3.Teil
Prof.ErikaHausenblas
MontanuniversitätLeoben,Österreih
6.Mai2018
Denition
EineFunktionL
: [
0, ∞) → [
0, ∞)
heiÿtlangsamvariierend(slowlyvarying(atinnity))fallsfürallea
>
0,giltlim
x
→∞
L
(
x)
L
(
ax) =
1.
Fallsder Grenzwert
lim
x
→∞
L
(
x)
L
(
ax)
endlih,aberungleiheinsist,heiÿtdieFunktionregulärvariierend(regularly
varyingfuntion).
EineFunktionL
: [
0, ∞) → [
0, ∞)
heiÿtlangsamvariierend(slowlyvarying(atinnity))mitindex
α
fallsfürallea>
0,giltlim
x
→∞
L
(
x)
L
(
ax) =
aα .
Satz
Eine VerteilungsfunktionF mitrehtem Endpunktx
R
liegtim
Max-Anziehungsbereih der Frehet-Verteilungmita
>
0 genaudann,wennfolgende zwei Bedingungen erfülltsind:
x
R
= ∞
;DieTailfunktion F istregulärvariierendmitIndex
−
a , d.h.lim
x
→∞
1
−
F(λ
x)
1
−
F(
x) = λ −
a füralleλ >
0.
Weiters gilt,für
n
=
F← (
1−
n−
1) =
infx
∈ R {
F(
x) ≥
1−
n−
1}.
Theorem
EineVerteilungsfunktionF mitrehtemEndpunktx
R
liegtimMaximalen
Anziehungsbereihder Weibull-Verteilung
Ψ α
,dannundnurdann,wennfolgendezweiBedingungenerfülltsind:
x
R
< ∞
;DieFunktion1
−
F(
xR−
x)
istregulärvariierendmitIndexα
in 0,d.h.lim
x
→∞
1
−
F(λ(
xR−
x))
1
−
F(
xR−
x) = λ α
füralleλ >
0.
Die Folgen
n undd
n :
Gilt1
−
F(
xR−
x−
1) =
x− α
L(
x)
wobeiLeinelangsamvariierendeFunktionist, dann gilt
−
1n
(
Mn−
dn) →
dΦ α .
wobeid
n
=
xR und
n
=
xR−
infx
∈R {
F(
x)) ≥
1−
n−
1}.
DerEinzugsbereihderGumbelVerteilungalsExtremwertverteilungläuft vonder
Lognormalverteilung,derExponentialVerteilungmitF
¯ (
x) ∼
e−
x biszurNormalverteilungmitF
¯ (
x) ∼ √
12
π
1
t e
−
t2/
2für t
→ ∞
(Regelvonl'Hospital).DerEinzugsbereihderGumbelVerteilungalsExtremwertverteilungläuft vonder
Lognormalverteilung,derExponentialVerteilungmitF
¯ (
x) ∼
e−
x biszurNormalverteilungmitF
¯ (
x) ∼ √
12
π
1
t e
−
t2/
2für t
→ ∞
(Regelvonl'Hospital).Theorem
EineVerteilungsfunktionF mitrehtemEndpunktx
R
liegtimMaximal
Anziehungsbereihder Gumbel-VerteilungG
(
x) =
e−
e−
x genaudann,wenneseinepositiveundmessbareFunktiong
(
t)
gibtmitlim
x
→
xR¯
F
(
x+
xg(
x))
¯
F
(
x) =
e−
x fürallex∈ R.
DerEinzugsbereihderGumbelVerteilungalsExtremwertverteilungläuft vonder
Lognormalverteilung,derExponentialVerteilungmitF
¯ (
x) ∼
e−
x biszurNormalverteilungmitF
¯ (
x) ∼ √
12
π
1
t e
−
t2/
2für t
→ ∞
(Regelvonl'Hospital).Theorem
EineVerteilungsfunktionF mitrehtemEndpunktx
R
liegtimMaximal
Anziehungsbereihder Gumbel-VerteilungG
(
x) =
e−
e−
x genaudann,wenneseinepositiveundmessbareFunktiong
(
t)
gibtmitlim
x
→
xR¯
F
(
x+
xg(
x))
¯
F
(
x) =
e−
x fürallex∈ R.
Remark
x
R
kannendlihoder unendlihsein.
Heavy tailed
⇒
Frehet VerteilungMediumtailed
⇒
Gumbel VerteilungLight(Short)tailed
⇒
WeibullWihtigistdenTail derVerteilungabzushätzen.
Heavytailed?
ShätzendesTail index.
BlokMethode
BlokMethode
PeakoverThreshold(POT)Methode;
Denition
DieVerteilungsfunktionderverallgemeinertenParetoverteilungwirddeniert
durh
G
ξ,β,µ (
x) = (
1
− (
1+ ξ (
x− β µ) ) −
1ξ ,
fallsξ 6=
0,
1
−
e− (
x− β µ) ,
fallsξ =
0.
wobei
β >
0und x≥
0im Falleξ ≥
0giltund0≤
x≤ − β ξ
fallsξ <
0gilt.Verhalten im Tail
Für alle
ξ ∈ R
liegteineinxR stetigeVerteilungsfunktionF inD(
H)
genaudann,wenn
lim
u
→
xRsup
0
<
x≤
xR−
u Fu(
x) −
Gξ,β(
u) (
x) =
0für einegeeignetepositive,messbareFunktion
β
gilt,wobeix
R
=
sup{
x∈ R :
F(
x) <
1}
denrehtenEndpunktvonF bezeihnet.Beispiel 1
SeiX eineexponentialverteilteZufallsvariablemitParameter
λ
.Dann giltlim
u
→∞
sup
0
<
x≤∞
Fu(
x) −
G0,
1/λ (
x) =
0Beispiel 2
SeiX eineZufallsvariableausdenAnziehungsbereihderFrehetverteilungmit
Index
−α
.Danngiltlim
u
→∞
sup
0
<
x≤∞
Fu(
x) −
G1/α,
u/α (
x)
=
0Beispiel 1
SeiX eineexponentialverteilteZufallsvariablemitParameter
λ
.Dann giltlim
u
→∞
sup
0
<
x≤∞
Fu(
x) −
G0,
1/λ (
x) =
0Beispiel 2
SeiX eineZufallsvariableausdenAnziehungsbereihderFrehetverteilungmit
Index
−α
.Danngiltlim
u
→∞
sup
0
<
x≤∞
Fu(
x) −
G1/α,
u/α (
x) =
0Beispiel 3
SeiX einestandardnormalverteilteZufallsvariable.Danngilt
Denition
SeiX eineZufallsvariablemitVerteilungsfunktionF.Die
Exzess-VerteilungsfunktionvonX bzw.F oberhalbdesShwellenwertsuwird
deniertdurh
F
u
(
x) = P (
X−
u≤
x|
X>
u) =
F(
x+
u) −
F(
u)
1
−
F(
u)
für x
≥
0undfestesu<
xR, wobeixR=
sup{
x∈ R :
F(
x) <
1} ≤ ∞
denrehtenEndpunktvonF bezeihnet.
Aufgabe
Gegeben isteineStihprobe
{
x1, . . . ,
xn}
einerGrundgesamtheitdieVerteilungsfunktionF hat. ZundenistdieWahrsheinlihkeitvonF
(
x)
fürxsehrgross(bzw.dasqQuantilfür qnahe1,i.e.y
=
F← (
q)
).Aufgabe
Gegeben isteineStihprobe
{
x1, . . . ,
xn}
einerGrundgesamtheitdieVerteilungsfunktionF hat. ZundenistdieWahrsheinlihkeitvonF
(
x)
fürxsehrgross(bzw.dasqQuantilfür qnahe1,i.e.y
=
F← (
q)
).Denition
DieMeanexessfuntion(MeF)einerZufallsvariablenistgegebendurh
e
(
u) = E [
X−
u|
X>
u] .
Aufgabe
Gegeben isteineStihprobe
{
x1, . . . ,
xn}
einerGrundgesamtheitdieVerteilungsfunktionF hat. ZundenistdieWahrsheinlihkeitvonF
(
x)
fürxsehrgross(bzw.dasqQuantilfür qnahe1,i.e.y
=
F← (
q)
).Denition
DieMeanexessfuntion(MeF)einerZufallsvariablenistgegebendurh
e
(
u) = E [
X−
u|
X>
u] .
Aufgabe
BerehnenSiedieMeanExessFunktionderParetoVerteilung.
Einige Beispiele:
DieMeanExessFunktionderder Exponenti-
alVerteilung(VerallgemeinertenParetoverteilungmit
ξ =
0undν =
0)lautete
(
u) =
1,
u>
0dieMeanExessFunktionderParetoverteilungmit
ξ >
1undν =
0lautete
(
u) = ξ −
u1
,
u>
1dieMeanExessFunktionderBeta Verteilunglautet
e
(
u) = ξ −
u1
, −
1≤
u≤
0,
dieMeanExessFunktionGumpelVerteilung
e
(
u) =
1+ξ
u1
− ξ , (
0
<
u falls0≤ ξ <
1,
0
<
u< −
1/ξ,
fallsξ <
0.
Gegeben:
EineStihprobe
{
X1, . . . ,
Xn}
.Emprishe Mean Exess Funktion
Sei
N
u
= #{
i:
1≤
i≤
n:
Xi>
u}
dieAnzahlderÜbershreitungenvonu durhX
i
,i
=
1. . .
n .Dieempirishe durhshnittliheExzessFunktionistgegebendurh
ˆ
e
n
(
u) =
1N
u n
X
i
=
1(
Xi−
u)
1{
X i>
u} .
Wahl des Shwellenwertes:
u
0
solltesogrossgewähltsein,dassderPlot
(
en(
Xi),
Xi)
füru>
u0Hill Shätzer (
ξ >
0):Denition
Sei
{
X1, . . . ,
Xn}
und{
X(
1) , . . . ,
X(
n) }
diegeordneteStihprobe,d.h.esgiltX
(
i−
1) ≤
X(
i)
fürallei=
2, . . . ,
n .DannistderHillShätzer von 1ξ = α
1 derk tenOrdnunggegebendurh
H
k
,
n:=
1k k
X
i
=
1log
X
(
i)
X
(
k+
1)
.
Hill Shätzer (
ξ >
0):Denition
Sei
{
X1, . . . ,
Xn}
und{
X(
1) , . . . ,
X(
n) }
diegeordneteStihprobe,d.h.esgiltX
(
i−
1) ≤
X(
i)
fürallei=
2, . . . ,
n .DannistderHillShätzer von 1ξ = α
1 derk tenOrdnunggegebendurh
H
k
,
n:=
1k k
X
i
=
1log
X
(
i)
X
(
k+
1)
.
Theorem
Fallsn
→ ∞
,k→ ∞
und kn
→
0,danngiltH
k
,
n−→
1α .
Pikands Shätzer
ξ ∈ R
:ξ ˆ (
Pikands)
k
,
n:=
1
log
(
2)
log
X
(
k) −
X(
2k)
X
(
2k) −
X(
4k)
Dekers Einmal und de Haan Shätzer
ξ ∈ R
:ξ ˆ
DEdHk
,
n:= ξ
H(
1)
k
,
n+
1−
12
1
− ξ (
H(
1)
k
)
2ξ
H(
2)
k
,
n
−
1mit
ξ
H(
r)
k
,
n= X
1k
log
X
(
i)
X
(
k+
1)
r,
r=
1,
2, . . . .
Embrehts P,Extremes and Insurane,28 ASTINColloquium1997
Embrehts P,KluppelbergC,and MikoshT,ModellingExtremal
Events, SpringerVerlag, Berlin1997
ReissR, and ThomasM,StatistialAnalysisof ExtremeValues,
Birkhauser, Basel,Boston, 1997
Resnik:Heavy TailedPhenomena (Springer) 2006.
Coles,S(2001):An Introdutionto StatistialModelingof Extreme
Values. SpringerSeriesin Statistis.Springer VerlagLondon.
Beirlant,J; Y.Goegebeur;J. Segers;J. Teugels (2005): Statistisof
Extremes.Theory and Appliations.