Domaine d’attraction de la GEV La Distribution GPD

Théorie des valeurs extrêmes

GEV et GPD

Dr. BENYOUSSEF Meryem

8 octobre 2024

[Link]@[Link]
dog1

Dr. BENYOUSSEF Meryem Introduction 1 / 41

Domaine d’attraction de la GEV La Distribution GPD

Table des matières I

1 Domaine d’attraction de la GEV

Les fonctions à variations régulières
Caractérisation des domaines d’attraction
Introduction à la notion de quantile

2 La Distribution GPD
La Distribution GPD

dog1

Dr. BENYOUSSEF Meryem Introduction 2 / 41

Domaine d’attraction de la GEV La Distribution GPD

Domaine d’attraction de la GEV

Question :

Étant donné une distribution de

valeurs extrêmes H, quelles
conditions sur la fonction de
distribution F impliquent que les
maxima normalisés Xn,n convergent
faiblement vers H ?
dog1

Dr. BENYOUSSEF Meryem Introduction 3 / 41

Domaine d’attraction de la GEV La Distribution GPD

Rappel

Une séquence X1 , X2 , . . . des variables aléatoires à valeurs réelles,

avec des fonctions de distribution cumulatives F1 , F2 , . . ., est dite
converge en distriubtion , ou convergerfaiblement , ou converge en
loi vers une variable aléatoire X avec sa fonction de distribution
cumulative F si
lim Fn (x ) = F (x ),
n→∞

pour les x ∈ R où F est continue.

dog1

Dr. BENYOUSSEF Meryem Introduction 4 / 41

Domaine d’attraction de la GEV La Distribution GPD

Les fonctions à variations régulières

Nous allons définir quelques notions essentielles de la théorie des

valeurs extrêmes permettant de caractériser les domaines
d’attraction. Cependant, ces fonctions à variations régulières
permettent d’avoir une écriture unique pour chaque domaine
d’attraction.

dog1

Dr. BENYOUSSEF Meryem Introduction 5 / 41

Domaine d’attraction de la GEV La Distribution GPD

Fonction à variation régulière

Définition
Une fonction h positive à l’infini est dite à variation régulière à
l’infini d’indice ρ ∈ R, si et seulement si

h(tx )
lim = x ρ, x >0
t→∞ h(t)

On note h ∈ RVρ l’ensemble des fonctions à variations régulières

d’indice ρ.
Rappel : Une fonction h positive à l’infini s’il existe A tel que
x ≥ A, h(x ) > 0.
dog1

Dr. BENYOUSSEF Meryem Introduction 6 / 41

Domaine d’attraction de la GEV La Distribution GPD

Fonction à variation lente

Définition
Si une fonction L : R → [0, ∞[ est à variation régulière d’indice 0
(L ∈ RV0 ), on dit que L est à variation lente, telle que :

L(tx )
lim = 1, x >0
t→∞ L(t)

dog1

Dr. BENYOUSSEF Meryem Introduction 7 / 41

Domaine d’attraction de la GEV La Distribution GPD

Fonction à variation lente

Exemple

La fonction logarithme est une fonction à variation lente . En effet,

soit t > 0

log(tx ) log(t)
lim = 1 + lim = 1,
x →∞ log(x ) x →∞ log(x )
Remarque : Toute fonction h ∈ RVρ peut s’écrire sous la forme :

h(x ) = x ρ L(x ), L ∈ RV0 .

dog1

Dr. BENYOUSSEF Meryem Introduction 8 / 41

Domaine d’attraction de la GEV La Distribution GPD

Représentation de Karamata

Proposition :
Une fonction L varie lentement si et seulement s’il existe un
nombre B > 0 tel que pour tout x ≥ B la fonction peut s’écrire
sous la forme :
Z x
ϵ(t)
 
L(x ) = exp η(x ) + dt
B t

où η(x ) est une fonction bornée mesurable qui converge vers un

nombre fini quand x tend vers l’infini, et ϵ est une fonction
mesurable bornée qui tend vers 0 quand x tend vers l’infini.

dog1

Dr. BENYOUSSEF Meryem Introduction 9 / 41

Domaine d’attraction de la GEV La Distribution GPD

Rappel

dog1

Dr. BENYOUSSEF Meryem Introduction 10 / 41

Domaine d’attraction de la GEV La Distribution GPD

Caractérisations des domaines d’attraction

Proposition (Caractérisation de D(Hγ )) :

La fonction F appartient à D(Hγ ), si et seulement si, pour une
certaine suite an > 0 et bn ∈ R, on a

lim nF̄ (an x + bn ) = −logHγ (x ), x ∈ R,

n→∞

avec F̄ est la fonction de survie (encore appelée queue de

distribution), défnie par :

F̄ (x ) = 1 − F (x ).

En pratique, il est souvent plus commode, non pas de travailler sur

la fonction F elle-même, mais sur la fonction quantile de queue.
dog1

Dr. BENYOUSSEF Meryem Introduction 11 / 41

Domaine d’attraction de la GEV La Distribution GPD

Inverse généralisée

Définition
On appelle inverse généralisée (fonction des quantiles) de la
fonction F , l’application notée F ← défnie par :

Q(p) = F ← := inf {x |F (x ) ≥ p}, p ∈ [0, 1].

dog1

Dr. BENYOUSSEF Meryem Introduction 12 / 41

Domaine d’attraction de la GEV La Distribution GPD

Inverse généralisée
Proposition

La fonction quantile est croissante continue à gauche et vérifie

∀x ∈ R, u ∈]0, 1[, F (x ) ≥ u ⇔ x ≥ F ← (u).

dog1

Dr. BENYOUSSEF Meryem Introduction 13 / 41

Domaine d’attraction de la GEV La Distribution GPD

Inverse généralisée
Exemple

Soit X ∼ Exponontiel(λ), λ > 0. On rappelle que la fonction de

répartition de X est F (x ) = 1 − exp(−λx ), donc la fonction
quantile est :

dog1

Dr. BENYOUSSEF Meryem Introduction 14 / 41

Domaine d’attraction de la GEV La Distribution GPD

Inverse généralisée
Exemple

Soit X ∼ Exponontiel(λ), λ > 0. On rappelle que la fonction de

répartition de X est F (x ) = 1 − exp(−λx ), donc la fonction
quantile est :

Exercice

dog1

Dr. BENYOUSSEF Meryem Introduction 14 / 41

Domaine d’attraction de la GEV La Distribution GPD

Inverse généralisée

Soit X ∼ Exponontiel(λ), λ > 0. On rappelle que la fonction de

répartition de X est F (x ) = 1 − exp(−λx ), donc la fonction
quantile est :
−1
∀u ∈]0, 1[, F ← (u) = log(1 − u).
λ

dog1

Dr. BENYOUSSEF Meryem Introduction 15 / 41

Domaine d’attraction de la GEV La Distribution GPD

Fonction quantile de queue

Définition
On appelle fonction quantile de queue de la distribution F , la
fonction U :]1, ∞[] → R, défnit par :

1 1
U(t) := Q(1 − ) = F ← (1 − ), ∀t > 1,
t t
où Q est la fonction des quantiles associée à F .

dog1

Dr. BENYOUSSEF Meryem Introduction 16 / 41

Domaine d’attraction de la GEV La Distribution GPD

Point terminal

Définition
Le point terminal de la fonction de répartition F est donné par :

xF := sup{x ∈ R|F (x ) < 1} ≤ ∞.

dog1

Dr. BENYOUSSEF Meryem Introduction 17 / 41

Domaine d’attraction de la GEV La Distribution GPD

Caractérisation du D(Hγ )

Théorème
Pour γ ∈ R, les affirmations suivantes sont équivalentes :
1 F ∈ D(Hγ )
2 Il existe une fonction mesurable A telle que pour 1 + γx > 0,
on a :
−1
(
F̄ (A(u)x + u) (1 + γx ) γ si γ ̸= 0,
lim =
u→xF F̄ (u) exp(−x ) si γ = 0.

3 Pour x , y > 0 et y ̸= 0, on a
( x γ −1
U(sx ) − U(s) y γ −1 si γ ̸= 0,
lim = log(x )
s→∞ U(sy ) − U(s) si γ = 0.
log(y ) dog1

Dr. BENYOUSSEF Meryem Introduction 18 / 41

Domaine d’attraction de la GEV La Distribution GPD

Caractérisation du D(Hγ )

Une preuve détaillée de ce théorème peut être trouvée dans le livre

’Modelling Extremal Event for Insurance and Finance.’
d’Embrechts.

dog1

Dr. BENYOUSSEF Meryem Introduction 19 / 41

Domaine d’attraction de la GEV La Distribution GPD

Rappel

dog1

Dr. BENYOUSSEF Meryem Introduction 20 / 41

Domaine d’attraction de la GEV La Distribution GPD

Caractérisation du D(Φγ )

Théorème
La fonction de répartition F appartient au domaine d’attraction de
la loi de Fréchet de paramètre γ > 0, si et seulement si xF = ∞ et

F̄ (x ) = x −γ L(x ),

où L est une fonction à variation lente.

Dans ce cas on choisis an = U(n) = F ← (1 − n1 ) et bn = 0, ∀n > 0.
X
La suite ( an,n
n
)n>0 converge en loi vers une variable aléatoire de
fonction de répartition Φγ quand n → ∞.

dog1

Dr. BENYOUSSEF Meryem Introduction 21 / 41

Domaine d’attraction de la GEV La Distribution GPD

Caractérisation du D(Φγ )
Exemple

Soit (X1 , X2 , ..., Xn ) une suite de variable aléatoire, i.i.d, de loi de

Paréto de paramètre γ > 0, de fonction de répartition
−1
F (x ) := 1 − x γ .

dog1

Dr. BENYOUSSEF Meryem Introduction 22 / 41

Domaine d’attraction de la GEV La Distribution GPD

Caractérisation du D(Φγ )
Exemple

Soit (X1 , X2 , ..., Xn ) une suite de variable aléatoire, i.i.d, de loi de

Paréto de paramètre γ > 0, de fonction de répartition
−1
F (x ) := 1 − x γ .
Pour an = F ← (1 − n1 ) = nγ , et bn = 0 on a :
 −1
n
Xn,n − bn x
  γ
lim F n (an x +bn ) = lim P ≤x = lim 1 − 
n→∞ n→∞ an n→∞ n

−1
=exp(-x γ ) = Φγ (x ).

dog1

Dr. BENYOUSSEF Meryem Introduction 22 / 41

Domaine d’attraction de la GEV La Distribution GPD

Caractérisation du D(Φγ )
Exemple

Soit (X1 , X2 , ..., Xn ) une suite de variable aléatoire, i.i.d, de loi de

Paréto de paramètre γ > 0, de fonction de répartition
−1
F (x ) := 1 − x γ .
Pour an = F ← (1 − n1 ) = nγ , et bn = 0 on a :
 −1
n
Xn,n − bn x
  γ
lim F n (an x +bn ) = lim P ≤x = lim 1 − 
n→∞ n→∞ an n→∞ n

−1
=exp(-x γ ) = Φγ (x ).
Donc la loi limite est une loi de Fréchet F ∈ D(Φγ ).
dog1

Dr. BENYOUSSEF Meryem Introduction 22 / 41

Domaine d’attraction de la GEV La Distribution GPD

Caractérisation du D(Φγ )
Remarque

Toutes les distributions appartenant au domaine d’attraction de

Fréchet sont dites de type Paréto et leur queue de distribution F̄
s’écrit, pour x très grand comme suit :

F̄ (x ) = Cx −γ , avec C , γ > 0.

dog1

Dr. BENYOUSSEF Meryem Introduction 23 / 41

Domaine d’attraction de la GEV La Distribution GPD

Caractérisation du D(Ψγ )
Théorème

La fonction da répartition F appartient au domaine d attraction de

la loi de Weibull (γ < 0) si seulement si xF < +∞ et

F̄ (xF − x −1 ) = x γ L(x ),

pour certains fonction à variation lente L.

dog1

Dr. BENYOUSSEF Meryem Introduction 24 / 41

Domaine d’attraction de la GEV La Distribution GPD

Caractérisation du D(Ψγ )
Théorème

La fonction da répartition F appartient au domaine d attraction de

la loi de Weibull (γ < 0) si seulement si xF < +∞ et

F̄ (xF − x −1 ) = x γ L(x ),

pour certains fonction à variation lente L.

Dans ce cas en peut choisir les constantes de normalisation
an = xF −

U(n) = xF − F ← (1 − n1 ), et bn = xF , ∀n > 0, alors
Xn,n −xF
an converge en loi vers une variable aléatoire de fonction de
répartition Ψγ quand n → ∞.

dog1

Dr. BENYOUSSEF Meryem Introduction 24 / 41

Domaine d’attraction de la GEV La Distribution GPD

Caractérisation du D(Ψγ )
Exemple

Soit (X1 , X2 , ..., Xn ),une suite de variable aléatoire i.i.d de loi

uniforme sur [0, 1], de fonction de répartition F (x ) = x , pour
an = n1 et bn = 1, on a :
n
x

lim F n (an x + bn ) = lim 1+ = exp(x ) = exp(−(x )).
n→∞ n→∞ n

dog1

Dr. BENYOUSSEF Meryem Introduction 25 / 41

Domaine d’attraction de la GEV La Distribution GPD

Caractérisation du D(Ψγ )
Exemple

Soit (X1 , X2 , ..., Xn ),une suite de variable aléatoire i.i.d de loi

uniforme sur [0, 1], de fonction de répartition F (x ) = x , pour
an = n1 et bn = 1, on a :
n
x

lim F n (an x + bn ) = lim 1+ = exp(x ) = exp(−(x )).
n→∞ n→∞ n

Donc la loi limite est une loi de Weibull F ∈ D(Ψ1 ).

dog1

Dr. BENYOUSSEF Meryem Introduction 25 / 41

Domaine d’attraction de la GEV La Distribution GPD

Fonction de Von-Mises
Définition

Soit F une fonction de répartition de point terminale xF , on

suppose qu’il existe z < x < xF , tel que :
Z x
1
 
F̄ (x ) = cexp − dt
z a(t)

où c > 0 et a une fonction positive absolument continue avec la

dérivée a′ vérifiant limx →xF a′ (x ) = 0.

dog1

Dr. BENYOUSSEF Meryem Introduction 26 / 41

Domaine d’attraction de la GEV La Distribution GPD

Fonction de Von-Mises
Définition

Soit F une fonction de répartition de point terminale xF , on

suppose qu’il existe z < x < xF , tel que :
Z x
1
 
F̄ (x ) = cexp − dt
z a(t)

où c > 0 et a une fonction positive absolument continue avec la

dérivée a′ vérifiant limx →xF a′ (x ) = 0.
Alors F est appelé fonction de Von-Mises et a est une fonction
auxiliaire de F .

dog1

Dr. BENYOUSSEF Meryem Introduction 26 / 41

Domaine d’attraction de la GEV La Distribution GPD

Caractérisation du D(Λ)
Théorème

La fonction da répartition F appartient au domaine d’attraction de

la loi de Gumbel avec le point terminale xF ≤ ∞ si et seulement
s’il existe z < xF , tel que :
Z xF
g(t)
 
F̄ (x ) = c(x )exp − dt ,
z a(t)

où c et g sont deux fonctions mesurables telles que c(x ) → c > 0

et g(x ) → 1 quand x → xF , et a est une fonction auxiliaire.

dog1

Dr. BENYOUSSEF Meryem Introduction 27 / 41

Domaine d’attraction de la GEV La Distribution GPD

Caractérisation du D(Λ)
Théorème

La fonction da répartition F appartient au domaine d’attraction de

la loi de Gumbel avec le point terminale xF ≤ ∞ si et seulement
s’il existe z < xF , tel que :
Z xF
g(t)
 
F̄ (x ) = c(x )exp − dt ,
z a(t)

où c et g sont deux fonctions mesurables telles que c(x ) → c > 0

et g(x ) → 1 quand x → xF , et a est une fonction auxiliaire.
Dans ce cas on peut choisir les constantes de normalisation
bn = F̄ (1 − n1 ), et an = a(bn ). Un choix possible pour la fonciton a
est Z xF ¯
F (t)
a(x ) = dt, x < xF .
x ¯)
F (x dog1

Dr. BENYOUSSEF Meryem Introduction 27 / 41

Domaine d’attraction de la GEV La Distribution GPD

Les lois classés selon leurs domaines d’attraction

dog1

Dr. BENYOUSSEF Meryem Introduction 28 / 41

Domaine d’attraction de la GEV La Distribution GPD

Petite Introduction

L’approche des maximums par blocs a été critiquée dans la mesure

où l’utilisation d’un seul maxima conduit à une perte d’information
contenue dans les autres grandes valeurs de l’échantillon.

dog1

Dr. BENYOUSSEF Meryem Introduction 29 / 41

Domaine d’attraction de la GEV La Distribution GPD

Petite Introduction

L’approche des maximums par blocs a été critiquée dans la mesure

où l’utilisation d’un seul maxima conduit à une perte d’information
contenue dans les autres grandes valeurs de l’échantillon.
Pour pallier ce problème, Pickands en (1975) a introduit une
nouvelle approche dans la TVE connue par la méthode POT :
Peaks Over Threshold (ou des excès au-delà d’un seuil).

dog1

Dr. BENYOUSSEF Meryem Introduction 29 / 41

Domaine d’attraction de la GEV La Distribution GPD

Petite Introduction

L’approche des maximums par blocs a été critiquée dans la mesure

où l’utilisation d’un seul maxima conduit à une perte d’information
contenue dans les autres grandes valeurs de l’échantillon.
Pour pallier ce problème, Pickands en (1975) a introduit une
nouvelle approche dans la TVE connue par la méthode POT :
Peaks Over Threshold (ou des excès au-delà d’un seuil).
Cette méthode consiste à observer non pas le maximum ou les plus
grandes valeurs, mais toutes les valeurs des réalisations qui
excèdent un certain seuil élevé bien déterminé.

dog1

Dr. BENYOUSSEF Meryem Introduction 29 / 41

Domaine d’attraction de la GEV La Distribution GPD

Petite Introduction

La GPD peut être utilisée pour modéliser des queues de

distributions, c’est-à-dire pour des données dépassant un certain
seuil.

dog1

Dr. BENYOUSSEF Meryem Introduction 30 / 41

Domaine d’attraction de la GEV La Distribution GPD

Petite Introduction

La GPD peut être utilisée pour modéliser des queues de

distributions, c’est-à-dire pour des données dépassant un certain
seuil.
Pour être plus précis, on défnit un nombre réel u suffisamment
élevé, appelé seuil avec Nu = card{i|i = 1, ..., n, Xi > u} est le
nombre de dépassements du seuil et Yi = Xi − u > 0 pour
1 ≤ i ≤ Nu , pour les (Xi )1≤i≤n et Y1 , ..., YNu les excès
correspondants.

dog1

Dr. BENYOUSSEF Meryem Introduction 30 / 41

Domaine d’attraction de la GEV La Distribution GPD

Distribution des excès et moyenne des excès

La fonction de répartition des excès de X au-dessus du seuil

u < xF est défnie par :

Fu (y ) = P(X − u ≤ y |X > u).

dog1

Dr. BENYOUSSEF Meryem Introduction 31 / 41

Domaine d’attraction de la GEV La Distribution GPD

Distribution des excès et moyenne des excès

La fonction de répartition des excès de X au-dessus du seuil

u < xF est défnie par :

Fu (y ) = P(X − u ≤ y |X > u).

De plus, on peut l’écrire sous cette forme :

dog1

Dr. BENYOUSSEF Meryem Introduction 31 / 41

Domaine d’attraction de la GEV La Distribution GPD

Distribution des excès et moyenne des excès

La fonction de répartition des excès de X au-dessus du seuil

u < xF est défnie par :

Fu (y ) = P(X − u ≤ y |X > u).

De plus, on peut l’écrire sous cette forme :

Exercice : Montrer que :

F (u + y ) − F (u)
Fu (y ) = .
F̄ (u)

dog1

Dr. BENYOUSSEF Meryem Introduction 31 / 41

Domaine d’attraction de la GEV La Distribution GPD

Distribution des excès et moyenne des excès

De plus, on peut l’écrire sous cette forme :

dog1

Dr. BENYOUSSEF Meryem Introduction 32 / 41

Domaine d’attraction de la GEV La Distribution GPD

Distribution des excès et moyenne des excès

De plus, on peut l’écrire sous cette forme :

P(X − u ≤ y , X > u)
Fu (y ) =
P(X > u)
P(u < X ≤ y + u)
=
1 − P(X ≤ u)
P(X ≤ y + u) − P(X ≤ u)
=
1 − P(X ≤ u)
F (u + y ) − F (u)
=
1 − F (u)
F (u + y ) − F (u)
Fu (y ) =
F̄ (u)

dog1

Dr. BENYOUSSEF Meryem Introduction 32 / 41

Domaine d’attraction de la GEV La Distribution GPD

Distribution de Paréto généralisée

La loi de Pareto Généralisée (GPD),de paramètres γ ∈ R, et

σ > 0, est définie par sa fonction de répartition, donnée par :

dog1

Dr. BENYOUSSEF Meryem Introduction 33 / 41

Domaine d’attraction de la GEV La Distribution GPD

GPD standard

On note que la GPD standard est correspond au cas où µ = 0 et

σ = 1, telle que :

dog1

Dr. BENYOUSSEF Meryem Introduction 34 / 41

Domaine d’attraction de la GEV La Distribution GPD

Théorème de (Balkema et de Haan(1974),

Pickands(1975))

Lorsque le paramètre de localisation est nul (µ = 0) et le

paramètre d’échelle est arbitraire (σ > 0) ; Belkema, de Haan et
Pickands ont proposés le théorème suivant qui fait le lien entre le
comportement asymptotique de la distribution des excès et la loi
de Paréto généralisée.

dog1

Dr. BENYOUSSEF Meryem Introduction 35 / 41

Domaine d’attraction de la GEV La Distribution GPD

Théorème de (Balkema et de Haan(1974),

Pickands(1975))

Si la fonction de répartition F de point terminal xF appartient au

domaine d’attraction de Gγ , alors il existe une fonction mesurable
et positive σ(u), tel que :

dog1

Dr. BENYOUSSEF Meryem Introduction 36 / 41

Domaine d’attraction de la GEV La Distribution GPD

Théorème de (Balkema et de Haan(1974),

Pickands(1975))

Si la fonction de répartition F de point terminal xF appartient au

domaine d’attraction de Gγ , alors il existe une fonction mesurable
et positive σ(u), tel que :

Pour la preuve vous pouvez le trouver dans Embrecht.

dog1

Dr. BENYOUSSEF Meryem Introduction 36 / 41

Domaine d’attraction de la GEV La Distribution GPD

Interprétation du théorème

On peut modéliser asymptotiquement la distribution conditionnelle

de dépassements au-dessus d’un seuil par la GPD.

dog1

Dr. BENYOUSSEF Meryem Introduction 37 / 41

Domaine d’attraction de la GEV La Distribution GPD

Rapport GPD standard GEV standard

Il y a un rapport simple entre la GPD standard Gγ (x ) et la GEV

standard Hγ (x ) ; tels que :

dog1

Dr. BENYOUSSEF Meryem Introduction 38 / 41

Domaine d’attraction de la GEV La Distribution GPD

Rapport GPD standard GEV standard

Il y a un rapport simple entre la GPD standard Gγ (x ) et la GEV

standard Hγ (x ) ; tels que :

dog1

Dr. BENYOUSSEF Meryem Introduction 38 / 41

Domaine d’attraction de la GEV La Distribution GPD

Exemple

dog1

Dr. BENYOUSSEF Meryem Introduction 39 / 41

Domaine d’attraction de la GEV La Distribution GPD

La densité de la GPD

On écrit la densité de la distribution GPD comme suit

dog1

Dr. BENYOUSSEF Meryem Introduction 40 / 41

Domaine d’attraction de la GEV La Distribution GPD

Représentation graphique

dog1

Dr. BENYOUSSEF Meryem Introduction 41 / 41