Распределение Гумбеля

Распределение Гумбеля (также известное как распределение экстремальных значений типа I) — это непрерывное распределение вероятностей, используемое в теории экстремальных значений для моделирования распределения максимумов (или минимумов) большого количества независимых и одинаково распределённых случайных величин. Оно названо в честь немецкого математика Эмиля Гумбеля, который внёс значительный вклад в развитие теории экстремальных значений в середине XX века. Распределение Гумбеля является частным случаем обобщённого распределения экстремальных значений (GEV) и применяется в гидрологии, климатологии, страховании, финансовой математике и других областях, где требуется анализ редких событий, таких как наводнения, засухи, максимальные температуры или крупные убытки.

Определение и математическая формулировка

Распределение Гумбеля для максимумов (тип I) описывается функцией распределения (CDF) и функцией плотности вероятности (PDF), которые зависят от двух параметров: параметра положения \(\mu\) (мю) и параметра масштаба \(\beta\) (бета) (где \(\beta > 0\)).

Функция распределения (CDF)

Функция распределения для случайной величины \(X\), имеющей распределение Гумбеля для максимумов, задаётся формулой:

\[ F(x; \mu, \beta) = e^{-e^{-(x - \mu) / \beta}}, \quad -\infty < x < \infty \]

Функция плотности вероятности (PDF)

Функция плотности вероятности имеет вид:

\[ f(x; \mu, \beta) = \frac{1}{\beta} e^{-(x - \mu)/\beta} e^{-e^{-(x - \mu)/\beta}}, \quad -\infty < x < \infty \]

Распределение для минимумов

Для моделирования минимумов используется симметричная форма распределения Гумбеля (тип I для минимумов), которая получается заменой \(x\) на \(-x\) или изменением знака в экспоненте. Функция распределения для минимумов:

\[ F(x; \mu, \beta) = 1 - e^{-e^{(x - \mu) / \beta}}, \quad -\infty < x < \infty \]

Свойства

Моменты

Для распределения Гумбеля (максимумов) математическое ожидание (среднее) и дисперсия выражаются через параметры \(\mu\) и \(\beta\):

• Математическое ожидание: \(E[X] = \mu + \beta \gamma\), где \(\gamma \approx 0.5772\) — постоянная Эйлера — Маскерони.
• Дисперсия: \(Var[X] = \frac{\pi^2}{6} \beta^2 \approx 1.6449 \beta^2\).
• Стандартное отклонение: \(\sigma = \frac{\pi}{\sqrt{6}} \beta \approx 1.2826 \beta\).

Медиана и мода

• Медиана: \(\mu - \beta \ln(\ln 2) \approx \mu + 0.3665 \beta\).
• Мода: \(\mu\) (для максимумов).

Коэффициенты асимметрии и эксцесса

• Коэффициент асимметрии (skewness): \(\approx 1.1396\) (положительная асимметрия, хвост распределения уходит вправо).
• Коэффициент эксцесса (kurtosis): \(\approx 5.4\) (по сравнению с нормальным распределением, у которого эксцесс равен 3, распределение Гумбеля имеет более тяжёлые хвосты).

Квантили

Квантиль порядка \(p\) (для максимумов) вычисляется по формуле:

\[ x_p = \mu - \beta \ln(-\ln p) \]

История и развитие

Теория экстремальных значений начала формироваться в начале XX века. В 1928 году Рональд Фишер и Леонард Типпетт в своей работе «Limiting forms of the frequency distribution of the largest or smallest member of a sample» доказали, что распределения экстремальных значений могут быть сведены к трём типам, одним из которых является распределение Гумбеля (тип I). Эмиль Гумбель в 1935 году опубликовал монографию «Les valeurs extrêmes des distributions statistiques», где систематизировал и развил теорию, а также ввёл практические методы оценки параметров. В 1958 году вышла его книга «Statistics of Extremes», ставшая классическим трудом в этой области. В СССР и России теория экстремальных значений развивалась в работах Б. В. Гнеденко, который в 1943 году дал строгое математическое обоснование предельных теорем для экстремумов.

Применение

Гидрология и метеорология

Распределение Гумбеля широко используется для анализа максимальных годовых расходов воды в реках, максимальных суточных осадков, максимальных скоростей ветра и других метеорологических величин. На его основе строятся кривые обеспеченности (повторяемости) для расчёта гидротехнических сооружений (дамбы, мосты, ливневая канализация). Например, в России при проектировании гидротехнических объектов часто применяют распределение Гумбеля для оценки максимального расхода воды с заданной вероятностью превышения (1 раз в 100 лет, 1 раз в 1000 лет и т.д.).

Климатология

В климатологии распределение Гумбеля используется для моделирования экстремальных температур, как максимальных, так и минимальных. Это позволяет оценивать вероятности аномальной жары или холода, что важно для сельского хозяйства, энергетики и строительства.

Страхование и финансы

В актуарной математике и управлении рисками распределение Гумбеля применяется для моделирования крупных страховых убытков, катастрофических событий (землетрясения, ураганы, наводнения) и экстремальных колебаний финансовых рынков. Оно входит в состав моделей для расчёта величины Value at Risk (VaR) и Expected Shortfall.

Инженерия и надёжность

В теории надёжности распределение Гумбеля используется для анализа времени до отказа системы, особенно в случае, когда отказ вызывается накоплением повреждений или экстремальными нагрузками. Также оно применяется в анализе прочности материалов и конструкций.

Оценка параметров

Для оценки параметров \(\mu\) и \(\beta\) по эмпирическим данным используются несколько методов:

• Метод моментов: параметры оцениваются через выборочное среднее и выборочное стандартное отклонение с использованием известных соотношений моментов.
• Метод максимального правдоподобия (ММП): даёт асимптотически эффективные оценки, но требует численного решения нелинейных уравнений.
• Графические методы: например, метод Гумбеля, основанный на построении эмпирической функции распределения на специальной вероятностной бумаге (шкала Гумбеля), где точки должны ложиться на прямую линию, если данные подчиняются распределению Гумбеля.

Связь с другими распределениями

• Обобщённое распределение экстремальных значений (GEV): распределение Гумбеля является частным случаем GEV при параметре формы \(\xi = 0\).
• Распределение Фреше: тип II экстремальных значений, используется для моделирования максимумов с тяжёлыми хвостами.
• Распределение Вейбулла: тип III экстремальных значений, используется для моделирования минимумов.
• Логистическое распределение: имеет схожую форму плотности, но с более лёгкими хвостами.

Критика и ограничения

Основное ограничение распределения Гумбеля связано с его предположением о том, что исходные данные являются независимыми и одинаково распределёнными. В реальных задачах, особенно в гидрологии и климатологии, данные часто демонстрируют автокорреляцию или нестационарность (например, изменение климата). В таких случаях применение распределения Гумбеля может приводить к смещённым оценкам. Кроме того, распределение Гумбеля имеет фиксированную форму хвоста (экспоненциальное убывание), что не всегда соответствует реальным данным, которые могут иметь более тяжёлые хвосты (тогда лучше подходит распределение Фреше) или более лёгкие (распределение Вейбулла). Для преодоления этих ограничений используются более общие модели, такие как обобщённое распределение экстремальных значений (GEV) или распределение Пирсона типа III.

Интересные факты

• В 1950-х годах Эмиль Гумбель, будучи евреем, был вынужден покинуть нацистскую Германию и эмигрировал в США, где продолжил свои исследования в области статистики экстремальных значений.
• Распределение Гумбеля иногда называют «распределением двойной экспоненты», хотя это название чаще используется для распределения Лапласа.
• В теории массового обслуживания распределение Гумбеля возникает как предельное распределение времени ожидания в системе с большим числом серверов.

Источники

1. Гумбель Э. Статистика экстремальных значений. — М.: Мир, 1965. — 450 с.
2. Fisher R. A., Tippett L. H. C. Limiting forms of the frequency distribution of the largest or smallest member of a sample // Mathematical Proceedings of the Cambridge Philosophical Society. — 1928. — Vol. 24, No. 2. — P. 180–190.
3. Гнеденко Б. В. О предельном распределении максимального члена вариационного ряда // Доклады Академии наук СССР. — 1943. — Т. 40, № 8. — С. 343–346.
4. Coles S. An Introduction to Statistical Modeling of Extreme Values. — Springer, 2001. — 208 p.
5. Kotz S., Nadarajah S. Extreme Value Distributions: Theory and Applications. — Imperial College Press, 2000. — 185 p.