A NNALES DE L ’I. H. P., SECTION B
B. B RU H. H EINICH
Sur l’espérance des variables aléatoires vectorielles
Annales de l’I. H. P., section B, tome 16, n
o3 (1980), p. 177-196
<http://www.numdam.org/item?id=AIHPB_1980__16_3_177_0>
© Gauthier-Villars, 1980, tous droits réservés.
L’accès aux archives de la revue « Annales de l’I. H. P., section B » (http://www.elsevier.com/locate/anihpb) implique l’accord avec les condi- tions générales d’utilisation (http://www.numdam.org/conditions). Toute uti- lisation commerciale ou impression systématique est constitutive d’une infraction pénale. Toute copie ou impression de ce fichier doit conte- nir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
Sur l’espérance
des variables aléatoires vectorielles
B. BRU et H. HEINICH
(*)
(*) Université Paris VI, Laboratoire de Probabilités, Tour 56, 4, place Jussieu, 75005 Paris
Vol. XVI, n° 3, 1980, p. 177-196. Calcul des Probabilités et Statistique.
RÉSUMÉ. On examine
quelques propriétés
des v. a.intégrables
au sensde Pettis à valeurs dans des espaces de
Banach,
on étudie ensuite les modes de convergence des suites de v. a.générales
ouadaptées,
on donne diversesapplications :
lois desgrands nombres,
théorie des amarts.SUMMARY. - Some
properties of Pettis-integrable
variables with values inBanach spaces are examined. Différent
types
of convergence are studied forgeneral
oradapted
r. v. Wegive
someapplications :
laws oflarge numbers, theory
of amarts.INTRODUCTION
Nous
développons
ici certains résultats annoncés dans les notes[7],
ils’agit
d’étudier les notionsd’espérance
et de convergence en moyenne et enprobabilité
des variables aléatoires à valeurs dans les espaces deBanach,
notions introduites il y après
decinquante
ans mais dont les études récentessur les
martingales asymptotiques
et les mesures vectorielles ont relancé l’intérêt.Certains des résultats que nous
présentons
ont sans doute été bien connusjadis, peut-être
le sont-ils encore, ils ne semblentcependant
pas tousfigurer
sous cette forme dans la littérature
probabiliste classique
et nous avonsAnnales de l’Institut Henri Poincaré - Section B - Vol. XVI, 0020-2347/1980/177/$ 5.00/
© Gauthier-Villars. 9
essayé
de les rassembler dans unexposé qui
sesuffise,
autant quepossible,
à lui-même.
L’espérance
d’une variable aléatoire réelle X définie sur un espace pro- babilisé(Q, ~ , Pr)
intervient d’au moins deuxfaçons
différentes etcomplé-
mentaires :
1)
comme moyenne sur les événementsde ff;
elle définit une mesure réelle sur(Q, /F) :
A --~2)
comme limite dansLi
et presque sûre des moyennesarithmétiques
successives
x1 + ... + Xn n
d’une suite de réalisationsXi,
...,X , ...
dela v. a. X.
Nous étudions ces deux
aspects
del’espérance
dans le cas des espaces de Banachgénéraux,
nous donnons ensuite des critèresd’équivalence
desespérances
et des convergencesintroduites,
enfin nousappliquons
ces résultatsà l’étude de certaines suites
adaptées.
Récemment,
eneffet,
sont parus des résultatssurprenants,
en théorie des amarts vectoriels : descontre-exemples
extrêmementingénieux [2] [13]
ont montré que, dès que
l’espace sous-jacent
est de dimensioninfinie,
onpeut
trouver des amarts uniformément bornésqui
neconvergent
pas p. s., alorsqu’on
sait bien que, dans tous les bons espaces, lesmartingales
uni-formément bornées
convergent
p. s.[9].
En dimension
infinie,
lesmartingales asymptotiques
ne secomportent
pas à l’infini comme leursasymptotes.
Pour essayer de
comprendre
cecomportement
anormal nous avons cher- ché à donner des démonstrationsdirectes,
n’utilisant pas decontre-exemples,
suivant en cela
l’adage
bien connu : «qu’ils
soient pour ou contre lesexemples
sont comme les arbres ils cachent souvent la forêt », àquoi
onpeut
du resteobjecter qu’une
forêt adavantage
de chances de cacher unarbre que l’inverse. Nous
espérons
avoir suffisamment débroussaillé notre forêt pour que le lecteur éventuel y trouve son chemin et sonagrément.
1.
INTÉGRATION
DES VARIABLES
ALÉATOIRES VECTORIELLES,
MESURES VECTORIELLES
Soit E un espace de Banach. Nous noterons
toujours Il.11 sa
norme, E’ sondual et E" son
bidual,
nous noteronségalement Il.11 les
normescanoniques
de ces deux espaces, ce
qui
neprésente
pas d’inconvénientsmajeurs.
a ) Mesures, définitions, propriétés
élémentaires- Soit un espace
probabilisable,
onappelle
mesure vectorielle à valeurs dansE,
touteapplication additive
de ; dansE,
vérifiantIl Jl(An) ~~
-~ 0 dès queAn ~,
0 dans ~ . On saitqu’alors
p est ~-additive etqu’elle
vérifie en outre lapropriété
suivante :Démonstration. On montre que la tribu
engendrée
par lesAn
est iso-morphe
à le résultat s’en suit.On notera
~ , E)
ouplus simplement
l’ensemble des mesuresà valeurs dans E. On le munit de la norme S :
dénombrable mesurable de
Q}.
Pour cette norme est un espace de
Banach,
cela résulte du théorèmede
Vitali-Hahn-Saks,
mais on remarque que, si Q = N et ~ _=
Jl(lE)
= ensemble des suites sommables d’éléments de E et lanorme S est la norme B
[19] :
que
/BE)
soitcomplet
pour~. ~ figure déjà
dans[5].
On introduit
également
la normeéquivalente
P :P(Il) = ,u(A) Il,
AE~
il est
classique
et on vérifie aisément queOn
adopte
en outre la notationhabituelle |
pourdésigner
la mesure restreinte à une sous-tribu % de !F.- On
appelle
mesure à variationsbornées,
toute mesure telle queB/ 03A3 ~ (An)~
oo, la bornesupérieure
étantprise
sur toutes les par-n
titions mesurables dénombrables
(An)
de !F.On notera
E)
ou l’ensemble des mesures à variations bornées à valeurs dans E. On le munit de la norme B :Vol. XVI, n° 3 - 1980.
est un espace de Banach pour B. On remarque que si Q =
N,
ff =
9(N)
alors = = ensemble des suites absolument som-mables d’éléments de E et la norme B est la norme ~c
[19] :
le résultat est alors
classique.
Rappelons
le critère suivant :LEMME 2
[14].
- Une mesure p est à variations bornées si et seulementsi
pour toutepartition
mesurable de Q on a :~ ~ Il
oo.n
b )
Variables aléatoiresNous
appellerons
variable aléatoire à valeurs dansE,
touteapplication
Xde Q dans
E,
limitesimple
de fonctions mesurablesprenant
un nombre fini devaleurs,
Xet Il X ~~
sont alors évidemmentmesurables,
cequi
évite tous lesdésagréments
habituels.On se donne une
probabilité
sur(Q, !F),
pour ne pas la confondre avec la normeP,
nous la noteronstoujours
Pr et si X est une v. a. réelle inté-grable
nous noteronsE(X)
sonespérance.
- On dit
qu’une
v. a. X à valeurs dans E est scalairementintégrable si,
pour tout u E
E’, u(X)
est une v. a. réelleintégrable.
Nous noterons$(Q, ff, Pr, E)
ouplus simplement $(E)
l’ensemble des v. a. scalairementintégrables,
on le munit de la norme S :- On dit que X est
intégrable
au sens de Pettis si pour tout A E ~ il existe un élément deE,
noté vérifiant pour tout u EE’,
Nous noterons
P(Q, f7, Pr, R)
ousimplement
l’ensemble des v. a.intégrables
au sens de Pettis.se
plonge canoniquement
dans en effet on sait quel’appli-
cation px de f7 dans E définie par
/lx(A)
=E(XIA)
est une mesure[18],
on dit que X est la densité de px et on note ~cX = X o
Pr,
on aalors
S(X)
=S(X
oPr),
on pose de mêmeP définit sur
P(E)
une normeéquivalente
àS,
onappellera
indifféremmentnorme de Pettis les normes S et P sur
P(E).
En fait la norme P semble avoir été introduite pour lapremière
fois dans[5]
et la norme S dans[18].
On
peut
remarquer que si X estadaptée (mesurable
parrapport)
à unesous-tribu % de F on a
En effet si A
E ,
en notant la tribuengendrée
parX,
on a :Dans la norme S
apparaît
donc commeplus intrinsèque
que la norme P mais cette dernière est souventplus simple
àmanier,
comme nous le verrons.- On dit que X est
intégrable
au sens deBochner, si Il X Il
est une v. a.réelle
intégrable,
nous noteronsB(Q, ~ , Pr, E)
ouplus simplement B(E)
l’ensemble des v. a.
intégrables
au sens deBochner;
on le munitde la norme B :
B(X)
=E( ~~ X ~~ ). B(E)
est un espace de Banach pour cettenorme.
B(E)
seplonge canoniquement
dans en effetIlx(A)
=définit une mesure à variations bornées et on a
Remarque.
Les normes P et B ne sontgénéralement
paséquivalentes
sur
B(E),
et les espaces$(E),
etB(E)
ne sont pascomplets
pour la normede Pettis. Nous étudierons ce
point
auparagraphe
3.L’étude de
B(E)
est bien connue, nous donnons ci-dessous un certainVol. XVI, n~ 3 - 1980.
nombre de résultats
simples
sur$((E)
etP(E) qui
nous seront utiles dans lasuite de
l’exposé.
LEMME 3. - Soit 1
l’injection canonique
de E dans [E" et soit X E$(~)
alorsi(X)
E~(~")
etS(X)
=S(i(X)).
Démonstration. - Soit A E
~ , l’application 8x(A) :
u --~E(u(X) 1 A)
de E’dans R est linéaire continue de
norme Il
=V 1 [ S(X)
K6E’
c’est donc un élément de E".
L’application Ox :
---~ ~" est manifestementadditive,
deplus
siAn t 0 ~ (~ 9x(An) Il 2 V ( n T 0 d’après
BEAn
le lemme 1
appliqué
à la mesure réelle B - c’est donc une mesure à valeurs dans E".De
plus
Enfin si u E
E",
u E E’ etu(ex(A))
=ex(A)(u)
= =donc
ex(A)
= d’où9X
=i(X)
o Pr et parconséquent i(X)
Eet
S(i(X))
=S(0x)
=S(X).
LEMME 4. - Soit X E
$(E),
les énoncés suivants sontéquivalents.
en
appliquant
le lemme 1 à Ilx pour la suitef Il X Il > a ~ ~,
0.Posons
Xn
= on a évidemmentXn
EB(E)
etla suite est donc de
Cauchy
danslE,
notons a sa limite.Annales de l’Institut Henri Poincaré - Section B
Remarques. 1)
Le lemme 4 montre enparticulier
que toute v. a. X Eest limite pour la norme de Pettis de la suite des v. a.
X1{~x~ _ n} E
2)
Il montreégalement
que si X EP(E)
la mesure = X o Pr est abso- lument continue parrapport
à Pr([18],
théorème2.5),
c’est-à-dire que~~03B4 tel que
Pr(A)
~ 03B4 ~P(X1A)
B.On a en effet
il suffit alors d’utiliser
ii).
3)
Si laprobabilité
Pr estpurement atomique P(E)
est évidemment iso-morphe
à(ou
à un espaceproduit
finid’exemplaires
deE)
doncP(E)
est
complet
pourP,
mais si Pr est nonatomique
il n’en estplus
de même[22], cependant
si(Xn)
est deCauchy
pour P et siXn
converge vers une v. a. X enun sens très
faible, Xn
converge pour P c’est le LEMME 5([6],
exercice16f, § 1).
Soit
(X~)
une suite de v. a. de[P(E) (resp.
de$(E))
deCauchy
pour lanorme de Pettis et soit X une v. a. à valeurs dans E :
a)
Si X E$(E)
et si pour tout u E E’u(Xn)
-~u(X)
pour latopologie
~(L1, LOO)
alorsX E P(IE)
etXn
converge vers X pour P(r esp.
alorsS Xn - X) ~ o) .
b)
Si pour tout u EE’,
-~u(X)
enprobabilité
alors X E(resp.
X E
$(E))
etS(Xn - X) -
0.Démonstration. Soit E
P(E)
et posons ,un =Xn
oPr,
,un est de Cau-chy
dans pour la norme P donc converge vers une mesure Il de Soit u E E’ on a --~u(,u(A))
V A E ~ .- Sous
l’hypothèse a)
alors ~E(u(X) 1 A) donc ~
= X o Pret X E
P(E).
D’autrepart P(Xn - X)
=/l)
--~ 0.- Sous
l’hypothèse b), (u(Xn))
est deCauchy
dansL1
et converge enprobabilité
versu(X)
donc converge versu(X)
dansL~,
X E et onapplique a).
Pour une suite
Xn
E$(E)
la démonstration estidentique
en seplaçant
dans
P(E") (lemme 3).
Pour
préciser
un peu la nature des suites deCauchy
deP(E)
ou deVol. XVI, n° 3 - 1980.
pour la norme de Pettis nous introduisons la définition suivante : Soit
(Xn)
une suite de v. a. de nous dirons que(Xn)
est scalairementéqui-intégrable (s.
e.i.)
si la famille de v. a. réellesest
équi-intégrable.
Comme dans le cas réel on a
(voir [16]
parexemple).
LEMME 6. - Soit
(Xn)
une suite de v. a. de$(E), (Xn)
est s. e. i. si et seule-ment si
On en déduit :
PROPOSITION 7. - Soit
(Xn)
une suite de v. a. de(resp.
de$((E))
alorsa)
Si(Xn)
est deCauchy
pour la norme dePettis, Xn
est s. e. i.b)
Si(Xn)
est s. e. i. et siXn
converge fortement enprobabilité
vers unev. a. X
(Pr {II X, - X Il
>E ~
-0)
alors X EP(E) (resp.
X E$(E))
etXn
converge vers X pour la norme de Pettis.
Démonstr~ati~n. - Il suffit de démontrer la
proposition
pour les v. a. deP(E)
le deuxième cass’y
ramenant enplongeant
dansa)
se démontre comme dans le cas réel([16]),
quant
àb)
on observe queP(Xn -
G +> E~)
enutilisant le lemme 6
(Xn)
est deCauchy
pour P.Le lemme 5
permet
alors de conclure.Remarque.
Laproposition
7 nepeut
être améliorée engénéral,
en effetsi
Xn
est deCauchy
pour la norme dePettis,
elle ne convergegénéralement
pas en
probabilité
ni fortement nifaiblement,
car sinonP(E)
seraitcomplet
pour P
(lemme 5),
cequi
est faux. Voir leparagraphe
3 pour d’autrespré-
cisions à ce
sujet.
2. LOIS DES GRANDS NOMBRES
Il est bien connu
(voir [9]
parexemple)
que siX1,
...,Xn
... est unesuite de v. a.
indépendantes
de même loi à valeurs dans un espace dePoincaré - Section B
Banach E,
lim s. dans E si et seulement siMtoo n
Xn
EB(E),
la convergence a,alors, également
lieu pour la norme B. Nousexaminons ci-dessous d’autres résultats de ce
type.
PROPOSITION 8
(loi
desgrands
nombres au sens dePettis).
Soit
X1,
...,Xn,
... une suite de v. a.indépendantes
de même loi appar- tenant(resp.
à$(E))
alors la suitexl + ’ ’ ’ + Xn
converge versE X.
pour la norme de Pettis
(resp.
alors la suiteX1 + ’ ’ ’ + xn
est deCauchy
pour la norme de Pettis
S).
Démonstration. Il suffit de démontrer la
proposition
pour les suites deP(E) (lemme 3).
Rappelons (lemme 4)
que si X EP(E),
il existe pour tout B une v. a.Y E telle que
P(X - Y) ~
8; soientYi),
...,(Xn, Yn),
... descopies indépendantes
ducouple (X, Y)
on a alorspuisque
la norme de Pettis(S)
nedépend
que de la loi de(Xi 2014 YJ
donc decelle de
(X, Y).
D’autrepart
2014-’ converge pour la norme B donc est, en par-ticulier,
deCauchy
pour P et parconséquent
il en est de même de03A3Xi.
Enfinon remarque que
u(03A3Xi n )~ M(E(XJ)
dansI/
et le lemme 5permet
deconclure.
En fait la
proposition
8peut
être améliorée de lafaçon suivante,
consi-dérons
toujours
une suite de v. a.indépendantes Xi,
... ,X~
... de mêmeloi à valeurs dans E. Nous introduisons comme d’habitude
([17])
la familledécroissante des tribus des événements
dépendants symétriquement
Nous notons ~ l’ensemble des
temps
d’arrêt liés à neprenant qu’un
nombre fini de
valeurs; ~
est filtrant croissant. Onpeut
alors énoncer : COROLLAIRE 9. - Si lesX, appartiennent
àP(E) (resp.
à$(E))
on aX1+...+X03C4 03C4 E(Xi) pour la
norme de Pettis(resp.
la famille(X1+...+X03C4 03C4)
est de
Cauchy
pour la norme dePettis).
Vol. XVI, n° 3 - -1980.
Démonstration. Si les v. a.
Xi
étaientintégrables
au sens deBochner,
on aurait
Mu = X1 +...+Xn n
° +Xn
en particulier si i est une on auraitn
=n E(X1/Yn),
enparticulier
si ’en est une suitede F croissant versl’infini, Mrn
=E(X1/ f/ Tn)
est unemartingale convergeant
p. s. et pour la norme B([9]),
on continue alors comme dans la démonstrationprécédente.
On
peut
se demander si les v. a. deP(E)
ne satisfont pas une loi faible desgrands
nombres(convergence
enprobabilité forte).
S’il en étaitainsi,
par raison de
symétrie
la convergence devrait avoir lieu suivant le nitre ~comme dans le cas de la convergence en moyenne
(Corollaire 9).
Or on a :PROPOSITION 10
(loi
faible desgrands nombres).
Soit
(Xn)
une suite de v. a. deindépendantes
et de même loi(X1+...+X03C3 03B4
converge fortement enprobabilité
versE(X)
si etseulement si les
Xi appartiennent
àB(E), auquel
cas elles vérifient la loi forte desgrands
nombres.Démonstration.
Quitte
à retrancher lesespérances,
onpeut
supposer que les v. a.Xn
sont centrées(E(Xn)
=0),
laproposition
résulte alors du lemme suivant :LEMME 11. - Soit
Y l’
...,Yn,
... une suite de v. a. réellesadaptées
àune suite
(Fn)
detribus,
croissante oudécroissante,
soit G l’ensemble destemps
d’arrêt bornés liés à(~ n)
on a alorsYn -+
0 p. s. si et seulement siY~ z ~
0 enprobabilité.
Démonstration. On reconnaîtra aisément les idées de
[ll ],
lemme 2.1.Supposons
queYn ; -~
0 p. s., il existe alors rx > 0 et 8 > 0 tels que PrY,~ ~ [
>8 ))
= oc c’est-à-dire que :On pose alors
et
Si
(~ ")
est croissantein
et si(~ n)
est décroissante ~" e F on aCe
qui
dans les deux cas contredit 0 enprobabilité.
Remarques
1. On sait que la convergence enprobabilité
se définitsimplement
à l’aide de la convergence p. s. :Xn
0 enprobabilité
si etseulement si de toute sous-suite on
peut
extraire une sous-suiteconvergeant
p. s. vers 0.Le lemme 11 montre
qu’inversement
la convergence p. s. se définit àpartir
de la convergence enprobabilité,
il suffit deremplacer
l’ensemble des entiers par l’ensemble filtrant destemps
d’arrêt bornés(ou
des v. a. à valeursentières bornées
lorsque
la filtration estconstante).
Laplus grande
richesse de cet ensemble d’indice
permet d’appauvrir
le mode de conver- gence.On remarque que pour une suite
(Xn) c P(E), adaptée
à(~ "),
si0,
on a 0 enprobabilité
pour tout u E E’ doncu(Xn)
~ 0 p. s. Nous verrons auparagraphe
4 comment cette remarque per- metd’expliquer
certainsphénomènes
observés en théorie des amarts.2. Il est naturel de se demander s’il n’existe pas de démonstration directe du corollaire
9; considérons,
eneffet,
une suiteXl,
...,Xn,
... de v. a.de
!P(E), indépendantes
de mêmeloi, centrées,
posons =Xl
oPr, alors,
en notant
f/n
les tribussymétriques associées,
on a pour tout Ap(A) = E(X1 + ... + X03C3 03C3 .1A), le
corollaire 9peut
alors s’énoncer :ce
qui pourrait
être uneconséquence
du théorème trèssimple
suivant :«
si J1
est une mesure de ff à valeurs dansE,
si(~")
est une famille décrois- sante de sous-tribusde /F, alors,
en on a :Ce théorème est malheureusement faux en
général; considérons,
parexemple,
la mesure Il sur l’intervalle[0, 1]
muni de sa tribuborélienne,
Vol. XVI, n° 3 - 1980.
à valeurs dans Co définie par
p(A)
=ÎÎA
sin203C0nxdx)
et soit(gn)
lafamille des tribus
dyadiques
décroissantes :Les
tribus n
décroissent vers une tribu % p. s.triviale,
doncpour tout n.
On montre que le « théorème )) est vrai pour toutes les mesures à
image compacte (par exemple si p
= X oPr,
X EP(E))
mais la démonstration esttechnique
et nesimplifie
en rienl’exposition.
L’exemple
ci-dessus montreégalement
que lesmartingales-mesures
vecto-rielles
(voir § 4)
dutype ( | gn)pour
des tribusgndécroissantes
neconvergent généralement
pas en norme dePettis,
contrairement au cas réel et au casvectoriel à
densité :
= X oPr,
X EP(E).
Remarquons
enfin que siédn
on a trivialementmais ce résultat ne
présente
que peu d’intérêt.3.
ÉQUIVALENCES D’ESPÉRANCES
Nous étudions ci-dessous les cas
d’équivalences
des normes et desespé-
rances introduites en
1).
Pour cela nous avons besoin d’unrappel
sommairesur la
géométrie
des espaces de Banach.a)
Soit E un espace deBanach, rappelons qu’une
suite(xn)
de E est ditescalairement sommable si pour tout Me
E’, ~ (
00. Engénéral
n
les suites scalairement sommables ne sont pas
sommables,
parexemple
dansl’espace
co des suites de réels tendant vers 0 muni de la norme Annales de l’Institut Henri Poincaré - SectionIl (xn) Il
=|,
la basecanonique en
=(0,
...,0, 1, 0, ... )
est scalai-n
rement sommable mais non
sommable,
c’est en fait leprototype
de ce genre desituation,
comme le montre le résultat fondamental suivant.THÉORÈME DE BESSAGA-PELCZYNSKI
[4]
Soit E un espace de
Banach,
toute suite scalairement sommable est sommable si et seulement si co ne seplonge
pas dans E.On en déduit sans difficultés :
PROPOSITION 12
[20].
- Les conditions suivantes sontéquivalentes : i) rE
ne contient pas co.ii) $(E) =
pour touteprobabilité atomique.
iii) $(E) =
pour tout espaceprobabilisé (Q, ~ , Pr).
Démonstration.
i)
~ü)
etiii)
~i)
ne sont que la traductionprobabi-
liste du théorème de
Bessaga-Pelczynski.
Quant
à~) => iii),
cela résulte de ce que siX E $(E)
et si on poseBn = ~ n _ ~~ X Il
n +1 ~,
alors pour tout A E~, S(E),
lasuite est scalairement sommable et sa somme, a, vérifie
u(a)
= soit a =E(X1A)
et Xeb) Rappelons
le deuxième résultat fondamental suivant : THÉORÈME DE DVORETZKY-ROGERSE est de dimension finie si et seulement si toute suite sommable de E est absolument sommable.
Soient E et F deux espaces de Banach et soit T une
application
linéairecontinue de E dans
F,
T est dite absolument sommante(a. s.)
si elle trans-forme les suites sommables de E en suites absolument sommables de
F, l’importance
de cette notionvient,
enparticulier,
de cequ’alors
T est obli-gatoirement
continue dell(E)
dansll [~],
ou encore :LEMME 13. - Les énoncés suivants sont
équivalents : i)
T est a. s.M’)
Tplonge
continûmentE)
dansF).
iii)
Tplonge
continûment dans pour tout espaceproba-
bilisable
(Q, ~ ).
Vol XVI, n° 3 - 1980
Démonstration.
i) ~ ü)
résulte duprincipe
decomposition (lemme
IV.2.6.de
[19]
parexemple).
~) => iii),
soit Il E et(An)
unepartition
de Q on aen notant
~ n
la tribuengendrée
par(An) ii), implique
alorsqu’il
existe uneconstante K ne
dépendant
que de T telle que( ~ n) KP(ju)
et donc
Voir aussi
[l3).
On en déduit :
PROPOSITION 14. - Soit
(Q, fF)
un espaceprobabilisable
de tribu ~ infinie.Les énoncés suivants sont
équivalents : i) lE
est dedimension
finie.ii)
iii)
P et B sontéquivalentes
sur’
est
complet
pour P.v) p(E) = B(E)
pour uneprobabilité
sur(Q, ~ ) prenant
une infinité de valeurs.vi)
P et B sontéquivalentes
surB(E)
pour uneprobabilité prenant
une infinité de valeurs.vii) B(E)
estcomplet
pour P.viii), ix) x)
mêmes énoncés queii), iii), iv)
enajoutant
pour tout espaceprobabilisable.
xi),
mêmes énoncés quev), vi), vii)
enajoutant
pour tout espaceprobabilisé.
Démonstration.
vi)
~iii) :
c’est le lemme 13appliqué
à l’identité de E.v) :
car toute v. a. deP(E)
limite pour P d’une suite de v. a. deB(E)
est alors dans
B(E).
Tout le reste est évident.
La
proposition
suivantepermet
depréciser davantage
laproposition
7.Nous
dirons,
poursimplifier, qu’un
espaceprobabilisé (D, ~ , Pr)
est infinisi Card
(Pr (~ )) >_
Card(I~I).
On a alors :PROPOSITION 15. - Soit
(D, ff, Pr)
un espaceprobabilisé infini,
considé-rons les énoncés suivants :
0 E
est de dimension finie.il)
Toute suite deCauchy
pour la norme P de v. a. deP(E)
converge for- tement enprobabilité.
Si
(Xn)
EP(E)
vérifieP(Xn)
-~ 0 alorsIl Xn (~ --~ o
enprobabilité.
iv) P(E)
estcomplet
pour P.v)
Toute suite deCauchy
deP(E)
pour la norme P converge faiblementen
probabilité.
Alors on a
toujours
i et iv ~ v.Les 5 énoncés sont
équivalents
si et seulement si(Q, ~ , Pr)
est non ato-mique.
Démonstration. On a
déjà
vu quev)
~iv) (remarque après
la propo- sition7),
d’autrepart
si(Q, ~ , Pr)
est nonatomique
Thomas[22]
a montréque
iv)
~i)
laréciproque
étant évidemment fausse dans le casatomique puisque
dans ce casP(E)
esttoujours complet
pour P.Il reste à montrer que
iii) + ii) + i),
lapremière implication
estévidente,
la seconde résulte de ce que, si on a alors soit X E
P(E)
etXl,
...,Xn,
...des
copies indépendantes
deX, x1 + ... + Xn n
est deCauchy
pour P(pro-
position 8)
elle converge donc fortement enprobabilité,
donc X EB(E) (proposition 10).
On en déduit alors :
COROLLAIRE 16. - Soit T : E -
F,
T est a. s. si et seulement si il existeun espace
probabilisé
infini(Q, ~ , Pr)
et une constante K telle que pour tout X EP(E)
on aitRemarque.
- L’ensemble des v. a. à valeurs dans~,
muni de la conver- gence enprobabilité
forte estcomplet,
mais il n’en est pas de même si on le munit de la convergence enprobabilité
faible(u(Xn)
-~u(X)
en Proba pour tout u EE’)
même uniformément en u, car ceci entraînerait que estcomplet
pour P.4. SUITES
ADAPTÉES
DEP(E)
ET DENous munissons maintenant
l’espace probabilisé Pr)
d’une his-toire c’est-à-dire d’une suite croissante de sous-tribus de F véri-
fiant, ~ o
triviale etV /Fn
= ~ .n
Vol. XVI, n° 3 - 1980.
On notera
toujours ~
l’ensemble destemps
d’arrêt bornés liés à cette histoire.Une suite de mesure
(/ln)
à valeurs dans E est diteadaptée
à l’histoire si pourchaque n, ,un
est définie sur On définit alors sansambiguïté
,u~ sur pour tout r par la formule :
On définit en outre les normes
P~ :
=V Il
On remarqueA
que la norme
P~
estéquivalente
à la norme S surE)
pour tout6.
- Une suite
adaptée (/ln)
estappelée
unemartingale
si~.n(A) _
pour tout A
E!Fn
etp >-
n.(,un)
estappelée
un amart si converge dans E.- Une suite
adaptée (Xn)
de v. a. deP(E) (Xn
estFn-mesurable
pourtout
n)
estappelée
un amart si la suite des mesures(Xn
oPr)
est un amart.Nous commençons par redémontrer un lemme
classique,
mais fondamen-tal,
de la théorie des amarts[12].
LEMME 17. - Soit
(,un)
unamart,
il existe une mesureadditive,
m, surl’algèbre Fn
telle que mz =m |Ft
est a-additive pour tout T etn
~.
Démonstration
[12].
Soit Jo et soit A E~ ~o,
si 6 et i > Qo on pose’t"’
={03C303C4sur
sur A Ac on a alors/la(A) - /lt(A)
=/la(o.) - /lt’(o.),
d’oùT’ =
i sur A
on a alors
03C3(A) - 03C4(A) = 03C3(03A9) - 03C4’(03A9),
d’oùJ1t) 03C3,03C4~03C30
0 la limite de( 03C3)
pourPffo
est une mesure surqui
estévidemment la restriction à
fFao
d’une fonction additive d’ensemble m surl’algèbre Fn.
On remarque que mn = est unemartingale,
c’estn
l’asymptote
de l’amart ,un; onappellera m
la limite de l’amart(~cn),
on a :LEMME 18. - Soit
(,un)
un amart, soit m sa limite et mn = m son asymp-tote, alors 0.
Démonstration. - Fixons 6 >- pour ~ suffisamment
grand,
on ad’après
le lemme 17 :m~.) -
B.Soit A
E ~~,
avec les notations de la démonstration du lemme 17 :Annales de l’Institut Poincaré - Section B
~~(A) - ~~(A) _ ~Q(~) -
où s’ ~ 7o doncIl ~~(A) - /la(A) Il
E etpar
conséquent ,~a) -
8 d’où 2s pour tout Q >_ (7o-Remarque.
- Unemartingale
réelle nonéqui-intégrable
n’est pas deCauchy
dansL1,
donc un amart ne seragénéralement
pas deCauchy
pour la norme dePettis,
et m, salimite,
ne sera pas03C3-additive, cependant
onobserve que pn = /ln - mn est un amart dont la limite est
identiquement nulle,
on a donc --~ 0. Cette remarque conduit à la définition suivante :Définition.
Une suite de mesures ~cn(resp.
de v. a.Xn
E~(~)), adaptée,
est
appelée
unpotentiel
siPQ(~cQ) ~ ~
0(resp. P(X~) ~ ~ 0).
Remarques.
l.Edgar
et Sucheston dans[12]
définissent unpotentiel (Xn)
comme un amart vérifiant
P(Xn)
--~0, Astbury
dans[l] adopte
une défini-tion un peu
plus
faible :(Xn)
est unpotentiel
si c’est un amart vérifianto
Xn)
~ 0 pour tout A del’algèbre
Ces deux définitionsn
impliquent
que la limite m de(Xn)
estnulle,
elles sont doncéquivalentes
à ladéfinition
précédente.
La deuxième note
[7]
donne une mauvaise définition despotentiels,
on larectifiera
aisément,
ainsi que l’énoncé de laproposition
2.2. Soit
(/ln)
un amart on a /ln = mn + pn où mn est la martin-gale asymptote
de(,un)
et pn est unpotentiel;
en théorie desamarts, on observe ainsi la liaison de deux
types
bien distincts : letype martingale (E(X~)
=constante)
et letype potentiel (P(X~)
-0).
Nous introduisons maintenant la notation suivante :
Soit A un
ensemble,
soit S l’ensemble des suites d’éléments de Apossédant
une certaine
propriété ~,
on note *S l’ensemble des suites de A telles que de toutes sous-suites onpuisse
extraire une sous-suitepossédant
la pro-priété ~,
on dit que les éléments de *Spossèdent
lapropriété
*~.Exemple.
- SoitXn
une suiteadaptée convergeant
vers 0 p. s., alorsIl X~ ~~ z ~
0 enprobabilité,
convenonsd’appeler potentiel
enprobabilité
detelles suites. Toute suite
adaptée Xn convergeant
fortement enprobabilité
vers
0,
est alors un*-potentiel
enprobabilité.
On a de même :
PROPOSITION 19. - Soit
(,un) (resp. (Xn))
une suite de mesures(resp.
de v. a.de
P(E)) adaptée
à l’histoire(~ n)
alors :/ln est un
*-potentiel (resp. Xn
est un*-potentiel)
si et seulement siVol. XVI, n° 3 - 1980.
Démonstration. Si ~
0, appelons (~un)
une sous-suite extraite de la suiteinitiale,
pour une sous-suite de(,un),
que nousappelons
encore(~cn),
on a
03A3Pn( n)
~, d’où sin
quand
N --~ 00.La
proposition
suivante résume un certain nombre de résultats clas-siques [2], [11], [13].
PROPOSITION 20. - Les énoncés suivants sont
équivalents : i)
E est de dimension finie.z~)
Toutpotentiel
deP(E)
converge vers 0 fortement p. s. :en
probabilité.
iii)
Toutpotentiel (Xn), vérifiant Il 1,
converge vers 0 fortement p. s.iv)
Toutpotentiel (Xn), vérifiant ~~ 1,
est uniforme :v)
Toutpotentiel
deB(E)
est uniforme.Démonstration. -
i)
=>v)
car en dimensionfinie,
P et B sontéquivalentes
sur
B(E) (proposition 15).
v)
=>iv)
est triviale.iv)
=>iii)
car si 0alors --~0
enprobabilité (inégalité
deBicnaymé-Tchébycheif) donc ~Xn~ Il --+
0 p. s.iii)
=>ii) :
Soit un
potentiel
deP(E)
alorsY~
=ti
~ - est unpotentiel :
on remarque en effet que si X e
P(E)
etsi f :
Q - R est mesurable et véri-fie | / ! 1
1 alorsS(X),
doncS(Yn) ~ S(XJ.
On a donc ~0, soit Il --+
0 p. s.donc Il -)-
0 p. s.(si
est une suite de nombres-~~)~-~)’
ù-)
=>f) :
car tout
*-potentiel
converge vers 0 enprobabilité,
sousl’hypothèse ~),
donc
l’espace
est de dimension finie(proposition 15).
Annales de l’Institut Henri Poincaré - Section B