Extremwerttheorie. Skript Dr. Jürgen Kampf. Universität Ulm Institut für Stochastik

Transkript

1 Extremwerttheorie Skript Dr. Jürgen Kampf Universität Ulm Institut für Stochastik

2 Vorwort Dies ist ein Skript zur Vorlesung Extremwerttheorie im Sommersemester 2017 an der Universität Ulm. Bedanken möchte ich mich bei Zakhar Kabluchko, für die Erlaubnis, ein Skript zu erstellen, das in wesentlichen Teilen auf seinem Skript basiert. Sein Skript ist unter zu finden. Zakhar Kabluchko wiederum bedankt sich bei zahlreichen weiteren Personen. Aus seinem Vorwort: Dies ist ein Skript zur Vorlesung Extremwerttheorie, die an der Universität Ulm (im Wintersemester 2011/12 und Sommersemester 2014) und an der Universität Münster (im Sommersemester 2015) gehalten wurde. Die erste L A TEX-Version des Skripts wurde von Herrn Benjamin Tempel erstellt. Danach wurde das Skript von mir mehrmals korrigiert, überarbeitet und ergänzt. Ich bedanke mich bei Frau Judith Olszewski, die eine frühere Version des Skripts kritisch durchgelesen und zahlreiche Verbesserungsvorschläge gemacht hat. Ich bedanke mich außerdem bei Wolfgang König, Michael Stolz und zahlreichen weiteren Kollegen für nützliche Hinweise zu einzelnen Kapiteln des Skripts. Diese Version ist vorläufig. In Zukunft soll das Skript weiter überarbeitet und ergänzt werden. i

3 Literatur Es gibt sehr viele Bücher über Extremwerttheorie. Hier ist eine Auswahl: 1. P. Embrechts, C. Klüppelberg, T. Mikosch. Modelling Extremal Events for Insurance and Finance. 2. S. Resnick. Extreme Values, Regular Variation and Point Processes. 3. L. de Haan, A. Ferreira. Extreme Value Theory: An Introduction. 4. S. Resnick. Heavy-Tail Phenomena: Probabilistic and Statistical Modeling 5. M. Falk, J. Hüsler, R. D. Reiss. Laws of Small Numbers: Extremes and Rare Events. 6. M. R. Leadbetter, G. Lindgren, H. Rootzén. Extremes and Related Properties of Random Sequences and Processes. 7. S. Coles. An Introduction to Statistical Modeling of Extreme Values. 8. J. Beirlant, Y. Goegebeur, J. Segers, J. Teugels. Statistics of Extremes: Theory and Applications. 9. E. J. Gumbel. Statistics of Extremes. 10. J. Galambos. The Asymptotic Theory of Extreme Order Statistics. 11. V. Nevzorov. Records: Mathematical Theory. 12. L. de Haan. On regular variation and its application to the weak convergence of sample extremes. 13. N. H. Bingham, C. M. Goldie, J. L. Teugels. Regular Variation. 14. D. Pfeifer. Einführung in die Extremwertstatistik. ii

4 Vorwort Literatur Inhaltsverzeichnis Kapitel 1. Extremwertverteilungen Verteilung des Maximums Definition der Extremwertverteilungen und deren Max Anziehungsbereiche Drei Beispiele von Extremwertverteilungen: Gumbel, Fréchet, Weibull Satz von Fisher Tippett Gnedenko Jenkinson von Mises Darstellung 10 Kapitel 2. Satz von Fisher Tippett Gnedenko Eindeutigkeit der Normierungskonstanten Max-stabile Verteilungen Charakterisierung der max-stabilen Verteilungen 14 Kapitel 3. Regulär variierende Funktionen 17 Kapitel 4. Max Anziehungsbereiche Tailfunktion und Quantilfunktion Max Anziehungsbereich der Fréchet Verteilung Φ α Max Anziehungsbereich der Weibull Verteilung Ψ α Max Anziehungsbereich der Gumbel Verteilung Λ 27 Kapitel 5. Statistik der Extremwertverteilungen Statistik der Blockmaxima: GEV Verteilungen Modell-Verifikation Peaks over Threshold: Statistik der GP Verteilungen 33 i ii iii

5

6 KAPITEL 1 Extremwertverteilungen 1.1. Verteilung des Maximums Seien X 1, X 2,... unabhängige und identisch verteilte (u.i.v.) Zufallsvariablen. Mit M n bezeichnen wir das Maximum von X 1,..., X n : M n = max{x 1,..., X n }, n N. Satz Die Verteilungsfunktion von M n ist gegeben durch P[M n t] = F n (t) für alle t R. Hierbei ist F n (t) die punktweise n-te Potenz von F (t). Beweis. Aus der Definition des Maximums M n folgt, dass P[M n t] = P[max{X 1,..., X n } t] = P[X 1 t,..., X n t]. Da X 1,..., X n unabhängig und identisch verteilt sind, gilt P[X 1 t,..., X n t] = P[X 1 t]... P[X n t] = F n (t). Zusammen ergibt sich P[M n t] = F n (t). Aufgabe Seien X 1,..., X n u.i.v. Zufallsvariablen mit Verteilungsfunktion F. Bestimmen Sie die Verteilungsfunktion des Minimums m n := min{x 1,..., X n }. Aufgabe Seien X 1,..., X n u.i.v. Zufallsvariablen mit Verteilungsfunktion F. Bestimmen Sie die gemeinsame Verteilungsfunktion von m n und M n, d.h. berechnen Sie die Wahrscheinlichkeit P[m n x, M n y]. Wir werden uns für die Eigenschaften von M n für große Werte von n interessieren. Im folgenden Satz berechnen wir den Wert, gegen den die Zufallsvariable M n für n in Wahrscheinlichkeit konvergiert. Definition Der rechte Endpunkt der Verteilungsfunktion F ist definiert durch x = sup{t R F (t) < 1} = inf{t R F (t) = 1} R {+ }. Erreicht die Verteilungefunktion F nie den Wert 1, so ist x = +. 1

7 Der rechte Endpunkt kann endlich oder + sein: Abbildung 1. Veranschaulichung von x Der rechte Endpunkt x ist das Supremum aller Werte, die die Zufallsvariable X 1 annehmen kann, wobei aber Nullmengen ignoriert werden. Es ist das wesentliche Supremum von X 1. x = sup{t R P(X 1 t) > 0} =: esssup X 1 Satz Für n konvergiert die Zufallsvariable M n in Wahrscheinlichkeit gegen den Wert x. Beweis. Wir betrachten zwei Fälle. Fall 1. Sei zuerst x endlich. Für jedes ε > 0 gilt F (x ε) < 1, wobei die Ungleichung strikt ist. Aus Satz folgt, dass Außerdem gilt P[M n x + ε] = 0. Es folgt Somit gilt M n P x. lim P[M n x ε] = lim F n (x ε) = 0. lim P[ M n x ε] = lim (P[M n x ε] + P[M n x + ε]) = 0. Fall 2. Sei nun x = +. Wir zeigen, dass für jedes noch so großes A R lim P[M n < A] = 0. Aus x = folgt, dass F (A) < 1, wobei die Ungleichung strikt ist. Mit Satz folgt lim P[M n < A] = lim F n (A) = 0. Somit gilt M n P +. Bemerkung Da die Folge M n (ω) für jedes feste ω Ω monoton wachsend ist, konvergiert sie entweder gegen eine endliche Zahl oder sie konvergiert gegen unendlich. Der fast 2

8 sichere Limes von (M n ) n N muss aber mit dem Limes in Wahrscheinlichkeit übereinstimmen. Also konvergiert (M n ) n N sogar fast sicher gegen x Definition der Extremwertverteilungen und deren Max Anziehungsbereiche Wir werden uns für die Verteilungsfunktion des Maximums M n = max{x 1,..., X n } für große Werte von n interessieren. Zunächst erinnern wir uns an einen Sätze über die Verteilung des arithmetischen Mittelwerts X einer Stichprobe. Der zentrale Grenzwertsatz besagt, dass für u.i.v. Zufallsvariablen X 1, X 2,... mit endlichem Erwartungswert µ und endlicher Varianz σ 2 > 0 die Verteilungskonvergenz 1 (X n X n ) µ σ/ n d N(0, 1) gilt, wobei N(0, 1) eine Standardnormalverteilung bezeichnet. Wir wollen nun ein Analogon des zentralen Grenzwertsatzes für das Maximum M n herleiten. Seien also X 1, X 2,... u.i.v. Zufallsvariablen mit Verteilungsfunktion F. Wir fragen uns, ob es Folgen von Konstanten a n > 0, b n R und eine Verteilungsfunktion G gibt, so dass für n die folgende Verteilungskonvergenz gilt: (1.2.1) M n b n a n d G. Es sei bemerkt, dass wir in (1.2.1) eine Normierung von M n mit beliebigen Folgen a n und b n (und nicht nur mit dem Erwartungswert und der Standardabweichung) zulassen, da in vielen interessanten Fällen der Erwartungswert und die Varianz gar nicht existieren. Die Verteilungskonvergenz in (1.2.1) bedeutet, dass [ ] lim P Mn b n t = G(t) für alle Stetigkeitspunkte t von G. Eine äquivalente Formulierung ist diese: (1.2.2) lim F n (a n t + b n ) = G(t) für alle Stetigkeitspunkte t von G. a n Wenn (1.2.1) bzw. (1.2.2) gilt, so sagen wir, dass G eine Extremwertverteilung ist und dass die Verteilungsfunktion F (bzw. die Zufallsvariablen X i ) im Max-Anziehungsbereich von G liegt. Bemerkung Es gibt einen Spezialfall von (1.2.1) und (1.2.2), der nicht interessant ist und den wir deshalb ausschließen. Eine Zufallsvariable Z bzw. deren Verteilungsfunktion G(t) = P[Z t] heißt degeneriert, wenn es einen Wert c mit P[Z = c] = 1, bzw. { 0, t < c, (1.2.3) G(t) = 1, t c gibt. Für jede Verteilungsfunktion F kann man durch die falsche Wahl der Konstanten a n, b n erreichen, dass (1.2.1) bzw. (1.2.2) mit einer degenerierten Verteilungsfunktion G gilt. 3

9 Man kann zum Beispiel b n = 0 und a n derart schnell steigend wählen, dass M n /a n gegen 0 in Verteilung konvergiert (Übungsaufgabe). Deshalb werden wir im Folgenden die degenerierten Verteilungsfunktionen G der Form (1.2.3) aus unseren Definitionen ausschließen. Definition Der Max-Anziehungsbereich einer nichtdegenerierten Verteilungsfunktion G besteht aus allen Verteilungsfunktionen F, für die es zwei Folgen a n > 0 und b n R gibt, so dass (1.2.4) M n b n a n d G für M n := max{x 1,..., X n }, wobei X 1,..., X n F u.i.v. sind. Den Max-Anziehungsbereich von G werden wir mit MDA(G) (maximum domain of attraction) bezeichnen. Wir werden im Folgenden sehen, dass es nur sehr wenige Verteilungsfunktionen G mit einem nicht-leeren Max-Anziehungsbereich gibt. Bemerkung Wir machen in diesem Skript keinen Unterschied zwischen einer Verteilung (die ein Wahrscheinlichkeitsmaß auf R ist) und der dazugehörigen Verteilungsfunktion. Zum Beispiel bezeichnen wir oft eine Verteilungsfunktion als Extremwertverteilung. Definition Eine nichtdegenerierte Verteilung(-sfunktion) G heißt eine Extremwertverteilung, wenn der Max Anziehungsbereich von G nicht leer ist. Somit ist G eine Extremwertverteilung, wenn es eine Verteilungsfunktion F und zwei Folgen a n > 0 und b n R gibt, so dass (1.2.4) gilt Drei Beispiele von Extremwertverteilungen: Gumbel, Fréchet, Weibull Mit der obigen Definition ist es nicht klar, ob Extremwertverteilungen überhaupt existieren. Im Folgenden werden wir drei Beispiele von Extremwertverteilungen (oder sogar Familien von Extremwertverteilungen) konstruieren. Später werden wir zeigen, dass es bis auf lineare Transformationen keine weiteren Extremwertverteilungen gibt. Wir erinnern daran, dass wir mit X 1, X 2,... u.i.v. Zufallsvariablen mit Verteilungsfunktion F bezeichnen. Weiterhin, sei M n = max{x 1,..., X n }. Gumbel Verteilung Λ(t) = e e t Definition Eine Zufallsvariable hat Gumbel Verteilung, wenn Ihre Verteilungsfunktion die folgende Gestalt hat: Λ(t) = e e t, t R. 4

10 Abbildung 2. Verteilungsfunktion der Gumbel Verteilung. Das nächste Beispiel zeigt, dass die Gumbel Verteilung eine Grenzwertverteilung für Maxima von u.i.v. exponentialverteilten Zufallsvariablen ist. Beispiel Die Zufallsvariablen X 1, X 2,... seien unabhängig und exponentialverteilt mit Parameter 1, d.h. F (t) = 1 e t, t 0. Dann konvergieren für n die Zufallsvariablen M n log n in Verteilung gegen Λ, d.h. Beweis: Sei t R beliebig. Mit Satz gilt lim P[M n log n t] = e e t, t R. P[M n log n t] = P[M n t + log n] = F n (t + log n). Die Zufallsvariablen X i sind exponentialverteilt und t + log n > 0 für n hinreichend groß. Es folgt, dass bei einem hinreichend großen n, ) n P[M n log n t] = (1 e (t+log n) ) n = (1 e t n e e t. Somit gilt M n log n d Λ. Dies ist das erste von vielen Malen, dass wir folgendes Lemma der Analysis benutzt haben. Lemma Sei (u n ) n N eine konvergente Folge mit u := lim u n. Dann ist ( u n ) n lim 1 + = e u. n Bemerkung Laut Beispiel list die Exponentialverteilung im Max Anziehungsbereich der Gumbel Verteilung: Exp(1) MDA(Λ). 5

11 Die Gumbel Verteilung ist somit eine Extremwertverteilung. Man kann Beispiel wie folgt interpretieren: Für großes n nimmt das Maximum M n Werte an, die sich von dem Wert log n um eine approximativ Gumbel verteilte Fluktuation unterscheiden. Fréchet Verteilung Φ α (t) = e t α, t > 0 Definition Eine Zufallsvariable heißt Fréchet verteilt mit Parameter α > 0, wenn ihre Verteilungsfunktion die folgende Gestalt hat: { e t α, t > 0, Φ α (t) = 0, t 0. Abbildung 3. Verteilungsfunktionen der Fréchet Verteilungen mit α = 0.5, 1.0, 2.0, 3.0, 5.0. Das nächste Bespiel zeigt, dass die Fréchet Verteilung eine Extremwertverteilung ist. Beispiel Die Zufallsvariablen X 1, X 2,... seien Pareto verteilt mit Parameter α > 0, d.h. { 1 t α, t 1, F (t) = 0, t 1. Dann konvergieren für n die Zufallsvariablen n 1 α M n in Verteilung gegen Φ α, d.h. es gilt [ ] { lim P Mn n t e t α, t > 0, = 1/α 0, t 0. Beweis: Sei t > 0 beliebig. Mit Satz erhalten wir, dass [ ] Mn P n t = P[M 1/α n tn 1/α ] = F n (tn 1/α ). 6

12 Da die Zufallsvariablen X i Pareto verteilt sind und tn 1/α > 1 für hinreichend großes n, ergibt sich, dass [ ] ( ) n ( Mn P n t 1 = 1 = 1 1 ) n 1/α (tn 1/α ) α t α n e t α. Für t 0 gilt P[n 1 α M n t] = 0. Daraus folgt die Behauptung. Bemerkung Man kann Beispiel wie folgt interpretieren: Für großes n nimmt das Maximum M n sehr große Werte auf der Skala n 1/α an. Reskaliert man M n mit dem Faktor n 1/α, so erhält man approximativ Fréchet verteilte Werte. Weibull Verteilung Ψ α (t) = e ( t)α, t < 0 Definition Eine Zufallsvariable heißt Weibull verteilt mit Parameter α > 0, wenn ihre Verteilungsfunktion die folgende Form hat: { e ( t)α, t 0, Ψ α (t) = 1, t 0. Abbildung 4. Verteilungsfunktionen der Weibull Verteilungen mit α = 0.5, 1.0, 2.0, 3.0, 5.0. Das nächste Beispiel zeigt, dass die Weibull Verteilung eine Extremwertverteilung ist. Beispiel Seien die Zufallsvariablen X 1, X 2,... unabhängig mit der Verteilungsfunktion 0, t 1, F (t) = 1 ( t) α, t [ 1, 0], 1, t 0, 7

13 wobei α > 0 ein Parameter ist. Dann konvergieren für n die Zufallsvariablen n 1/α M n in Verteilung gegen Ψ α, d.h. es gilt { (1.3.1) lim P[n 1/α e ( t)α, t 0, M n t] = 1, t 0. Sei t 0 beliebig. Mit Satz erhalten wir, dass P[n 1/α M n t] = P[M n tn 1/α ] = F n (tn 1/α ). Für n hinreichend groß ist tn 1/α [ 1, 0]. Aus der Formel für die Verteilungsfunktion F folgt, dass ) n P[n 1/α M n t] = (1 ( tn 1/α ) α ) n = (1 ( t)α n e ( t)α. Für t 0 gilt P[n 1/α M n t] = 1, denn M n 0 f.s. Daraus folgt die Behauptung. Bemerkung Man kann Beispiel wie folgt interpretieren: Für großes n nähert sich das Maximum M n dem Wert 0 von unten an. Dabei nimmt M n sehr kleine negative Werte auf der Skala n 1/α an. Reskaliert man M n mit dem Faktor n 1/α, so erhält man approximativ Weibull verteilte Fluktuationen Satz von Fisher Tippett Gnedenko Wir haben folgende Extremwertverteilungen konstruiert: Die Gumbel Verteilung Λ, die Fréchet Verteilung Φ α (wobei α > 0) und die Weibull Verteilung Ψ α (wobei α > 0). Weitere Beispiele von Extremwertverteilungen können konstruiert werden, indem wir auf die oben genannten Verteilungen lineare Transformationen anwenden. Definition Zwei Zufallsvariablen Z 1 und Z 2 sind vom gleichen Typ, wenn es c > 0 und d R gibt mit Z 1 d = cz 2 + d. Notation: Z 1 Z 2. Bezeichnen wir mit F 1 und F 2 die Verteilungsfunktionen von Z 1 und Z 2, so kann man die obige Bedingung wie folgt formulieren: [ F 1 (t) = P[Z 1 t] = P[cZ 2 + d t] = P Z 2 t d ] ( ) t d = F 2. c c Definition Zwei Verteilungsfunktionen F 1 und F 2 sind vom gleichen Typ, wenn es c > 0 und d R gibt, so dass für alle t R ( ) t d F 1 (t) = F 2. c Notation: F 1 F 2. 8

14 Beispiel Die Gleichverteilung auf dem Intervall [0, 1] ist vom gleichen Typ wie die Gleichverteilung auf einem beliebigen Intervall [a, b]. Die Normalverteilung mit beliebigen Parametern ist vom gleichen Typ wie die Standardnormalverteilung. Aufgabe Zeigen Sie, dass eine Äquivalenzrelation ist, d.h. (1) F F. (2) F G G F. (3) F G, G H F H. Proposition Hat eine Zufallsvariable Z (mit Verteilungsfunktion G(t)) eine Extremwertverteilung, so hat für beliebige c > 0 und d R auch die Zufallsvariable cz + d (mit Verteilungsfunktion G ( ) t d c ) eine Extremwertverteilung. Beweis. Die Voraussetzung, dass die Zufallsvariable Z einer Extremwertverteilung gehorcht, bedeutet, dass es unabhängige identisch verteilte Zufallsvariablen X 1, X 2,... und Folgen a n > 0, b n R gibt, so dass max{x 1,..., X n } b n a n d Z. Daraus folgt, dass max{x 1,..., X n } (b n da n /c) d cz + d. a n /c Somit hat die Zufallsvariable cz + d ebenfalls eine Extremwertverteilung. Bemerkung Aus dem Beweis der vorstehenden Proposition folgt auch, dass die Max-Anziehungsbereiche der Verteilungsfunktionen G(t) und G ( ) t d c gleich sind. Aus Proposition folgt, dass für beliebige µ R und σ > 0, die folgenden Verteilungen Extremwertverteilungen sind: Verteilungen vom Gumbel Typ: ( ) t µ } (1.4.1) Λ = exp { e t µ σ, t R. σ Verteilungen vom Fréchet Typ (mit Parameter α > 0): ( ) { { t µ exp ( ) } t µ α, falls t > µ, σ (1.4.2) Φ α = σ 0, sonst. Verteilungen vom Weibull Typ (mit Parameter α > 0): ( ) { t µ exp { ( ) t µ α } (1.4.3) Ψ α = σ, falls t < µ, σ 1, sonst. Ein zentraler Satz der Extremwerttheorie besagt, dass es keine weiteren Extremwertverteilungen gibt: 9

15 Satz (Fisher Tippett (1928), Gnedenko (1943)). Jede Extremwertverteilung gehört zu einer der drei Familien (1.4.1), (1.4.2), (1.4.3) Jenkinson von Mises Darstellung Es gibt eine Darstellung (Jenkinson von Mises Darstellung), die alle drei Familien (1.4.1), (1.4.2), (1.4.3) als Spezialfälle beinhaltet. Betrachte nämlich die folgende Familie von Verteilungsfunktionen (parametrisiert durch γ R) exp { (1 + γt) 1/γ}, falls 1 + γt > 0, G γ (t) = 0, falls γ > 0 und t 1/γ, 1, falls γ < 0 und t 1/γ. Folgendes lässt sich nun leicht überprüfen: (1) Für γ > 0 ist G γ vom gleichen Typ wie die Fréchet Verteilung Φ 1/γ (t) = e t 1/γ, t > 0. (2) Für γ < 0 ist G γ vom gleichen Typ wie die Weibull Verteilung Ψ 1/γ (t) = e ( t) 1/γ, t < 0. (3) Für γ = 0 ist (1 + γt) 1/γ nicht wohldefiniert. Wir interpretieren diesen Term dann als Grenzwert für γ 0: lim (1 + γ 0 γt) 1/γ = e t. Somit ist G 0 (t) = e e t, t R, die Gumbel Verteilung. Jede Extremwertverteilung hat also die Form G γ (ct + d) mit passenden Parametern γ R, c > 0, d R. Eine in der Form G γ (ct + d) dargestellte Extremwertverteilung wird in der Statistik auch GEV Verteilung genannt (General Extreme Value Distribution). 10

16 KAPITEL 2 Satz von Fisher Tippett Gnedenko In diesem Kapitel beweisen wir den Satz von Fisher Tippett Gnedenko, der die Extremwertverteilungen beschreibt. Satz (Satz von Fisher Tippett (1928), Gnedenko (1943)). Eine Verteilungsfunktion G ist eine Extremwertverteilung genau dann, wenn einer der drei folgenden Fälle vorliegt: (1) G ist vom Gumbel Typ, d.h. G(t) = Λ ( t µ σ (2) G ist vom Fréchet Typ, d.h. G(t) = Φ α ( t µ σ (3) G ist vom Weibull Typ, d.h. G(t) = Ψ α ( t µ σ Für den Beweis benötigen wir einige Hilfsmittel. ) ) für µ R, σ > 0. ) für α > 0, µ R, σ > 0. für α > 0, µ R, σ > Eindeutigkeit der Normierungskonstanten Seien Z 1, Z 2,... Zufallsvariablen und a n > 0 und b n R Folgen von Normierungskonstanten mit Z n b n d (2.1.1) Z. a n Wir stellen uns die Frage, wie stark wir die Konstanten a n, b n verändern können, ohne dass die Konvergenz in (2.1.1) zerstört wird. Proposition Es gelte (2.1.1). Seien ã n > 0 und b n R zwei weitere Folgen. (i) Falls ã n bn b n lim = 1, lim = 0, a n a n dann gilt (ii) Falls Z n b n ã n ã n lim = a (0, ), a n d Z. bn b n lim = b R. a n 11

17 Dann gilt auch Z n b n ã n d Z b. a Beweis. Es gilt (2.1.2) Z n b n ã n = a n ã n Zn b n a n = a n ã n ( Z n b n b ) n b n. a n a n Nach dem Lemma von Slutsky konvergiert die rechte Seite in Verteilung unter den Voraussetzungen von Teil (i) gegen Z, unter den Voraussetzungen von Teil (ii) gegen Z b a. Satz ( Convergence of types theorem, Chintschin). Seien Z 1, Z 2,... Zufallsvariablen und a n > 0, b n R sowie ã n > 0, b n R Normierungsfolgen mit Z n b n a n d Z, Z n b n ã n d wobei die Zufallsvariablen Z, Z nicht degeneriert seien. Dann existieren die Grenzwerte Z, ã n (2.1.3) a := lim (0, ), a n b := lim bn b n a n R und es gilt Z d = (Z b)/a. Beweis. Weggelassen. Referenz: P. Billingsley, Probability and measure (Seite 193, Thm. 4.2 in der Ausgabe von 1986; Seite 204 in der Ausgabe von 2012). Lemma Sei Z eine nicht degenerierte Zufallsvariable und c > 0, d R Konstanten mit cz + d d = Z. Dann ist c = 1, d = 0. Beweis. Weggelassen. Referenz: P. Billingsley, ab Seite 193/ Max-stabile Verteilungen 12

18 Definition Eine nicht degenerierte Verteilungsfunktion G heißt max-stabil, falls es für alle n N Konstanten c n > 0 und d n R gibt mit G n (c n t + d n ) = G(t). Mit anderen Worten, für jedes n N ist G n vom gleichen Typ wie G. Sind X 1, X 2,... u.i.v. Zufallsvariablen mit einer max-stabilen Verteilung, dann gilt für alle n N max{x 1,..., X n } d n c n d = X 1. Das heißt, das Maximum von n u.i.v. Zufallsvariablen mit einer max-stabilen Verteilung hat bis auf eine affine Transformation die gleiche Verteilung wie eine einzige Zufallsvariable. Beispiel Die Gumbel Verteilungsfunktion Λ(t) = e e t ist max-stabil, denn Λ n (t + log n) = e ne (t+log n) = e e t = Λ(t). Analog lässt sich zeigen, dass Fréchet Verteilung Φ α und Weibull Verteilung Ψ α max-stabil sind. Die Klasse der max-stabilen Verteilungen stimmt mit der Klasse der Extremwertverteilungen überein: Satz Eine Verteilungsfunktion G ist max-stabil genau dann, wenn G eine Extremwertverteilung ist. Beweis. Schritt 1. Sei G max-stabil. Dann gibt es c n > 0, d n R, so dass G n (c n t + d n ) = G(t). Es gilt also für alle t R weshalb G eine Extremwertverteilung ist. lim Gn (c n t + d n ) = G(t), Schritt 2. Sei G eine Extremwertverteilung. Dann gibt es eine Verteilungsfunktion F und a n > 0, b n R, so dass (2.2.1) lim F n (a n t + b n ) = G(t) für alle Stetigkeitspunkte von G. Damit gilt für alle k N lim F nk (a nk t + b nk ) = G(t). Indem wir die k-te Wurzel ziehen, erhalten wir (2.2.2) lim F n (a nk t + b nk ) = G 1/k (t). Wir wenden nun den Satz von Chintschin (Satz 2.1.2) auf (2.2.1) und (2.2.2) an. Es folgt, dass G und G 1/k vom gleichen Typ sind, d.h. es gibt c k > 0 und d k R mit G 1/k (t) = G(c k t + d k ) bzw. G(t) = G k (c k t + d k ). 13

19 Das bedeutet aber, dass G max-stabil ist. Bemerkung Schritt 1 des vorstehenden Beweises zeigt auch, dass jede Extremwertverteilung in ihrem eigenen Max Anziehungsbereich liegt. Von nun an besteht unser Ziel darin, die max-stabilen Verteilungen zu beschreiben. Die nächste Proposition zeigt, dass die Eigenschaft G n (c n t + d n ) = G(t) auf nicht-ganzzahlige Werte von n erweitert werden kann. Proposition Sei G eine max-stabile Verteilungsfunktion. Dann gibt es messbare Funktionen c : (0, ) (0, ) und d : (0, ) R, so dass für alle s > 0 (nicht notwendigerweise ganzzahlig) gilt: (2.2.3) G s (c(s)t + d(s)) = G(t). Beweis. Wir bezeichnen mit [t] die Gaußklammer einer reellen Zahl t: [t] = max{n Z n t}. Sei G eine max-stabile Verteilungsfunktion. Dann gibt es c n > 0, d n R, so dass für alle n N (2.2.4) G n (c n t + d n ) = G(t). Für beliebiges s > 0 folgt daraus, dass Daraus ergibt sich, dass für alle t R G [ns] (c [ns] t + d [ns] ) = G(t). (2.2.5) G n (c [ns] t + d [ns] ) = (G [ns] (c [ns] t + d [ns] )) n [ns] Gleichzeitig gilt aber wegen (2.2.4) auch = G n [ns] (t) G 1/s (t). (2.2.6) G n (c n t + d n ) G(t). Mit dem Satz von Chintschin (Satz 2.1.2) folgt aus (2.2.5) und (2.2.6), dass die folgenden Grenzwerte existieren: c [ns] d [ns] d n (2.2.7) c(s) := lim (0, ), d(s) := lim R, c n c n und dass G 1/s (t) = G(c(s)t + d(s)). Insgesamt folgt also G(t) = G s (c(s)t + d(s)). Außerdem folgt aus der Darstellung (2.2.7), dass die Funktionen c und d als punktweise Grenzwerte von Folgen messbarer Funktionen, selber messbar sind Charakterisierung der max-stabilen Verteilungen Wegen Satz können wir den Satz von Fisher Tippett Gnedenko nun wie folgt formulieren: 14

20 Satz Jede max-stabile Verteilungsfunktion G ist vom gleichen Typ wie eine der folgenden Verteilungen: Gumbel Λ, Fréchet Φ α mit α > 0 oder Weibull Ψ α mit α > 0. Bevor wir zum Beweis des Satzes kommen, müssen wir ein tiefliegendes analytisches Lemma bereitlegen. Lemma (Satz von Ostrowski, 1929). Sei f : R R eine messbare Funktion mit f(x + y) = f(x) + f(y), x, y R. Dann hat f die Form f(x) = cx für ein c R. Korollar Sei g : (0, ) (0, ) eine messbare Funktion mit g(x y) = g(x) g(y), x, y R. Dann hat g die Form g(x) = x c für ein c R. Beweis. Die Funktion f(x) = log g(e x ) ist messbar mit f(x + y) = f(x) + f(y). Nach dem Satz von Ostrowski hat sie die Form f(x) = cx, woraus sich g(x) = e f(log x) = x c ergibt. Beweis. Sei G eine max-stabile Verteilungsfunktion. Laut Proposition gibt es messbare Funktionen c(s) > 0, d(s) R mit (2.3.1) G s (c(s)t + d(s)) = G(t) für alle s > 0, t R. Im Folgenden werden wir diese Funktionalgleichung lösen. Zuerst werden wir die Funktionen c und d bestimmen. Schritt 1. Wir wenden (2.3.1) iterativ an und erhalten für s 1, s 2 > 0 G s 1s 2 (c(s 1 s 2 )t + d(s 1 s 2 )) = G(t) = G s 1 (c(s 1 )t + d(s 1 )) = G s 1s 2 ( c(s2 )[c(s 1 )t + d(s 1 )] + d(s 2 ) ) Aus Lemma folgt { c(s1 s 2 ) = c(s 1 )c(s 2 ), d(s 1 s 2 ) = c(s 2 )d(s 1 ) + d(s 2 ). Aus der ersten Gleichung folgt mit Korollar 2.3.3, dass es ein ρ R gibt mit c(s) = s ρ, s > 0. Schritt 2. Falls ρ = 0, also c(s) = 1, dann ist G Λ (Übung). Schritt 3. Nun betrachten wir den Fall ρ 0. Es gilt c(s) = s ρ und die Gleichung für d nimmt die folgende Form an: Für alle s 1, s 2 > 0 gilt d(s 1 s 2 ) = s ρ 2d(s 1 ) + d(s 2 ). Indem wir s 1 und s 2 vertauschen, erhalten wir d(s 2 s 1 ) = s ρ 1d(s 2 ) + d(s 1 ). 15

21 Somit ergibt sich für alle s 1, s 2 > 0 s ρ 2d(s 1 ) + d(s 2 ) = s ρ 1d(s 2 ) + d(s 1 ). Sei nun s 2 = 2. Aus ρ 0 folgt, dass 2 ρ 1 0 und wir erhalten, dass für alle s 1 > 0 d(s 1 ) = d(2) 2 ρ 1 (sρ 1 1) = (s ρ 1 1)µ, wobei µ = d(2) 2 ρ 1 R. Wir haben die Funktionen c und d bestimmt: c(s) = s ρ, d(s) = (s ρ 1)µ, wobei ρ R und µ R zwei Parameter sind. Die Gleichung (2.3.1) für die Verteilungsfunktion G nimmt somit die folgende Gestalt an: Für alle s > 0, t R, G s (s ρ t + (s ρ 1)µ) = G(t). Betrachte die Verteilungsfunktion H(u) = G(u µ), u R. Die Gleichung für H sieht wie folgt aus: Für alle s > 0, t R, H s (s ρ t) = H(t). Mit t = 0 erhalten wir H s (0) = H(0) für alle s > 0, somit ist H(0) = 0 oder H(0) = 1. Fall 1. Sei H(0) = 0. Da H eine Verteilungsfunktion ist, gilt H(y) = 0 für alle y 0. Sei nun y > 0. Mit t = 1 und s = y 1/ρ > 0 erhalten wir H(y) = H 1/s (1) = H y 1/ρ (1) = exp { (log H(1)) y 1/ρ}, y > 0. Es sei bemerkt, dass log H(1) < 0. Es folgt, dass H und somit auch G vom gleichen Typ wie die Fréchet Verteilung Φ 1/ρ ist. Fall 2. Sei H(0) = 1. Da H eine Verteilungsfunktion ist, gilt H(y) = 1 für alle y 0. Sei nun y < 0. Mit t = 1 und s = ( y) 1/ρ > 0 erhalten wir H(y) = H 1/s ( 1) = H ( y) 1/ρ ( 1) = exp { (log H( 1)) ( y) 1/ρ}, y < 0. Es sei bemerkt, dass log H( 1) < 0. Es folgt, dass H und somit auch G vom gleichen Typ wie die Weibull Verteilung Ψ 1/ρ ist. 16

22 KAPITEL 3 Regulär variierende Funktionen Unser nächstes Ziel ist es, die Max-Anziehungsbereiche der Extremwertverteilungen zu beschreiben. Dies wird im nächsten Kapitel geschehen. Ob eine Verteilungsfunktion F in einem Max-Anziehungsbereich liegt, wird von dem Verhalten von F nahe dem rechten Randpunkt x abhängen. Um diese Bedingung an F zu formulieren, brauchen wir den Begriff der regulären Variation, den wir in diesem Kapitel einführen. Wir werden hier nur auf einige Aspekte der regulären Variation eingehen, für eine umfassende Darstellung dieses Gebiets verweisen wir auf das Buch von N. H. Bingham, C. M. Goldie, J. L. Teugels Regular Variation. Definition (Karamata, 1930). Eine Funktion L : (A, ) (0, ) heißt langsam variierend in +, wenn L(λx) lim = 1 für jedes λ > 0. x + L(x) Beispiel Eine Funktion L, für die der Grenzwert c := lim x + L(x) in (0, ) existiert, ist langsam variierend, denn L(λx) lim x + L(x) = c c = 1. Ist aber der Grenzwert c gleich + oder 0, so muss die Funktion nicht langsam variierend sein. Zum Beispiel sind die Funktionen f 1 (x) = x und f 2 (x) = 1/x nicht langsam variierend. Beispiel Die Funktion L(x) = c(log x) β, mit c > 0, β R, ist langsam variierend, denn für jedes λ > 0 gilt ( ) β L(λx) L(x) = c(log(λx))β log x + log λ = 1 c(log x) β log x für x +. Beispiel Für α 0 ist die Funktion f(x) = x α nicht langsam variierend. Aufgabe Seien L 1 und L 2 langsam variierende Funktionen. Zeigen Sie, dass L 1 L 2 und L 1 + L 2 ebenfalls langsam variierend sind. 17

23 Abbildung 1. Zwei langsam variierende Funktionen: exp{ 3 log x} (blau) und log x (rot). Definition (Karamata, 1930). Eine messbare Funktion R : (A, ) (0, ) heißt regulär variierend in + mit Index α R, falls R(λx) lim x + R(x) = λα für jedes λ > 0. Bezeichnung: f RV α. Bemerkung Eine Funktion ist langsam variierend genau dann, wenn sie regulär variierend mit Index α = 0 ist. Beispiel Die Funktion R(x) = cx α, wobei c > 0, ist regulär variierend mit Index α, denn R(λx) R(x) = c(λx)α cx α = λ α für alle λ > 0. [log x] Beispiel Die Funktion f(x) = e (wobei [ ] die Gauß Klammer ist) ist nicht regulär variierend (Übung), obwohl die sehr ähnliche Funktion R(x) = e log x = x regulär variierend mit Index α = 1 ist. Aufgabe Seien f RV α und g RV β. Zeigen Sie, dass fg RV α+β. Beispiel Für eine langsam variierende Funktion L : (A, ) (0, ) und α R ist R(x) = x α L(x) regulär variierend mit Index α, denn R(λx) R(x) = (λx)α L(λx) x α L(x) x x α für alle λ > 0. Der folgende Satz zeigt, dass Beispiel bereits alle regulär variierenden Funktionen umfasst. 18

24 Satz Sei R eine regulär variierende Funktion mit Index α. Dann gibt es eine langsam variierende Funktion L, sodass R(x) = x α L(x). Beweis. Setze L(x) = R(x). Dann ist nur zeigen, dass L(x) langsam variierend ist: x α L(λx) L(x) = R(λx)/(λx)α R(x)/x α α R(λx) = λ R(x) λ α λ α = 1, x +, da R nach Voraussetzung regulär variierend ist. Deshalb ist L langsam variierend. Wir beschließen dieses Kapitel mit einem etwas tiefer liegenden Resultat. Satz (Potter, 1942). Sei L langsam variierend. Für alle C > 1, δ > 0 gibt es ein K = K(C, δ) mit { L(y) (x ) δ, ( y ) } δ L(x) C max, für alle x, y > K. y x Ohne Beweis. 19

25 KAPITEL 4 Max Anziehungsbereiche Wir wissen aus dem Satz von Fisher Tippett Gnedenko, dass die Verteilungen von Gumbel- Typ, vom Fréchet-Typ und vom Weibull-Typ die einzigen Verteilungen mit nicht-leerem Max-Anziehungsbereich sind. In diesem Kapitel wollen wir die Max-Anziehungsbereiche nun exakt beschrieben. Für mehr Einzelheiten verweisen wir auf die Bücher von S. Resnick Extreme Values, Regular Variation and Point Processes, L. de Haan, A. Ferreira Extreme Value Theory: An Introduction, N. H. Bingham, C. M. Goldie, J. L. Teugels Regular Variation Tailfunktion und Quantilfunktion Zwei Funktionen, die zu der Beschreibung der Max-Anziehungsbereiche hilfreich sind, sind die Tailfunktion und die Quantilfunktion einer Verteilung F. Definition Die Tailfunktion einer Verteilungsfunktion F ist die Funktion F (t) := 1 F (t), t R. Definition Die Quantilfunktion (oder die linksstetige Inverse) einer Verteilungsfunktion F ist die Funktion F (a) := inf{t R : F (t) a}, a (0, 1). Abbildung 1. Veranschaulichung von F (a). Ist die Funktion F streng monoton steigend und stetig, so ist F die inverse Funktion von F. Im Allgemeinen können aber zwei Arten von Problemen auftreten: 20

26 (1) Die Funktion F kann auf einem Intervall konstant bleiben. (2) Die Funktion F kann Sprünge haben. Abbildung 2. Problemfälle In beiden Fällen ist die inverse Funktion zu F nicht wohldefiniert. Die Quantilfunktion existiert aber trotzdem. Aufgabe Sei F eine Verteilungsfunktion. Zeigen Sie, dass F linksstetig und monoton nicht-fallend ist. Abbildung 2, rechts, zeigt, dass F (F (y)) nicht immer gleich y sein muss und Abbildung 2, linkss, zeigt, dass F (F (x)) nicht immer gleich x sein muss. Es gilt jeweils nur eine einseitige Abschätzung: Lemma Sei F eine Verteilungsfunktion. (i) Es gilt F (F (x)) x für alle x R mit F (x) (0, 1). (ii) Es gilt F (F (y)) y für alle y (0, 1). Beweis. (i) Es ist x {t R : F (t) F (x)} und somit x inf{t R : F (t) F (x)} = F (F (x)). (ii) Sei x = F (y). Nach Definition von F gibt es nun eine monoton fallende, gegen x konvergente Folge (x n ) n N mit F (x n ) y für alle n N. Weil F als Verteilungsfunktion rechtsstetig ist, ergibt sich, dass F (x) y Max Anziehungsbereich der Fréchet Verteilung Φ α Der nächste Satz beschreibt den Max Anziehungsbereich der Fréchet Verteilung Φ α, α > 0. Satz (Gnedenko, 1943). Eine Verteilungsfunktion F mit rechtem Endpunkt x liegt genau dann im Max Anziehungsbereich der Fréchet Verteilung Φ α mit Parameter α > 0, wenn folgende zwei Bedingungen erfüllt sind: (1) x = +. 21

27 (2) Die Tailfunktion F ist regulär variierend mit Index α, d.h. 1 F (λx) lim x + 1 F (x) = λ α für alle λ > 0. Beispiel Die Pareto Verteilung (mit Tailfunktion F (x) = x α, x > 1) liegt im Max Anziehungsbereich von Φ α, denn x = + und F RV α. Allgemeiner liegt eine beliebige Verteilungsfunktion, für die F (x) Kx α für x + gilt (wobei K > 0 und α > 0), im Max Anziehungsbereich von Φ α. Wir beweisen zuerst die Rückrichtung von Satz Dies geschieht im folgenden Satz. Satz Es seien X 1, X 2,... unabhängige und identisch verteilte Zufallsvariablen mit Verteilungsfunktion F, für die x = + und F RV α gilt. Weiterhin sei a n eine beliebige Folge mit (4.2.1) lim n F (a n ) = 1. Dann gilt M n a n d Φ α. Beweis. Gegeben ist, dass x = + und F RV α. Wir zeigen, dass für alle t R, lim F n (a n t) = Φ α (t). Schritt 1. Zuerst zeigen wir durch Widerspruch, dass lim a n = +. Hätte a n eine nach oben beschränkte Teilfolge, so wäre entlang dieser Teilfolge F (a n ) wegbeschränkt von 0 (wegen x = + ) und wir hätten dann lim n F (a n ) = +. Widerspruch zu (4.2.1). Also gilt lim a n = +. Schritt 2. Sei t > 0. Da F regulär variierend mit Index α ist, ergibt sich unter Berücksichtigung von (4.2.1), dass Dadurch folgt: n F (a n t) = n F (a n ) F (a n t) F (a n ) 1 t α = t α. F n (a n t) = (1 F (a n t)) n e t α = Φ α (t). Schritt 3. Sei t 0. Es gilt für hinreichend großes n, dass a n > 0 (Schritt 1) und folglich F n (a n t) F n (0) 0 = Φ α (t), wobei wir benutzt haben, dass F (0) < 1 wegen x = +. 22

28 Nun geben wir eine Normierungsfolge a n an, die der Bedingung aus Satz genügt: ( a n := F 1 1 ). n Lemma Sei x = + und F RV α. Mit der obigen Wahl von a n gilt lim n F (a n ) = 1. Beweis. Ist F streng monoton steigend und stetig, so gilt F (a n ) = 1 1 n, denn F ist dann die inverse Funktion von F. In diesem Fall ist die Aussage des Lemmas gültig, denn es ist sogar n F (a n ) = 1 für alle n N. Im Fall eines beliebigen F müssen wir anders argumentieren. Schritt 1. Aus Lemma folgt, dass F (a n ) 1, woraus sich direkt ergibt, dass n (4.2.2) lim sup n F (a n ) 1. Schritt 2. Es bleibt also noch zu zeigen, dass (4.2.3) lim inf n F (a n ) 1. Sei dazu x (0, 1). Für n groß genug gilt xa n > 0, denn a n. Es gilt außerdem F (xa n ) < 1 1 n nach Definition von a n. Somit gilt: Damit folgt unmittelbar: n F (a n ) = n F (xa n ) n F (xa n ) = n(1 F (xa n )) > n 1 n = 1 F (a n ) F (xa n ) > F (a n ) F (xa n ) xα, n, da F regulär variierend mit Index α ist. Es ergibt sich also, dass lim inf n F (a n ) x α für alle x (0, 1). Wenn man nun x gegen 1 gehen lässt, ergibt sich (4.2.3). Damit ist insgesamt lim n F (a n ) = 1 und das Lemma ist bewiesen. Nun beweisen wir die Hinrichtung von Satz Beweis von Satz 4.2.1:. Es sei F eine Verteilungsfunktion und a n > 0, b n R Folgen, so dass für alle t R, (4.2.4) lim F n (a n t + b n ) = Φ α (t). Wir zeigen, dass x = + und F RV α. Schritt 1. Zuerst müssen wir (4.2.4) auf nichtganzzahlige Werte von n erweitern. Für ein nicht notwendigerweise ganzzahliges s 0 definiere a s = a s und b s = b s. Nun gilt a λs (4.2.5) lim = λ 1/α b λs b s, lim = 0 s a s s a s 23

29 (Übung). Somit ist die Funktion s a s regulär variierend mit Index 1/α. Schritt 2. Wir werden nun (4.2.5) benutzen, um zu zeigen, dass b s (4.2.6) lim = 0. s a s Sei ε > 0 fest. Es gibt eine Konstante A so, dass a x/λ (4.2.7) < 2λ 1/(2α) für alle x A, λ > 1 a x (das folgt aus der Potter Schranke für die regulär variierende Funktion x a x ) und (4.2.8) b 2x b x a x < ε für alle x A (das folgt aus der zweiten Relation in (4.2.5)). Für ein s > A können wir ein n = n(s) N 0 finden mit s/2 n+1 A < s/2 n. Wir erhalten die Abschätzung b s n a s b s/2 k 1 b s/2 k a s/2 k a + b n s/2n ε 2 2 k/(2α) + C 1, s/2 k a s a s a s k=1 wobei wir im zweiten Schritt (4.2.7) und (4.2.8) benutzt haben, sowie die Tatsache, dass s/2 n [A, 2A] und somit b s/2 n < C 1 für eine Konstante C 1. Da a s für s (denn a s ist regulär variierend mit positivem Index), ergibt sich lim sup s b s a s k=1 2ε 2 αk/2. Da ε > 0 beliebig und die Summe auf der rechten Seite endlich ist, erhalten wir (4.2.6). Wegen (4.2.6) und des Satzes von Chintschin können wir nun (4.2.4) wie folgt vereinfachen: Für alle t R gilt k=1 (4.2.9) lim F n (a n t) = Φ α (t). Schritt 3. Wir zeigen, dass x = +. Wäre x endlich, so wäre a n > x für n groß genug und wir hätten F n (a n ) = 1 für n groß genug, was in einem Widerspruch zu (4.2.9) steht. Also ist x = +. Schritt 4. Durch Logarithmieren ergibt sich aus (4.2.9), dass für alle t > 0, lim n log F (a nt) = t α. Dies kann man auch wie folgt umschreiben: Für alle t > 0 gilt lim n log(1 F (a n t)) = t α. Da a n (wegen der regulären Variation) und somit F (a n t) 0, können wir die Formel lim x 0 log(1 x)/x = 1 verwenden. Es ergibt sich, dass für alle t > 0 (4.2.10) lim n F (a n t) = t α. 24

30 Schritt 5. Schließlich zeigen wir unter Benutzung von (4.2.10), dass F regulär variierend mit Index α ist. Sei dazu λ > 0. Für x > 0 definiere n(x) := inf{m N: a m+1 > x}. Wegen a n + ist n(x) wohldefiniert. Es gilt a n(x) x < a n(x)+1 und lim x n(x) =. Da F außerdem monoton nichtsteigend ist, folgt daraus die Abschätzung F (λx) F (x) F (λa n(x) ) F (a n(x)+1 ) = F (λan(x) )n(x) F (a n(x)+1 )(n(x) + 1) n(x) + 1 λ α n(x) 1 1 = λ α, wobei wir im letzten Schritt (4.2.10) zweimal benutzt haben. Daraus ergibt sich lim sup x Der Beweis der unteren Abschätzung ist analog. F (λx) F (x) λ α. Lemma Sei f RV α, α > 0. Dann gilt lim f(x) =. x Beweis. Es ist f(x) = x α L(x) für eine langsam variierende Funktion L. Aus der Potter- Schranke folgt L(x) L(x 0 ) 1 2 xα/2 0 x α/2, x > x 0, für ein geeignetes x 0. Also lim x f(x) = Max Anziehungsbereich der Weibull Verteilung Ψ α Der Max Anziehungsbereich der Weibull Verteilung Ψ α hat eine ähnliche Charakterisierung wie der Max Anziehungsbereich der Fréchet Verteilung. Der Unterschied ist, dass im Fall der Weibull Verteilung der rechte Endpunkt x endlich sein muss. Damit eine Verteilungsfunktion F im Max Anziehungsbereich von Ψ α liegt, muss F an der Stelle x regulär variierend sein. Wir geben nun eine präzise Definition. Definition Eine messbare Funktion f : (0, A) (0, ) heißt regulär variierend in 0 mit Index α R, falls f(λx) lim x 0 f(x) = λα für alle λ > 0. Bezeichnung: f RV α (0). Aufgabe Zeigen Sie: f(x) ist regulär variierend mit Index α an der Stelle 0 genau dann, wenn f(1/x) regulär variierend mit Index α (an der Stelle + ) ist. 25

31 Der nächste Satz charakterisiert den Max Anziehungsbereich der Weibull Verteilung. Satz (Gnedenko, 1943). Eine Verteilungsfunktion F mit rechtem Endpunkt x liegt im Max Anziehungsbereich der Weibull Verteilung Ψ α mit Parameter α > 0 genau dann, wenn folgende zwei Bedingungen erfüllt sind: (1) x <. (2) Die Funktion x F (x x), x > 0, ist regulär variierend in 0 mit Index α, d.h. 1 F (x λx) lim x 0 1 F (x x) = λα für alle λ > 0. Bemerkung Sind die beiden Bedingungen von Theorem erfüllt, so gilt genauer, dass M n x d Ψ α, wobei a n eine beliebige Folge mit (4.3.1) lim n F (x a n ) = 1 a n ist. Der Nachweis der Existenz erfolgt ähnlich wie im Fréchet-Fall; die Details werden übergangen. Beispiel Betrachte die Verteilungsfunktion F (x) = 1 (x x) α mit x (x 1, x ), wobei α > 0. Dann ist 1 F (x x) = x α RV α (0). Somit liegt F im MDA(Ψ α ). Allgemeiner liegt eine Verteilungsfunktion F mit endlichem rechten Endpunkt x, für die F (x x) Kx α für x 0 gilt (wobei K > 0, α > 0), im Max Anziehungsbereich von Ψ α. Wir beweisen nur die Rückrichtung von Satz Der Beweis der Hinrichtung benutzt ähnliche Ideen wie im Fréchet Fall. Beweis von Satz 4.3.3:. Sei x < 0. Es gilt [ ] Mn x P x = F n (a n x + x ) = (1 F (a n x + x )) n e ( x)α = Ψ α (x), denn a n lim n F (a n x + x ) = lim n F (x a n ) F (x a n ( x)) F (x a n ) = ( x) α. Dabei haben wir die reguläre Variation von F (x x) an der Stelle x = 0 und (4.3.1) benutzt. Sei x 0. Dann gilt denn M n x f.s. [ Mn x P a n ] x = 1 1 = Ψ α (x), 26

32 4.4. Max Anziehungsbereich der Gumbel Verteilung Λ Für die Frage, ob eine Verteilung im Max-Anziehungsbereich der Gumbel-Verteilung liegt, gibt es kein so einfach handhabbares Kriterium wie bei der Fréchet- und Weibull-Verteilung. Wir erwähnen aus der Vielzahl umständlicherer Kriterien eines und verweisen für andere Charakterisierungen auf die Bücher von L. de Haan On Regular Variation and its Application to the Weak Convergence of Sample Extremes, N. H. Bingham, C. M. Goldie, J. L. Teugels Regular Variation und S. Resnick Extreme Values, Regular Variation and Point Processes. Satz (Gnedenko, 1943). Eine Verteilungsfunktion F mit rechtem Endpunkt x liegt genau dann im Max Anziehungsbereich der Gumbel Verteilung Λ, wenn es eine positive und messbare Funktion g(x) gibt mit (4.4.1) lim x x F (x + ug(x)) F (x) = e u für alle u R. Bemerkung x kann im Gumbel Fall endlich oder unendlich sein. Bemerkung Genauer gilt: Ist die Bedingung (4.4.1) erfüllt, so gilt M n b n a n d Λ, wobei a n und b n Folgen sind, die die folgenden Bedingungen erfüllen: (4.4.2) lim n F (b n ) = 1, a n = g(b n ). Beweis von Satz Es wird hier wiederum nur ein Beweis für die Rückrichtung gegeben. Es seien also (4.4.1) und (4.4.2) erfüllt. Es gilt lim b n = x, denn hätte b n eine von x wegbeschränkte Teilfolge, so würde entlang dieser Teilfolge (4.4.2) verletzt sein. Man betrachte nun lim n F F (bn + g(b n )u) (a n u + b n ) = lim n F (b n ) F (b n ) = e u, wobei wir (4.4.1) und (4.4.2) benutzt haben. Es folgt [ ] Mn b n P u = F n (a n u + b n ) = (1 F (a n u + b n )) n e e u. a n Und dadurch ergibt sich Mn bn a n d Λ. Beispiel Die Exponentialverteilung Exp(λ) mit Tailfunktion F (x) = e λx, x > 0, liegt im Max Anziehungsbereich von Λ. Man kann nachrechnen, dass Bedingung (4.4.1) mit g(x) = 1 erfüllt ist: λ F (x + ug(x)) = e F λug(x) = e u. (x) 27

33 Aus (4.4.2) ergibt sich (als eine mögliche Wahl) b n = log n λ und a n = 1, so dass λ λm n log n d Λ. Beispiel Auch die Normalverteilung liegt im Max-Anziehungsbereich der Gumbel- Verteilung 28

34 KAPITEL 5 Statistik der Extremwertverteilungen In diesem Kapitel beschäftigen wir uns mit statistischen Anwendungen der Extremwertverteilungen. Wir werden zwei verschiedene Zugänge zur Modellierung von Extremwerten betrachten. Der erste Zugang basiert auf der Modellierung von Blockmaxima durch die bereits bekannten Extremwertverteilungen, die hier GEV Verteilungen (Generalized Extreme Value Distributions) genannt werden. Der zweite Zugang (Peaks Over Threshold Method) benutzt die verallgemeinerten Pareto Verteilungen (GPD, Generalized Pareto Distributions). Wir werden hier nur auf einige grundlegende Ideen der statistischen Modellierung von Extremwerten eingehen. Für mehr Einzelheiten verweisen wir auf die Bücher von S. Coles An introduction to statistical modeling of extreme values, E. Gumbel Statistics of extremes, J. Beirlant, Y. Goegebeur, J. Teugels, J. Segers Statistics of extremes Statistik der Blockmaxima: GEV Verteilungen Wir haben in Abschnitt 1.5 gesehen, dass Extremwertverteilungen folgende Form haben: { ( G γ,µ,σ (z) = exp 1 + γ z µ ) } 1 γ für 1 + γ z µ > 0. σ σ Extremwertverteilungen bilden also eine dreiparametrige Familie: γ R ist der formgebende Parameter, µ R ist der Lageparameter und σ > 0 ist der Skalenparameter. Für γ gilt: γ > 0: G ist eine Fréchet Verteilung (definiert für z µ > 1 wie oben, sonst 0). σ γ γ < 0: G ist eine Weibull Verteilung (definiert für z µ < 1 wie oben, sonst 1). σ γ γ = 0: G ist eine Gumbel Verteilung (definiert für z R wie oben). Beispiel (Wasserstände an einem Deich). Nach der Nordsee-Flut 1953 mit 1836 Toten allein in den Niederlanden wurde beschloßen die Deiche so hoch zu bauen, dass sie nur noch alle Jahre überflutet wurden. Aber wie hoch mussten sie sein? 29

35 Abbildung 1. Höhen des höchsten Wasserstände in Dover Wir nutzen an Stelle dieser Daten die Wasserstands-Daten von Dover aus den Jahren 1912 bis 1992, weil diese einfacher verfügbar sind (z.b. als Teil des Datensatzes sealevel des R- Pakets evd). Diese sind in Abbildung 1 zu sehen. Wir wollen aus diesen Daten die Deichhöhe Z p bestimmen, bei der eine Überflutung mit einer gegebenen Wahrscheinlichkeit p in einem Jahr stattfindet. Dabei ist die Wahrscheinlichkeit p sehr klein (viel kleiner als 1/n, zum Beispiel), so dass alle gemessenen Wasserstände sicherlich kleiner als die gesuchte Höhe Z p sind. Um die Deichhöhe zu bestimmen, betrachten wir folgendes Modell: x 1,..., x n sind Realisierungen von X 1,..., X n, die u.i.v. Zuvallsvariablen mit einer GEV Verteilung G γ,µ,σ mit Parametervektor θ = (γ, µ, σ) R 2 R + sind. Bemerkung Den jährlichen Maxima eine GEV Verteilung zu unterstellen, ist eine natürliche Wahl, da jedes X i ein Maximum von vielen Zufallsvariablen ist, die zumindest annähernd u.i.v. sind. Wir haben in früheren Kapiteln gezeigt, dass solche Maxima unter sehr allgemeinen Bedingungen gegen Extremwertverteilungen konvergieren. Natürlich braucht man für die Konvergenz Normierungskonstanten, für Zwecke des Statistik kann man aber annehmen, dass die Normierungskonstanten bereits in den Parametern µ und σ enthalten sind. (Wenn M log n einer GEV-Verteilung mit Parameter γ = 0, µ = 0 und σ = 1 folgt, dann hat M eine GEV-Verteilung mit γ = 0, µ = log n und σ = 1.) Unser Problem besteht nun darin, den Parametervektor θ zu schätzen. Wir werden die Maximum Likelihood Methode (ML Methode) benutzen. Dazu benötigt man die Dichte f γ,µ,σ (z) der GEV Verteilung. Durch Ableiten der Verteilungsfunktion G γ,µ,σ erhält man, dass für γ 0 { ( ) 1 f θ (z) = f γ,µ,σ (z) = σ 1 + γ z µ 1 γ 1 exp{ ( ) 1 + γ z µ 1 γ }, 1 + γ z µ > 0, σ σ σ 0, sonst 30

36 während für γ = 0 f θ (z) = f 0,µ,σ = 1 } z µ e σ exp { e z µ σ, für z R. σ Mit Hilfe der Dichten kann man die Log Likelihoodfunktion aufstellen: n l(θ) := l(θ x 1,..., x n ) := log f θ (x i ). Für γ 0 gilt: falls 1 + γ x i µ σ l(θ) = n log σ i=1 ( ) n ( 1 γ + 1 log 1 + γ x ) i µ σ i=1 n i=1 ( 1 + γ x ) 1 i µ γ, σ > 0 für alle i = 1,..., n, und l(θ) = sonst. Für γ = 0 gilt: l(θ) = n log σ n i=1 x i µ σ n i=1 e x i µ σ. Bei der Bestimmung des Maximum Likelihood Schätzers ergeben sich zwei Probleme: Für γ < 1 und (max{x 1,..., x n } µ)/σ 1/γ gilt l(θ). Deshalb bezeichnen wir bereits ein lokales Maximum der Log Likelihoodfunktion l(γ, µ, σ) als Maximum-Likelihood-Schätzer für ˆθ = (ˆγ, ˆµ, ˆσ). Aber auch diese lokalen Maxima können nicht analytisch bestimmt werden, sondern müssen numerisch ermittelt werden. Nachdem der Parameter θ geschätzt wurde, können wir die Deichhöhe Z p schätzen. Wir erinnern, dass Z p die Deichhöhe ist, bei der eine Überflutung mit Wahrscheinlichkeit p in einem Jahr stattfindet. Das Problem besteht also darin, dass (1 p) Quantil des jährlichen Maximums zu schätzen. Wir schätzen Z p indem wir die Gleichung Gˆγ,ˆµ,ˆσ (Ẑp) = 1 p lösen (falls p (0, 1), dann ist die Lösung eindeutig bestimmt): { ˆµ ˆσˆγ Ẑ p = {1 ( log(1 p)) ˆγ }, ˆγ 0, ˆµ ˆσ log( log(1 p)), ˆγ = 0. Für ˆγ < 0 (im Fall der Weibull Verteilung) besitzt die Verteilung Gˆγ,ˆµ,ˆσ einen endlichen rechten Endpunkt, den wir als Z 0 bezeichnen. In diesem Fall gehen wir davon aus, dass es einen absolut höchsten Wasserstand gibt, der niemals überschritten wird. Der Schätzer für Z 0 ist dann gegeben durch: Ẑ 0 = ˆµ ˆσˆγ. Beispiel (Fortsetzung von Beispiel 5.1.1). Für die Daten von Dover ergibt sich ˆγ = 0, 021, ˆµ = 3, 6 und ˆσ = 0, 20. Wir befinden uns also im Bereich der Weibull-Verteilung. Es ergeben sich Höhen Z 0,001 = 4, 9 für einen Deich, der nur alle Jahre überflutet wird, und Z 0 = 13, 2 für einen Deich, der nie überflutet wird. 31

37 5.2. Modell-Verifikation Ein grundsätzliches Dilemma der Statistik ist folgendes: Die Theorie verlangt, dass man sich vor Ansehen der Daten auf Grund theoretischer Überlegungen sicher ist, dass das Modell richtig ist. Aber ein Modell ist nie richtig daran, dass man sich a priori sicher ist, ist überhaupt nicht zu denken. Deshalb führt man in der Praxis Modell-Verifikationen durch, d.h. man überprüft ob das Modell die Daten adäquat beschreibt. Hierfür sind graphische Verfahren sehr beliebt. Im Falle der Schätzer aus Abschnitt 5.1 ist also zu überprüfen, ob die Daten x 1,..., x n gut durch Zufallsvariablen X 1,..., X n beschrieben werden, die unabhängig sind, die identisch verteilt sind und deren Verteilung eine Extremwertverteilung G γ,µ,σ ist. Ein geeignetes Instrument, um die dritte Annahme zu überprüfen, ist der QQ-Plot. Das q Quantil G (q), wobei q (0, 1), einer Verteilungsfunktion G ist definiert als (die kleinste) Lösung z der Gleichung G(z) = q. Die Ordnungsstatistiken von x = (x 1,..., x n ) sind eine neue Stichprobe (x (1),..., x (n) ), die die gleichen Elemente (mit ggf. gleichen Vielfachheiten) wie die ursprüngliche Stichprobe enthält, aber aufsteigend sortiert ist: x (1) x (2) x (n). Um zu überprüfen, ob eine Verteilung G eine Stichprobe x = (x 1,..., x n ) gut beschreibt, werden beim QQ Plot auf der horizontalen Achse die, 2,..., n 1 -Quantile der Verteilung n+1 n+1 n+1 G abgetragen und auf der vertikalen Achse die Ordnungsstatistiken x (1),..., x (n). Definition (Quantil Plot). Der QQ Plot ist die Menge {( ( ) ) } i G, x (i) : i = 1,..., n R 2. n + 1 Wenn G die Daten gut beschreibt, sollte ( ) i G x (i) n + 1 gelten bzw. sollten die Punkte im QQ Plot auf der Winkelhalbierenden liegen. Bei der Modell-Verifikation dürfen die Ergebnisse der Schätzung verwendet werden, d.h. als Verteilung G nehmen wir im QQ-Plot die Verteilung mit den geschätzten Parametern. Ein QQ-Plot für Beispiel findet sich in Abbildung 2. Wenden wir uns nun noch einer weiteren zu überprüfenden Annahme zu, nämlich der, dass die Zufallsvariablen X 1,..., X n identisch verteilt sind. Bei genauem Hinsehen stellt man fest, dass dies in Beispiel nicht der Fall ist. Man sagt, die Daten seien nicht stationär. Wir betrachten nun ein Modell, das dieser Nichtstationarität der Daten Rechnung trägt. Die beobachteten Blockmaxima x 1,..., x n seien Realisierungen von Zufallsvariablen X 1,..., X n, die unabhängig aber nicht identisch verteilt seien mit X i G γ(i),σ(i),µ(i), i = 1,..., n. 32