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.
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).
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 \(\xi \neq 0\).
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 \(\xi=0\) :
\[ Q(p)=\mu-\sigma\ln(-\ln p) \]
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 :
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 \(\xi=0\) :
\[ Q(p)=-\beta\ln(1-p) \]
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.
# 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))
}