Espérance conditionnelle, cas simple
Bonjour,
Voilà, j'ai une application de mon cours sur l'espérance conditionnelle que je n'arrive pas à résoudre.
Soit X1 et X2 deux variables aléatoires i.i.d. de loi Ber(p). On pose S1 = X1 et S2 = X1+X2. On me demande de calculer E[S2 | sigma(S1)] avec sigma(S1) la tribu engendrée par S1.
Je pense que dans un premier temps il faut déterminer sigma(S1). Mon intuition me dit que sigma(S1) = { ensemble vide, omega, {S1=0}, {S1=1} } mais je n'arrive pas à le montrer rigoureusement.
Quelqu'un me donner des explications sur comment obtenir la tribu engendrée par une variable aléatoire ? De même quelqu'un peut il me donner des pistes pour le calcul de l'espérance conditionnelle ?
Bien cordialement et merci d'avance,
William
Edit @ 14h11 : après quelques recherches, je trouve E[S2 | S1] = a0 * 1{S1=0} + a1 * 1{S2=0} où 1A est l'indicatrice de l'ensemble A. Après, à l'aide de la définition de l'espérance conditionnelle (ie, pour tout Z va qui a les bonnes propriétés, E[XZ] = E[YZ] Ssi Y = E[X|S1] ) et en l'appliquant à Z = 1{S1=0} et Z = 1{S1=1}, on trouve les constantes a0 et a1.
Maintenant, est-il juste d'écrire que E[S2 | S1] = E[S2 | sigma(S1)] ??
Voilà, j'ai une application de mon cours sur l'espérance conditionnelle que je n'arrive pas à résoudre.
Soit X1 et X2 deux variables aléatoires i.i.d. de loi Ber(p). On pose S1 = X1 et S2 = X1+X2. On me demande de calculer E[S2 | sigma(S1)] avec sigma(S1) la tribu engendrée par S1.
Je pense que dans un premier temps il faut déterminer sigma(S1). Mon intuition me dit que sigma(S1) = { ensemble vide, omega, {S1=0}, {S1=1} } mais je n'arrive pas à le montrer rigoureusement.
Quelqu'un me donner des explications sur comment obtenir la tribu engendrée par une variable aléatoire ? De même quelqu'un peut il me donner des pistes pour le calcul de l'espérance conditionnelle ?
Bien cordialement et merci d'avance,
William
Edit @ 14h11 : après quelques recherches, je trouve E[S2 | S1] = a0 * 1{S1=0} + a1 * 1{S2=0} où 1A est l'indicatrice de l'ensemble A. Après, à l'aide de la définition de l'espérance conditionnelle (ie, pour tout Z va qui a les bonnes propriétés, E[XZ] = E[YZ] Ssi Y = E[X|S1] ) et en l'appliquant à Z = 1{S1=0} et Z = 1{S1=1}, on trouve les constantes a0 et a1.
Maintenant, est-il juste d'écrire que E[S2 | S1] = E[S2 | sigma(S1)] ??
Réponses
-
Salut,
Ton intuition est excellente. Par définition $\sigma(X_1)$ est la plus petite tribu rendant $X_A$ mesurable. Il te suffit donc, si tu poses $\mathcal{G}=\left\{\emptyset, \, \{X_1=0\}, \, \{X_1=1\}, \Omega \right\}$, de vérifier :
- que $\mathcal{G}$ est une tribu ;
- que $X_1$ est $\mathcal{G}$-mesurable ;
- que pour toute tribu $\mathcal{H}$, si $X_1$ est $\mathcal{H}$-mesurable alors $\mathcal{G} \subset \mathcal{H}$ ;
et ces trois points sont à peu près triviaux (mais c'est bien de le faire une fois dans sa vie).
Bon en fait c'est un peu plus subtil que ça, car $X_1$ pourrait prendre d'autres valeurs que $0$ ou $1$, mais ces valeurs sont de probabilité nulle.. donc pour l'instant oublions ça et on verra éventuellement plus tard comment préciser ce point.
Pour la suite de l'exo : tu sais que l'espérance conditionnelle va être $\mathcal{G}$-mesurable. Que peux-tu dire d'une variable $\mathcal{G}$-mesurable ? Combien de valeurs peut-elle prendre ? -
J'ai modifié mon premier message à l'instant après ce que j'ai trouvé entre temps.
J'ai réussi à écrire E[S2 | S1] mais je ne sais pas si ma démarche (cf. plus haut) est rigoureuse et si je peux écrire E[S2 | S1] = E[S2 | sigma(S1)]. -
Salut,
tu veux calculer E(X1+X2 | X1) (c'est équivalent à ce que tu as posé).
Par linéarité de l'espérance conditionnelle c'est égale à la somme de
* E(X1 | X1)
Ce terme vaut X1 : tu peux le vérifier en revenant à la définition de l'espérance conditionnelle comme unique v.a. Y mesurable selon la tribu engendrée par X1 qui vérifie E(Indicatrice de A*Y)=E(indicatrice de A*X1) pour tout A dans sigma(X1), ou tu peux voir ça de façon plus imagée : E(X1|X1) est l'image de X1 par une fonction mesurable qui approxime le mieux X1, c'est donc X1 elle-même.
* E(X2|X1)
X1 et X2 sont indépendantes donc ce terme vaut E(X2)
En espérant que cela t'aide. -
Oui je n'avais pas vu ça comme ça !
Mais a t on : E[S1|S2] = E[S1| sigma(S2)] ? -
Oui !
C'est une définition.
L'espérance conditionnelle sachant une v.a. est égale à l'espérance conditionnelle sachant la tribu qu'elle engendre. -
Ah oui merci, en fait ce sera la suite de notre cours ! (Nous n'avons vu, pour l'instant, que l'espérance conditionnellement à une sous tribu).
Mais j'ai maintenant une question.
Prenons le cas p=1/3, donc X1 et X2 suivent une loi Ber(1/3).
Donc quand je calcule E[S2 | S1] = E[X1+X2|X1] = X1 + 1/3
Maintenant si j'utilise la méthode que j'avais développé plus haut, c'est-à-dire d'écrire :
E[X1+X2 | sigma(X1)] = a0 * 1{X1=0} + a1 * 1{X1=1} où 1A est l'indicatrice de l'ensemble A
puis de revenir à la définition de l'espérance conditionnelle (E[YZ]=E[XZ]) en utilisant comme cas particulier Z = 1{X1=0} puis Z = 1{X2=0} j'obtiens alors :
a0 = E[(X1+X2)*1{X1=0}] / Pr[X1=0] = E[X2]/Pr[X1=0] = (1/3) / (2/3) = 1/2
et de même
a1 = E[(X1+X2)*1{X1=1}] / Pr[X1=1] = (1+ E[X2])/Pr[X1=1] = (4/3) / (1/3) = 4
d'où
E[X1+X2 | sigma(X1)] = 1/2 * 1{X1=0} + 4 * 1{X1=1} ce qui est différent de X1 + 1/3
Où me suis-je trompé ?
Merci pour votre patience et vos réponses ! -
Salut,
deux remarques :
1 - tu dis "en utilisant comme cas particulier Z = 1{X1=0} puis Z = 1{X2=0}" alors que c'est "puis Z = 1{X1=1}" (ce que tu fais bien ensuite)
2 - pourquoi divises-tu par Pr[X1=0] et Pr[X1=1] dans le calcul des espérances ? -
Pour la première remarque, c'est en effet une erreur de frappe
En fait, on a E[ E[X1+X2|X1]*1{X1=0} ] = E[ (a0*1{X1=0} + a1*{X1=1}) * 1{X1=0}] = E[a0*1{X1=0}] = a0*E[1{X1=0}] = a0*Pr[X1=0]
D'un autre côté, en utilisant la définition de l'espérance conditionnelle : E[ E[X1+X2|X1]*1{X1=0} ] = E[ (X1+X2)*1{X1=0} ]
D'où a0 = E[ (X1+X2)*1{X1=0} ] / Pr[X1=0]
de même pour a1 -
"a0 = E[ (X1+X2)*1{X1=0} ] / Pr[X1=0] "
Oui je suis d'accord, par contre "a0 = E[(X1+X2)*1{X1=0}] / Pr[X1=0] = E[X2]/Pr[X1=0]" je ne suis pas d'accord :
E[(X1+X2)*1{X1=0}]=E[X2*1{X1=0}]=E[X2]*E[1{X1=0}]=E[X2]*Pr(X1=0)
Donc le Pr(X1=0) s'élimine au final et on trouve le même résultat. -
Ah oui voilà mon erreur !
Merci bien Thomas
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