En théorie des probabilités, le théorème de convergence de Lévy, nommé d'après le mathématicien Paul Lévy, relie la convergence en loi d'une suite de variables aléatoires avec la convergence ponctuelle de leurs fonctions caractéristiques. Ce théorème est également appelé théorème de continuité de Lévy, théorème de continuité de Lévy-Cramér ou encore en associant d'autres noms tels que théorème de Lévy-Cramér-Dugué.
Ce théorème de convergence fondamental est particulièrement utile pour démontrer le théorème central limite.
L'utilisation des fonctions caractéristiques en théorie des probabilités remonte aux travaux de Pierre-Simon de Laplace entre 1812 et 1820. Cependant leur première utilisation rigoureuse dans une démonstration date des travaux d'Alexandre Liapounov en 1901. La première version du théorème général de continuité a été établie en 1922 par Paul Lévy qui considère une convergence uniforme des fonctions caractéristiques dans un voisinage de l'origine. Une démonstration plus générale est ensuite issue d'une discussion entre Lévy et George Pólya.
Une version plus générale a été donnée par Salomon Bochner en 1933. Depuis, de nombreuses extensions ont été étudiées.
Posons une suite de variables aléatoires , pas nécessairement définies sur le même espace de probabilité. Les fonctions et sont les fonctions caractéristiques respectives des variables aléatoires et définies par :
Posons une suite de variables aléatoires , pas nécessairement définies sur le même espace de probabilité. La fonction est la fonction caractéristique de la variable aléatoire définie par :
Le théorème de continuité de Lévy ne dépend pas du choix des variables aléatoires mais de leur loi. Considérons une suite de lois de probabilité, c'est-à-dire de mesures positives de masse 1 sur . Notons respectivement et leur transformées de Fourier, définies par :
Une démonstration est disponible dans l'ouvrage de Varadhan, Théorème 2.3, p. 26.
Grâce à l'utilisation de la théorie des transformées de Fourier, le théorème de continuité de Lévy a été généralisé sur des espaces à structures algébriques et topologiques.
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Introduction à la théorie des martingales à temps discret, en particulier aux théorèmes de convergence et d'arrêt. Application aux processus de branchement. Introduction au mouvement brownien et étude
In this course, various aspects of probability theory are considered. The first part is devoted to the main theorems in the field (law of large numbers, central limit theorem, concentration inequaliti
Explore les théorèmes de martingales, de mouvement brownien, de submartingales, de surveillance des descentes et de convergence avec des exemples pratiques.
Explore les applications de la convergence dominée et du lemme Fatou en analyse réelle.
En mathématiques et plus particulièrement en théorie des probabilités et en statistique, la fonction caractéristique d'une variable aléatoire réelle est une quantité qui détermine de façon unique sa loi de probabilité. Si cette variable aléatoire a une densité, alors la fonction caractéristique est la transformée de Fourier inverse de la densité. Les valeurs en zéro des dérivées successives de la fonction caractéristique permettent de calculer les moments de la variable aléatoire.
vignette|Visualisation de la loi des grands nombres En mathématiques, la loi des grands nombres permet d’interpréter la probabilité comme une fréquence de réalisation, justifiant ainsi le principe des sondages, et présente l’espérance comme une moyenne. Plus formellement, elle signifie que la moyenne empirique, calculée sur les valeurs d’un échantillon, converge vers l’espérance lorsque la taille de l’échantillon tend vers l’infini. Plusieurs théorèmes expriment cette loi, pour différents types de convergence en théorie des probabilités.
Dans la théorie des probabilités, il existe différentes notions de convergence de variables aléatoires. La convergence (dans un des sens décrits ci-dessous) de suites de variables aléatoires est un concept important de la théorie des probabilités utilisé notamment en statistique et dans l'étude des processus stochastiques. Par exemple, la moyenne de n variables aléatoires indépendantes et identiquement distribuées converge presque sûrement vers l'espérance commune de ces variables aléatoires (si celle-ci existe).
We consider a queuing problem in which both the service rate of a finite-buffer queue and its rate of arrivals are functions of the same partially observed Markov chain. Basic performance indices of this device, such as long term throughput and loss rates, ...
The Uniformization Theorem due to Koebe and Poincaré implies that every compact Riemann surface of genus greater or equal to 2 can be endowed with a metric of constant curvature – 1. On the other hand, a compact Riemann surface is a complex algebraic curve ...
This paper is concerned with the development of a general framework for adaptive mesh refinement and coarsening in three-dimensional finite-deformation dynamic-plasticity problems. Mesh adaption is driven by a posteriori global error bounds derived on the ...