Académique Documents
Professionnel Documents
Culture Documents
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
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
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
iii
TABLE DES MATIÈRES TABLE DES MATIÈRES
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
x
CHAPITRE 1
Préliminaire
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
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.
2
2. Quelques distributions usuelles
Sn n
Zn = p N (0; 1)
= n
2
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
g (x; ) 1
(x; ) = =( x) ;0 < x < <1
S (x; )
3
2. Quelques distributions usuelles
x
(x; ) = log [S (x)] = log 1 ;0 < x < <1
1
g(x) = x exp ( x ) ; x > 0; ; >0
La fonction de répartition :
La fonction de survie :
g (x) 1
(x) = = x ; x > 0; ; >0
S (x)
La fonction du taux de hasrad cumulé :
4
2. Quelques distributions usuelles
La fonction de répartition :
La fonction de survie :
g (x)
(x) = = ; >0
S (x)
La fonction du taux de hasrad cumulé :
1
g(x; ; ) = [(x )= ] ; x 2 RR
La fonction de répartition :
La fonction de survie :
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 :
S(t) = P fX > tg ; t 0;
F (t) = P (X t) ; t 0
F (t) = 1 S (t)
6
2. Quelques distributions usuelles
P (t X < t + h) dF (t) 0
f (t) = lim = = S (t)
h!0 h dt
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.
f (x; ) = f (x)
f (x; ) = P (X = x)
8
3. Estimation
Y
n
L(x1 ; :::; xn ; ) = f (x1 ; :::; xn ; ) = f (xi ; ):
i=1
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 :
1X
n
2
Sn2 = Xi X
n i=1
h i
E (X E (X))k et E(Xk); k 1
telles que :
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
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
14
2. Dé…nition de la famille Odd Lindley-G
Alzaatreh et al. (2013) [3] ont dé…ni la famille de distributions T-X par
WZ
[G(x)]
d
f (x) = W [G(x)] r fW [G(x)]g :(3)
dx
15
2. Dé…nition de la famille Odd Lindley-G
a2 g(x; ) G(x; )
f (x; a; ) = exp a ; (5)
(1 + a) G(x; )3 G(x; )
16
2. Dé…nition de la famille Odd Lindley-G
G(x; )
Pr(Y x) = Pr X = F (x; a; )
G(x; )
17
CHAPITRE 3
a + G(x; ) G(x; )
S(x; a; ) = 1 F (x; a; ) = exp a :
(1 + a)G(x; ) G(x; )
a2 g(x; ) a2
(x; a; ) = = (x; ); (6)
G(x; )2 a + G(x; ) G(x; ) a + G(x; )
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;
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))
(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 ) :
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
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
Hc (x; ) = G(x; )c
et
G(x; ) X1
( 1)k ak G(x; )
k
exp a =
G(x; ) k=0
k! G(x; )
a2 X ( 1)k ak G(x; )k
1
f (x; a; ) = g(x; ) ; (10)
1+a k=0
k! G(x; )k+3
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
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
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
Z1
n;j = QG (u)n uj du:(17)
0
23
6. Fonction génératrice
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
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
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
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
25
7. Fiabilité
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
X
1
pi;j (a1 )qk;1 (a2 )
R= :
i;j;k;l=0
i+j+k+l+2
26
CHAPITRE 4
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
27
2. Fonctions de score de la famille OL-G
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 ; )
28
3. Eléments de la matrice de Fisher de la famille OL-G
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
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.
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) )]
fOLW (a; ; ; x) = a2 (1 + a) 1
x 1 2( x)
e exp a e( x)
1 :
30
2. Fonctions de scores de OLW
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
a+e ( x)
1 e ( x)
SOLW (a; ; ; x) = 1 F (x; a; ) = ( x)
exp a ( x)
(1 + a)e e
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
@` 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
@` 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
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 :
a+e ( x)
1 e ( x)
SOLW (a; ; ; x) = 1 F (x; a; ) = ( x)
exp a ( x)
(1 + a)e e
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 ;
34
4. Simulation du modèle Odd Lindley Weibull
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.
Q
n
L (x1 ; :::; xn ; ; a; ) = fOLW (xi ; ; a; )
i=1
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
37
CHAPITRE 6
Conclusion
38
BIBLIOGRAPHIE
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
41