形式陈述
大量观测中的最大值,是否也有类似中心极限定理的通用极限?设 X 1 , X 2 , … 为具有共同分布 F 的独立同分布样本 理路 独立同分布样本 IID sample · Independent and identically distributed sample 以乘积分布描述来自同一总体的独立重复观测。 ,令 M n = max 1 ≤ i ≤ n X i 。假设存在 a n > 0 , b n ∈ R ,使
M n − b n a n ⇒ G 依分布收敛 理路 依分布收敛 Convergence in distribution · Weak convergence 分布函数在极限分布连续点处收敛的随机变量收敛概念。 到非退化分布。则 G 必为某个广义极值分布:在 1 + ξ ( x − μ ) / σ > 0 上,
G ( x ) = exp [ − ( 1 + ξ x − μ σ ) − 1 / ξ ] , σ > 0. μ 是位置,σ 是尺度,ξ 是形状。ξ = 0 时取连续极限
G ( x ) = exp [ − e − ( x − μ ) / σ ] . 若 ξ > 0 ,在左端点 x ≤ μ − σ / ξ 补为零;若 ξ < 0 ,在右端点 x ≥ μ − σ / ξ 补为一。三种形状分别称 Fréchet、Gumbel 和反向 Weibull 类型。
定理的前提是“存在非退化极限”。它不保证每个总体都存在这种极限,也不直接替每个总体选择归一化常数。
直觉
和的极限来自“把若干小和再加起来”,最大值的极限来自“把若干块的最大值再取最大”。若整个样本和每个大块都趋向同一种形状,这种形状在再次取最大并调整位置尺度后必须保持不变。
这种最大稳定性比“某个尾部看起来很长”更严格。它将所有可能的极限压缩到一个形状参数族,而形状参数主要记录右尾是幂型、较快下降型,还是以幂次靠近有限端点。
例子与边界
幂尾:最大值按幂次长大
若 P ( X > x ) = x − α ,x ≥ 1 、α > 0 ,则对固定 x > 0 及充分大的 n ,
P ( M n n 1 / α ≤ x ) = ( 1 − x − α n ) n ⟶ e − x − α . 极限为 Fréchet 类型,形状 ξ = 1 / α > 0 。最大值规模是 n 1 / α ,不是普遍的 n 。
指数尾:最大值只按对数移动
若 F ( x ) = 1 − e − x ,x ≥ 0 ,则对每个固定实数 x 及充分大的 n ,
P ( M n − log n ≤ x ) = ( 1 − e − x n ) n ⟶ e − e − x , x ∈ R . 这里中心化 log n 消除主要增长,尺度常数为一,得到 Gumbel 类型 ξ = 0 。
有限端点:放大距离端点的缺口
若 X 在 ( 0 , 1 ) 均匀分布,对固定 x ≤ 0 及充分大的 n 有
P ( n ( M n − 1 ) ≤ x ) = ( 1 + x n ) n ⟶ e x . 对 x > 0 分布函数为一。这是反向 Weibull 类型,ξ = − 1 。最大值本身趋向一;要看非退化波动,必须把剩余缺口放大 n 倍。
有限端点并不自动意味着 ξ < 0 ,Gumbel 吸引域也可能有有限端点。若总体在端点含正质量,最大值更会以概率趋一恰好等于端点,通常无法得到这里的非退化连续极限。判定须看完整尾部条件。
推论与应用
从独立分块得到最大稳定性
由分布函数 理路 分布函数 Cumulative distribution function · CDF 实值分布在每个阈值左侧累积的概率,是非降右连续且端点极限为零和一的函数。 及独立性,P ( M n ≤ x ) = F ( x ) n 。比较不同样本量的归一化,先需要收敛类型引理:若 Z n ⇒ Z 、c n Z n + d n ⇒ W ,其中 c n > 0 且两个极限都是正常的非退化实分布,则 c n → c > 0 , d n → d ,而 W = d c Z + d 。
这里给出引理的证明。设 Q H 表示分布 H 的左广义分位。选 0 < p < q < 1 ,使两种极限分位在这两个概率处连续,而且两种分位差都为正;先选足够靠近零与一的概率跨过各自两个不同取值,再避开单调分位的可数个不连续点即可。弱收敛的分布函数夹逼给对应分位收敛:在 Q H ( p ) 两侧选连续高度,使其分布概率分别小于和大于 p ,再缩小高度间隔。正仿射映射与广义分位精确交换,故
c n = Q c n Z n + d n ( q ) − Q c n Z n + d n ( p ) Q Z n ( q ) − Q Z n ( p ) ⟶ c > 0. 代回概率 p 的分位式得到 d n → d 。同样的分位夹逼说明变换后的极限是 c Z + d ;两处不同分位也使 c , d 唯一。非退化性保证这里没有把零分位差放进分母。
现在直接处理任意实数 r > 0 ,令 m n = ⌊ r n ⌋ 。在 G 的连续点,
P ( M m n − b n a n ≤ x ) = [ F ( a n x + b n ) n ] m n / n ⟶ G ( x ) r . 而同一个 M m n 用 a m n , b m n 归一化后趋于 G 。收敛类型引理因此给唯一的 A r > 0 , B r ,满足
G ( A r x + B r ) = G ( x ) 1 / r . 特别对整数 m ,G ( A m x + B m ) m = G ( x ) ,正是独立 m 块的最大稳定性。实数倍率已经由完整样本量序列得到,无须预先假定 G 连续再从整数倍率猜测延拓。
仿射复合如何产生三种类型
记 T r ( x ) = A r x + B r 。唯一性给 T 1 为恒等映射及 T r s = T r ∘ T s 。若 r j → r > 0 ,分布函数 G r j 弱收敛到 G r ;再次对固定的非退化 G 使用收敛类型引理,便得 A r j → A r , B r j → B r 。因此这确实是连续的正仿射族。
复合关系给
A r s = A r A s , B r s = A r B s + B r . 连续的乘法方程使 A r = r ξ 。若 ξ ≠ 0 ,交换 r , s 并固定一个 s ≠ 1 ,得到 B r = κ ( r ξ − 1 ) ;若 ξ = 0 ,则 B r = c log r 。
取 x 0 使 0 < G ( x 0 ) < 1 。当 ξ = 0 ,r > 1 时 G ( T r x 0 ) > G ( x 0 ) 强迫 c > 0 ,否则 T r x 0 ≤ x 0 与单调性矛盾。沿这条覆盖实轴的轨道选 μ 使 G ( μ ) = e − 1 ,取 σ = c ,便有
G ( μ + σ x ) = exp ( − e − x ) . 当 ξ ≠ 0 ,x 0 + κ 不能为零,否则轨道固定而分布概率却随 r 改变。仍由 r > 1 的单调性得到 ξ ( x 0 + κ ) > 0 。沿轨道选 μ 使 G ( μ ) = e − 1 ,并令 σ = ξ ( μ + κ ) > 0 。恒等式
T r ( x ) + κ = r ξ ( x + κ ) 说明该轨道恰好覆盖 1 + ξ ( x − μ ) / σ > 0 的半轴,解出 r 后得到
G ( x ) = exp [ − ( 1 + ξ x − μ σ ) − 1 / ξ ] . ξ > 0 时内部在下端点的极限为零,故端点以下的 CDF 必为零;ξ < 0 时内部在上端点的极限为一,故端点及以上的 CDF 为一。这同时证明所得极限连续,并核对了正尺度与正确的支持方向。
在标准位置尺度下,仿射族仍可写为
T r ( x ) = { r ξ x + ( r ξ − 1 ) / ξ , ξ ≠ 0 , x + log r , ξ = 0 , 而 V = − log G 满足 V ( T r x ) = V ( x ) / r 、V ( 0 ) = 1 ,所以 V ( x ) = ( 1 + ξ x ) − 1 / ξ 或 e − x 。完整分类由此得到;三个基准例子说明各类型可以出现,不能替代这段一般证明。
最大值吸引域 理路 最大值吸引域 Maximum domain of attraction · Tail quantile criterion for extreme values 最大值吸引域把总体尾部与特定极值极限联系起来,尾分位的扩展正则变化同时给出判据与归一化。 接着回答“一个具体 F 是否会进入某种类型、怎样归一化”。它与本页的极限分类分工不同。分析中的极值定理 理路 极值定理 Extreme value theorem 连续实值函数在非空紧空间上取得最大值和最小值。 则讨论连续函数在紧集上取到最大最小值,虽然名字接近,对象完全不同。
参考资料
Richard L. Smith and Ishay Weissman, 《Extreme Values》 ,§2.1, Theorem 2.1。该讲义明确省略收敛类型与最大稳定分类的证明;本页另给出两分位引理、实数倍率与仿射族分类,不把定理陈述当作已提供的证明。
Clement Lee and Zak Varty, Lancaster 极值课程第 2 章 ,§2.1.2–2.1.5 的归一化与 GEV,§2.1.8 标为“Pseudo Proofs”的分块解释;它提供直觉而非完整的实数倍率分类。