1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
|
\documentclass[11pt,article,french]{memoir}
\usepackage{amsmath}
\usepackage{babel}
\usepackage[autolanguage]{numprint}
%% Activer les lignes appropriées selon le moteur utilisé
\usepackage[utf8]{inputenc} % LaTeX
\usepackage[T1]{fontenc} % LaTeX
% \usepackage{fontspec} % XeLaTeX
\begin{document}
Soit deux variables aléatoires stochastiquement indépendantes $X_1$ et
$X_2$. La loi de la première est une exponentielle de paramètre $1$.
Celle de la seconde est une gamma de paramètres $\alpha$ et $1$. Nous
allons déterminer la loi de $Y = \theta (X_1/X_2)$.
En premier lieu, la densité conjointe de $X_1$ et $X_2$ est
simplement le produit des densités marginales:
\begin{equation*}
f_{X_1 X_2}(x_1, x_2) = \frac{1}{\Gamma(\alpha)}
x_2^{\alpha - 1} e^{-(x_1 + x_2)}, \qquad
x_1 > 0, x_2 > 0.
\end{equation*}
Nous allons utiliser la méthode du changement de variable (ou du
Jacobien). Pour ce faire, on pose les deux transformations
\begin{equation*}
\begin{aligned}
Y_1 &= \theta \left( \frac{X_1}{X_2} \right) \\
Y_2 &= X_2
\end{aligned}
\qquad \Leftrightarrow \qquad
\begin{aligned}
X_1 &= \frac{Y_1 Y_2}{\theta} \\
X_2 &= Y_2
\end{aligned}
\end{equation*}
et donc
\begin{align*}
\frac{\partial x_1}{\partial y_1} &= \frac{y_2}{\theta} &
\frac{\partial x_1}{\partial y_2} &= \frac{y_1}{\theta} \\
\frac{\partial x_2}{\partial y_1} &= 0 &
\frac{\partial x_2}{\partial y_2} &= 1,
\end{align*}
d'où le Jacobien de la transformation est
\begin{equation*}
J =
\begin{vmatrix}
y_2/\theta & y_1/\theta \\
0 & 1
\end{vmatrix}
= \frac{y_2}{\theta}.
\end{equation*}
Le domaine de $Y_1$ et de $Y_2$ est $R^+$. On a donc
\begin{align*}
f_{Y_1 Y_2}(y_1, y_2)
&= f_{X_1 X_2}(y_1 y_2/\theta, y_2)\, \lvert y_2/\theta \rvert \\
&= \frac{1}{\theta \Gamma(\alpha)} y_2^\alpha
e^{-(y_1 y_2/\theta + y_2)}.
\end{align*}
Par conséquent,
\begin{align*}
f_{Y_1}(y_1)
&= \int_0^\infty f_{Y_1 Y_2}(y_1, y_2)\, dy_2 \\
&= \frac{1}{\theta} \int_0^\infty
\frac{1}{\Gamma(\alpha)} y_2^{\alpha + 1 - 1}
e^{-[(y_1 + \theta)/\theta] y_2}\, dy_2 \\
&= \frac{1}{\theta}
\frac{\theta^{\alpha + 1}}{(y_1 + \theta)^{\alpha + 1}} \\
&= \frac{\theta^\alpha}{%
(y_1 + \theta)^{\alpha + 1}}, \qquad y_1 > 0,
\end{align*}
d'où la loi de $Y_1 = \theta (X_1/X_2)$ est une Pareto$(\alpha, \theta)$.
\end{document}
|