1 Introduction

La théorie des valeurs extrêmes constitue une branche importante de la statistique permettant d’étudier les événements rares et les observations situées dans les queues d’une distribution.

Dans cette étude, nous considérons deux modèles fondamentaux :

Ces deux modèles permettent de caractériser le comportement asymptotique des valeurs extrêmes selon deux approches complémentaires.

2 Modèle mathématique GEV

La loi généralisée des valeurs extrêmes (GEV) est utilisée pour modéliser les maxima par blocs.

Sa fonction de répartition est définie par :

\[ F(x)=\exp\left\{ -\left[1+\xi\left(\frac{x-\mu}{\sigma}\right)\right]^{-1/\xi} \right\} \]

sous la condition :

\[ 1+\xi\left(\frac{x-\mu}{\sigma}\right)>0 \]

avec :

Lorsque \(\xi \rightarrow 0\), la distribution devient :

\[ F(x)=\exp\left\{ -\exp\left(-\frac{x-\mu}{\sigma}\right) \right\} \]

Il s’agit de la distribution de Gumbel.

Nous allons travailler avec deux méthodes :

GEV (Generalized Extreme Value) : méthode des maxima par blocs.

GPD (Generalized Pareto Distribution) : méthode des dépassements de seuil (POT).

3 La fonction de densité

La fonction de densité associée à la loi GEV est :

\[ f(x)=\frac{1}{\sigma} \left[1+\xi\left(\frac{x-\mu}{\sigma}\right)\right]^{-1/\xi-1} \]

\[ \times \exp\left\{ -\left[1+\xi\left(\frac{x-\mu}{\sigma}\right)\right]^{-1/\xi} \right\} \]

pour \(\xi \neq 0\).

4 Fonction quantile

La fonction quantile de la loi GEV est donnée par :

\[ Q(p)=\mu+\frac{\sigma}{\xi} \left[(-\ln p)^{-\xi}-1\right] \]

pour \(\xi \neq 0\) et \(0<p<1\).

Lorsque \(\xi=0\) :

\[ Q(p)=\mu-\sigma\ln(-\ln p) \]

5 Deuxième modèle : loi GPD

6 Fonction de répartition

7 Modèle mathématique GPD

La loi généralisée de Pareto (GPD) est utilisée pour modéliser les dépassements d’un seuil élevé \(u\).

On définit le dépassement par :

\[ Y=X-u \mid X>u \]

Sa fonction de répartition est :

\[ G(y)=1- \left(1+\xi\frac{y}{\beta}\right)^{-1/\xi} \]

avec les conditions :

\[ y\geq 0,\quad \beta>0 \]

et :

\[ 1+\xi\frac{y}{\beta}>0 \]

où :

8 Fonction de densité

La fonction de densité de la loi GPD est :

\[ g(y)=\frac{1}{\beta} \left(1+\xi\frac{y}{\beta}\right)^{-1/\xi-1} \]

pour \(\xi\neq 0\).

Lorsque \(\xi=0\), la loi GPD devient une loi exponentielle :

\[ g(y)=\frac{1}{\beta}\exp\left(-\frac{y}{\beta}\right) \]

La fonction quantile de la loi GPD est :

\[ Q(p)=\frac{\beta}{\xi} \left[(1-p)^{-\xi}-1\right] \]

pour \(\xi\neq 0\).

Lorsque \(\xi=0\) :

\[ Q(p)=-\beta\ln(1-p) \]

9 Comparaison mathématique des deux modèles

Les modèles GEV et GPD sont deux approches complémentaires de la théorie des valeurs extrêmes.

Caractéristiques GEV GPD
Méthode Maxima par blocs Dépassements de seuil
Paramètre de position \(\mu\) \(u\) (seuil)
Paramètre d’échelle \(\sigma\) \(\beta\)
Paramètre de forme \(\xi\) \(\xi\)
Utilisation Maxima annuels ou mensuels Valeurs dépassant un seuil

Le paramètre de forme \(\xi\) détermine le comportement de la queue de distribution dans les deux modèles.

10 Écriture des équations directement avec R

# Paramètres GEV
mu <- 100
sigma <- 15
xi <- 0.2

# Fonction de répartition GEV
F_GEV <- function(x, mu, sigma, xi) {
  if (abs(xi) < 1e-8) {
    return(exp(-exp(-(x-mu)/sigma)))
  }

  t <- 1 + xi*(x-mu)/sigma

  ifelse(t > 0, exp(-t^(-1/xi)),
         ifelse(xi > 0, 0, 1))
}

# Fonction de répartition GPD
F_GPD <- function(y, beta, xi) {
  if (abs(xi) < 1e-8) {
    return(1-exp(-y/beta))
  }

  t <- 1 + xi*y/beta

  ifelse(y >= 0 & t > 0,
         1-t^(-1/xi),
         ifelse(y < 0, 0, 1))
}