Loi de Fréchet

En théorie des probabilités et en statistique, la loi de Fréchet est un cas particulier de loi d'extremum généralisée au même titre que la loi de Gumbel ou la loi de Weibull.

Le nom de cette loi est dû à Maurice Fréchet, auteur d'un article à ce sujet en 1927. Des travaux ultérieurs ont été réalisés par Ronald Aylmer Fisher et L. H. C. Tippett en 1928 et par Emil Julius Gumbel en 1958.

Définition

Sa fonction de répartition est donnée par :

$\mathbb{P}(X\le x)=\{\begin{array}{cc}{\mathrm{e}}^{-x^{-\alpha }}& \text{ si }x>0\\ 0& \text{ sinon}\end{array}$

où $\alpha >0$ est un paramètre de forme. Cette loi peut être généralisée en introduisant un paramètre de position m du minimum et un paramètre d'échelle s>0. La fonction de répartition est alors :

$\mathbb{P}(X\le x)=\{\begin{array}{cc}{\mathrm{e}}^{-{\left(\frac{x-m}{s}\right)}^{-\alpha }}& \text{ si }x>m\\ 0& \text{ sinon.}\end{array}$

Propriétés

Moments

La loi de Fréchet de paramètre $\alpha$ a des moments standards :

${\mu }_k=\underset{0}{\overset{\mathrm{\infty }}{\int }}{x}^{k}f(x)\mathrm{d}x=\underset{0}{\overset{\mathrm{\infty }}{\int }}{t}^{-\frac{k}{\alpha }}{\mathrm{e}}^{-t}\mathrm{d}t$,

(avec $t=x^{-\alpha }$) définis pour $k<\alpha$ :

${\mu }_k=\mathrm{\Gamma }(1-\frac{k}{\alpha })$

où $\mathrm{\Gamma }(z)$ est la fonction Gamma.

En particulier :

• Pour $\alpha >1$ l'espérance est $𝔼[X]=\mathrm{\Gamma }(1-\frac{1}{\alpha })$
• Pour $\alpha >2$ la variance est $\text{Var}(X)=\mathrm{\Gamma }(1-\frac{2}{\alpha })-{(\mathrm{\Gamma }(1-\frac{1}{\alpha }))}^2$.

Quantiles

Le quantile $q_y$ d'ordre $y$ peut être exprimé grâce à l'inverse de la fonction de répartition :

$q_y=F^{-1}(y)=(-\ln y{)}^{-\frac{1}{\alpha }}$.

En particulier la médiane est :

$q_{1/2}=(\ln 2{)}^{-\frac{1}{\alpha }}$.

Le mode de la loi de Fréchet est ${\left(\frac{\alpha }{\alpha +1}\right)}^{\frac{1}{\alpha }}$.

Pour la loi de Fréchet à trois paramètres, le premier quartile est $q_1=m+\frac{s}{\sqrt[\alpha ]{\ln (4)}}$ et le troisième quartile est $q_3=m+\frac{s}{\sqrt[\alpha ]{\ln \left(\frac{4}{3}\right)}}$.

Asymétrie et kurtosis

L'asymétrie de la loi de Fréchet est :

$\{\begin{array}{cc}\frac{\mathrm{\Gamma }(1-\frac{3}{\alpha })-3\mathrm{\Gamma }(1-\frac{2}{\alpha })\mathrm{\Gamma }(1-\frac{1}{\alpha })+2{\mathrm{\Gamma }}^3(1-\frac{1}{\alpha })}{\sqrt{{(\mathrm{\Gamma }(1-\frac{2}{\alpha })-{\mathrm{\Gamma }}^2(1-\frac{1}{\alpha }))}^3}}& \text{pour }\alpha >3\\ \mathrm{\infty }& \text{sinon}\end{array}$

le kurtosis est :

$\{\begin{array}{cc}-6+\frac{\mathrm{\Gamma }(1-\frac{4}{\alpha })-4\mathrm{\Gamma }(1-\frac{3}{\alpha })\mathrm{\Gamma }(1-\frac{1}{\alpha })+3{\mathrm{\Gamma }}^2(1-\frac{2}{\alpha })}{{[\mathrm{\Gamma }(1-\frac{2}{\alpha })-{\mathrm{\Gamma }}^2(1-\frac{1}{\alpha })]}^2}& \text{pour }\alpha >4\\ \mathrm{\infty }& \text{sinon}\end{array}$

Applications

Loi de Fréchet utilisée pour modéliser des précipitations extrêmes.

En hydrologie, la loi de Fréchet s'utilise pour des évènements extrêmes tels que le maximum annuel des précipitations journalières ou le débit des rivières. La figure bleue illustre un exemple applicable de loi de Fréchet du maximum annuel des précipitations journalières en Oman, montrant également la bande de confiance de 90 % basée sur la loi binomiale.

Liens avec d'autres lois

• Si $X\sim U(0,1)$ (loi uniforme continue) alors $m+s(-\log (X){)}^{-1/\alpha }\sim \text{Frechet}(\alpha ,s,m)$
• Si $X\sim \text{Frechet}(\alpha ,s,m)$ alors $kX+b\sim \text{Frechet}(\alpha ,ks,km+b)$
• Si $X_i=\text{Frechet}(\alpha ,s,m)$ et $Y=\max \{X_1,\dots ,X_n\}$ alors $Y\sim \text{Frechet}(\alpha ,n^{\frac{1}{\alpha }}s,m)$
• Si $X\sim \text{Weibull}(k=\alpha ,\lambda =m)$ (loi de Weibull) alors $\frac{m^2}{X}\sim \text{Frechet}(\alpha ,s,m)$

Voir aussi

Bibliographie

• M. Fréchet, « Sur la loi de probabilité de l'écart maximum », Ann. Soc. Polon. Math., vol. 6, Modèle:N°, 1927
• Modèle:En R. A. Fisher et L. H. C. Tippett, « Limiting forms of the frequency distribution of the largest and smallest member of a sample », Proc. Cambridge Phil. Soc., vol. 24, 1928, Modèle:P.
• Modèle:En E. J. Gumbel, Statistics of Extremes, Columbia University Press, New York, 1958
• Modèle:En S. Kotz et S. Nadarajah, Extreme Value Distributions: Theory and Applications, World Scientific, 2000 Modèle:ISBN

Liens externes

• Modèle:En An application of a new extreme value distribution to air pollution data
• Wave Analysis for Fatigue and Oceanography