En estadística , la distribució de Pareto generalitzada (GPD) és una família de distribucions de probabilitat contínues. Sovint s'utilitza per modelar les cues d'una altra distribució. S'especifica per tres paràmetres: ubicació
μ
{\displaystyle \mu }
, escala
σ
{\displaystyle \sigma }
, i forma
ξ
{\displaystyle \xi }
.[1] [2] De vegades només s'especifica per l'escala i la forma[3] i de vegades només pel seu paràmetre de forma. Algunes referències donen el paràmetre de forma com
κ
=
−
ξ
{\displaystyle \kappa =-\xi \,}
.[4]
Distribució de Pareto generalitzadaFunció de densitat de probabilitat
Funció de distribució de probabilitat
Tipus distribució de probabilitat contínua Paràmetres
μ
∈
(
−
∞
,
∞
)
{\displaystyle \mu \in (-\infty ,\infty )\,}
ubicació (real )
σ
∈
(
0
,
∞
)
{\displaystyle \sigma \in (0,\infty )\,}
escala (real)
ξ
∈
(
−
∞
,
∞
)
{\displaystyle \xi \in (-\infty ,\infty )\,}
forma (real)Suport
x
⩾
μ
(
ξ
⩾
0
)
{\displaystyle x\geqslant \mu \,\;(\xi \geqslant 0)}
μ
⩽
x
⩽
μ
−
σ
/
ξ
(
ξ
<
0
)
{\displaystyle \mu \leqslant x\leqslant \mu -\sigma /\xi \,\;(\xi <0)}
fdp
1
σ
(
1
+
ξ
z
)
−
(
1
/
ξ
+
1
)
{\displaystyle {\frac {1}{\sigma }}(1+\xi z)^{-(1/\xi +1)}}
on
z
=
x
−
μ
σ
{\displaystyle z={\frac {x-\mu }{\sigma }}}
FD
1
−
(
1
+
ξ
z
)
−
1
/
ξ
{\displaystyle 1-(1+\xi z)^{-1/\xi }\,}
Esperança matemàtica
μ
+
σ
1
−
ξ
(
ξ
<
1
)
{\displaystyle \mu +{\frac {\sigma }{1-\xi }}\,\;(\xi <1)}
Mediana
μ
+
σ
(
2
ξ
−
1
)
ξ
{\displaystyle \mu +{\frac {\sigma (2^{\xi }-1)}{\xi }}}
Moda
μ
{\displaystyle \mu }
Variància
σ
2
(
1
−
ξ
)
2
(
1
−
2
ξ
)
(
ξ
<
1
/
2
)
{\displaystyle {\frac {\sigma ^{2}}{(1-\xi )^{2}(1-2\xi )}}\,\;(\xi <1/2)}
Coeficient de simetria
2
(
1
+
ξ
)
1
−
2
ξ
(
1
−
3
ξ
)
(
ξ
<
1
/
3
)
{\displaystyle {\frac {2(1+\xi ){\sqrt {1-2\xi }}}{(1-3\xi )}}\,\;(\xi <1/3)}
Curtosi
3
(
1
−
2
ξ
)
(
2
ξ
2
+
ξ
+
3
)
(
1
−
3
ξ
)
(
1
−
4
ξ
)
−
3
(
ξ
<
1
/
4
)
{\displaystyle {\frac {3(1-2\xi )(2\xi ^{2}+\xi +3)}{(1-3\xi )(1-4\xi )}}-3\,\;(\xi <1/4)}
Entropia
log
(
σ
)
+
ξ
+
1
{\displaystyle \log(\sigma )+\xi +1}
FGM
e
θ
μ
∑
j
=
0
∞
[
(
θ
σ
)
j
∏
k
=
0
j
(
1
−
k
ξ
)
]
,
(
k
ξ
<
1
)
{\displaystyle e^{\theta \mu }\,\sum _{j=0}^{\infty }\left[{\frac {(\theta \sigma )^{j}}{\prod _{k=0}^{j}(1-k\xi )}}\right],\;(k\xi <1)}
FC
e
i
t
μ
∑
j
=
0
∞
[
(
i
t
σ
)
j
∏
k
=
0
j
(
1
−
k
ξ
)
]
,
(
k
ξ
<
1
)
{\displaystyle e^{it\mu }\,\sum _{j=0}^{\infty }\left[{\frac {(it\sigma )^{j}}{\prod _{k=0}^{j}(1-k\xi )}}\right],\;(k\xi <1)}
La funció de distribució acumulada estàndard (cdf) de la GPD es defineix per [5]
F
ξ
(
z
)
=
{
1
−
(
1
+
ξ
z
)
−
1
/
ξ
per a
ξ
≠
0
,
1
−
e
−
z
per a
ξ
=
0.
{\displaystyle F_{\xi }(z)={\begin{cases}1-\left(1+\xi z\right)^{-1/\xi }&{\text{per a }}\xi \neq 0,\\1-e^{-z}&{\text{per a }}\xi =0.\end{cases}}}
on hi ha el suport
z
≥
0
{\displaystyle z\geq 0}
per
ξ
≥
0
{\displaystyle \xi \geq 0}
i
0
≤
z
≤
−
1
/
ξ
{\displaystyle 0\leq z\leq -1/\xi }
per
ξ
<
0
{\displaystyle \xi <0}
. La funció de densitat de probabilitat corresponent (fdp) és
f
ξ
(
z
)
=
{
(
1
+
ξ
z
)
−
ξ
+
1
ξ
per a
ξ
≠
0
,
e
−
z
per a
ξ
=
0.
{\displaystyle f_{\xi }(z)={\begin{cases}(1+\xi z)^{-{\frac {\xi +1}{\xi }}}&{\text{per a }}\xi \neq 0,\\e^{-z}&{\text{per a }}\xi =0.\end{cases}}}
La família de distribucions a escala de localització relacionada s'obté substituint l'argument z per
x
−
μ
σ
{\displaystyle {\frac {x-\mu }{\sigma }}}
i ajustant el suport en conseqüència.
La funció de distribució acumulada de
X
∼
G
P
D
(
μ
,
σ
,
ξ
)
{\displaystyle X\sim GPD(\mu ,\sigma ,\xi )}
(
μ
∈
R
{\displaystyle \mu \in \mathbb {R} }
,
σ
>
0
{\displaystyle \sigma >0}
, i
ξ
∈
R
{\displaystyle \xi \in \mathbb {R} }
) és
F
(
μ
,
σ
,
ξ
)
(
x
)
=
{
1
−
(
1
+
ξ
(
x
−
μ
)
σ
)
−
1
/
ξ
per a
ξ
≠
0
,
1
−
exp
(
−
x
−
μ
σ
)
per a
ξ
=
0
,
{\displaystyle F_{(\mu ,\sigma ,\xi )}(x)={\begin{cases}1-\left(1+{\frac {\xi (x-\mu )}{\sigma }}\right)^{-1/\xi }&{\text{per a }}\xi \neq 0,\\1-\exp \left(-{\frac {x-\mu }{\sigma }}\right)&{\text{per a }}\xi =0,\end{cases}}}
on el suport de
X
{\displaystyle X}
és
x
⩾
μ
{\displaystyle x\geqslant \mu }
Quan
ξ
⩾
0
{\displaystyle \xi \geqslant 0\,}
, i
μ
⩽
x
⩽
μ
−
σ
/
ξ
{\displaystyle \mu \leqslant x\leqslant \mu -\sigma /\xi }
Quan
ξ
<
0
{\displaystyle \xi <0}
.
La funció de densitat de probabilitat (fdp) de
X
∼
G
P
D
(
μ
,
σ
,
ξ
)
{\displaystyle X\sim GPD(\mu ,\sigma ,\xi )}
és
f
(
μ
,
σ
,
ξ
)
(
x
)
=
1
σ
(
1
+
ξ
(
x
−
μ
)
σ
)
(
−
1
ξ
−
1
)
{\displaystyle f_{(\mu ,\sigma ,\xi )}(x)={\frac {1}{\sigma }}\left(1+{\frac {\xi (x-\mu )}{\sigma }}\right)^{\left(-{\frac {1}{\xi }}-1\right)}}
de nou, per
x
⩾
μ
{\displaystyle x\geqslant \mu }
Quan
ξ
⩾
0
{\displaystyle \xi \geqslant 0}
, i
μ
⩽
x
⩽
μ
−
σ
/
ξ
{\displaystyle \mu \leqslant x\leqslant \mu -\sigma /\xi }
Quan
ξ
<
0
{\displaystyle \xi <0}
.
La fdp és una solució de l'equació diferencial següent:
{
f
′
(
x
)
(
−
μ
ξ
+
σ
+
ξ
x
)
+
(
ξ
+
1
)
f
(
x
)
=
0
,
f
(
0
)
=
(
1
−
μ
ξ
σ
)
−
1
ξ
−
1
σ
}
{\displaystyle \left\{{\begin{array}{l}f'(x)(-\mu \xi +\sigma +\xi x)+(\xi +1)f(x)=0,\\f(0)={\frac {\left(1-{\frac {\mu \xi }{\sigma }}\right)^{-{\frac {1}{\xi }}-1}}{\sigma }}\end{array}}\right\}}
↑ Coles , Stuart. An Introduction to Statistical Modeling of Extreme Values (en anglès). Springer, 12-12-2001, p. 75. ISBN 9781852334598 .
↑ Dargahi-Noubary , G. R. «. An Introduction to Statistical Modeling of Extreme Values ». Mathematical Geology , 21, 8, 1989, pàg. 829–842. DOI : 10.1007/BF00894450 .
↑ Hosking , J. R. M.; Wallis , J. R. «"Parameter and Quantile Estimation for the Generalized Pareto Distribution" ». Technometrics , 29, 3, 1987, pàg. 339–349. DOI : 10.2307/1269343 . JSTOR : 1269343 .
↑ Davison , A. C.. «Modelling Excesses over High Thresholds, with an Application ». A: de Oliveira. Statistical Extremes and Applications (en anglès). Kluwer, 30-9-1984, p. 462. ISBN 9789027718044 .
↑ Embrechts , Paul. Modelling extremal events for insurance and finance (en anglès), 1-1-1997, p. 162. ISBN 9783540609315 .