Modes de convergence

Les suites de variables aléatoires peuvent converger selon plusieurs modes distincts : presque sûrement, en probabilité, en moyenne d'ordre p et en loi. La compréhension de leur hiérarchie est essentielle pour énoncer et démontrer précisément chaque théorème limite.

Definition

Les modes de convergence sont les différentes manières dont une suite de variables aléatoires ou leurs distributions peuvent approcher une limite, allant de la convergence forte (presque sûre et en moyenne) des variables elles-mêmes à la convergence faible de leurs distributions.

Scope

Ce sujet aborde la convergence presque sûre, la convergence en probabilité, la convergence en moyenne d'ordre p et la convergence en loi, les implications et les contre-exemples qui les relient, l'intégrabilité uniforme comme pont entre la convergence en probabilité et la convergence en moyenne, la caractérisation de Portmanteau de la convergence faible, ainsi que la tension (tightness) avec le théorème de Prohorov pour la compacité relative des familles de mesures.

Core questions

• Quels sont les principaux modes de convergence des variables aléatoires, et comment diffèrent-ils ?
• Quels modes de convergence en impliquent d'autres, et où ces implications échouent-elles ?
• Quelle condition supplémentaire permet de passer de la convergence en probabilité à la convergence en moyenne ?
• Quand une famille de distributions possède-t-elle une sous-suite convergente ?

Key concepts

• convergence presque sûre
• convergence en probabilité
• convergence en moyenne
• convergence faible
• tension (tightness) et théorème de Prohorov

Key theories

Hiérarchie des modes de convergence

La convergence presque sûre et la convergence en moyenne d'ordre p impliquent chacune la convergence en probabilité, laquelle implique à son tour la convergence en loi. Les implications inverses échouent généralement, de sorte que les modes forment une hiérarchie stricte avec des contre-exemples classiques.

Théorème de Portmanteau

La convergence faible des mesures de probabilité est équivalente à plusieurs conditions simultanément, y compris la convergence des espérances de fonctions continues bornées et la convergence de la fonction de répartition en tout point de continuité, offrant ainsi des critères flexibles pour prouver la convergence en loi.

Théorème de Prohorov et tension (tightness)

Une famille de mesures de probabilité est relativement compacte pour la convergence faible si et seulement si elle est tendue (tight), ce qui signifie que la masse ne s'échappe pas à l'infini. C'est l'outil standard pour extraire des sous-suites convergentes dans l'étude des théorèmes limites et des processus stochastiques.

Clinical relevance

Les modes de convergence précis sous-tendent les énoncés rigoureux de la consistance et de la distribution asymptotique en statistique, la convergence des schémas de simulation et d'approximation, ainsi que les théorèmes limites fonctionnels, tels que le principe d'invariance de Donsker, qui justifient l'approximation de systèmes stochastiques complexes par le mouvement brownien.

History

La distinction minutieuse entre les modes de convergence est apparue avec les fondements de la probabilité basés sur la théorie de la mesure. La théorie de la convergence faible des mesures sur les espaces métriques, avec la tension (tightness) et le critère de compacité de Prohorov, a été systématisée par Prohorov et Billingsley au milieu du XXe siècle pour étayer les théorèmes limites pour les processus stochastiques.

Key figures

• Patrick Billingsley
• Yuri Prohorov
• Aleksandr Khinchin

Seminal works

• billingsley1999convergence

Frequently asked questions

Pourquoi distinguer autant de types de convergence ?

Différents théorèmes limites produisent naturellement différents modes ; la loi des grands nombres donne la convergence presque sûre, le théorème central limite donne la convergence en loi, et les conclusions sur les moyennes des variables nécessitent la convergence en moyenne. Ainsi, le mode précis est important pour ce qui peut être conclu.

Qu'est-ce que la tension (tightness) ?

Une famille de distributions est tendue (tight) si, pour tout niveau requis, un unique ensemble compact porte au moins cette quantité de probabilité pour chaque membre de la famille ; la tension empêche la masse de probabilité de s'échapper à l'infini et c'est précisément la condition dont le théorème de Prohorov a besoin pour la compacité faible.