Convergence en loi
Bonjour, j'ai des questions que j'aime savoir les réponses, s'il vous plait, les questions sont indépendantes.
Dans un espace probabilisé $(\Omega, \mathcal{A},P),$ $(X_n)_{n \in \mathbb{N}^*}$ est une suite indépendantes de variables aléatoires réelles équidistribuées et de carré intégrable. On prend $\mu=\mathbb{E}[X_1],\sigma^2=Var(X_1)$
On note $$\overline X_n:=\frac{1}{n}\sum_{k=1}^nX_k, \ \ \bar S_n^2:=\frac{1}{n-1}(\sum_{k=1}^nX_k^2-n\overline X_n^2), \ \ \overline S_n=\sqrt{\overline S_n^2},$$
1) Prouver que, pour tout $\alpha >0,$
$$\lim_nP(|\overline X_n-\mu| \leq \frac{\overline S_n \alpha}{\sqrt{n}})=2\phi(\alpha)-1$$
où $\phi$ est la fonction de répartition de la loi normale centrée réduite.
2) Soit $\beta$ un réel. On suppose dans cette question que $\mu \neq0$ et que $(\sqrt{n}(X_n-\beta1_{\left\{\overline X_n \neq0 \right\}}))_n$ converge en loi vers $\frac{1}{\mu}X$ où X est une variable aleatoire réelle. comment déduire alors que $(\sqrt{n}(X_n-\beta))_n$ converge en loi, et vers quelle varaible?
3) On suppose que $P_{X_n}=\frac{1}{2} \delta_1+\frac{1}{2} \delta_{-1},$ et que $(X_n)_n$ converge en loi vers Y telle que $P_Y=\frac{1}{2} \delta_1+\frac{1}{2} \delta_{-1}.$ Etudier la convergence en probabilité de $(X_n)_n.$
Pour la première question, j'ai procédé de la façon suivante : soit $\alpha>0,$ j'ai appliquée la loi forte des grands nombres pour dire que
$$\overline X_n \rightarrow ^{p.s} \mu \ et \ \frac{1}{n}\sum_{k=1}^nX_n^2\rightarrow ^{p.s} \mu^2+\sigma^2$$
alors $$\frac{n}{n-1}\overline X_n^2 \rightarrow ^{p.s} \mu^2, \ et \ \frac{1}{n-1}\sum_{k=1}^nX_n^2 \rightarrow ^{p.s} \mu^2 +\sigma^2$$
D'où $$\overline S_n \rightarrow ^{p.s} \sigma$$
alors $$\overline S_n \rightarrow ^{\mathcal L} \sigma$$
En appliquant le théoèreme de limite central, on obtient :
$$(\overline X_n-\mu)\sqrt{n} \rightarrow^{\mathcal L} Y$$ où Y est de loi normale $N(0,\sigma^2)$,
alors
$$\sqrt{n}|\overline X_n-\mu|-\overline S_n \alpha \rightarrow^{\mathcal L} |Y|-\alpha\sigma$$
d'après le lemme de Slutsky, mais
$F_{|Y|-\sigma\alpha}$ (fonction de repartition) est continue en 0, et on a:
$$\lim_nP(|\overline X_n-\mu| \leq \frac{\overline S_n \alpha}{\sqrt{n}})=P(|\frac{Y}{\sigma}|\leq\alpha)=2\phi(\alpha)-1$$
Pour la question 2) comment déduire la convergence en loi de la suite de v.a.?
Pour la question 3) je pense que $(X_n)_n$ ne converge pas en probabilité, mais comment verifier ce résultat?
Merci d'avance
Dans un espace probabilisé $(\Omega, \mathcal{A},P),$ $(X_n)_{n \in \mathbb{N}^*}$ est une suite indépendantes de variables aléatoires réelles équidistribuées et de carré intégrable. On prend $\mu=\mathbb{E}[X_1],\sigma^2=Var(X_1)$
On note $$\overline X_n:=\frac{1}{n}\sum_{k=1}^nX_k, \ \ \bar S_n^2:=\frac{1}{n-1}(\sum_{k=1}^nX_k^2-n\overline X_n^2), \ \ \overline S_n=\sqrt{\overline S_n^2},$$
1) Prouver que, pour tout $\alpha >0,$
$$\lim_nP(|\overline X_n-\mu| \leq \frac{\overline S_n \alpha}{\sqrt{n}})=2\phi(\alpha)-1$$
où $\phi$ est la fonction de répartition de la loi normale centrée réduite.
2) Soit $\beta$ un réel. On suppose dans cette question que $\mu \neq0$ et que $(\sqrt{n}(X_n-\beta1_{\left\{\overline X_n \neq0 \right\}}))_n$ converge en loi vers $\frac{1}{\mu}X$ où X est une variable aleatoire réelle. comment déduire alors que $(\sqrt{n}(X_n-\beta))_n$ converge en loi, et vers quelle varaible?
3) On suppose que $P_{X_n}=\frac{1}{2} \delta_1+\frac{1}{2} \delta_{-1},$ et que $(X_n)_n$ converge en loi vers Y telle que $P_Y=\frac{1}{2} \delta_1+\frac{1}{2} \delta_{-1}.$ Etudier la convergence en probabilité de $(X_n)_n.$
Pour la première question, j'ai procédé de la façon suivante : soit $\alpha>0,$ j'ai appliquée la loi forte des grands nombres pour dire que
$$\overline X_n \rightarrow ^{p.s} \mu \ et \ \frac{1}{n}\sum_{k=1}^nX_n^2\rightarrow ^{p.s} \mu^2+\sigma^2$$
alors $$\frac{n}{n-1}\overline X_n^2 \rightarrow ^{p.s} \mu^2, \ et \ \frac{1}{n-1}\sum_{k=1}^nX_n^2 \rightarrow ^{p.s} \mu^2 +\sigma^2$$
D'où $$\overline S_n \rightarrow ^{p.s} \sigma$$
alors $$\overline S_n \rightarrow ^{\mathcal L} \sigma$$
En appliquant le théoèreme de limite central, on obtient :
$$(\overline X_n-\mu)\sqrt{n} \rightarrow^{\mathcal L} Y$$ où Y est de loi normale $N(0,\sigma^2)$,
alors
$$\sqrt{n}|\overline X_n-\mu|-\overline S_n \alpha \rightarrow^{\mathcal L} |Y|-\alpha\sigma$$
d'après le lemme de Slutsky, mais
$F_{|Y|-\sigma\alpha}$ (fonction de repartition) est continue en 0, et on a:
$$\lim_nP(|\overline X_n-\mu| \leq \frac{\overline S_n \alpha}{\sqrt{n}})=P(|\frac{Y}{\sigma}|\leq\alpha)=2\phi(\alpha)-1$$
Pour la question 2) comment déduire la convergence en loi de la suite de v.a.?
Pour la question 3) je pense que $(X_n)_n$ ne converge pas en probabilité, mais comment verifier ce résultat?
Merci d'avance
Réponses
-
Le résultat suivant est-il correct?
S'il existe $\epsilon>0, $ deux suites $(u_n)_n$ et $(v_n)_n$ à valeurs dans $\mathbb{N}$ telles que $\lim_nu_n=\lim_nv_n=+\infty$ et $\lim_nP(|X_{u_n}-X_{v_n}|>\epsilon)\neq0$ alors $(X_n)_n$ ne converge pas en probabilité. -
Je me suis reconnaissant si quelqu'un peut m'aider!!
-
Bonsoir,
2) Tu peux utiliser la loi forte des grands nombres pour la convergence de $\mathcal{1}_{\overline{X}\ne 0}.$
3) Regarde que vaut $P(\vert X_n-Y\vert>\varepsilon).$ -
Bonjour,
Pour le 2) Il ne s'agit pas d'etudier la convergence de $1_{\overline X_n \neq0},$ je veux deduire la convergence en loi de $(\sqrt{n}(X_n-\beta))_n$ à partir de $(\sqrt{n}(X_n-\beta1_{\overline X_n \neq0}))_n$
Pour le 3), on sait que $(X_n)_n$ converge en probabilité vers $W,$ alors $P_{W}=P_{Y}$ mais on n'a pas $W=Y p.s.,$ c'est pour cela j'ai proposé si le résultat suivant est correct ou non? (Sans savoir la limite de la convergence en probabilité)
S'il existe $\epsilon>0, $ deux suites $(u_n)_n$ et $(v_n)_n$ à valeurs dans $\mathbb{N}$ telles que $\lim_nu_n=\lim_nv_n=+\infty$ et $\lim_nP(|X_{u_n}-X_{v_n}|>\epsilon)\neq0$ alors $(X_n)_n$ ne converge pas en probabilité. -
Je ne comprends pas vraiment la question. La convergence en probabilité vers quoi alors ? Dans tous les cas il faut déjà que $\{\omega\in \Omega : \vert X_n(\omega)-X(\omega)\vert\}$ ait un sens.
Pour n'importe quelle variable aléatoire $X$ définie sur un espace $(\Omega,\mathcal{F},\Bbb{P})$ si pour tout $n\in \Bbb{N}\; X_n=-X$ alors il y a convergence en loi de $X_n$ vers $X$ mais il n'y a pas convergence en probabilité de $X_n$ vers $X.$
EDIT: pour la 2) j'ai bien compris, pour en déduire ce que tu veux, utilise la convergence de $\mathbb{1}_{\overline{X}\ne 0}.$ -
Pour le 2) $1_{\overline X_n \neq0}$ converge presque surement (loi forte des grands nombres) (donc en loi) vers 1 (car $\mu \neq0$) et $(\sqrt{n}(X_n-\beta1_{\overline X_n \neq0}))_n$ converge en loi vers $X/\mu$ mais comment ça va nous aider pour obtenir la convergence en loi de $(\sqrt{n}(X_n-\beta))_n?$
pour le 3) si j'arrive a trouver $\epsilon>0$, deux suite par exemple $u_n=n$ et $v_n=n+1$ (à valeur dans $\mathbb{N}$ et qui tendent vers $+\infty$) et telles que $\lim_nP(|X_n-X_{n+1}|>\epsilon)>0$ alors on n'a pas convergence en probabilité, je pense que c'est le critère de Cauchy pour la convergence en probabilité (plus précisement une négation de ce critere que j'aime prouvé!!) -
Ahh mal lu, tu es sûr que l'indicatrice n'est pas comme cela $$\big(\sqrt{n}(X_n-\beta)1_{\overline X_n \neq0}\big)_n \quad ?
$$ Le problème vient d'où ? -
Non, l'indicatrice est uniquement multiplié par $\beta,$ la question 2) (Déduire que...) fait partie d'un grand exercice,
Pour déduire, si on écrit $\sqrt{n}(X_n-\beta)=\sqrt{n}(X_n-1_{\overline X_n \neq 0}\beta)-\sqrt{n}1_{\overline X_n =0}\beta$
on connait $(\sqrt{n}(X_n-1_{\overline X_n \neq 0}\beta))_n$ converge en loi vers $X/\mu$ et si on arrive à prouver que $(\sqrt{n}1_{\overline X_n =0}\beta)_n$ converge p.s. ou en loi vers une cst (pour appliquer Slutsky) alors on obtient la convergence en loi de $(\sqrt{n}(X_n-\beta))_n$ -
Bon bha c'est pareil alors: tu écris $$\sqrt{n}(X_n-\beta)=\sqrt{n}(X_n-\beta \mathbb{1}_{\{\overline{X}_n\ne 0\}})+\sqrt{n}\beta(\mathbb{1}_{\{\overline{X}_n\ne 0\}}-1).$$ et tu appliques Slutsky.
Et pour 2) tu as toujours $X_n\to -Y$ en probabilités si tu tiens vraiment à avoir une convergence en proba. -
Vers quoi converege $\sqrt{n}\beta(1_{\overline X_n \neq 0}-1)$ ? vers 0? connaissant que $\sqrt{n}$ tend vers $+\infty$
-
Vers $0$: sur un ensemble de probabilité $1$ à partir d'un certain rang aléatoire l'indicatrice vaut $1$ donc...
Connectez-vous ou Inscrivez-vous pour répondre.
Bonjour!
Catégories
- 163.2K Toutes les catégories
- 9 Collège/Lycée
- 21.9K Algèbre
- 37.1K Analyse
- 6.2K Arithmétique
- 53 Catégories et structures
- 1K Combinatoire et Graphes
- 11 Sciences des données
- 5K Concours et Examens
- 11 CultureMath
- 47 Enseignement à distance
- 2.9K Fondements et Logique
- 10.3K Géométrie
- 65 Géométrie différentielle
- 1.1K Histoire des Mathématiques
- 69 Informatique théorique
- 3.8K LaTeX
- 39K Les-mathématiques
- 3.5K Livres, articles, revues, (...)
- 2.7K Logiciels pour les mathématiques
- 24 Mathématiques et finance
- 314 Mathématiques et Physique
- 4.9K Mathématiques et Société
- 3.3K Pédagogie, enseignement, orientation
- 10K Probabilités, théorie de la mesure
- 773 Shtam
- 4.2K Statistiques
- 3.7K Topologie
- 1.4K Vie du Forum et de ses membres