Académique Documents
Professionnel Documents
Culture Documents
MÉMOIRE
PRÉSENTÉ POUR L’OBTENTION DU DIPLÔME
DE MASTER EN MATHÉMATIQUES
INTITULÉ
THÉORIE DES VALEURS EXTRÊMES : MODÈLE GP D AVEC
CENSURE
Présenté par :
Hamza Hadia
Ben Abd Elhafid Khouloud
OPTION :
mathématiques appliquées à l’économie et à la finance
Devant le jury :
Soutenu le : 27/06/2019
Dédicace
Je dedie ce modeste travail
* À mes deux chers frères , à mes deux sœurs qui m’ont soutenu.
Hamza Hadia
Remerciements
Nous tenons tout d’abord à remercier Dieu le tout puissant, qui nous a donné la force et
la patience d’accomplir ce modeste travail.
En second lieu, nous tenons à remercier notre encadreur Dr. Dakhmouche Meghlaoui
son précieux conseil et son aide durant toute la période du travail.
Nos vifs remerciements vont également aux membres du jury Dr. Rezgui Imane , Prof.
Boudaa Djamel pour l’intérêt qu’ils ont porté à notre recherche en acceptant d’examiner
notre travail.
On n’oublie pas nos chers parents pour leurs contributions, leurs soutiens et leurs pa-
tiences.
Nous remerciements s’adressent également à monsieur Bahi Oussama qui n’a ménagé
aucun effort afin de nous apporter aide, conseils et orientation.
Enfin, nous adressons nos plus sincères remerciements à tous nos proches amis, qui
nous ont toujours encouragées au cours de la réalisation de ce mémoire.
Dans ce travail nous nous sommes intéressés à l’étude des modèles GP D avec cen-
sure. Nous avons résumés les principaux résultats de la théorie des valeurs extrêmes,
on s’est intéressé principalement à l’inférence statistique dans les modèles GP D. Une
analyse des données sur la leucémie (cancer du sang) à été réalisée à l’aide d’un modèle
GP D avec censure.
Mots-Clés : TVE, Modèle GPD, Modèle censuré, Estimateur du pseudo-maximum de
vraisemblance .
Abstract
In this work we are interested by the study of models GP D with censor. We sum-
marized the main results of the theory of extreme values, we were interested mainly in
the statistical inference in the models GP D. An analysis of leukemia (blood cancer)
data was performed using a GP D model with censor.
Key-Words : TVE, GPD model, Censor, Pseudo-maximum Likelihood method.
TABLE DES MATIÈRES TABLE DES MATIÈRES
Notation 4
Introduction 5
1 Analyse de survie 6
1.1 Distributions de survie . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.1 Moments associées à la distribution de survie . . . . . . . . . . 7
1.2 Données censurées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Approche non paramétrique de la fonction de survie . . . . . . . . . . 9
1.3.1 Estimateur de Kaplan-Meier . . . . . . . . . . . . . . . . . . . . 9
Bibliographie 36
1
TABLE DES FIGURES TABLE DES FIGURES
2
LISTE DES TABLEAUX LISTE DES TABLEAUX
3
Notations
4
INTRODUCTION
Introduction
5
CHAPITRE 1. ANALYSE DE SURVIE
Chapitre 1
Analyse de survie
Dans ce chapitre, on commence par un bref rappel sur les concepts de base de
l’analyse de survie telle la fonction de répartition, la fonctions de survie, on présente
dans ce qui suit le cas de données censurées, finalement on s’intéresse à l’un des plus
célèbres estimateurs non paramétriques de la fonction de survie, c’est l’estimateur de
Kaplan-Meier.
6
1.1 CHAPITRE 1. ANALYSE DE SURVIE
P(t 6 X < t + h)
f (t) = lim = F 0 (t) = −S 0 (t).
h→0 h
en effet :
Z ∞
E(X) = tf (t)dt
0
Z ∞
= −tS 0 (t)dt,
0
on utilise l’intégrale par partie, on obtient :
Z ∞ Z ∞
0 ∞
−tS (t)dt = [−tS(t)]0 − −S(t)dt
0 0
Z ∞
= S(t)dt,
0
alors : Z ∞
E(X) = S(t)dt.
0
7
1.2 CHAPITRE 1. ANALYSE DE SURVIE
en effet :
V(X) = E X 2 − (E(X))2
Z ∞
= −t2 S 0 (t)dt − (E(X))2 ,
0
donc Z ∞
2tS(t)dt − E(X)2 .
V(X) =
0
La censure des données se fait selon plusieurs mécanismes telles la censure à droite,
la censure à gauche, la censure double (ou mixte), où ces types de censure sont présentés
avec des exemples.
Censure à droite :
Il y a censure à droite lorsque nous observons la censure C (et non pas la durée de vie
d’intérêt T) et que nous savons que T > C. Ce modèle est le plus fréquent en pratique,
il est par exemple adapté au cas où l’événement d’intérêt est le temps de survie à une
maladie et où la date de fin de l’étude est préalablement fixée, les patients vivants à
la fin de l’étude fournissent des données censurées à droite. Les observations sont des
répliques du couple ( T ∧ C, ∆ = 1{T ≤C} ) où δ vaut 1 quand l’observation est réaliste
(elle correspond à une donnée de la variable d’intérêt) et vaut 0 si la donnée est censu-
rée.
Censure à gauche :
La censure à gauche correspond au cas où l’individu a déjà subi l’événement avant que
l’individu soit observé. On sait uniquement que la date de l’événement est inférieure à
8
1.3 CHAPITRE 1. ANALYSE DE SURVIE
une certaine date connue. Pour chaque individu, on peut associer un couple de variables
aléatoires (T, ∆) :
T = X ∨ C = max(X, C)
∆ = IX≥C
par exemple si on veut étudier en fiabilité un certain composant électronique qui est
branché en parallèle avec un ou plusieurs autres composants : le système peut continuer
à fonctionner, quoique de façon aberrante, jusqu’à ce que cette panne soit détectée (par
exemple lors d’un contrôle ou en cas de l’arrêt du système). Donc, la durée observée
pour ce composant est censurée à gauche. Dans la vie courante il y a plusieurs phéno-
mènes qui présentent à la fois des données censurées à droite et à gauche.
9
1.3 CHAPITRE 1. ANALYSE DE SURVIE
ainsi de suite, en faisant intervenir des instants de plus en plus antérieurs, on obtient :
pour S (t0 ) = 1 :
i
Y i
Y
S(ti ) = P (T > ti ) = P (T > tj |T > tj−1 ) = Pj j = 1...n
j=1 j=1
Qi
où Pj = j=1 P (T > tj |T > tj−1 ) est la probabilité de survie pendant [tj−1 , tj [,
sachant que l’événement ne s’est toujours pas produit en tj−1 .
Posons qj = 1 − pj c’est la la probabilité de mourir durant l’intervalle [tj−1 , tj [,
sachant que l’individu était vivant en tj−1 . Donc qj est naturellement estimée par qbj
où :
M X(j)
qbj = ,
R X(j)
où M X(j) = ni=1 δi 1{Xi =X(j) } est le nombre de morts observées à l’instant X(j) et
P
R X(j) = ni=1 1{Xi ≥X(j) } est le nombre des individus ni morts ni censurés juste avant
P
Remarque 1.3.1 Pour les valeurs t supérieures à la plus grande observation tmax , cet
estimateur n’est pas bien défini.
10
CHAPITRE 2. THÉORIE DES VALEURS EXTRÊMES
Chapitre 2
Dans ce chapitre nous introduisons la théorie des valeurs extrêmes. Après avoir les
concepts et définitions de certains outils nécessaires dans cette théorie, nous parlons
sur les théorèmes limites : loi des grands nombres et le théorème centrale limite (T CL).
Dans un second lieu nous nous intéressons aux les statistiques d’ordre, les extrêmes
ainsi que les lois exactes des statistiques d’ordre et les lois asymptotiques des valeurs
extrêmes. Ensuite nous donnons la distribution GEV et le résultat fondamental de la
T V E celle de Ficher et Tippett (Fisher and Tippett (1928)), ainsi que les caractéris-
tiques des différents domaines d’attraction du maximum. Finalement nous définissons la
distribution de Pareto généralisée (GP D) qui un outil fondamental pour la distribution
des excès. Après nous donnons le théorème de Balkema-de Haan- Pikands (Balkema
and De Haan (1974)), qui permet d’établir le lien entre le max-domaine d’attraction de
la GEV et le comportement limite de la GP D.
11
2.2 CHAPITRE 2. THÉORIE DES VALEURS EXTRÊMES
−1
Qn (s) = F n (1 − s) = inf t, F n (t) ≤ 1 − s 0 < s < 1.
ou bien :
lim P (|Xn − X| < ε) = 1,
n→∞
on écrit :
P
Xn → X.
on note :
Ps
Xn → X.
12
2.3 CHAPITRE 2. THÉORIE DES VALEURS EXTRÊMES
L’étude des sommes de variables indépendantes et de même loi joue un rôle capital en
statistique. Le théorème suivant est établi par Sporta (Saporta (2006)) est connu sous
le nom de Théorème Centrale Limite (T CL) qui traite la convergence en loi vers la loi
normale d’une somme de variables aléatoires iid.
Théorème 2.2.2 (T CL)
Soit X1,... , Xn est une suite de variables aléatoires iid de moyenne µ et de variance σ 2
finie, alors :
√ D
(Sn − nµ) /σ n −→ N (0, 1) quand n −→ ∞,
La preuve de ce théorème peut être trouvée dans n’importe quel livre standard des
statistiques (voir par exemple, Embrechts et al. (2013), page 66)
La variable X1:n est la plus petite statistique d’ordre (ou statistique du minimum)
et Xn:n est la plus grande statistique d’ordre (ou statistique du maximum) :
Xn:n = max (X1 , . . . , Xn ) et X1:n = min (X1 , . . . , Xn ) ,
13
2.4 CHAPITRE 2. THÉORIE DES VALEURS EXTRÊMES
On note qu’il est très facile de passer de l’un à l’autre à l’aide de la relation :
Fisher et Tippett (Fisher and Tippett (1928) ) sont les premiers à déduire de manière
heuristique les lois limites possibles qui vérifiant l’équation (2.2) sur le maximum d’une
suite de variables aléatoires indépendantes et de même loi quelconque F . Ce théorème
est l’un des résultats fondamentaux de la théorie des valeurs extrême.
Théorème 2.4.1 (Fisher et Tippett)
Soit (Xi )i≥1 un échantillon aléatoire d’une loi F quelconque et soit Mn = max (X1 , . . . , Xn ) .
S’il existe deux suites réelles (an )n≥1 > 0, et (bn )n≥1 ∈ R, et une constante ξ ∈ R telles
que :
Mn − bn D
P ≤ x −→ H(x), (2.4)
an
pour tout x ∈ R avec Hξ non dégénérée, alors Hξ appartient à la famille de lois
GEV .
On peut trouver une démonstration moderne de ce théorème dans la (Section (0.3),
page 9) de (Reiss et al. (2007)) ou dans la (Section (3.2), page 122) de (Embrechts
et al. (2013)).
14
2.4 CHAPITRE 2. THÉORIE DES VALEURS EXTRÊMES
−1
Hξ (x) = exp −(−x) ξ x < 0.
15
2.4 CHAPITRE 2. THÉORIE DES VALEURS EXTRÊMES
Comme il est difficile de travailler avec trois distributions à la fois Jenkinson (Jen-
kinson (1955)) a proposé une famille paramétrique de distribution Hξ (x) = Hµ,σ,ξ (x)
qui permet d’unifier les trois distributions des extrêmes ci-dessus.
Théorème 2.4.2 :
S’il existe deux suites de normalisation (an )n≥1 > 0, et (bn )n≥1 ∈ R et une fonction de
distribution non dégénérée Hξ (x) telles que :
Mn − bn
lim P ≤ x = Hξ (x) ∀x ∈ R,
n→∞ an
où 1 + ξ x−µ
σ
> 0 et ξ ∈ R.
Alors Hξ,σ,µ (x) appartient à l’un des trois de distributions suivants :
Si ξ > 0, distribution de Fréchet :
− 1ξ !
x−µ σ
Hξ,σ,µ (x) = exp − 1 + ξ , x > − + µ.
σ ξ
Si ξ = 0, distribution de Gumbel :
x−µ
Hξ,σ,µ (x) = exp − exp − , x ∈ R.
σ
Si ξ < 0, distribution de Weibull :
−1 !
x−µ ξ σ
Hµ,σ,ξ (x) = exp − 1 + ξ , x<− + µ.
σ ξ
16
2.4 CHAPITRE 2. THÉORIE DES VALEURS EXTRÊMES
Distributions ¯
F (x) γ
Pareto (α), α > 0 x−α , x > 1 α
1
β λ 1
Burr (β, τ, λ), β > 0, τ > 0, λ > 0 ( β+x τ) λτ
−α
Fréchet( α1 ), α > 0 1 − e−x α
1
m ∞
λ
(logu)m−1 u−λ−1 du 1
R
Loggamma(m, λ), m > 0, λ > 0 Γ(m) x λ
1 1
Loglogistic(β, α), β > 0, α > 1 1+βxα α
17
2.4 CHAPITRE 2. THÉORIE DES VALEURS EXTRÊMES
= exp(x)1[−∞,0] (x),
Le maximum de convenablement normalisé de la loi uniforme converge vers la loi de
Weibull avec ξ = −1.
Distributions ¯
F (x) γ
Uniform(0,1) 1−x -1
ReverseBurr(β, τ, λ, xτ ), β, τ, λ > 0 ( β+(xβF +x )−τ )λ −1
λτ
18
2.4 CHAPITRE 2. THÉORIE DES VALEURS EXTRÊMES
19
2.5 CHAPITRE 2. THÉORIE DES VALEURS EXTRÊMES
¯
Distributions
λm
R ∞ F (x)
m−1 −λu
γ
Gamma(m, λ), m ∈ N, λ > 0 Γ(m) x
(u) e du 0
x−µ
−
β
Gumbel(µ, β), µ ∈ R, β > 0 ee 0
2
Logistic 1+ex
0
∞ 1 −12 (log u−µ)2
√1
R
Lognormale(µ, σ), µ ∈ R, σ > 0 2π 1 u
e 2σ 0
−λxτ
Weibull(λ, τ ), λ > 0, τ > 0 e 0
Table 2.3: Quelques distributions associées à un indice nul
20
2.5 CHAPITRE 2. THÉORIE DES VALEURS EXTRÊMES
où 0 < x < xF − u
Dés que le seuil optimale choisi, on construit une nouvelle observation au dessus
de ce seuil et la distribution de ces données suit une distribution généralisée de Pareto
(Generalised Pareto Distribution (GP D)).
21
2.5 CHAPITRE 2. THÉORIE DES VALEURS EXTRÊMES
Gξ,σ est une fonction de répartition absolument continue de densité gξ,σ définie pour
ξ ∈ R telle que :
y − 1ξ −1
gξ,σ (y) = σ −1 1 + ξ . (2.7)
σ
Dans les années 1974 et 1975, Balkema-de Haan-et Pikands (Balkema and De Haan
(1974)) (Pickands III et al. (1975)) trouvent qu’il y a mieux que la convergence simple
de la fonction de répartition des excès Fu vers la distribution de Pareto généralisée
Gξ,σ (x) à l’aide d’un théorème qui porte leurs noms montrant que cette convergence
est uniforme. Ce théorème de Balkema-de Haan et Pikands va être le second résultat
fondamentale de la TVE. Le voici :
La preuve du théorème (2.5.1) doit être trouvé dans (Embrechts et al. (2013)).
22
2.5 CHAPITRE 2. THÉORIE DES VALEURS EXTRÊMES
− 1ξ
x−µ σ
Gµ,ξ,σ (x) = 1 − 1 + ξ , x>− + µ.
σ ξ
Si ξ = 0, la distribution exponentielle usuelle :
(x − µ)
Gµ,0,σ (x) = 1 − exp − , x ∈ R.
σ
23
CHAPITRE 3. ESTIMATIONS DANS LES MODÈLES GP D
Chapitre 3
24
3.2 CHAPITRE 3. ESTIMATIONS DANS LES MODÈLES GP D
ξ=0:
La fonction de densité g de la distribution G est alors :
1 x
g(x) = exp − .
σ σ
∂ log L(σ, ξ)
= 0,
∂σ
n
n 1 X
+ xi = 0.
σ σ 2 i=1
ξ 6= 0 :
La fonction de densité g de G est alors :
1 x − 1` −1
g(x, σ, ξ) = 1+ξ
σ σ
25
3.2 CHAPITRE 3. ESTIMATIONS DANS LES MODÈLES GP D
D’où la log-vraisemblance :
Xn
1 xi
log L(σ) = −n log σ − +1 log 1 + ξ .
ξ i=1
σ
En dérivant cette expression par rapport aux deux paramètres d’intérêt, nous obte-
nons un système non linéaire de deux équations à deux inconnues ξ et σ :
X k
∂ log L(σ, ξ) k 1 ξyi
=− + +1 2
= 0,
∂σ σ ξ i=1
σ + σξyi
k Xk
∂ log L(σ, ξ) 1 X yi 1 yi
= 2 log 1 + ξ − +1 = 0.
∂ξ ξ i=1 σ ξ i=1
σ + ξyi
C’est en résolvant ces équations
qu’on obtient les estimateurs de maximum de vraisem-
ˆ
blance du couple ξ, σ̂ à l’aide de méthodes numériques dans (Nougier and Nougier
(1985)).
ξ=0:
Il en découle l’expression des paramètres des deux premiers moments µ1 et µ2 pour ap-
pliquer la méthode des moments, on n’a besoin que du premier moment de la loi puisque,
la distribution G(x, σ) ne dépend que d’un paramètre σ. Par ailleurs, la moyenne de la
distribution G(x, σ) est σ donc on obtient l’équation :
n
1X
σ= xi ,
n i=1
ainsi, la solution :
n
1X
σ
b= xi .
n i=1
26
3.2 CHAPITRE 3. ESTIMATIONS DANS LES MODÈLES GP D
ξ 6= 0 :
Dans ce cas la distribution est définit par :
− 1ξ
ξ
G(x, σ, ξ) = 1 − 1 + x ,
σ
elle dépend des deux paramètres σ et ξ, pour cela l’estimateur des moments(? , section
3.2) est basé sur le fait que :
σ r Γ (ξ −1 − 1)
E (X r ) = ,
ξ r+1 Γ (ξ −1 + 1)
telle que :
σ2 ξ
Var(X) = (1−ξ)2 (1−2ξ)
.
S2 = σ2 ξ
.
(1−ξ)2 (1−2ξ)
27
3.3 CHAPITRE 3. ESTIMATIONS DANS LES MODÈLES GP D
28
3.3 CHAPITRE 3. ESTIMATIONS DANS LES MODÈLES GP D
• si δ = 0 :
P (X ≤ t, δ = 0) = P (T ∧ C ≤ t, T > C)
= P (C ≤ t, T > C)
Z
= dP(T,C) (x, y)
{y≤t,x>y}
Z tZ +∞
= dPT (x)dPC (y)
0 y
Z t Z +∞
= dPC (y) dPT (x)
0 y
Z t
= (1 − F (y))g(y)dy
0
• si δ = 1 :
P (X ≤ t, δ = 1) = P (T ∧ C ≤ t, T ≤ C)
= P (T ≤ t, T ≤ C)
Z
= dP(T,C) (x, y)
{x≤t,x≤y}
Z tZ +∞
= dPT (x)dPC (y)
0 y
Z t Z +∞
= dPT (x) dPC (y)
0 y
Z t
= (1 − G(x))f (x)dx,
0
en dérivant par rapport à t, la densité du couple (X,∆) est :
29
3.3 CHAPITRE 3. ESTIMATIONS DANS LES MODÈLES GP D
δi h
QN 1 ξ
− 1+ξ
ξ ξ
− 1ξ i1−δi
L(ξ, σ) = i=1 σ
1+ σ
Ei 1+ E
σ i
PN h i PN 1
1 1 ξ ξ
`(θ) = log L(ξ, σ) = i=1 δ i log σ
− ξ
+ 1 log 1 + σ
Ei − i=1 ξ (1 − δ i ) log 1 + σ
E i ].
Afin de trouver des solutions à ce système non linéaire, on a fait recours à des méthodes
numériques (Nougier and Nougier (1985)).
30
3.3 CHAPITRE 3. ESTIMATIONS DANS LES MODÈLES GP D
31
CHAPITRE 4. ANALYSE DE DONNÉE SUR LE CANCER DU SANG
Chapitre 4
Dans ce chapitre, nous allons présenter deux méthodes d’analyse de survie sur les
données du cancer du sang "myeloid" à l’aide de la méthode de Kaplan-Meier et d’une
modélisation GPD.
32
4.1 CHAPITRE 4. ANALYSE DE DONNÉE SUR LE CANCER DU SANG
33
4.1 CHAPITRE 4. ANALYSE DE DONNÉE SUR LE CANCER DU SANG
trt ξb σ
b
trt A -1.234578 0.612122227
trt B -1.283151 0.56794080
La valeur de ξ est strictement négative sur les deux traitements, nous avons alors une
distribution dans le domaine de Weibull.
On représente les fonctions de survie du traitement A et traitement B sur le même
graphe à l’aide de script de R suivant :
> curve(1-pgpd(x, xi =-1.234578, b = 0.612122227), add=T,lwd=3,col=2)
> curve(1-pgpd(x, xi =-1.283151, b = 0.56794080), 0, 0.5, lwd=3,col=3,ylab="Fonction
du survie")
> legend("topright", c("Traitement A", "Traitement B"), col = c("red", "green"),lwd=3)
La figure (4.2) représente les deux courbes de survie des deux traitements. Il est
clair que la queue de distribution des patients soumis au traitement B est plus lourde
que celle des patients soumis au traitement A. Ainsi, on peut dire que le traitement B
procure une amélioration de l’état du patient de façon plus durable.
34
4.2 CHAPITRE 4. ANALYSE DE DONNÉE SUR LE CANCER DU SANG
La figure 2.3 Densités des lois usuelles utilisées appartenant au MDA de Fréchet
à l’aide du package "actuar"
>library(actuar)
>curve(dfrechet(x, loc=0, scale=1, shape=1),lwd=2,xlim=c(-1,7),ylab="Fonction de
densité f(x)",ylim=c(0,1) ,col="4",xlab="x")
>curve(dlgamma(x,2,2),lwd=2,add=T,xlim=c(-1,7), col="2")
>curve(dpareto(x, 1, 1),lwd=2,xlim=c(-1,7),add=T, col="3")
>legend("topright",c("Fréchet (1,0,1)","Pareto (1,1)","LGamma (2,2)"),col=c("4","2","3"),lwd=2)
La figure 2.4 Densité des lois usuelles utilisées appartenant au MDA de Gumbel
à l’aide du packages : "actuar","stats"
>library(actuar)
>library(stats)
>curve(dgumbel(x, alpha=0, scale=1),lwd=2,xlim=c(-3,7),ylab="Fonction de densité
f(x)",ylim=c(0,1) ,col="4",xlab="x")
>curve(dlnorm(x,0,1),lwd=2,add=T, col="2",xlim=c(-3,7))
>curve(dexp(x,1),lwd=2,add=T, col="3",xlim=c(-3,7))
legend("topright",c("Gumbel (0,0,1)","LNormale (0,1)","Exponentiel (1)"),col=c("4","2","3"),lwd=2)
La figure (2.5) Densités des lois usuelles utilisées appartenant au MDA de Weibull
à l’aide du packages : "actuar","stats"
>library(actuar)
>library(stats)
>curve(dweibull(x, shape = 1,scale=1),lwd=2,xlim=c(-1,5),ylab="Fonction de densité
f(x)",ylim=c(0,2) ,col="4",xlab="x")
35
4.2 CHAPITRE 4. ANALYSE DE DONNÉE SUR LE CANCER DU SANG
36
BIBLIOGRAPHIE BIBLIOGRAPHIE
Bibliographie
Balkema, A. A., De Haan, L., 1974. Residual life time at great age. The Annals of
probability, 792–804.
Beirlant, J., Goegebeur, Y., Segers, J., Teugels, J. L., 2006. Statistics of extremes :
theory and applications. John Wiley & Sons.
Castillo, E., Hadi, A. S., Balakrishnan, N., Sarabia, J.-M., 2005. Extreme value and
related models with applications in engineering and science.
Cohen, A. C., 1991. Order statistics and inference : Estimation methods. Academic
Press.
Coles, S., Bawa, J., Trenner, L., Dorazio, P., 2001. An introduction to statistical mo-
deling of extreme values. Vol. 208. Springer.
Davison, A. C., Smith, R. L., 1990. Models for exceedances over high thresholds. Journal
of the Royal Statistical Society : Series B (Methodological) 52 (3), 393–425.
Embrechts, P., Klüppelberg, C., Mikosch, T., 2013. Modelling extremal events : for
insurance and finance. Vol. 33. Springer Science & Business Media.
Fisher, R. A., Tippett, L. H. C., 1928. Limiting forms of the frequency distribution of
the largest or smallest member of a sample. In : Mathematical Proceedings of the
Cambridge Philosophical Society. Vol. 24. Cambridge University Press, pp. 180–190.
Gnedenko, B., 1943. Sur la distribution limite du terme maximum d’une serie aleatoire.
Annals of mathematics, 423–453.
Hüsler, J., Li, D., 2007. Statistical analysis of extreme values with applications to in-
surance, finance, hydrology and other fields.
Jenkinson, A. F., 1955. The frequency distribution of the annual maximum (or mini-
mum) values of meteorological elements. Quarterly Journal of the Royal Meteorolo-
gical Society 81 (348), 158–171.
Kaplan, E., Meier, P., 1958. Nonparametric estimator from incomplete observation, j.
amer. statist. assoc. 53.
Kumar, D., Dey, S., Nadarajah, S., 2017. Extended exponential distribution based on
order statistics. Communications in Statistics-Theory and Methods 46 (18), 9166–
9184.
37
BIBLIOGRAPHIE BIBLIOGRAPHIE
Nougier, J.-P., Nougier, J., 1985. Méthodes de calcul numérique. Vol. 3. Masson Paris.
Novak, S. Y., 2011. Extreme value methods with applications to finance. CRC Press.
Pickands III, J., et al., 1975. Statistical inference using extreme order statistics. the
Annals of Statistics 3 (1), 119–131.
Raggad, B., 2009. Fondements de la théorie des valeurs extrêmes, ses principales appli-
cations et son apport à la gestion des risques du marché pétrolier. Mathématiques et
sciences humaines. Mathematics and social sciences (186), 29–63.
Reiss, R.-D., Thomas, M., Reiss, R., 2007. Statistical analysis of extreme values. Vol. 2.
Springer.
Resnick, S. I., 2013. Extreme values, regular variation and point processes. Springer.
Roncalli, T., 2002. Théorie des valeurs extrêmes ou modélisation des evène% ments rares
pour la gestion des risques. Groupe de Recherche Opérationnelle, Crédit Lyonnais.
Saporta, G., 2006. Probabilités, analyse des données et statistique. Editions Technip.
Shorack, G., Wellner, J., 1986. Empirical processes with applications to statistics. john
willey and sons. Inc., New York.
Smith, R. L., et al., 1987. Estimating tails of probability distributions. The annals of
Statistics 15 (3), 1174–1207.
38