Обобщённое распределение экстремальных значений

Обобщённое распределение экстремальных значений (англ. Generalized Extreme Value distribution, GEV) — это семейство непрерывных распределений вероятностей, объединяющее три типа предельных распределений для максимумов (или минимумов) последовательностей независимых одинаково распределённых случайных величин. Теоретической основой GEV-распределения служит теорема Фишера — Типпета — Гнеденко, которая утверждает, что при определённых условиях нормированный максимум выборки сходится по распределению именно к одному из трёх типов, входящих в семейство GEV. Распределение широко применяется в гидрологии, климатологии, финансах, страховании и других областях для моделирования редких событий, таких как наводнения, ураганы, экстремальные температуры или обвалы фондовых рынков.

История

Истоки теории экстремальных значений восходят к работам британского статистика Рональда Фишера и его сотрудника Леонарда Типпета, которые в 1928 году опубликовали статью «Limiting forms of the frequency distribution of the largest or smallest member of a sample». В ней были впервые описаны три предельных типа распределения для максимумов: тип I (распределение Гумбеля), тип II (распределение Фреше) и тип III (распределение Вейбулла, для минимумов). Однако эти три типа рассматривались как отдельные, не связанные между собой семейства.

В 1943 году советский математик Борис Владимирович Гнеденко опубликовал фундаментальную работу «К теории предельных распределений для членов вариационного ряда», в которой доказал необходимые и достаточные условия сходимости нормированных максимумов к каждому из трёх типов. Гнеденко также показал, что эти три типа можно объединить в одно параметрическое семейство, используя параметр формы. Позднее, в 1950-х годах, американский статистик Эмиль Гумбель систематизировал и популяризировал теорию экстремальных значений, особенно тип I, который часто называют его именем. Окончательная форма GEV-распределения в современной параметризации была предложена в 1980-х годах британским статистиком Джонатаном Тауном (Jonathan Tawn) и другими исследователями.

Определение и параметризация

Обобщённое распределение экстремальных значений задаётся функцией распределения (для максимумов):

\[ F(x; \mu, \sigma, \xi) = \exp\left\{-\left[1 + \xi\left(\frac{x - \mu}{\sigma}\right)\right]^{-1/\xi}\right\} \]

для \(1 + \xi(x - \mu)/\sigma > 0\), где:

• \(\mu\) — параметр сдвига (location), определяет центр распределения;
• \(\sigma > 0\) — параметр масштаба (scale), определяет разброс;
• \(\xi\) — параметр формы (shape), определяет тип хвоста распределения.

Функция плотности вероятности имеет вид:

\[ f(x; \mu, \sigma, \xi) = \frac{1}{\sigma} \left[1 + \xi\left(\frac{x - \mu}{\sigma}\right)\right]^{-1/\xi - 1} \exp\left\{-\left[1 + \xi\left(\frac{x - \mu}{\sigma}\right)\right]^{-1/\xi}\right\} \]

при том же условии.

Предельные случаи

Параметр формы \(\xi\) определяет тип распределения:

• \(\xi = 0\) — распределение Гумбеля (тип I). Функция распределения принимает вид \(F(x) = \exp\left[-\exp\left(-\frac{x - \mu}{\sigma}\right)\right]\). Имеет экспоненциально убывающий хвост. Подходит для моделирования максимумов из распределений с экспоненциальными хвостами (например, нормального, логнормального, гамма-распределения).
• \(\xi > 0\) — распределение Фреше (тип II). Хвост убывает по степенному закону с показателем \(1/\xi\). Применяется для распределений с тяжёлыми хвостами (например, распределение Парето, распределение Коши).
• \(\xi < 0\) — распределение Вейбулла (тип III), но для максимумов. Имеет конечную верхнюю границу \(x \leq \mu - \sigma/\xi\). Используется для распределений с ограниченными хвостами (например, равномерное, бета-распределение).

Для минимумов распределение получается заменой знака: если \(M_n = \min(X_1, \ldots, X_n)\), то \(-M_n\) подчиняется GEV-распределению с параметрами, преобразованными соответствующим образом.

Свойства

Моменты

Моменты GEV-распределения существуют только при определённых значениях параметра формы:

• Математическое ожидание: \(E[X] = \mu + \frac{\sigma}{\xi}[\Gamma(1 - \xi) - 1]\) при \(\xi < 1\), где \(\Gamma\) — гамма-функция. При \(\xi = 0\): \(E[X] = \mu + \gamma\sigma\), где \(\gamma \approx 0,5772\) — постоянная Эйлера — Маскерони.
• Дисперсия: \(\text{Var}[X] = \frac{\sigma^2}{\xi^2}[\Gamma(1 - 2\xi) - \Gamma^2(1 - \xi)]\) при \(\xi < 1/2\). При \(\xi = 0\): \(\text{Var}[X] = \frac{\pi^2\sigma^2}{6}\).
• Асимметрия и эксцесс: зависят от \(\xi\) и не определены при \(\xi \geq 1/3\) и \(\xi \geq 1/4\) соответственно.

Квантили

Квантиль уровня \(p\) (обратная функция распределения) имеет вид:

\[ x_p = \mu + \frac{\sigma}{\xi}\left[(-\ln p)^{-\xi} - 1\right], \quad \xi \neq 0 \] \[ x_p = \mu - \sigma \ln(-\ln p), \quad \xi = 0 \]

Квантили используются для расчёта возвратных уровней (return levels) — значений, которые в среднем превышаются один раз за заданный период.

Максимум притяжения

GEV-распределение является предельным для максимумов из широкого класса распределений. Распределение \(X\) принадлежит области притяжения GEV с параметром \(\xi\), если существуют нормирующие константы \(a_n > 0\) и \(b_n\) такие, что нормированный максимум сходится по распределению к GEV. Условия притяжения определяются хвостовым поведением исходного распределения:

• Для экспоненциальных хвостов (нормальное, логнормальное) — \(\xi = 0\).
• Для степенных хвостов (Парето, Коши) — \(\xi > 0\).
• Для ограниченных хвостов (равномерное, бета) — \(\xi < 0\).

Оценка параметров

Метод максимального правдоподобия

Наиболее распространённый метод оценки параметров GEV-распределения — метод максимального правдоподобия (ММП). Функция правдоподобия для выборки \(x_1, \ldots, x_n\) имеет вид:

\[ L(\mu, \sigma, \xi) = \prod_{i=1}^n \frac{1}{\sigma} \left[1 + \xi\left(\frac{x_i - \mu}{\sigma}\right)\right]^{-1/\xi - 1} \exp\left\{-\left[1 + \xi\left(\frac{x_i - \mu}{\sigma}\right)\right]^{-1/\xi}\right\} \]

при условии \(1 + \xi(x_i - \mu)/\sigma > 0\) для всех \(i\). Оценки получаются численной максимизацией логарифма правдоподобия. При \(\xi > 0,5\) ММП может иметь проблемы с регулярностью (нарушение условий регулярности), и тогда применяют байесовские методы или метод L-моментов.

Метод L-моментов

Метод L-моментов (L-moments) является более робастным, особенно для малых выборок. L-моменты — это линейные комбинации порядковых статистик. Для GEV-распределения параметры выражаются через первые три L-момента. Метод не требует численной оптимизации и даёт состоятельные оценки.

Байесовские методы

В последние десятилетия для оценки параметров GEV-распределения всё чаще применяются байесовские подходы, особенно в климатологии и гидрологии. Они позволяют учитывать априорную информацию и получать интервальные оценки в виде апостериорных распределений. В России байесовские методы для экстремальных значений развивались, в частности, в работах Института водных проблем РАН.

Применение

Гидрология и климатология

GEV-распределение является стандартным инструментом для анализа максимальных расходов воды в реках, максимальных суточных осадков, высоты волн и других гидрометеорологических переменных. В России оно используется в нормативных документах по гидрологическим расчётам, например, при определении расчётных паводков для проектирования гидротехнических сооружений. Возвратные уровни, рассчитанные по GEV, лежат в основе карт районирования территории по степени опасности наводнений.

Финансы и страхование

В финансовой математике GEV-распределение применяется для моделирования экстремальных изменений цен активов, валютных курсов и процентных ставок. Оно используется в рамках теории экстремальных значений (EVT) для расчёта Value-at-Risk (VaR) и Expected Shortfall (ES) — мер рыночного риска. В страховом деле GEV-распределение применяется для оценки вероятности крупных убытков, например, от стихийных бедствий или катастроф.

Материаловедение и надёжность

В инженерных науках GEV-распределение (чаще в форме распределения Вейбулла) используется для анализа прочности материалов, сроков службы изделий и времени до отказа. Распределение Вейбулла, как частный случай GEV для минимумов, является одним из основных в теории надёжности.

Критика и ограничения

Несмотря на широкое применение, GEV-распределение имеет ряд ограничений. Во-первых, оно основано на предположении о независимости и одинаковой распределённости исходных наблюдений, что часто нарушается на практике (например, в климатических рядах присутствует автокорреляция). Для учёта зависимости применяют обобщённые модели экстремальных значений (GEV with covariates) или методы блочных максимумов с декластеризацией.

Во-вторых, оценка параметра формы \(\xi\) крайне чувствительна к выбросам и объёму выборки. При малых выборках (менее 30–50 наблюдений) оценки могут быть сильно смещены. В-третьих, GEV-распределение не всегда адекватно описывает хвосты распределений с очень медленным убыванием (например, распределение с бесконечной дисперсией). В таких случаях могут применяться альтернативные модели, такие как обобщённое распределение Парето (GPD) для превышений порога (метод POT).

Источники

1. Fisher R.A., Tippett L.H.C. Limiting forms of the frequency distribution of the largest or smallest member of a sample. — Proceedings of the Cambridge Philosophical Society, 1928, vol. 24, pp. 180–190.
2. Гнеденко Б.В. К теории предельных распределений для членов вариационного ряда. — Доклады Академии наук СССР, 1943, т. 40, № 8, с. 327–330.
3. Gumbel E.J. Statistics of Extremes. — Columbia University Press, 1958. — 375 p.
4. Coles S. An Introduction to Statistical Modeling of Extreme Values. — Springer, 2001. — 208 p.
5. Embrechts P., Klüppelberg C., Mikosch T. Modelling Extremal Events for Insurance and Finance. — Springer, 1997. — 648 p.
6. Рекомендации по определению расчётных гидрологических характеристик. СП 33-101-2003. — М.: Госстрой России, 2004.