極値理論

同義語:extreme value theory

概要

極値理論(extreme value theory)とは、独立同分布の確率変数の最大値や、大きな閾値を超える値の分布を調べる理論である。中心は Fisher–Tippett–Gnedenko の定理で、最大値を定数で正規化した極限が退化しないなら、Gumbel 型・Fréchet 型・Weibull 型の 3 つの型(一般極値分布)に限る。どの型に属するかは裾の形で決まり、べき乗の裾は Fréchet 型、正規分布は Gumbel 型、有界でべき乗の端をもつ分布は Weibull 型である。超過点の全体は Poisson点過程に、超過分は一般化 Pareto 分布に近づく。

$$\newcommand{C}[0]{\mathbb{C}} \newcommand{div}[0]{\mathbin{÷}} \newcommand{N}[0]{\mathbb{N}} \newcommand{Q}[0]{\mathbb{Q}} \newcommand{R}[0]{\mathbb{R}} \newcommand{Z}[0]{\mathbb{Z}} $$

前提知識: 分布収束, 順序統計量, 安定分布

極値理論(extreme value theory)は、独立同分布の確率変数の最大値や、大きな閾値を超える値の分布の理論である。平均的な振る舞いを 中心極限定理 が記述するのに対し、百年に一度の洪水や保険の巨額の支払いのように、裾の振る舞いだけで決まる量を扱う。
中心にあるのは Fisher–Tippett–Gnedenko の定理である。独立同分布の $X_1,X_2,\dots$ の最大値 $M_n:=\max(X_1,\dots,X_n)$ を定数 $a_n>0$、$b_n$ で正規化して
$$ \frac{M_n-b_n}{a_n}\Rightarrow G $$
が退化しない分布 $G$ に収束するなら、$G$ は Gumbel 型・Fréchet 型・Weibull 型の 3 つの型のどれかに限る。元の分布 $F$ の形によらず、極限の候補が 1 つの媒介変数 $\gamma$ の族に尽きる。

主張内容この記事で
thm-ev-ftg非退化な極限は一般極値分布に限る証明する
lem-ev-tail最大値の収束と裾の個数の同値証明する
thm-ev-frechetべき乗の裾と Fréchet 型・Weibull 型十分性を証明、必要性は主張
thm-ev-gumbelvon Mises の条件と Gumbel 型証明する
prop-ev-geometric極限が存在しない分布証明する
thm-ev-poisson超過点の Poisson 極限、順序統計量の同時の極限証明する
prop-ev-excess閾値を超えた分の極限証明する
rem-ev-pbh連続な閾値での一様な収束主張(文献)

定義

$F$ を分布関数、$\bar F:=1-F$ を裾、$x^*:=\sup\{x\mid F(x)< 1\}\le\infty$ を右端点とする。独立性から $P(M_n\le x)=F(x)^n$ である。$x< x^*$ なら $F(x)^n\to0$ なので、$M_n$ は $x^*$ に確率収束する。揺らぎを見るには正規化が必要である。

極値吸引域

定数 $a_n>0$、$b_n\in\mathbb{R}$ と退化しない分布関数 $G$ があって、$G$ の連続点 $x$ で
$$ F(a_nx+b_n)^n\to G(x) $$
となるとき、$F$ は $G$ の 極値吸引域(domain of attraction)に属するといい、$F\in\mathcal{D}(G)$ と書く。

2 つの分布関数が $G_2(x)=G_1(Ax+B)$($A>0$)で結ばれるとき、同じ 型 であるという。$a_n,b_n$ の取り方を変えても、極限は型を除いて変わらない(安定分布 の補題「型の収束」)。

一般極値分布

$\gamma\in\mathbb{R}$ について、$1+\gamma x>0$ で
$$ G_\gamma(x):=\exp\bigl(-(1+\gamma x)^{-1/\gamma}\bigr)\qquad(\gamma=0\text{ では }\exp(-e^{-x})) $$
とし、$1+\gamma x\le0$ では、$\gamma>0$ なら $0$、$\gamma< 0$ なら $1$ と定める。$G_\gamma$ の型の分布を 一般極値分布(GEV)といい、$\gamma$ を 極値指数 という。

型の代表の形では、次の 3 つの名前で呼ぶ。

名前$\gamma$標準形右端点裾
Gumbel 型$0$$\exp(-e^{-x})$($x\in\mathbb{R}$)$\infty$指数的に減衰
Fréchet 型 $\Phi_\alpha$$1/\alpha>0$$\exp(-x^{-\alpha})$($x>0$)$\infty$$x^{-\alpha}$ の程度
Weibull 型 $\Psi_\alpha$$-1/\alpha< 0$$\exp(-(-x)^\alpha)$($x< 0$)$0$右端点で有限

$\Phi_\alpha(x)=G_{1/\alpha}(\alpha(x-1))$ である($1+\gamma\alpha(x-1)=x$)。$\Psi_\alpha(x)=G_{-1/\alpha}(\alpha(x+1))$ も同様である。寿命の分布に使う Weibull 分布は、$\Psi_\alpha$ を $x\mapsto-x$ で移した $1-\exp(-x^\alpha)$($x>0$)で、最小値の極限として現れる。

3 つの型の定理

最大値安定

退化しない分布関数 $G$ が 最大値安定 であるとは、すべての $t>0$ について定数 $\alpha_t>0$、$\beta_t$ があって
$$ G(x)^t=G\bigl((x-\beta_t)/\alpha_t\bigr)\quad(\forall x) $$
となることをいう。

$t=k$ が整数なら、独立に $G$ に従う $k$ 個の最大値は $\alpha_kY+\beta_k$($Y\sim G$)と同じ分布に従う。安定分布 の和を最大値に替えたものである。

Fisher–Tippett–Gnedenko の定理

退化しない分布関数 $G$ について、次は同値である。

  1. ある分布関数 $F$ について $F\in\mathcal{D}(G)$ である。
  2. $G$ は最大値安定である。
  3. $G$ は一般極値分布である。すなわち $\gamma\in\mathbb{R}$、$\sigma>0$、$\mu\in\mathbb{R}$ があって $G(x)=G_\gamma((x-\mu)/\sigma)$ である。
    さらに $G\in\mathcal{D}(G)$ である。
分位点の線形な関数方程式に帰着する

3 ⇒ 2。 $\gamma\ne0$ のとき、$G_\gamma(x)^t=\exp(-t(1+\gamma x)^{-1/\gamma})$ で、$t(1+\gamma x)^{-1/\gamma}=(t^{-\gamma}(1+\gamma x))^{-1/\gamma}$ である。$1+\gamma y=t^{-\gamma}(1+\gamma x)$ となる $y$ は $x$ の 1 次式なので、$G_\gamma^t(x)=G_\gamma(y)$ の形である($1+\gamma x\le0$ の範囲も込めて成り立つ)。$\gamma=0$ なら $G_0^t(x)=G_0(x-\log t)$ である。$(x-\mu)/\sigma$ を代入しても同じ形である。
2 ⇒ 1 と最後の主張。 $t=n$ の式を $x$ に $\alpha_nx+\beta_n$ を入れて読むと $G(\alpha_nx+\beta_n)^n=G(x)$ である。$F=G$、$a_n=\alpha_n$、$b_n=\beta_n$ で $F\in\mathcal{D}(G)$ である。
1 ⇒ 2。 $t>0$ を固定する。$W_n:=(M_{\lfloor nt\rfloor}-b_{\lfloor nt\rfloor})/a_{\lfloor nt\rfloor}$ は、$\lfloor nt\rfloor\to\infty$ なので $G$ に分布収束する。一方、$V_n:=(M_{\lfloor nt\rfloor}-b_n)/a_n$ の分布関数は
$$ F(a_nx+b_n)^{\lfloor nt\rfloor}=\bigl(F(a_nx+b_n)^n\bigr)^{\lfloor nt\rfloor/n} $$
なので、$G$ の連続点で $G(x)^t$ に収束する。$V_n=\alpha_nW_n+\beta_n$($\alpha_n=a_{\lfloor nt\rfloor}/a_n$、$\beta_n=(b_{\lfloor nt\rfloor}-b_n)/a_n$)で、$G$ と $G^t$ は退化しないので、安定分布 の補題「型の収束」により $\alpha_n\to\alpha_t>0$、$\beta_n\to\beta_t$ で、$G^t$ は $\alpha_tY+\beta_t$($Y\sim G$)の分布関数である。これは最大値安定の式である。
2 ⇒ 3。 $y>0$ について $\varphi(y):=\inf\{x\mid G(x)\ge e^{-1/y}\}$ とおく。$e^{-1/y}\in(0,1)$ なので $\varphi(y)$ は実数で、$\varphi$ は単調非減少であり、$G$ が退化しないので定数でない。$t,y>0$ について
$$ G(x)\ge e^{-1/(ty)}\iff G(x)^t\ge e^{-1/y}\iff G\bigl((x-\beta_t)/\alpha_t\bigr)\ge e^{-1/y}\iff(x-\beta_t)/\alpha_t\ge\varphi(y) $$
である(最後は $G$ の右連続性)。よって
$$ \varphi(ty)=\alpha_t\varphi(y)+\beta_t\quad(t,y>0) $$
である。$\psi:=\varphi-\varphi(1)$ とおくと、$y=1$ の式を引いて
$$ \psi(ty)=\psi(t)+\alpha_t\psi(y)\qquad(1) $$
である。$ty=yt$ から $\psi(t)+\alpha_t\psi(y)=\psi(y)+\alpha_y\psi(t)$、すなわち
$$ \psi(t)(1-\alpha_y)=\psi(y)(1-\alpha_t)\qquad(2) $$
である。
場合 A:すべての $t$ で $\alpha_t=1$。 (1) は $\psi(ty)=\psi(t)+\psi(y)$ である。$\psi$ は単調で定数でないので、$\psi(y)=\sigma\log y$($\sigma>0$)である(Cauchyの関数方程式 の単調な解)。
場合 B:$\alpha_{t_0}\ne1$ となる $t_0$ がある。 (2) で $t=t_0$ とする。$\psi(t_0)=0$ なら $\psi\equiv0$ となり、$\varphi$ が定数でないことに反する。よって $\psi(t_0)\ne0$ で、(2) から $\psi(y)=\kappa(1-\alpha_y)$($\kappa:=\psi(t_0)/(1-\alpha_{t_0})\ne0$)である。(1) に代入すると $\alpha_{ty}=\alpha_t\alpha_y$ である。$\alpha_y=1-\psi(y)/\kappa$ は単調で正なので、$\alpha_y=y^\gamma$($\gamma\ne0$)である。$\psi$ が非減少なので $-\kappa\gamma>0$ で、$\sigma:=-\kappa\gamma$ として $\psi(y)=\sigma(y^\gamma-1)/\gamma$ である。
逆関数をとる。 どちらの場合も $\mu:=\varphi(1)$ として
$$ \varphi(y)=\mu+\sigma\frac{y^\gamma-1}{\gamma}\quad(\gamma=0\text{ では }\mu+\sigma\log y) $$
である。$\varphi$ は連続で狭義単調なので、値域の開区間の上で $G$ は逆関数として決まり、$x=\varphi(y)$ で $G(x)=e^{-1/y}$ である。$z=(x-\mu)/\sigma$ とすると $y=(1+\gamma z)^{1/\gamma}$($\gamma=0$ では $e^z$)で、$G(x)=G_\gamma(z)$ である。値域の外では単調性から $G$ は $0$ か $1$ である。$\square$

3 つの型は FT28 が見いだし、Gne43 が厳密な形にした。上の証明は分位点の関数方程式 (1) を直接解く形にまとめたものである。極限の分布そのものの方程式ではなく、その逆関数の方程式にすると、$G$ の値を気にせず線形の方程式になる。

どの型に属するか

最大値と裾の個数

$\tau\in[0,\infty]$、$(u_n)$ を実数列とする。$F(u_n)^n\to e^{-\tau}$ と $n\bar F(u_n)\to\tau$ は同値である。

対数をとる

$\tau< \infty$ とする。$n\bar F(u_n)\to\tau$ なら $\bar F(u_n)\to0$ で、$n\log F(u_n)=n\log(1-\bar F(u_n))\sim-n\bar F(u_n)$ である。逆に $F(u_n)^n\to e^{-\tau}>0$ なら $F(u_n)\to1$ で、同じ式から $n\bar F(u_n)\to\tau$ である。
$\tau=\infty$ とする。$n\bar F(u_n)\to\infty$ なら $F(u_n)^n\le e^{-n\bar F(u_n)}\to0$ である。逆に $F(u_n)^n\to0$ で、ある部分列で $n\bar F(u_n)$ が有界なら、さらに部分列で有限の値に収束し、前段から $F(u_n)^n$ が正の値に収束して矛盾する。$\square$

$G=G_\gamma$ の型なら、$F\in\mathcal{D}(G)$ は $n\bar F(a_nx+b_n)\to-\log G(x)$ と同じである。「$n$ 個の中で閾値を超える個数の平均」が収束することが条件である。

正則変動

$\bar F$ が 指数 $-\alpha$ で正則変動する($\alpha>0$)とは、$\bar F(x)>0$($\forall x$)で、すべての $t>0$ について $\bar F(tx)/\bar F(x)\to t^{-\alpha}$($x\to\infty$)となることをいう。

正則変動する関数の一般論(一様収束定理、表現定理、Potter の評価)は 正則変動関数 で扱う。

裾が正則変動する場合
  1. $\bar F$ が指数 $-\alpha$ で正則変動するなら $F\in\mathcal{D}(\Phi_\alpha)$ で、$a_n:=\inf\{x\mid\bar F(x)\le1/n\}$、$b_n:=0$ にとれる($a_n>0$ となる大きい $n$ で。$n=1$ では $\inf$ は $-\infty$ である)。
  2. $x^*< \infty$ で、$\bar F_*(x):=\bar F(x^*-1/x)$($x>0$)が指数 $-\alpha$ で正則変動するなら $F\in\mathcal{D}(\Psi_\alpha)$ で、$a_n:=x^*-\inf\{x\mid\bar F(x)\le1/n\}$、$b_n:=x^*$ にとれる(同じく大きい $n$ で)。
    逆に、$F\in\mathcal{D}(\Phi_\alpha)$ なら 1 の条件が、$F\in\mathcal{D}(\Psi_\alpha)$ なら 2 の条件が成り立つ(Gne43。逆はこの記事では証明しない)。
閾値を $a_n$ の尺度で見る

1。 $\bar F$ は常に正なので $a_n\to\infty$ である。右連続性から $\bar F(a_n)\le1/n$ で、$t>1$ なら $a_n/t< a_n$($a_n>0$ の範囲)なので $\bar F(a_n/t)>1/n$ である。よって
$$ 1\ge n\bar F(a_n)\ge\frac{\bar F(a_n)}{\bar F(a_n/t)}\to t^{-\alpha} $$
である。$t\downarrow1$ として $n\bar F(a_n)\to1$ である。$x>0$ で $n\bar F(a_nx)=n\bar F(a_n)\cdot\bar F(a_nx)/\bar F(a_n)\to x^{-\alpha}$ であり、lem-ev-tail から $F(a_nx)^n\to\exp(-x^{-\alpha})$ である。$x\le0$ では $x'>0$ の値で上から抑えて $\limsup F(a_nx)^n\le\exp(-x'^{-\alpha})\to0$($x'\downarrow0$)である。
2。 $Z:=1/(x^*-X)$ に 1 を使い、$z\mapsto-1/z$ で戻す。$\square$

2 の計算を開く

$Z$ の裾は $P(Z>z)=\bar F(x^*-1/z)=\bar F_*(z)$ である。正則変動から単調な $\bar F_*$ の極限は $0$ なので、$P(X=x^*)=0$ で $Z$ は確率 $1$ で定まる。1 を $Z$ に使うと、$\tilde a_n:=\inf\{z\mid\bar F_*(z)\le1/n\}=1/a_n$ について $W_n:=\max_iZ_i/\tilde a_n$ が $\Phi_\alpha$ に分布収束する。$(M_n-x^*)/a_n=-1/W_n$ なので、$x< 0$ で $P((M_n-x^*)/a_n\le x)=P(W_n\le-1/x)\to\Phi_\alpha(-1/x)=\exp(-(-x)^\alpha)$ である。$x\ge0$ では確率は $1$ である。

von Mises の条件

$F$ が右端点 $x^*\le\infty$ の左の近傍で 2 回微分可能で $F'>0$、$F(x)\to1$($x\uparrow x^*$)とする。$h:=\bar F/F'$ とおき、$x\uparrow x^*$ で $h'(x)\to0$ とする。このとき $F\in\mathcal{D}(G_0)$ で、$F(b_n)=1-1/n$ となる $b_n$ と $a_n:=h(b_n)$ にとれる。

対数微分して積分する

$h$ は $x^*$ までの距離より小さい。 $x^*=\infty$ なら、$h'\to0$ を積分して $h(t)/t\to0$ である。$x^*< \infty$ なら、$h'$ は有界なので極限 $c:=\lim_{t\uparrow x^*}h(t)\ge0$ がある。$c>0$ なら $(\log\bar F)'=-1/h$ が有界で $\bar F(x^*-)>0$ となり、$F\to1$ に反する。よって $c=0$ で、$h(t)=-\int_t^{x^*}h'$ から $h(t)/(x^*-t)\to0$ である。
裾の比を計算する。 $x\in\mathbb{R}$ を固定する。前段から、$t$ が $x^*$ に近ければ $t+h(t)w$($\lvert w\rvert\le\lvert x\rvert$)は $x^*$ の左にあり、$t\uparrow x^*$ で $x^*$ に近づく。$(\log\bar F)'=-1/h$ を $s=t+h(t)w$ で置換すると
$$ \log\frac{\bar F(t+h(t)x)}{\bar F(t)}=-\int_0^x\frac{h(t)}{h(t+h(t)w)}\,dw $$
である。平均値の定理から $\lvert h(t+h(t)w)/h(t)-1\rvert\le\lvert x\rvert\sup\lvert h'\rvert$($\sup$ は $t+h(t)w$ の動く範囲)で、右辺は $0$ に近づく。よって被積分関数は $1$ に一様に収束し、
$$ \frac{\bar F(t+h(t)x)}{\bar F(t)}\to e^{-x} $$
である。$t=b_n$ とすると $n\bar F(a_nx+b_n)\to e^{-x}$ で、lem-ev-tail から結論を得る。$\square$

主な分布の属する型は次のとおりである。$F^n(a_nx+b_n)$ の極限が右の列で、$\rho$ と $\bar{\mathrm N}$ は標準正規分布の密度と裾である。

分布裾 $\bar F$$a_n$$b_n$極限
指数分布$e^{-x}$$1$$\log n$$G_0$
正規分布$\sim\rho(x)/x$$1/\sqrt{2\log n}$下の式$G_0$
対数正規分布$\bar{\mathrm N}(\log x)$$h(b_n)$$\exp\bar{\mathrm N}^{-1}(1/n)$$G_0$
Pareto分布$x^{-\alpha}$($x\ge1$)$n^{1/\alpha}$$0$$\Phi_\alpha$
Cauchy分布$\sim1/(\pi x)$$n/\pi$$0$$\Phi_1$
$[0,1]$ の一様分布$1-x$$1/n$$1$$\Psi_1$

指数分布は直接 $F(x+\log n)^n=(1-e^{-x}/n)^n\to\exp(-e^{-x})$ である。対数正規分布はすべての積率が有限で、Gumbel 型に入る。Fréchet 型の裾は $k>\alpha$ の積率が無限になる程度に重い($k=\alpha$ は裾による。$\bar F(x)=x^{-\alpha}(\log x)^{-2}$($x\ge e$)では有限である)。

正規分布の最大値は収束が遅い

$h=\bar{\mathrm N}/\rho$ は $h'(x)=xh(x)-1$ で、Mills 比の評価 $x/(1+x^2)< h(x)< 1/x$ から $h'\to0$ である。thm-ev-gumbel が使えて、$a_n=h(b_n)\sim1/\sqrt{2\log n}$ である。$b_n$ は
$$ u_n:=\sqrt{2\log n}-\frac{\log\log n+\log4\pi}{2\sqrt{2\log n}} $$
に替えてよい。

確認を開く

$u_n^2/2=\log n-\tfrac12(\log\log n+\log4\pi)+o(1)$ と $\bar{\mathrm N}(u)\sim\rho(u)/u$ から $n\bar{\mathrm N}(u_n)\to1$ である。$n\bar{\mathrm N}(a_nx+b_n)\to e^{-x}$ と単調性から $(u_n-b_n)/a_n\to0$ で、極限は変わらない。


収束は $n$ のべきではなく $\log n$ の程度でしか進まず、遅い。$b_n$ を $u_n$ に、$a_n$ を $1/\sqrt{2\log n}$ にとると、$x=1$ の値は、極限の $G_0(1)\approx0.6922$ に対し、$n=10^3$ で $0.7010$、$n=10^{12}$ でも $0.6964$ である。$n=1000$ の $M_n$ の平均は $3.2414$ で、近似 $u_n+\gamma_{\mathrm{E}}/\sqrt{2\log n}\approx3.2718$($\gamma_{\mathrm{E}}$ は Euler 定数)とは $0.03$ ずれる。

型が決まらない分布もある。

幾何分布は吸引域に入らない

$0< q< 1$ とし、$\bar F(k)=q^k$($k=0,1,2,\dots$)の 幾何分布 を考える。$F$ はどの極値吸引域にも属さない。

裾の比が離散的な値しかとらない

$F\in\mathcal{D}(G)$ とする。thm-ev-ftg から $G$ は一般極値分布なので、$0< G< 1$ となる開区間の上で連続で狭義単調である。その区間の $x_1< x_2$ と $\tau_i:=-\log G(x_i)$ について、$\tau_2/\tau_1\in(0,1)$ は連続に動くので、$\tau_2/\tau_1\notin\{q^m\mid m\in\mathbb{Z}\}$ となるようにとれる。$u_{n,i}:=a_nx_i+b_n$ とおくと、lem-ev-tail から $n\bar F(u_{n,i})\to\tau_i>0$ である。$\bar F(u_{n,2})/\bar F(u_{n,1})$ は $q$ の整数べきで、$\tau_2/\tau_1$ に収束する。$\{q^m\}$ は $(0,\infty)$ の閉集合なので矛盾である。$\square$

実際、$q=1/2$ の $P(M_n\le\log_2n)$ は、$n=2^m$ の列で $e^{-1}\approx0.368$ に、$2^{m+1/2}$ に最も近い整数 $n$ の列で $e^{-\sqrt2}\approx0.243$ に近づき、振動する。

超過点の全体

最大値だけでなく、大きい値の全体を見る。$(X_i)$ を正規化した点の全体は Poisson点過程 に近づく。

超過点の Poisson 極限

$F\in\mathcal{D}(G)$ とし、$\Pi_n:=\sum_{i\le n}\delta_{(X_i-b_n)/a_n}$ とする。$x_0:=\inf\{x\mid G(x)>0\}$ とし、$(x_0,\infty)$ の上の測度 $\lambda$ を $\lambda((x,\infty))=-\log G(x)$ で定める。

  1. 互いに素な区間 $B_j=(c_j,d_j]$($x_0< c_j< d_j\le\infty$、$d_j=\infty$ では開区間)について、$(\Pi_n(B_1),\dots,\Pi_n(B_m))$ は独立な $\mathrm{Po}(\lambda(B_j))$ の組に分布収束する。
  2. $k$ 番目に大きい値を $M_n^{(k)}$ とすると、$G(x)>0$ で
    $$ P\Bigl(\frac{M_n^{(k)}-b_n}{a_n}\le x\Bigr)\to G(x)\sum_{j=0}^{k-1}\frac{(-\log G(x))^j}{j!} $$
    である。
裾の個数の補題と二項過程の極限

$P_n$ を $(X_1-b_n)/a_n$ の分布とする。thm-ev-ftg から $G$ は連続である。lem-ev-tail から $x>x_0$ で $nP_n((x,\infty))=n\bar F(a_nx+b_n)\to-\log G(x)$ で、差をとれば $nP_n(B_j)\to\lambda(B_j)$ である。Poisson点過程 の定理「二項過程の Poisson 極限」から 1 を得る。2 は $\{M_n^{(k)}\le a_nx+b_n\}=\{\Pi_n((x,\infty))< k\}$ に 1 を使う。$\square$

$k=1$ が元の極限である。複数の $x$ の事象も区間の個数で書けるので、$(M_n^{(1)},\dots,M_n^{(k)})$ の同時の極限は、$\lambda$ を強度とする Poisson点過程の大きいほうから $k$ 個の点である。

指数分布の順序統計量の差

指数分布なら $\lambda((x,\infty))=e^{-x}$ である。強度 $1$ の直線上の点 $\Gamma_1< \Gamma_2< \dots$ を $s\mapsto-\log s$ で写すと、この $\lambda$ を強度とする点になる。よって上位の点の極限は $-\log\Gamma_1>-\log\Gamma_2>\dots$ である。$\Gamma_1/\Gamma_2$ は $(0,1)$ の一様分布に従うので、最大と 2 番目の差の極限 $\log(\Gamma_2/\Gamma_1)$ は平均 $1$ の指数分布に従う。これは 順序統計量 の差の厳密な分布(どの $n$ でも $M_n^{(1)}-M_n^{(2)}$ は平均 $1$ の指数分布)と一致する。

閾値を超えた分の分布

閾値を超えた超過分を直接扱う方法もある。$\gamma\in\mathbb{R}$、$\beta>0$ について
$$ H_{\gamma,\beta}(y):=1-\Bigl(1+\frac{\gamma y}{\beta}\Bigr)^{-1/\gamma}\quad(y\ge0,\ 1+\gamma y/\beta>0) $$
($\gamma=0$ では $1-e^{-y/\beta}$)を 一般化 Pareto 分布 という。

超過分の極限

$F\in\mathcal{D}(G_\gamma)$ とする。$1+\gamma x_0>0$ となる $x_0$ を固定し、$u_n:=a_nx_0+b_n$、$\beta_n:=a_n(1+\gamma x_0)$ とおく。$y\ge0$ で
$$ P\bigl(X-u_n>\beta_ny\bigm|X>u_n\bigr)\to(1+\gamma y)^{-1/\gamma}\quad(\gamma=0\text{ では }e^{-y}) $$
である。右辺は $1+\gamma y\le0$($\gamma< 0$)では $0$ と読む。

裾の個数の比をとる

$\gamma\ne0$ とする。$u_n+\beta_ny=a_n(x_0+(1+\gamma x_0)y)+b_n$ で、$1+\gamma(x_0+(1+\gamma x_0)y)=(1+\gamma x_0)(1+\gamma y)$ である。lem-ev-tail から、分母の $n\bar F(u_n)$ は $(1+\gamma x_0)^{-1/\gamma}>0$ に、分子の $n\bar F(u_n+\beta_ny)$ は $((1+\gamma x_0)(1+\gamma y))^{-1/\gamma}$ に収束する。比をとって結論を得る。$\gamma=0$ なら $\beta_n=a_n$ で、$e^{-x_0-y}/e^{-x_0}=e^{-y}$ である。$\square$

Pickands–Balkema–de Haan の定理

prop-ev-excess は閾値を列 $u_n$ に沿って動かす形である。連続な閾値 $u\uparrow x^*$ について $P(X-u\le y\mid X>u)$ が $H_{\gamma,\beta(u)}(y)$ に $y$ について一様に近づくことと吸引域に属することの対応は、BdH74、Pic75 による。この記事では証明しない。

$H_{\gamma,\beta}$ は閾値を上げても同じ族に留まる。$Y\sim H_{\gamma,\beta}$ なら $Y-v$ の $Y>v$ のもとの条件つき分布は $H_{\gamma,\beta+\gamma v}$ である。したがって $\gamma< 1$ で平均超過 $E[Y-v\mid Y>v]=(\beta+\gamma v)/(1-\gamma)$ は $v$ の 1 次式である。

使い方の例

再現水準

毎年の最大値が $G_\gamma((x-\mu)/\sigma)$ に従うとする。$T$ 年に 1 度超える水準 $z_T$ を $G_\gamma((z_T-\mu)/\sigma)=1-1/T$ で定める(再現水準)。$p:=-\log(1-1/T)$ とおくと
$$ z_T=\mu+\sigma\frac{p^{-\gamma}-1}{\gamma}\quad(\gamma=0\text{ では }\mu-\sigma\log p) $$
である。例として $\mu=100$、$\sigma=20$ と固定した計算は次のようになる。

$T$$\gamma=-0.2$$\gamma=0$$\gamma=0.2$
$10$$136.2$$145.0$$156.8$
$100$$160.1$$192.0$$250.9$
$1000$$174.9$$238.1$$398.1$

$T$ が大きいほど、$\gamma$ のわずかな差が大きく効く。データの範囲を超えた外挿は、$\gamma$ の推定に強く依存する。統計の実際は Col01、保険数学 と金融への応用は EKM97 にまとまった扱いがある。

独立でない列:移動最大

$(Z_i)$ を独立同分布とし、$X_i:=\max(Z_i,Z_{i+1})$ とする。$X_i$ は定常で、周辺分布は $F=F_Z^2$ である。$n\bar F(u_n)\to\tau$ なら
$$ P(M_n\le u_n)=F_Z(u_n)^{n+1}=F(u_n)^{(n+1)/2}\to e^{-\tau/2} $$
である。独立なら $e^{-\tau}$ になるところが、$\tau$ を $\tau/2$ に置き換えた形になる。大きい $Z_i$ は隣り合う 2 つの $X$ に現れるので、超過点が 2 個ずつ固まる。この定数 $1/2$ を extremal index という。依存の弱い定常列の理論は LLR83 にある。

独立な最大値と Tracy–Widom分布。 独立な $N$ 個の標準正規分布の最大値は $\sqrt{2\log N}$ の近くにあり、揺らぎの大きさは $1/\sqrt{2\log N}$ で、極限は Gumbel 型である。一方 GUE の最大固有値は $2\sqrt N$ の近くにあり、揺らぎは $N^{-1/6}$ で、極限は Tracy–Widom 分布である。固有値は反発しあって独立でないので、この記事の定理は当てはまらない。
体系的な扱いは dHF06、EKM97 にあり、点過程と正則変動による扱いは Res87 にある。

反例

定理外す仮定例成り立たなくなること
thm-ev-ftg独立性$X_i=X_1$、$X_1$ は $[0,1]$ の一様分布$M_n=X_1$ で、$a_n=1$、$b_n=0$ の極限は一様分布で、最大値安定でない
thm-ev-ftg同分布独立で $X_1$ が $[0,1]$ の一様分布、$X_i\equiv-1$($i\ge2$)同じく極限が一様分布になる
thm-ev-ftg極限の非退化性指数分布、$a_n=n$、$b_n=0$$M_n/n\to0$ で、極限は $0$ の点質量である。正規化が大きすぎる
thm-ev-ftg の使い方極限の存在prop-ev-geometric の幾何分布どの $a_n,b_n$ でも非退化な極限がない
thm-ev-gumbel$F(x)\to1$($x\uparrow x^*$)$h(t)=1+(x^*-t)^2$ を解いて作る、$x^*$ に原子をもつ $F$$h'\to0$ だが $M_n=x^*$ の確率が $1$ に近づき、極限は退化する
thm-ev-poisson独立性ex-ev-moving の移動最大$\Pi_n$ の超過点の個数が $0$ になる確率は $e^{-\tau/2}$ で、$\mathrm{Po}(\tau)$ に収束しない

関連項目

参考文献

[1]
R. A. Fisher, L. H. C. Tippett, Limiting forms of the frequency distribution of the largest or smallest member of a sample, Mathematical Proceedings of the Cambridge Philosophical Society, 1928, pp. 180–190
[2]
B. Gnedenko, Sur la distribution limite du terme maximum d'une série aléatoire, Annals of Mathematics, 1943, pp. 423–453
[3]
A. A. Balkema, L. de Haan, Residual life time at great age, The Annals of Probability, 1974, pp. 792–804
[4]
James Pickands III, Statistical inference using extreme order statistics, The Annals of Statistics, 1975, pp. 119–131

Mathpediaは寄付と、参考文献の書籍リンク(Amazonアソシエイト)の紹介料で運営されています。 支援について / 寄付する