WikiDer > Обобщенное распределение Парето

эта статья нужны дополнительные цитаты для проверка. Пожалуйста помоги улучшить эту статью к добавление цитат в надежные источники. Материал, не полученный от источника, может быть оспорен и удален. Найдите источники: «Обобщенное распределение Парето» – Новости · газеты · книги · ученый · JSTOR (Март 2012 г.) (Узнайте, как и когда удалить этот шаблон сообщения)

Обобщенное распределение Парето

Функция плотности вероятности Функции распределения GPD для ${ displaystyle mu = 0}$ и разные значения ${ displaystyle sigma}$ и ${ Displaystyle xi}$
Кумулятивная функция распределения
Параметры	${ Displaystyle му в (- infty, infty) ,}$ место расположения (настоящий) ${ Displaystyle сигма в (0, infty) ,}$ масштаб (реальный) ${ Displaystyle хи в (- infty, infty) ,}$ форма (реальный)
Поддерживать	${ Displaystyle х geqslant му , ; ( xi geqslant 0)}$ ${ Displaystyle му leqslant x leqslant mu - sigma / xi , ; ( xi <0)}$
PDF	${ displaystyle { frac {1} { sigma}} (1+ xi z) ^ {- (1 / xi +1)}}$ где ${ Displaystyle Z = { гидроразрыва {x- mu} { sigma}}}$
CDF	${ Displaystyle 1- (1+ xi z) ^ {- 1 / xi} ,}$
Иметь в виду	${ Displaystyle му + { гидроразрыва { sigma} {1- xi}} , ; ( xi <1)}$
Медиана	${ displaystyle mu + { frac { sigma (2 ^ { xi} -1)} { xi}}}$
Режим
Дисперсия	${ Displaystyle { гидроразрыва { sigma ^ {2}} {(1- xi) ^ {2} (1-2 xi)}} , ; ( xi <1/2)}$
Асимметрия	${ Displaystyle { гидроразрыва {2 (1+ xi) { sqrt {1-2 xi}}} {(1-3 xi)}} , ; ( xi <1/3)}$
Ex. эксцесс	${ displaystyle { frac {3 (1-2 xi) (2 xi ^ {2} + xi +3)} {(1-3 xi) (1-4 xi)}} - 3 , ; ( xi <1/4)}$
Энтропия	${ Displaystyle журнал ( сигма) + xi +1}$
MGF	${ Displaystyle е ^ { тета му} , сумма _ {j = 0} ^ { infty} left [{ frac {( theta sigma) ^ {j}} { prod _ {к = 0} ^ {j} (1-k xi)}} right], ; (k xi <1)}$
CF	${ displaystyle e ^ {it mu} , sum _ {j = 0} ^ { infty} left [{ frac {(it sigma) ^ {j}} { prod _ {k = 0 } ^ {j} (1-k xi)}} right], ; (k xi <1)}$
Метод моментов	${ displaystyle xi = { frac {1} {2}} left (1 - { frac {(E [X] - mu) ^ {2}} {V [X]}} right)}$ ${ Displaystyle sigma = (Е [X] - му) (1- xi)}$

В статистика, то обобщенное распределение Парето (GPD) - это семейство непрерывных распределения вероятностей. Его часто используют для моделирования хвостов другого распределения. Его определяют три параметра: местоположение ${ displaystyle mu}$, масштаб ${ displaystyle sigma}$, и форма ${ Displaystyle xi}$.^[1][2] Иногда это определяется только масштабом и формой^[3] а иногда только по параметру формы. В некоторых ссылках параметр формы указывается как ${ Displaystyle каппа = - хи ,}$.^[4]

Определение

Стандартная кумулятивная функция распределения (cdf) GPD определяется как^[5]

${ Displaystyle F _ { xi} (z) = { begin {case} 1- left (1+ xi z right) ^ {- 1 / xi} & { text {for}} xi neq 0, 1-e ^ {- z} & { text {for}} xi = 0. end {cases}}}$

где поддержка ${ Displaystyle г geq 0}$ за ${ displaystyle xi geq 0}$ и ${ Displaystyle 0 Leq Z Leq -1 / xi}$ за ${ displaystyle xi <0}$. Соответствующая функция плотности вероятности (PDF) есть

${ displaystyle f _ { xi} (z) = { begin {case} (1+ xi z) ^ {- { frac { xi +1} { xi}}} & { text {for} } xi neq 0, e ^ {- z} & { text {for}} xi = 0. end {case}}}$

Характеристика

Связанное семейство распределений в масштабе местоположения получается заменой аргумента z к ${ displaystyle { frac {x- mu} { sigma}}}$ и соответствующим образом отрегулировать опору.

В кумулятивная функция распределения из ${ Displaystyle X sim GPD ( mu, sigma, xi)}$ (${ displaystyle mu in mathbb {R}}$, ${ displaystyle sigma> 0}$, и ${ displaystyle xi in mathbb {R}}$) является

${ Displaystyle F _ {( му, sigma, xi)} (х) = { begin {case} 1- left (1 + { frac { xi (x- mu)} { sigma} } right) ^ {- 1 / xi} & { text {for}} xi neq 0, 1- exp left (- { frac {x- mu} { sigma}} right) & { text {for}} xi = 0, end {case}}}$

где поддержка ${ displaystyle X}$ является ${ Displaystyle х geqslant mu}$ когда ${ Displaystyle хи geqslant 0 ,}$, и ${ Displaystyle му leqslant х leqslant му - sigma / xi}$ когда ${ displaystyle xi <0}$.

В функция плотности вероятности (pdf) из ${ Displaystyle X sim GPD ( mu, sigma, xi)}$ является

${ displaystyle f _ {( mu, sigma, xi)} (x) = { frac {1} { sigma}} left (1 + { frac { xi (x- mu)} { sigma}} right) ^ { left (- { frac {1} { xi}} - 1 right)}}$,

опять же, для ${ Displaystyle х geqslant mu}$ когда ${ displaystyle xi geqslant 0}$, и ${ Displaystyle му leqslant х leqslant му - sigma / xi}$ когда ${ displaystyle xi <0}$.

PDF-файл является решением следующих дифференциальное уравнение:^{[нужна цитата]}

${ displaystyle left {{ begin {array} {l} f '(x) (- mu xi + sigma + xi x) + ( xi +1) f (x) = 0, f (0) = { frac { left (1 - { frac { mu xi} { sigma}} right) ^ {- { frac {1} { xi}} - 1}} { sigma}} end {array}} right }}$

Особые случаи

• Если форма ${ Displaystyle xi}$ и расположение ${ displaystyle mu}$ оба равны нулю, GPD эквивалентно экспоненциальное распределение.
• С формой ${ displaystyle xi> 0}$ и расположение ${ Displaystyle му = сигма / xi}$, GPD эквивалентен Распределение Парето со шкалой ${ displaystyle x_ {m} = sigma / xi}$ и форма ${ Displaystyle альфа = 1 / xi}$.
• Если ${ displaystyle X}$ ${ displaystyle sim}$ ${ displaystyle GPD}$ ${ displaystyle (}$${ displaystyle mu = 0}$, ${ displaystyle sigma}$, ${ Displaystyle xi}$ ${ displaystyle)}$, тогда ${ Displaystyle Y = журнал (X) sim exGPD ( sigma, xi)}$ [1]. (exGPD означает экспоненциальное обобщенное распределение Парето.)
• GPD похож на Распределение заусенцев.

Генерация обобщенных случайных величин Парето

Генерация случайных величин GPD

Если U является равномерно распределены на (0, 1], то

${ displaystyle X = mu + { frac { sigma (U ^ {- xi} -1)} { xi}} sim GPD ( mu, sigma, xi neq 0)}$

и

${ displaystyle X = mu - sigma ln (U) sim GPD ( mu, sigma, xi = 0).}$

Обе формулы получаются путем обращения cdf.

В Matlab Statistics Toolbox вы можете легко использовать команду «gprnd» для генерации обобщенных случайных чисел Парето.

GPD как смесь экспоненциально-гамма

Случайная величина GPD также может быть выражена как экспоненциальная случайная величина с параметром распределенной скорости гамма.

${ Displaystyle X | Lambda sim Exp ( Lambda)}$

и

${ displaystyle Lambda sim Gamma ( alpha, beta)}$

тогда

${ Displaystyle X сим GPD ( xi = 1 / альфа, sigma = beta / alpha)}$

Однако обратите внимание, что, поскольку параметры для гамма-распределения должны быть больше нуля, мы получаем дополнительные ограничения, которые:${ Displaystyle xi}$ должен быть положительным.

Экспоненциальное обобщенное распределение Парето

Возведенное в степень обобщенное распределение Парето (exGPD)

PDF-файл ${ Displaystyle exGPD ( sigma, xi)}$ (экспоненциальное обобщенное распределение Парето) для разных значений ${ displaystyle sigma}$ и ${ Displaystyle xi}$.

Если ${ Displaystyle X sim GPD}$ ${ displaystyle (}$${ displaystyle mu = 0}$, ${ displaystyle sigma}$, ${ Displaystyle xi}$ ${ displaystyle)}$, тогда ${ Displaystyle Y = журнал (X)}$ распределяется согласно экспоненциальное обобщенное распределение Парето, обозначаемый ${ displaystyle Y}$ ${ displaystyle sim}$ ${ displaystyle exGPD}$ ${ displaystyle (}$${ displaystyle sigma}$, ${ Displaystyle xi}$ ${ displaystyle)}$.

В функция плотности вероятности(pdf) из ${ displaystyle Y}$ ${ displaystyle sim}$ ${ displaystyle exGPD}$ ${ displaystyle (}$${ displaystyle sigma}$, ${ Displaystyle xi}$ ${ Displaystyle) , , ( sigma> 0)}$ является

${ displaystyle g _ {( sigma, xi)} (y) = { begin {case} { frac {e ^ {y}} { sigma}} { bigg (} 1 + { frac { xi e ^ {y}} { sigma}} { bigg)} ^ {- 1 / xi -1} , , , , { text {for}} xi neq 0, { frac {1} { sigma}} e ^ {ye ^ {y} / sigma} , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , { text {for}} xi = 0, конец {case}}}$

где поддержка ${ Displaystyle - infty <у < infty}$ за ${ displaystyle xi geq 0}$, и ${ displaystyle - infty$ за ${ displaystyle xi <0}$.

Для всех ${ Displaystyle xi}$, то ${ displaystyle log sigma}$ становится параметром местоположения. См. Правую панель для PDF, когда фигура ${ Displaystyle xi}$ положительный.

В exGPD имеет конечные моменты всех порядков для всех ${ displaystyle sigma> 0}$ и ${ Displaystyle - infty < xi < infty}$.

В отклонение из ${ Displaystyle exGPD ( sigma, xi)}$ как функция ${ Displaystyle xi}$. Обратите внимание, что разница зависит только от ${ Displaystyle xi}$. Красная пунктирная линия представляет дисперсию, оцененную при ${ Displaystyle xi = 0}$, это, ${ Displaystyle psi ^ {'} (1) = pi ^ {2} / 6}$.

В момент-производящая функция из ${ Displaystyle Y sim exGPD ( sigma, xi)}$ является

${ Displaystyle M_ {Y} (s) = E [e ^ {sY}] = { begin {case} - { frac {1} { xi}} { bigg (} - { frac { sigma) } { xi}} { bigg)} ^ {s} B (s + 1, -1 / xi) , , , , , , , , , , , , { text {for}} s in (-1, infty), xi <0, { frac {1} { xi}} { bigg (} { frac { sigma} { xi}} { bigg)} ^ {s} B (s + 1,1 / xi -s) , , , , , , , , , , , , , , , , , { text {for}} s in (-1,1 / xi), xi> 0, sigma ^ {s} Gamma (1 + s) , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , { text {for}} s in (-1, infty), xi = 0, end {case}}}$

где ${ Displaystyle В (а, б)}$ и ${ Displaystyle Gamma (а)}$ обозначить бета-функция и гамма-функциясоответственно.

В ожидаемое значение из ${ displaystyle Y}$ ${ displaystyle sim}$ ${ displaystyle exGPD}$ ${ displaystyle (}$${ displaystyle sigma}$, ${ Displaystyle xi}$ ${ displaystyle)}$ зависит от масштаба ${ displaystyle sigma}$ и форма ${ Displaystyle xi}$ параметры, а ${ Displaystyle xi}$ участвует через функция дигаммы:

${ displaystyle E [Y] = { begin {case} log { bigg (} - { frac { sigma} { xi}} { bigg)} + psi (1) - psi ( -1 / xi +1) , , , , , , , , , , , , , , { text {for}} xi <0, log { bigg (} { frac { sigma} { xi}} { bigg)} + psi (1) - psi (1 / xi) , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , { text {for}} xi> 0, log sigma + psi (1) , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , { text {for}} xi = 0. end {case}}}$

Обратите внимание, что для фиксированного значения для ${ Displaystyle хи в (- infty, infty)}$, то ${ displaystyle log sigma}$ играет роль параметра местоположения при экспоненциальном обобщенном распределении Парето.

В отклонение из ${ displaystyle Y}$ ${ displaystyle sim}$ ${ displaystyle exGPD}$ ${ displaystyle (}$${ displaystyle sigma}$, ${ Displaystyle xi}$ ${ displaystyle)}$ зависит от параметра формы ${ Displaystyle xi}$ только через полигамма функция порядка 1 (также называемый функция тригаммы):

${ displaystyle Var [Y] = { begin {case} psi ^ {'} (1) - psi ^ {'} (- 1 / xi +1) , , , , , , , , , , , , , { text {for}} xi <0, psi ^ {'} (1) + psi ^ {'} (1 / xi ) , , , , , , , , , , , , , , , , , , , , , , , , , , , , { text {for}} xi> 0, psi ^ {'} (1) , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , { text {for}} xi = 0. end {case}}}$

На правой панели показано отклонение как функцию ${ Displaystyle xi}$. Обратите внимание, что ${ displaystyle psi ^ {'} (1) = pi ^ {2} / 6 приблизительно 1.644934}$.

Обратите внимание, что роли параметра масштаба ${ displaystyle sigma}$ и параметр формы ${ Displaystyle xi}$ под ${ Displaystyle Y sim exGPD ( sigma, xi)}$ раздельно интерпретируемы, что может привести к надежной и эффективной оценке ${ Displaystyle xi}$ чем использование ${ Displaystyle X sim GPD ( sigma, xi)}$ [2]. Роли двух параметров связаны друг с другом в ${ Displaystyle X sim GPD ( mu = 0, sigma, xi)}$ (по крайней мере, до второго центрального момента); увидеть формулу дисперсии ${ displaystyle Var (X)}$ при этом оба параметра участвуют.

Оценщик Хилла

Предположим, что ${ Displaystyle X_ {1: n} = (X_ {1}, cdots, X_ {n})}$ находятся ${ displaystyle n}$ наблюдения (не обязательно i.i.d.) от неизвестного распределение с тяжелым хвостом ${ displaystyle F}$ так что его хвостовое распределение регулярно меняется с хвостовым индексом ${ Displaystyle 1 / xi}$ (следовательно, соответствующий параметр формы равен ${ Displaystyle xi}$). Чтобы быть конкретным, распределение хвоста описывается как

${ displaystyle { bar {F}} (x) = 1-F (x) = L (x) cdot x ^ {- 1 / xi}, , , , , , { text {для некоторых}} xi> 0, , , { text {где}} L { text {- медленно меняющаяся функция.}}}$

Это представляет особый интерес в теория экстремальных ценностей для оценки параметра формы ${ Displaystyle xi}$, особенно когда ${ Displaystyle xi}$ положительно (так называемое распределение с тяжелым хвостом).

Позволять ${ displaystyle F_ {u}}$ - их функция распределения условного избытка. Теорема Пикандса – Балкемы – де Хаана. (Пикандс, 1975; Балкема и де Хаан, 1974) утверждает, что для большого класса основных функций распределения ${ displaystyle F}$, и большой ${ displaystyle u}$, ${ displaystyle F_ {u}}$ хорошо аппроксимируется обобщенным распределением Парето (GPD), которое мотивировало методы Peak Over Threshold (POT) для оценки ${ Displaystyle xi}$: GPD играет ключевую роль в подходе POT.

Известным оценщиком, использующим методологию POT, является Оценщик Хилла. Техническая формулировка оценки Хилла выглядит следующим образом. За ${ Displaystyle 1 Leq я Leq п}$, записывать ${ Displaystyle X _ {(я)}}$ для ${ displaystyle i}$-е по величине значение ${ Displaystyle X_ {1}, cdots, X_ {n}}$. Тогда в этих обозначениях Оценщик Хилла (см. стр. 190 ссылки 5 Embrechts et al. [3]) на основе ${ displaystyle k}$ статистика высшего порядка определяется как

${ displaystyle { widehat { xi}} _ {k} ^ { text {Hill}} = { widehat { xi}} _ {k} ^ { text {Hill}} (X_ {1: n }) = { frac {1} {k-1}} sum _ {j = 1} ^ {k-1} log { bigg (} { frac {X _ {(j)}} {X_ { (k)}}} { bigg)}, , , , , , , , , { text {for}} 2 leq k leq n.}$

На практике оценщик Хилла используется следующим образом. Сначала вычислите оценку ${ displaystyle { widehat { xi}} _ {k} ^ { text {Hill}}}$ на каждое целое число ${ Displaystyle к в {2, cdots, п }}$, а затем постройте упорядоченные пары ${ displaystyle {(к, { widehat { xi}} _ {k} ^ { text {Hill}}) } _ {k = 2} ^ {n}}$. Затем выберите из набора оценок Хилла ${ displaystyle {{ widehat { xi}} _ {k} ^ { text {Hill}} } _ {k = 2} ^ {n}}$ которые примерно постоянны относительно ${ displaystyle k}$: эти устойчивые значения рассматриваются как разумные оценки параметра формы ${ Displaystyle xi}$. Если ${ Displaystyle X_ {1}, cdots, X_ {n}}$ равны i.i.d., то оценка Хилла является последовательной оценкой для параметра формы ${ Displaystyle xi}$ [4].

Обратите внимание, что Оценщик холма ${ displaystyle { widehat { xi}} _ {k} ^ { text {Hill}}}$ использует логарифмическое преобразование для наблюдений ${ Displaystyle X_ {1: n} = (X_ {1}, cdots, X_ {n})}$. (The Оценщик Пиканда ${ displaystyle { widehat { xi}} _ {k} ^ { text {Pickand}}}$ также использовали логарифмическое преобразование, но немного по-другому[5].)

Смотрите также

• Распределение заусенцев
• Распределение Парето
• Обобщенное распределение экстремальных значений
• Экспоненциальное обобщенное распределение Парето
• Теорема Пикандса – Балкемы – де Хаана.

Рекомендации

дальнейшее чтение

• Пикандс, Джеймс (1975). «Статистический вывод с использованием статистики крайнего порядка». Анналы статистики. 3 с: 119–131. Дои:10.1214 / aos / 1176343003.
• Balkema, A .; Де Хаан, Лоренс (1974). «Остаточное время жизни в преклонном возрасте». Анналы вероятности. 2 (5): 792–804. Дои:10.1214 / aop / 1176996548.
• Ли, Сеюн; Ким, J.H.K. (2018). «Экспоненциальное обобщенное распределение Парето: свойства и приложения к теории экстремальных значений». Коммуникации в статистике - теория и методы. 0 (8): 1–25. arXiv:1708.01686. Дои:10.1080/03610926.2018.1441418. S2CID 88514574.
• Н. Л. Джонсон; С. Коц; Н. Балакришнан (1994). Непрерывные одномерные распределения Том 1, второе издание. Нью-Йорк: Вили. ISBN 978-0-471-58495-7. Глава 20, Раздел 12: Обобщенные распределения Парето.
• Барри С. Арнольд (2011). «Глава 7: Парето и обобщенные распределения Парето». В Duangkamon Chotikapanich (ред.). Моделирование распределений и кривых Лоренца. Нью-Йорк: Спрингер. ISBN 9780387727967.
• Arnold, B.C .; Лагуна, Л. (1977). Об обобщенных распределениях Парето с приложениями к данным о доходах. Эймс, Айова: Государственный университет Айовы, факультет экономики.

внешняя ссылка

• Mathworks: обобщенное распределение Парето