Loi Forte Des Grands Nombres


Loi Forte Des Grands Nombres

Loi forte des grands nombres

La loi forte des grands nombres est un énoncé mathématique énonçant la moyenne d'une suite de variables aléatoires converge presque sûrement vers la même constante que l'espérance de la moyenne, sous certaines conditions (sur la dépendance, sur l'homogénéité et sur les moments).

Sommaire

Énoncé général

Le principe de la loi forte des grands nombres est que sous certaines conditions (sur la dépendance, sur l'homogénéité et sur les moments) la moyenne d'une suite de variables aléatoires {Xn} converge presque sûrement vers la même limite (constante) que l'espérance de la moyenne. En particulier, l'adjectif "fort" fait référence à la nature de la convergence établie par ce théorème : il est réservée à un résultat de convergence presque sûre. Par opposition, la loi faible des grands nombres, établie par Bernoulli, est un résultat de convergence en probabilité, seulement. Soit:

Principe général —  \bar X_n -\bar\mu_n \xrightarrow{p.s.} 0\qquad \qquad \text{ avec }  \bar X_n\equiv n^{-1}\sum_{i=1}^n X_i\text{ et } \bar \mu_n\equiv \operatorname{E}\left[\bar X_n\right]

Il existe différents théorèmes selon le type d'hypothèses faites sur la suite {Xn}[1] :

  • observations indépendantes et identiquement distribuées,
  • observations indépendantes et non-identiquement distribuées,
  • observations dépendantes et identiquement distribuées.

Observations indépendantes et identiquement distribuées

Loi forte des grands nombres (Kolmogorov, 1929) — Si \ \scriptstyle {(X_n)}_{n>0} est une suite de v.a. i.i.d., on a équivalence entre:

(i) \ \mathbb{E}\left(\left| X_1 \right|\right)<+\infty,
(ii) la suite \ \scriptstyle \tfrac{X_1 + \cdots + X_n}{n}\ converge presque sûrement.
De plus, si l'une de ces deux conditions équivalentes est remplie, alors la suite \ \scriptstyle \tfrac{X_1 + \cdots + X_n}{n}\ converge presque sûrement vers la constante \ \scriptstyle \mathbb{E}\left(X_1\right).

C'est la première loi forte à avoir été démontrée avec des hypothèses optimales[2]. Pour la démontrer, il fallait définir rigoureusement le concept de convergence presque sûre, ce qui a amené Kolmogorov à considérer les probabilités comme une branche de la théorie de la mesure: saut conceptuel dont Kolmogorov prouvait ainsi l'efficacité. La théorie moderne des probabilités s'est construite à partir du travail fondateur de Kolmogorov sur la loi forte des grands nombres. La loi forte des grands nombres est aussi un ingrédient important dans la démonstration d'autres lois fortes des grands nombres, comme la LFGN pour les processus de renouvellement, ou la LFGN pour les chaînes de Markov. C'est de ce théorème qu'on parle lorsqu'on dit "la loi forte des grands nombres", les autres théorèmes n'étant que des lois fortes des grands nombres. Ce théorème est aussi intéressant parce qu'il aboutit à une conclusion plus forte : il établit l'équivalence entre l'intégrabilité de la suite et sa convergence, alors que les autres théorèmes fournissent seulement des implications, sans leurs réciproques.

Observations indépendantes et non-identiquement distribuées

Théorème de Markov — Soit {Xn} une suite de variables aléatoires indépendantes d'espérance finie  \operatorname{E}(X_n)\equiv\mu_n. S'il existe δ > 0 tel que \sum_{n=1}^{\infty} \frac{\operatorname{E}\left(|X_n -\mu_n|^{1+\delta}\right)}{n^{1+\delta}} <\infty alors 
\bar X_n -\bar\mu_n \xrightarrow{p.s.} 0

Pour pouvoir relacher l'hypothèse d'équidistribution, on est amené à faire une hypothèse plus forte sur l'intégrabilité.

Observations dépendantes et identiquement distribuées

Théorème ergodique — Soit {Xt} une suite de variables aléatoires stationnaire ergodique avec \operatorname{E}(|X_t|)<\infty et d'espérance identique finie  \operatorname{E}(X_t)\equiv\mu Alors \bar X_t \xrightarrow{p.s.} \mu

Loi forte des grands nombres de Kolmogorov

La moyenne empirique d’une suite de variables aléatoires indépendantes, identiquement distribuées, et intégrables, converge presque sûrement vers leur moyenne mathématique (ou espérance).

Autres formulations

On note souvent :

S_{n}=X_{1}+X_{2}+\cdots+X_{n}.

Ainsi l'énoncé devient

Théorème — Pour une suite \ \scriptstyle {(X_n)}_{n>0} de v.a. i.i.d., on a :

\ \scriptstyle \left\{\text{p.s. }\tfrac{S_{n}(\omega)}{n}\text{ est une suite convergente}\right\}\Leftrightarrow\left\{\mathbb{E}\left[\left|X_{1}\right|\right]<+\infty\right\}.

De plus, si l'une de ces deux conditions équivalentes est remplie, on a:


\ \scriptstyle \mathbb{P}\left(\omega\in\Omega\ \left|\ \lim_{n}\tfrac{S_{n}(\omega)}n=\mathbb{E}\left[X_{1}\right]\right.\right)
=
1.

Énoncé usuel de la loi forte

L'énoncé ci-dessous est la forme habituelle de la loi forte des grands nombres, et est une conséquence directe (une forme affaiblie) du Théorème donné plus haut :

Théorème — Soit une suite \ \scriptstyle \left(X_{n}\right)_{n\ge 1}\ de variables aléatoires indépendantes et de même loi, intégrables. Alors


\ \scriptstyle \mathbb{P}\left(\omega\in\Omega\ \left|\ \lim_{n}\tfrac{S_{n}(\omega)}n=\mathbb{E}\left[X_{1}\right]\right.\right)
=
1.

Remarques

  • En statistiques, \ \scriptstyle \tfrac{X_1 + \cdots + X_n}{n}\ ou bien \ \scriptstyle \tfrac{S_n}{n}\ est appelée moyenne empirique des \ \scriptstyle X_i\ , et est souvent notée \ \scriptstyle \overline{X}\ .
  • On peut formuler l'hypothèse \ \scriptstyle \left\{\forall n\ge1,\ X_{n}\text{ est integrable}\right\}\ , sous différentes formes, e.g.
  • \ \scriptstyle \left\{\forall n\ge1,\ \mathbb{E}\left[\left|X_{n}\right|\right]<+\infty\right\}\ ,
  • \ \scriptstyle \left\{\forall n\ge1,\ X_{n}\in\mathcal L^1(\Omega,\mathcal A,\mathbb P)\right\}\ ,
ou bien encore, puisque les \ \scriptstyle X_{i}\ ont toutes même loi,
  • \ \scriptstyle \left\{X_{1}\text{ est integrable}\right\}\ ,
  • \ \scriptstyle \left\{\mathbb{E}\left[\left|X_{1}\right|\right]<+\infty\right\}\ ,
  • \ \scriptstyle \left\{X_{1}\in\mathcal L^1(\Omega,\mathcal A,\mathbb P)\right\}\ .

Démonstration de la loi forte de Kolmogorov

1ère étape de la démonstration : troncature

On suppose tout d'abord que les variables \ \scriptstyle X_{n}\ sont centrées. On n'abandonnera cette hypothèse qu'à la toute dernière étape de la démonstration. On pose


X^{\prime}_{n}
=
X_{n}\,1_{\left|X_{n}\right|\le n},

et


S^{\prime}_{n}
=
X^{\prime}_{1}+X^{\prime}_{2}+\cdots+X^{\prime}_{n}.

Dans cette section on démontre que

Proposition 1. —  Soit une suite \ \scriptstyle \left(X_{n}\right)_{n\ge 1}\ de variables aléatoires indépendantes et de même loi, intégrables. Alors (la loi forte des grands nombres)


\ \scriptstyle \mathbb{P}\left(\omega\in\Omega\ \left|\ \lim_{n}\tfrac{S_{n}(\omega)}n=0\right.\right)
=
1.
est équivalente à

\ \scriptstyle \mathbb{P}\left(\omega\in\Omega\ \left|\ \lim_{n}\tfrac{S^{\prime}_{n}(\omega)}n=0\right.\right)
=
1.

Dans les sections suivantes on va donc démontrer que


\mathbb{P}\left(\omega\in\Omega\ \left|\ \lim_{n}\tfrac{S^{\prime}_{n}(\omega)}n=0\right.\right)
=
1.

L'idée est que plus les variables concernées sont intégrables, i.e. plus la queue de distribution \scriptstyle\  \mathbb{P}\left(\left|X_1-\mathbb{E}(X_1)\right|\ge x\right) décroît rapidement, plus il est facile de démontrer la loi forte des grands nombres à l'aide du lemme de Borel-Cantelli. Ainsi il est facile de démontrer une forme affaiblie de la loi forte des grands nombres, par exemple sous l'hypothèse que les variables \scriptstyle\  X_n sont i.i.d. bornées, auquel cas \scriptstyle\  \mathbb{P}\left(\left|X_1-\mathbb{E}(X_1)\right|\ge x\right) est nulle pour \scriptstyle\  x assez grand, ou bien sous l'hypothèse, moins brutale, que les variables \scriptstyle\  X_n sont i.i.d. et possèdent un moment d'ordre 4, auquel cas \scriptstyle\  \mathbb{P}\left(\left|X_1-\mathbb{E}(X_1)\right|\ge x\right)=\mathcal{O}\left(x^{-4}\right). Ici, en tronquant les \scriptstyle\  X_n, Kolmogorov s'est ramené à des variables \scriptstyle\  X^{\prime}_n bornées et indépendantes, mais qui n'ont pas même loi.

2ème étape de la démonstration : recentrage

Les \ \scriptstyle X_{k}\ ont beau être centrées, cela n'entraîne pas que les \ \scriptstyle X^{\prime}_{k}\ soient centrées, sauf si on suppose, par exemple, que les \ \scriptstyle X_{k}\ sont symétriques, i.e. sauf si \ \scriptstyle X_{k}\ a même loi que \ \scriptstyle -X_{k}\ . Par exemple, si \ \scriptstyle f_{X_{1}}(x)=e^{-x-1}1_{[-1,+\infty[}(x)\ , alors, dès que \ \scriptstyle n\ge 1,\ \ \scriptstyle X^{\prime}_{k}\ n'est pas centrée. Il est commode, pour la suite, de centrer les \ \scriptstyle X^{\prime}_{k}\  : on pose

Z_{k}= X^{\prime}_{k}-\mathbb{E}\left[X^{\prime}_{k}\right],

et

C_{n}=Z_{1}+Z_{2}+\cdots+Z_{n}.

Alors

Proposition 2. —  Soit une suite \ \scriptstyle \left(X_{n}\right)_{n\ge 1}\ de variables aléatoires indépendantes et de même loi, intégrables. Alors


\ \scriptstyle \mathbb{P}\left(\omega\in\Omega\ \left|\ \lim_{n}\tfrac{S^{\prime}_{n}(\omega)}n=0\right.\right)
=
1
est équivalent à

\ \scriptstyle \mathbb{P}\left(\omega\in\Omega\ \left|\ \lim_{n}\tfrac{C_{n}(\omega)}n=0\right.\right)
=
1.

3ème étape : Inégalité de Kolmogorov

C'est l'étape où Kolmogorov utilise l'hypothèse d'indépendance (et, sans le dire, la notion de temps d'arrêt). Par contre, l'Inégalité de Kolmogorov ne requiert pas des variables de même loi.

Inégalité de Kolmogorov. — Soit une suite \ \scriptstyle \left(Y_{n}\right)_{n\ge 1}\ de v.a.r. indépendantes et centrées. Posons

W_{n}=Y_{1}+Y_{2}+\cdots+Y_{n}.

Alors, pour tout \ \scriptstyle x>0\ ,

\mathbb{P}\left(\sup\left\{\left|W_{n}\right|\,|\,n\ge 1\right\}>x\right)\le \frac{\sum_{n\ge 1}\text{Var}\left(Y_{n}\right)}{x^2}.

Voir aussi l'article en anglais sur le même sujet.

4ème étape : Convergence de séries de variables aléatoires

L'inégalité de Kolmogorov est, avec le lemme de Borel-Cantelli, l'ingrédient essentiel de la preuve de la proposition suivante :

Proposition 3. —  Soit une suite \ \ \scriptstyle \left(U_{n}\right)_{n\ge 1}\ de v.a.r. indépendantes et centrées. Si

\sum_{n\ge 1}\text{Var}\left(U_{n}\right)<+\infty,

alors la suite \ \scriptstyle T_{n}=U_{1}+U_{2}+\cdots+U_{n}\ est convergente, ou bien, équivalemment, la série \ \scriptstyle \sum_{n\ge 1}\ U_{n}\ est convergente.

5ème étape : Lemme de Kronecker

Lemme de Kronecker. — Soit une suite \ \scriptstyle \left(a_{n}\right)_{n\ge 1}\ de nombres strictement positifs, décroissante vers 0. Si \ \scriptstyle \sum_{n}a_{n}u_{n}\ est une série convergente, alors

\lim_{n}a_{n}\left(u_{1}+u_{2}+\cdots+u_{n}\right)=0.

Pour conclure sa démonstration, Kolmogorov utilise le lemme de Kronecker avec \ \scriptstyle a_{n}=\tfrac{1}{n} \ , voir section suivante.

6ème étape : Conclusion dans le cas de variables centrées

Lemme 1. —  Avec les notations de l'étape "recentrage", on a

\sum_{k\ge 1}\ \text{Var}\left(\frac{Z_{k}}{k}\right)<+\infty.

Du Lemme 1 et de la Proposition 3, on déduit que, presque sûrement,


\text{la serie }\sum_{n\ge 1}\,\frac{Z_{k}(\omega)}{k}\text{ est convergente,}

puis, grâce au lemme de Kronecker, on déduit que, presque sûrement,

\lim_{n}\ \frac{C_{n}(\omega)}n\ =\ 0,

ce qui est équivalent à la loi forte des grands nombres (pour des variables centrées), comme on l'a vu aux étapes "troncature" et "recentrage".

7ème étape : décentrage

Si on ne suppose plus les \ \scriptstyle X_{n} \ centrées, mais seulement i.i.d. et intégrables, on pose

\hat{X}_{k}= X_{k}-\mathbb{E}\left[X_{k}\right],\ \ \hat{S}_{n}= \hat{X}_{1}+\hat{X}_{2}+\cdots+\hat{X}_{n},

et, les \ \scriptstyle \hat{X}_{n} \ étant centrées, i.i.d. et intégrables, la conclusion des étapes précédentes est que


\mathbb{P}\left(\omega\in\Omega\ \left|\ \lim_{n}\frac{\hat{S}_{n}(\omega)}n=0\right.\right)
=
1.

Mais


\begin{align}
\frac{\hat{S}_{n}(\omega)}n
&=
\frac{S_{n}(\omega)-n\mathbb{E}\left[X_{1}\right]}n
\\
&=
\frac{S_{n}(\omega)}n\ -\ \mathbb{E}\left[X_{1}\right].
\end{align}

Donc


\mathbb{P}\left(\omega\in\Omega\ \left|\ \lim_{n}\frac{\hat{S}_{n}(\omega)}n=0\right.\right)
=
\mathbb{P}\left(\omega\in\Omega\ \left|\ \lim_{n}\frac{S_{n}(\omega)}n=\mathbb{E}\left[X_{1}\right]\right.\right)
.

C.Q.F.D.

Notes et références

  1. Classification et notation reprise de White (1984).
  2. On doit à Émile Borel une version de la LFGN pour les variables de Bernoulli, dès 1909, dans l'article Les probabilités dénombrables et leurs applications arithmétiques. Rend. Circ. Math. Palermo 27, pp. 247-271.


Voir aussi

Articles connexes

Références

  • (en) Halbert White, Asymptotic Theory for Econometricians, Academic Press, Orlando (ISBN 0127466509), p. 228 
  • Sidney I. Resnick, A Probability Path [détail des éditions]

Liens externes

  • Portail des probabilités et des statistiques Portail des probabilités et des statistiques
Ce document provient de « Loi forte des grands nombres ».

Wikimedia Foundation. 2010.

Contenu soumis à la licence CC-BY-SA. Source : Article Loi Forte Des Grands Nombres de Wikipédia en français (auteurs)

Regardez d'autres dictionnaires:

  • Loi forte des grands nombres — ● Loi forte des grands nombres loi que suit une suite de variables aléatoires si la moyenne de ces variables converge presque sûrement vers une variable aléatoire ou un nombre certain …   Encyclopédie Universelle

  • Loi forte des grands nombres — Une loi forte des grands nombres est une loi mathématique selon laquelle la moyenne des n premiers termes d une suite de variables aléatoires converge presque sûrement vers une constante (non aléatoire), lorsque n tend vers l infini. Lorsque ces… …   Wikipédia en Français

  • Loi faible des grands nombres — Loi des grands nombres En statistiques, la loi des grands nombres indique que lorsque l on fait un tirage aléatoire dans une série de grande taille, plus on augmente la taille de l échantillon, plus les caractéristiques statistiques de l… …   Wikipédia en Français

  • Loi Des Grands Nombres — En statistiques, la loi des grands nombres indique que lorsque l on fait un tirage aléatoire dans une série de grande taille, plus on augmente la taille de l échantillon, plus les caractéristiques statistiques de l échantillon se rapprochent des… …   Wikipédia en Français

  • Loi des grands nombres — En statistiques, la loi des grands nombres exprime le fait que les caractéristiques d un échantillon aléatoire se rapprochent d autant plus des caractéristiques statistiques de la population que la taille de l échantillon augmente. La taille de l …   Wikipédia en Français

  • Loi du zéro-un de Borel — La loi du zéro un de Borel a été publiée en 1909 dans l article Les probabilités dénombrables et leurs applications arithmétiques[1], par Émile Borel, en vue de la démonstration du théorème des nombres normaux, et en vue d applications aux… …   Wikipédia en Français

  • Nombres Premiers Jumeaux — En mathématiques, deux nombres premiers jumeaux sont deux nombres premiers qui ne diffèrent que de deux. Hormis pour la paire (2, 3), cette distance de deux est la plus petite distance possible entre deux nombres premiers. Les plus petits nombres …   Wikipédia en Français

  • Nombres premiers jumeaux — En mathématiques, deux nombres premiers jumeaux sont deux nombres premiers qui ne diffèrent que de 2. Hormis pour la paire (2, 3), cette distance de 2 est la plus petite distance possible entre deux nombres premiers. Les plus petits nombres… …   Wikipédia en Français

  • PROBABILITÉS (CALCUL DES) — Le calcul des probabilités est certainement l’une des branches les plus récentes des mathématiques, bien qu’il ait en fait trois siècles et demi d’existence. Après s’être cantonné dans l’étude des jeux de hasard, il s’est introduit dans presque… …   Encyclopédie Universelle

  • Liste des articles de mathematiques — Projet:Mathématiques/Liste des articles de mathématiques Cette page recense les articles relatifs aux mathématiques, qui sont liés aux portails de mathématiques, géométrie ou probabilités et statistiques via l un des trois bandeaux suivants  …   Wikipédia en Français


We are using cookies for the best presentation of our site. Continuing to use this site, you agree with this.