Une condition de moment pour la convergence en moyenne

Loading...

Из курса от партнера École Polytechnique

Aléatoire : une introduction aux probabilités - Partie 2

21 оценки

École Polytechnique

Aléatoire : une introduction aux probabilités - Partie 2

21 оценки

Ce cours d'introduction aux probabilités a la même contenu que le cours de tronc commun de première année de l'École polytechnique donné par Sylvie Méléard. Le cours introduit graduellement la notion de variable aléatoire et culmine avec la loi des grands nombres et le théorème de la limite centrale. Les notions mathématiques nécessaires sont introduites au fil du cours et de nombreux exercices corrigés sont proposés. Ce cours propose aussi une introduction aux méthodes de simulations des variables aléatoires comme la méthode de Monte Carlo. Des expériences numériques interactives sont également mises à votre disposition pour vous permettre de visualiser diverses notions.

Из урока

CONVERGENCES ET LOI DES GRANDS NOMBRES (1/2)

Nous entamons le Cours 5 dont l'objet principal est le théorème communément appelé la « loi des grands nombres ». Nous introduirons aussi plusieurs notions de convergence d'une suite de variables aléatoires.

Minimum et maximum de variables aléatoires uniformes7:26

La convergence presque-sûre implique la convergence en probabilité2:23

Une métrique pour la convergence en probabilité4:37

Exemples de convergence de variables aléatoires5:38

Une condition de moment pour la convergence en moyenne4:51

Une condition suffisante pour la convergence presque-sûre6:04

Познакомьтесь с преподавателями

Sylvie Méléard
Professeur de l'Ecole polytechnique
Centre de Mathématiques Appliquées
Jean-René Chazottes
Directeur de Recherche (CNRS) & Professeur chargé de cours
Département de Mathématiques Appliquées
Carl Graham

Département de Mathématiques Appliquées de l'École Polytechnique

[SON]

[AUDIO_VIDE]

Bonjour.

Bienvenue dans le cours d'aléatoire de l'École Polytechnique.

Nous sommes au cours 5.

Nous allons faire un exercice,

sur une condition de moment, pour la convergence en moyenne.

Soit X n, une suite de variables aléatoires,

telle que X n converge en probabilité vers 0.

On suppose qu'il existe une fonction f de R + dans R +, telle que la limite quand

x tend vers l'infini de f (x) / x tend vers l'infini, et telle que pour tout n,

l'espérance de f (X n) inférieure ou égale à grand A, grand A étant fini.

Autrement dit, nous avons une borne uniforme sur les espérances de f (X n).

Un exemple de fonction de cette sorte qu'on utilise souvent, c'est x donne

x à la puissance (1 + delta), pour delta strictement positif, pour que x sur

1 plus delta sur x, cela donne x puissance delta, et cela tende vers l'infini.

Question.

Montrer qu'alors X n converge en moyenne vers 0.

Indication pour l'exercice : séparer les petites valeurs des grandes,

donc c'est à vous de chercher.

Solution de l'exercice Condition de moment pour convergence en moyenne.

Quitte à considérer la valeur absolue de X n, on peut supposer que

X n est positif ou nul, cela évite de dire valeur absolue tout le temps.

Donc, une indication c'est peut-être de séparer les petites et les grandes

valeurs, donc on va donner un epsilon strictement positif et un b > epsilon,

epsilon aura vocation à être petit, b à être grand.

Donc, nous allons séparer X n suivant ces valeurs.

Donc, l'espérance de X n, c'est l'espérance de X n, indicatrice de X n

inférieur ou égal à epsilon + l'espérance de X n, indicatrice de X n compris entre

epsilon et b + l'espérance de X n, indicatrice de b inférieur ou égal à X n.

Nous majorons ces termes.

Donc, l'espérance de X n, indicatrice de X n plus petit que epsilon,

puisque X n est plus petit que epsilon, nous allons majorer ce terme par epsilon.

Dans le deuxième terme, X n est compris entre epsilon et b.

Donc, pour l'espérance de X n fois l'indicatrice,

nous allons majorer X n par b.

Et ensuite,

nous avons l'espérance de l'indicatrice de X n compris entre epsilon et b.

Nous allons majorer cela par l'indicatrice que X n est plus grand que b.

L'espérance d'une indicatrice étant la probabilité, donc le deuxième terme

est majoré par b * probabilité que X n soit plus grand que epsilon.

Et il reste le troisième terme, espérance de X n,

indicatrice de X n plus grand que b.

En définitive, nous avons majoré l'espérance de X n par epsilon + b *

probabilité que X n est plus grand qu'epsilon + l'espérance de X n,

indicatrice de X n supérieur ou égal à b, Epsilon est petit.

Par la conjonction de probabilité, le deuxième terme va tendre vers 0.

Ce qui nous intéresse, c'est le dernier terme,

espérance de X n, indicatrice de X n supérieur ou égal à b.

Donc, nous allons étudier ce terme.

L'espérance de X n, indicatrice que X n est supérieur ou égal à b,

nous allons l'écrire, il faut bien introduire la fonction f quelque part,

nous allons l'écrire comme étant l'espérance de X n / f ( X n) * f ( X n ),

indicatrice que X n est supérieur ou égal à b.

Nous allons exploiter le fait que f (x) / x tend vers l'infini,

c'est-à-dire que x / f (x) tend vers 0.

Donc, il suffit de choisir b dépendant d'epsilon assez grand,

pour que si x est supérieur ou égal à b indice epsilon, pour indiquer la

dépendance à l'epsilon, f (x) / x soit plus grande que grand A / epsilon.

Grand A, c'était la borne sur les espérances de f ( X n).

Mais cela c'est équivalent à dire pour que x / f (x) soit plus petit qu'epsilon / A.

Donc, si nous choisissons b epsilon ainsi, l'espérance de X n indicatrice

de X n supérieur ou égal à b epsilon, cela va être majoré par epsilon / grand A,

nous avons vu que x / f (x) est plus petit qu'epsilon / grand A, lorsque x est plus

grand que b epsilon, donc X n / f (X n) va être majoré sur epsilon / grand A.

Et il reste espérance de f ( X n ) * une indicatrice, que nous majorons par 1.

Donc, nous avons majoré le terme qui nous intéresse par epsilon / grand

A * espérance de f (X n).

Je vous rappelle que les espérances de f (X n) étaient majorées uniformément

par grand A.

En définitive, nous obtenons une borne epsilon.

Du coup, je rappelle la borne que nous avons obtenue pour epsilon strictement

positif, nous avons montré que l'espérance de X n est plus petite que epsilon

+ b epsilon, donc ici, * probabilité que X n est plus grand que epsilon +

l'espérance de X n indicatrice de X n supérieur ou égal à b epsilon.

Nous avons fixé l'epsilon et pris le b epsilon,

que nous avons déterminé tout à l'heure.

Donc, nous pouvons majorer l'espérance de X n,

par 2 epsilon + b epsilon * probabilité que X n soit supérieur ou égal à epsilon.

Du coup, d'un côté epsilon est arbitraire.

D'un autre côté, la convergence en probabilité implique que b epsilon *

probabilité de X n supérieur ou égal à epsilon, tend vers 0.

b epsilon est peut-être grand, mais de toute façon,

la probabilité de X n plus grand qu'epsilon tend vers 0.

Donc, on conclut par cette borne que l'espérance de X n tend vers 0.

Donc, puisqu'epsilon est arbitraire, et que nous avons cette convergence vers 0.

Autrement dit, l'espérance de X n tend vers 0,

cela veut dire X n converge en moyenne vers 0.

Nous avons ainsi fini la solution de l'exercice,

et donc l'exercice tout entier.

Ознакомьтесь с нашим каталогом

Присоединяйтесь бесплатно и получайте персонализированные рекомендации, обновления и предложения.

Coursera делает лучшее в мире образование доступным каждому, предлагая онлайн-курсы от ведущих университетов и организаций.

© Coursera Inc., 2019 Все права защищены.

Загрузить из App Store

Загрузить в Google Play