
Vous vrifierez que :
- A et s x fixs la probabilit de transition vrifie lquation aux drives partielles

2
2
1
0
2
p p
t y

=



- A et t y fixs la probabilit de transition vrifie lquation aux drives partielles

2
2
1
0
2
p p
s x

+ =


Pour en savoir plus sur les quations de la diffusion cliquez ici.

Fin
En savoir plus

Il possde de plus la proprit dun processus de Markov fort, cest--dire que :
Etant donn un temps darrt , ( ( ) / ) ( ( ) / ( )) . .
T
T P B T t y F P B T t y B T p s + = + . Donc le
nouveau processus

( ) ( ) ( ) B t B T t B T = + est un Brownien dmarrant zero et indpendant

de
T
F .
44


11. Quelques notions sur les intgrales


Nous allons considrer les fonctions mesurables f de ( , , ) F dans ( , )
R
R B .
Une fonction f est mesurable si et seulement si
1
, ( )
R
B f B

B F .
Lensemble des fonctions mesurables f de ( , ) F dans ( , )
R
R B est classiquement not
( , ) R+ M .
est une mesure.

1. Intgrale suprieure dune fonction mesurable positive

On dmontre quil existe une fonctionnelle unique qui, f de ( , ) F fait correspondre
un nombre positif ( ) f de R+ , et qui possde les trois proprits indiques ci-dessous :

1. Linarit et ordre
, ( , ), ( , ) R f R g R + + + M M
Linarit :
( . ) . ( )
( ) ( ) ( )
f f
f g f g
=
+ = +

Ordre :
( ) ( ) f g f g

2. Suite croissante ( )
n
f
sup ( ) (sup )
n n
n n
f f =

3. Mesure dune fonction caractristique densemble
, (1 ) ( )
F
F F = F

4. Notations

* * *
( ) ( ). ( ) ( ). ( ) . f f x d x f x dx f d


max(0, ) max(0, ) f f f f
+
= =

2. Intgrale de Lebesgue

Elle est note . f d

; elle est gale par dfinition :

* *
. . f d f d
+

.
On la note encore ( ) ( ) ; ( ). ( ) ; ( ) f x d x f x dx f

.
Elle est gale lintgrale de Riemann en analyse classique .

45
A propos de lesprance mathmatique :
( ) . ( ). E X x f x dx =

existe si et seulement si ( ) . ( ). E X x f x dx =

.
(ici ( ) f x est une densit)

3. Les intgrales stochastiques qui ne posent pas de problme !

( , ).
T
S
f t dt

o ( ) f t est un processus alatoire qui se droule dans le temps. Pour chaque

vnement lmentaire , cest--dire pour chaque trajectoire, lintgrale est une intgrale de
Lebesgue, par exemple. Lintgrale est donc une variable alatoire.

4. Lintgrale de It

Dans ce paragraphe
t
B est le mouvement Brownien ; ( ), encore note ( , ),
t
B B t est la
trajectoire associe lvnement lmentaire .
La dfinition de lintgrale devient plus dlicate quand (pour faire simple - et nous naurons
besoin que de ce cas) llment diffrentiel ( est lui-mme alatoire) est diffrentiel
Brownien . Il y a autant de limites de 1
*
( , ). ( ) ( )
j j
j t t
j
f t B B
+
(

que de
faon de choisir
*
1
sur le segment ,
j j j
t t t
+
(

. A chaque faon de choisir
*
j
t correspond donc
une intgrale (et une variable alatoire).
Deux intgrales sont couramment utilises : lintgrale de Stratonovich :
1 *
2
j j
j
t t
t
+
+
= et
lintgrale de It :
*
(la borne infrieure)
j j
t t = . Nous prfrerons cette dernire intgrale qui,

j
t , ne dpend pas du futur.

A propos de lintgrale de It
Plaons nous dans la classe note ( , ) S T des fonctions alatoires (des processus) telle que :

2
( , ) .
T
S
E f t dt
(
<
(

Alors on dmontre la proprit disomtrie suivante :

( )
2
2
( , ). ( ) ( , ) .
T T
t
S S
E t dB E t dt
(
(
=
(
(




La linarit habituelle de lintgrale est conserve
. 0
T
t
S
E f dB
(
=
(

Lintgrale de It est une martingale.

5. Processus de It
( ). ( ).
t
dY t dt t dB = +

6. Processus de diffusion
( ( ), ). ( ( ), ). ( )
t
dX X t t dt X t t dB t = +
46
7. Processus de diffusion homogne
( ( ). ( ( ). ( )
t
dX X t dt X t dB t = +

8. Une formule de It
Considrons une fonction ( , ) f x t 2 fois continment diffrentiable. On dmontre que :

2
2
2
1
( ( ), ) ( ( ), ). ( ( ), ). ( ) ( ( ), ). ( ( ), ).
2
X
f f f
df X t t X t t dt X t t dX t X t t X t t dt
t x x

= + +


[ ]
2
2
( ( ) ( ( ), ) )
X
dX t X t t =
47

12. Le mouvement brownien gomtrique : Une croissance
exponentielle bruite


Considrons lEquation Diffrentielle Stochastique (EDS) :
( ) . ( ). . ( ). ( ) dX t X t dt X t dB t = +

Cest lquation dun processus de diffusion homogne.

Quand le coefficient de diffusion est nul lEquation Diffrentielle (ED) se
rduit lEquation Diffrentielle Ordinaire (EDO) :
( ) ( )
. ( ) .
( )
dX t dX t
X t ou encore dt
dt X t
= =
Alors :
( ) ( ) ln ( ) . ( ) exp . X t t K ou encore X t t K = + = +
Pour 0 t = (0) exp( ) X K = et :
( ) (0) exp( . ) X t X t = ,
croissance ( 0 > ) exponentielle bien connue dj rencontre.

Supposons maintenant que est strictement positif. Alors que lEDO
( )
.
( )
dX t
dt
X t
= peut tre comprise comme :
0
( ) (0) . ( ).
t
X t X X s ds = +

, lEDS doit tre comprise comme :

0 0
( ) (0) . ( ). . ( ). ( )
t t
X t X X s ds X s dB s = + +

.


1. Recherche de la solution

Rappelons le lemme de Ito :
( ) ( ) ( ) [ ]
1
( ) ' ( ) . ( ) '' ( ) . , ( )
2
df X t f X t dX t f X t d X X t = +
ou encore :
( ) ( ) ( ) ( ) [ ]
0 0
1
( ) (0) ' ( ) . ( ) '' ( ) . , ( )
2
t t
f X t f X f X s dX s f X s d X X s = + +


avec [ ] [ ]
2
, ( ) ( ) d X X t dX t = .

Envisageons la transformation de variables : ( ) ( ) ln ( ) Y t X t = .
( ) ( )
( )
[ ]
2
2
1 1 1
ln ( ) ( ) ( )
( ) 2
( )
d X t dX t dX t
X t
X t
=
o [ ]
2
2
( ) . dX t dt = .
48
Donc : ( ) ( )
2
1
ln ( ) . . ( ) .
2
d X t dt dB t dt = + et
( ) ( )
2
0 0
1
ln ( ) ln (0) . . ( )
2
t t
X t X ds dB s
| |
= + +
|
\

.
Soit encore :
2
1
( ) (0).exp . . ( )
2
X t X t B t

| |
= +
`
|
\
)



2. Quelques caractristiques du processus

A partir de :
[ ] { }
2
1
exp . ( ) exp .
2
E u B t u t
| |
=
|
\
et
[ ] { } ( )
2
2
1 1
exp . ( ) . ( ) exp . .exp .
2 2
E u B t v B t h u v t v h
| | | |
+ + = +
| |
\ \

ou directement, il est facile de montrer que :

[ ] ( )
[ ] [ ] ( ) ( )
[ ] [ ] ( ) ( )
[ ]
( )
( ) ( )
2
2
2
2
2
2
( ) (0).exp .
( ) (0) .exp 2. . . exp . 1
( ), ( ) (0) .exp .(2 ) . exp . 1
exp . 1
( ), ( )
exp . 1
E X t X t
Var X t X t t
Cov X t X t h X t h t
t
X t X t h
t h

=
(
=

(
+ = +

+ =
+


Asymtrie (Skewness)

( ) ( )
( )
2 2
1 3
2
2
exp 3. . 3.exp . 2
( )
exp . 1
t t
t
t

+
=
(

Aplatissement (Kurtosis)

( ) ( ) ( )
( )
2 2 2
2 2
2
exp 6. . 4.exp 3. . 6.exp . 3
( )
exp . 1
t t t
t
t

+
=
(

3. Vers une estimation des paramtres sur une trajectoire observe des
instants dterministes.

( ) ( )
2
1
ln ( ) ln (0) . . ( )
2
X t X t B t
| |
= + +
|
\
est distribu normalement de
moyenne et de variance
2
.t .
49
De mme ( ) ( )
2 2
1
ln ( ) ~ ln (0) .( ), ( )
2
X t h N X t h t h
| | | |
+ + + +
| |
\ \
. Donc :
( )
2
1
ln ( ) ( ) . . ( )
2
X t h X t h W h
| |
+ = +
|
\
o ( ) W h est un brownien standard.

Supposons le processus observ aux points
0 1 0 1 2 1 2 1 2 1 1
0, , ,..., ,
n n n n n n
t t t h t t h t t h t t h

= = + = + = + = + ( 1,..., ) i n = .
Les variables
1
ln ( ) ln ( )
i i
X t X t

sont des variables normales indpendantes de
moyennes
2
1
.
2
i
h
| |

|
\
et de variances
2
.
i
h . Par suite les variables
pondres ( )
1
ln ( ) ln ( ) /
i i i i
D X t X t h

= sont normales indpendantes

centres sur
2
1
.
2
i
h
| |

|
\
et de variance
2
.

Supposons dans un souci premier de simplification que les
i
h sont tous gaux
h .
Les variables alatoires ( )
1
ln ( ) ln ( ) /
i i i i
D X t X t h

= sont alors toutes

centres sur
2
1
.
2
h
| |

|
\
et de variance
2
.

Nous estimerons
2
1
.
2
h
| |

|
\
par
1
1
( ) 1 1
ln
( )
n
i
i
i
X t
M
n X t h =

(
=
(

, et par suite
2
1
2
par
1
1
( ) 1
ln
( )
n
i
i
i
X t
nh X t
=

(
(

,
cest--dire
0
1 ( )
ln
( )
n
X T
avec T t nh
T X t
(
= =
(

.
2
sera naturellement estime par
2
2 1
1
ln ( ) / ( ) 1
1
n
i i
i
X t X t
S M
n h

=
| |
=
|

,
2
S
est distribue comme un
2 2
. ( 1) n 1 n degrs de libert.
Enfin sera estim par
2
1
2
M
M S
h

= + .

Nous avons l les estimateurs classiques non biaiss de et
2
.

Revenons sur le processus observ en des instants irrgulirement espacs.
[ ]
*
1
1
ln ( ) ln ( )
i i i
i
D X t X t
h

= est centre sur
2
1
2
et de variance
2
i
h

.
50
Lestimateur
*
1 1
1
n n
i i i
i i
D avec
= =
=

est centr sur
2
1
2
. On recherchera
titre dexercice les coefficients
i
qui minimisent la variance de
*
1
n
i i
i
D
=

.
On trouve . Avec ces pondrations on obtient lestimateur non biais de
variance minimale de
2
1
2
sous la forme :
[ ]
0
1
1 0
( ) 1 1 1 ( )
ln ln ( ) ln ( ) ln
( ) ( )
n
i
n
i
j i j
j j
X t X T
X t X t
h X t h T X t
=

= =

, comme pressenti.
Nous estimerons
2
par
2
2 1
1
0
ln ( ) / ( ) 1 1 ( )
ln
1 ( )
n
i i
i
i
i
X t X t X T
S h
n T X t h

=
| |
= |
|

qui
est distribue comme un
2 2
. ( 1) n 1 n degrs de libert.
Enfin nous estimerons par
2
0
1 ( ) 1
ln
( ) 2
X T
S
T X t
+ .

4. Estimation des paramtres par la mthode du Maximum de
Vraisemblance
A des fins pdagogiques nous allons mettre en uvre la mthode du Maximum
de Vraisemblance (MV) pour estimer
2
et . Nous allons obtenir des
rsultats pratiquement identiques aux rsultats du paragraphe prcdent comme
nous devons nous y attendre. Nous travaillerons demble sur des observations
irrgulirement espaces.
Compte tenu de lindpendance entre les diffrences
1
( ) ( )
i i
X t X t

, 1,..., i n = ,
la vraisemblance L (Likelihood) scrit :
( )
2
2 2
2
2
1
1
( ) 1 1 1
2 .exp ln
2 ( ) 2
n n
i
i
i
i i
X t
L h
X t h

=


(
| |
=
( `
|
\
(

)

.
Nous allons rechercher le maximum de cette vraisemblance ou plutt et cest
quivalent le maximum de son logarithme not ln l L = .
( )
2
2 2
2
1
1
( ) 1 1 1
ln 2 ln
2 2 ( ) 2
n
i
i
i
i i
X t n
l h
X t h

=

(
| |
=
(
|
\
(

.


2
2
1
1
( ) 1 1 1
ln
( ) 2
n
i
i i
i
i i
X t l
h h
X t h


=

| |
| |
= |
|
|

\
\

( )
2
2
2 2 2
2
1
1
2
2
1
1
( ) 1 1 1
ln ...
2 ( ) 2
2
( ) 1 1 1 1
... 2 ln
2 ( ) 2 2
n
i
i
i
i i
n
i
i i
i
i i
X t l n
h
X t h
X t
h h
X t h

=

=

(
| |
= +
(
|

\
(

| |
| |
|
`
|
|
\
\ )

Il est facile de rsoudre le systme des quations du MV :
51
2
0
0
l
l

2
1
2
est estim par
0 0
1 ( ) 1 ( )
ln ln
( ) ( )
j
j
X T X T
h X t T X t
=

2
est estim par
2
1
1 0
( ) 1 1 1 ( )
ln ln
( ) ( )
n
i
i
i
i i
X t X T
h
n X t T X t h
=

(

(
(

par
2
1
0 1 0
( ) 1 ( ) 1 1 1 1 ( )
ln ln ln
( ) 2 ( ) ( )
n
i
i
i
i i
X t X T X T
h
T X t n X t T X t h
=

(
+
(
(

5. Remarques

Le mouvement brownien gomtrique est l anctre en mathmatiques
financires souvent nomm modle de Black et Scholes (Prix Nobel dconomie).
est la tendance et la volatilit.
En dynamique des populations le mouvement brownien gomtrique est un des
processus alatoires qui a le mme comportement en moyenne que le modle de
croissance exponentielle de Malthus. On notera que la variance augmente avec
lesprance et le temps.
Bien dautres modles qui ont le mme type de comportement sont envisageables.