République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur et de la Recherche

Scienti…que
UNIVERSITÉ KASDI MERBAH OUARGLA

FACULTÉ DE MATHÉMATIQUES ET SCIENCES DE LA

MATIÈRE

DÉPARTEMENT DE MATHÉMATIQUES

Mémoire présenté En Vue De L’obtention Du

DIPLÔME DE MASTER

EN MATHÉMATIQUES

Option : Probabilité et Statistique

Par

BENABED Rabah

Thème

Estimation de la moyenne d’une distribution

à queue lourde en présence de censure
Membres du jury
BOUSAAD Abdelmalek Maître assistant classe "A" UKMO Président
MANSOUL Brahim Maître assistant classe "A" UKMO Examinateur
ARBIA Hanane Maître assistant classe "A" UKMO Rapporteur

novembre 2020
 Dédicace
Je dédie ce modeste travail

A ma tres chère mère et mon trés cher père

A mes cheres soeurs et frères

A toute la famille BENABED

A mes chers amis

Je tiens à remercier tous les membres de ma promotion

Et tous mes professeurs

Finalement à tous ceux qui m’ont aidée de proche ou de loin

i
 Remerciements

J’exprime d’abord mon profond remerciements à Dieu qui jai donné le

courage et la volonté d’achever ce travail.

Je remercier particulièrement mes parents ; notre succès demeure de loin

le fruit de leurs longues années de sacri…ces et d’éducation.

Mon sentiments de reconnaissance et mon remerciements vont à ma Pro-

motrice [Link] H, pour ses conseils, ses encouragements, sa patience,
sa compétence, ses qualités humaines et scienti…ques resterons pour nous un
exemple, qui nous en permis de bien mener ce travail. Le suivi et l’orientation
dont nous avons pu béné…cier.

Mon remerciements vont au président de jury Pr. BOUSAAD Abdelma-

lek, merci de nous avoir fait l’honneur d’accepter de présider ce jury.

Mon vif remerciements s’adressent aussi au Pr. MANSOUL Brahim, qui a

accepté d’examiner mon travail avec la bienveillance et je suis très honoré.

Un remerciement spécial à notre responsable de spécialité Pr. BEHDDI

M, pour sa disponibilité et sa sympathie.

Mon remerciements les plus chaleureux s’adressent à ma soeur MOKH-

TAR .H, qui a contribué à la réalisation de ce modeste travail.

Merci à tout

ii
Table des matières

Dédicace i

Remerciements ii

Table des matières iii

Table des …gures v

Notations et abriviations vi

Introduction 1

1 THÉORIE DES VALEURS EXTRÉMES 3

1.1 Statistique d’Ordre . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Distribution d’une statistique d’ordre . . . . . . . . . . 4
1.2 Dé…nitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Comportement asymptotique des extrêmes . . . . . . . . . . . 8
1.3.1 Distribution des valeurs extrêmes . . . . . . . . . . . . 8
1.4 Distributions GEV . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 Domaines d’attraction . . . . . . . . . . . . . . . . . . . . . . 11
1.5.1 Caractérisations des domaines d’attraction . . . . . . . 13
1.6 Distribution GPD . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.7 Théorème de Balkema-de Haan-Pickands . . . . . . . . . . . . 17
1.8 Estimateur de l’indice des valeurs extrêmes . . . . . . . . . . . 17
1.8.1 L’estimateur de Pickands . . . . . . . . . . . . . . . . . 17
1.8.2 Estimateur de Hill (1975) bkHn . . . . . . . . . . . . . . 19
1.8.3 L’estimateur des moments de Dekkers-Einmahl De Haan 23

iii
2 Introduction à l’analyse de survie 25
2.1 Dé…nitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Données de censure . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2.1 Caractéristiques . . . . . . . . . . . . . . . . . . . . . . 27
2.2.2 Types de censures . . . . . . . . . . . . . . . . . . . . . 27
2.3 Estimateur de Kaplan-Meier bS(t) . . . . . . . . . . . . . . . . 30
2.4 Estimation de l’indice des valeurs extrême avec censure . . . . 31

3 ESTIMATION DE LA MOYENNE AVEC CENSURE 35

3.1 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

Conclusion 39

Bibliographie 40

iv
Table des …gures

1.1 Fonction de distribution de Gumbel (en noire) et de Fréchet

(en bleu) et de Weibull (en rouge). . . . . . . . . . . . . . . . 11
1.2 Queue lourde. . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3 Queue légère. . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Queue …nie. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5 Représentation des excés Y issus des dépassements Y au-delà
d’un seuil u. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6 Estimateur de Pickands avec un intervalle de con…ance 95% de
basés sur 100 échantillons de taille 3000 pour la loi uniforme. 19
1.7 L’estimateur de Hill avec un intervalle de conance 95% de
basés sur 100 échantillons de taille 3000 pour la loi de Pareto
standard. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.8 Estimateur des moments avec un intervalle de confance 95%
de baséssur 100 échantillons de taille 3000 pour la loi de
Gumbel standard. . . . . . . . . . . . . . . . . . . . . . . . . . 24

v
 Notations et abriviations

EV D : Distribution des valeurs extrêmes

EV I; : Indice des valeurs extrêmes

F : Fonction de répartion (f dr)

Fn : Fonction de répartion empirique

F : Iverse généralisé de F

GEV : Distribution des valeurs extrêmes généralisée

GP D : Distribution de pareto généralisée

G : Famille de la loi de valeurs extrêmes généralisée

iid : Indépendantes et identiqument distribuées

IfAg : Fonction indicatrices de l’ensemble A

A : loi de Gumbel

vi
` (x) : Fonction à variation lente

DA : Domaine d’atraction de maximum

Mn = Xn;n : Maxcimum de X1 ; :::; Xn

p:s : Prèsque sûre

: Loi de Fréchet

: Loi de Weibull

: Loi de Gumbel

resp : Respectivement

S=F : 1 F fonction de survie

T EV : Théorème des valeurs extrêmes

X1:n ; :::; Xn:n : Statistique d’ordre asscociées à X1 ; :::; Xn

X ^Y : min (X; Y )

xF : Point terminal

vii
b(c;H) : Estimation de Hill avec les donnéées censurées

( ; A; P ) : Espace probabilité

N (0; 1) : Loi normal standard

inf A : Supermum de l’ensemble

p:s
! : Converge prèsque sûre

l
! : Converge en loi

d
! : Converge en distribution
p
! : Convere en probabilité

Q : Fonction de quantile

Qn : Quantile empirique

viii
Introduction

La théorie des valeurs extrêmes a fourni un cadre dans lequel une estima-
tion des forces anticipées pourrait être faite à l’aide de données historiques.

Apparue au cours des dernières années la modélisation du valeur extrêmes

dans le cas censure. En 1997, et en 2007 il a été étudié par Beirlant et al [1].
L’étude a continué jusqu’en 2008, ou Einmahl et al [6], il a présenté l’indice
est de diviser l’indicateur de Hill (1975) [10]sur pb.

Estimation de la moyenne d’un distribution à queue lourde en présence de

censure ont un grand intérêt dans plusieurs domaines matématiques. Notre
sujet se divise en trois chapitres :

Dans le premier chapitre, on a présenté une introduction sur la théorie

des valeurs extrêmes et on a dé…nit les statistiques d’ordre, ainsi que les lois
exactes des statistiques d’ordre et les lois asymptotiques des valeurs extrêmes.
Ensuite, on a donné le résultat fondamontal de la distribution GEV, ainsi que
les caractéristiques des di¤érents domaines d’attraction du maximum puis on
a introduit la distribution GPD et le théorème de Belkema et de Haan, et
on a donné les estimateurs classiques de l’indice de queue tels l’estimateur
de Hill, de Pickands et des Moments.

Dans le deuxième chapitre, nous rappelons des préliminaires sur les mo-
dèles de survie. Nous introduisons les principales fonctions en analyse de
survie : fonction de survie et les di¤érentes formes du taux de risque...ect.
Nous donnons aussi les di¤érents types de censure (censure à droite, censure à
gauche, censure par intervalle, ect....) et on a présenté les principaux estima-
teurs non-paramétriques qui sont l’estimateur de Kaplan-Meier de fonction
de survie .Dans la dernière partie on présentera l’estimateur de l’indice des
valeurs extrêmes avec censure.

1
 Le troixième chapitre traite l’estimation des moyennes aléatoires. L’ob-
jectif principal de ce chapitre est de proposer une méthode pour estimer la
moyenne de distribution à queue lourde en présence de censure.

2
Chapitre 1

THÉORIE DES VALEURS

EXTRÉMES

La théorie des valeurs extrêmes(TVE) communément appelée « Extrêrme

Value Theory» (EVT) en anglais, est une vaste théorie dont le but est
d’étudier les événements rares c’est-à-dire les événements dont la probabi-
lité d’appartition est faible. Autrement dit, elle essaie d’amener des éléments
de réponses aux intempéries, aux catastrophes naturelles, aux problemes …-
nanciers, ... etc. Les ouvrages de Reiss et Thomas (2007)[18], Embrechts et
al.(1997)[7],Beirlant et al.(2007)[1], qui font le point sur les di¤érentes tech-
niques existantes.

1.1 Statistique d’Ordre

Les statistiques d’ordre fournissent des informations sur la distribution
de queue, pour ça ils sont trés importantes dans la théorie des valeurs ex-
tremes. en e¤et, de façon naturelle et depuis long-temps, dans les problèmes
de données censurées ou tronquées.

Soit X1 ; X2 ; :::; Xn n variables aléatoires iid de distribution commune F .

les va’s X1;n ; X2;n ; :::; Xn;n sont rangés par ordre croissante, soit :

X1;n X2n ::: Xn;n

3
 sont appelées les statistiques d’ordre de l’échantillon X1 ; X2 ; :::; Xn :

Deux statistiques d’otdre sont particulièrement intéresantes pour l’étude

des événements extrêmes. Ce sont les statistiques d’ordre extrêmes qui sont
données par la dé…nition suivante :

X1;n = min(X1 ; :::; Xn ) et Xn;n = max(X1 ; :::; Xn )

On note qu ’il est trés facile de passer de l’un à l’autre à l’aide de la

relation :

min(X1 ; :::; Xn ) = max( X1 ; :::; Xn )

Dans la suite de ce mémoire, on se concentrera sur l’étude du maximum.

1.1.1 Distribution d’une statistique d’ordre

Loi de Xi;n :

X
n
Fi;n = P fXi;n xg = Crn (F (x))r (1 F (x))n r :
r=i

Nous en déduisons que la fonction de densité est :

n!
fi;n (x) = [F (x)]i 1
[1 F (x)]n i
f (x);
(i 1)!(n i)!

où f (x) est la densité de probabilité de Xi et F sa fonction de répartition

associée.

Loi de X1;n
On a

4
 fX1;n > xg () fmin(X1 ; :::; Xn ) > xg
\n
() fXi > xg
i=1

En utilisant la propriété d’indépendance des variables aléatoires X1 ; :::;

Xn nous en déduisons que :

F1;n (x) = P fX1;n xg

= 1 P fXi;n > xg
(n )
\
=1 P fXi > xg
i=1
Y
n
=1 P fXi > xg
i=1
Yn
=1 [1 P fXi xg]
i=1
=1 [1 F (x)]n ;

d’où,

f1;n (x) = nf (x)(1 F (x))n 1

Loi de Xn;n
On a

fXn;n xg () fmax(X1 ; :::; Xn ) xg

\n
() fXi xg
i=1

En utilisant la propriété d’indépendance des variables aléatoires X1 ; :::;

Xn ; nous en déduisons que :

5
 Fn;n (x) = P fXn;n xg
= P f\ni=1 fXi xgg
Yn
= P fXi xg
i=1
= [F (x)]n ;

d’où,

fn;n (x) = nf (x)(F (x))n 1

1.2 Dé…nitions
Dé…nition 1.1 (La fonction de répartition empirique) La fonction de
répartition empirique de l’échantillon (X1 ; :::; Xn ) notée Fn est donnée par :

1X
n
Fn (x) = 1] 1;x[ (Xi ); x 2 R:
n i=1

Il existe une autre version de la dé…nition de Fn :

8
>
> 0 si, x X1;n
>
>
<
i 1
Fn (x) = n
si, Xi 1;n < x Xi;n 2 i<n
>
>
>
>
:
1 si, x > Xn;n

Dé…nition 1.2 (Les fonctions de quantile et de quantile de queue)

On défnit la fonction des quantiles Q par :

Q(s) = F (s) = inf fx 2 R : F (x) sg ; 0 < s < 1;

6
 où F est l’inverse généralisée de F . Dans la théorie des extrêmes une
fonction, notée par U et (parfois) appelée la fonction quantile de queue, est
utilisée assez souvent et elle est défnie comme :

_
U (t) = Q(1 1=t) = (1=F ) (t); 1 < t < 1;
où

_
F (t) = 1 F (t)
Dé…nition 1.3 (La fonction de survie) La fonction de survie est pour t
…xé, probabitité de survivre jusqu’à l’instant t, c’est-à-dire pour t 0

S(t) = 1 F (x)
= P (X > t)
Dé…nition 1.4 (Fonctions empiriques de répartition et de survie) Soit
X1 ; :::; Xn un échantillon de taille n 1 d’une v.a positive X de fonction
de répartition F et de fonction de survie F . Les fonctions empiriques de
répartition et de survie, Fn et F n sont respectivement dé…nies par :

1X
n
Fn (t) = 1 fXi tg ; 8t 0
n i=1
et

F n (t) = 1 Fn (t)
1 X
n
= 1 fXi tg ; 8t 0
n i=1
où 1 fAg est la fonction indicatrice de l’ensemble A.
Théorème 1.1 (Théorème Central Limite) Soit X1 ; :::; Xn une suite de
variables aléatoires i:i:d de moyenne et de variance 2 …nie, alors :

p Xi d
n ! N (0; 1) quand n ! 1

7
1.3 Comportement asymptotique des extrêmes
Nous posons

Mn = max(X1 ; :::; Xn ):

Nous tirons la conclusion que le maximum Mn est une variable aléatoire

dont la fonction de répartition est égale à (FX )n : La fonction de répartition
de X étant souvent inconnue et généralement pas possible d’être déterminée.
Notons xF = sup fx 2 R : FX (x) < 1g le point terminal à droite de la fonc-
tionde répartition FX . Ce point terminal peut être in…ni ou …ni (Embrechts
et al. 1997 [7]). On s’intéresse ici au distribution asymptotique du maximum,
en faisant tendre n vers l’in…ni,

8
< 0 si F (x) < 1
n
lim FMn (x) = lim [FX (x)] =
n!1 n!1 :
1 si F (x) = 1

On constate que la distribution asymptotique du maximum, donne une

loi dégénérée, une masse de Dirac en xF , puisque pour certaines valeurs de
x, la probabilité peut être égale à 1 dans le cas où xF est …ni. Donc Mn tend
vers xF presque sûrement, Ce fait ne fournit pas assez d’informations. On
s’intéresse par conséquent une loi non dégénérée pour le maximum, la théorie
des valeurs extrêmes permet de donner une réponse cette problématique. Les
premièrs résultats sur la caractérisation du comportement asymptotique des
maxima Mn convenablement normalisés et donnés par la suite :

1.3.1 Distribution des valeurs extrêmes

Théorème 1.2 (Fisher et Tippett, 1928, Gnedenkon, 1943) [8] ; [9] Soit
X1 ; :::; Xn une suite de n variables aléatoires réelles i.i.d de loi continue P et
Mn = max(X1 ; :::; Xn ). S’il existe deux suites réelles (an )n 1 et (bn )n 1 ; avec
bn > 0, et une fonction de répartition non-dégénérée G telle que,

8
 Mn b n
lim P x = lim [F (an x + bn )]n
n!1 an n!1

= G (x); 8x 2 R

Alors G est du même type qu ’une des trois lois suivantes :

loi de Gumbel :

(x) = exp( exp( x)) 1 < x < +1

loi de Frechet :
8
< 0 x<0
(x) =
: 1=
exp( x ) x 0; > 0;

loi de Weibull :

8
>
< exp ( x) 1=
x < 0, <0,
(x) =
>
:
1 x 0;

avec, G est la loi des valeurs extrêmes, est l’indice des valeurs extrêmes
et an et bn sont des paramètres de normalisation. Ce théorème donne la forme
des lois limites de G .

1.4 Distributions GEV

Il est di¢ cile de travailler avec trois familles à la fois, Jenkinson en
1955 [11] montre que ces trois familles peuvent être regroupées sous une forme
unique dite famille des lois des valeurs extrêmes généralisées (GEV, Genera-
lized Extreme Value distribution).

Dé…nition 1.5 (Distribution GEV ) La fonction de répartition de la fa-

mille G des valeurs extrêmes généralisées GEV , est pour 2 R et 1 + x > 0

9
 8
>
< exp (1 + x) 1=
; 8x 2 R; 1 + x > 0 si 6= 0
G (x) =
>
:
exp ( exp ( x)) ; 8x 2 R; si =0

La forme la plus générale de la distribution des valeurs extrêmes est :

1
!
x x
G ; ; = exp 1+ ; 6= 0; 1 + > 0:

où G est une fonction de répartition non-dégénérée. est un paramètre

de localisation, il est directement lié à la valeur la plus probable de la loi,
il indique donc approximativement où se trouve le coeur de la distribution.
est un paramètre de dispersion, il indique l’étalement des extrêmes. est
l’indice de queue.

Remarque 1.1 Les trois lois des extrêmes peuvent être représentés en fonc-
tion de G par

8
>
> (x) =0
>
>
>
<
G = 1 (x) >0
>
>
>
>
>
: 1 (x) <0

La densité correspondante à G ; ; est :

8
> 1 x ( 1+ ) x
1
x
< 1+ exp 1+ ; si 6= 0; 1 + >0
G ; ; =
>
: x
x u
exp exp ; si = 0; 1 x 1

Cette densités est présentée dans la …gure suivante

10
Fig. 1.1 –Fonction de distribution de Gumbel (en noire) et de Fréchet (en
bleu) et de Weibull (en rouge).

1.5 Domaines d’attraction

Le théorème précédant découle immédiatement que le comportement de
la queue de distribution d’une fonction est complètement caractérisé par un
unique paramètre noté , et appelé indice des valeurs extrêmes. Le signe de ce
paramètre est un indicateur essentiel sur la forme de la queue de distribution.
il faut donc distinguer les troix cas possibles :

– Si > 0, F appartient au domaine d’attraction de Fréchet,et l’on note

F 2 D(F rechet), Il contient toutes les lois dont la fonction de survie
décroitcomme une fonction puissance. Ce sont les lois à «queue lourde»
ou lois de type Pareto, ces lois ont un point terminal xF in…ni, ex : Burr,
Pareto strict,...ect.
– Si = 0; F appartient au domaine d’attraction de Gumbel, et l’on
note F 2 D(Gumbel), les queues des lois appartenant à ce domaine
décroissance de manière exponentielle (i.e. les lois à queue légères) et
le point terminal xF peut être …ni ou non, ex : Gamma, Logestic,...ect.
– Si < 0; F appartient au domaine d’attraction de Weibull, et l’on
note F 2 D(W eibll); les lois de ce domaine d’attraction ont un point
terminal xF …ni, ex : uniforme,...ect.

11
Fig. 1.2 –Queue lourde.

Fig. 1.3 –Queue légère.

12
 Fig. 1.4 –Queue …nie.

1.5.1 Caractérisations des domaines d’attraction

Nous donnons dans cette partie la caractérisation des trois domaines dat-
tractions, Fréchet, Weibull et Gumbel.

D’abord, nous donnons la dé…nition d’une fonction variation régulière

parce quelle est présente dans la caractérisation des domaines dattraction.

Dé…nition 1.6 (Fonctions à variation régulière) Une fonction mesurable

f : R+ ! R+ est à variation régulière l’in…ni si et seulement si, il existe
un réel tel que, pour tout x > 0;

f (tx)
lim =x
x!1 f (t)

Et on note f 2 V R ; est appelé indice de la fonction variation régulière.

Proposition 1.1 Soient 2 R et f 2 V R alors il existe une fonction à

variation lente l à l’in…ni telle que :

8x > 0; f (x) = x l(x):

13
Dé…nition 1.7 Une fonction de répartition F sur R appartient une classe
à variation régulière V R s’il existe 0 tel que 1 F 2 V R sur R; ou
d’une manière équivalente :

1 F (x)~x l(x); quand x ! 1;

pour certaines ` 2 RV0 :

Domaine d’attraction de Fréchet

Théorème 1.3 Une fonction de répartition F appartient au domaine d’at-
traction de Fréchet avec un indice des valeurs extrêmes > 0 si et seulement
si
xF = supfx : F (x) < 1g = +1
et sa fonction de survie F 2 RV 1= :

1=
1 F (x) = x l(x)

Dans ce cas un choix possible des suites de normalisation an et bn est :

1 1
an = F (1 )=F ( ) et bn = 0
n n

Domaine d’attraction de Gumbel

Théorème 1.4 Une fonction de répartition F appartient au domaine d’at-
traction de Gumbel si et seulement si
Z x
g (t)
xF 1 et F (x) = c(x) expf dtg; y < x < xF ;
y a (t)

ou c(x) ! c > 0; g(x) ! 1 et a0 (x) ! 0 si x ! xF .

un choix possible pour la fonction a est la fonction moyenne des excès

dé…nie par :

14
 Z xF
1
a(x) = F (t)dt; x < xF :
F (x) x

Dans ce cas les suites an et bn sont ainsi dé…nies :

1
bn = F (1 ) et an = a(bn ):
n

Domaine d’attraction de Weibull

Théorème 1.5 Une fonction de répartition F appartient au domaine d’at-
traction de Weibull avec < 0 si et seulement si xF < +1 et en plus
1 F est une fonction à variation régulière d’indice 1= c’est-à-dire

1=
F =1 (xF x) l((xF x) 1 )
avec
8
>
< 0 si x 0;
F (x) =
>
: F xF 1
x sinon.

où l est une fonction à variation lente à l’in…ni (l 2 RV0 ).

Dans ce domaine d’attraction les suites de normalisation sont déterminées

comme suit :

1
an = x F F (1 ) et bn = xF :
n

15
1.6 Distribution GPD
Pickands a introduit la méthode POT (Peaks-over-Threshold) encore ap-
pelée méthode des excés au-delà d’un certain seuil réel u su¢ samment grand,
infèrieur au point terminal (u < xF ). Cette méthode consiste utiliser les ob-
servations qui dépassent un certain seuil, plus particulièrement les di¢ rences
entre ces observations et le seuil, appelées "excés".

Soient un échantillon de va’s i.i.d X1 ; :::; Xn et u un seuil …xételque u <

xF : On note par Nu le nombre d’exceedances X1 ; :::; XNu qui dépassent le seuil
u. On appelle excés au-delà du seuil u les Yj = Xi u, pour j = 1; :::; Nu :

Le principe de cette méthode est répresenté dans la …gure suivante

Fig. 1.5 –Représentation des excés Y issus des dépassements Y au-delà d’un
seuil u.

Dé…nition 1.8 (La fonction de distribution des excés) Nous dé…nissons

la fonction de distribution des excés au dessus du seuil u par :

Fu (y) = P (Y y j X > u)
= P (X u < y j X > u)
F (u + y) F (u)
=
1 F (u)

16
 Si F appartient à l’un des trois domaines d’attraction de la loi des valeurs
extrêmes (Fréchet, Gumbel ou Weibull), alors il existe une fonction (u)
strictement positive et un 2 R tels que :

8 1
>
< 1 1
y
si 6= 0 , > 0;
G ; (y) =
>
: 1 y
exp si =0, > 0;

1.7 Théorème de Balkema-de Haan-Pickands

Le théorème suivant fait le lien entre le comportement asymptotique de
la distribution des excés et la loi de Pareto généralisé.

Théorème 1.6 (de Balkema-de Haan-Pickands) Soit Fu la distribution

des excés. Si F 2 DA (H ) ,la GP D est la distribution limite de la distribu-
tion des excés lorsque le seuil tend vers xF :

lim sup Fu (x) G ; (u) (x) = 0

u!xF 0 x xF u

où (u) une fonction positive mesurable.

1.8 Estimateur de l’indice des valeurs extrêmes

1.8.1 L’estimateur de Pickands
Cet estimateur a été intoduit par Pickands (1975)[17] pour 2 R. Il est
le premier estimateur de

Dé…nition 1.9 L’estimateur de Pickands(1975) combine 4 statistique d’ordre.

Il est calculé pour un ensemble de rang k. Sa formule est donnée par :

(p) 1 X(n k+1;n) X(n 2k+1;n)

bn;k = log
log 2 X(n 2k+1;n) X(n 4k+1;n)

17
 où X1 ; :::; Xn un échantillon de variables aléatoires i.i.d et n est la taille
de l’échantillon observé.

Pickands (1975)[17] a démontré la consistance faible de son estimateur. La

convergence forte ainsi que la normalité asymptotique ont été démontrées par
Dekkers et De Haan. Des améliorations de cet estimateur ont été introduites
notamment par Drees et Segers.
(p)
Théorème 1.7 (propriétés de b(n;k) )

Supposons que F 2 DA(H ); 2 R; k = k(n) ! 1 et k=n ! 0

quand! 1
a . consistance faible :

(p) p
bn;k ! quand n ! 1

b . consistance fote : Si k= log log n ! 1 quand n ! 1; alos

(p) p:s
bn;k ! quand n ! 1

c . Normalité asymptotique : Sous des conditions additionnelles sur la

suitek(n) et la distribution F

p (p) L
2
(22 +1 + 1)
k bn;k !N 0; quand n ! 1
4 (log 2)2 (2 1)2

18
Fig. 1.6 –Estimateur de Pickands avec un intervalle de con…ance 95% de
basés sur 100 échantillons de taille 3000 pour la loi uniforme.

1.8.2 Estimateur de Hill (1975) bkHn

L’estimateur de Hill de l’indice de queue (également connu sous le nom
indice des valeurs extrêmes), uniquement dé…ni pour les indices positifs > 0:
La construction de l’estimateur de Hill est basée sur la méthode du Maximum
de Vraisemblance où on se sert des statistiques d’ordre supérieur à un certain
seuil u, pour ne garder que les observations les plus grandes, de façon à ce
quelles suivent approximativement une distribution Pareto. Il est dé…ni par
la statistique suivante :

1X
k
H
bn;k = log Xn i+1;n log Xn k;n
k i=1

1X
k
= i (log Xn i+1;n log Xn k;n )
k i=1
k
Si on choisit k; n ! 0 de sorte que n
! 0 alors on peut montrer que

H
lim bn;k =
k!1

19
 et l’estimateur de Hill est de plus asymptotiquement normal :

H
p bn;k d
k ! N (0; 1)

Dans le cas général du domaine de Fréchet, la fonction de survie est de

la forme 1 F (x) = x 1= l (x) avec ` une fonction à variation lente, Cela
induit un biais important sur l’estimateur de Hill, qui est donc en pratique
d’un maniement délicat. Dans le cas général, la fonction ` apparaît comme
un paramètre de nuisance de dimension in…nie, qui complique l’estimation
BERTAIL, (2002). Pour plus détails sur la consistance de bH Beirlant et
al.(2007)[1]. Pour cela, nous allons commencer par les conditions du pre-
mières et du seconds ordre :

Proposition 1.2 (Condition du première ordre, de Haan et Ferreira (2006))

[3]Les assertions suivantes sont équivalentes :

a. F est à queue lourde

F 2 D(F rechet); >0

b. 1 F est une fonction variation régulière à l’in…ni d’indice 1=

1 F (tx) 1=
lim =x ; x>0
t!1 1 F (t)

c. Q(1 s) est une fonction à variations réguliéres à zéro d’indice

Q (1 sx)
lim =x ; x>0
s!1 Q (1 s)

d. U est une fonction à variation régulière l’in…ni d’indice

20
 U (tx)
lim =x ; x>0
s!1 Q (t)

Proposition 1.3 (Condition du seconde ordre de Haan et Ferreira (2006))

Une fonction de répartition F 2 D(F rechet); > 0; admet une condition du
seconde ordre à l’in…ni si elle satisfait l’une des assertions suivantes :

a. Il existe un paramètre 0; et une fonction A1 ( ) qui tend vers 0 (ne

change pas de signe à l’in…ni) dé…nie par, 8x > 0

1=
(1 F (tx)) = (1 F (t)) x 1= x 1
lim =x :
t!1 A1 (t)

b. S’il existe un paramètre 0 et une fonction A2 ( ) qui tend vers 0

(ne change pas de signe à zéro) dé…nie par, 8x > 0

Q (1 sx) =Q (1 s) x x 1
lim =x ;
t!1 A1 (t)

c. S’il existe un paramètre 0 ,et une fonction A( )qui tend vers 0(ne
change pas de signe à l’in…ni) dé…nie par,8x > 0

U (tx) =U (t) x x 1
lim = =x ;
t!0 A (t)

si = 0; on remplace (x 1)= par log x:

Les fonctions A( ), A1 ( ); A2 ( ) sont à variations régulières l’in…ni d’indices

respectifs ; = , et ; avec A1 (t) = A(1=(1 F (t))) et A2 (s) = A(1=s):

Ces deux conditions ont permis de déterminer les propriétés asympto-

tiques de certains estimateurs de l’indice des valeurs extêrmes.

21
Théorème 1.8 (Propriétés asymptotiques de l’estimateur de Hill) Soit
kn ; n 1 une suite d’entiers telle que 1 kn n; kn ! 1 et kn =n ! 0
quand n ! 1:

a. Consistance faible : bkHn converge en probabilité vers

b. Consistance forte : Si de plus kn = log n log n ! 1 quant n ! 1; alors
bkHn converge presque sûrement vers :
c. Normalité asymptotique : Si la condition

U (tx) =U (t) x x 1
lim =x ;
t!1 A (t)
p
est satisfaite avec kn A (n=kn ) ! 2 R quand n ! 1; alors

p L
kn bkHn !N =(1 ); 2

Fig. 1.7 –L’estimateur de Hill avec un intervalle de conance 95% de basés

sur 100 échantillons de taille 3000 pour la loi de Pareto standard.

22
1.8.3 L’estimateur des moments de Dekkers-Einmahl
De Haan
En 1989, Dekkers-Einmahl-DeHaan[4] ont proposé un estimateur de 2
R qui présente une extension de l’estimateur de Hill, appelé un estimateur
de moment pour 2 R.

Dé…nition 1.10 L’estimateur des moments est défni comme suit :

0 1 1
(1)
(M ) 1@ M
bn;k = 1 + Mn1 1A
2 Mn
(2)

1X
n k
r
Mn(r) = Mn(r) (k) = log X(n i+1;n) log X(n k;n)
k i=1

Sous certaines conditions sur k, l’estimateur de Dekkers-Einmahl-DeHaan

converge asymptotiquement vers la loi normale.

Dekkers-Einmahl-DeHaan ont démontré la consistance faible, la consis-

tance forte et la normalité asymptotique de leur estimateur.
(M )
Théorème 1.9 (Propriétés de bn;k )

Supposons que F 2 D (H ) ; 2 R; k = k (n) ! 1 et k=n ! 0 quand

n!1
a . Consistance faible :

(M ) p
bn;k ! quand n ! 1

b . Consistance forte : Si k= log log n ! 1 quand n ! 1; alors

(M ) p:s
bn;k ! qauand n ! 1

23
 c . Normalité asymptotique : Sous des conditions de régularité convenables

p (M ) L 2
k bn;k ! N 0; quand n ! 1;

ou

8 2
>
< 1+ si 0
2
= h i
>
: 2 (5 11 )(1 2 )
(1 ) (1 2 ) 4 8 11 32 + (1 3 )(1 4 )
si <0

Fig. 1.8 –Estimateur des moments avec un intervalle de confance 95% de

baséssur 100 échantillons de taille 3000 pour la loi de Gumbel standard.

24
Chapitre 2

Introduction à l’analyse de
survie

Une des caractéristiques des données de survie est l’existence d’observa-

tions incomplètes. En e¤et, les données sont souvent recueillies partiellement,
notamment, à cause des processus de censure. Les données censurées pro-
viennent du fait qu’on n’a pas accès à toute l’information : au lieu d’observer
des réalisations indépendantes et identiquement distribuées (i:i:d) de durées
X, on observe la réalisation de la variable X soumise à diverses perturbations,
indépendantes ou non du phénomène étudié.

2.1 Dé…nitions
Dé…nition 2.1 (Fonction de survie S) Soit X une v:a. positive et conti-
nue dite "durée de vie". Pour t …xé, la fonction de survie est la probabilité
de survivre jusqu’à l’instant t, c’est-à-dire

S (t) = F (t)
= 1 F (t)
= 1 P (X t)
= P (X > t)

Dé…nition 2.2 (Risque instantané ) Le risque instantané (ou taux d’in-

cidence), pour t …xé caractérise la probabilité de mourir dans un petit inter-

25
valle de temps après t, conditionnellement au fait d’avoir survécu jusqu’au
temps t (c’est-à-dire le risque de mort instantané pour ceux qui ont survécu)

P (t X <t+hjX t) f (t) 0
(t) = lim = = ln (S (t))
h!0 h S (t)

Dé…nition 2.3 (Taux de hasard cumulé ) Le taux de hasard cumulé

est l’intégrale du risque instantané
Zt
(t) = (u) du = ln (S (t))
0

On peut déduire de cette équation une expression de la fonction de survie

en fonction du taux de hasard cumulé :
0 t 1
Z
S (t) = exp ( (t)) = exp @ (u) duA
0

On en déduit que
0 1
Zt
f (t) = (t) exp @ (u) duA
0

2.2 Données de censure

Dé…nition 2.4 (variable de censure) La variable de censure Y est dé…-
nie par la non-observation de l’événement étudié. Si au lieu d’obsever X ,
on observe Y , on a :

1. X > Y est censure à droite.

2. X < Y est censure à gauche.
3. Y1 < X < Y2 est censure par intervalle.

26
2.2.1 Caractéristiques
La censure est le phénomène le plus couramment rencontré lors du recueil
de données en statistique.

Pour un individu donné j, on va considérer :

- Temps de survie Xj :
- Son temps de censure Yj :
- La durée réellement observée Zj :

2.2.2 Types de censures

Dans la littérature on distingue trois types de censure :

Censure à droite
La durée de vie est dite censurée à droite si l’individu n’a pas subi l’évé-
nement à sa dernière observation. En présence de censure à droite, les durées
de vie ne sont pas toutes observées ; pour certaines d’entre elles, on sait
seulement qu’elles sont supérieures à une certaine valeur connue.

Censure à gauche
Une durée de survie est dite censurée à gauche si l’individu a déjà subi
l’évènement d’intérèt avant lentrée dans l’étude. Formellement, la durée de
survie pour un individu est dé…nie par le couple (Z; ) :

Z = X _ Y = max (X; Y ) et = 1fX Yg

Notons X l’âge à laquelle une certaine maladie apparait pour la première

fois chez un individu. Aprés un examen médical on a reçu deux types de
réponses :
1. l’individu a déjà été malade mais l’age exact de la première apparition
n’a pas été retenu :
Dans ce cas on n’a pas observé X mais on sait que X est inférieur à
l’âge de l’individu lors de l’examen Y . Il s’agit d’une observation censurée à
gauche.

27
 2. l’individu n’a jamais eu de maladie : Dans ce cas on sait seulement que
X est supérieur l’âge de l’individu, donc on a une observation censurée
à droite.

Remarque 2.1 Si les variables de censures sont dégénérée (c’est-à-dire constantes),

alors on dit que la censure est …xée.

Censure par intervalle

Dans ce cas, comme son nom l’indique, on observe la fois une borne infé-
rieure et une borne supérieure de la variable dintérêt. On retrouve ce modèle
en général dans des études de suivi médical où les patients sont contrôlés
périodiquement, si un patient ne se présente pas à un ou plusieurs contrôles
et se présente ensuite aprés que l’évènement d’intérêt se soit produit. Nous
avons aussi ce genre de données qui sont censurées à droite ou, plus rarement
à gauche. Un avantage de ce type est qu’il permet de présenter les données
censurées à droite ou à gauche par des intervalles du type [y; +1[ et [0; y]
respectivement.

Dans la littérature, il existe d’autre types de censure :

- censure de type 1 : …xée
Soit Y une valeur …xée, au lieu d’observer les variables X1 ; :::; Xn qui
nous intéressent, on n’observe Xj uniquement lorsque Xj Y si non on sait
uniquement que Xj > Y: on utilise la notation suivante :

Zj = Xj ^ Y = min (Xj ; Y )

Exemple 2.1

Dans l’apprentissage d’une langue par un groupe d’étudiants durant un

stage de période …xée. On note X la durée d’apprentissage de cette langue.
Pour certains étudiants nous allons observer leurs durées Xj d’apprentissage
de la langue par contre pour d’autres leurs Xj ne seront pas observées car le
stage est limité dans le temps.
- Censure de type 2 : attente

28
 Elle présente quand on décide d’observer les durées de survie des n pa-
tients jusqu’à ce que k d’entre eux soient décédés et d’arrêter l’étude à ce
moment là.

Soient Xj;n et Zj les statistiques d’ordre des variables Xj et Zj : La date

de censure est donc Xk:n et on observe les variables suivantes :

Z1;n = X1;n
..
.
Zk;n = Xk;n
Zk+1;n = Xk;n
..
.
Zn;n = Xk;n

- Censure de type 3 : aléatoire

C’est typiquement ce modèle qui est utilisé pour les essais thérapeutiques.
Dans ce type d’expérience, la date d’inclusion du patient dans l’étude est
…xé, mais la date de …n d’observation est inconnue (celle-ci correspond, par
exemple, la durée d’hospitalisation du patient). Ici, le nombre d’évènement
observés et la durée totale de l’expérience sont aléatoires.

Soient Y1 ; :::; Yn des variables aléatoires i:i:d: On observe les variables

Zj = Xj ^ Y:

L’information disponible peut être résumée par :

1- la durée réellement observée Zj ,
2- un indicateur j = 1fXj Yj g

(a) j = 1 si l’événement est observé (d’où Zj = Xj ). On observe les

"vraies" durées ou les durées complètes.
(b) j= 0 si l’individu est censuré (d’où Zj = Yj ). On observe des
durées incomplètes (censurées).

29
Exemple 2.2 Lors d’un essai thérapeutique, on peut citer certaines causes
entranant la censure aléatoire :
1. Perdu de vue : le patient peut décider de se faire soigner ailleurs cause
d’un déménagement et on le revoit plus.
2. Arrêt du traitement : suite à des e¤ets secondaire le traitement est
arrêté.
3. Fin de l’étude : l’étude se termine et certains patients soit toujours
vivants (exclus-vivants).

2.3 Estimateur de Kaplan-Meierc

S(t)
L’estimateur de Kaplan-Meier découle de l’idée suivante : survivre après
un temps t c’est être en vie juste avant t et ne pas mourir au temps t, c’est-
0
à-dire, si t" < t < t

0
P (X > t) = P X > t ; X > t
= P (X > t j X > t)
0 0 00 00
= P (X > t j X > t ) P (X > t j X > t ) P (X > t )

En considérant les temps d’événements (décès et censure) distincts Z(j) (i =

1; :::; n) rangés par ordre croissant, Z(0) = 0 on obtient
j
Y
P (X > Z(j) ) = P (X > Z(k) j X > Z(k 1) )
k=1

Considérons les notations suivantes :

Yj le nombre d’individus à risque de subir l’événement juste avant le temps
Z(j) ; dj le nombre de décès en Z(j) . Alors la probabilité pj de mourir dans
l’intervalle Z(j 1) ; Z(j) sachant que l’on était vivant en Z(j 1) ; i:e:

pj = P (X Z(j) j X > Z(j 1) );

dj
peut être estimée par pj = Yj
: Comme les temps d’événements sont sup-
posés distincts, on a
- dj = 0 en cas de censure en Z(j) , i:e. quand j = 0;

30
 - dj = 1 en cas de décès en Z(j) , i:e:quand j = 1:
On obtient alors l’estimateur de Kaplan-Meier :

Sbn (t) = 1 Fbn (t)

Y j
= 1
j=1:n; Z(j) t
Yj
Y
n
j
= 1
j:Zj t
n (j 1)
Y
n
n 1 j

=
j=1
n j+1

L’estimateur Sb (t) est également appelé Produit Limite car il s’obtient

comme la limite d’un produit. On montre que l’estimateur de Kaplan-Meier
est un estimateur du maximum de vraisemblance. Sb (t) est une fonction en
escalier décroissante, continue à droite. On peut également obtenir un esti-
mateur de Kaplan M eier [12] dans le cas de données tronquées mais pas
dans le cas de données censurées par intervalles (car les temps de décès ne
sont pas connus).

2.4 Estimation de l’indice des valeurs extrême

avec censure
Nous travaillons dans l’espace de probabilité ( ; A; P ) et soit l’échantillon
(X1 ; :::; Xn ) variable aléatoire dé…nit sur ( ; A; P ) sa fonction répartition F
et sa queue de distribution :

1 F 2 RV ( 1= 1 )
Soit le deuxième échantillon (Y1 ; :::; Yn ), des variables aléatoires i:d:d; de fonc-
tion de répartition G et de queue de distribution :

1 G 2 RV ( 1= 2 )
Alors les variables Zj dé…nies par :

31
 Zj = Xj ^ Yj ; j = 1; :::; n
avec, Zj sont des variables indépendantes de loi H liées F et G par la
relation :

1 H(x) = (1 F (x))(1 G(x)):

Le points terminal de H est xH = sup fx, H(x) < 1g. On a F et G
satisfaisant la condition de domaine d’atraction de Féchet, F 2 D 1= 1 et
G 2 D 1= 2 , telles que :

1= 1=
1 F (x) = x 1
l1 (x) et 1 G(x) = x 2
l2 (x);
avec l1 (:) et l2 (:) sont des fonctions à variations lentes. Alors :

1 H (x) = (1 F (x)) (1 G (x))

1= 1=
=x 1
l1 (x)x 2
l2 (x)
=x ( 1 + 2 )= 1 2 e
l (x)
=x 1= e
l (x) ;

où = 11+ 22 ; avec e
l (x) = l1 (x)l2 (x): Par conséquent, H appartenant au
domaine d’attraction de Fréchet :
1 H (x) 2 RV ( 1= )
Si F et G appartiennent au domaine d’attraction du maximum F 2
D(G 1 ) et G 2 (G 2 ) respectivement, pour certain 1 ; 2 2 R avec points
terminales xF et xG ; où xF = sup fx; F (x) < 1g ; alors cela signi…e que H 2
D (G ). Einmahl et al.(2008)[6], ont proposés les trois cas les plus intéressant
suivants :

8
>
> cas 1 : 1 > 0; 2 > 0; xF = xG = +1; = 1 2
1+ 2
;
>
>
<
cas 2 : 1 < 0; 2 < 0; xF = xG < 1 , = 1 2
1+ 2
>
>
>
>
:
cas 3 : 1 = 0; 2 = 0; xF = xG = 1, = 0:

32
 La méthode générale existante pour l’estimation de l’indice de queue en
présence de censure à droite aléatoire, apparue d’abord dans Beirlant et
al.(2007)[1] et développée dans Einmahl et al.(2008)[6], est considérer tout
estimateur consistant b de l’EVI appliqué l’échantillon (Z1 ; :::; Zn ) et de-
viser par la proportion pb d’observation non censurées dans les plus grandes
k valeurs de Z :

(:)
(c;:) bZ;n;k
bZ;n;k = ;
pb

où

1X
k
pb = [n j+1;n] ;
k j=1

avec [1;n] ; :::; [n;n] les indicateurs de censure retenues correspendant à la

statistique d’ordre (Z1;n ; :::; Zn;n ) ; respectivement. Il sera suivre que pb estime
p = 1 +2 2 .

(c;:)
bZ;n;k peut être n’importe quel estimateur non adapté la censure. En par-
(H)
ticulier, une adaptation de l’estimateur de Hill bZ;n;k de l’indice 1 dans le
cas de censure est dé…ni par :

(c;H) bnH
bZ;n;k =
pb

où

1X
k
bnH := log (Zn i+1;n ) log (Zn k;n ) ; 1 k n
k j=1

Alors

33
 P
k
log (Zn i+1;n ) log (Zn k;n )
(c;H) j=1
b1 =
P
k
[n j+1;n]
j=1

34
Chapitre 3

ESTIMATION DE LA
MOYENNE AVEC CENSURE

Soit X1 ; :::; Xn , n 1 sont des des variable aléatoire positives, indépen-

dantes et de fonction de répartition F; et indépendent des variables aléatoire
Y1 ; :::; Yn ; les instants de censure associés, positives, de fonction de réparti-
tion G. On note f(Z1 ; 1 ) ; :::; (Zn ; n )g l’échantillon réellement observé, où,
pour 1 j n

Zj = min (Xj ; Yj ) et j = 1 fXj ; Yj g

avec 1 f:g indiquant la fonction de l’indicateur. Ce dernier indique s’il y a
censure ou non. Si l’on note H le cdf des Z observés , par l’indépendance de X
et Y; nous avons 1 H = (1 F ) (1 G). Dans ce chapitre, nous utiliserons
la notation S (x) = S (1) S (x) ; pour toute fonction S supposons en
outre que F et G sont à queue lourde ou, en d’autres termes, que F et G
varient régulièrement à l’in…nité avec des indices négatifs 1= 1 et 1= 2
respectivement.

F (xz) 1= G (xz) 1=
lim =x 1 et lim =x 2
x!1 F (z) x!1 G (z)

pour tout x > 0. Par conséquent, H est aussi à queue lourde, avec un
indice de queue = 11+ 22 :

Il existe des constantes j < 0 et des fonctions Aj ; j = 1; 2 tendant vers

zéro, ne changeant pas de signe près de l’in…nité tel que pour tout x > 0

35
 1= 1= 1 1
F (tx) =F (t) x 1
1= x
lim =x 1
t!1 A1 (t) 1 1
et

G (tx) =G (t) x 1= 2 x 2= 2 1
lim = x 1= 2
t!1 A2 (t) 2 2
L’estimateur du maximum de vraisemblance de cdf F est donné par
Kaplan et Meier [12] :
8
> Qn
n j [j:n]
> 1
< n (j 1)
pour x < Zn:n ;
b
Fn (x) = Zj:n x
>
>
:
1 pour x Zn:n ;
Fbn est donné aussi par :
X
n
[i:n]
Y
i 1
n j [j:n]

Fbn (t) = Wi;n 1 fZi:n xg ou Wi;n =

i=1
n i + 1 j=1 n j+1

L’estimateur asymptotiquement normal pour la moyenne est = E [X] =

R
1
F (x) dx; en substituant Fbn à F dans l’équation précédente, Stute [22] a
0
réduit la moyenne empirique des données censurées de

X
n
[i:n]
Y
i 1
n j [j:n]

bn :=
i=1
n i + 1 j=1 n j+1
Rh R
1
est un somme de deux termes : = F (x) dx+ F (x) dx = 1 + 2;
0 h
Zh Z1
F (hx)
1 = hF (h) + xF (x) dx et 2 = hF (h) :
F (h)
0 1

L’estimation de 1 et 2 sont (remplaçant h et F (x) par Zn kn et Fbn (x))[20] :

X
n k
n j [j:n] X
n k
[i:n]
Y
i 1
n j [j:n]

b1 = Zn k + Zi:n ;
j=1
n j+1 n j + 1 j=1 n j+1
(3.1)

36
 1
2~ hF (h) ; comme n ! 1; 0 < 1 < 1: (3.2)
1 1

Les quantités h et F (h) sont, comme ci-dessus, naturellement estimées

par Zn k:n et

b (Z ) = Y
i k [j:n]
n j
F n n k
j=1
n j+1

pour dériver un estimateur de 2 , il faut estimer l’indice 1 . La méthode

générale existante, apparue pour la première fois dans Beirlant et al; puis
développé dans Einmahl et al, cette méthode est basé sur l’évaluation Z et
divisez-le par le proportion observées. Par exemple, Einmahl et al; adapté
(H;c)
l’estimateur de Hill par un estimateur b1 = bH =b
p

1X 1X
k k
Zn i+1:n
bH = log et pb = [n i+1:n] ;
k i=1 Zn k k i=1

par Fbn et b1
(H;c)
En remplaçant, dans (3.2), F et 1

b1
(H;c) Yk
n
n j [j:n]
(H;c)
b2 := Z
(H;c) n k ; b1 <1 (3.3)
1 b1 j=1
n j+1

En…n, avec (3.1) et (3,3), l’estimateur b de la moyenne est :

1X Y Yk
n k i 1 [j:n] n [j:n]
[i:n] n j n j Zn k
b= Zi:n + (H;c)
k j=2 n i + 1 j=1 n j+1 j=1
n j+1 1 b1

3.1 Simulation
On a réalisé une étude de simulation basée sur 3000 échantillons de loi
de Pareto de paramêtre 1 censurées par une autre variable de Pareto de
paramêtre 2 :

1
F (u) = (1 u) 1
; G 1 (v) = (1 v) 2
:
f(Z1 ; 1 ) ; :::; (Zn ; n )g l’échantillon réellement observé, où, pour 1 j n

37
 Zj = min (Xj ; Yj )
Le programme ci-dessous calcule l’estimateur b de la moyenne sous R :

gamma1<-1
gamma2<-0.5
u<-runif(n,0,1)
X<-(1-u)^gamma1
V<-runif(n,0,1)
Y<-(1-V)^gamma2
Z<-pmin(X,Y)
delta=[Link](X<=Y)
k<-100
for(i in 1 :k)
{
i<-seq(1,k)
gammah<-(1/k)*sum(log(Z[n-i+1]/Z[n-k]))
}
i<-seq(1,k)
p<-(1/k)*sum(delta[n-i+1])
gammach<-gammah/p
i<-seq(1,k)
for(i in 2 :n-k)
for(j in 1 :i-1)
{
S<-prod((n-j)/(n-j+1))^delta[j]
}
U1<-(1/k)*sum(delta[i]/n-i+1)*S*Z[i]
for(j in 1 :n-k)
{
U2<-(prod((n-j)/(n-j+1))^delta[j])*(Z[n-k]/(1-gammach))
}
U<-U1+U2

38
Conclusion

Dans notre étude , nous avons abordé di¤érents aspects de la théorie des
valeurs etrêmes. Aprés avoir le premier chapitre la théorie des valeurs ex-
trêmes en mentionnent les di¤érentes caractéristiques et les notions de base
qui sont trés utile pour l’estimation des quantiles extrêmes et les données cen-
surées et aussi nous nous sommes intéréssés à la famille de lois à que de type
Fréchet, on peut citer la loi de Pareto. On a présenté trois estimateurs (esti-
mateur de Pickands, estimateur Hill (1975) et estimateur des moments), nous
nous sommes intéréssés dans le deuxième chapitre au certaines des notions
clés en analyse de survie et quelques estimations (estimation de la fonction
de survie et taux hasard ...ect) et les estimateurs de l’IVE avec censure. Dans
le dernier chapitre, nous avons fait un rappel général sur l’estimation de la
moyenne et de traiter une méthode pour estimer la moyenne d’un distribution
à queue lourde en présence de censure.

39
Bibliographie

[1] Beirlant, J., Guillou, A., Dierckx, G. and Fils-Viletard, A., 2007. Esti-
mation of the extreme value index and extreme
quantiles unr random censoring. Extremes 10 :3, 151-17
[2] Brahimi, B., Meraghni, D. et Necir, A. (2015). Approximation gaus-
sienne de l’estimateur de l’indice de valeur extrême d’une distribution
à queue lourde sous censure aléatoire. Math. Méthodes Statist., 24 (4),
266279.
[3] De Haan, L. et Ferreira, A. (2006). Théorie des valeurs extrêmes : une
introduction. SpringerVerlag, New York.
[4] Dekkers, A., Einmahl, J. H. J. et de Haan, L., (1989). Estimateur de
moment pour l’indice d’une distribution de valeurs extrêmes. Annals of
Statistics, 17 (4) : 1833 -1855.
[5] Drees, H., (1996). Estimateur Rened Pickands de l’indice des valeurs
extrêmes. Annals of Statistics, 23 (6) : 2059-2080.
[6] Einmahl, J. H ; Fils-Villetard, A et Guillon, A. (2008) Statistiques des
extrêmes sous censure aléatoire, Bernoulli, 14(1) ; 207-227.
[7] Embrechts, P., Klppelberg, C. et Mikosch, T. (1997). Modélisation d’évé-
nements extrêmes pour l’assurance et la …nance, Springer-Verlag, Berlin.
[8] Fisher, R., Tippet, L. (1928). La limitation forme la distribution de
fréquence du membre le plus grand ou le plus petit d’un échantillon.
Actes de la Cambridge Philosophical Society, 24 : 180-190.
[9] Gnedenko, B. (1943). Sur la distribution limite du terme maximum dune
serie aléatoire. Ann. Math., 423- 453.
[10] Hill, B.M. (1975) .Une approche générale simple à consulter sur le détail
de la distribution, Ann. Statist., 3, 1163-1174.

40
[11] Jenkinson, A. F. (1955). La distribution de fréquence des valeurs an-
nuelles maximales (ou minimales) des éléments météorologiques. Quar-
terly J.R. [Link]., 81 (348), 158-171
[12] Kaplan, E. L et Meier, P. (1958). Estimation nano paramétrique à partir
d’observations incomplètes. J. Amer. Statist Assoc ; 53(282) ; 457-481.
[13] Klein, J. P ; Moeschberger, M. L. (1997) Analyse de survie : techniques
pour les données censurées et tronquées, Springer. Verlag Inc, Berlin,
New York.
[14] Lee, E.T ; et Wang, J. (2003) Méthodes statistiques pour l’analyse de
données de survie. John. Wiley.
[15] Mason, D. M. (1982). Lois des grands nombres pour des sommes de
valeurs extrêmes. Ann. Probab., 754-764.
[16] Ndao, P., Diop, A. et Dupuy, J. F. (2014). Estimation non paramétrique
de l’indice de queue conditionnel et des quantiles extrêmes sous censure
aléatoire. Comput. Statiste. Data Anal., 79, 6379.
[17] Pickands III, J. (1975). Inférence statistique à l’aide de statistiques
d’ordre extrême. Statist., 119- 131.
[18] Reiss,R.-D.,Thomas,M.S.,2007, Analyse statistique des valeurs ex-
trêmes. De l’assurance, de la …nance, de l’hydrologie et d’autres do-
maines. Birkhäuser Verlag, Basel., Boston, Berlin.
[19] Segars. J., (2001). Estimateurs de résidus. Journal de StSmith, R. L.,
(1985). Estimation du maximum de vraisemblance dans une classe de
cas non réguliers. Biometrika, 72 (1) : 6792
[20] Soltane, Louiza, (2016). Analyse des valeurs extrêmes en présence de
censure. Thèse de doctorat de université Mohamed khider, Biskra, Al-
gérie.
[21] Stuper, G. (2016). Estimation de l’indice conditionnel de valeur extrême
sous censure aléatoire à droite. J. Multivariate Anal., 144, 1-24.
[22] Stute, W. (1995). Le théorème de la limite centrale sous censure aléa-
toire. Ann. Statist., 422-439

41
Résumé
Ce mémoire étude l'estimation de la moyenne d'une distribution à
queue lourde en présence de censure, d'un part est constitué de la
théorie des valeurs extrêmes et d'autre part de l'analyse de survie,
l'intérêt principal est de proposer une méthodologie d'estimation de la
moyenne avec censure aléatoire à droite . Mots clés : Analyse de
survie, Censure aléatoire, Estimateur de Hill, Estimateur de Kaplan-
Meier, Estimation de la moyenne.

Abstract
This is a study of the estimation of the mean of a heavy-tailed
distribution in the presence of censorship, on the one hand is made up
of the theory of extreme values and on the other hand of the survival
analysis. The main thing is to propose a method of estimating the mean
with random right-censoring. Key words: Survival analysis, Random
censuring, Hill estimator; Kaplan-Meier estimator, Estimating the mean.

‫ملخص‬
‫ من‬، ‫هذه األطروحة عبارة عن دراسة لتقدير متوسط توزيع الذيل الثقيل في وجود الرقابة‬
‫ الهدف الرئيسي هو‬، ‫ناحية تتكون من نظرية القيم المتطرفة ومن ناحية أخرى تحليل البقاء‬
‫اقتراح منهجية لتقدير المتوسط مع وجود الرقابة‬
‫ تقدير‬، ‫ مقدر كابالن ماير‬، ‫ مقدر هيل‬، ‫ الرقابة العشوائية‬، ‫ تحليل البقاء‬: ‫الكلمات المفتاحية‬
‫المتوسط‬