Moyenne généralisée

En mathématiques, les moyennes généralisées sont une famille de fonctions permettant de caractériser un ensemble de nombres, comptant parmi elles les cas particuliers des moyennes arithmétique, géométrique et harmonique. On peut également parler de moyenne puissance, de moyenne d'ordre p ou de moyenne de Hölder, d'après Otto Hölder.

Définitions

Moyenne d'ordre p

Soit p un nombre réel non nul. On définit la moyenne d'ordre p des réels positifs $x 1, ... , x n$ comme :

M_{p}(x_{1},\dots ,x_{n})=\left({\frac {1}{n}}\sum _{i=1}^{n}x_{i}^{p}\right)^{\frac {1}{p}}

Pour p = 0, on la pose comme étant la moyenne géométrique (ce qui correspond au cas limite des moyennes d'ordres approchant de 0) :

M_{0}(x_{1},\dots ,x_{n})={\sqrt[{n}]{\prod _{i=1}^{n}x_{i}}}

.

Les exposants infinis positif et négatif correspondent respectivement au maximum et au minimum, dans les cas classique et pondéré (ce qui correspond également au cas limite des moyennes d'ordres approchant de l'infini) :

{\begin{aligned}M_{\infty }(x_{1},\dots ,x_{n})&=\max(x_{1},\dots ,x_{n})\\M_{-\infty }(x_{1},\dots ,x_{n})&=\min(x_{1},\dots ,x_{n})\end{aligned}}

Versions pondérées

On peut également définir les moyennes pondérées d'ordre p pour une suite de poids positifs $w i$ vérifiant $\sum w_{i}=1$ avec

{\begin{aligned}M_{p}(x_{1},\dots ,x_{n})&=\left(\sum _{i=1}^{n}w_{i}x_{i}^{p}\right)^{\frac {1}{p}}\\M_{0}(x_{1},\dots ,x_{n})&=\prod _{i=1}^{n}x_{i}^{w_{i}}\end{aligned}}

Le cas classique correspond à l'équirépartition des poids : $w i = 1/ n$ .

Propriétés élémentaires et remarques

On remarquera la similarité avec les normes d'ordre p.
Comme la plupart des moyennes, la moyenne généralisée est une fonction homogène en $x 1, ... , x n$ . Ainsi, si $b$ est un réel positif, la moyenne généralisée d'ordre p des nombres $bx 1, ... , bx n$ est égale à $b$ multiplié par la moyenne généralisée des $x 1, ... , x n$ .
Comme les moyennes quasi-arithmétiques, le calcul de la moyenne peut être séparé en sous-blocs de même taille.

M_{p}(x_{1},\dots ,x_{n\cdot k})=M_{p}(M_{p}(x_{1},\dots ,x_{k}),M_{p}(x_{k+1},\dots ,x_{2\cdot k}),\dots ,M_{p}(x_{(n-1)\cdot k+1},\dots ,x_{n\cdot k}))

.

Cas particuliers

Une visualisation des moyennes dans le cas n=2 (moyennes de deux valeurs a et b) : A est la moyenne arithmétique, Q est la moyenne quadratique, G est la moyenne géométrique, H est la moyenne harmonique.

$M_{-\infty }(x_{1},\dots ,x_{n})=\lim _{p\to -\infty }M_{p}(x_{1},\dots ,x_{n})=\min\{x_{1},\dots ,x_{n}\}$	minimum
$M_{-1}(x_{1},\dots ,x_{n})={\frac {n}{{\frac {1}{x_{1}}}+\dots +{\frac {1}{x_{n}}}}}$	moyenne harmonique
$M_{0}(x_{1},\dots ,x_{n})=\lim _{p\to 0}M_{p}(x_{1},\dots ,x_{n})={\sqrt[{n}]{x_{1}\cdot \dots \cdot x_{n}}}$	moyenne géométrique
$M_{1}(x_{1},\dots ,x_{n})={\frac {x_{1}+\dots +x_{n}}{n}}$	moyenne arithmétique
$M_{2}(x_{1},\dots ,x_{n})={\sqrt {\frac {x_{1}^{2}+\dots +x_{n}^{2}}{n}}}$	moyenne quadratique
$M_{+\infty }(x_{1},\dots ,x_{n})=\lim _{p\to \infty }M_{p}(x_{1},\dots ,x_{n})=\max\{x_{1},\dots ,x_{n}\}$	maximum

Preuve que $\textstyle \lim _{p\to 0}M_{p}=M_{0}$ (moyenne géométrique)

On réécrit la définition de M_p avec la fonction exponentielle

M_{p}(x_{1},\dots ,x_{n})=\exp {\left(\ln {\left[\left(\sum _{i=1}^{n}w_{i}x_{i}^{p}\right)^{1/p}\right]}\right)}=\exp {\left({\frac {1}{p}}\ln \left(\sum _{i=1}^{n}w_{i}x_{i}^{p}\right)\right)}

Pour p → 0, on applique la règle de L'Hôpital :

\lim _{p\to 0}{\frac {1}{p}}\ln \left(\sum _{i=1}^{n}w_{i}x_{i}^{p}\right)=\lim _{p\to 0}{\frac {\sum _{i=1}^{n}w_{i}x_{i}^{p}\ln {x_{i}}}{\sum _{i=1}^{n}w_{i}x_{i}^{p}}}=\sum _{i=1}^{n}w_{i}\ln {x_{i}}=\ln {\left(\prod _{i=1}^{n}x_{i}^{w_{i}}\right)}

Par continuité de la fonction exponentielle, on obtient

\lim _{p\to 0}M_{p}(x_{1},\dots ,x_{n})=\exp {\left(\ln {\left(\prod _{i=1}^{n}x_{i}^{w_{i}}\right)}\right)}=\prod _{i=1}^{n}x_{i}^{w_{i}}=M_{0}(x_{1},\dots ,x_{n}).

Preuve que $\textstyle \lim _{p\to \infty }M_{p}=M_{\infty }$ et $\textstyle \lim _{p\to -\infty }M_{p}=M_{-\infty }$

On suppose, quitte à réordonner les termes, que $x 1 \geq ... \geq x n$ . Alors

\lim _{p\to \infty }M_{p}(x_{1},\dots ,x_{n})=\lim _{p\to \infty }\left(\sum _{i=1}^{n}w_{i}x_{i}^{p}\right)^{1/p}=x_{1}\lim _{p\to \infty }\left(\sum _{i=1}^{n}w_{i}\left({\frac {x_{i}}{x_{1}}}\right)^{p}\right)^{1/p}=x_{1}=M_{\infty }(x_{1},\dots ,x_{n}).

Pour $M -\infty$ , il suffit de remarquer que $M_{-\infty }(x_{1},\dots ,x_{n})={\frac {1}{M_{\infty }(1/x_{1},\dots ,1/x_{n})}}.$

Inégalité des moyennes généralisées

Énoncé

En général, on a

si p < q, alors $M_{p}(x_{1},\dots ,x_{n})\leq M_{q}(x_{1},\dots ,x_{n})$

et il y a égalité si et seulement si x₁ = x₂ = ... = x_n.

L'inégalité est vraie pour les valeurs réelles de p et q, ainsi que pour les infinis positif et négatif.

On en déduit que pour tout réel p,

{\frac {\partial }{\partial p}}M_{p}(x_{1},\dots ,x_{n})\geq 0

ce qui peut être montré en utilisant l'inégalité de Jensen.

En particulier, pour p dans {−1, 0, 1}, l'inégalité des moyennes généralisées implique une inégalité sur les moyennes pythagoriciennes (en) ainsi que l'inégalité arithmético-géométrique.

Preuve

On travaillera ici sur les moyennes généralisées pondérées, et on supposera :

{\begin{aligned}w_{i}\in [0;1]\\\sum _{i=1}^{n}w_{i}=1\end{aligned}}

La preuve sur les moyennes généralisées s'obtiendra en prenant $w i = 1/ n$ .

Équivalence des inégalités entre les moyennes de signes opposés

Supposons qu'une inégalité entre les moyennes généralisées d'ordre p et q est vraie :

{\sqrt[{p}]{\sum _{i=1}^{n}w_{i}x_{i}^{p}}}\geq {\sqrt[{q}]{\sum _{i=1}^{n}w_{i}x_{i}^{q}}}

Alors en particulier :

{\sqrt[{p}]{\sum _{i=1}^{n}{\frac {w_{i}}{x_{i}^{p}}}}}\geq {\sqrt[{q}]{\sum _{i=1}^{n}{\frac {w_{i}}{x_{i}^{q}}}}}

On prend l'inverse des nombres, ce qui change le sens de l'inégalité car les $x i$ sont positifs :

{\sqrt[{-p}]{\sum _{i=1}^{n}w_{i}x_{i}^{-p}}}={\sqrt[{p}]{\frac {1}{\sum _{i=1}^{n}w_{i}{\frac {1}{x_{i}^{p}}}}}}\leq {\sqrt[{q}]{\frac {1}{\sum _{i=1}^{n}w_{i}{\frac {1}{x_{i}^{q}}}}}}={\sqrt[{-q}]{\sum _{i=1}^{n}w_{i}x_{i}^{-q}}}

ce qui donne le résultat pour les moyennes généralisées d'ordre −p et −q. On peut faire le calcul réciproque, montrant ainsi l'équivalence des inégalités, ce qui sera utile par la suite.

Moyenne géométrique

Pour tout q > 0, on a

{\sqrt[{-q}]{\sum _{i=1}^{n}w_{i}x_{i}^{-q}}}\leq \prod _{i=1}^{n}x_{i}^{w_{i}}\leq {\sqrt[{q}]{\sum _{i=1}^{n}w_{i}x_{i}^{q}}}

Démonstration

Par l'inégalité de Jensen appliquée à la fonction logarithme, qui est concave :

\log \left(\prod _{i=1}^{n}x_{i}^{w_{i}}\right)=\sum _{i=1}^{n}w_{i}\log(x_{i})\leq \log \left(\sum _{i=1}^{n}w_{i}x_{i}\right)

En passant à l'exponentielle, on obtient

\prod _{i=1}^{n}x_{i}^{w_{i}}\leq \sum _{i=1}^{n}w_{i}x_{i}

et en prenant les puissances q-ièmes des $x i$ , on obtient le résultat voulu pour l'inégalité avec q positif. Le cas négatif se traite de façon similaire.

Inégalité entre deux moyennes pondérées

Il reste à prouver que si p < q, alors on a :

{\sqrt[{p}]{\sum _{i=1}^{n}w_{i}x_{i}^{p}}}\leq {\sqrt[{q}]{\sum _{i=1}^{n}w_{i}x_{i}^{q}}}

Si p est négatif et q positif, on peut utiliser le résultat précédent :

{\sqrt[{p}]{\sum _{i=1}^{n}w_{i}x_{i}^{p}}}\leq \prod _{i=1}^{n}x_{i}^{w_{i}}\leq {\sqrt[{q}]{\sum _{i=1}^{n}w_{i}x_{i}^{q}}}

Supposons maintenant p et q positifs. On définit la fonction f : R₊ → R₊ $f(x)=x^{\frac {q}{p}}$ . f est une fonction puissance, deux fois dérivable :

f''(x)=\left({\frac {q}{p}}\right)\left({\frac {q}{p}}-1\right)x^{{\frac {q}{p}}-2}

qui est positive sur le domaine de définition de f, car q > p, ainsi f est convexe.

Par l'inégalité de Jensen, on a :

f\left(\sum _{i=1}^{n}w_{i}x_{i}^{p}\right)\leq \sum _{i=1}^{n}w_{i}f(x_{i}^{p})

soit:

{\sqrt[{\frac {p}{q}}]{\sum _{i=1}^{n}w_{i}x_{i}^{p}}}\leq \sum _{i=1}^{n}w_{i}x_{i}^{q}

ce qui, une fois élevé à la puissance 1/q (fonction croissante, car 1/q est positif), on obtient le résultat voulu.

Le cas de p et q négatifs se tire de ce résultat, en les remplaçant respectivement par −q et −p.

Moyenne quasi-arithmétique

La moyenne généralisée peut être vue comme un cas particulier des moyennes quasi-arithmétiques :

M_{f}(x_{1},\dots ,x_{n})=f^{-1}\left({{\frac {1}{n}}\cdot \sum _{i=1}^{n}{f(x_{i})}}\right)

Par exemple, la moyenne géométrique s'obtient par $f (x)=log(x)$ , et la moyenne d'ordre p avec $f (x)= x p$ .

Applications

En traitement du signal

Une moyenne généralisée sert de moyenne glissante non linéaire qui fait ressortir les petites valeurs pour p petit et amplifie les grandes valeurs pour p grand.

Voir aussi

Moyenne arithmétique
Moyenne arithmético-géométrique
Moyenne géométrique
Moyenne harmonique
Moyenne de Héron (en)
Inégalité arithmético-géométrique
Moyenne de Lehmer (en), une autre moyenne faisant intervenir des puissances
Moyenne quadratique
Maximum régularisé
Moyenne quasi-arithmétique

Liens externes

(en) Cet article est partiellement ou en totalité issu de l’article de Wikipédia en anglais intitulé « Generalized mean » (voir la liste des auteurs).
(en) Eric W. Weisstein, « Power mean », sur MathWorld
Examples of Generalized Mean
A proof of the Generalized Mean on PlanetMath

Portail de l'analyse

Cet article est issu de Wikipedia. Le texte est sous licence Creative Commons - Attribution - Partage dans les Mêmes. Des conditions supplémentaires peuvent s'appliquer aux fichiers multimédias.