Moyenne d'ordre p

Cet article est une ébauche concernant les mathématiques.

En mathématiques, la moyenne d'ordre p d'une famille de réels positifs, éventuellement pondérés, est une généralisation des moyennes arithmétique, géométrique et harmonique. Elle est également dite moyenne de Hölder, à cause de son lien avec la norme d'ordre p, ou norme de Hölder.

Définitions

Moyenne d'ordre p

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

M_{p} (x_{1}, \dots, x_{n}) = {(\frac{1}{n} \sum_{i = 1}^{n} x_{i}^{p})}^{\frac{1}{p}}

Pour $p = 0$ , on la pose comme étant la moyenne géométrique (ce qui correspond au cas de la limite de la moyenne d'ordre $p$ lorsque $p$ tend vers 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{matrix} 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{matrix}

Versions pondérées

On peut également définir les moyennes pondérées d'ordre p pour une suite de poids positifs $m i$ vérifiant $\sum m_{i} = 1$ par ^[1] :

\begin{matrix} M_{p} (x_{1}, \dots, x_{n}) & = {(\sum_{i = 1}^{n} m_{i} x_{i}^{p})}^{\frac{1}{p}} \\ M_{0} (x_{1}, \dots, x_{n}) & = \prod_{i = 1}^{n} x_{i}^{m_{i}} \end{matrix}

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

Propriétés élémentaires et remarques

On remarquera le lien avec la norme d'ordre p : $M_{p} (x_{1}, \dots, x_{n}) = \frac{1}{n^{1 / p}} ‖ (x_{1}, \dots, x_{n}) ‖_{p}$ .
Comme la plupart des moyennes, la moyenne d'ordre $p$ est une fonction homogène de degré 1 en $x 1, ... , x n$ . Ainsi, si $b$ est un réel strictement positif, la moyenne généralisée d'ordre $p$ des nombres $bx 1, ... , bx n$ est égale à $b$ multiplié par la moyenne généralisée des $x 1, ... , x n$ ^[2].
Comme les moyennes quasi-arithmétiques, le calcul de la moyenne peut être séparé en sous-blocs de même taille^[2].

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

Pour des valeurs précises de $p$ , on retrouve les moyennes classiques comme les moyennes pythagoriciennes. Plus précisément, on a :

$M_{- \infty} (x_{1}, \dots, x_{n}) = lim_{p \to - \infty} M_{p} (x_{1}, \dots, x_{n}) = min {x_{1}, \dots, x_{n}}$	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

De plus $M_{1 / 2} (a, b) = {(\frac{\sqrt{a} + \sqrt{b}}{2})}^{2} = \frac{M_{0} (a, b) + M_{1} (a, b)}{2}$

Preuve que

{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 (\ln [{(\sum_{i = 1}^{n} m_{i} x_{i}^{p})}^{1 / p}]) = \exp (\frac{1}{p} \ln (\sum_{i = 1}^{n} m_{i} x_{i}^{p}))

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

lim_{p \to 0} \frac{1}{p} \ln (\sum_{i = 1}^{n} m_{i} x_{i}^{p}) = lim_{p \to 0} \frac{\sum_{i = 1}^{n} m_{i} x_{i}^{p} \ln x_{i}}{\sum_{i = 1}^{n} m_{i} x_{i}^{p}} = \sum_{i = 1}^{n} m_{i} \ln x_{i} = \ln (\prod_{i = 1}^{n} x_{i}^{m_{i}})

Par continuité de la fonction exponentielle, on obtient

lim_{p \to 0} M_{p} (x_{1}, \dots, x_{n}) = \exp (\ln (\prod_{i = 1}^{n} x_{i}^{m_{i}})) = \prod_{i = 1}^{n} x_{i}^{m_{i}} = M_{0} (x_{1}, \dots, x_{n}) .

Preuve que

{lim}_{p \to \infty} M_{p} = M_{\infty}

et

{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} {(\sum_{i = 1}^{n} m_{i} x_{i}^{p})}^{1 / p} = x_{1} lim_{p \to \infty} {(\sum_{i = 1}^{n} w_{i} {(\frac{x_{i}}{x_{1}})}^{p})}^{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 $M_{p} (x_{1}, \dots, x_{n}) ⩽ M_{q} (x_{1}, \dots, x_{n})$

et il y a égalité si et seulement si $x_{1} = x_{2} = \dots = x_{n}$ .

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}) ⩾ 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 ainsi que l'inégalité arithmético-géométrique.

Preuve

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

\begin{matrix} m_{i} \in [0; 1] \\ \sum_{i = 1}^{n} m_{i} = 1 \end{matrix}

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

Équivalence des inégalités entre les moyennes de signes opposés

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

\sqrt[p]{\sum_{i = 1}^{n} m_{i} x_{i}^{p}} ⩾ \sqrt[q]{\sum_{i = 1}^{n} m_{i} x_{i}^{q}}

Alors en particulier :

\sqrt[p]{\sum_{i = 1}^{n} \frac{m_{i}}{x_{i}^{p}}} ⩾ \sqrt[q]{\sum_{i = 1}^{n} \frac{m_{i}}{x_{i}^{q}}}

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

\sqrt[- p]{\sum_{i = 1}^{n} m_{i} x_{i}^{- p}} = \sqrt[p]{\frac{1}{\sum_{i = 1}^{n} m_{i} \frac{1}{x_{i}^{p}}}} ⩽ \sqrt[q]{\frac{1}{\sum_{i = 1}^{n} m_{i} \frac{1}{x_{i}^{q}}}} = \sqrt[- q]{\sum_{i = 1}^{n} m_{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} m_{i} x_{i}^{- q}} ⩽ \prod_{i = 1}^{n} x_{i}^{m_{i}} ⩽ \sqrt[q]{\sum_{i = 1}^{n} m_{i} x_{i}^{q}}

Démonstration

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

\ln (\prod_{i = 1}^{n} x_{i}^{m_{i}}) = \sum_{i = 1}^{n} m_{i} \ln (x_{i}) ⩽ \ln (\sum_{i = 1}^{n} m_{i} x_{i})

En passant à l'exponentielle, on obtient

\prod_{i = 1}^{n} x_{i}^{m_{i}} ⩽ \sum_{i = 1}^{n} m_{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 , alors on a :

\sqrt[p]{\sum_{i = 1}^{n} m_{i} x_{i}^{p}} ⩽ \sqrt[q]{\sum_{i = 1}^{n} m_{i} x_{i}^{q}}

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

\sqrt[p]{\sum_{i = 1}^{n} m_{i} x_{i}^{p}} ⩽ \prod_{i = 1}^{n} x_{i}^{m_{i}} ⩽ \sqrt[q]{\sum_{i = 1}^{n} m_{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) = (\frac{q}{p}) (\frac{q}{p} - 1) 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 (\sum_{i = 1}^{n} m_{i} x_{i}^{p}) ⩽ \sum_{i = 1}^{n} m_{i} f (x_{i}^{p})

soit:

\sqrt[\frac{p}{q}]{\sum_{i = 1}^{n} m_{i} x_{i}^{p}} \leq \sum_{i = 1}^{n} m_{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 d'ordre $p$ peut être vue comme un cas particulier de moyenne quasi-arithmétique :

M_{f} (x_{1}, \dots, x_{n}) = f^{- 1} (\frac{1}{n} \cdot \sum_{i = 1}^{n} f (x_{i}))

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

Applications

En traitement du signal

Une moyenne d'ordre $p$ sert de moyenne glissante non linéaire car elle fait ressortir les petites valeurs pour $p$ petit et amplifie les grandes valeurs pour $p$ grand.

Notes et références

↑ J. Lelong-Ferrand et J.M. Arnaudiès, Cours de mathématiques tome 2 : Analyse, Dunod université, 1977, p. 586
1 2 (en) Stanislav Sýkora, « Mathematical means and averages: basic properties », Stan's Library, Castano Primo, Italie, vol. III,‎ 2009 (DOI 10.3247/SL3Math09.001)

Voir aussi

Moyenne arithmétique
Moyenne arithmético-géométrique
Moyenne géométrique
Moyenne harmonique
Moyenne de Héron
Inégalité arithmético-géométrique
Moyenne de Lehmer, autre moyenne faisant intervenir des puissances
Moyenne quadratique
Maximum régularisé
Moyenne quasi-arithmétique
Moyenne de Stolarsky, autre moyenne généralisée dépendant d'un indice p

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

[1] J. Lelong-Ferrand et J.M. Arnaudiès, Cours de mathématiques tome 2 : Analyse, Dunod université, 1977, p. 586

[sykora-2] 1 2 (en) Stanislav Sýkora, « Mathematical means and averages: basic properties », Stan's Library, Castano Primo, Italie, vol. III,‎ 2009 (DOI 10.3247/SL3Math09.001)

[1]

[2]