Vitesse de convergence dans le théorème limite central pour des chaînes de Markov fortement ergodiques

Loïc Hervé

Annales de l'I.H.P. Probabilités et statistiques (2008)

  • Volume: 44, Issue: 2, page 280-292
  • ISSN: 0246-0203

Abstract

top
Let Q be a transition probability on a measurable space E which admits an invariant probability measure, let (Xn)n be a Markov chain associated to Q, and let ξ be a real-valued measurable function on E, and Sn=∑nk=1ξ(Xk). Under functional hypotheses on the action of Q and the Fourier kernels Q(t), we investigate the rate of convergence in the central limit theorem for the sequence ( S n n ) n . According to the hypotheses, we prove that the rate is, either O(n−τ/2) for all τ<1, or O(n−1/2). We apply the spectral Nagaev’s method which is improved by using a perturbation theorem of Keller and Liverani, and a majoration of | 𝔼 [ e i t S n / n ] - e - t 2 / 2 | obtained by a method of martingale difference reduction. WhenE is not compact or ξ is not bounded, the conditions required here on Q(t) (in substance, some moment conditions on ξ) are weaker than the ones usually imposed when the standard perturbation theorem is used in the spectral method. For example, in the case of V-geometric ergodic chains or Lipschitz iterative models, the rate of convergence in the c.l.t. is O(n−1/2) under a third moment condition on ξ.

How to cite

top

Hervé, Loïc. "Vitesse de convergence dans le théorème limite central pour des chaînes de Markov fortement ergodiques." Annales de l'I.H.P. Probabilités et statistiques 44.2 (2008): 280-292. <http://eudml.org/doc/77970>.

@article{Hervé2008,
abstract = {Soit Q une probabilité de transition sur un espace mesurable E, admettant une probabilité invariante, soit (Xn)n une chaîne de Markov associée à Q, et soit ξ une fonction réelle mesurable sur E, et Sn=∑nk=1ξ(Xk). Sous des hypothèses fonctionnelles sur l’action de Q et des noyaux de Fourier Q(t), nous étudions la vitesse de convergence dans le théorème limite central pour la suite $(\frac\{S_\{n\}\}\{\sqrt\{n\}\})_\{n\}$. Selon les hypothèses nous obtenons une vitesse enn−τ/2 pour tout τ&lt;1, ou bien en n−1/2. Nous appliquons la méthode de Nagaev en l’améliorant, d’une part grâce à un théorème de perturbations de Keller et Liverani, d’autre part grâce à une majoration de $|\mathbb \{E\}[\mathrm \{e\}^\{\mathrm \{i\}t\{S_\{n\}\}/\{\sqrt\{n\}\}\}]-\mathrm \{e\}^\{\{-t^\{2\}\}/\{2\}\}|$ obtenue par une méthode de réduction en différence de martingale. LorsqueE est non compact ou ξ est non bornée, les conditions requises ici sur Q(t) (en substance, des conditions de moment sur ξ) sont plus faibles que celles habituellement imposées lorsqu’on utilise le théorème de perturbation standard. Par exemple, dans le cadre des chaînes V-géométriquement ergodiques ou des modèles itératifs Lipschitziens, on obtient dans le t.l.c. une vitesse en n−1/2 sous une hypothèse de moment d’ordre 3 sur ξ.},
author = {Hervé, Loïc},
journal = {Annales de l'I.H.P. Probabilités et statistiques},
keywords = {Markov chains; rate of convergence in central limit theorem; spectral method},
language = {fre},
number = {2},
pages = {280-292},
publisher = {Gauthier-Villars},
title = {Vitesse de convergence dans le théorème limite central pour des chaînes de Markov fortement ergodiques},
url = {http://eudml.org/doc/77970},
volume = {44},
year = {2008},
}

TY - JOUR
AU - Hervé, Loïc
TI - Vitesse de convergence dans le théorème limite central pour des chaînes de Markov fortement ergodiques
JO - Annales de l'I.H.P. Probabilités et statistiques
PY - 2008
PB - Gauthier-Villars
VL - 44
IS - 2
SP - 280
EP - 292
AB - Soit Q une probabilité de transition sur un espace mesurable E, admettant une probabilité invariante, soit (Xn)n une chaîne de Markov associée à Q, et soit ξ une fonction réelle mesurable sur E, et Sn=∑nk=1ξ(Xk). Sous des hypothèses fonctionnelles sur l’action de Q et des noyaux de Fourier Q(t), nous étudions la vitesse de convergence dans le théorème limite central pour la suite $(\frac{S_{n}}{\sqrt{n}})_{n}$. Selon les hypothèses nous obtenons une vitesse enn−τ/2 pour tout τ&lt;1, ou bien en n−1/2. Nous appliquons la méthode de Nagaev en l’améliorant, d’une part grâce à un théorème de perturbations de Keller et Liverani, d’autre part grâce à une majoration de $|\mathbb {E}[\mathrm {e}^{\mathrm {i}t{S_{n}}/{\sqrt{n}}}]-\mathrm {e}^{{-t^{2}}/{2}}|$ obtenue par une méthode de réduction en différence de martingale. LorsqueE est non compact ou ξ est non bornée, les conditions requises ici sur Q(t) (en substance, des conditions de moment sur ξ) sont plus faibles que celles habituellement imposées lorsqu’on utilise le théorème de perturbation standard. Par exemple, dans le cadre des chaînes V-géométriquement ergodiques ou des modèles itératifs Lipschitziens, on obtient dans le t.l.c. une vitesse en n−1/2 sous une hypothèse de moment d’ordre 3 sur ξ.
LA - fre
KW - Markov chains; rate of convergence in central limit theorem; spectral method
UR - http://eudml.org/doc/77970
ER -

References

top
  1. [1] V. Baladi. Positive Transfer Operators and Decay of Correlations. World Scientific. River Edge, NJ, 2000. Zbl1012.37015MR1793194
  2. [2] M. Benda. A central limit theorem for contractive stochastic dynamical systems. J. Appl. Probab. 35 (1998) 200–205. Zbl0906.60051MR1622456
  3. [3] E. Bolthausen. The Berry–Esseen theorem for strongly mixing Harris recurrent Markov chains. Z. Wahrsch. Verw. Gebiete 60 (1982) 283–289. Zbl0476.60022MR664418
  4. [4] J.-P. Conze and A. Raugi. Convergence of iterates of a transfer operator, application to dynamical systems and to Markov chains. ESAIM Probab. Stat. 7 (2003) 115–146. Zbl1018.60072MR1956075
  5. [5] C. Cuny. Un TCL avec vitesse pour la marche aléatoire gauche sur le groupe affine de Rd. Ann. Inst. H. Poincaré Probab. Statist. 3 (2003) 487–503. Zbl1015.60022MR1978988
  6. [6] J. Dedecker and E. Rio. On mean central limit theorems for stationary sequences. Ann. Inst. H. Poincaré. To appear. Zbl1187.60015MR2446294
  7. [7] M. Duflo. Random Iterative Models. Applications of Mathematics. Springer, Berlin, 1997. Zbl0868.62069MR1485774
  8. [8] C. D. Fuh. Paley-type inequalities related to the central limit theorem for Markov chains. Sankhyã Ser. A 61 (1999) 89–100. Zbl0977.60028MR1715164
  9. [9] M. I. Gordin and B. A. Lifsic. On the central limit theorem for stationary Markov processes. Soviet. Math. Dokl. 19 (1978) 392–394. Zbl0395.60057MR501277
  10. [10] Y. Guivarc’h and J. Hardy. Théorèmes limites pour une classe de chaînes de Markov et applications aux difféomorphismes d’Anosov. Ann. Inst. H. Poincaré 24 (1988) 73–98. Zbl0649.60041MR937957
  11. [11] H. Hennion. Sur un théorème spectral et son application aux noyaux lipchitziens. Proceeding of the A.M.S. 118 (1993) 627–634. Zbl0772.60049MR1129880
  12. [12] H. Hennion. Quasi-compactness and absolutely continuous kernels. Probab. Theory Related Fields. 139 (2007) 451–471. Zbl1128.60061MR2322704
  13. [13] H. Hennion and L. Hervé. Limit Theorems for Markov Chains and Stochastic Properties of Dynamical Systems by Quasi-Compactness. Springer, Berlin, 2001. Zbl0983.60005MR1862393
  14. [14] H. Hennion and L. Hervé. Central limit theorems for iterated random Lipschitz mappings. Ann. Probab. 32 (2004) 1934–1984. Zbl1062.60017MR2073182
  15. [15] L. Hervé. Théorème local pour chaînes de Markov de probabilité de transition quasi-compacte. Applications aux chaînes V-géométriquement ergodiques et aux modèles itératifs. Ann. Inst. H. Poincaré Probab. Statist. 41 (2005) 179–196. Zbl1085.60049MR2124640
  16. [16] C. T. Ionescu-Tulcea and G. Marinescu. Théorème ergodique pour des classes d’opérations non complètement continues. Ann. of Math. 52 (1950) 140–147. Zbl0040.06502MR37469
  17. [17] C. Jan. Vitesse de convergence dans le TCL pour des processus associés à des systèmes dynamiques et aux produits de matrices aléatoires. Thèse de doctorat, I.R.M.A.R., Université de Rennes I (2001). 
  18. [18] G. L. Jones. On the Markov chain central limit theorem. Probab. Surv. 1 (2004) 299–320. Zbl1189.60129MR2068475
  19. [19] G. Keller and C. Liverani. Stability of the spectrum for transfer operators. Ann. Scuola Norm. Sup. Pisa. Cl. Sci. (4) 28 (1999) 141–152. Zbl0956.37003MR1679080
  20. [20] I. Kontoyiannis and S. P. Meyn. Spectral theory and limit theorems for geometrically ergodic Markov processses. Ann. Appl. Probab. 13 (2003) 304–362. Zbl1016.60066MR1952001
  21. [21] S. P. Meyn and R. L. Tweedie. Markov Chains and Stochastic Stability. Springer, London, 1993. Zbl0925.60001MR1287609
  22. [22] X. Milhaud and A. Raugi. Etude de l’estimateur du maximum de vraisemblance dans le cas d’un processus auto-régressif: convergence, normalité asymptotique, vitesse de convergence. Ann. Inst. H. Poincaré Probab. Statist. 25 (1989) 383–428. Zbl0714.60014MR1045243
  23. [23] S. V. Nagaev. Some limit theorems for stationary Markov chains. Theory Probab. Appl. 2 (1957) 378–406. Zbl0078.31804MR94846
  24. [24] S. V. Nagaev. More exact statements of limit theorems for homogeneous Markov chains. Theory Probab. Appl. 6 (1961) 62–81. Zbl0116.10602MR131291
  25. [25] D. Steinsaltz. Convergence of moments in a Markov-chain central limit theorem. Indag. Math. 12 (2001) 533–555. Zbl1022.60068MR1908880

NotesEmbed ?

top

You must be logged in to post comments.

To embed these notes on your page include the following JavaScript code on your page where you want the notes to appear.

Only the controls for the widget will be shown in your chosen language. Notes will be shown in their authored language.

Tells the widget how many notes to show per page. You can cycle through additional notes using the next and previous controls.

    
                

                
Note: Best practice suggests putting the JavaScript code just before the closing </body> tag.