Théorie des Valeurs Extrêmes − Exercices

A − Inverse généralisé et quantile

Exercice [A-E1] − Soit la fonction Φ : [0, ∞[7→ [0, ∞[ définie par :
 2

 x si x ∈ [0, 1[,
1√ si x ∈ [1, 2[,

Φ(x) =
3 si x ∈ [2, 3],
 √


x si x > 3.
Donner l’expression de l’inverse généralisée Φ← de Φ.

Exercice [A-E2] − Donner l’expression de la fonction quantile pour une loi

uniforme sur [a, b].

Exercice [A-E3] − Donner l’expression de la fonction quantile q :]0, 1[→ R

définie par q(α) = F ← (1 − α) avec

 0 si x < 1,
F (x) = (x − 1)/3 si x ∈ [1, 2[,
(2/3)3/ max(x,3) si x ≥ 2.


B − Domaines d’attraction
Exercice [B-E1] − Soit F la fonction de répartition d’une loi uniforme
sur [0, 1]. Pour tout α ∈ [0, 1], on note q(α) := F ← (1 − α) le quantile d’ordre
1 − α d’une loi uniforme sur [0, 1].
i) Donner l’expression de q(α).
ii) Soient U1 , . . . , Un des variables aléatoires indépendantes de loi uniforme
sur [0, 1]. Montrer que si αn est une suite de [0, 1] telle que nαn → 0 alors,
il existe une suite vn telle que
 
Un,n d
vn − 1 −→ Y,
q(αn )
où Y est une variable aléatoire non dégénérée dont vous préciserez la loi.

Exercice [B-E2] − Vérifier que le domaine d’attraction de la loi

i) exponentielle de paramètre λ = 1 est le domaine d’attraction de Gumbel.
ii) de Pareto de paramètres γ > 0 et a > 0 est le domaine d’attraction de
Fréchet.

1
 iii) uniforme sur [0, 1] est le domaine d’attraction de Weibull.

Exercice [B-E3] − Soit F la fonction de répartition d’une loi de Gumbel

donnée par :
F (x) := exp (− exp(−x)) , x ∈ R.
Donner les suites (an ) et (bn ) telles que F n (an x + bn ) = F (x).

Exercice [B-E4] − Quel est le domaine d’attraction de la fonction de réparti-

tion F telle que F (x) = ex si x < 0 et F (x) = 1 si x ≥ 0. Même question pour la
fonction de répartition G telle que G(x) = 1−e1/x si x < 0 et G(x) = 1 si x ≥ 0.

Exercice [B-E5] − Soit la fonction de répartition


0 si x ≤ 0,
F (x) =
1 − (1 + xc )−d si x > 0,

avec c > 0 et d > 0.

i) Montrer que F̄ := 1 − F est une fonction à variations régulières dont
vous préciserez l’indice qui sera notée ξ dans la suite. A quel domaine
d’attraction appartient F ? (donner la valeur de γ en fonction de ξ).
ii) Ecrire F̄ sous sa représentation de Karamata.
iii) Proposer des suites de normalisation an > 0 et bn telles que F n (an x +
bn ) → Hγ (x) lorsque n → ∞ en tout point de continuité de Hγ .

Exercice [B-E6] − On rapppelle que la densité d’une loi de Cauchy est donnée
par
1 1
f (x) = .
π 1 + x2
i) Calculer la fonction de répartition d’une loi de Cauchy.
ii) En utilisant les équivalences suivantes : tan(x) ∼ x et arctan(x) ∼ x
lorsque x → 0 et le fait que pour x > 0,
 
1 π
arctan + arctan(x) = ,
x 2
donner le domaine d’attraction de la loi de Cauchy ainsi qu’un choix pos-
sible pour les suites de normalisation.

Exercice [B-E7] − Montrer que la loi normale centrée et réduite appartient

au domaine d’attraction de Gumbel avec pour suites de normalisation
log log n + log(4π)
an = (2 log n)−1/2 et bn = (2 log n)1/2 − 1/2
(2 log n)1/2

2
Montrer également que la loi normale N (0, 1) est une loi à queue de type Weibull
d’indice θ = 1/2.

Exercice [B-E8] − On considère la loi de student à µ > 0 degré de liberté de

densité : −(µ+1)/2
x2

Γ((µ + 1)/2)
f (x) = √ 1+
µπΓ(µ/2) µ
Montrer que la loi de student appartient au domaine d’attraction de Fréchet en
précisant la valeur de l’indice des valeurs extrêmes γ. Donner un choix possible
pour les suites de normalisation.

Exercice [B-E9] − Soit γ ∈ R et F une fonction de répartition appartenant

au domaine d’attraction de Hγ . On note xF le point terminal de F .

i) Montrer que
lims↑t (1 − F (s))
lim = 1.
t↑xF lims↓t (1 − F (s))

ii) Soit X une variable aléatoire qui suit une loi de Poisson de paramètre
λ > 0. Montrer que pour tout x > λ,
ex λx
P[X ≥ x] ≤ e−λ .
xx
iii) En déduire que la loi de Poisson n’appartient à aucun domaine d’attraction.

C − Exercices complémentaires
Exercice [C-E1] − Soit N une variable aléatoire suivant une loi de Poisson
de paramètre λ > 0. Soient {Xi , i ∈ N∗ } des variables aléatoires indépendantes
et de même loi de Pareto généralisée de paramètres γ 6= 0 et σ > 0 et indépen-
dantes de N . Donner la loi de MN := max(X1 , . . . , XN ).

Exercice [C-E2] − Calculer la fonction de répartition des excès et la fonction

excès moyen d’une variable aléatoire X de loi :
i) Exponentielle de paramètre λ > 0,
ii) Pareto Généralisée de paramètres γ ∈ R et σ > 0,

iii) Pareto de paramètres c > 0 et γ > 0 (dont on rappelle que la fonction de

répartition est donnée pour x ≥ c par 1 − (x/c)−1/γ ).

Exercice [C-E3] − Soient X1 , . . . , Xn des variables aléatoires indépendantes

et de même fonction de répartition F que l’on supposera continue et strictement
croissante. On pose Zn := n(1−F (Xn,n )) où Xn,n = max(X1 , . . . , Xn ). Donner

3
la loi limite de Zn .

Exercice [C-E4] − Soient F1 et F2 deux fonctions de répartition admettant

le même point terminal x∗ . Si F1 ∈ DA(Hγ1 ) et F2 ∈ DA(Hγ2 ) avec γ1 < γ2
alors
1 − F1 (x)
lim∗ = 0.
x↑x 1 − F2 (x)

Ceci illustre bien le fait que l’indice des valeurs extrêmes contrôle la "lourdeur"
de la queue de distribution.

D − Statistiques d’ordre
Exercice [D-E1] − Soit kn une suite telle que kn → ∞ et n/kn → ∞ et soient
U1,n ≤ . . . ≤ Un,n les statistiques d’ordre d’un échantillon de variables aléatoires
de loi uniforme standard. Montrer que n/kn Ukn +1,n converge presque-sûrement
vers 1.

Exercice [D-E2] − On rappelle qu’une loi est une loi à queue de type Weibull
si sa fonction de répartition est de la forme :
F (x) = 1 − exp {−V ← (x)} ,
avec θ > 0 et où V est une fonction à variations régulières d’indice 1/θ.
i) Rappeler la définition d’une fonction à variations régulières.
ii) Donner un exemple simple de loi à queue de type Weibull.
On considère à présent un échantillon (X1 , . . . , Xn ) de variables aléatoires in-
dépendantes et de même fonction de répartition :
 
F (x) = 1 − exp −x1/θ , x > 0, θ > 0.

iii) Soit (kn ) une suite d’entiers telle que kn → ∞ et n/kn → 0 lorsque n → ∞.
Montrer que {log Xn−i+1,n − log Xn−i,n , i = 1, . . . , kn } à même loi que
 
En−i+1,n
θ log , i = 1, . . . , kn ,
En−i,n
où E1 , . . . , En sont des variables aléatoires indépendantes et de loi expo-
nentielle de paramètre 1.
iv) En utilisant le théorème des accroissements finis sur la fonction logarithme,
montrer que pour tout i ∈ {1, . . . , kn }, il existe une variable aléatoire
∗
Ei,n ∈]En−i,n , En−i+1,n [ telle que
En−i+1,n En−i+1,n − En−i,n
log = ∗ .
En−i,n Ei,n

4
 v) En utilisant le représentation de Rényi pour des variables aléatoires expo-
nentielles, montrer que
∗
Ei,n
max = 1 + oP (1).
i=1,...,kn log(n/i)

vi) En déduire que {i(log Xn−i+1,n − log Xn−i,n ), i = 1, . . . , kn } à même loi

que  
Fi
θ (1 + oP (1)), i = 1, . . . , kn ,
log(n/i)
où F1 , . . . , Fn sont des variables aléatoires indépendantes de loi exponen-
tielle de paramètre 1 et où le oP (1) ne dépend pas de i.
vii) Proposer un estimateur qui converge en probabilité vers θ.

E − Estimation
Exercice [E-E1] − On rappelle que la fonction de répartition d’une loi de
Burr de paramètres τ > 0, β > 0 et λ > 0 est donnée pour x > 0 par
−λ
xτ

F (x) = 1 − 1 + .
β

i) Montrer que F appartient au domaine d’attraction de Fréchet et préciser

la valeur de l’indice γ des valeurs extrêmes.
ii) On rappelle que le quantile d’ordre α ∈]0, 1[ est Q(α) = F ← (1 − α).
Montrer que pour la loi de Burr, Q(α) = α−γ `(α−1 ) où ` est une fonction
à variations lentes que vous préciserez.
iii) Montrer que ` est une fonction à variations lentes normalisée i.e. il existe
x0 tel que Z x 
∆(t)
`(x) = c exp dt ,
x0 t
avec c > 0 et ∆(t) → 0 lorsque t → ∞. Montrer également que ∆ est une
fonction positive, décroissante sur ]0, ∞[ et à variations régulières d’indice
ρ < 0 (vous donnerez la valeur de ρ).

Exercice [E-E2] −Soit X une variable aléatoire suivant une loi de Pareto
généralisée de paramètres γ 6= 0 et σ = 1. On pose Y = 1 + γX.
i) Donner la loi de Y .

ii)) Soit s ∈ N∗ . Donner la relation liant γ et s et assurant que E(Y s ) existe.

Calculer alors cette valeur.

5
 iii) Soient X1 , . . . , Xn des variables aléatoires indépendants et de même loi
que X. A l’aide de la question précédente, proposer un estimateur de γ.
iv) Donner la loi limite de l’estimateur proposé à la question précédente (at-
tention aux conditions sur γ).

Exercice [E-E3] − On considère une fonction de répartition F appartenant

au domaine d’attraction de Fréchet avec un indice des valeurs extrêmes γ > 0.
i) Donner l’expression de F en fonction de γ et d’une fonction L dont on
rappellera la principale caractéristique.

ii) Pour u > 0, donner l’expression de Gu (t) := P(log(X/u) ≤ t|X > u), où
X admet F pour fonction de répartition.
On rappelle que si Y est une variable aléatoire positive,
Z ∞
E(Y ) = P(Y > t)dt.
0

On rappelle également le résultat suivant : soit v une fonction à variations

régulières d’indice α < −1. Alors la fonction
Z ∞
V (x) := v(t)dt,
x

vérifie xv(x) ∼ −(α + 1)V (x) lorsque x → ∞.

iii) Montrer que E(log(X/u)|X > u) → γ lorsque u → ∞.

iv) En déduire un estimateur de γ.

Exercice [E-E4] − On considère la fonction

f (x) = β(β + 1)x(1 − x)β−1 I{x∈[0,1]} .

i) Montrer que f est une densité.

ii) Calculer la fonction de survie F̄ associée et en déduire le domaine d’attraction
de cette loi (vous donnerez la valeur de l’indice des valeurs extrêmes γ cor-
respondant).

iii) Soit (X1 , . . . , Xn ) un échantillon de variables aléatoires indépendantes de

même densité f . En utilisant la méthode des moments, proposer un esti-
mateur de l’indice des valeurs extrêmes.