Esperance Conditionnelle

Esprance conditionnelle
Samy Tindel
Nancy-Universit
Master 1 - Nancy
Samy T. (IECN) M1 - Esprance conditionnelle Nancy-Universit 1 / 59
Plan
1
Dnition
2
Exemples
3
Proprits de lesprance conditionnelle
4
Interprtation en termes de projection
5
Lois conditionnelles rgulires
Plan
1
Dnition
2
Exemples
3
4
5
Dnition formelle
Dnition
On se donne un espace de probabilits (, T
0
, P) et
Une -algbre T T
0
.
X T
0
telle que E[[X[] < .
Esprance conditionnelle de X sachant T:
Note E[X[T]
Dnie par: E[X[T] est la v.a Y de L
1
() telle que
(i) Y T.
(ii) Pour tout A T, on a
E[X1
A
] = E[Y1
A
],
ou encore
_
A
X dP =
_
A
Y dP.
Remarques
Notation: On utilisera la notation Y T pour dire quune variable
alatoire Y est T-mesurable.
Interprtation: de manire plus intuitive
T reprsente une quantit dinformation
Y est la meilleure prdiction de X lorsque lon possde
linformation contenue dans T.
Existence: voir aprs les exemples.
Unicit: Si elle existe, lesprance conditionnelle est unique.
Dmonstration unicit
But: Soit Y vriant (i) + (ii), de mme que Y.
Montrons Y = Y
p.s
Proprit gnrale: Pour tout A T, on a E[Y 1
A
] = E[Y
1
A
].
Cas particulier: Soit > 0, et posons
A
(Y Y
).
Alors A
T, et donc
0 = E[(Y Y
) 1
A
] E[1
A
] = P(A
)
P(A
) = 0.
Dmonstration unicit (2)
Ensemble A
+
: Soit
A
+
(Y Y
> 0) =
_
n1
A
1/n
.
On a n A
1/n
croissante, et donc
P(A
+
) = P
_
_
_
n1
A
1/n
_
_
= lim
n
P(A
1/n
) = 0.
Ensemble A
: De mme, si
A
= Y Y
< 0
on a P(A
) = 0.
Dmonstration unicit (3)
Conclusion: On obtient, en posant
A
=
Y ,= Y
= A
+
A
,
que P(A
=
) = 0, et donc Y = Y
p.s.
Absolue continuit
Dnition
Soit , deux mesures -nies sur (, T).
On dit que ( est absolument continue par rapport ) si
(A) = 0 = (A) = 0 pour tout A T.
Thorme de Radon-Nykodym
Thorme
Soient
, mesures -nies sur (, T), telles que .
Alors il existe f T telle que, pour tout A T, on a
(A) =
_
A
f d.
La fonction f :
Se nomme drive de Radon-Nykodym de par rapport
Se note f
d
d
.
On a f 0 -presque partout
f L
1
().
Existence de lesprance conditionnelle
Hypothse: On a
Une -algbre T T
0
.
X T
0
telle que E[[X[] < .
X 0.
Dnition de deux mesures: on pose
1
= P, mesure sur (, T).
2
(A) E[X 1
A
] =
_
A
X dP.
Alors est bien une mesure (par Beppo-Levi).
Existence de lesprance conditionnelle (2)
Absolue continuit: on a
P(A) = 0 1
A
= 0 P-p.s.
X 1
A
= 0 P-p.s.
(A) = 0
Donc P
Conclusion: par thorme de Radon-Nykodym, il existe f T telle
que, pour tout A T, on a (A) =
_
A
f dP.
On pose f = E[X[T].
Plan
1
Dnition
2
Exemples
3
4
5
Exemples faciles
Exemple 1: Si X T, alors E[X[T] = X.
Dnition: On dit que X T si
pour tout A T et B B(R), on a
P((X B) A) = P(X B) P(A),
ou encore X 1
A
.
Exemple 2: Si X T, alors E[X[T] = E[X].
Dmonstration: exemple 2
On a
(i) E[X] T car E[X] est constante.
(ii) Si A T,
E[X 1
A
] = E[X] E[1
A
] = E
_
E[X] 1
A
_
.
Esprance conditionnelle discrte
Exemple 3: On considre
_
j
; j 1
_
partition de telle que P(
j
) > 0 pour tout j 1.
T = (
j
; j 1).
Alors
E[X[T] =
j1
E[X 1
j
]
P(
j
)
1
j
Y. (1)
Dmonstration: exemple 3
Stratgie: on vrie les points (i) et (ii) de la dnition pour la
variable alatoire Y.
(i) Pour tout j 1, on a 1
j
T. Donc, pour toute suite
numrique (
j
)
j1
,

j1
i
1
j
T.
(ii) Il sut de vrier (1) pour A =
n
et n 1 x. Or,
E[Y 1
n
] = E
_
E[X1
n
]
P(
n
)
1
n
_
=
E[X 1
n
]
P(
n
)
E[1
n
] = E[X 1
n
].
Probabilit conditionnelle enfantine
Dnition: Pour un ensemble mesurable A T
0
, on pose
P(A[T) E[1
A
[T]
Cas particulier de lexemple discret:
Soit B, B
c
une partition de , et A T
0
. Alors
1
T = (B) =
_
, , B, B
c
_
2
On a
P(A[T) = P(A[B) 1
B
+P(A[B
c
) 1
B
c .
Lancer de d
Exemple: On considre
=
_
1, 2, 3, 4, 5, 6
_
, A = 4, B = "pair".
Alors
P(A[T) =
1
3
1
B
.
Conditionnement dune v.a. par une autre v.a.
Dnition: Soient X et Y deux variables alatoires avec X L
1
().
On pose
E[X[Y] = E[X[(Y)].
Critre pour dterminer si A (Y):
On a A (Y) ssi
A =
_
; Y() B
_
, ou encore 1
A
= 1
B
(Y)
Critre pour dterminer si Z (Y):
Soient Z et Y deux variables alatoires relles. Alors
Z (Y) ssi on peut crire Z = U(Y), avec U B(R).
Conditionnement dune v.a. par une v.a. discrte
Exemple 4: Lorsque X et Y sont des variables alatoires discrtes
Le calcul de E[X[Y] peut tre trait selon la mthode prsente
lexemple 3.
Plus prcisment:
On suppose Y E avec E = y
i
; i 1
Hypothse: P(Y = y
i
) > 0 pour tout i 1.
Alors E[X[Y] = h(Y) avec h : E R dnie par
h(y) =
E[X 1
(Y=y)
]
P(Y = y)
.
Conditionnement dune v.a. par une v.a. continue
Exemple 5: Soit (X, Y) couple de variables alatoires relles de
densit mesurable f : R
2
R
+
. On suppose que
_
R
f (x, y)dx > 0, pour tout y R.
Soit g : R R une fonction mesurable telle que g(X) L
1
().
Alors E[g(X)[Y] = h(Y), avec h : R R dnie par
h(y) =
_
R
g(x)f (x, y)dx
_
R
f (x, y)dx
.
Dmonstration intuitive
On peut crire formellement:
P(X = x[Y = y) =
P(X = x, Y = y)
P(Y = y)
=
f (x, y)
_
f (x, y)dx
,
En intgrant contre cette densit, on obtient:
E[g(X)[Y = y] =
_
g(x)P(X = x[Y = y) dx
=
_
g(x)f (x, y)dx
_
f (x, y)dx
.
Dmonstration rigoureuse
Stratgie: on vrie les points (i) et (ii) de la dnition pour la
variable alatoire h(Y).
(i) Si h B(R), on a vu que h(Y) (Y).
(ii) Soit A (Y) Alors
A =
_
; Y() B
_
= 1
A
= 1
B
(Y)
Donc
E[h(Y)1
A
] = E[h(Y)1
B
(Y)]
=
_
B
_
R
h(y)f (x, y)dxdy
=
_
B
dy
_
R
_
_
g(z)f (z, y)dz
_
f (z, y)dz
_
f (x, y)dx
=
_
B
dy
_
g(z)f (z, y)dz= E[g(X)1
B
(Y)].
Exemple tordu
Exemple 6: On prend
= (0, 1), T
0
= B((0, 1)) et P = .
On pose X() = cos(), et
T = A (0, 1); A ou A
c
dnombrable .
Alors E[X[T] = 0.
Dmonstration
Stratgie: on vrie les points (i) et (ii) de la dnition.
(i) On a bien entendu 0 T.
(ii) Soit A T, tel que A est dnombrable. Alors
E[X 1
A
] =
_
A
cos(x)dx = 0.
De mme, si A T est tel que A
c
est dnombrable, on a
E[X 1
A
] =
_
1
0
cos(x)dx
_
A
c
cos(x)dx = 0,
ce qui dmontre notre rsultat.
Morale de lexemple tordu
Intuition: On pourrait penser que, si pour tout x [0, 1], on sait si
x a eu lieu (on a bien x T), alors E[X[T] = X.
Paradoxe: Ceci est faux car X / T.
Bonne intuition: Si lon sait A
i
pour un nombre ni de A
i
T
alors on ne connait rien de X.
Plan
1
Dnition
2
Exemples
3
4
5
Esprance, linarit
Proposition
Soit X L
1
(). Alors
E
_
E[X[T]
_
= E[X].
Proposition
Soient R, et X, Y L
1
(). Alors
E[X + Y[T] = E[X[T] +E[Y[T] p.s.
Dmonstration
Stratgie: on vrie les points (i) et (ii) de la dnition pour la v.a.
Z E[X[T] +E[Y[T].
Vrication: on a
(i) Z est une combinaision linaire de E[X[T] et E[Y[T]
Z T.
(ii) Pour tout A T, on a
E[Z 1
A
] = E
_
(E[X[T] +E[Y[T]) 1
A
_
= E
_
E[X[T] 1
A
_
+ E
_
E[Y[T] 1
A
_
= E[X 1
A
] +E[Y 1
A
]
= E[(X + Y) 1
A
].
Monotonie
Proposition
Soient X, Y L
1
() telles que X Y presque srement. On a
E[X[T] E[Y[T]
presque srement.
Dmonstration: On suit le schma de la dmonstration de lunicit de
lesprance conditionnelle. Par exemple, si on pose
A
= E[X[T] E[Y[T] > 0 ,

on vrie aisment que
P(A
) = 0.
Convergence monotone
Proposition
Soit X
n
; n 1 une suite de variables alatoires telle que
X
n
0
X
n
X presque srement
E[X] < .
Alors
E[X
n
[T] E[X[T].
Dmonstration
Stratgie: On pose Y
n
X X
n
. Il sut de montrer que
Z
n
E[Y
n
[T] 0.
Existence de limite: n Y
n
est dcroissante, et Y
n
0
Z
n
est dcroissante et Z
n
0.
Z
n
admet une limite p.s, note Z
.
But: Montrer que Z
= 0.
Dmonstration (2)
Esprance de Z
: on va montrer E[Z
] = 0. En eet
X
n
converge p.s. vers X.
0 X
n
X L
1
().
Donc, par convergence domine, E[X
n
] E[X].
On en dduit:
E[Y
n
] 0
Comme E[Y
n
] = E[Z
n
], on a aussi E[Z
n
] 0.
Par convergence domine, on a E[Z
n
] E[Z
]
Ceci implique bien E[Z
] = 0.
Conclusion: Z
0 et E[Z
] = 0
Z
= 0 presque srement.
Ingalit de Cauchy-Schwarz
Proposition
Soient X, Y L
2
(). Alors
E
2
[X Y[T] E[X
2
[T] E[Y
2
[T] p.s.
Dmonstration:
Pour tout R, on a
E[(X +Y)
2
[T] 0 p.s.
Donc, presque srement, on a: pour tout Q,
E[(X + Y)
2
[T] 0,
Dmonstration
Dveloppement: Pour tout Q
E[Y
2
[T]
2
+ 2E[XY[T] +E[X
2
[T] 0.
Rappel: Si un polynme a
2
+ b + c 0 pour tout Q
on a forcment b
2
4ac 0
Application: Presque srement, on a
E
2
[XY[T] E[X
2
[T]E[Y
2
[T] 0.
Ingalit de Jensen
Proposition
Soit X L
1
(), et : R R telle que (X) L
1
() et convexe.
Alors
(E[X[T]) E[(X)[T] p.s.
Corollaire
Lesprance conditionnelle est une contraction dans L
p
()
pour tout p 1
Dmonstration: Daprs lingalit de Jensen,
X L
p
() E[X[T] L
p
()
et
E[E[X[T][
p
E[[X[
p
]
Conditionnements en chane
Thorme
Soient
Deux -algbres T
1
T
2
.
X L
1
().
Alors
EE[X[T
1
][T
2
= E[X[T
1
] (2)
EE[X[T
2
][T
1
= E[X[T
1
]. (3)
Dmonstration
Dmonstration de (2): On pose Z E[X[T
1
]. Alors
Z T
1
T
2
.
Daprs lExemple 1, on a E[Z[T
2
] = Z, i.e. (2).
Dmonstration de (3): On pose U = E[X[T
2
].
On va montrer que E[U[T
1
] = Z, via (i) et (ii) de la dnition.
(i) Z T
1
.
(ii) Si A T
1
, on a A T
1
T
2
, et donc
E[Z1
A
] = E[X1
A
] = E[U1
A
].
Esp. conditionnelle de produits
Thorme
Soient X, Y L
2
(), telles que X T. Alors
E[X Y[T] = X E[Y[T].
Dmonstration: On utilise une dmarche classique en 4 tapes
Dmonstration
Etape 1: on suppose X = 1
B
, avec B T
On vrie (i) et (ii) de la dnition.
(i) On a 1
B
E[Y[T] T.
(ii) Pour A T, on a
E(1
B
E[Y[T]) 1
A
= EE[Y[T] 1
AB
= E[Y 1
AB
]
= E[(1
B
Y) 1
A
],
et donc
1
B
E[Y[T] = E[1
B
Y[T].
Dmonstration (2)
Etape 2: Si X est de la forme
X =
i n
i
1
B
i
,
avec
i
R et B
i
T, alors, par linarit on trouve encore
E[XY[T] = X E[Y[T].
Etape 3: Si X, Y 0
Il existe une suite X
n
; n 1 de variables alatoires simples telle
que
X
n
X.
Alors par application de la convergence monotone
E[XY[T] = X E[Y[T].
Dmonstration (3)
Etape 4: Cas gnral X L
2
Dcomposition X = X
+
X
et Y = Y
+
Y
, et donc
E[XY[T] = XE[Y[T]
par linarit.
Esp. conditionnelle et indpendance
Thorme
Soient
X, Y deux variables alatoires relles indpendantes
: R
2
R telle que (X, Y) L
1
()
On pose, pour x R,
g(x) = E[(x, Y)].
Alors
E[(X, Y)[X] = g(X).
Dmonstration: en 4 tapes sur .
Plan
1
Dnition
2
Exemples
3
4
5
Rappel: projection orthogonale
Dnition: Soit
H un espace de Hilbert
espace vectoriel muni dun produit scalaire et complet.
F un sous espace ferm de H.
Alors, pour tout x H
Il existe un unique y F, not y =
F
(x)
vriant lune des conditions quivalentes (i) ou (ii).
(i) Pour tout z F, on a x y, z) = 0.
(ii) Pour tout z F, on a |x y|
H
|x z|
H
.
F
(x) se nomme projection orthogonale de x sur F.
Esprance conditionnelle et projection
Thorme
Considrons
Lespace
L
2
(T
0
)
_
Y T
0
; E[Y
2
] <
_
.
X L
2
(T
0
).
T T
0
Alors
1
L
2
(T
0
) est un espace de Hilbert
Produit scalaire X, Y) = E[XY].
2
L
2
(T) est un sous espace ferm de L
2
(T
0
).
3

L
2
(F)
(X) = E[X[T].
Dmonstration
Dmonstration de 2:
Si X
n
X dans L
2
Il existe une sous suite X
n
k
X p.s.
Donc, si X
n
T, on a aussi X T.
Dmonstration de 3: Vrions le point (i) de la dnition de
projection
Soit Z L
2
(T).
On a E[Z X[T] = Z E[X[T], et donc
EZ E[X[T] = EE[X Z[T] = E[X Z] ,
ce qui sut vrier (i) et E[X[T] =
L
2
(F)
(X).
Application aux vecteurs gaussiens
Exemple: Soit
(X, Y) vecteur gaussien centr de R
2
Hypothse: V(Y) > 0.
Alors
E[X[Y] = Y, avec =
E[X Y]
V(Y)
.
Dmonstration
Etape 1: On cherche tel que
Z = X Y = Z Y.
Rappel: Si (Z, Y) est un vecteur gaussien
Z Y ssi cov(Z, Y) = 0
Application: cov(Z, Y) = E[Z Y]. Donc
cov(Z, Y) = E[(X Y) Y] = E[X Y] V(Y),
et
cov(Z, Y) = 0 ssi =
E[XY]
V(Y)
.
Dmonstration (2)
Etape 2: On applique prsent le (i) de la dnition de .
Soit V L
2
((Y)). Alors
Y (X Y) = V (X Y)
et
E[(X Y) V] = E[X Y] E[V] = 0.
Donc
X Y =
(Y)
(X) = E[X[ Y].
Plan
1
Dnition
2
Exemples
3
4
5
LCR
Dnition
Soit
(, T, P) un espace de probabilits
(S, o) un espace mesurable
X : (, T) (S, o) une variable alatoire
( une -algbre telle que ( T.
On dit que : o [0, 1] est une loi conditionnelle rgulire de
X sachant ( si
(i) Pour tout A, lapplication (, A) est une variable
alatoire, gale P(X A[ () p.s.
(ii) -p.s. A (, A) est une mesure de probabilit sur (S, o).
Remarque:
On aura toujours (S, o) de la forme (R, B(R)), (N, T(N), etc.
Exemple discret
Cas de la loi de Poisson: Soient
X T() et Y T()
X Y
On pose S = X + Y.
Alors LCR de X sachant S est Bin(S, p) avec p =

+
Dmonstration: on a vu que pour n m
P(X = n[S = m) =
_
n
m
_
p
n
(1 p)
mn
avec p =

+
.
On prend alors
S = N, ( = (S)
et on vrie que ces probabilits conditionnelles dnissent une LCR.
Exemple continu
Cas de la loi exponentielle: Soient
X c(1) et Y c(1)
X Y
On pose S = X + Y.
Alors LCR de X sachant S est |([0, S]).
Dmonstration: La densit du couple (X, S) est donne par
f (x, s) = e
s
1
{0xs}
.
Soit alors B
b
(R
+
). Daprs lExemple 5, on a
E[(X)[S] = u(S),
avec
u(s) =
_
R
2
+
(x)f (x, s)dx
_
R
2
+
f (x, s)dx
=
1
s
_
s
0
(x)dx.
Dmonstration
De plus, S ,= 0 presque srement, et donc, si A B(R), on a
P(X A[S) =
[A [0, S][
S
.
En prenant espace dtat = R
+
, o = B(R
+
) et en posant
(, A) =
[A [0, S()][
S()
,
on vrie que lon a dni une loi conditionnelle rgulire.
Existence de la LCR
Thorme
Soit
X une variable alatoire sur (, T
0
, P).
A valeurs dans un espace de la forme (R
n
, B(R
n
)).
( T
0
une -algbre.
Alors la loi conditionnelle rgulire de X sachant ( existe.
Dmonstration dicile et admise.
Rgles de calcul de LCR
(1) Si ( = (Y), avec Y variable alatoire valeurs dans R
m
, on a
en fait
(, A) = (Y(), A),
et on peut dnir la loi conditionnelle rgulire de X sachant Y
comme une famille (y, .); y R
m
de probabilits sur R
n
,
telle que pour tout A B(R
n
), la fonction
y (y, A)
est mesurable.
(2) Si Y suit une loi discrte, on a en fait
(y, A) = P(X A[Y = y) =
P(X A, Y = y)
P(Y = y)
.
Rgles de calcul de LCR (2)
(3) Lorsque lon connait la loi conditionnelle rgulire, on peut
calculer, pour B(R
n
), les quantits:
E[(X)[(] =
_
R
n
(x) (, dx)
E[(X)[Y] =
_
R
n
(x) (Y, dx).
(4) La loi conditionnelle rgulire nest pas unique, mais si N
1
, N
2
sont deux lois conditionnelles rgulires de X sachant (, on a,
-presque srement:
N
1
(, A) = N
2
(, A) pour tout A B(R
n
).

Esperance Conditionnelle

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Esperance Conditionnelle

Cargado por

Copyright:

Formatos disponibles

Esprance conditionnelle

= E[X[T] E[Y[T] > 0 ,

También podría gustarte