Skip to content

定理Theorem

Fisher–Tippett–Gnedenko 极值定理

施工中 · 内容逐步修订

Fisher-Tippett-Gnedenko theorem · Extreme types theorem

独立同分布最大值若存在线性归一化后的非退化极限,该极限必属于广义极值分布族。

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 X1,X2,… 为具有共同分布 F 的独立同分布样本,令 Mn=max1≤i≤nXi。假设存在 an>0,bn∈R,使

Mn−bnan⇒G

依分布收敛到非退化分布。则 G 必为某个广义极值分布:在 1+ξ(x−μ)/σ>0 上,

G(x)=exp⁡[−(1+ξx−μσ)−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(Mnn1/α≤x)=(1−x−αn)n⟶e−x−α.

极限为 Fréchet 类型,形状 ξ=1/α>0。最大值规模是 n1/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(Mn−log⁡n≤x)=(1−e−xn)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(Mn−1)≤x)=(1+xn)n⟶ex.

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 ​

由分布函数及独立性,P(Mn≤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 Zn⇒Z、cnZn+dn⇒W,其中 cn>0 且两个极限都是正常的非退化实分布,则 cn→c>0,dn→d,而 W=dcZ+d。

这里给出引理的证明。设 QH 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 QH(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

cn=QcnZn+dn(q)−QcnZn+dn(p)QZn(q)−QZn(p)⟶c>0.

代回概率 p 的分位式得到 dn→d。同样的分位夹逼说明变换后的极限是 cZ+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 mn=⌊rn⌋。在 G 的连续点,

P(Mmn−bnan≤x)=[F(anx+bn)n]mn/n⟶G(x)r.

而同一个 Mmn 用 amn,bmn 归一化后趋于 G。收敛类型引理因此给唯一的 Ar>0,Br,满足

G(Arx+Br)=G(x)1/r.

特别对整数 m,G(Amx+Bm)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 Tr(x)=Arx+Br。唯一性给 T1 为恒等映射及 Trs=Tr∘Ts。若 rj→r>0,分布函数 Grj 弱收敛到 Gr;再次对固定的非退化 G 使用收敛类型引理,便得 Arj→Ar,Brj→Br。因此这确实是连续的正仿射族。

复合关系给

Ars=ArAs,Brs=ArBs+Br.

连续的乘法方程使 Ar=rξ。若 ξ≠0,交换 r,s 并固定一个 s≠1,得到 Br=κ(rξ−1);若 ξ=0,则 Br=clog⁡r。

取 x0 使 0<G(x0)<1。当 ξ=0,r>1 时 G(Trx0)>G(x0) 强迫 c>0,否则 Trx0≤x0 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+σx)=exp⁡(−e−x).

当 ξ≠0,x0+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(x0+κ)>0。沿轨道选 μ 使 G(μ)=e−1,并令 σ=ξ(μ+κ)>0。恒等式

Tr(x)+κ=rξ(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+ξx−μσ)−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

Tr(x)={rξx+(rξ−1)/ξ,ξ≠0,x+log⁡r,ξ=0,

而 V=−log⁡G 满足 V(Trx)=V(x)/r、V(0)=1,所以 V(x)=(1+ξx)−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。
关系图谱13 个相邻概念 · 2 类关系

拖动节点调整位置。

显示关系

显示:依赖

  1. 前置三跳
  2. 前置二跳
  3. 前置一跳
  4. 当前条目
  5. 后续一跳
  6. 后续二跳
  7. 后续三跳
文字版关系按与当前条目的最短距离分组
类型化关系