Théorie des valeurs extrêmes

La théorie des valeurs extrêmes est une branche des statistiques qui s'intéresse aux valeurs extrêmes des distributions de probabilité. Elle a été développée par Émil Julius Gumbel.

Méthodes

La théorie des valeurs extrêmes permet de connaître le comportement asymptotique des maxima de valeurs prises par les valeurs de variables aléatoires identiquement distribuées et indépendantes^[1]. Cette loi comporte des paramètres que l'on peut estimer soit en se basant sur les valeurs extrêmes prises dans des blocs de taille fixe des données à disposition (méthode des maxima), soit en s'intéressant à la distribution des données supérieures à un certain seuil (méthode des excès)^[1]. Pour pouvoir être appliquée, la théorie des valeurs extrêmes doit donc disposer de beaucoup de données^[1].

Distribution limite

Soient ${\displaystyle X_{1},...,X_{n}}$ des variables aléatoires indépendantes et identiquement distribuées. La théorie des valeurs extrêmes s'intéresse au comportement limite des extrêmes de l'échantillon, c'est-à-dire ${\displaystyle \max(X_{1},...,X_{n})}$ ou, de manière équivalente, ${\displaystyle \min(X_{1},...,X_{n})}$ lorsque ${\displaystyle n}$ approche l'infini. Une certaine intuition peut être construite en faisant le rapprochement avec le théorème central limite. Ce dernier s'intéresse au comportement limite de la somme des variables aléatoires de l'échantillon.

Soit ${\displaystyle F}$ la distribution ayant générée ${\displaystyle \{X_{n}\}}$. Alors, en posant ${\displaystyle M_{n}}$ comme étant la borne supérieure pouvant être générée par ${\displaystyle F}$, on a,

${\displaystyle \max(X_{1},...,X_{n})\xrightarrow {\mathbb {P} } M_{n}}$,

où ${\displaystyle \xrightarrow {\mathbb {P} } }$ signifie convergence en probabilité, puisque,

${\displaystyle \mathbb {P} (\max(X_{1},...,X_{n})\leq x)=\mathbb {P} (X_{1}\leq x,...,X_{n}\leq x)=F^{n}(x)}$,

qui converge lorsque ${\displaystyle n\to +\infty }$ à ${\displaystyle 0}$ pour ${\displaystyle x<M_{n}}$ et à ${\displaystyle 1}$ pour ${\displaystyle x\geq M_{n}}$. Or, nous souhaitons avoir un comportement limite qui tend vers une distribution non-dégénérée. Pour cela, il est nécessaire de standardiser l'extrême de l'échantillon. Supposons qu'il existe une séquence ${\displaystyle a_{n}>0}$ et une séquence ${\displaystyle b_{n}\in \mathbb {R} }$ si bien que, ${\displaystyle {\frac {\max(X_{1},...,X_{n})-b_{n}}{a_{n}}}}$ a une distribution limite non-dégénérée,

${\displaystyle \lim _{n\to +\infty }F^{n}(a_{n}x+b_{n})=G(x)}$.

Domaine d'attraction

Il est nécessaire de poser une série de conditions nécessaires et suffisantes sur ${\displaystyle F}$ afin de pouvoir garantir la convergence en limite des extrêmes vers ${\displaystyle G}$. Le domaine d'attraction maximal ou domaine d'attraction est la classe de distribution satisfaisant les conditions nécessaires et suffisantes. Il existe trois types de distributions limites. A eux trois, ils comprennent toutes les distributions limites de variables aléatoire indépendantes et identiquement distribuées qui convergent vers une distribution limite non-dégénérée:

1. La loi de Gumbel ;
2. La loi de Fréchet ;
3. La loi de Weibull.

Ces trois distributions constituent les membres de la loi d'extremum généralisée.

Applications

La théorie des valeurs extrêmes est appliquée en hydrologie pour prévoir les crues, en océanographie dans l'étude des vagues scélérates^[2], en épidémiologie pour identifier rapidement les maladies émergentes^[1], en démographie pour prévoir la distribution de probabilité de l'âge maximum que l'être humain pourra atteindre, en assurance pour prévoir les grands sinistres, en finance ou encore en climatologie et météorologie par exemple pour anticiper les futurs dépassement de records de canicule^[3],[4].

Notes et références

1. Jacques Barnouin, Ivan Sache et al. (préf. Marion Guillou), Les maladies émergentes : Épidémiologie chez le végétal, l'animal et l'homme, Versailles, Quæ, coll. « Synthèses », 2010, 444 p. (ISBN 978-2-7592-0510-3, ISSN 1777-4624, lire en ligne), III. Détection statistique et modélisation de la dynamique des émergences, chap. 12 (« Modélisation statistique des événements rares : le cas des valeurs extrêmes et de l'étude des émergences »), p. 112-117, accès libre.
2. Michel Olagnon (ill. Janette Kerr (en)), Anatomie curieuse des vagues scélérates, Quæ, coll. « Carnets de sciences », 2019, 176 p. (ISBN 978-2-7592-2967-3, présentation en ligne), VII. Statistiques scélérates, « Extrapoler hardiment mais scientifiquement », p. 103-104.
3. Raggad 2009.
4. Nicholas Leach, « Des températures extrêmes « statistiquement impossibles », quelles sont les régions les plus à risque ? », sur theconversation.com, 26 juillet 2023 (consulté le 19 août 2023).

Voir aussi

Bibliographie

• (en) Ronald Aylmar Fisher et L.H.C. Tippett, « Limiting forms of the frequency distribution of the largest and smallest member of a sample », Proc. Cambridge Phil. Soc., vol. 24,‎ 1928, p. 180–190 (DOI 10.1017/s0305004100015681)
• B.V. Gnedenko, « Sur la distribution limite du terme maximum d'une serie aleatoire », Annals of Mathematics, vol. 44,‎ 1943, p. 423–453 (DOI 10.2307/1968974)
• E.J. Gumbel, « Les valeurs extrêmes des distributions statistiques », Ann. Inst. Henri Poincaré, vol. 5, n^o 2,‎ 1935, p. 115–158 (lire en ligne [PDF], consulté le 1^er avril 2009)
• Emil J. Gumbel, Statistics of Extremes, Mineola, NY, Dover, 2004 (1^re éd. 1958) (ISBN 0-486-43604-7)
• Bechir Raggad, « Fondements de la théorie des valeurs extrêmes, ses principales applications et son apport à la gestion des risques du marché pétrolier », Mathématiques et sciences humaines, n^o 186,‎ été 2009 (lire en ligne, consulté le 22 juin 2015)

Articles connexes

• Loi d'extremum généralisée
• Loi de Gumbel
• Loi de Fréchet
• Loi de Weibull
• Théorème de Fisher-Tippett-Gnedenko