arxiv: v1 [math.st] 14 Feb 2013

Transcription

1 arxv:32.343v [math.st] 4 Feb 23 Illustraton par quelques exemples des los strctement stables dans un cône convexe Shuyan Lu a Résumé La stablté d une varable aléatore peut être généralsée dans un cône convexe. Les résultats concernant la représentaton de LePage et le domane d attracton sont analogues mas dfférents de ceux qu sont obtenus dans l espaces de Banach. Quelques exemples de los strctement max-stables et α-stables sont présentés dans cet artcle afn de montrer le len entre le processus ponctuel possonnen et la lo stable dans un cône convexe. Mots clés : α-stable, max-stable, cône convexe, processus ponctuel possonnen, sére de LePage, smulaton. Introducton Un vecteur aléatore X à valeurs dans un espace de Banach a la lo strctement α-stable (StαS) s pour tous a, b > a /α X + b /α X 2 L = (a + b) /α X, (.) où X, X 2 sont les copes ndépendantes de X, et L = représente l égalté en lo. La stablté (.) peut être défne dans tous les espaces où l addton des éléments et la multplcaton par les scalares postfs sont ben défnes,.e. dans un cône convexe. Dans ce cas les résultats prncpaux (la représentaton de LePage, le domane d attracton, etc.) sont analogues mas dfférents de ceux qu sont obtenus dans l espace de Banach. L ntervalle des valeurs possbles de l ndce caractérstque α dépend des proprétés algébrques et topologques de base de l espace où l élément aléatore StαS est défn. Par exemple l est a SAMM (EA 4543), Unversté Pars Panthéon-Sorbonne, Centre PMF, 753 Pars, France.

2 connu que α est dans l ntervalle (, 2] pour les los α-stables dans l espace de Banach. S on remplace l addton dans (.) par les opératons de maxmum et mnmum, les vecteurs aléatores max-stables et mn-stables apparassent. Les los max-stables exstent pour tout α >, tands que les los mn-stables peuvent avor toutes les valeurs négatves pour l ndce α. Davydov et ses coauteurs ont caractérsé dans [4] les los des éléments aléatores StαSs dans un cône convexe et présenté les valeurs possbles pour l ndce α selon les proprétés du semgroupe et la dstrbutvté de l opératon de multplcaton correspondante. Nous présentons dans cet artcle quelques exemples des los StαSs et max-stables dans R 2 avec la smulaton numérque de la densté, afn d llustrer les rôles de l ndce α et de la mesure spectrale dans la forme de la densté de lo StαS dans dfférents cônes convexes. Rappelons qu un vecteur aléatore α-stable symétrque ou avec α < à valeurs dans R d admet la représentaton de LePage suvante [9] k= cγ /α k ɛ k, (.2) où c >, Γ k représente la somme de k varables..d. de lo exponentelle d espérance et ɛ, ɛ 2,... sont les vecteurs aléatores untares..d. et ndépendants de {Γ k } k=. Notons Π α le processus ponctuel dont le support est {cγ /α k ɛ k, k },.e. Π α = k= δ cγ /α k ɛ k (.3) où δ x désgne la mesure de Drac au pont x. Le support du processus Π α est un ensemble fermé aléatore unon-stable [2] [4],.e. pour tous a, b > a /α supp(π α) b /α supp(π α) L = (a + b) /α supp(π α ). (.4) où Π α et Π α sont les copes ndépendantes de Π α. Cela sgnfe que l unonstablté du support de processus Π α est étrotement lée à la stablté classque (.). Cette relaton est l dée clé dans [4] pour obtenr les résultats concernant la représentaton de LePage et le domane d attracton de lo StαS dans un cône convexe. Les exemples présentés dans cet artcle montrent que les processus ponctuels sont utles non seulement pour obtenr les résultats généraux sur les los StαSs dans un cône convexe, mas auss pour dédure la foncton de répartton et la régularté de la queue d une lo max-stable avec la mesure spectrale donnée. Un autre but de cet artcle est de montrer que les processus ponctuels possonnens peuvent être utlsés pour smuler les vecteurs aléatores suvant 2

3 les los StαSs et max-stables. Ces deux famlles de los apparassent souvent dans les applcatons du domane des événements rares qu demandent le tratement de valeurs extrêmes. Il exste des méthodes connues pour engendrer les données de lo stable [2] [23] [] et de lo max-stable [3] [22] [2]. En utlsant la représentaton de LePage généralsée dans un cône convexe, nous pouvons engendrer les données suvant les los StαSs et max-stables de façon analogue. Notre méthode ne nécesste pas la dscrétsaton de la mesure spectrale, elle est donc plus pratque pour smuler les vecteurs aléatores StαSs et max-stables avec la mesure spectrale absolument contnue. Nous résumons dans la secton 2 les défntons et les résultats de base concernant les los StαSs dans un cône convexe. Pour la présentaton plus détallée nous renvoyons le lecteur à l artcle [4]. La secton 3 présente les los strctement max-stables et α-stables avec des exemples concrets. Nous obtenons l expresson explcte des los jontes et margnales des vecteurs aléatores strctement max-stables avec les mesures spectrales données. Les résultats de smulaton des vecteurs aléatores dans les deux famlles sont présentés. 2 Los strctement stables dans un cône convexe 2. Cônes convexes Défnton 2.. Un cône convexe IK est un semgroupe abélen topologque, supposé complet et séparable, avec une opératon de multplcaton par des scalares postfs, (x, a) ax, contnue pour tout x IK et a > tel que les condtons suvantes sont remples : ) a(x + y) = ax + ay, a >, x, y IK 2) a(bx) = (ab)x, a, b >, x IK 3) x = x, x IK 4) ae = e, a >, e est l élément neutre de IK. Le cône IK s appelle cône ponté s l y a un élément unque dt l orgne tel que ax lorsque a pour tout x IK \{e}. Remarquons que la condton suvante qu est typquement mposée dans la lttérature (vor par exemple [8]) pour un cône n est pas nécessare c (a + b)x = ax + bx, a, b >, x IK. (2.) Par exemple R + = [, ) avec l opératon d addton défne par le maxmum ne vérfe pas cette condton. Dans un cône ponté, s la dstrbutvté (2.) 3

4 a leu ou s l exste l élément x e qu possède l nverse ( x), alors e =. Généralement l élément neutre ne coïncde pas nécessarement avec l orgne. Défnton 2.2. Un élément z IK est α-stable avec α, s pour tous a, b >. a /α z + b /α z = (a + b) /α z Dans la sute on note IK(α) l ensemble des éléments α-stables de IK. Il est clar que e, IK(α) pour tout α. Défnton 2.3. Le cône IK s appelle un cône normé s IK est métrsable par une dstance d qu est homogène à l orgne,.e. d(ax, ) = ad(x, ) pour tout a > et x IK. La valeur x = d(x, ) s appelle la norme de x. Dans la sute on suppose que IK est un cône normé. Il est clar que x = s et seulement s x =. De plus s e, alors la proprété 4) de la défnton 2. mplque que e = d(e, ) =. Il est donc essentel d admettre que d peut prendre la valeur nfne. Par exemple, s IK est le cône R + = [, ] où l opératon d addton est défne par le mnmum, noté (R +, ), alors la dstance eucldenne d un élément non-zéro x R + à (étant l élément neutre) est nfne. L ensemble S = {x x = } s appelle la sphère unté. Le cône ponté admet la décomposton polare réalsée par la bjecton x ( x, x/ x ) entre IK = IK\{, e} et (, ) S. La dstance ou la norme dans IK est dte sous-nvarante s d(x + h, x) d(h, ) = h, x, h IK. Cette contrante n est pas trvale, par exemple le cône (R +, ) avec la dstance eucldenne ne vérfe pas cette proprété. S IK a une norme sousnvarante, alors = e, et pour tout α (, ), e est l élément unque de norme fne qu appartent à IK(α). Les exemples typques de cônes qu possèdent ces proprétés sont les espaces de Banach ou les cônes convexes dans l espace de Banach, la famlle des sous-ensembles compacts (ou compacts convexes) d un espace de Banach 4

5 avec l addton de Mnkowsk [5] [7] [6], la famlle des ensembles compacts dans R d avec l opératon d addton défne par l unon [] et la famlle des mesures fnes avec l addton conventonnelle et la multplcaton scalare [3] [7]. Un autre exemple typque est l espace R + = [, ) avec l opératon d addton défne par le maxmum,.e. x + y = x y = max(x, y). D autres exemples et nformatons peuvent être trouvés dans [4]. 2.2 Processus ponctuels dans un cône Consdérons un cône normé IK mun de la σ-algèbre borélenne B(IK). La boule ouverte de rayon r centrée au pont est notée par B r = {x IK x < r}. L ntéreur de son complément est noté par B r = {x x > r}. Une mesure de comptage m est une mesure de forme suvante m = δ x + δ x2 + = δ x où {x, x 2,...} est un ensemble de ponts dénombrable au maxmum. Sot M (respectvement M) la famlle des mesures de comptage m sur B(IK) telles que m(b r ) < (respectvement m(b r ) < ) pour tout r >. Pour couvrr ces deux cas avec la même notaton, on note A r au leu de B r (respectvement B r ) dans le cas où l on consdère les mesures dans M (respectvement M). Alors nous avons toujours m(a r ) <, c est-à-dre seulement un nombre fn de ponts x du support de m se stuent dans A r. Un processus ponctuel µ est une applcaton mesurable d un espace de probablté à M (ou M) mun de la σ-algèbre engendrée par les ensembles des mesures m M (ou m M) telle que m(b) = n pour les ensembles borélens B IK et n. Sot Λ une mesure sur IK qu est fne sur A r pour tout r >. Un processus ponctuel Π est un processus possonnen de mesure d ntensté Λ, s pour toute famlle d ensembles borélens dsjonts F,..., F n, les varables aléatores Π(F ),..., Π(F n ) sont mutuellement ndépendantes et dstrbuées suvant les los de Posson d espérance Λ(F ),..., Λ(F n ) respectvement. Défnton 2.4. (Processus ponctuel possonnen stable Π α,σ ) Sot Λ α,σ une mesure sur IK défne par m α σ où σ est une mesure fne sur B(S) et m α 5

6 est une mesure sur (, ) telle que pour α on a { mα ((r, )) = r α s α >, m α ((, r)) = r α r >. (2.2) s α <, Le processus ponctuel possonnen stable est un processus possonnen de mesure d ntensté Λ α,σ, noté Π α,σ. La mesure σ s appelle la mesure spectrale. L mportance du processus Π α,σ vent du fat que le support de Π α,σ est unon-stable,.e. Π α,σ vérfe l égalté (.4). Pour tout α, le processus Π α,σ admet la représentaton (.3) (Th. 3.3 [4]) avec les éléments aléatores {ɛ k }..d. à valeurs dans S et de lo σ( ) = σ( )/σ(s) et c = σ(s) /α. Sot {ξ k, k } une sute d éléments aléatores..d. à valeurs dans IK. Un processus ponctuel emprque est défn par β n = n δ ξk /b n, n, k= où {b n, n } est une sute de constantes de normalsaton telle que b n, s n. On va montrer dans le théorème 2.5 que pour avor de proprétés ntéressantes, les constantes b n dovent avor la forme suvante b n = n /α L(n), n, (2.3) avec α et L(n) une foncton à varaton lente à l nfn. La convergence fable des processus ponctuels µ n µ a leu, s Eh(µ n ) Eh(µ) lorsque n pour toute foncton h sur M ou M à valeurs dans R contnue dans la topologe vague et bornée. Le processus possonnen Π α,σ est la lmte fable du processus emprque β n, s la lo des ξ k a la queue à varaton régulère [8]. On donne c ce résultat sous la forme de [4]. Théorème 2.5. (Th. 4.3 [4]) Soent ξ, ξ, ξ 2,... des éléments aléatores..d. à valeurs dans IK. Alors β n Π α,σ lorsque n pour α > s et seulement s l exste une mesure fne σ sur B(S) telle que on a { } ξ lm np n ξ B, ξ > rb n = σ(b)r α, (2.4) pour tout r > et B B(S) avec σ( B) =, où b n est de forme (2.3). 6

7 Remarque. La condton (2.4) est typque pour les théorèmes lmtes de somme des éléments aléatores (vor [8] page 54 et [] page 67). Il exste un résultat smlare pour α < (Cor. 4.4 [4]). La lo d un élément aléatore ξ à valeurs dans IK est dte à queue régulère s la condton de varaton régulère (2.4) est vérfée. 2.3 Sére de LePage et domanes d attracton de lo StαS Un élément aléatore X dans IK a la lo strctement α-stable (StαS) s l vérfe la condton (.) de l ntroducton avec les opératons d addton et multplcaton défnes sur IK. Le théorème c-dessous donne une famlle rche de los StαSs par leur décomposton en sére. Théorème 2.6. (Th. 3.6 [4]) Soent {λ k, k } et {ɛ k, k } deux sutes ndépendantes de varables aléatores..d.. Les varables aléatores λ k ont la lo exponentelle standard, les éléments aléatores ɛ k sont de même lo σ( ) qu est une mesure fne normalsée sur S. Notons Γ k = λ + +λ k, k. S la valeur prncpale de l ntégrale xπ α, σ (dx) est fne,.e. A r xπ α, σ (dx) <, avec probablté, alors pour tout z IK(α) et c, la sére ξ α,σ = z + c k= Γ /α k ɛ k (2.5) converge presque sûrement (p.s.) et ξ α,σ admet une lo StαS sur IK. Le paramètre α s appelle l ndce caractérstque et la mesure σ( ) = c α σ( ) s appelle la mesure spectrale. S la norme de IK est sous-nvarante, alors la somme nfne (2.5) converge absolument p.s. pour tout α (, ). Défnton 2.7. Un élément aléatore X à valeurs dans IK appartent au domane d attracton d un élément aléatore StαS, noté ξ α,σ, s pour {X n, n }, une sute de copes ndépendantes de X, on a b n (X + + X n ) ξ α,σ, (2.6) où {b n, n } est une sute de constantes de normalsaton postves et désgne la convergence fable des éléments aléatores à valeurs dans IK. Le fat que l élément aléatore X appartenne au domane d attracton de ξ α,σ sera noté par l écrture X Dom(α, σ). Le théorème suvant montre qu avec une condton supplémentare sur IK la régularté de la queue de la lo de X mplque que X Dom(α, σ) pour < α <. 7

8 Théorème 2.8. (Th. 4.7 [4]) Supposons que IK a la norme sous-nvarante. S la lo d un élément aléatore X IK vérfe la condton (2.4) avec α (, ), alors X appartent au domane d attracton d un élément aléatore StαS qu admet la représentaton du type de LePage (.2) avec Γ k, ɛ k et c qu sont défns comme dans le théorème 2.6. Remarque 2. La condton (2.4) est nécessare et suffsante pour qu un vecteur aléatore à valeurs dans R d appartenne au domane d attracton d une lo StαS avec < α < 2 []. L exstence de la mesure spectrale d une lo StαS dans un espace de Banach séparable est connue. L exstence de la représentaton de LePage d un élément aléatore StαS dans un semgroupe plus général est démontrée dans [4]. Dans la secton suvante nous présentons quelques exemples de los max-stables et α-stables. 3 Quelques exemples et smulaton 3. Los strctement max-stables On consdère les los stables dans le cône (R d +, ). Les vecteurs dans R d + = [, ) d sont notés par x = (x,..., x d ). Les relatons et opératons sont défnes par composante, c est-à-dre pour x, y R d + x < y sgnfe x < y, =,..., d, x y sgnfe x y, =,..., d, x + y := x y = (x y,..., x d y d ), Les rectangles sont notés par ax := (ax,..., ax d ), a >. (a, b) = {(x,..., x d ) a < x < b,..., a d < x d < b d }, [a, b] = {(x,..., x d ) a x b,..., a d x d b d }. Prenons la L -norme,.e. x = max(x,..., x d ). La sphère unté dans cette norme {x x = } est notée par S d. Un vecteur aléatore X = (X (),..., X (d) ) a la lo strctement max-stable s pour tous a, b > ( a /α X () b /α X () 2,..., a/α X (d) ) b /α X (d) L= 2 (a+b) /α (X (),..., X (d) ) 8

9 où X, X 2 sont les copes ndépendantes de X. Sot ɛ, ɛ 2,... une sute de vecteurs aléatores..d. à valeurs dans S d suvant la lo σ. Sot λ, λ 2,... une sute de varables aléatores..d. de lo exponentelle standard et Γ = j= λ j. Les sutes {ɛ } et {Γ } sont ndépendantes. La sére suvante converge absolument p.s. pour tout α > = Γ /α ɛ. (3.) Le résultat drect du théorème 2.6 ndque que cette sére produt un vecteur aléatore strctement max-stable avec l ndce α > et la mesure spectrale σ. Dans la sute on utlse l écrture MS d (α, σ) pour ndquer la lo strctement max-stable d-dmensonnelle d ndce α et de mesure spectrale σ. Sot ξ α,σ un vecteur aléatore de lo MS d (α, σ). Pusque ξ α,σ et la sére (3.) ont la même lo, le maxmum partel suvant donne une approxmaton de la lo de ξ α,σ k ˆξk = Γ /α ɛ. Notons = ɛ = (ɛ (),..., ɛ (d) ) et τ j = mn{ ɛ (j) = }, j =,..., d, =, 2,.... Supposons que P{ɛ (j) = } = p j >, j =,..., d. Le vecteur aléatore ˆξ k converge vers ξ α,σ en probablté lorsque k tend vers l nfn. En effet P{ˆξ k ξ α,σ } = P{ j tel que τ j > k} d P{τ j > k} = La dernère égalté vent du fat que la lo de τ j est géométrque j= d ( p j ) k. P{τ j = n} = P{ɛ (j) <,..., ɛ (j) n <, ɛ(j) n = } = ( p j ) n p j. Notons le processus ponctuel j= Π α,σ ( ) = = δ Γ /α ɛ ( ), (3.2) 9

10 où Γ et ɛ sont défns comme dans (3.). D après la représentaton du processus ponctuel possonnen stable (.3) et la défnton (2.2), la mesure d ntensté de Π α,σ est m α σ. Remarquons que pour tout r >, pusque m α ((r, )) = r α <, on a P{Π α,σ ({x x > r}) < } =. Il y a seulement un nombre fn de ponts du support de Π α,σ qu sont grands. Le fat que ξ α,σ et la sére (3.) ont la même lo mplque que la lo de ξ α,σ ne dépend que des ponts les plus grands du processus Π α,σ. La lo de ξ α,σ est facle à calculer, pour x > P{ξ α,σ [, x]} = P{Π α,σ ([, x] ) = } = exp( m α σ([, x] )). (3.3) La représentaton de LePage (3.) peut être écrte sous la forme suvante ( L ξ α,σ = Γ /α k ɛ () ) k,..., Γ /α k ɛ (d) k = (Γτ /α,..., Γ /α τ d ). k= k= La lo margnale de ξ α,σ peut être obtenue en utlsant le processus ponctuel Π α,σ (j) = = δ Γ /α ɛ (j), j =,..., d. (3.4) S la lo de la composante ɛ (j), notée σ(j), est connue, alors P{ξ (j) α,σ x j } = P{Π α,σ (j)((x j, )) = } = exp( m α σ (j) ((x j, ))). (3.5) Dans les tros exemples c dessous nous utlsons le len entre le processus ponctuel possonnen et la lo strctement max-stable pour dédure la foncton de répartton de la lo avec la mesure spectrale donnée. L exemple présente la mesure spectrale dscrète et concentrée sur les ponts d ntersecton des axes et de la sphère unté. Dans ce cas le vecteur aléatore strctement maxstable a ses composantes ndépendantes. L exemple 2 présente la mesure spectrale unforme. L expresson explcte de la lo jonte est obtenue pour d = 2. L exemple 3 présente la mesure spectrale dans R 2 concentrée sur deux ponts qu ne sont pas nécessarement sur les axes. L exemple pour d = 2 est un cas partculer de l exemple 3. Des vecteurs aléatores strctement max-stables à valeurs dans R 2 avec les mesures spectrales présentées sont smulés en utlsant le maxmum partel de la représentaton de LePage ˆξ k.

11 Exemple. Consdérons le vecteur aléatore ξ α,σ de lo MS d (α, σ) avec d σ( ) = p δ e ( ), = { où e = (e (),..., e (d) ), e (j), = j =, snon et d p =, p, = =,..., d. C est-à-dre la mesure spectrale σ concentrée sur les ponts où les axes et la sphère unté se crosent. Pour chaque, ɛ () est la varable aléatore de lo de Bernoull de paramètre p. En applquant (3.5), on a la lo margnale de ξ α,σ P{ξ () α,σ x } = exp( p x α ). En applquant (3.3), on a la foncton de répartton de ξ α,σ, pour x > ( ) d P{ξ α,σ [, x]} = exp p x α. En concluson, le vecteur aléatore strctement max-stable ξ α,σ a ses composantes ndépendantes s la mesure spectrale est concentrée sur l ntersecton des axes et de la sphère unté. C est un résultat connu qu on peut trouver par exemple dans [8] (Cor. 5.25). La fgure (a.) présente les courbes de nveau de la densté de lo strctement max-stable bvarée d ndce α =.75 et mesure spectrale σ( ) =.5δ {(,)} ( ) +.5δ {(,)} ( ). Exemple 2. Sot σ la mesure unforme sur S d. Sot ɛ le vecteur aléatore untare de lo σ. Avant de consdérer la lo MS d (α, σ), nous montrons que la lo de composante ɛ (), =,..., d, est = σ () ( ) = d I {}( ) + d d µ( )I B([,))( ), (3.6) où µ est la mesure de Lebesgue sur [, ). Pusque ɛ =, on a P{ {,..., d} tel que ɛ () = } =. (3.7) L absolue contnuté de la lo de ɛ mplque que P{ɛ () = ɛ (j) =, j} =. (3.8) En consdérant (3.7), (3.8) et l unformté de la lo de ɛ, on a P{ɛ () = } =, =,..., d. (3.9) d

12 Ans on a P{ɛ () [, )} = d, =,..., d. (3.) d Les égaltés (3.9), (3.) et l absolue contnuté de la lo de ɛ mplquent (3.6). Sot ξ α,σ le vecteur aléatore de lo MS d (α, σ) avec σ unforme. En applquant (3.5), on a la lo margnale de ξ α,σ ( P{ξ α,σ () x } = exp α + d ) (α + )d x α. En effet en notant η la varable aléatore de lo m α, on a m α σ () ((x, )) = P{ηɛ () k > x } = P{η > x, ɛ () = } + P{ηɛ() = d (x ) α + = k x α + d (α + )d x α. x k > x, ɛ () k αt α 2 d d dtdx [, )} De manère analogue on peut dédure de (3.3) la foncton de répartton de ξ α,σ. Il n y a pas d expresson générale pour tout d. Dans le cas où d = 2 la lo jonte de ξ α,σ est ( ) F ξα,σ (x, x 2 ) = exp 2(α + ) (αx ()x α (2) + (α + 2)x α () ), où x () = x x2 et x (2) = x x2. La fgure (b.) présente les courbes de nveau de la densté de lo strctement max-stable bvarée d ndce α =.75 et de mesure spectrale unforme. On dscute fnalement la régularté de la queue de cette lo. En prenant l ensemble B = [(, ), (, t)] ou B = [(, ), (t, )], t, on a pour tout r > où I = P{Π α,σ ((r, ) B), Π α,σ ((tr, ) B ) = } P{ξ α,σ (r, ) B} P{Π α,σ ((r, ) B) } = I 2, I = ( exp( σ(b)r α )) exp( σ(b )(tr) α ) et I 2 = exp( σ(b)r α ). 2

13 On en dédut P{ξ α,σ B (r, )} σ(b)r α lorsque r. Donc la lo de ξ α,σ vérfe la condton de varaton régulère (2.4) a b Fgure Courbes de nveau des denstés réelles (gauche) et emprques (drote) de la lo MS 2 (.75, σ), où σ est dscrète défne dans l exemple (a.), unforme défne dans l exemple 2 (b.). Le nombre de données smulées est 7. Exemple 3. Consdérons le vecteur aléatore ξ α,σ de lo MS 2 (α, σ) avec σ concentrée sur deux ponts σ( ) = pδ e ( ) + qδ e2 ( ), (3.) où e = (, a), e 2 = (b, ), a, b et p + q =. Il est facle de vor que ξ α,σ est à valeurs dans la régon entre deux dem-drotes sortant du pont 3

14 d orgne vers les ponts e et e 2. On en dédut la foncton de répartton exp( px α qx α 2 ), a < x 2/x < /b, P{ξ [, x]} = exp( (pa α + q)x α 2 ), x 2/x < a, exp( (p + qb α )x α ), x 2/x > /b. En notant le moment d arrêt τ = mn{ ɛ = e 2 }, consdérons la probablté que ξ α,σ est à valeurs dans la dem-drote {e (, )} P{ξ α,σ e (, r)} = = = =2 =2 P{ɛ = e, τ =, Γ /α { p λ2 + + λ qp λ < aγ /α, Γ /α < r} } > a α, λ > r α ( p pq( ) aα ) q + pa α exp( (p + qa α )r α ). De manère analogue on a P{ξ α,σ e 2 (, r)} = ( q pq( ) bα ) p + qb α exp( (q + pb α )r α ). S a = b =, alors p = q = et la lo de ξ α,σ est défne sur la dem drote qu dvse le premer quadrant en deux motés égales. S a = b = alors ξ α,σ a ses valeurs strctement à l ntéreur du premer quadrant et ses composantes sont ndépendantes. Cela coïncde avec l exemple. Plus a et b sont proches de, plus l est possble que ξ α,σ est à valeurs sur les dem-drotes. La fgure 2 présente la dépendance des paramètres a, b et α de la densté de MS 2 (α, σ) avec σ défne par (3.). Consdérons la régularté de la queue de cette lo. Défnssons deux vecteurs aléatores ɛ () L = pδe, ɛ (2) L = qδe2. Notons ɛ (), ɛ() 2,... les copes ndépendantes de ɛ(), =, 2. D après le résultat de l amncssement du processus (vor par exemple Prop [9]), les processus Π et Π 2 défns par Π = j= δ Γ /α j ɛ () j, =, 2, sont ndépendants et possonnens. Les mesures d ntensté sont respectvement m α pδ e et m α qδ e2. Prenons l ensemble B = [(, s), (, t)], 4

15 s < a < t. Il est facle de vor que pour tout r > où I = P{Π ((r, ) {e }), Π 2 ((tr, ) {e 2 }) = } P{ξ α,σ (r, ) B} P{π ((r, ) {e }) } = I 2, I = ( exp( pr α )) exp( q(tr) α ) et I 2 = exp( pr α ). Les deux termes I et I 2 sont équvalents à pr α lorsque r, ans on a P{ξ α,σ B (r, )} pr α lorsque r. De même manère, pour B = [(s, ), (t, )], s < b < t on a P{ξ α,σ (r, ) B} qr α s r. La lo de ξ α,σ vérfe la condton de varaton régulère (2.4). 3.2 Los α-stables La dffculté dans l étude de los α-stables est que, sauf pour les cas partculers (α =.5, et 2), l n y a pas de forme explcte pour la densté. Les vecteurs aléatores α-stables sont détermnés par leur foncton caractérstque. Défnton 3.. La foncton caractérstque d un vecteur aléatore α-stable ( < α < 2) dans R d s exprme par l expresson suvante : ( φ α,σ (t) = exp ) ψ α ( t, s )σ(ds) + δ, t, C α S d où S d = {x R d x = }, σ est une mesure fne sur la sphère unté S d, δ est un vecteur dans R d, t, s représente le produt scalare, et C α = { α Γ(2 α) cos(πα/2), α, 2 π, α =, (3.2) ( x α sgn(x) tan πα ψ α (x) = 2 x ), α, ( + π 2 sgn(x) ln x ), α =. 5

16 a b c Fgure 2 Courbes de nveau des denstés réelles (gauche) et emprques (drote) de la lo MS 2 (α, σ) où σ est dscrète défne dans l exemple 3 avec p = q =.5, α =.75 et a = b =.2 (a.), α =.75 et a = b =.5 (b.), α = 3 et a = b =.5. Le nombre de données smulées est 7. 6

17 La lo stable dans R d est spécfée par un nombre α entre et 2 dt ndce de stablté, une mesure fne σ sur S d dte mesure spectrale et un vecteur δ dans R d. Il exste des méthodes numérques pour obtenr la densté et la foncton de répartton approxmatves d une lo stable [5]. Dans le cas undmensonnel la sphère unté ne content que deux ponts,.e. S = {, }. La mesure spectrale σ se rédut à deux valeurs σ( ) et σ(). La foncton caractérstque peut être écrte comme sut φ α,σ (t) = ( exp exp C α t ( α β sgn(t) tan πα ) ) + δt, α, 2 ( + β π ) ) 2 sgn(t) ln t + δt, α =, γ ( γ C α t où γ = σ()+σ( ) et β = (σ() σ( ))/γ. La lo stable undmensonnelle est détermnée par quatre paramètres : α (, 2], β [, ], γ > et δ R. Le paramètre β contrôle l asymétre. La lo est dte basée totalement vers la drote s β = et basée totalement vers la gauche s β =. S β = la densté est symétrque par rapport à δ. Les paramètres γ et δ sont les paramètres d échelle et de poston. Nous utlsons la notaton S d (α, σ, δ) pour la lo α-stable d-dmensonnelle avec d 2, la notaton S (α, β, γ, δ) pour d =. La paramétrsaton qu on rencontre souvent dans les applcatons est celle de Samorodntsky et Taqqu [2]. La dfférence entre notre paramétrsaton et celle de [2] concerne la masse totale de la mesure spectrale σ. Notons σ s le paramètre d échelle s d = et la mesure spectrale s d 2 dans [2]. Dans le cas undmensonnel et dans le cas multdmensonnel γ = C α σ α s, σ( ) = C α σ s ( ), où C α est défne par (3.2). L avantage de notre paramétrsaton est que la mesure spectrale coïncde avec celle qu apparaît dans la proprété de régularté (2.4). Sot X la varable aléatore de lo S (α, β, γ, δ), alors on a { lm x xα P{X > x} = σ(), (3.3) lm x xα P{X < x} = σ( ), où ( + β) ( β) σ() = γ, σ( ) = γ. 2 2 La démonstraton de (3.3) peut être trouvée dans [2], page 6 et 97. 7

18 Proprété. Sot X le vecteur aléatore de lo S d (α, σ, δ). Le vecteur aléatore X est StαS dans R d avec < α 2 s et seulement s (a) α, δ =, (b) α =, S d s (k) σ(ds) =, pour k =, 2,..., d. Proprété 2. Le vecteur aléatore α-stable est symétrque s et seulement s δ = et σ est une mesure symétrque sur S d,.e. pour tout ensemble borélen A dans S d. σ(a) = σ( A) (3.4) Données α-stables smulées Il exste des méthodes connues pour smuler les vecteurs aléatores stables. Chambers et al. [2] ont proposé une méthode pour smuler les varables aléatores stables undmensonnelles arbtrares. Plus récemment une technque précse a été construte dans [23] en utlsant une transformaton non-lnéare d une pare des varables aléatores ndépendantes de lo unforme et de lo exponentelle. Une méthode pour smuler les vecteurs aléatores stables basée sur la dscrétsaton de la mesure spectrale a été présentée par Modarres et Nolan []. Le résultat suvant présenté par R. LePage et al. montre qu on peut smuler des los stables en utlsant la représentaton de sére. Théorème 3.2. ([9], Th. 3) La sére défne par (.2) avec α < ou σ symétrque a la lo StαS. Sot ξ α,σ un vecteur aléatore stable d ndce α et de mesure spectrale σ vérfant la condton du théorème précédent. On smule ξ α,σ en utlsant la somme partelle de la sére de LePage (.2), ˆξ k = k = cγ /α ɛ. (3.5) Dans un premer temps deux los undmensonnelles S (.75,.5,, ) (non symétrque) et S (.75,,, ) (symétrque) sont consdérées. On smule les varables aléatores en utlsant la somme (3.5) avec le nombre de termes k dfférent. Les valeurs 5, 5 et 5 sont utlsées pour smuler la lo stable non symétrque, tands que la lo stable symétrque est smulée avec k = 5, 8

19 et 5. On observe que l approche de la densté emprque à la densté réelle est plus rapde pour la lo stable symétrque, vor la fgure 3. Cela sgnfe que la somme partelle (3.5) donne une bonne approxmaton pour les los α-stables symétrques. Dans le cas non-symétrque, la convergence est lente pour une valeur de k modeste..25 denste reelle k=5 k=5 k= denste reelle k=5 k= k= Fgure 3 Denstés des los S (.75,.5,, ) (haut) et S (.75,,, ) (bas) smulées par la somme partelle de sére de LePage avec dfférentes valeurs de k. Le nombre de données smulées est 7. Ensute les vecteurs aléatores 2-dmensonnels de los.75 et.5-stables avec la mesure spectrale unforme sont smulés. Le nombre de termes de la somme partelle est. On calcule la densté réelle en utlsant la foncton Matlab mvstablepdf dans le package appelé STABLE obtenu sur de- 9

20 mande au ste Les courbes de nveau des denstés réelles et emprques sont présentées dans la fgure 4. Enfn, on smule les vecteurs aléatores 2-dmensonnels de los.5-stables avec les mesures spectrales σ, σ 2 et σ 3 dont les denstés sont défnes par f (θ) = f 2 (θ) = { π, θ [, π 2 ) [π, 3π 2 ),, snon, { 2 cos(2θ), θ [ π 4, π 4 ) [ 3π 4, 5π 4 ),, snon, (3.6) (3.7) f 3 (θ) = cos(2θ), θ [, 2π). (3.8) 4 Ces tros mesures vérfent la condton (3.4), les los strctement stables correspondantes sont donc symétrques. Le package de programmes qu on utlse ne permet pas de calculer la densté de la lo stable avec la mesure spectrale absolument contnue. Nous présentons dans la fgure 5 les denstés de mesure spectrale f et les courbes de nveau des denstés emprques de los S 2 (.5, σ, ), =, 2, 3. Un des usages de ces données est de tester la robustesse des procédures statstques multvarées : engendrer aléatorement l ensemble de données et évaluer les statstques par la procédure consdérée. Un autre usage possble est de calculer la probablté P{X A} pour l ensemble A R d où X est le vecteur aléatore qu on smule. En général le calcul numérque de cette probablté est dffcle, vor par exemple [4] et [5]. On peut les estmer par la méthode standard de Monte-Carlo une fos que nous savons générer les vecteurs aléatores de lo prescrte. Le calcul devent coûteux s on prend le nombre de termes k grand. Donc cette méthode n est pas avantageuse pour la smulaton des los stables non symétrques. Le trosème usage de ces vecteurs est la smulaton dans les domanes d applcaton, par exemple l analyse du portefeulle stable [6]. 4 Concluson Sous l hypothèse de varaton régulère tous les éléments StαSs avec α (, ) peuvent être représentés par la somme des ponts d un processus ponctuel possonnen, dte représentaton de LePage. La représentaton de LePage de la lo strctement max-stable mplque que la lo ne dépend que des ponts les plus grands du processus ponctuel possonnen correspondant. En utlsant cette proprété, on peut dédure les los jontes et margnales des vecteurs aléatores max-stables avec les mesures spectrales données. La proprété de 2

21 2 2 2 a b Fgure 4 Courbes de nveau des denstés réelles (gauche) et emprques (drote) de los α-stables bvarées de mesure spectrale unforme, α =.75 (a.),.5 (b.), k =. Le nombre de données smulées est 7. 2

22 a. p/2 p 3p/2 2p b. p/4 3p/4 5p/4 7p/4 2p c. p/4 3p/4 5p/4 7p/4 2p 2 Fgure 5 Denstés de la mesure spectrale σ, =, 2, 3 défnes par (3.6), (3.7) et (3.8) (gauche) et courbes de nveau des denstés emprques de los S 2 (.5, σ, ), =, 2, 3 (drote), k =. Le nombre de données smulées est 7. 22

23 varaton régulère de la queue des los est vérfée. Les éléments aléatores StαSs vérfant la condton de varaton régulère peuvent être smulés en utlsant la somme partelle de la sére de LePage. Le temps de calcul de smulaton est fable pour les los strctement max-stables et StαSs symétrques. Les résultats de smulaton montrent vsuellement que l ndce α et la mesure spectrale σ mesurent respectvement la dsposton des masses et la dsposton drectonnelle de probablté autour du centre. Références [] A. Araujo and E. Gné. The Central Lmt Theorem for Real and Banach Valued Random Varables. Wley, New York, 98. [2] J. Chambers, C. Mallows, and B. Stuck. A method for smulatng stable random varables. Journal of the Amercan Statstcal Assocaton, 7(354) :34 344, 976. [3] D. J. Daley and D. Vere-Jones. An Introducton to the Theory of Pont Processes. Sprnger, New York, 23. [4] Y. Davydov, I. Molchanov, and Zuyev S. Strctly stable dstrbutons on convex cones. Electron. J. Probab, 3 :259 32, 28. [5] Y. Davydov, V. Paulauskas, and A. Račkauskas. More on p-stable convex sets n banach spaces. Journal of Theoretcal Probablty, 3() :39 64, 2. [6] E. Gné, M. G. Hahn, and J. Znn. Lmt theorems for random sets : An applcaton of probablty n banach space results. Probablty n Banach spaces IV, Proc. Semn., Oberwolfach, 99 :2 35, 982. [7] M. G. Gné, E. et Hahn. Characterzaton and domans of attracton of p-stable random compact sets. Ann. Probab., 3(2) : , 985. [8] K. Kemel and W. Roth. Ordered cones and approxmaton. Sprnger- Verlag Berln, 992. [9] R. LePage, M. Woodroofe, and J. Znn. Convergence to a stable dstrbuton va order statstcs. Ann. Prob., 9 : , 98. [] R. Modarres and J. P. Nolan. A method for smulatng stable random vectors. Computatonal Statstcs, 9 : 9,

24 [] I. S. Molchanov. Theory of Random Sets. Sprnger, London, 25. [2] I.S. Molchanov. Lmt theorems for unons of random closed sets. Sprnger-Verlag, 993. [3] S. Nadarajah. Smulaton of multvarate extreme values. Journal of Statstcal Computaton and Smulaton, 62(4) :395 4, 999. [4] J. P. Nolan and B. Rajput. Calculaton of multdmensonal stable denstes. Communcatons n Statstcs-Smulaton and Computaton, 24(3) :55 566, 995. [5] J.P. Nolan. Numercal calculaton of stable denstes and dstrbuton functons. Stochastc Models, 3(4) : , 997. [6] S. J. Press. Appled Multvarate Analyss. Holt Rnehart and Wnston, New York, 972. [7] S. T. Rachev. Probablty metrcs and the stablty of stochastc models. Wley, Chchester, 99. [8] S. I. Resnck. Extreme Values, Regular Varaton and Pont Processes. Sprnger-Verlag, Berln, 987. [9] S. I. Resnck. Adventures n Stochastc Processes. Brkhauser, Boston, 992. [2] G. Samorodntsky and M. S. Taqqu. Stable Non-Gaussan Random Processes. Chapman & Hall, New York, 994. [2] D. Sh, R.L. Smth, and S.G. Coles. Jont versus margnal estmaton for bvarate extremes. Department of Statstcs, Unversty of North Carolna at Chapel Hll, 992. [22] A. Stephenson. Smulatng multvarate extreme value dstrbutons of logstc type. Extremes, 6() :49 59, 23. [23] R. Weron. On the chambers-mallows-stuck method for smulatng skewed stable random varables. Stat. and Prob. Lett, 28(2) :65 7,