Die Pseudomomente dienen als Charakteristikum der Annäherung der Komponenten einer Summenverteilungsfunktion gegen die Komponenten der Grenzverteilungsfunktion. In der Terminologie der Pseudomomente werden Abschätzungen der Annäherung der Summenverteilungsfunktion gegen eine unbegrenz teilbare Verteilungsfunktion angegeben. Dabei werden die Aussagen ohne die Voraussetzung der sogenannten Infinitesimalitätsbedingung hergeleitet. Es werden Abschätzungen angegeben sowohl unter der Voraussetzung endlicher Streuungen als auch ohne diese Voraussetzung. Abschließend werden einige Literaturhinweise angegeben. / The pseudo-moments serve as a characteristic of the approach of the components of a cumulative distribution function to the components of the limit distribution function. In the terminology of pseudo-moments estimates of the approximation of the cumulative distribution function by an indefinite divisible distribution function can be specified. The results are derived without the assumption of the so-called condition of infinitesimality. There are given some estimations with or without the assumption of finite variances. Finally some references are given.

Dans ce travail, nous nous intéressons aux estimateurs Multilevel Monte Carlo. Ces estimateurs vont apparaître sous leur forme standard, avec des poids et dans une forme randomisée. Nous allons rappeler leurs définitions et les résultats existants concernant ces estimateurs en termes de minimisation du coût de simulation. Nous allons ensuite montrer une loi forte des grands nombres et un théorème central limite. Après cela nous allons étudier deux cadres d'applications. Le premier est celui des diffusions avec schémas de discrétisation antithétiques, où nous allons étendre les estimateurs Multilevel aux estimateurs Multilevel avec poids. Le deuxième est le cadre nested, où nous allons nous concentrer sur les hypothèses d'erreur forte et faible. Nous allons conclure par l'implémentation de la forme randomisée des estimateurs Multilevel, en la comparant aux estimateurs Multilevel avec et sans poids. / In this work, we will focus on the Multilevel Monte Carlo estimators. These estimators will appear in their standard form, with weights and in their randomized form. We will recall the previous existing results concerning these estimators, in terms of minimization of the simulation cost. We will then show a strong law of large numbers and a central limit theorem.After that, we will focus on two application frameworks.The first one is the diffusions framework with antithetic discretization schemes, where we will extend the Multilevel estimators to Multilevel estimators with weights, and the second is the nested framework, where we will analyze the weak and the strong error assumptions. We will conclude by implementing the randomized form of the Multilevel estimators, comparing this to the Multilevel estimators with and without weights.

Die Pseudomomente dienen als Charakteristikum der Annäherung der Komponenten einer Summenverteilungsfunktion gegen die Komponenten der Grenzverteilungsfunktion. In der Terminologie der Pseudomomente werden Abschätzungen der Annäherung der Summenverteilungsfunktion gegen eine unbegrenz teilbare Verteilungsfunktion angegeben. Dabei werden die Aussagen ohne die Voraussetzung der sogenannten Infinitesimalitätsbedingung hergeleitet. Es werden Abschätzungen angegeben sowohl unter der Voraussetzung endlicher Streuungen als auch ohne diese Voraussetzung. Abschließend werden einige Literaturhinweise angegeben.:1. Einleitung S. 2 2. Abschätzungen unter Voraussetzung endlicher Streuungen S. 3 3. Abschätzungen ohne die Voraussetzung über die Existenz der Streuungen S. 6 4. Beweise S. 9 5. Beispiel S. 11 Literatur S. 12 / The pseudo-moments serve as a characteristic of the approach of the components of a cumulative distribution function to the components of the limit distribution function. In the terminology of pseudo-moments estimates of the approximation of the cumulative distribution function by an indefinite divisible distribution function can be specified. The results are derived without the assumption of the so-called condition of infinitesimality. There are given some estimations with or without the assumption of finite variances. Finally some references are given.:1. Einleitung S. 2 2. Abschätzungen unter Voraussetzung endlicher Streuungen S. 3 3. Abschätzungen ohne die Voraussetzung über die Existenz der Streuungen S. 6 4. Beweise S. 9 5. Beispiel S. 11 Literatur S. 12

In diesem Artikel werden notwendige und hinreichende Bedingungen für die Gültigkeit von Grenzwertsätzen für mittlere Abweichungen untersucht. In der Terminilogie von J.V.LINNIK (1971) werden die x-Bereiche für mittlere Abweichungen gewöhnlich als "sehr enge" Zonen der integralen normalen Anziehung bezeichnet. Darüber hinaus werden die Restglieder untersucht, die in den asymptotischen Beziehungen auftreten. Die Ordnung der Konvergenzgeschwindigkeit wird angegeben. Frühere Ergebnisse einiger Autoren werden verallgemeinert. Abschließend werden einige Literaturhinweise angegeben.:1. Einleitung S. 2 2. Allgemeine Grenzwertsätze für mittlere Abweichungen mit Angabe der Ordnung der Konvergenzgeschwindigkeit S. 3 3. Die Existenz von Momenten als notwendige Voraussetzung für die Gültigkeit von Grenzwertsätzen für mittlere Abweichungen S. 7 4. Beweise S. 10 Literatur S. 16 / In this paper we study necessary and sufficient conditions for the validity of limit theorems on moderate deviations. Usually x-zones for moderate deviations are called in the terminilogy by YU.V.LINNIK (1971) "very narrow" zones of integral normal attraction. Moreover we analyse the remainder term appearing in the asymptotic relations. Informations on the order of the rate of convergence are given. Earlier results by several authors are generalized. Finally some references are given.:1. Einleitung S. 2 2. Allgemeine Grenzwertsätze für mittlere Abweichungen mit Angabe der Ordnung der Konvergenzgeschwindigkeit S. 3 3. Die Existenz von Momenten als notwendige Voraussetzung für die Gültigkeit von Grenzwertsätzen für mittlere Abweichungen S. 7 4. Beweise S. 10 Literatur S. 16

L'urne de Polya est l'exemple typique de processus stochastique avec renforcement. La limite presque sûre (p.s.) en temps existe, est aléatoire et non dégénérée. L'urne de Friedman est une généralisation naturelle dont la limite (proportion asymptotique en temps) n'est plus aléatoire. De nombreux modèles aléatoires sont fondés sur des processus de renforcement comme pour la conception d'essais cliniques au design adaptatif, en économie, ou pour des algorithmes stochastiques à des fins d'optimisation ou d'estimation non paramétrique. Dans ce mémoire, inspirés par de nombreux articles récents, nous introduisons une nouvelle famille de systèmes (finis) de processus de renforcement où l'interaction se traduit par un phénomène de renforcement collectif additif, de type champ moyen. Les deux taux de renforcement (l'un spécifique à chaque composante, l'autre collectif et commun à toutes les composantes) sont possiblement différents. Nous prouvons deux types de résultats mathématiques. Différents régimes de paramètres doivent être considérés : type de la règle (brièvement, Polya/Friedman), taux du renforcement. Nous prouvons l'existence d'une limite p.s. coommune à toutes les composantes du système (synchronisation). La nature de la limite (aléatoire/déterministe) est étudiée en fonction du régime de paramètres. Nous étudions également les fluctuations en prouvant des théorèmes centraux de la limite. Les changements d'échelle varient en fonction du régime considéré. Différentes vitesses de convergence sont ainsi établies. / The Polya urn is the paradigmatic example of a reinforced stochastic process. It leads to a random (non degenerated) almost sure (a.s.) time-limit.The Friedman urn is a natural generalization whose a.s. time-limit is not random anymore. Many stochastic models for applications are based on reinforced processes, like urns with their use in adaptive design for clinical trials or economy, stochastic algorithms with their use in non parametric estimation or optimisation. In this work, in the stream of previous recent works, we introduce a new family of (finite) systems of reinforced stochastic processes, interacting through an additional collective reinforcement of mean field type. The two reinforcement rules strengths (one componentwise, one collective) are tuned through (possibly) different rates. In the case the reinforcement rates are like 1/n, these reinforcements are of Polya or Friedman type as in urn contexts and may thus lead to limits which may be random or not. We state two kind of mathematical results. Different parameter regimes needs to be considered: type of reinforcement rule (Polya/Friedman), strength of the reinforcement. We study the time-asymptotics and prove that a.s. convergence always holds. Moreover all the components share the same time-limit (synchronization). The nature of the limit (random/deterministic) according to the parameters' regime is considered. We then study fluctuations by proving central limit theorems. Scaling coefficients vary according to the regime considered. This gives insights into the different rates of convergence.