Mélanges de GLMs et nombre de composantes : application ... - Scor
Mélanges de GLMs et nombre de composantes : application ... - Scor
Mélanges de GLMs et nombre de composantes : application ... - Scor
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Chapitre 2. Crises <strong>de</strong> corrélation <strong>de</strong>s comportements<br />
Démonstration. C<strong>et</strong>te proposition découle <strong>de</strong> résultats élémentaires sur les ordres stochastiques<br />
impliquant <strong>de</strong>s distributions Binomiales <strong>et</strong> <strong>de</strong> Bernoulli.<br />
Proposition 4. Lorsque la probabilité individuelle <strong>de</strong> rachat p est fixée, le paramètre <strong>de</strong> corrélation<br />
induit un ordre 2-convex du <strong>nombre</strong> <strong>de</strong> rachats : pour p ∈ (0, 1) fixé, si p 0 < p ′ 0<br />
alors<br />
M (p,p0 ) ≤ 2 M (p,p ′<br />
0<br />
).<br />
Démonstration. Sachant que le <strong>nombre</strong> <strong>de</strong> comportements moutonniers N vaut k, le <strong>nombre</strong><br />
total <strong>de</strong> rachats est<br />
M (p,k) = k.I 0 + 0.I ⊥ 1 + 0.I ⊥ 2 + ... + 0.I ⊥ k + 1.I⊥ k+1 + ... + 1.I⊥ n .<br />
Sachant que N = k ′<br />
avec k ≤ k ′ , nous avons<br />
M (p,k ′ ) = k ′ .I 0 + 0.I ⊥ 1 + ... + 0.I ⊥ k + ... + 0.I⊥ k ′ + 1.I⊥ k ′ +1 + ... + 1.I⊥ n .<br />
Nous pouvons comparer les <strong>de</strong>ux variables aléatoires M (p,k) <strong>et</strong> M (p,k ′ ) par un ordre <strong>de</strong> majorisation<br />
(voir par exemple Marshall and Olkin (1979)). Notons Z ↓ = (z ↓ 1 , . . . , z↓ K<br />
) le vecteur<br />
<strong>de</strong>s mêmes <strong>composantes</strong> que Z (quelconque) classées en ordre décroissant. Connaissant <strong>de</strong>ux<br />
vecteurs Y = (y 1 , . . . , y K ) <strong>et</strong> Z = (z 1 , . . . , z K ) <strong>de</strong> taille K ≥ 1 tels que<br />
K∑<br />
y i =<br />
i=1<br />
K∑<br />
z i ,<br />
i=1<br />
rappelons que Z est dit majorant Y si pour tout j ≤ K,<br />
j∑<br />
y ↓ i ≤<br />
i=1<br />
j∑<br />
z ↓ i .<br />
i=1<br />
D’après Marshall and Olkin (1979), si le vecteur α = (α 0 , ..., α n ) est plus p<strong>et</strong>it que le<br />
vecteur β = (β 0 , ..., β n ) dans l’ordre <strong>de</strong> majorisation partielle, <strong>et</strong> si les X i sont i.i.d., alors nous<br />
obtenons l’ordre convexe suivant :<br />
∑ ∑<br />
α i X i ≤ 2 β i X i .<br />
i<br />
i<br />
Nous posons X i = I ⊥ i<br />
<strong>et</strong><br />
(α 0 , ..., α n ) = (k, 0, ..., 0, 1, ..., 1) <strong>et</strong> (β<br />
} {{ }<br />
0 , ..., β n ) = (k ′ , 0, ..., 0, 1, ..., 1).<br />
} {{ }<br />
k fois<br />
k ′ fois<br />
Pour k ≤ k ′ , le vecteur (β 0 , ..., β n ) majore clairement le vecteur (α 0 , ..., α n ). De plus, la variable<br />
aléatoire (N ∼ Bin(n, p 0 )) est stochastiquement croissante en p 0 . Nous pouvons donc conclure<br />
que pour p 0 ≤ p ′ 0 , M (p,p0 ) ≤ 2 M (p,p ′<br />
0<br />
),<br />
où M (p,p0 ) est le <strong>nombre</strong> d’assurés qui rachètent quand la probabilité <strong>de</strong> se comporter en<br />
mouton vaut p 0 <strong>et</strong> quand la probabilité individuelle <strong>de</strong> rachat est p.<br />
56