第 2 章/极值理论/2.2 区块最大值建模
课堂实验室
CHAPTER 02 / 2.2 区块最大值建模 / 2.2.1

区块最大值

反复抽取最大值,看它们如何收敛到 GEV 分布。

原始分布(每个观测)
150
11000
01 / 一个区块

每个区块包含 n=100n=100 个独立观测

点击“下一个区块”,生成 n 个观测,并标出其中的最大值。

02 / 取最大值
M=?M=?

精确分布 P(M≤x)=F(x)nP(M\le x)=F(x)^n,中位数 49.75

03 / 标准化
Z=?Z=?

Z=(M−bn)/anZ=(M-b_n)/a_n,an=10a_n=10,bn=46.0517b_n=46.0517

04 / 计入直方图
0个区块

相当于 0 个原始观测

先逐个生成区块,再批量增加,观察标准化最大值的直方图逐渐贴近 GEV 曲线。

精确分布、极限 GEV 与模拟结果使用同一横轴

标准化最大值的分布

概率密度
模拟密度精确分布(n = 100)极限 GEV(ξ=0\xi=0)

图中范围覆盖极限分布约 0.2%–97%的概率;当前模拟有 0 个最大值落在图外。

已记录区块数0
ZZ 的样本均值—
极限 GEV 均值0.5772
KS 距离(样本 vs 极限)—

精确分布如何逼近极限

P(Z≤z)=F(anz+bn)nP(Z\le z)=F(a_n z+b_n)^n
n = 1n = 5n = 30n = 365极限 GEV
课件例题

nn 笔索赔中,最大一笔超过 xx 的概率

已知 FF 时可直接计算:P(Mn>x)=1−F(x)nP(M_n>x)=1-F(x)^n。课件取指数分布均值 10、n=100n=100,x=50x=50 与 100100。

0139
49.139% 精确值
GEV 近似 1−H(x−bnan)1-H\big(\frac{x-b_n}{a_n}\big)49.023%
模拟区块中的比例—
指数分布的最大值随 nn 以 θln⁡n\theta\ln n 的速度右移,但宽度不变。减去 bn=θln⁡nb_n=\theta\ln n、除以 an=θa_n=\theta 后,分布稳定在 Gumbel 分布。
三种原始分布的标准化常数展开阅读
P(Mn−bnan≤z)=F(anz+bn)n=(1−t(z)n)n  ⟶  e−t(z)=Hξ(z)P\Big(\frac{M_n-b_n}{a_n}\le z\Big)=F(a_nz+b_n)^n=\Big(1-\frac{t(z)}{n}\Big)^n\;\longrightarrow\;e^{-t(z)}=H_\xi(z)
指数(θ): an=θ, bn=θln⁡n, t(z)=e−z(ξ=0, Gumbel)\text{指数}(\theta):\ a_n=\theta,\ b_n=\theta\ln n,\ t(z)=e^{-z}\quad(\xi=0,\ \text{Gumbel})
Lomax(α,θ): an=θn1/αα, bn=θ(n1/α−1), t(z)=(1+zα)−α(ξ=1/α)\text{Lomax}(\alpha,\theta):\ a_n=\frac{\theta n^{1/\alpha}}{\alpha},\ b_n=\theta(n^{1/\alpha}-1),\ t(z)=\Big(1+\frac{z}{\alpha}\Big)^{-\alpha}\quad(\xi=1/\alpha)
均匀(0,ω): an=ωn, bn=ω(1−1n), t(z)=1−z(ξ=−1)\text{均匀}(0,\omega):\ a_n=\frac{\omega}{n},\ b_n=\omega\Big(1-\frac1n\Big),\ t(z)=1-z\quad(\xi=-1)

三种情形的精确分布都能写成 (1−t(z)/n)n\big(1-t(z)/n\big)^n,这正是课件中指数例子的推导:n→∞n\to\infty 时它趋于 e−t(z)e^{-t(z)},也就是标准 GEV(0,1,ξ)\mathrm{GEV}(0,1,\xi) 的分布函数。Lomax 的尺度固定为 θ=10\theta=10。

KS 距离是经验分布函数与极限分布函数的最大纵向差。它同时包含两部分:有限 nn 与极限之间的近似误差,以及有限区块数带来的抽样误差。nn 较小时,即使模拟很多区块,KS 距离也不会趋于零。