‫الجمهورية الجزائرية الديمقراطية الشعبية‬

‫وزارة التعليم العالي والبحث العلمي‬

UNIVERSITE BADJI MOKHTAR - ANNABA

BADJI MOKHTAR – ANNABA UNIVERSITY
‫جامعة باجي مختار – عنابـــــــــــــــة‬

Faculté : Sciences
Département : Mathématiques
Domaine : Mathématiques -
Informatique
Filière : Mathématiques appliquées
Spécialité : Probabilités et Statistique

Mémoire
Présenté en vue de l’obtention du Diplôme de Master
Thème:
La famille de distribution Odd Lindley généralisée

Présenté par : Mokrani Amira

Encadrant : Goual Hafida M.C.B Université Badji Mokhtar - Annaba

Jury de Soutenance :
Zaghdoudi Halim Professeur UBM - Annaba Président
Goual Hafida M. C. B. UBM - Annaba Encadrant
Chouia Sana M. C. B. UBM - Annaba Examinateur
TREIDI Wafa M. C. B. UBM - Annaba Deuxième
examinateur

Année Universitaire : 2019/2020

 TABLE DES MATIÈRES

1 Remerciements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v
2 Dédicace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi
3 Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii
4 Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii
5 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ix

1 Préliminaire 1
1 Dé…nitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Population . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Echantillon . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Loi de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.5 Paramètre de forme . . . . . . . . . . . . . . . . . . . . . . . 2
1.6 Paramètre d’échelle . . . . . . . . . . . . . . . . . . . . . . . . 2
1.7 Théorème Centrale-Limite (T.C.L) . . . . . . . . . . . . . . . 3
2 Quelques distributions usuelles . . . . . . . . . . . . . . . . . . . . . . 3
2.1 La distribution Uniforme . . . . . . . . . . . . . . . . . . . . . 3
2.2 La distribution Weibull . . . . . . . . . . . . . . . . . . . . . . 4
2.3 La distribution Exponentielle . . . . . . . . . . . . . . . . . . 4

ii
TABLE DES MATIÈRES TABLE DES MATIÈRES

2.4 La distribution normale . . . . . . . . . . . . . . . . . . . . . 5

2.5 Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.6 Fonction de survie . . . . . . . . . . . . . . . . . . . . . . . . 6
2.7 Fonction de densité de probabilité . . . . . . . . . . . . . . . . 7
2.8 Fonction du taux de hasard . . . . . . . . . . . . . . . . . . . 7
2.9 Fonction du taux de hasard cumulé . . . . . . . . . . . . . . . 7
3 Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.1 Estimation par la méthode du maximum de vraisemblance . . 8
3.2 Estimation par la méthode des moments . . . . . . . . . . . . 9
3.3 Estimation par intervalle de con…ance . . . . . . . . . . . . . 10
4 Statistique d’ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
5 Fonction génératrice . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
6 Expansion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2 La famille de distributions Odd Lindley-G (OL-G) 14

1 La famille de distributions T-X . . . . . . . . . . . . . . . . . . . . . 14
2 Dé…nition de la famille Odd Lindley-G . . . . . . . . . . . . . . . . . 15

3 Propriétés mathématique principales de OL-G 18

1 Fonctions de survie et taux de risque . . . . . . . . . . . . . . . . . . 18
2 Fonctions quantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3 Formes de la famille OL-G . . . . . . . . . . . . . . . . . . . . . . . . 20
4 Expansions utiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
5 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
6 Fonction génératrice . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
7 Fiabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

4 Estimation de la famille OL-G 27

1 Fonction de vraisemblace de la famille OL-G . . . . . . . . . . . . . . 27
2 Fonctions de score de la famille OL-G . . . . . . . . . . . . . . . . . . 28
3 Eléments de la matrice de Fisher de la famille OL-G . . . . . . . . . . 29

iii
TABLE DES MATIÈRES TABLE DES MATIÈRES

5 Le modèle Odd Lindley Weibull (OLW) 30

1 Estimation de la distribution Odd Lindley Weibull . . . . . . . . . . . 31
2 Fonctions de scores de OLW . . . . . . . . . . . . . . . . . . . . . . . 31
3 Eléments de la matrice de Fisher de OLW . . . . . . . . . . . . . . . 32
4 Simulation du modèle Odd Lindley Weibull . . . . . . . . . . . . . . . 33
4.1 Le modèle Odd Lindley-Weibull (OLW) . . . . . . . . . . . . . 33
4.2 Représentation graphique du modèle OLW . . . . . . . . . . . 34
4.3 Estimation des paramètres du modèle OLW . . . . . . . . . . 35

6 Conclusion 38

Bibliographie 39

iv
1. Remerciements

1 Remerciements
Je remercie avant tout ALLAH l’elevé le plus Puissant qui m’a o¤ert le courage,la
volonté et la santé et m’a aidé à réaliser ce travail.
J’exprime d’abord mes profonde remerciements à Dr. Goual Ha…da , Maître de
conférence à l’Université Badji Mokhtar Annaba, pour avoir encadré et dirigé ce tra-
vail avec une grande rigueur scienti…que, sa disponabilité, ses conseils et la con…ance
qu’elle m’a accordée pour réaliser ce travail.
Je remercie vivement Pr. Zaghdoudi Halim , Professeur à l’Universitè Badji Mo-
khtar Annaba, pour l’intérêt qu’il a apporté à ce sujet en acceptant d’être le président
du jury.
Toute ma gratitude va à Dr. Chouia Sana , Maître de Conférence à l’Université
Badji Mokhtar Annaba, qui m’a fait l’honneur de participer comme membre du jury.
Je remercie également Dr. Treidi Wafa , Maître de Conférence à l’Université Badji
Mokhtar Annaba, pour avoir accepter de juger ce travail.
En…n, je voudrais rendre hommage à tout personne n’ayant pas hésité de m’aider
de prés ou de loin à la réalisation de ce travail.
A tous nos enseignants pour le savoir et l’expérience qu’ils nous ont fournis.
A toutes les personnes qui m’ont aidé d’une maniére directe ou indirecte.

v
 2. Dédicace

2 Dédicace
Je dédie ce modeste travail : Aux deux personnes les plus chéres dans ma vie à :
Ma lumiére, celle qui m’a donnée la vie, l’amour, la tendresse et le courage, toi
chére Maman
Celui qui m’a soutenu et guidé a…n que je puisse arriver à cette étape de ma vie,
toi
cher pére
Mes soeurs ,Mon frére ,Tous mes cousins et cousines,Mes amis
et
Toute la promotion 2019/2020
A tous ceux qui sont chers je dédie ce mémoire.
Et à toute personne qui m’aime.

vi
3. Abstract

3 Abstract
Statistical analysis of life data is an important topic in reliability engineering,
biomedical, social and other sciences. In this thesis, we introduce a new generator of
continuous distributions with one more positive parameter called the odd Lindley-G
family (OL G) proposed by Frank Gomes-Silva et al. in 2017 [11]. We provide an
in-depth study of this Odd Lindley family, a sub-model of the proposed family is
presented. We discuss general mathematical properties of the odd Lindley-G family,
such as expansion of the distribution function, moments, the generating function and
order statistics. The maximum likelihood method is used to estimate the parameters
of the OL G family.We illustrate the importance and ‡exibility of the proposed
family (OL G) using simulations using the R software.

vii
 4. Résumé

4 Résumé
L’analyse statistique des données de durée de vie est un sujet important dans
l’ingénierie,la …abilité, les sciences biomédicales, sociales et autres. Dans ce mémoire,
nous introduisons un nouveau générateur des distributions continues avec un para-
mètre positif de plus appelé la famille odd Lindley-G (OL G) proposée par Frank
Gomes-Silva et al. en 2017 [11]. Nous fournissons une étude approfondie de cette
famille odd Lindley, un sous modèle de la famille proposée est présentés. Nous dis-
cutons des propriétés mathématiques générales de la famille odd Lindley-G, telles
que l’expansion de la fonction de répartition, les moments, la fonction génératrice
et les statistiques d’ordres. La méthode du maximum de vraisemblance est utilisée
pour estimer les paramètres de la famille OL G.Nous illustrons l’importance et
la ‡exibilité de la famille proposée (OL G) à l’aide des simulations en utilisant le
logiciel R.

viii
5. Introduction

5 Introduction
Ces dernières années, plusieurs façons de générer de nouvelles distributions à par-
tir de distributions classiques ont attiré des statisticiens en raison de leurs propriétés
‡exibles. De nombreuses distributions classiques ont été largement utilisées au cours
des dernières décennies pour modéliser des données dans plusieurs domaines.
En fait, par exemple, Johnson, Kotz et Balakrishnan (1994; 1995) ont présenté
une discussion complète sur centaines distributions univariées continues. Cependant,
dans de nombreux domaines appliqués, y compris, mais sans s’y limiter, l’analyse de
survie, la …nance et l’assurance, il existe un besoin évident de formes étendues de
ces distributions, qui sont plus ‡exibles pour s’adapter à des scénarios spéci…ques
du monde réel. Par conséquent, les développements récents se concentrent sur la
dé…nition des nouvelles familles de distributions qui étendent des distributions bien
connues et en même temps o¤rent une grande ‡exibilité dans la modélisation des
données dans la pratique.
Certains générateurs bien établis et d’autres récemment proposées sont ; la fa-
mille générée par Marshall-Olkin (MO-G) (Marshall et Olkin (1997))[14], beta-G
(Eugene, Lee et Famoye (2002))[10], Kumaraswamy-G (Kw-G en abrégé) (Cordeiro
et de Castro (2011))[8], McDonald-G (Mc-G) (Alexander, Cordeiro, Ortega et Sa-
rabia (2012))[1], gamma-G (Zografos et Balakrishnan (2009))[22], transformateur-X
(T-X) (Alzaatreh, Lee et Famoye (2013))[3], T-X exponencié (Alzaghal, Felix et Carl
(2013))[4], Weibull-G (Bourguignon, Silva et Cordeiro (2014))[6], la famille demi-
logistique exponentiée (Cordeiro, Alizadeh et Ortega (2014)) [7], logistique-X (Tahir,
Cordeiro, Alzaatreh, Mansoor, et Zubair (2016a))[20], New Weibull-G (Tahir, Zubair,
Mansoor, Cordeiro, Alizadeh et Hamedani (2016b))[21] et Kumaraswamy impair log-
logistic-G (Alizadeh, Emadi, Doostparast, Cordeiro, Ortega et Pescim (2015))[2] et
bien d’autres.
La distribution Lindley a été proposée à l’origine par Lindley (1958)[13] comme
contre-exemple des statistiques …duciaires. Ghitany, Atieh et Nadarajah (2008)[12]
ont montré à travers un exemple numérique que la fonction de risque de la distribution
de Lindley ne présente pas un taux de risque constant, indiquant sa ‡exibilité sur

ix
 5. Introduction

la distribution exponentielle. Le modèle Lindley a récemment reçu une attention

considérable en tant qu’un modèle approprié pour analyser les données de durée
de vie, en particulier dans les applications de modélisation de la …abilité et de la
résistance au stress ; voir pour par exemple, Ghitany et al. (2008)[12], Zakerzadeh
et Dolati (2009), Mazucheli et Achcar (2011), Gupta et Singh (2012), Warahena-
Liyanage et Pararai (2014). Plusieurs autres auteurs notamment Sankaran (1970),
Nadarajah et Tahmasbi (2011)[17] et Asgharzedah, Bakouch et Esmaeli (2013)[5]
ont développé certaines propriétés structurelles de diverses distribution de Lindley
et toutes ses généralisations peuvent ne pas convenir d’un point de vue théorique
ou appliqué. L’objectif de ce mémoire est d’étudier une récente généralisation de
distributions continues. La nouvelle famille proposée par Frank Gomes-Silva et al. en
2017 [11] appelée la famille de distribution Odd Lindley-G (OL G).
Le premier chapitre décrit des notions et des dé…nitions de la statistique, l’analyse
de survie et quelques distributions usuelles connues ainsi que leurs propriétés mathé-
matiques. Nous présentons dans le second chapitre la nouvelle famille proposée par
TFrank Gomes-Silva et al. en (2017), ainsi que ses caractéristiques : la fonction de
densité de probabilité, la fonction de répartition, la fonction de survie, les fonctions
du taux de hasard et du taux de hasard cumulé. Le troisième chapitre est consacré
à une étude des propriétés mathématiques générales de cette famille de distribution
(OL G), telles que l’expansion de la fonction de répartition, les moments, la fonc-
tion génératrice, la statistique d’ordre et l’estimation par la méthode du maximum
de vraisemblance en donnant la forme explicite des fonctions de scores, ainsi que les
éléments de la matrice d’information de Fisher. Par la suite, nous menons une esti-
mation de la famille OL-G par la méthode de maximum de vraisemblance. Dans le
cinquième et dernier chapitre, nous considérons un sous modèles de la famille OL-G,
le modèle Odd Lindley-Weibull (OLW), nous essaierons de déterminer les fonctions
scores ainsi que les éléments de la matrice d’information de Fisher. A…n de mon-
trer la ‡exibilité et l’applicabilité du modèle OLW, nous avons mené une étude par
simulation numérique en utilisons le logiciel R.

x
CHAPITRE 1

Préliminaire

Dans ce chapitre introductif, nous énnoçons quelques dé…nitions et propriétés

dont nous nous servirons par la suite.

1 Dé…nitions
1.1 Statistique
La statistique est l’ensemble des méthodes qui ont pour objet la collecte, le trai-
tement et l’interprétation de données observées relatives à un groupe d’individus ou
d’unités.
La statistique utilise des méthodes et des règles sur la collecte des données,
pour que celles-ci puissent être correctement interprétées, souvent comme compo-
sante d’une aide à la décision.

1.2 Population
Une population est l’ensemble (des éléments) d’objets ou d’individus auxquels
se rapportent les données étudiées et sur lesquels on désire avoir l’information. En

1
 1. Dé…nitions

statistique le terme population s’applique à des ensembles de toute nature.

1.3 Echantillon
Un échantillon est un sous ensemble prélevé dans la population dé…nie au préa-
lable de manière qu’il soit représentatif de celle-ci.

1.4 Loi de probabilité

En théorie des probabilités et en statisqtique, une loi de probabilité est une mesure
qui décrit le comportement aléatoire d’un phénomène au hasard. Autrement dit la loi
de probabilité décrit le comportement d’une variable aléatoire discrète ou continue
dépendant d’une expérience aléatoire.
Il y a plusieurs moyens de caractériser la loi de probabilité d’une variable aléa-
toire, la plus simple et courament utilisée c’est la fonction de répartition.

1.5 Paramètre de forme

Le paramètre de forme est un paramètre d’une loi de probabilité qui régit uni-
quement la forme de la distribution.

1.6 Paramètre d’échelle

Le paramètre d’échelle dirige l’échelle ou la dispersion de la distribution. Il s’agit
principalement d’un facteur multiplicatif.
Si le paramètre d’échelle est grand alors la distribution est étalée, si c’est petit
alors la distribution est concentrée.

2
2. Quelques distributions usuelles

1.7 Théorème Centrale-Limite (T.C.L)

Le théorème centrale limite est un véritable pilier des statistiques, ce théorème
énonce que la somme de variables aléatoires independantes et identiquement distri-
buées (i:i:d:) converge en loi vers la loi Normale.
En statistique inférentielle, ce théorème est utile dans l’approximation d’une loi
par une loi Normale et permet le calcul des intervalles de con…ance autours des
estimateurs.
Soit une suite de variables aléatoires : X1 ; X2 ; :::; Xn i:i:d:, pour n assez grand
(n > 30), E[Xi] = et V ar[Xi] = 2 :
Pn
Soit Sn = i=1 Xi et Zn représente la variable centrée réduite :

Sn n
Zn = p N (0; 1)
= n
2

2 Quelques distributions usuelles

2.1 La distribution Uniforme

La fonction de densité :

1
g(x; ) = ; 0 < x < <1

La fonction de répartition :

x
G (x; ) = ;0 < x < <1

La fonction de survie :

x
S (x; ) = 1 G(x; ) = 1 ;0 < x < <1

La fonction de taux de hasard :

g (x; ) 1
(x; ) = =( x) ;0 < x < <1
S (x; )

3
 2. Quelques distributions usuelles

La fonction du taux de hasrad cumulé :

x
(x; ) = log [S (x)] = log 1 ;0 < x < <1

2.2 La distribution Weibull

La fonction de densité :

1
g(x) = x exp ( x ) ; x > 0; ; >0

La fonction de répartition :

G (x) = 1 exp ( x ) ; x > 0; ; >0

La fonction de survie :

S (x) = 1 G(x) = exp( x ); x > 0; ; >0

La fonction de taux de hasard :

g (x) 1
(x) = = x ; x > 0; ; >0
S (x)
La fonction du taux de hasrad cumulé :

(x) = log [S (x)] = x ; x > 0; ; >0

2.3 La distribution Exponentielle

Pour = 1 dans une distribution de Weibull, on obtient la fameuse distribution
nommée Exponentielle.
La fonction de densité :

4
2. Quelques distributions usuelles

g(x) = exp ( x) ; x > 0; >0

La fonction de répartition :

G (x) = 1 exp ( x) ; x > 0; >0

La fonction de survie :

S (x) = 1 G(x) = exp ( x) ; x > 0; >0

La fonction de taux de hasard :

g (x)
(x) = = ; >0
S (x)
La fonction du taux de hasrad cumulé :

(x) = log [S (x)] = x; x > 0; >0

2.4 La distribution normale

La fonction de densité :

1
g(x; ; ) = [(x )= ] ; x 2 RR

La fonction de répartition :

G (x; ; ) = [(x )= ] ; x 2 R; > 0; 2R

La fonction de survie :

S (x; ; ) = 1 G(x) = 1 [(x )= ] ; x 2 R; > 0; 2R

La fonction de taux de hasard :

5
 2. Quelques distributions usuelles

1
g (x) [(x )= ]
(x; ; ) = = ; x 2 R; > 0; 2R
S (x) 1 [(x )= ]
La fonction du taux de hasrad cumulé :

(x; ; ) = log [S (x)] = log [ [(x )= ]] ; x 2 R; > 0; 2R

x2
Où : est la fonction caractéristique donnée par :R!R: (x) = exp 2
,
8x 2 R:
Distributions de la durée de survie

2.5 Analyse de survie

Soit X une variable aléatoire positive ou nulle et absolument continue qui repré-
sente le temps de survie, et t la valeur précise de la variable aléatoire X, Alors sa loi
de probabilité peut être dé…nie par l’une des fonctions équivalentes citées ci-dessous.

2.6 Fonction de survie

S(t) = P fX > tg ; t 0;

La foncion de survie est la probabilité que la variable aléatoire X dépasse le temps

spéci…é t:

Fonction de répartition (de défaillance) :

F (t) = P (X t) ; t 0
F (t) = 1 S (t)

La fonction de répartition représente la probabilité qu’une appareil (un individu)

choisi au hasard ait une défaillance (ne survécu pas) avant l’instant t.

6
2. Quelques distributions usuelles

2.7 Fonction de densité de probabilité

Si la fonction de répartition F admet une dérivée au point t, alors :

P (t X < t + h) dF (t) 0
f (t) = lim = = S (t)
h!0 h dt

2.8 Fonction du taux de hasard

Le taux de hasard donne le potentiel instantané par unité de temps pour que
l’évenement se produise, étant donné que l’individu (l’appareil) a survecu jusqu’à
l’instant t. (une défaillance se produit dans l’intervalle [t; t + h] sachant que (l’indi-
vidu) le matériel a bien fonctionné jusqu’à l’instant t)

P (t X < t + hnX t) f (t)

(t) = lim =
h!0 h S(t)

2.9 Fonction du taux de hasard cumulé

Zt
(t) = (x)dx = ln S(t):
0

7
 3. Estimation

3 Estimation
En mathématiques, un estimateur est une statistique permettant d’évaluer un
paramètre inconnu relatif à une loi de probabilité. Un estimateur est toujours établi
à partir d’une statistique d’échantillon, il doit re‡éter au mieux le vrai paramètre
de la population qui restera inconnu. On souhaite calculer à partir d’un échantillon
statistique une valeur pour ce paramètre aussi proche que possible de sa vraie valeur,
et on souhaite aussi déterminer un intervalle autour de cette valeur, qui caractérise
la précision de la valeur estimée.
La qualité des estimateurs s’exprime par leur convergence, leur biais et leur e¢ ca-
cité. Diverses méthodes permettent d’obtenir des estimateurs de qualités di¤érentes.

3.1 Estimation par la méthode du maximum de vraisem-

blance
L’estimation du maximum de vraisemblance est une méthode statistique courante
utilisée pour inférer les paramètres de la distribution de probabilité d’un échantillon
donné. Cette méthode consiste à maximiser une fonction appelée fonction de vrai-
semblance, contenant le paramètre que l’on souhaite estimer.
Soit X une variable aléatoire réelle de loi de probabilité, dont on veut estimer
le paramètre . Alors on dé…nit une fonction f telle que : si X est une variable
aléatoire continue de densité de probabilité f , alors

f (x; ) = f (x)

si X est une variable aléatoire discrète de probabilité ponctuelle P , alors

f (x; ) = P (X = x)

On appelle fonction de vraisemblance de pour une réalisation (x1 ; :::; xn ) de

n-échantillon X1 ; :::; Xn i:i:d: d’une variable aléatoire X, si la loi de probabilité de X

8
3. Estimation

dépend d’un paramètre , on dé…nit alors la fonction de vraisemblance de comme

suit :

Y
n
L(x1 ; :::; xn ; ) = f (x1 ; :::; xn ; ) = f (xi ; ):
i=1

Lorsque n’est pas observable, La méthode du maximum de vraisemblance

consiste à estimer par la valeur qui maximise L (vraisemblance), et on obtient :
n o
b= =L b = max L(x1 ; :::; xn ; )

La vraisemblance étant positive et le logarithme népérien une fonction strictement

positive, il est équivalent et souvent plus simple de maximiser le logarithme népérien
de la vraisemblance.
Si L(x1 ; :::; xn ; ) est la vraisemblance du paramètre , Alors l’estimateur du maxi-
mum de vraisemblance véri…e :
(
@
@
log L (x1 ; :::; xn ) = 0: (1)
@2
@ 2
log L (x1 ; :::; xn ) < 0: (2)
où (1) et (2) représentent les fonctions scores.

3.2 Estimation par la méthode des moments

l’estimation par la méthode des moments c’est la méthode la plus naturelle. L’idée
de base est d’éstimer une espérance mathématique par une moyenne empirique, une
variance par une variance empirique, etc...
On suppose que l’échantillon X1 ; : : : ; Xn i:i:d: d’une variable aléatoire X et la loi
de probabilité de X dépend d’un paramètre :
Si le paramètre à estimer est l’espérance de la loi des Xi (i = 1; :::; n), alors on
peut l’estimer par la moyenne empirique de l’échantillon. Autrement dit, si = E[X];
alors l’estimateur de par la méthode des moments est :

9
 3. Estimation

X n
bn = Xn = 1 Xi
n i=1

Plus généralement, pour 2 R, si E(X) = ' ( ), où ' est une fonction inversible,
alors l’estimateur de par la méthode des moments est :

bn = ' 1
Xn :

de la même manière, on estime la variance de la loi des Xi par la variance empi-

rique de l’échantillon :

1X
n
2
Sn2 = Xi X
n i=1

Ce principe peut naturellement se généraliser aux moments de tous ordres, centrés

ou non centrés :

h i
E (X E (X))k et E(Xk); k 1

3.3 Estimation par intervalle de con…ance

Les estimations ponctuelles n’apportent pas d’information sur la précision des
résultats, c’est-à-dire qu’elles ne tiennent pas compte des erreurs dues aux ‡uctua-
tions d’échantillonnage. Pour évaluer la con…ance que l’on peut avoir en une valeur,
il est nécessaire de déterminer un intervalle contenant, avec une certaine probabilité
…xée au préalable, la vraie valeur du paramètre : c’est l’estimation par intervalle de
con…ance. Le principe de l’estimation par intervalle de con…ance est de proposer un
encadrement d’un paramètre inconnu d’une population dont la loi est connue.
Soit 2]0; 1[. S’il existe des variables aléatoires réelles min (X1 ; :::; Xn ) et max (X1 ; :::; Xn )

telles que :

P( 2[ min (X1 ; :::; Xn ); max (X1 ; :::; Xn )]) =1

10
4. Statistique d’ordre

Où : min (X1 ; :::; Xn ) et max (X1 ; :::; Xn ) sont les limites de con…ance. On dit alors
que [ min (X1 ; :::; Xn ); max (X1 ; :::; Xn )] est un intervalle de con…ance pour ; avec une
probabilité 1 dite risque d’erreur (degré de con…ance ou degré de certitude). On
le note IC1 ( ).

4 Statistique d’ordre
Soit X(i) l’application de Rn dans Rn qui à la réalisation x1 ; :::; xn de l’échantillon
X1 ; :::; Xn , fait correspondre le vecteur x(:) = (x(1) ; :::; x(n) ).
La statistique X(:) = (X(1) ; :::; X(n) ) est appelée le vecteur des statistiques d’ordre ou
échantillon ordonné associé à l’échantillon X1 ; :::; Xn , X(i) étant la ieme statistique
d’ordre.
La variable aléatoire X(i) est ainsi la variable aléatoire qui à la réalisation x1 ; :::; xn
de l’échantillon, associe la ieme plus petite valeur parmi les valeurs x1 ; :::; xn . En
particulier, X(1) est la plus petite observation, tandis que X(n) est la plus grande.

11
 6. Expansion

5 Fonction génératrice
Soit X une variable aléatoire à valeurs dans N. On appelle fonction génératrice
de X la série entière suivante :

X
1
GX (t) = P (X = n) tn :
n=0

En théorie des probabilités et en statistique, la fonction génératrice des moments

d’une variable aléatoire X est dé…nie par :

MX (t) = E (exp (tX)) ; t 2 R;

lorsque son espérance existe. Cette fonction est utilisée a…n d’engendrer les mo-
ments associés à la distribution de probabilité de la variable aléatoire X.

6 Expansion
Une expansion en série est une représentation d’une fonction particulière comme
une somme de puissances dans l’une de ses variables, ou par une somme de puissances
d’une autre fonction f (x) (généralement élémentaire). Elle permet de développer et
réduire en ligne une expression mathématique (ou une partie d’une équation) a…n de
l’exprimer en somme de facteurs.
Le développement consiste en la décomposition d’une multiplication ou d’un pro-
duit mathématique en une somme ou en une di¤érence. On appelle aussi l’étape de
développement une expansion, on parle parfois d’expansion de polynôme.
Séries de puissance
Une série de puissances dans une variable z est une somme in…nie de la forme :

X
1
ai z i
i=0

12
6. Expansion

Où ai sont des nombres entiers, des nombres réels, des nombres complexes, ou toutes
autres quantités d’un type donné.
Pour toute série de puissance, l’une des propriétés suivantes est vrai :
1. La série ne converge que pour z = 0.
2. La série converge absolument pour tous z:
3. La série converge absolument pour tous z dans un intervalle ouvert …ni [ R; R]
et diverge si z < R ou z > R. Aux points z = R et
z = R, la série peut converger absolument, converger conditionnellement ou diver-
ger.

13
CHAPITRE 2

La famille de distributions Odd Lindley-G (OL-G)

D’une manière générale, il y a eu un intérêt accru dans la dé…nition des nouveaux

générateurs pour les familles de distributions continues univariées en introduisant un
ou plusieurs paramètres de forme supplémentaires à la distribution de base. Cette
induction des paramètres s’est avérée utile pour améliorer la qualité de l’ajuste-
ment de la famille étudiée. Les générateurs les plus connus sont : bêta-G (Eugene
et al. (2002))[10], Kumaraswamy-G (G Kw ) (Cordeiro et de Castro (2011))[8],
McDonald-G (G M c) (Alexander et al. (2012))[1], gamma-G type 1 (Zografos Bala-
krishnan (2009) [22] et Amini et al. (2014)), gamma-G type 2 (Ristic et Balakrishnan
(2012)).

1 La famille de distributions T-X

Soit r(t) la fonction densité de probabilité d’une variable aléatoire t [a; b] pour
1 a < b < 1 et que W [G(x)] soit la fonction de distribution cumulative d’une
la variable aléatoire X telle que W [G(x)] véri…e les conditions suivantes :
(i) W [G(x)] 2 [a; b] ;
(ii) W [G(x)] est di¤érentiable et non décroissante de façon monotone, et

14
2. Dé…nition de la famille Odd Lindley-G

(iii) W [G(x)] ! a comme x ! 1 et W [G(x)] ! b comme x ! 1 (1)

Alzaatreh et al. (2013) [3] ont dé…ni la famille de distributions T-X par

WZ
[G(x)]

F (x) = r(t)dt; (2)

a

où W [G(x)] satisfait aux conditions précédente. La fonction de distribution de

densité est donné par

d
f (x) = W [G(x)] r fW [G(x)]g :(3)
dx

2 Dé…nition de la famille Odd Lindley-G

Frank Gomes-Silva et all. (2017) [11], ont proposé une nouvelle classe plus large
de distributions continues appelée la famille Odd Lindley-G (OL-G) en prenant
a2
W [G(x)] = 1 G(x; )
G(x; )
et r(t) = 1+a (1 + t)e at ; t > 0; a > 0;où G(x; ) est une fonc-
tion de répartition de base, qui dépend d’un vecteur de paramètre et G(x; ) =
1 G(x; ) est la fonction de base de la survie. Son fonction de répartition est donné
par
G(x; )
Z
1 G(x; )
a2 at
F (x; a; ) = (1 + t)e dt
1+a
0
a + G(x; ) G(x; )
= 1 exp a ; (4)
(1 + a)G(x; ) G(x; )

Pour chaque distribution de base G, la famille de distributions OL-G est dé…nie

par la fonction de répartition (4). L’équation (4) est une famille plus large de distri-

15
 2. Dé…nition de la famille Odd Lindley-G

butions continues. De plus, on peut parfois omettre la dépendance au vecteur des

paramètres et écrivez simplement G(x) = G(x; ):
La fonction de densité correspondante à (4) est donnée par

a2 g(x; ) G(x; )
f (x; a; ) = exp a ; (5)
(1 + a) G(x; )3 G(x; )

où g(x; ) est la fonction de distribution de densité de base. L’équation (5) est

plus facile à assimiler lorsque le fonction de distribution cummulative G(x) et le la
fonction de distribution de densité g(x) ont des expressions analytiques simples. Ci-
après, une variable aléatoire X avec fonction de densité (5) est noté X OL G(a; ).
Le tableau 1 répertorie G(x; )=G(x; ) et les valeurs correspondantes aux paramètres
pour certaines distributions spéciales.
Tableau 1 : Distributions et fonctions G(x; )=G(x; ) correspondantes
Distribution G(x; )=G(x; )
Uniforme (0 < x < ) x=( x)
x
Exponentielle (x > 0) e 1
x
Weibull (x > 0) e 1 ( ; )
x 1
Fréchet (x > 0) (e 1) ( ; )
Demi-logistique (x > 0) (ex 1)=2
h i 1
k
Fonction de puissance (0 < x < 1= ) ( x) 1 ( ; k)
Pareto (x ) (x= )k 1 ( ; k)
c k
Burr XII (x > 0) [1 + (x=s) ] 1 (s; k; c)
Log-logistique (x > 0) [1 + (x=s)c ] 1 (s; c)
k
Lomax (x > 0) [1 + (x=s)] 1 (s; k)
1
Gumbel ( 1 < x < 1) fexp [exp( (x )= )] 1g ( ; )
Kumaraswamy (0 < x < 1) (1 x ) 1 ( ; )
normal ( 1 < x < 1) ((x )= )=(1 ((x )= )) ( ; )

La plupart des distributions manquent de motivation physique pour la modéli-

sation des données de durée de vie. Nous fournissons maintenant,dans un contexte

16
2. Dé…nition de la famille Odd Lindley-G

similaire, une interprétation physique de la famille proposée inspirée par Cooray

(2006). Soit Y une variable aléatoire ayant une certaine distribution G continue. Le
rapport de cotes qu’un individu (ou composant) suivant la durée de vie Y mourra
(échec) au même moment X est G(x; )=G(x; ) . Considéront que la variabilité de
cette probabilité de décès (échec) est représentée par la variable aléatoire X et sup-
posons qu’elle suit le modèle de Lindley avec l’échelle a . Nous pouvons écrire

G(x; )
Pr(Y x) = Pr X = F (x; a; )
G(x; )

qui est donné par (4).

17
CHAPITRE 3

Propriétés mathématique principales de OL-G

1 Fonctions de survie et taux de risque

La fonction de survie correspondante à (4) est donnée par

a + G(x; ) G(x; )
S(x; a; ) = 1 F (x; a; ) = exp a :
(1 + a)G(x; ) G(x; )

La fonction du taux de risque de X devient

a2 g(x; ) a2
(x; a; ) = = (x; ); (6)
G(x; )2 a + G(x; ) G(x; ) a + G(x; )

où (x; ) = g(x; )=G(x; ): La quantité multiplicative a2 = G(x; ) a + G(x; )

fonctionne en tant que facteur corrigé pour le taux de risque de base. L’équation (4)
peut traiter de situations générales dans modélisation des données de survie avec
di¤érentes formes du taux de risque.

18
2. Fonctions quantiles

2 Fonctions quantiles
Soit X une variable aléatoire arbitraire avec fonction de distribution cummulative
F (x) = Pr(X x), où x 2 R. Pour tout u 2 (0; 1), la fonction de quantile u-ème
(qf )Q(u) de X est la solution de

F (Q(u)) = u;

pour Q(u) > 0

Pour tout a > 0 …xé, à partir de l’équation (4), on obtient

1 + a G(Q(u)) aG(Q(u))
e 1 G(Qu)) = (1 + a)(u 1)
1 G(Q(u))

(1+a)
Multiplier les deux côtés de cette équation par e donne

1 + a G(Q(u)) 1+aG(Q(u))
(1+a)
e 1 G(Qu)) = (1 + a)(u 1)e :
1 G(Q(u))

Dans l’équation ci-dessus, nous notons que 1+a G(Q(u))

1 G(Q(u))
est la fonction de Lam-
(1+a)
bert W du réel argument (1 + a)(u 1)e : La fonction Lambert W est dé…ni
par
W (x)eW (x) = x:

La fonction de Lambert a deux branches réelles avec un point de branchement

situé à ( e 1 ; 1): La branche inférieure, W 1 (x) est dé…nie dans l’intervalle [ e 1 ; 1]
est elle a une singularité négative pour x ! 0 : La branche supérieure, W0 (x), est
dé…nie pour x 2 [ e 1 ; 1].

Ensuite nous avons

(1+a) a
W ((1 + a)(u 1)e )= 1+ :(7)
1 G(Q(u))

19
 3. Formes de la famille OL-G

a
Clairement, pour tout a > 0 et u 2 (0; 1), nous avons 1 + 1 G(Q(u))
> 1 puis
(1 + a)(u 1)e (1+a) < 0. Par conséquent, en considérant la branche inférieure de la
fonction Lambert W , nous pouvons écrire (7) comme suit

(1+a) a
W 1 (1 + a)(u 1)e = 1+ :
1 G(Q(u))
Par conséquent, le quantile de X est donné par
n 1
o
1 (1+a)
Q(u) = G 1 + a 1 + W 1 ((1 + a)(u 1)e ) :

3 Formes de la famille OL-G

Les formes des fonctions de densité et de risque peuvent également être décrites
analytiquement. Les points critiques de la fonction de densité OL-G sont les racines
de l’équation :
g0(x) g(x) g(x)
+3 a = 0:(8)
g(x) G(x) G(x)2

Les points critiques de h(x) sont obtenus à partir de l’équation suivants

g0(x) g(x) g(x)

+ +2 = 0:(9)
g(x) a + G(x) G(x)2

En utilisant la plupart des systèmes de calcul formel, nous pouvons examiner les
équations (8) et (9) a…n de déterminer les maximums et minimums locaux et les
points de ‡exion.

20
4. Expansions utiles

4 Expansions utiles

Plusieurs propriétés structurelles des distributions étendues peuvent être facile-

ment explorées à l’aide de méthodes mixtes.formes de distribution-G exponentiées
(«Exp-G» ). Ici, nous obtenons des expansions pour f (x) et F (x). Tout d’abord,
nous dé…nissons la distribution Exp-G pour une distribution parent arbitraire G(x),
disons W Exp G(c), si W a la fonction de distribution cummulative et la fonction
de distribution de densité donnés par

Hc (x; ) = G(x; )c

et

hc (x; ) = cg(x; )G(x; )c 1

respectivement. Ensuite, nous obtenons une expansion pour f (x). Utilisation de

la power série pour la fonction exponentielle, nous avons

G(x; ) X1
( 1)k ak G(x; )
k
exp a =
G(x; ) k=0
k! G(x; )

En insérant cette expansion dans l’équation (5), nous avons

a2 X ( 1)k ak G(x; )k
1
f (x; a; ) = g(x; ) ; (10)
1+a k=0
k! G(x; )k+3

En utilisant le développement binomial généralisé, nous pouvons écrire

X1
(i + k + 3)
(k+3)
G(x; ) = G(x; )i :(11)
i=0
i! (k + 3)

En insérant (11) dans (10), la fonction de densité OL-G peut être exprimée comme

21
 5. Moments

un mélange in…ni de Fonctions de densité Exp-G

X
1
f (x; a; ) = i;k hi+k+1 (x; ); (12)
i;k=0

où
( 1)k a2+k (i + k + 3)
i;k =
(a + 1)(i + k + 1)i!k! (k + 3)
La fonction de distribution cummulative de X peut être donnée en intégrant (12)
comme
X
1
F (x; a; ) = i;k Hi+k+1 (x; ):(13)
i;k=0

Les propriétés des distributions Exp-G ont été étudiées par de nombreux auteurs
au cours des dernières années.Mudholkar et Srivastava (1993) et Mudholkar, Srivas-
tava et Freimer (1995) pour l’exposition Weibull, Gupta, Gupta et Gupta (1998) pour
les enfants de Pareto, Gupta et Kundu (1999) pour une exponentielle exponentielle,
Nadarajah (2005) pour une Gumbel exponentielle,Shirke et Kakade (2006) pour la
log-normale exponentiée et Nadarajah et Gupta (2007) pour distributions gamma
exponentiées.
Ainsi, certaines propriétés structurelles de la nouvelle famille telles que les pro-
priétés des moments ordinaires et incomplètes et la fonction génératrice peuvent être
déterminés à partir des propriétés bien établies de la distributions Exp-G. Notez que
les équations (12) et (13) sont les principaux résultats de cette section.

5 Moments

Nous supposons désormais que Yi+k Exp G(i + k + 1). Beaucoup de ca-
ractéristiques importantes d’une distribution peuvent être obtenues en utilisant des
moments ordinaires. Une première formule pour le n-ième moment de X peut être

22
5. Moments

obtenu de (12) comme

X
1
0 n n
n = E(X ) = i;k E(Yi+k ):(14)
i;k=0

Nadarajah et Kotz (2006) donne des expressions pour les moments de plusieurs
distributions Exp-G qui peuvent être utilisés pour obtenir des moments OL-G. Par
exemple, les moments du modèle OLW (pour n ) peut être dérivé a partir des
moments de Weibull donnée par Nadarajah et Kotz (2006). Dans ce cas, on obtient

X
1 X
1
( i k)j
0 n
n = (n= + 1) (i + k + 1) i;k :(15)
i;k=0 j=0
j!(j + 1)n=a+1

0
Une seconde formule alternative pour n peut être obtenu à partir de (14) en
termes de quantile de base fonction QG (u). On obtient

0
X
1

n = (i + k + 1) i;k n;i+k ; (16)

i;k=0

où l’intégrale dépend de la qf de base

Z1
n;j = QG (u)n uj du:(17)
0

Notez que les moments ordinaires de plusieurs distributions OL G peuvent être

déterminés directement des équations (16) et (17). Nous fournissons maintenant les
PWMs (Probability Weighted Moments) Cordeiro et Nadarajah (2011) ont déter-
miné que r;s pour certaines distributions bien connues telles que les distributions
normales, bêta, gamma et Weibull,qui peut être appliqué pour obtenir des moments
bruts des distributions OL G correspondantes.

23
 6. Fonction génératrice

En outre, les moments centraux ( r ) et les cumulants ( r ) de X peuvent être

déterminés à partir des moments ordinaires en utilisant les equations de récurrence

X
r
r
r = ( 1)k 0k 0
1 r k
k=0
k

et
X
r 1
r 1
0 0
kr = r kk r k;
k=1
k 1

2
respectivement, où k1 = 01 :ensuite,k2 = 02 0
1 ; k3 = 3
0
3 02 01 + 2 03
1 ; k4 =
0 3=2
4 4 3 1 3 2 + 12 2 1 6 1 ;etc.L’asymétrie 1 = k3 =k2 et kurtosis 2 = k4 =k22
0 0 02 0 02 04

peut être obtenu des deuxième, troisième et quatrième cumulants.

Les moments incomplets jouent un rôle important dans la mesure de l’inégalité.
Par exemple, L’application principale du premier moment incomplet concerne les
courbes de Lorenz et de Bonferroni.
Le nième moment incomplet de X est calculé comme

X
1 Z
G(y)
n
mn = E(X =X < y) = (i + k + 1) i;k QG (u)n ui+k du:
i;k=0 0

La dernière intégrale peut être évaluée pour la plupart des distributions G de

base.

6 Fonction génératrice
Ici, nous fournissons deux formules M (t) = M (t; a; ) = E [exp(tX)] de X: La
première on vient de (12) comme

X
1
M (t) = i;k Mi+k (t); (18)
i;k=0

24
7. Fiabilité

où Mi+k(t) est la fonction génératrice de Yi+k . Par conséquent, M (t) peut être
déterminé à partir de la fonction génératrice de la distribution Exp-G.
Une deuxième formule pour M (t) peut être déduite de (19) comme

X
1
M (t) = (i + k + 1) i;k (t; i + k); (19)
i;k=0

où
Z1 Z1
(t; b) = exp(tx)G(x)b g(x)dx = exp ftQG (u)g ub du:(20)
1 0

Nous pouvons obtenir la fonction génératrice de plusieurs distributions OL G

directement à partir des équations (19) et (20).

7 Fiabilité
La mesure de la …abilité des composants industriels a de nombreuses applications,
en particulier dans le domaine de l’ingénierie. La …abilité d’un produit (système) est
la probabilité que le produit (système) remplira sa fonction prévue pendant une pé-
riode spéci…ée lorsqu’il fonctionnera sous conditions environnementales normales (ou
indiquées). Le composant échoue au moment où la contrainte aléatoire X2 qui lui est
appliquée dépasse la force aléatoire X1 , et le composant fonctionner de manière satis-
faisante chaque fois que X1 > X2 . Par conséquent, R = P (X1 > X2 ) est une mesure
de la composition …abilité actuelle (voir Kotz, Lai et Xie (2003)). Nous dérivons la
…abilité R lorsque X1 et X2 avoir des distributions OL G(x; a1 ; ) et OL G(x; a2 ; )
indépendantes avec le même vecteur de paramètres pour la fonction de base G. La
…abilité est dé…nie par
Z1
R = f1 (x)F2 (x)dx:
0

La fonctiona de distribution de densité de X1 et la fonction de distribution cum-

25
 7. Fiabilité

mulative de X2 sont obtenus à partir des équations (12) et (13) comme

X
1
f1 (x) = pi;j (a1 )g(x; )G(x; )i+j
i;j=0

et
X
1
F2 (x) = qk;l (a2 )G(x; )k+l+1 ;
k;l=0

où
( 1)j a2+j
1 (i + j + 3)
Pi;j =
i!j!(a1 + 1) (j + 3)

et
( 1)l a2+l
2 (k + l + 3)
qk;l = :
k!l!(a2 + 1)(k + l + 1) (l + 3)

Par conséquent,

X
1 Z1
R= pi;j (a1 )qk;l (a2 ) g(x; )G(x; )i+j+k+l+1 dx:
i;j;k;l=0 0

En …xant u = G(x; ), la …abilité de la distribution OL G se réduit à

X
1
pi;j (a1 )qk;1 (a2 )
R= :
i;j;k;l=0
i+j+k+l+2

26
CHAPITRE 4

Estimation de la famille OL-G

1 Fonction de vraisemblace de la famille OL-G

Nous déterminons les estimations de maximum de vraisemblance (MLE) des pa-
ramètres de la nouvelle famille OL-G à partir d’échantillons complets uniquement.
Soit X1 ; :::; Xn des valeurs observées de la distribution OL-G avec les paramètres a
et . Soit = (a; )T est le vecteur de paramètre p 1.

La fonction log-vraisemblance pour est donnée par

X
n X
n X
n
l( ) = 2n log(a) n log(1+a)+ log [g(xi ; )] 3 log G(xi ; ) a V (xi ; );
i=1 i=1 i=1

où V (x; ) = G(x; )=G(x; ). Nous supposons que les conditions de régularité

standard pour la log-vraisemblance l( ) sont les suivantes :
i) Le support de X associé à la distribution ne dépendre pas de paramètres
inconnus ;
ii) L’espace de paramètre X, disons est ouvert et l( ) a un maximum global
en ;

27
 2. Fonctions de score de la famille OL-G

iii) Pour presque tous les x, les dérivés de la log-vraisemblance du quatrième

ordre par rapport aux paramètres du modèle existent et sont continus dans un sous-
ensemble ouvert qui contient le vrai paramètre ;
iv) La matrice d’information attendue est dé…nie positive et …nie ;
v) Les valeurs absolues des dérivées de la log-vraisemblance du troisième ordre
en ce qui concerne les paramètres sont liés par les fonctions …nies attendues de X.

2 Fonctions de score de la famille OL-G

Les composantes de la fonction de score U ( ) = (Ua ; U )T sont

2n n X
n
Ua = V (xi ; )
a 1+a i=1

et

X
n Xn
@g(xi ; )=@ Xn
@G(xi ; )=@
k k
U k
= a @V (xi ; )=@ k + 3 :
i=1 i=1
g(xi ; ) i=1
G(xi ; )

Posont Ua et U égales à zéro et résoudront les équations simultanément, on

obtient les MLE : b = (b a; b)T de = (a; )T . Ces équations ne peuvent pas être
résolues analytiquement ; mais les logiciels statistiques peuvent être utilisés pour les
résoudre numériquement à l’aide de méthodes itératives telles que la méthode de
Newton, l’algorithmes de type Raphson.

28
3. Eléments de la matrice de Fisher de la famille OL-G

3 Eléments de la matrice de Fisher de la famille

OL-G
Les élémens de la matrice d’information de Fisher est donnée par les formules
suivantes
2n n Xn
Uaa = + ; Ua k = @V (xi ; )=@ k
a2 (1 + a)2 i=1

et

n
X Xn
[@g(xi ; )=@ k ] [@g(xi ; )=@ l ]
U = a @ 2 V (xi ; )=@ k@ l
k l
i=1 i=1
g(xi ; )2
Xn n
X
@ 2 g(xi ; )=@ k @ l @G(xi ; )=@ k @G(xi ; )=@ l
+ +3
i=1
g(xi ; ) i=1
G(xi ; )2
n
X @ 2 g(xi ; )=@ k@ l
3 :
i=1
G(xi ; )

29
CHAPITRE 5

Le modèle Odd Lindley Weibull (OLW)

Cette distribution est motivée par la large utilisation du modèle de Weibull dans
de nombreux domaines appliqués et aussi par le fait que cette nouvelle généralisation
o¤re plus de souplesse pour analyser des données réelles. Le nouveau modèle fournit
des résultats toujours meilleurs que les autres modèles concurrents en modélisation
des ensembles de données.

La fonction de répartition d’une variable aléatoire X ayant la distribution OLW,

disons X s OLW (a; ; ), est donnée par

1
FOLW (a; ; ; x) = (1 + a) exp f a [a + exp(( x) )]g
(1 + a + a2 ) exp [a exp(( x) )] exp(a(1 + a)) [1 + exp(( x) )]

Où > 0; a > 0 sont les paramètres de forme et > 0 le paramètre d’échelle de

notre distribution.

La fonction de densité du modèle associée réduit à

fOLW (a; ; ; x) = a2 (1 + a) 1
x 1 2( x)
e exp a e( x)
1 :

30
2. Fonctions de scores de OLW

La fonction de taux de risque est donnée par

hOLW (a; ; ; x) = a2 x 1 2( x)
e exp a e( x)
1
1+a expf a a + e( x)
[(1 + a + a2 ) exp ae( x)

ea(1+a) 1 + ae( x)
]g 1

La fonction de survie d’une distribution OLW (a; ; ) est donnée par

a+e ( x)
1 e ( x)
SOLW (a; ; ; x) = 1 F (x; a; ) = ( x)
exp a ( x)
(1 + a)e e

1 Estimation de la distribution Odd Lindley Wei-

bull

Nous considérons l’estimation des paramètres inconnus de la distribution OLW

par la méthode du maximum de vraisemblance. Soit x1 ; :::xn un échantillon de taille
n de la distribution OLW . La fonction de log-vraisemblance pour le vecteur de
paramètres = (a; ; )T peut être exprimé comme suit :

X
n
` (x; ) = 2n log (a) n log (1 + a) + n log( ) + n log( ) + ( 1) log (xi )
i=1
X
n X
n
+2 ( xi ) a [exp ( xi ) 1] ; = (a; ; )T
i=1 i=1

2 Fonctions de scores de OLW

Les composants du vecteur de score U ( ) sont données par :

@` 2n n X
n
Ua = = [exp ( xi ) 1]
@a a 1+a i=1

31
 3. Eléments de la matrice de Fisher de OLW

n X
n X
n
U = + n log ( ) + log(xi ) + 2 xi ln xi
i=1 i=1
X
n
a ( xi ) ln ( xi ) exp ( xi )
i=1

@` n X n X
n
1 1
U = = +2 xi a exp ( xi ) xi
@ i=1 i=1

En mettant U et U égal à zéro et résoudre numériquement ces équations donne

>
a; b ; b .
simultanément les estimations du maximum de vraisemblance (EM V ) b = b
Les estimations peuvent être obtenues en utilisant le langage R.

3 Eléments de la matrice de Fisher de OLW

Nous avons réussi à calculer les éléments de la matrice d’information de Fisher
de la distribution OL-Weibull qui sont données par :

@` 2n n
= 2 +
2
@ a a (1 + a)2

@` n X
n
= +2 ln x2i xi
@2 2
i=1
" #
X
n
ln ( xi ) ( xi ln xi exp ( xi ) )
a
i=1
+ ( xi )2 ln ( xi ) exp ( xi ) 1

@` n X
n
2
= 2 +2 ( 1) x2i
@2 i=1
" #
X
n
( xi ) ln ( xi ) exp ( xi ) xi 1
+
a 2 2
i=1
( 1) xi exp ( xi ) 1

32
4. Simulation du modèle Odd Lindley Weibull

@` X
n
= [( xi ) ln ( xi ) exp ( xi ) 1]
@a@ i=1

@` n X
n X
n
1
= +2 xi ln xi
@ @ i=1 i=1
" #
Xn
ln xi xi exp ( xi )
1
a
i=1
+xi ( xi ) ln ( xi ) exp ( xi ) 1

@` X
n
1
= exp ( xi ) xi 1
@a@ i=1

4 Simulation du modèle Odd Lindley Weibull

L’objectif de cette section est de faire une application par simulation en utilisant
le logiciel R sur le modèle OLW à …n de déterminer les estimations des paramètres
de ce modèle par la méthode du maximum de vraisemblance ainsi que les di¤érentes
formes de la fonction du taux de hasard et la fonction de densité de probabilité pour
démontrer la ‡exibilité et l’applicabilité de la famille proposée (OL G).

4.1 Le modèle Odd Lindley-Weibull (OLW)

Pour modéliser la loi de défaillance d’un produit, il faut être capable de modéliser
de multiple type de défaillance. Il faut ainsi une grande ‡exibilité dans les formes,
pour cela, la loi principalement utilisée est la loi de Weibull, car elle permet une
grande variabilité de formes.
Donc, pour avoir une large variété de formes, on remplace la distribution de
base G de la famille OL G par la distribtion de Weibull et on obtient le modèle
OL-Weibull (OLW) qui est caractérisé par les fonctions suivantes :
La fonction de densité de probabilité de la distribution OLW , est :

33
 4. Simulation du modèle Odd Lindley Weibull

fOLW (a; ; ; x) = a2 (1 + a) 1
x 1 2( x)
e exp a e( x)
1 :

La fonction de survie est donnée par :

a+e ( x)
1 e ( x)
SOLW (a; ; ; x) = 1 F (x; a; ) = ( x)
exp a ( x)
(1 + a)e e

et la fonction du taux de hasard de la distribution OLW est :

OLW (a; ; ; x) = a2 x 1 2( x)
e exp a e( x)
1
1+a expf a a + e( x)
[(1 + a + a2 ) exp ae( x)

ea(1+a) 1 + ae( x)
]g 1 ;

4.2 Représentation graphique du modèle OLW

Les formes des fonctions, de densité de probabilité du taux de hasard de la dis-

tribution Odd Lindley-Weibull peuvent être décrites graphiquement.

Figure 1–Fonctions de densité de la distribution Odd Lindley Weibull OLW pour

34
4. Simulation du modèle Odd Lindley Weibull

des valeurs de paramètres sélectionnées.

Figure 2–Fonctions de taux de hasard (risque) de la distribution Odd Lindley

Weibull OLW pour des valeurs de paramètres sélectionnées.

Nous notons que La densité du modèle OLW présente diverses formes unimodales
importantes ; elle peut être symétrique et asymétrique à droite (voir Figure 1). à
partir de la Figure 2, nous voyons que la fonction du taux de hasard de la distribution
OLW présente les taux de risque constante, monotone (croissante ou décroissante),
unimodale ou en forme cloche, ceci explique pourquoi cette loi trouve ses applications
dans plusieurs domaines.

4.3 Estimation des paramètres du modèle OLW

Nous utilisons la méthode du maximum de vraisemblance pour estimer les para-
mètres du modèle étudié, mais d’abord nous déterminons analytiquement la fonction
de log-vraisemblance et les fonctions scores correspondantes au modèle OL-Weibull.
Pour un échantillon x1 ; :::xn de taille n de la distribution OL-Weibull, on a :
La fonction de vraisemblance est donnée par :

Q
n
L (x1 ; :::; xn ; ; a; ) = fOLW (xi ; ; a; )
i=1

D’où la fonction de log-vraisemblance de la distribution OLW est :

35
 4. Simulation du modèle Odd Lindley Weibull

n
X
log L (x1 ; :::; xn ; ; ; ; ) = log fOLW (xi ; ; a; )
i=1
n
X
= 2n log (a) n log (1 + a) + n log( ) + n log( ) + ( 1) log (xi )
i=1
n
X n
X
+2 ( xi ) a [exp ( xi ) 1] ; = (a; ; )T
i=1 i=1

36
4. Simulation du modèle Odd Lindley Weibull

On a réussi à résoudre ces équations à l’aide du logiciel R en utili-

sant la commande BBsolve pour obtenir les estimations des paramètres
( ; a et ) du modèle OL-Weibull ainsi que l’
erreur quadratique moyenne
qui est dé…nie par :
2
EQM ( ) = E b ;

où : représente un vecteur de paramètres.

Supposons maintenant, que le modèle OLW est considéré. Les don-
nées ont été simulées N = 5000 fois, avec les valeurs des paramètres = 2:5; a = 1:8
et = 0:5. On utilise le logiciel R et l’algorithme Barzilai-Borwein (BB)
(Ravi. V. 2009) pour les calculs.
Les valeurs de la moyenne des estimateurs du maximum de vraisem-
blance simulées b; ba et b, et leurs erreurs quadratiques moyennes (notées
EQM) sont calculées et données dans le tableau suivant, (tailles des
echantillons n = 50; n = 100; n = 150 et n = 300) :on peut dire que les estimateurs
du maximum de vraisemblance sont convergents.
Tableau : Erreur quadratique moyenne des EMV des paramètres de
l’OLW et leurs erreurs quadratiques moyennes.

N = 5000 n = 50 n = 100 n = 150 n = 300

b 2:5306 2:5182 2:5080 2:5016
EQM 0:009758 0:007221 0:005341 0:00188
b
a 1:86318 1:8334 1:81074 1:8077
EQM 0:00896 0:00812 0:00465 0:00220
b 0:5285 0:5146 0:5051 0:5006
EQM 0:00813 0:00745 0:00599 0:00132

Nous remarquons que l’erreur quadratique moyenne (EQM ) est infé-

rieure à 0:05 (5%) pour les trois paramètres ( ; a et ) ; c’est à dire, la valeur
estimée converge toujours vers la vraie valeur des paramètres de la
distrbution OL-Weibull, ce qui nous amène à dire que la méthode d’es-
timation choisie (EMV) nous donne de meilleurs résultats.

37
CHAPITRE 6

Conclusion

Au cours de ce mémoire, nous avons réussi à introduire et étudier

une nouvelle famille de distributions statistiques appelée la famille Odd
Lindley-G (OL G) proposée par Frank Gomes-Silva et al. en 2017 [11], ainsi
que les di¤érentes fonctions de cette famille ; la fonction de densité de
probabilité, la fonction de répartition, la fonction de survie, la fonction
du taux de hasard et du taux de hasard cumulé. Nous avons étudié
certaines de ses propriétés mathématiques, y compris l’expansion de
la fonction de répartition, les moments, la fonction génératrice et les
statistiques d’ordre. La méthode du maximum de vraisemblance est
utilisée pour estimer les paramètres du modèle en donnant la forme
explicite des fonctions scores et les éléments de la matrice d’informar-
tion de Fisher. Nous avons aussi explorer un sous modèle de la famille
de distributions OL G:
Nous avons réussi à faire une application par simulation en utili-
sant le logiciel R sur un sous modèles de la famille Odd Lindley-G, le
modèle Odd Lindley-Weibull (OLW ), dont on a essayé de déterminer les
fonctions scores et les éléments de la matrice d’information de Fisher
du modèle (OLW ) étudié ainsi que les formes des fonctions du taux de
hasard, de densité de probabilité et de survie.

38
 BIBLIOGRAPHIE

[1] Alexander C, Cordeiro GM, Ortega EMM, Sarabia JM (2012). “Ge-

neralized Beta-generated Distributions.” Computational Statistics
and Data Analysis, 56, 1880–1897.
[2] Alizadeh M, Emadi M, Doostparast M, Cordeiro GM, Ortega EMM,
Pescim RR (2015). “A New Family of Distributions : The Kuma-
raswamy Odd Log-logistic, Properties and Applications.”Hacet. J.
Math Stat, forthcoming.
[3] Alzaatreh A, Lee C, Famoye F (2013). “A New Method for Gene-
rating Families of Distributions.”Metron, 71, 63–79.
[4] Alzaghal A, Felix F, Carl L (2013). “Exponentiated T-X Family
of Distributions with Some Applications.”International Journal of
Statistics and Probability, 2, 31–49.
[5] Asgharzedah A, Bakouch HS, Esmaeli H (2013). “Pareto Poisson-
Lindley Distribution with Applications.”Journal of Applied Statis-
tics, 40, 1717–1734.
[6] Bourguignon M, Silva RB, Cordeiro GM (2014). “The Weibull-G
Family of Probability Distributions.” Journal of Data Science, 12,
53–68.
[7] Cordeiro GM, Alizadeh M, Ortega EMM (2014). “The Exponentia-
ted Half-logistic Family of Distributions : Properties and Applica-
tions.”Journal of Probability and Statistics, 2014, 21 pages.
[8] Cordeiro GM, de Castro M (2011). “A New Family of Generalized
Distributions.”Journal of Statistical Computation and Simulation,
81, 883–893.

39
BIBLIOGRAPHIE BIBLIOGRAPHIE

[9] Epstein, B. and Sobel, M. (1953). Life testing,J. Amer. Statist. As-
soc. 48, 486–502.
[10] Eugene N, Lee C, Famoye F (2002). “Beta-normal Distribution and
Its Applications.” Communications in Statistics Theory and Me-
thods, 31, 497–512.
[11] Frank Gomes-Silva (2017)."The Odd Lindley-G Family of Distribu-
tions."Austrian Journal of Statistics , 46, 65–87.
[12] Ghitany ME, Atieh B, Nadarajah S (2008). “Lindley Distribution
and Its Applications.”Mathematics and Computers in Simulation,
78, 493–506.
[13] Lindley DV (1958). “Fiducial Distributions and Bayes’Theorem.”
Journal of the Royal Statistical Society. Series B. (Methodological),
20, 102–107.
[14] Marshall AN, Olkin I (1997). “A New Method for Adding a Para-
meter to a Family of Distributions with Applications to the Expo-
nential and Weibull Families.”Biometrika, 84, 641–552.
[15] Meribout Kaouter Khaoula (2017). "La famille Weibull-G". Mé-
moire de Master sous la direction de Goual Ha…da, Université Badji
Mokhtar Annaba.
[16] Mustafa Ç. Korkmaz and Haitham M. Yousof "The One-Parameter
Odd Lindley Exponential Model :Mathematical Properties and Ap-
plications" Stochastics and Quality Control 2017 ;32(1) :25–35.
[17] Nadarajah Sand Bakouch HS, Tahmasbi R (2011). “A Generalized
Lindley Distribution.”Sankhya B, 73, 331–359.
[18] Ravi, V., Gilbert, P. D. (2009). BB : An R package for solving
a large system of nonlinear equations and for optimizing a high-
dimensional nonlinear objective function. J. Statist. Software, 32 :
4, 1-26.
[19] Sankaran M (1970). “The Discrete Poisson-Lindley Distribution.”
Biometrics, 26, 145–149.
[20] Tahir MH, Cordeiro GM, Alzaatreh A, Mansoor M, Zubair M
(2016).“The Logistic-X Family of Distributions and Its Applica-
tions.”Commun. Stat. Theory Methods, (forthcoming).
[21] Tahir MH, Zubair M, Mansoor M, Cordeiro GM, Alizadeh M, Ha-
medani GG (2016). “A New Weibull-G Family of Distributions.”
Hacet. J. Math. Stat., (forthcoming).

40
BIBLIOGRAPHIE BIBLIOGRAPHIE

[22] Zografos K, Balakrishnan N (2009). “On Families of Beta-and Ge-

neralized Gamma-generated Distribution and Associate Inference.”
Statistical Methodology, 6, 344–362.

41