什么是广义帕累托分布?
广义帕累托分布(Generalized Pareto Distribution,简称 GPD)是一种连续型概率分布,在极值理论中应用广泛,常用于刻画分布的尾部、阈值超出量(exceedances),以及金融、水文和可靠性工程中常见的重尾现象。它由三个参数决定:位置参数 \(\mu\)、尺度参数 \(\sigma\)(必须为正)以及控制尾部厚重程度的形状参数 \(\xi\)。这是一个纯数学工具,不涉及任何地区或法律辖区限制。
如何使用本计算器
首先选择要计算的函数:概率密度函数(PDF)、下累积分布函数(CDF)或上累积生存函数。接着输入三个参数 \(\mu\)、\(\sigma\) 和 \(\xi\)。然后通过设置初始值、步长增量和计算点数来定义 \(x\) 序列。计算器会输出一张 \((x, y)\) 数据表和一条折线图,同时给出第一个 \(x\) 处的单点函数值,方便快速查看。
公式详解
令 \(B = 1 + \xi(x - \mu)/\sigma\)。当 \(\xi\) 不为零时,密度函数为 $$f(x) = \frac{1}{\sigma}\left(1 + \xi\,\frac{x - \mu}{\sigma}\right)^{-\frac{1}{\xi} - 1}, \qquad x \ge \mu$$ CDF 为 $$F(x) = 1 - \left(1 + \xi\,\frac{x - \mu}{\sigma}\right)^{-\frac{1}{\xi}}, \qquad x \ge \mu$$ 生存函数为 $$Q(x) = \left(1 + \xi\,\frac{x - \mu}{\sigma}\right)^{-\frac{1}{\xi}} = 1 - P, \qquad x \ge \mu$$ 当 \(\xi\) 等于零时,分布退化为指数形式:\(f(x) = (1/\sigma)\exp(-(x-\mu)/\sigma)\),\(P(x) = 1 - \exp(-(x-\mu)/\sigma)\)。当 \(\xi \ge 0\) 时支撑域为 \(x \ge \mu\);当 \(\xi < 0\) 时支撑域为 \(\mu \le x \le \mu - \sigma/\xi\)。在支撑域之外,密度为 \(0\),而 \(P\) 和 \(Q\) 取其边界值。
计算示例
以 CDF 为例,取 \(\mu = 1\)、\(\sigma = 1\)、\(\xi = 1\),计算 \(x = 2\) 时的值。此时 \(B = 1 + 1\times(2-1)/1 = 2\),因此 \(P = 1 - 2^{-1} = 0.5\)。同一点处的 PDF 为 \(2^{-2} = 0.25\),生存函数 \(Q = 2^{-1} = 0.5\),正好验证了 \(P + Q = 1\)。
形状参数 ξ 如何改变分布
该表将 \(\mu = 0\)、\(\sigma = 1\) 固定,仅改变形状参数 \(\xi\)。取 \(z = x\),公式为 \(f(x) = (1+\xi x)^{-1/\xi - 1}\),生存函数 \(Q(x) = (1+\xi x)^{-1/\xi}\),\(P(x) = 1 - Q(x)\)。当 \(\xi = 0\) 时,极限形式为 \(f(x) = e^{-x}\) 和 \(Q(x) = e^{-x}\)。
| ξ | 支撑集 | 尾部类型 | x | 概率密度 f(x) | 累积分布 P(x) | 生存函数 Q(x) |
|---|---|---|---|---|---|---|
| −0.5 | 0 ≤ x ≤ 2(上界 \(\mu - \sigma/\xi = 2\)) | 有界(短尾) | 0.5 | 0.75 | 0.4375 | 0.5625 |
| 1 | 0.5 | 0.75 | 0.25 | |||
| 2(端点) | 0 | 1 | 0 | |||
| 0 | x ≥ 0 | 指数型 | 0.5 | 0.6065 | 0.3935 | 0.6065 |
| 1 | 0.3679 | 0.6321 | 0.3679 | |||
| 2 | 0.1353 | 0.8647 | 0.1353 | |||
| 0.5 | x ≥ 0 | 重尾(幂律) | 0.5 | 0.512 | 0.36 | 0.64 |
| 1 | 0.2963 | 0.5556 | 0.4444 | |||
| 2 | 0.125 | 0.75 | 0.25 |
对 \(\xi = -0.5\)、\(x = 0.5\) 的验算:\(1 + \xi x = 1 - 0.25 = 0.75\)。指数为 \(-1/\xi = 2\),因此 \(Q = 0.75^{2} = 0.5625\),\(f = 0.75^{1} = 0.75\)。
对 \(\xi = 0.5\)、\(x = 1\) 的验算:\(1 + \xi x = 1.5\)。于是 \(Q = 1.5^{-2} = 0.4444\),\(f = 1.5^{-3} = 0.2963\)。
按行对比可见,\(x = 2\) 处的生存概率在 \(\xi = -0.5\) 时为 0,在 \(\xi = 0\) 时为 0.1353,在 \(\xi = 0.5\) 时为 0.25。\(\xi\) 越大,上尾保留的概率就越多。
常见问题
为什么 sigma 必须为正?\(\sigma\) 是尺度参数,会作为多个项的分母出现;若取非正值则在数学上无定义,因此本工具会对其加以限制。
当 xi = 0 时会发生什么?此时 GPD 退化为指数分布。当 \(|\xi|\) 小于一个极小的 epsilon 时,计算器会自动切换到指数公式,以避免除以零。
可以让 x 递减扫描吗?可以。只需将步长增量设为负数,即可按降序计算各个 \(x\) 值。