Ficha de revisão: Introduction à la Modélisation des Extrêmes

📋 Plan du Cours

1. Valeurs extrêmes en statistique
2. Modèle GEV
3. Distribution Pareto généralisée
4. Seuils et excès
5. Dépendances en extrêmes
6. Stationnarité et non-stationnarité
7. Distribution multidimensionnelle
8. Copules et dépendance
9. Copules de Fréchet-Hoeffding
10. Copules Archimédiennes
11. Dependance en queue

📖 1. Valeurs extrêmes en statistique

🔑 Notions clés & Définitions

• Valeurs extrêmes : Observations situées dans les queues de la distribution d’un ensemble de données, souvent modélisées pour évaluer les risques rares ou événements rares.
• Théorème des valeurs extrêmes : Résultat fondamental indiquant que, sous certaines conditions, la distribution des maxima d’échantillons i.i.d. converge vers une famille de lois appelées lois extrêmes, notamment la loi GEV (Generalized Extreme Value).
• Domaine d'attraction maximal : Ensemble des lois de distribution dont les maxima, après normalisation, convergent vers une loi extrême spécifique (voir GEV dans la section 2).
• Bloc des maxima : Méthode consistant à diviser une série temporelle en blocs (périodes) et à considérer le maximum de chaque bloc pour l’analyse des valeurs extrêmes.

📝 Points essentiels

• Le théorème des valeurs extrêmes stipule que, pour une suite de variables i.i.d., la distribution normalisée des maxima converge vers une loi GEV, qui regroupe trois familles : Gumbel, Fréchet, et Weibull.
• La distribution GEV est paramétrée par des paramètres de localisation, d’échelle et de forme, et sert à modéliser la loi limite des maxima (voir Modèle GEV dans la section 2).
• La valeur extrême peut être approchée par la distribution de la loi GPD (Generalized Pareto Distribution) pour les excès au-dessus d’un seuil, selon le théorème de Pickands-Balkema-de Haan (voir section 3).
• La méthode des blocs consiste à extraire les maxima de chaque bloc pour estimer la loi extrême, permettant une meilleure gestion des dépendances temporelles.
• La valeur extrême est essentielle en gestion des risques, notamment en météorologie, finance, et ingénierie, pour prévoir des événements rares mais potentiellement catastrophiques.

💡 À retenir

Les valeurs extrêmes sont modélisées par la théorie des extrêmes, qui montre que les maxima, après normalisation, convergent vers une loi spécifique appartenant à la famille GEV, permettant d’évaluer le risque d’événements rares.

📖 2. Modèle GEV

🔑 Notions clés & Définitions

• Modèle GEV (Generalized Extreme Value) : Famille de distributions qui modélise la loi du maximum d’un échantillon de variables aléatoires, regroupant plusieurs formes de lois extrêmes selon ses paramètres.
• Distribution extrême pour le maximum : Loi qui décrit le comportement asymptotique de la valeur maximale d’un échantillon, essentielle en théorie des valeurs extrêmes.
• Paramètres du modèle GEV : Composés de la localisation (μ), de l’échelle (σ > 0) et du shape (ξ), déterminant la forme et la queue de la distribution.
• Théorème d’attraction pour GEV : Résultat fondamental indiquant que, sous certaines conditions, la distribution du maximum d’échantillons i.i.d. converge vers une loi GEV, selon le théorème des valeurs extrêmes.
• Model for the maximum : Approche statistique consistant à ajuster une loi GEV aux maxima d’échantillons pour prédire les valeurs extrêmes futures (voir "Block Maxima").
• Théorème d’attraction : En statistique des extrêmes, affirme que toutes les distributions de variables i.i.d. dont la distribution du maximum appartient à une classe spécifique convergent vers une loi GEV, caractérisée par ses paramètres (voir "Extreme value theorem").

📖 3. Distribution Pareto généralisée

🔑 Notions clés & Définitions

• Distribution Pareto généralisée (GPD) : Distribution utilisée pour modéliser les excès au-dessus d’un seuil dans l’analyse des valeurs extrêmes, caractérisée par ses paramètres de forme, de localisation et d’échelle, permettant une modélisation flexible des extrêmes (voir aussi "Excès au-dessus d’un seuil").
• Théorème de Pickands-Balkema-de Haan : Résultat fondamental en théorie des extrêmes qui stipule que, pour une large classe de lois de probabilité, la distribution conditionnelle des excès au-dessus d’un seuil élevé converge vers une GPD lorsque ce seuil tend vers l’infini. (Pickands, 1975 ; Balkema et de Haan, 1977).
• Excès au-dessus d’un seuil : Variable aléatoire représentant la différence entre une observation et un seuil fixé, conditionnée à ce que l’observation dépasse ce seuil, utilisée pour ajuster la GPD.
• Paramétrisation de la GPD : Définition précise des paramètres (forme, échelle, localisation) qui déterminent la forme et la position de la distribution GPD, permettant d’adapter la modèle aux données extrêmes.

📝 Points essentiels

• La GPD est la distribution limite pour les excès au-dessus d’un seuil élevé, selon le théorème de Pickands-Balkema-de Haan, ce qui en fait un outil clé pour l’analyse des extrêmes (MaO, 2021).
• La paramétrisation de la GPD inclut généralement un paramètre de forme (ξ), un paramètre d’échelle (σ) et un paramètre de localisation (μ), permettant une modélisation flexible des queues de distribution.
• La sélection du seuil est cruciale : il doit être suffisamment élevé pour que la convergence vers la GPD soit valable, mais pas trop pour conserver un nombre suffisant d’observations.
• La modélisation par la GPD permet d’estimer la probabilité d’événements extrêmes rares, en extrapolant au-delà des données observées.

💡 À retenir

La Distribution Pareto généralisée, grâce au théorème de Pickands-Balkema-de Haan, constitue un modèle limite pour les excès au-dessus d’un seuil élevé, permettant une estimation précise des risques extrêmes dans divers domaines.

📖 4. Seuils et excès

🔑 Notions clés & Définitions

• Seuil en analyse des extrêmes : valeur de référence fixée pour distinguer les observations considérées comme extrêmes ou exceptionnelles dans un jeu de données. Son choix influence la modélisation des excès (source : Gwladys MAO, 2021).

• Excès et dépassements : observations qui dépassent un seuil prédéfini, formant la base pour l’étude des extrêmes en utilisant la distribution des excès (source : Gwladys MAO, 2021).

• Méthode POT (Peak Over Threshold) : approche statistique consistant à modéliser la distribution des excès au-dessus d’un seuil à l’aide de la Distribution Pareto Généralisée, permettant une estimation précise des risques extrêmes (source : Gwladys MAO, 2021).

• Estimation des paramètres via excès : processus d’ajustement de la distribution des excès pour déterminer ses paramètres, notamment à l’aide de méthodes comme la maximum de vraisemblance, afin d’évaluer la probabilité d’événements extrêmes (source : Gwladys MAO, 2021).

📝 Points essentiels

• La sélection du seuil est cruciale : un seuil trop bas inclut des données non extrêmes, biaisant la modélisation, tandis qu’un seuil trop élevé réduit la taille de l’échantillon, augmentant l’incertitude (source : Gwladys MAO, 2021).

• La méthode POT repose sur la Théorie des valeurs extrêmes, notamment le théorème de Pickands-Balkema-de Haan, qui justifie l’usage de la Distribution Pareto Généralisée pour modéliser les excès au-dessus d’un seuil (source : Gwladys MAO, 2021).

• L’estimation des paramètres permet de caractériser la distribution des excès, facilitant la prédiction des événements rares et la gestion des risques extrêmes, notamment en contexte environnemental ou financier (source : Gwladys MAO, 2021).

• La modélisation par POT est adaptée aux données dépendantes ou non stationnaires en intégrant des covariables ou en ajustant le seuil selon la saisonnalité ou la tendance (source : Gwladys MAO, 2021).

💡 À retenir

La méthode POT, en se concentrant sur les excès au-dessus d’un seuil choisi, offre une approche efficace pour modéliser et estimer la probabilité d’événements extrêmes, en s’appuyant sur la Distribution Pareto Généralisée et une estimation précise de ses paramètres.

📖 5. Dépendances en extrêmes

🔑 Notions clés & Définitions

• Dépendance dans les extrêmes : phénomène où les valeurs extrêmes de plusieurs variables sont liées, ce qui influence la probabilité de survenue simultanée d’événements rares (voir section 4).
• Modélisation des dépendances extrêmes : utilisation de copulas, notamment les copulas extrêmes, pour représenter la dépendance entre variables dans leurs queues (voir section 8, 9).
• Effets de la dépendance sur les valeurs extrêmes : la dépendance peut accentuer ou réduire la probabilité conjointe d’événements extrêmes, impactant ainsi la gestion des risques (voir section 4).
• Approches pour données dépendantes : stratégies pour traiter la dépendance, telles que la sélection de maxima ou l’intégration de covariables dans les modèles GEV ou GPD, notamment en cas de saisonnalité ou de tendances (voir section 4).

📝 Points essentiels

• La théorie des valeurs extrêmes suppose souvent l’indépendance des données, mais en pratique, cette hypothèse est rarement vérifiée, notamment en présence de saisonnalité ou de tendances (MAO, 2021).
• Pour modéliser la dépendance, les copulas sont un outil central, permettant de séparer la modélisation des marges de celle de la dépendance (Sklar, 1959).
• Les copulas extrêmes, comme la famille des copulas de valeurs extrêmes, sont spécifiquement conçues pour représenter la dépendance dans les queues, avec des propriétés convexes et des fonctions dépendance A (voir section 9).
• La dépendance en queue, mesurée par les coefficients de dépendance en queue (U pour le haut, L pour le bas), indique si deux variables sont dépendantes ou indépendantes dans les extrêmes (voir section 11).
• La modélisation de dépendances dépendantes dans le temps peut se faire en intégrant des covariables, comme la saisonnalité, dans les paramètres des modèles GEV ou GPD, ou en utilisant des copulas adaptées (MAO, 2021).

💡 À retenir

La dépendance en extrêmes, particulièrement dans les queues, est cruciale pour évaluer le risque conjoint d’événements rares, et elle se modélise efficacement à l’aide des copulas, notamment celles conçues pour représenter la dépendance dans les queues.

📖 6. Stationnarité et non-stationnarité

🔑 Notions clés & Définitions

• Stationnarité en séries temporelles : propriété d’un processus où ses caractéristiques statistiques (moyenne, variance, autocorrélation) restent constantes dans le temps. Elle garantit que la distribution des valeurs ne change pas avec le temps, facilitant la modélisation et la prévision.

• Non-stationnarité et tendances : situation où un processus présente des variations dans ses caractéristiques statistiques au cours du temps. Selon Gwladys MAO (2021), cela peut résulter de tendances ou de cycles, rendant la modélisation plus complexe car les paramètres évoluent.

• Intégration de la saisonnalité dans les modèles : méthode consistant à incorporer explicitement les variations périodiques (saisons, cycles annuels) dans les paramètres du modèle, par exemple en liant le paramètre d’échelle à des covariables décrivant la saison, comme le suggère Gwladys MAO (2021).

• Modèles avec paramètres dépendants du temps : modèles où certains paramètres (moyenne, variance, autocorrélation) varient en fonction du temps, permettant de capturer la non-stationnarité. Par exemple, la liaison du paramètre d’échelle à une fonction de covariables temporelles, comme le sinus ou le cosinus pour la saisonnalité.

📝 Points essentiels

• La stationnarité est une hypothèse clé pour appliquer de nombreux modèles statistiques en séries temporelles, notamment ceux issus de la théorie des extrêmes (Gwladys MAO, 2021). Elle assure que la distribution des données ne change pas dans le temps, ce qui simplifie l’analyse.

• La non-stationnarité, fréquente dans les données environnementales ou économiques, nécessite des approches spécifiques. La modélisation de la saisonnalité consiste à intégrer des covariables périodiques (sin, cos) dans les paramètres, permettant de capturer les cycles saisonniers.

• Lorsqu’un processus présente des tendances ou des variations structurelles, il est conseillé d’utiliser des modèles avec paramètres dépendants du temps, pour mieux représenter la dynamique sous-jacente. La prise en compte de la saisonnalité et des tendances permet d’améliorer la précision des estimations et des prévisions.

• La distinction entre stationnarité faible (moyenne et variance constantes) et stricte (distribution invariante) est importante pour choisir la méthode d’analyse adaptée.

💡 À retenir

La modélisation efficace des séries temporelles en extrême dépend de la capacité à identifier et à modéliser la non-stationnarité, notamment par l’intégration de la saisonnalité et de paramètres dépendants du temps, afin de mieux représenter la dynamique réelle des phénomènes.

📖 7. Distribution multidimensionnelle

🔑 Notions clés & Définitions

• Distribution multidimensionnelle des extrêmes : Étude de la distribution conjointe des valeurs extrêmes de plusieurs variables aléatoires, permettant d'analyser leur comportement simultané dans des situations rares ou extrêmes (source : MaO 2021).
• Modélisation conjointe de plusieurs variables extrêmes : Approche visant à représenter la dépendance entre plusieurs variables extrêmes à l’aide de fonctions de distribution multivariées, notamment via des copulas ou des familles de copulas extrêmes (source : MaO 2021).
• Fonctions de distribution multivariées : Fonctions qui décrivent la probabilité que plusieurs variables aléatoires prennent des valeurs inférieures ou égales à un vecteur donné, en intégrant la dépendance entre ces variables (source : MaO 2021).
• Interactions entre variables extrêmes : Relations de dépendance ou de dépendance forte dans les queues de distribution, souvent modélisées par des copulas extrêmes ou des familles spécifiques, essentielles pour évaluer le risque conjoint dans des contextes comme la finance ou l’environnement (source : MaO 2021).

📝 Points essentiels

• La distribution multidimensionnelle des extrêmes permet d’étudier la dépendance entre plusieurs variables dans leurs valeurs extrêmes, ce qui est crucial pour la gestion du risque et la modélisation de phénomènes rares (source : MaO 2021).
• La modélisation conjointe s’appuie souvent sur des copulas, notamment les copulas extrêmes, qui séparent la dépendance de la marginalité, facilitant ainsi l’analyse des interactions dans les queues (source : MaO 2021).
• Les fonctions de distribution multivariées doivent respecter des propriétés telles que la cohérence avec les marges et la convexité de la fonction de dépendance, notamment dans le cadre des copulas extrêmes, qui sont caractérisées par leur convexité et leur lien avec les distributions extrêmes (source : MaO 2021).
• Les interactions entre variables extrêmes sont souvent asymétriques et nécessitent des mesures spécifiques comme la dépendance en queue, qui quantifie la probabilité que plusieurs variables prennent des valeurs extrêmes simultanément, impactant la gestion des risques majeurs (source : MaO 2021).

💡 À retenir

La distribution multidimensionnelle des extrêmes, en combinant modélisation conjointe et fonctions de distribution multivariées, permet d’évaluer la dépendance dans les queues, essentielle pour anticiper les risques conjoints dans des phénomènes rares.

📖 8. Copules et dépendance

🔑 Notions clés & Définitions

• Copula : Fonction qui joint une distribution multivariée à ses marges univariées, en séparant la dépendance de la distribution marginale. Selon Sklar (1959), un copula relie une distribution conjointe à ses marges en respectant certaines propriétés, notamment la groundedness et la n-increasingness.
• Séparation de la distribution conjointe en marges et dépendance : La décomposition d'une distribution multivariée en ses marges (distribution individuelle de chaque variable) et une copula qui modélise leur dépendance, permettant une modélisation flexible.
• Utilisation des copules pour modéliser la dépendance : Approche consistant à choisir ou estimer une copula adaptée à la structure de dépendance entre variables, notamment via des familles paramétriques (ex. Gaussian, Clayton, Gumbel) ou non paramétriques.
• Fonction copule sur le cube unité : Fonction définie sur [0,1]^n, avec marges uniformes, permettant de représenter la dépendance multivariée indépendamment des marges, en respectant les propriétés de groundedness et de n-increasingness.

📝 Points essentiels

• La théorie des copules permet de modéliser la dépendance entre variables en séparant cette dépendance de leurs marges (Sklar, 1959). La copula est une fonction multivariée sur le cube unité, avec marges uniformes, qui relie la distribution conjointe à ses marges.
• La décomposition en marges et copula facilite la construction de modèles multivariés complexes, notamment dans le contexte des extrêmes où la dépendance en queue est cruciale.
• Plusieurs familles de copules existent, comme la copule de Gaussian, Clayton, Gumbel, ou t, chacune capturant différents types de dépendance, notamment en queue ou tail dependence.
• Les propriétés fondamentales des copules incluent la continuité, la différentiabilité, l'invariance sous transformations monotones, et les bornes de Frechet-Hoeffding, qui encadrent la dépendance maximale et minimale.
• La relation avec la dépendance est quantifiée par des mesures comme Kendall’s tau ou Spearman’s rho, qui peuvent s’exprimer en fonction de la copula.

💡 À retenir

Les copules offrent un cadre flexible pour modéliser la dépendance multivariée en séparant la structure de dépendance des marges, ce qui est essentiel pour l’analyse des extrêmes et la gestion du risque.

📖 9. Copules de Fréchet-Hoeffding

🔑 Notions clés & Définitions

• Bornes de Fréchet-Hoeffding : Limites inférieure et supérieure des copules, définies par Fréchet (1889), qui encadrent toute copule $C$ sur l’espace $[0,1]^2$. La borne inférieure est $W(u,v) = \max(u+v-1, 0)$ et la borne supérieure est $M(u,v) = \min(u,v)$. Ces bornes représentent respectivement la dépendance maximale négative et maximale positive entre deux variables.
• Propriétés fondamentales des copules : La capacité d’une copule à séparer la dépendance de la marginalité, en étant une fonction $C: [0,1]^n \to [0,1]$ qui est « grounded » et « n-increasing » (voir Sklar, 1959). Elle doit respecter les bornes de Fréchet-Hoeffding.
• Rôle dans la caractérisation des dépendances extrêmes : Les copules extrêmes, notamment celles qui atteignent les bornes de Fréchet-Hoeffding, permettent de modéliser les dépendances dans les queues, essentielles pour l’analyse des risques extrêmes (voir ExtremeValue Theory).

📝 Points essentiels

• Les bornes de Fréchet-Hoeffding $W$ et $M$ encadrent toute copule $C$, c’est-à-dire $W(u,v) \leq C(u,v) \leq M(u,v)$ pour tout $(u,v) \in [0,1]^2$. Ces bornes sont fondamentales pour comprendre la dépendance maximale négative et positive (Fréchet, 1889).
• La propriété de « grounded » signifie que $C(u,0) = C(0,v) = 0$, et « n-increasing » assure que la copule est une distribution de probabilité valide.
• La caractérisation des dépendances extrêmes repose sur l’atteinte ou non des copules par ces bornes, notamment dans le contexte des queues, où la dépendance peut être très forte ou faible, influençant la modélisation des risques extrêmes.
• La théorisation par Sklar (1959) établit que toute distribution multivariée peut être décomposée en marges et copule, permettant d’isoler la dépendance pour une meilleure modélisation.

💡 À retenir

Les bornes de Fréchet-Hoeffding encadrent toute copule, jouant un rôle clé dans la modélisation des dépendances extrêmes, en particulier dans l’analyse des queues où la dépendance peut atteindre ses limites maximales ou minimales.

📖 10. Copules Archimédiennes

🔑 Notions clés & Définitions

• Générateur univarié des copules : Fonction strictement décroissante et continue sur [0,1], généralement notée ϕ, qui permet de construire une copule archimédienne en exprimant la dépendance multivariée à partir d’une seule variable univariée. Selon Archer (2009), il sert à réduire la complexité de la modélisation de la dépendance en une fonction univariée.

• Forme fonctionnelle des copules Archimédiennes : La copule archimédienne C est définie par la formule $C(u_1, \dots, u_n) = ϕ^{-1}(ϕ(u_1) + \dots + ϕ(u_n))$, où ϕ est le générateur. La propriété clé est que toute dépendance multivariée peut être représentée par cette forme, simplifiant ainsi l’étude de la dépendance (voir Sklar, 1959).

• Réduction de la dépendance multivariée à une fonction univariée : Concept selon lequel la structure de dépendance entre plusieurs variables peut être entièrement caractérisée par une seule fonction génératrice ϕ, permettant de modéliser efficacement la dépendance dans un cadre multidimensionnel en utilisant une seule variable (voir Sklar, 1959).

📝 Points essentiels

• La copule archimédienne est caractérisée par un générateur univarié ϕ, qui doit être strictement décroissant, continue, et satisfaire ϕ(1) = 0. La construction de la copule repose sur la formule $C(u_1, \dots, u_n) = ϕ^{-1}(ϕ(u_1) + \dots + ϕ(u_n))$, où ϕ^{-1} est la fonction inverse de ϕ (voir Sklar, 1959).

• La réduction de la dépendance multivariée à une fonction univariée permet de simplifier la modélisation et l’estimation de la dépendance, notamment dans le contexte des copules archimédiennes, en concentrant toute l'information de dépendance dans une seule fonction génératrice.

• La propriété d’Archimède garantit que la copule est n-incrémentielle et qu’elle satisfait les bornes de Fréchet-Hoeffding, ce qui assure la cohérence et la validité de la modélisation de dépendance (voir Sklar, 1959).

💡 À retenir

Les copules archimédiennes, grâce à leur générateur univarié, permettent de modéliser la dépendance multivariée en la réduisant à une seule fonction, facilitant ainsi l’analyse et l’estimation des dépendances complexes dans un cadre multidimensionnel.

📖 11. Dependance en queue

🔑 Notions clés & Définitions

• Dépendance en queue : Type de dépendance entre deux variables où la relation est particulièrement forte dans les extrêmes (queues) de leurs distributions, souvent analysée via les coefficients de dépendance en queue (U, L).
• Mesure de la dépendance dans les queues : Coefficients U (tail dependence upper) et L (tail dependence lower), qui quantifient la probabilité que deux variables prennent des valeurs extrêmes simultanément.
• Impact sur le risque conjoint : La dépendance en queue influence la probabilité que plusieurs événements extrêmes se produisent simultanément, affectant la gestion du risque (ex : catastrophes naturelles, crises financières).
• Différences entre dépendance globale et en queue : La dépendance globale (ex : corrélation linéaire) mesure la relation moyenne, tandis que la dépendance en queue se concentre sur la relation dans les extrêmes, souvent plus critique pour la modélisation de risques extrêmes.

📝 Points essentiels

• La dépendance en queue est essentielle pour modéliser la co-occurrence d’événements extrêmes, notamment dans les domaines de l’environnement, de la finance et de l’assurance.
• Les coefficients U et L (voir définition) permettent de quantifier cette dépendance spécifique aux queues. Si U > 0, cela indique une dépendance forte dans la queue supérieure, et inversement pour L dans la queue inférieure.
• La copule extrême (voir section 2) est souvent utilisée pour modéliser la dépendance en queue, notamment la famille des copules extrêmes (ex : copules de Fréchet-Hoeffding).
• La dépendance en queue peut exister même si la dépendance globale (ex : corrélation) est faible ou nulle, ce qui souligne son importance pour l’évaluation des risques extrêmes.
• La tail dependence influence directement la probabilité de survenue simultanée d’événements rares, ce qui est crucial pour la gestion de risques systémiques.

💡 À retenir

La dépendance en queue, quantifiée par les coefficients U et L, permet de mieux comprendre et modéliser la co-occurrence d’événements extrêmes, impactant la gestion des risques et la prévention de catastrophes.

📊 Tableaux de Synthèse

Thème	Notions clés	Modèles / Distributions	Auteurs / Références
Valeurs extrêmes	Convergence des maxima vers une loi GEV, domaine d’attraction	Loi GEV (Gumbel, Fréchet, Weibull), théorème des valeurs extrêmes	Leadbetter, 1983 ; de Haan & Ferreira, 2006
Modèle GEV	Paramètres (μ, σ, ξ), attraction des maxima	Distribution limite pour maxima, ajustement par méthode de maximum de vraisemblance	Coles, 2001
Distribution Pareto généralisée	Excès au-dessus d’un seuil, paramètre de forme ξ	Théorème de Pickands-Balkema-de Haan, convergence vers GPD	Pickands, 1975 ; Balkema & de Haan, 1977
Seuils et excès	Méthode POT, choix du seuil, estimation des paramètres	Ajustement de la GPD, méthode du seuil optimal	Davison & Smith, 1990
Dépendances en extrêmes	Dépendance entre valeurs extrêmes, copules	Copules de Fréchet-Hoeffding, copules archimédiennes	Joe, 1997 ; Nelsen, 2006

⚠️ Pièges & Confusions Fréquentes

1. Confondre la loi GEV et la loi GPD : la GEV modélise la distribution du maximum, la GPD celle des excès au-dessus d’un seuil.
2. Choisir un seuil trop bas en méthode POT : inclut des données non extrêmes, biaisant l’estimation.
3. Négliger la dépendance temporelle ou spatiale dans l’analyse des valeurs extrêmes.
4. Confondre la famille de lois extrêmes (Gumbel, Fréchet, Weibull) sans vérifier la forme adaptée aux données.
5. Ignorer la non-stationnarité dans les séries temporelles, ce qui fausse la modélisation.
6. Mal interpréter la forme de la queue en fonction du paramètre ξ dans la GEV ou GPD.
7. Sous-estimer l’incertitude liée à la sélection du seuil pour la modélisation POT.

✅ Checklist Examen

1. Connaître la définition de valeurs extrêmes et leur importance en statistique (Leadbetter, 1983).
2. Expliquer le théorème des valeurs extrêmes et ses implications pour la convergence vers la loi GEV.
3. Identifier et décrire la famille des lois GEV (Gumbel, Fréchet, Weibull).
4. Maîtriser la formule de la distribution GEV et ses paramètres (μ, σ, ξ).
5. Comprendre le théorème de Pickands-Balkema-de Haan et son rôle dans la modélisation des excès.
6. Définir la Distribution Pareto généralisée (GPD) et ses paramètres.
7. Expliquer la méthode POT et le choix du seuil.
8. Savoir ajuster une GPD aux excès au-dessus d’un seuil.
9. Identifier les types de dépendance en extrêmes et les copules associées.
10. Connaître les copules de Fréchet-Hoeffding et leur rôle dans la dépendance en queue.
11. Maîtriser la différence entre dépendance forte et faiblesse en queue.
12. Connaître les auteurs clés : Leadbetter (1983), Pickands (1975), Balkema & de Haan (1977), Joe (1997).