Обозначение | |
---|
Параметры | μ ∈ R— местоположение,. σ>0 - масштаб,. ξ ∈ R— shape. |
---|
Поддержка | x ∈ [μ - σ / ξ, + ∞) при ξ>0,. x ∈ (−∞, + ∞) при ξ = 0,. x ∈ (−∞, μ - σ / ξ], когда ξ < 0. |
---|
PDF | где |
---|
CDF | для x ∈ support |
---|
Среднее | где g k= Γ (1 - kξ),. и - константа Эйлера t. |
---|
Медиана | |
---|
Режим | |
---|
Дисперсия | . |
---|
Асимметрия | . где - знаковая функция . и - это дзета-функция Римана |
---|
Пример. эксцесс | |
---|
Энтропия | |
---|
MGF | |
---|
CF | |
---|
В теории вероятностей и статистике, обобщенное экстремальное значение (GEV ) распределение является семейством непрерывных распределений вероятностей, разработанных в рамках теории экстремальных значений для объединения также известных семейств Gumbel, Fréchet и Weibull как распределения экстремальных значений I, II и III типов. Согласно теореме об экстремальных значениях распределение GEV является единственно возможным предельным распределением правильно нормализованных максимумов последовательности независимых и одинаково распределенных случайных величин. Обратите внимание, что должно существовать предельное распределение, которое требует условий регулярности в хвосте распределения. Несмотря на это, распределение GEV часто используется в качестве приближения для моделирования максимумов длинных (конечных) последовательностей случайных величин.
В некоторых областях применения обобщенное распределение экстремальных значений известно как распределение Фишера – Типпетта, названное в честь Рональда Фишера и Л. Х. К. Типпет, который распознал три различные формы, описанные ниже. Однако использование этого имени иногда ограничивается особым случаем распределения Gumbel. Происхождение общей функциональной формы для всех трех дистрибутивов восходит, по крайней мере, к Дженкинсону, А.Ф. (1955), хотя якобы это могло быть также дано Мизесом, Р. (1936).
Содержание
- 1 Спецификация
- 2 Сводная статистика
- 3 Ссылка на семейства Fréchet, Weibull и Gumbel
- 3.1 Изменение минимумов, а не максимумов
- 3.2 Альтернативное соглашение для распределения Вейбулла
- 3.3 Диапазоны распределений
- 3.4 Распределение переменных журнала
- 4 Ссылка на модели логита (логистическая регрессия)
- 5 Свойства
- 6 Приложения
- 6.1 Пример для нормально распределенных переменных
- 7 Связанные распределения
- 8 См. также
- 9 Ссылки
- 10 Дополнительная литература
Спецификация
Использование стандартизованной переменной где параметр местоположения, может быть любым действительным числом, а - параметр масштаба; тогда кумулятивная функция распределения GEV-распределения равна
где параметр формы, может быть любым действительным числом. Таким образом, для , выражение действительно для в то время как для это действительно для . В первом случае - отрицательная нижняя конечная точка, где равно 0; во втором случае - положительная верхняя конечная точка, где равно 1. Для второе выражение формально не определено и заменяется первым выражением, которое является результатом взятия предела во-вторых, как , и в этом случае может быть любым действительным числом.
В частном случае среднего поэтому и ≈ для любых значений и , которые могут иметь.
Функция плотности вероятности стандартизованного распределения:
снова действительно для в случае и для в случае плотность равна нулю за пределами соответствующего диапазона. В случае плотность положительна на всей действительной прямой.
Поскольку кумулятивная функция распределения обратима, функция квантиля для распределения GEV имеет явное выражение, а именно
и, следовательно, функция плотности квантиля равно
действительно для и для любого реального
Сводная статистика
Вот некоторые простые статистические данные распределения:
- для
асимметрия означает ξ>0
Для ξ <0, the sign of the numerator is reversed.
превышение эксцесса составляет:
где , k = 1,2,3, 4 и - это гамма-функция.
Ссылка на семейства Фреше, Вейбулла и Гамбеля
Параметр формы управляет поведением хвоста распределения. Подсемейства, определенные в , и соответствуют, соответственно, семействам Гамбель, Фреше и Вейбулла кумулятивные функции распределения показаны ниже.
- Гамбель или распределение экстремальных значений типа I ()
- Фреше или распределение экстремальных значений типа II, если и
- Перевернутое Weibull или тип III extreme распределение значений, если и
В следующих пунктах упоминаются свойства этих распределений.
Модификация для минимумов, а не для максимумов
Теория здесь относится к максимумам данных, и обсуждаемое распределение является распределением экстремальных значений для максимумов. Обобщенное распределение экстремальных значений для минимумов данных может быть получено, например, заменой (-x) вместо x в функции распределения и вычитанием из единицы: это дает отдельное семейство распределений.
Альтернативное соглашение для распределения Вейбулла
Обычное распределение Вейбулла возникает в приложениях надежности и получается из распределения здесь с использованием переменной , что дает строго положительную поддержку - в отличие от использования здесь в теории экстремальных значений. Это происходит потому, что обычное распределение Вейбулла используется в случаях, когда речь идет о минимумах данных, а не о максимумах данных. Распределение здесь имеет дополнительный параметр по сравнению с обычной формой распределения Вейбулла и, кроме того, обратное, так что распределение имеет верхнюю границу, а не нижнюю границу. Важно отметить, что в приложениях GEV верхняя граница неизвестна и поэтому должна быть оценена, в то время как при применении обычного распределения Вейбулла в приложениях надежности нижняя граница обычно равна нулю.
Диапазоны распределений
Обратите внимание на различия в диапазонах, представляющих интерес для трех распределений экстремальных значений: Gumbel не ограничен, Fréchet имеет нижний предел, тогда как перевернутый Weibull имеет верхний предел. Точнее, Теория экстремальных значений (Теория одномерных) описывает, какой из трех является ограничивающим законом в соответствии с исходным законом X и, в частности, в зависимости от его хвоста.
Распределение переменных журнала
Тип I можно связать с типами II и III следующим образом: если кумулятивная функция распределения некоторой случайной величины относится к типу II и с положительными числами в качестве опоры, т. Е. , то кумулятивная функция распределения имеет тип I, а именно . Аналогично, если кумулятивная функция распределения относится к типу III и с отрицательными числами в качестве поддержки, то есть , то кумулятивная функция распределения относится к типу I, а именно: .
Ссылка на логит-модели (логистическая регрессия)
Полиномиальные логит-модели и некоторые другие типы логистической регрессии могут быть сформулированы как модели скрытых переменных с переменные ошибок распределены как распределения Гамбеля (обобщенные распределения экстремальных значений типа I). Эта формулировка распространена в теории моделей дискретного выбора, которые включают логит-модели, пробит-модели и различные их расширения, и происходит из того факта, что разница двух переменных, распределенных GEV типа I, следует логистическому распределению, из которых логит-функция является функцией квантиля. Таким образом, распределение GEV типа I играет в этих логит-моделях ту же роль, что и нормальное распределение в соответствующих пробит-моделях.
Свойства
кумулятивная функция распределения обобщенного распределения экстремальных значений решает уравнение постулата устойчивости. Обобщенное распределение экстремальных значений является частным случаем max-устойчивого распределения и представляет собой преобразование min-устойчивого распределения.
Приложения
- Распределение GEV широко используется для обработки «хвостовых рисков» в самых разных областях, от страхования до финансов. В последнем случае это рассматривалось как средство оценки различных финансовых рисков с помощью таких показателей, как Стоимость под риском.
Соответствующее распределение вероятности GEV для месячных максимальных однодневных осадков в октябре, Суринам
- Однако, было обнаружено, что результирующие параметры формы лежат в диапазоне, ведущем к неопределенным средним и дисперсиям, что подчеркивает тот факт, что надежный анализ данных часто невозможен.
- В гидрологии распределение GEV применяется к экстремальным явлениям например, максимальное годовое количество осадков за один день и сток рек. Синяя картинка, сделанная с помощью CumFreq, иллюстрирует пример подгонки распределения GEV к ранжированным годовым максимальным однодневным осадкам, показывая также 90% доверительный пояс на основе бинома . распределение. Данные об осадках представлены позициями как часть кумулятивного частотного анализа.
Пример для нормально распределенных переменных
Пусть быть идентификатором. нормально распределенные случайные величины со средним 0 и дисперсией 1. Теорема Фишера – Типпета – Гнеденко говорит нам, что , где
.
Это позволяет нам оценить, например, среднее значение от среднего значения распределения GEV:
Связанные распределения
- Если , затем
- Если (распределение Гамбеля ), тогда
- Если (Weibull распределение ), затем
- Если , затем (Распределение Вейбулла )
- Если (Экспоненциальное распределение ), то
- Если и затем (см. Logistic_distribution ).
- Если и , затем (сумма не является логистическим распределением). Обратите внимание, что .
Доказательства
4. Пусть , тогда кумулятивное распределение - это:
который представляет собой cdf для .
5. Пусть , тогда кумулятивное распределение - это:
, который представляет собой совокупное распределение .
См. также
Ссылки
Дополнительная литература
- Embrechts, Paul; Клюппельберг, Клаудия ; Микош, Томас (1997). Моделирование экстремальных событий для страхования и финансов. Берлин: Springer Verlag. ISBN 9783540609315.
- Лидбеттер, М.Р., Линдгрен, Г. и Рутцен, Х. (1983). Крайности и связанные свойства случайных последовательностей и процессов. Springer-Verlag. ISBN 0-387-90731-9. CS1 maint: несколько имен: список авторов (ссылка )
- Resnick, SI (1987). Экстремальные значения, регулярные вариации и точечные процессы. Springer-Verlag. ISBN 0-387-96481-9.
- Коулс, Стюарт (2001). Введение в статистическое моделирование экстремальных значений. Springer-Verlag. ISBN 1-85233-459-2.