Lois normales

Soient deux va $X$ et $Y$ suivant deux lois normales centrées $N(0,\sigma^2_X)$ et $N(0,\sigma^2_Y)$ qui sont corrélées $\rho(X,Y)$ et $f$, $g$ deux fonctions croissantes . Alors il parait que $\rho(f(X),g(Y)) \leq \rho(X,Y)$

Pourquoi ?

Réponses

  • Bonsoir
    Si on prend X normale centrée réduite , Y=X et f(t)=g(t)=2t, alors X, Y, f, g vérifient les hypothèses, mais la conclusion est fausse.
  • Si $X=Y$ alors la corel doit être de $1$.
    Si $X=Y$ en loi, et $X$ normale centrée réduite, la corel est $\rho(X,Y) = Cov(X,Y)$, ensuite $\rho(2X,2Y) = \frac{Cov(2X,2Y)}{\sqrt{V(2X) \cdot V(2Y)}} = Cov(X,Y)$ donc ça marche encore
  • Ok, je pensais que tu appelais "corrélation" la "covariance".
  • LE PROBLEME RESTE OUVERT
    J'ai eu le droit à une super indication : développer f et g en série de polynômes de Hermite... Ok ...

    [Ainsi que cette autre indication : Charles Hermite (1822-1901) mérite bien une majuscule. :) AD]
  • Bonjour,

    Je connais ce resultat (et l'une des methodes pour le prouver repose en effet sur une decomposition en polynomes d'Hermite), mais avec des hypotheses differentes, a savoir (X,Y) vecteur gaussien et f et g quelconques (L2 quand meme).
    Mais avec les hypotheses que tu as, la preuve avec les polynomes d'Hermite me semble difficile a adapter au cas ou on n'a pas un vecteur gaussien. J'imagine que l'hypothese de monotonicite de f et g sert a regler ce probleme, mais je ne vois pas comment cette hypothese se traduit en propriete sur la decomposition ...

    Bref, tu peux quand meme regarder l'article original :

    Some Properties of the Bivariate Normal Distribution Considered in the Form of a Contingency Table, H. O. Lancaster, Biometrika, Vol. 44, No. 1/2 (Jun., 1957), pp. 289-292

    A mon avis, il faudrait suivre une autre piste ...

    Amicalement,

    ps : il faut une valeur absolue dans le membre de droite
  • Je viens de rencontrer ce résultat aujourd'hui, et voici l'idée de la preuve qui était présentée :

    Les polynômes d'Hermite $H_n$ sont en effet très pratiques ici :
    $$ \int_{\mathbb{R}} H_n(x) H_m(x) \frac{\exp\big(-\frac{x^2}{2}\big)}{\sqrt{2 \pi}} = n!\, \delta(m,n)$$
    où $\delta$ est le symbole de Kronecker. En d'autres termes, les polynômes d'Hermite sont orthogonaux pour le bon produit scalaire (celui que les probabilistes aiment bien...)

    On suppose que $E\big(f(X)\big)=E\big(g(Y)\big)=0$, ce qui ne change rien car on considère des corrélations. Après quelques calculs (hic !) on montre que :
    $$ f(x) = \sum_1^{\infty} a_k H_k(x),\quad g(x) = \sum_1^{\infty} b_k H_k(x)$$ (ie: $a_0=b_0=0$)
    et
    $E\big(H_m(X) H_n(Y)\big) = \rho^n n! \delta(m,n)$

    Une fois fait ces longs calculs, c'est presque fini car : $\displaystyle \mathrm{cov}\big(f(X), g(Y)\big) = \sum_1^{\infty} a_k b_k \rho^k k!$
    et donc par Cauchy-Schwarz :
    $$ \rho\big(f(X), g(Y)\big) = |\rho| \frac{|\sum_1^{\infty} a_k b_k \rho^{k-1} k! |}{ \sqrt{|\sum_1^{\infty} a_k^2 k!| |\sum_1^{\infty} b_k^2 k!|} } \leq |\rho|$$
  • T aurais une reference ???
    Faudrais que je lise qqchose sur l utilisation des polynomes orthogonaux...
    dois y avoir des sujets de centrale la dessus
  • il y a une preuve dans:
    "One thousands exercices in probability" par Grimmet. Je peux essayer de t'envoyer le bouquin sur ton mail si ca t'interesses, mais c'est un peu gros: 7Mb
Connectez-vous ou Inscrivez-vous pour répondre.