В теории вероятностей и статистике , то обобщенное экстремальное значение ( GEV ) распределение представляет собой семейство непрерывных вероятностных распределений , разработанных в рамках теории экстремальных значений , чтобы объединить Гамбель , Фреш и Вейбулла семью также известную как типа I, распределение экстремальных значений II и III. Согласно теореме об экстремальных значениях, распределение GEV является единственно возможным предельным распределением правильно нормированных максимумов последовательности независимых и одинаково распределенных случайных величин. [2]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 в честь Рональда Фишера и LHC Tippett, которые распознали три различные формы, описанные ниже. Однако использование этого имени иногда ограничивается особым случаем распределения Gumbel . Происхождение общей функциональной формы для всех трех распределений восходит, по крайней мере, к Дженкинсону, А.Ф. (1955), [3], хотя предположительно [4] она также могла быть дана Мизесом, Р. (1936). [5]
СОДЕРЖАНИЕ
1 Спецификация
2 Сводная статистика
3 Связь с семьями Фреше, Вейбулл и Гумбель
3.1 Модификация минимумов, а не максимумов
3.2 Альтернативное соглашение для распределения Вейбулла
3.3 Диапазоны распределений
3.4 Распределение переменных журнала
4 Ссылка на логит-модели (логистическая регрессия)
5 Недвижимость
6 приложений
6.1 Пример для нормально распределенных переменных
7 Связанные дистрибутивы
7.1 Доказательства
8 См. Также
9 ссылки
10 Дальнейшее чтение
Спецификация [ править ]
Использование стандартизованной переменной, где параметр местоположения может быть любым действительным числом, а является параметром масштаба; тогда кумулятивная функция распределения распределения GEV имеет вид
где параметр формы может быть любым действительным числом. Таким образом, для , выражение действительно для, в то время как для оно действительно для. В первом случае это отрицательная нижняя конечная точка, где равно 0; во втором случае - положительная верхняя конечная точка, где равно 1. Поскольку второе выражение формально не определено и заменяется первым выражением, которое является результатом взятия предела второго, как в этом случае может быть любым действительным числом.
В частном случае среднее так и ≈ для любых значений и могло бы иметь.
Функция плотности вероятности стандартизованного распределения имеет вид
снова действительно для случая и для случая . Плотность равна нулю за пределами соответствующего диапазона. В случае, если плотность положительна на всей реальной прямой.
Поскольку кумулятивная функция распределения обратима, функция квантили для распределения GEV имеет явное выражение, а именно:
и поэтому квантильная функция плотности равна
действительно для и для любого реального
Сводная статистика [ править ]
Вот некоторые простые статистические данные о распределении: [ необходима цитата ]
за
Перекос для ξ> 0
При ξ <0 знак числителя меняется на противоположный.
Избыточный эксцесс :
где , k = 1,2,3,4, - гамма-функция .
Связь с семьями Фреше, Вейбуллов и Гумбелей [ править ]
Параметр формы определяет поведение хвоста распределения. Суб семьи , определенные , и соответствуют, соответственно, к Гамбель, Фреше и Вейбулла семей, чьи кумулятивное распределение функций показаны ниже.
Гамбель или распределение экстремальных значений типа I ( )
Распределение экстремальных значений Фреше или типа II, если и
Обратное распределение Вейбулла или распределение экстремальных значений типа III, если и
В следующих подразделах говорится о свойствах этих распределений.
Модификация для минимумов, а не максимумов [ править ]
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, путем замены (- x ) вместо x в функции распределения и вычитания из единицы: это дает отдельное семейство распределений.
Альтернативное соглашение для распределения Вейбулла [ править ]
Обычное распределение Вейбулла возникает в приложениях надежности и получается из распределения здесь с использованием переменной , которая дает строго положительную поддержку - в отличие от использования в теории экстремальных значений здесь. 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 раздач [ править ]
Обратите внимание на различия в диапазонах, представляющих интерес для трех распределений экстремальных значений: Gumbel не ограничен, Fréchet имеет нижний предел, а обратный Weibull имеет верхний предел. Точнее, теория экстремальных значений (одномерная теория) описывает, какой из трех является ограничивающим законом в соответствии с исходным законом X и, в частности, в зависимости от его хвоста.
Распределение переменных журнала [ править ]
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 поддержки, т.е. тогда кумулятивная функция распределения имеет тип I, а именно . Точно так же, если кумулятивная функция распределения относится к типу III и с отрицательными числами в качестве поддержки, т. Е. Тогда кумулятивная функция распределения имеет тип I, а именно .
Ссылка на логит-модели (логистическая регрессия) [ править ]
Полиномиальные логит- модели и некоторые другие типы логистической регрессии можно сформулировать как модели со скрытыми переменными с переменными ошибок, распределенными как распределения Гамбеля (обобщенные распределения экстремальных значений типа I). Эта формулировка распространена в теории моделей дискретного выбора , которые включают логит-модели , пробит-модели и их различные расширения, и вытекает из того факта, что разница двух переменных, распределенных GEV типа I, следует логистическому распределению , из которых функция логит является квантиль функции. Таким образом, распределение GEV типа I играет в этих логит-моделях ту же роль, что и нормальное распределение в соответствующих пробит-моделях.
Свойства [ править ]
Интегральная функция распределения обобщенного распределения экстремальных значений решает стабильность постулат уравнение. [ необходимая цитата ] Обобщенное распределение экстремальных значений является частным случаем max-устойчивого распределения и является преобразованием min-устойчивого распределения.
Приложения [ править ]
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 . [6] [7]
Соответствующее распределение вероятности GEV для месячного максимума однодневных осадков в октябре, Суринам [8]
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. [9]
В гидрологии распределение GEV применяется к экстремальным явлениям, таким как годовые максимальные однодневные осадки и сток реки. Синяя картинка, сделанная с помощью CumFreq , иллюстрирует пример подгонки распределения GEV к ранжированным годовым максимальным однодневным осадкам, показывая также пояс уверенности 90%, основанный на биномиальном распределении . Данные об осадках представлены в виде точек на графике как часть кумулятивного частотного анализа .
Пример для нормально распределенных переменных [ править ]
Пусть будет iid. 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 дистрибутивы [ править ]
Если тогда
Если ( распределение Гамбеля ), то
Если ( распределение Вейбулла ), то
Если то ( распределение Вейбулла )
Если ( Экспоненциальное распределение ), то
Если и затем (см. Логистическое_распределение ).
Если и то (сумма не является логистическим распределением). Обратите внимание на это .
Доказательства [ править ]
4. Пусть , тогда кумулятивное распределение составляет:
который является cdf для .
5. Пусть , тогда кумулятивное распределение составляет:
что является совокупным распределением .
См. Также [ править ]
Теория экстремальных значений (одномерная теория)
Теорема Фишера – Типпета – Гнеденко.
Обобщенное распределение Парето
Проблема с немецкими танками , противоположный вопрос о максимальной численности населения на максимальном уровне
Теорема Пикандса – Балкемы – де Хаана.
Ссылки [ править ]
^ а б Муралидхаран. Г., К. Гедес Соарес и Клаудиа Лукас (2011). «Характеристические и порождающие моменты функции обобщенного распределения экстремальных значений (GEV)». В Линде. Л. Райт (ред.), Повышение уровня моря, прибрежная инженерия, береговые линии и приливы , Глава 14, стр. 269–276. Издательство Nova Science. ISBN 978-1-61728-655-1
^ Хаан, Лоренс; Феррейра, Ана (2007). Теория экстремальных ценностей: введение . Springer.
^ Дженкинсон, Артур F (1955). «Частотное распределение годовых максимальных (или минимальных) значений метеорологических элементов». Ежеквартальный журнал Королевского метеорологического общества . 81 (348): 158–171. DOI : 10.1002 / qj.49708134804 .
^ Хаан, Лоренс; Феррейра, Ана (2007). Теория экстремальных ценностей: введение . Springer.
^ Мизес, Р. фон. (1936). "La distribution de la plus grande de n valeurs". Rev. Math. Union Interbalcanique 1 : 141–160.
^ Москаделли, Марко. «Моделирование операционного риска: опыт анализа данных, собранных Базельским комитетом». Доступен по SSRN 557214 (2004).
^ Guégan, D .; Хассани, Б.К. (2014), «Математическое возрождение управления рисками: экстремальное моделирование мнений экспертов», Frontiers in Finance and Economics , 11 (1): 25–45, SSRN 2558747
^ CumFreq для подгонки распределения вероятностей [1]
^ Kjersti Aas, лекции, NTNU, Трондхейм, 23 января 2008
Дальнейшее чтение [ править ]
Эмбрехтс, Пол; Клюппельберг, Клаудиа ; 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 с ними свойства случайных последовательностей и процессов . Springer-Verlag. ISBN 0-387-90731-9.CS1 maint: multiple names: authors list (link)
Резник, С.И. (1987). Экстремальные значения, регулярные вариации и точечные процессы . Springer-Verlag. ISBN 0-387-96481-9.
Коулз, Стюарт (2001). Введение в статистическое моделирование экстремальных значений . Springer-Verlag. ISBN 1-85233-459-2.
vтеРаспределения вероятностей ( Список )
Дискретная одномерная с конечной опорой
Бенфорд
Бернулли
бета-бином
биномиальный
категоричный
гипергеометрический
Бином Пуассона
Радемахер
солитон
дискретная униформа
Zipf
Ципф – Мандельброт
Дискретная одномерная с бесконечной поддержкой
бета-отрицательный бином
Борель
Конвей – Максвелл – Пуассон
дискретная фаза
Delaporte
расширенный отрицательный бином
Флори-Шульц
Гаусс – Кузьмин
геометрический
логарифмический
отрицательный бином
Panjer
параболический фрактал
Пуассон
Скеллам
Юл – Саймон
Зета
Непрерывная одномерная с опорой на ограниченном интервале
арксинус
АРГУС
Болдинг – Николс
Бейтс
бета
бета прямоугольный
непрерывный Бернулли
Ирвин – Холл
Кумарасвами
логит-нормальный
нецентральная бета
ПЕРТ
приподнятый косинус
взаимный
треугольный
U-квадратичный
униформа
Полукруг Вигнера
Непрерывная одномерная с опорой на полубесконечном интервале
Бенини
Benktander 1-го рода
Benktander 2-го рода
бета прайм
Заусенец
хи-квадрат
чи
Дагум
Дэвис
экспоненциально-логарифмический
Erlang
экспоненциальный
F
сложенный нормальный
Фреше
гамма
гамма / Gompertz
обобщенная гамма
обобщенный обратный гауссовский
Gompertz
полулогистический
наполовину нормальный
Ти- квадрат Хотеллинга
гипер-Эрланг
гиперэкспоненциальный
гипоэкспоненциальный
обратный хи-квадрат
масштабированный обратный хи-квадрат
обратный гауссовский
обратная гамма
Колмогоров
Леви
журнал-Коши
лог-Лаплас
логистика
нормальный логарифм
Lomax
матрично-экспоненциальный
Максвелл – Больцманн
Максвелл – Юттнер
Mittag-Leffler
Накагами
нецентральный хи-квадрат
нецентральный F
Парето
фазовый
поли-Вейбулл
Рэлей
релятивистский Брейт – Вигнер
Рис
сдвинутый Гомпертц
усеченный нормальный
Тип-2 Гамбель
Weibull
дискретный Weibull
Лямбда Уилкса
Непрерывная одномерная поддерживается на всей реальной линии
Коши
экспоненциальная степень
Фишера z
Гауссовский q
обобщенный нормальный
обобщенный гиперболический
геометрическая конюшня
Гамбель
Holtsmark
гиперболический секанс
Джонсон S U
Ландо
Лаплас
асимметричный лаплас
логистический
нецентральный т
нормальный (гауссовский)
нормально-обратный гауссовский
перекос нормально
слэш
стабильный
Студенческий т
Тип-1 Гамбель
Трейси-Уидом
дисперсия-гамма
Voigt
Непрерывный одномерный с опорой, тип которой варьируется