廣義帕累托分配百分位數(分位數)計算器

廣義帕累托分配百分位數(分位數)計算器

新興 AI Skill PRO

輸入計算

數學公式

x(P)=μ+σξ[(1−P)−ξ−1]其中P=累積機率\begin{gathered} x(P) = {\mu} + \frac{{\sigma}}{{\xi}}\left[(1-P)^{-{\xi}} - 1\right] \\[1.5em] \text{其中}\quad P = \text{累積機率} \end{gathered}
使用統計

廣告

結果

百分位數(x)
0.693147
指定累積機率下對應的數值 x
實際採用的下尾累積機率 P 0.5

回報本頁錯誤

什麼是廣義帕累托分配的百分位數?

廣義帕累托分配(Generalized Pareto Distribution,簡稱 GPD)是一種連續型機率分配,在極值統計中被廣泛用來描述資料的尾端行為,也就是超過某個高門檻值的「超越量」。它的百分位數(又稱分位數或百分點)指的是使累積機率 \(F(x)\) 等於指定機率 \(P\) 的數值 \(x\)。本計算器會在給定三個標準參數——位置參數 \(\mu\)、尺度參數 \(\sigma\)、形狀參數 \(\xi\)——的情況下,計算其反累積分配函數(反 CDF)。這是一個純粹的統計函數,不專屬於任何國家或法規制度。

廣義柏拉圖機率密度曲線,左側區域加上陰影,x 軸上標示分位點
百分位數 x 是使下側累積機率 P 等於 GPD 密度曲線下陰影面積的值。

計算器使用方式

請先選擇累積機率模式。當你的機率是 \(P = \Pr(X \le x)\) 時,選擇「下尾累積機率 \(P\)」;當你的機率是存活機率 \(Q = \Pr(X > x)\) 時,則選擇「上尾累積機率 \(Q\)」,工具會在內部以 \(P = 1 - Q\) 進行換算。接著輸入累積機率(介於 0 與 1 之間)、位置參數 \(\mu\)、尺度參數 \(\sigma\)(必須大於 0),以及形狀參數 \(\xi\)。計算結果即為該機率點對應的百分位數 \(x\)。

公式說明

GPD 的累積分配函數在 \(\xi \ne 0\) 時為 $$F(x) = 1 - \left(1 + \frac{\xi(x - \mu)}{\sigma}\right)^{-1/\xi}$$ 而當 \(\xi = 0\) 時為 $$F(x) = 1 - \exp\left(-\frac{x - \mu}{\sigma}\right)$$ 給定下尾累積機率 \(P\) 並對 \(x\) 反解,當 \(\xi \ne 0\) 時可得 $$x = \mu + \frac{\sigma}{\xi}\left[(1 - P)^{-\xi} - 1\right]$$ 當 \(\xi = 0\) 時則為 $$x = \mu - \sigma\ln(1 - P)$$ 由於除以 \(\xi\) 在零時無法運算,因此只要 \(|\xi| < 1\mathrm{e}{-12}\),都會以指數分配的情況來處理。

廣告
反 CDF 沿 S 形累積曲線將縱軸上的機率對應到橫軸上的分位數值
分位數函數是 CDF 的反函數:讀取機率 P,再對應到相應的值 x。

實際範例

設模式 = 下尾、\(P = 0.9\)、\(\mu = 0\)、\(\sigma = 1\)、\(\xi = 0.5\): $$x = \frac{1}{0.5}\cdot\left[(1 - 0.9)^{-0.5} - 1\right] = 2\cdot\left[0.1^{-0.5} - 1\right] = 2\cdot\left[3.1622777 - 1\right] = 4.3245553$$

常見問題

當 \(\xi = 0\) 時會發生什麼事? 此時 GPD 會退化為平移後的指數分配,分位數便改用上述的對數公式計算。

上方的支撐範圍一定是無限大嗎? 不一定。當 \(\xi < 0\) 時,支撐範圍在上方會受限於 \(x = \mu - \sigma/\xi\);當 \(P = 1\) 時,計算器會回傳此有限端點。若 \(\xi \ge 0\),上尾則無上界,\(P = 1\) 時會得到正無窮大。

為什麼 \(\sigma\) 必須為正? 尺度參數 \(\sigma\) 決定了分配的離散程度;若 \(\sigma\) 為非正值,則分配將無法定義。

最後更新:

數學和統計熱門計算器

查看全部數學和統計計算器