MvdClase1 PDF

Introduccin Distribucin del Mximo Familias DVE Lmites No-Degenerados Dominios de Atraccin
Introduccin a la Teora de Valores Extremos
1. Introduccin
y
Fundamentos Matemticos
Joaqun Ortega Snchez
Centro de Investigacin en Matemticas, CIMAT

Guanajuato, Gto., Mexico
Octavo Congreso Latinoamericano de Sociedades de

Estadstica
Montevideo, Octubre 2008
Introduccin
Esquema del Curso
1. Introduccin y Fundamentos Matemticos

2. Mtodos Estadsticos: Mximos por Bloques
3. Mtodos Estadsticos: Valores sobre un Umbral
4. Tpicos Adicionales, Software y Estudio de Casos.
Outline
Introduccin
Distribucin del Mximo
Teorema de Convergencia a Familias
Distribuciones de Valores Extremos
Lmites No-Degenerados
Dominios de Atraccin
Outline
Introduccin
Introduccin
El objetivo de la Teora de Valores Extremos es bsicamente la
extrapolacin de informacin.
En su versin ms sencilla, el problema es el siguiente: Dada

una muestra independiente X1 , X2 , . . . , Xn de una distribucin
desconocida F , queremos estimar la cola de F .
Introduccin
Los principales problemas son

Hay pocas observaciones en la cola de la distribucin.
Con frequencia queremos estimar valores que van ms
all del mximo valor de la muestra.
Las tcnicas estndar de estimacin de densidades
ajustan bien donde los datos tienen mayor densidad, pero
pueden tener sesgos importantes al estimar las colas.
Introduccin
La teora tiene aplicaciones en muchas reas, principalmente

en ciencias ambientales. Un problema frecuente es el diseo
de estructuras que deben resistir algn fenmeno ambiental. Si
el fenmeno es muy intenso, la estructura fallar, por lo tanto
es necesario disearla de modo que la probabilidad de falla
sea pequea.
Ejemplos:
- Nivel del mar
- Velocidad del viento
- Nivel de un ro o presa
- Concentracin de contaminantes
- Lluvias
- Oleaje
Introduccin
Resumen Histrico
Origen en el artculo de Fisher & Tippet (1928)
Unificada y extendida en 1940s por Gnedenko
Primeras aplicaciones estadsticas por Emil Gumbel en los
50s
Generalizacion de las leyes clsicas por Pickands (1970s)
Desarrollo de tcnicas de estimacin y modelacin en los
80s y 90s
Estudio de extremos de procesos ms generales y del
caso multidimensional a partir de los 80s
Introduccin
Ejemplo 1: Lluvias en Maiqueta, Venezuela

Ocurridas el 15 de diciembre de 1999.
Tan intensas que cambiaron la geografa de la costa
central de Venezuela
Humboldt (Viaje a las Regiones Equinocciales del Nuevo
Continente) menciona un precedente en febrero de 1797
Antecedente conocido en 1951. Lluvias causaron 30
muertos y extensos daos materiales en una regin que
an estaba prcticamente deshabitada.
Introduccin
Introduccin
Introduccin
Introduccin
Introduccin
Introduccin
Introduccin
Introduccin
Introduccin
Introduccin
Introduccin
Introduccin
Introduccin
Hubiese sido posible, con la informacin previa,

predecir este evento, o al menos asignarle algn
nivel de plausibilidad?
Introduccin
Ejemplo 2: Nieve en Carolina del Norte, U.S.A.

El 25 de enero de 2000 ocurri una nevada de 20.3
pulgadas en el aeropuerto de Raleigh-Durham, en
Carolina del Norte, USA. Esta cantidad de nieve es
excepcionalmente alta para este lugar.
Estimaciones de la prensa indicaron que un evento de
este tipo podra ocurrir una vez cada 100-200 aos.
Cmo podemos estimar la probabilidad de un evento de
este tipo usando nicamente la informacin disponible
antes del evento?
Introduccin
Ao Da Nieve Ao Da Nieve Ao Da Nieve
1948 24 1 1965 15 0.8 1977 7 0.3
1948 31 2.5 1965 16 3.7 1977 24 1.8
1954 11 1.2 1965 17 1.3 1979 31 0.4
1954 22 1.2 1965 30 3.8 1980 30 1.0
1954 23 4.1 1965 31 0.1 1980 31 1.2
1955 19 9 1966 16 0.1 1981 30 2.6
1955 23 3 1966 22 0.2 1982 13 1.0
1955 24 1 1966 25 2 1982 14 5.0
1955 27 1.4 1966 26 7.6 1985 20 1.7
1956 23 2 1966 27 0.1 1985 28 2.4
1958 7 3 1966 29 1.8 1987 25 0.1
1959 8 1.7 1966 30 0.5 1987 26 0.5
1959 16 1.2 1967 19 0.5 1988 7 7.1
1961 21 1.2 1968 10 0.5 1988 8 0.2
1961 26 1.1 1968 11 1.1 1995 23 0.7
1962 1 1.5 1968 25 1.4 1995 30 0.1
1962 10 5 1970 12 1 1996 6 2.7
1962 19 1.6 1970 23 1 1996 7 2.9
1962 28 2 1973 7 0.7 1997 11 0.4
1963 26 0.1 1973 8 5.7 1998 19 2.0
1964 13 0.4 1976 17 0.4 2000 25 20.3
Introduccin
Introduccin
Ejemplo 3: Ruptura de Fibras de Vidrio.

Datos corresponden a 63 fibras de vidrio de 1.5 cm de
longitud. Se determin la fuerza necesaria para romperlos
en condiciones experimentales
Problema de Confiabilidad
Introduccin
Ejemplo 4: Series Financieras.
Tasa de cambio del euro a la libra esterlina.
Las tendencias y cambios de nivel en la serie impiden un
anlisis sencillo.
Los datos no son estacionarios pero se puede obtener una
aproximacin a la estacionaridad tomando logaritmo de los
cocientes de observaciones sucesivas (log-daily returns).
Introduccin
Ejemplo 5: Seguros.
Los datos describen reclamos de gran valor causados por
incendios en Dinamarca entre el 3 de enero de 1980 y el
31 de diciembre de 1990
Pocos datos dominan los montos globales. Indicativo de
una distribucin de colas pesadas
Outline
Introduccin
Sea {Xn , n 1} una sucesin de v.a.i.i.d. con f.d. comn F y

definamos
Mn = max Xi .
in
La distribucin de esta variable aleatoria es

n
Y
P(Mn x) = P(X1 x, . . . , Xn x) = P(Xi x) = F n (x).
i=1
Si conocemos F , conocemos la distribucin del mximo, pero

las expresiones anlticas para F n pueden ser complicadas.
Frecuentemente F es desconocida.
An en este caso deseamos tener una idea de la distribucin

de Mn , es decir, buscamos una distribucin lmite que sirva de
aproximacin a F n , as como la distribucin normal sirve de
aproximacin a la distribucin de la suma de v.a.i. con gran
generalidad.
Veamos si esto es posible: Definimos
(F ) = inf{x : F (x) > 0} ,

(F ) = sup{x : F (x) < 1} .
Estos puntos son los extremos del soporte de la distribucin F

Mn es una sucesin creciente con lmite (F ) c.p.1:
Si x < (F ) entonces F (x) < 1 y en consecuencia
P(Mn x) = F n (x) 0.
Si x > (F ) entonces F (x) = 1 y en consecuencia
P(Mn x) = F n (x) = 1.
Por lo tanto Mn (F ) en probabilidad y como la sucesin es

creciente, convergencia en probabilidad implica convergencia
con probabilidad 1.
Es decir,
La distribucin del mximo siempre converge a

una distribucin degenerada.
Distribucin Uniforme
Densidad Funcin de Distribucin

Distribucin Exponencial

Distribucin de Cauchy

Distribucin Normal

Esto es similar a lo que ocurre con las sumas de variables i.i.d.

y el Teorema Central del Lmite: Por la Ley Fuerte de Grandes
Nmeros, si = E(Xi ) entonces
n
1X
Xn = Xi
n
i=1
pero si hacemos una transformacin lineal
X n n
,
n

donde n = y n = / n, entonces hay convergencia dbil a
una variable con distribucin N(0, 1).
Buscamos un teorema del tipo
Mn bn
P( x) = F n (an x + bn ) G(x)
an
dbilmente cuando n para una distribucin lmite
no-degenerada y nos planteamos las siguientes preguntas
Cules son las distribuciones lmite posibles?
Cules son las constantes an y bn ? Son nicas?
Qu condiciones debe satisfacer F para que se cumpla
un resultado as?
Si hay varias G posibles, Cmo sabemos, conociendo F ,
cul de ellas es el lmite? Es nico?
Funcin de Distribucin Emprica

Sea X1 . . . . , Xn una muestra aleatoria simple de una poblacin
con f.d. F . Dada la muestra, definimos la funcin de
distribucin emprica (f.d.e.) Fbn por
n
bn (x) = 1 1
X
F 1(,x] (Xi ) = ]{i : Xi x}
n n
i=1
F
bn es aleatoria y por el teorema de Glivenko-Cantelli sabemos
que F
bn converge uniformemente a F (x).
Teorema (Glivenko-Cantelli)
Sea X1 , . . . , Xn una coleccin de v.a.i. con distribucin comn
F y sea F bn (x) = F bn (x, ) la funcin de distribucin emprica
correspondiente. Entonces
sup |F
bn (x) F (x)| 0
x
con probabilidad 1.
La Funcin de Cuantiles
La funcin de cuantiles (f.c.) Q es la inversa generalizada de F :
Q(p) = F (p) = inf{s : F (s) p},
para cualquier p (0, 1).

Propiedades
1. Q es creciente y continua por la izquierda.
2. F (Q(y )) y .
3. Q(y ) t sii y F (t); Q(y ) > t sii y > F (t).
4. Sea U una v.a. con distribucin uniforme en [0, 1] entonces
Q(U()) es una variable aleatoria en [0, 1] con f.d. F:
P(Q(U) t) = P(U F (t)) = F (t).

Outline
Introduccin

Muchos resultados de convergencia de variables aleatorias son
del siguiente tipo: Para una sucesin de v.a. n , n 1 y
constantes an > 0 y bn R, se demuestra que
n bn
Y,
an
donde Y es una v. a. no-degenerada. Usando esto tenemos
n bn
P( x) P(Y x) = G(x),
an
o poniendo y = an x + bn ,
y bn
P(n y ) G( ).
an
Esto permite aproximar la distribucin de n por una familia de
distribuciones con parmetros de ubicacin y escala.

Hasta qu punto son nicas estas constantes de
normalizacin an y bn ?
Definicin 1. Dos distribuciones F y G son del mismo tipo o
pertenecen a la misma familia si para algunas constantes
a > 0, b R,
G(x) = F (ax + b), x R.
En trminos de v. a., si X F y Y G entonces
d X b
Y =
a
Por ejemplo, podemos considerar la familia gaussiana. Si X0,1
tiene distribucin N(0, 1) y X, tiene distribucin N(, 2 ),
entonces L(X, ) = L(X0,1 + ).
Teorema (Convergencia a familias, Gnedenko & Khinchin)

Sean G(x) y H(x) dos funciones de distribucin propias
(G(R) = H(R) = 1), ninguna de las cuales est concentrada
en un punto. Supongamos que para n 0, Xn son v.a. con
funciones de distribucin Fn . Sean, adems, constantes
an > 0, n > 0, bn R, n R.
a) Si
Fn (an x + bn ) G(x), Fn (n x + n ) H(x) (1)
entonces existen constantes A > 0 y B R tales que, cuando

n ,
n n bn
A > 0, B, (2)
an an
y
H(x) = G(Ax + B). (3)
b) Recprocamente, si (2) vale, entonces cualquiera de las
relaciones en (1) implica la otra y (3) vale.
Corolario
Sea Fn una sucesin de f. d. y an > 0 y bn sucesiones de
constantes tales que
Fn (an x + bn ) G(x) (4)
en todo punto de continuidad de G, que es una f.d. propia y no

est concentrada en un punto. Sean cn > 0 y dn sucesiones de
constantes tales que
an dn bn
1, 0.
cn an
Entonces (4) vale con cn y dn en lugar de an y bn .
Outline
Introduccin
Cules son las distribuciones lmite posibles?

Teorema
Supongamos que existen constantes an > 0 y bn R para
n 1 tales que
Mn bn
x = F n (an x + bn ) G(x)

P (5)
an
dbilmente cuando n donde G es propia (G(R) = 1) y no
est concentrada en un punto. Entonces G pertenece a
algunas de las siguientes tres familias de distribuciones:
(a) Gumbel: (x) = exp(ex ) x R. (6)

(
0 x <0
(b) Frchet: (x) =
(7)
exp(x ) x 0
(
exp((x) ) x < 0
(c) Weibull: (x) = (8)
1 x 0
En los casos (b) y (c) > 0.

Observacin
Este teorema fue originalmente propuesto por Fisher y Tippett
en 1928 y demostrado rigurosamente por Gnedenko en 1943.
Observacin
Las tres distribuciones mencionadas en el teorema se
llaman, en conjunto, las distribuciones de valores extremos
(DVE).
Observamos que el teorema 3 no garantiza la existencia
de un lmite no degenerado para Mn , ni nos dice cul es el
lmite cuando existe. Lo que sabemos es que, cuando el
lmite existe, tiene que ser una de las distribuciones
incluidas en el teorema, cualquiera sea la distribucin
inicial F .
Ejemplos.
Sea F la distribucin exponencial de parmetro 1:
F (x) = 1 ex para x > 0, entonces F n (x) = (1 ex )n y
F n (x + log n) = (1 exlog n )n
1 n
= 1 ex
n
exp{ex }
Por lo tanto, con una normalizacin an = 1 y bn = log n,

Mn tiene como lmite una distribucin Gumbel.
Ejemplos.
Consideremos la distribucin de Cauchy con densidad
1
f (x) = , x R
(1 + x 2 )
Sea F (x) = 1 F (x). Usando la regla de LHpital es fcil ver

que F (x) (x)1 . Esto implica que
nx nx n
P Mn = 1F

1 n
= 1 + o(1)
nx
exp{x 1 } = 1 (x), x > 0.
Cada una de las distribuciones de valores extremos representa

en realidad una familia de distribuciones en el sentido de la
definicin 1, segn los valores de los parmetros y de
ubicacin y escala.
(a) Gumbel: , (x) = exp(e(x)/ ) x R.

(
0 x <
(b) Frchet: ,, (x) =
exp(((x )/) ) x
(
exp(((x )/) ) x <
(c) Weibull: ,, (x) =
1 x 0
Vemos que es el extremo izquierdo para la distribucin de

Frchet y el extremo derecho para la distribucin de Weibull.
Distribuciones Generalizada de Valores Extremos
Los tres tipos de DVE pueden ser combinados en una sola

distribucin con parametrizacin comn, propuesta por von
Mises (1954) y Jenkinson (1955), que se conoce como la
Distribucin Generalizada de Valores Extremos, DGVE o GEV
por sus siglas en ingls. La forma de esta distribucin es
n 1/ o
G (x) = exp 1 + x + , (9)
donde y+ = max{y , 0}. Para > 0 tenemos la distribucin de

Frchet con = 1/. Para < 0 tenemos la distribucin de
Weibull con = 1/ y la distribucin de Gumbel aparece
como lmite cuando 0. El parmetro se conoce como el
parmetro de forma.
Si incluimos los parmetros de localizacin y escala y , la

expresin es
n x 1/ o
G,, (x) = exp 1 + +

Esta expresin conjunta de las tres distribuciones lmite permite
hacer inferencia estadstica sin seleccionar previamente uno de
los tres modelos lmites posibles: Weibull, Gumbel o Frchet.
Outline
Introduccin
Lmites No Degenerados
Bajo qu condiciones sobre F tenemos convergencia a un

lmite no-degenerado?
Vamos a considerar relaciones de la forma
P(Mn un ) (10)
para sucesiones generales (un ) (en el caso de transforma-

ciones de ubicacin y escala un = un (x) = an x + bn ).
Queremos ahora hallar condiciones sobre F que aseguren que
exista el lmite de P(Mn un ) cuando n para una
sucesin apropiada de constantes un . Comenzamos con un
resultado elemental pero importante
Proposicin (Aproximacin de Poisson)

Dado [0, ] y una sucesin (un ) de nmeros reales las
siguientes dos relaciones son equivalentes
nF (un ) = n(1 F (un )) , (11)
P(Mn un ) = F n (un ) e . (12)
Demostracin para [0, ).

Si (11) vale entonces
1 n
P(Mn un ) = F n (un ) = (1 F (un ))n = 1 + o ,
n n
que implica (12).
Recprocamente, si (12) vale entonces F (un ) 0 porque si no,

para alguna subsucesin (nk ) y algn > 0, F (unk ) > para
todo k y P(Mnk unk ) = (1 F (unk ))nk 0 cuando nk ,
lo cual contradice (12). Tomando logaritmos en (12) tenemos
n log(1 F (un )) .
Como log(1 x) x para x 0, esto implica que

nF (un ) = + o(1), y por lo tanto (11) es cierta.
Observacin
El teorema de aproximacin de Poisson est detrs de la
demostracin anterior:
Supongamos que 0 < < y sea Bn = ni=1 1{Xi >un } .
P
Entonces Bn Bin(n, F (un )).

Por el teorema de aproximacin de Poisson
Bn w Pois( ) E(Bn ) = nF (un ) ,
que es (11). Adems
P(Mn un ) = P(Bn = 0) exp{ }.
Por esto (12) se conoce como la aproximacin de Poisson para

P(Mn un ).
Corolario
Supongamos que (F ) < y
F ((F ) ) = F ((F )) F ((F ) ) > 0.
Entonces si para alguna sucesin (un ) se tiene que

P(Mn un ) , necesariamente = 0 = 1.
Este resultado muestra, en particular, que si una distribucin

tiene un salto en su extremo derecho (finito), no existe una
distribucin lmite no degenerada para Mn , no importa cual
normalizacin usemos.
La siguiente caracterizacin, tomada del libro de Leadbetter,

Lindgren y Rootzn, incluye distribuciones con extremo
derecho infinito.
Teorema
Sea F una f.d. con (F ) y sea (0, ). Existe una
sucesin (un ) que satisface (11)
nF (un ) = n(1 F (un )) ,
sii
F (x) 1 F (x)
lim = lim =1 (13)
x(F ) F (x ) x(F ) 1 F (x )
El resultado anterior vale en particular para distribuciones

discretas con (F ) = . Si los saltos de la f.d. no decaen con
suficiente velocidad, entonces no existe una distribucin lmite
no-degenerada para el mximo.
Por ejemplo, si X toma nicamente valores enteros y
(F ) = entonces (13) pide que
F (n)
1 cuando n . (14)
F (n 1)
Corolario
Sea X una v.a. discreta que toma valores enteros positivos con
P(X = k ) = pk y tiene f.d. F . Existen sucesiones de
constantes an > 0, bn R tales que F n (an x + bn ) converge a
un lmite no degenerado si y slo si
pk
lim P = 0. (15)
k j=k pj
Usando este corolario es sencillo demostrar que no existen

lmites degenerados para las siguientes distribuciones:
Poisson
Geomtrica
Binomial Negativa
Outline
Introduccin
Sea {Xn , n 1} una sucesin de v.a.i.i.d. con funcin de
distribucin comn F . Sea
Mn = max{Xi , 1 i n}
Definicin
Decimos que la funcin de distribucin F est en el dominio de
atraccin de la distribucin de valores extremos H (notacin:
F D(H)) si existen constantes an > 0, bn R tales que
F n (an x + bn ) = P(Mn an x + bn ) H(x), x R.
Queremos obtener condiciones necesarias y suficientes para

determinar si una f.d. pertenece al dominio de atraccin de
alguna de las distribuciones de valores extremos.
Proposicin
La f.d. F pertenece al dominio de atraccin de la DVE H con
constantes de normalizacin an > 0, bn R si y slo si
lim nF (an x + bn ) = log H(x), x R.

n
Cuando H(x) = 0 el lmite se interpreta como .

Definicin
Una funcin medible U : R+ R+ es de variacin regular en
con ndice (notacin: U VR o fvr()) si para x > 0
U(tx)
lim = x .
t U(t)
se conoce como el exponente o ndice de variacin.

Si = 0 decimos que U es de variacin lenta, y en general
denotaremos estas funciones con la letra L. Si U VR
entonces U(x)/x VR0 y poniendo L(x) = U(x)/x vemos
que es posible representar una funcin de variacin regular de
ndice como x L(x).
El ejemplo cannico de fvr() es x .

Las funciones log(x), log log(x) y exp{(log(x)) } para
0 < < 1 son de variacin lenta.
Cualquier funcin L(x) con lmite finito cuando x es
de variacin lenta.
Las funciones ex y cos(x) no son de variacin regular ni
de variacin lenta.
Para las aplicaciones que nos van a interesar queremos

considerar f.d. con colas de variacin regular. Por ejemplo,
1 F (x) = x , x 1, > 0,
y
(x) = exp{x }, x 0.
Esta distribucin tiene la propiedad
1 (x) x cuando x ,
donde la notacin f (x) g(x) quiere decir que f (x)/g(x) 1

cuando x .
Dominio de atraccin de la distribucin Frchet.

Teorema (Gnedenko, 1943)
F D( ) si y slo si 1 F VR . En este caso
F n (an x) (x)
con
1
an = Q 1 . (16)
n
Observacin
Por lo tanto slo distribuciones con (F ) = pueden estar en
D( ).
Ejemplos.
Las distribuciones de Pareto (estricta), Cauchy y las estables
con exponente < 2 pertenecen a la clase de las
distribuciones generalizadas de Pareto, que satisfacen
F (x) Kx , x ,
para algn K , > 0. Por los resultados anteriores F D( )

ya que F VR y podemos escoger como constantes de
normalizacin an = (Kn)1/ . En consecuencia
(Kn)1/ Mn w .
Ejemplos.
La distribucin loggamma tiene cola
1
F (x) (log x)1 x , , > 0.
()
cuando x . Por lo tanto F VR que equivale a

F D( ).
Obtenemos las constantes de normalizacin
1/
an (())1 (log n)1 n ,
y por lo tanto
1/
(())1 (log n)1 n Mn w .
Dominio de Atraccin de la Distribucin Weibull.

Teorema (Gnedenko, 1943)
F D( ) si y slo si F < y 1 F (F x 1 ) VR
cuando x . En este caso podemos definir
1 1
an = Q 1 = (n) (17)
n 1F
y tenemos
F n (F + (F an )x) (x), x < 0.

Ejemplos.
La Distribucin Uniforme. Para la distibucin U(0, 1),
obviamente (F ) = 1 y F (1 1/x) = 1/x VR1 . Por el
teorema anterior vemos que F D(1 ). Como
F (1 1/n) = 1/n, ponemos an = 1/n, y entonces
n(Mn 1) w 1 .
Sea F una f.d. con (F ) < que satisface
F (x) = K (F x) , F K 1/ x F , K , > 0.
Por el teorema anterior vemos que F D( ). Podemos

escoger las constantes de normalizacin de modo que
F (F an ) = n1 , es decir, an = (Kn)1/ , y se tiene
(Kn)1/ (Mn F ) w .
Dominio de Atraccin de la Distribucin Gumbel.
Teorema
La f.d. F con extremo derecho F pertenece al dominio
de atraccin de si y slo si existe z < F tal que
n Z x g(t) o
F (x) = c(x) exp dt , z < x < F , (18)
z a(t)
donde c y g son funciones medibles que satisfacen

c(x) c > 0, g(x) 1 cuando x F , y a(x) es una funcin
positiva y absolutamente continua (respecto a la medida de
Lebesgue) con densidad a0 (x) que satisface limxF a0 (x) = 0.
Para una F con esta representacin podemos escoger
bn = Q(1 n1 ), an = a(bn ),
como constantes de normalizacin.

Una posible seleccin de a es

Z F
1
a(x) = F (t)dt, x < F . (19)
F (x) x
Observacin
Si X es una v.a. con f.d. F , la funcin a definida por (19) es la
funcin media de exceso o vida remanente media:
e(x) = E(X x|X > x), x < F .

Ejemplos.La Distribucin Normal

Es posible demostrar que la distribucin normal pertenece al
dominio de atraccin de la distribucin de Gumbel. Las
constantes de normalizacin se pueden tomar como
log log n + log 4

an = (2 log n)1/2 , bn = (2 log n)1/2
2(2 log n)1/2
y por lo tanto,
p p log log n + log 4
2 log n Mn 2 log n + w . (20)
2(2 log n)1/2
Ejemplos.La Distribucin Lognormal
Sea X N (0, 1) y g(x) = e+x , R, > 0. Entonces
e = g(X ) = e+X
X
define una v.a. lognormal. Como X D() obtenemos
e n e+(an x+bn ) ) = (x),
lim P(M x R,
n
donde an , bn son las constantes de normalizacin de la
distribucin normal tpica. Esto implica,
lim P(ebn Me n 1 + an x + o(an )) = (x), x R.
n
Como an 0 obtenemos
ebn +bn

Mn e
e w ,
an
e n D() con constantes de normalizacin
de modo que M
n = an e+bn ,
a n = e+bn .
b
El siguiente concepto define una relacin de equivalencia entre
las funciones de distribucin.
Definicin
Dos f.d. F y G son asintticamente equivalentes si tienen el
mismo extremo derecho, es decir, si (F ) = (G), y
F (x)
lim =c
x(F ) G(x)
para alguna constante 0 < c < .

Los dominios de atraccin de las DVE son cerrados respecto a
esta relacin, es decir que si F y G son asintticamente
equivalentes entonces F D(H) si y slo si G D(H). Ms
an, para dos f.d. asintticamente equivalentes es posible usar
las mismas constantes de normalizacin.

MvdClase1 PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

MvdClase1 PDF

Uploaded by

Copyright:

Available Formats

Introduccin Distribucin del Mximo Familias DVE Lmites No-Degenerados Dominios de Atraccin

Introduccin a la Teora de Valores Extremos

Joaqun Ortega Snchez

Centro de Investigacin en Matemticas, CIMAT

Octavo Congreso Latinoamericano de Sociedades de

Esquema del Curso

1. Introduccin y Fundamentos Matemticos

Distribucin del Mximo

Teorema de Convergencia a Familias

Distribuciones de Valores Extremos

Distribucin del Mximo

Teorema de Convergencia a Familias

Distribuciones de Valores Extremos

En su versin ms sencilla, el problema es el siguiente: Dada

Los principales problemas son

La teora tiene aplicaciones en muchas reas, principalmente

Ejemplo 1: Lluvias en Maiqueta, Venezuela

Hubiese sido posible, con la informacin previa,

Ejemplo 2: Nieve en Carolina del Norte, U.S.A.

Ejemplo 3: Ruptura de Fibras de Vidrio.

Distribucin del Mximo

Teorema de Convergencia a Familias

Distribuciones de Valores Extremos

Distribucin del Mximo

Sea {Xn , n 1} una sucesin de v.a.i.i.d. con f.d. comn F y

La distribucin de esta variable aleatoria es

Si conocemos F , conocemos la distribucin del mximo, pero

Distribucin del Mximo

An en este caso deseamos tener una idea de la distribucin

(F ) = inf{x : F (x) > 0} ,

Estos puntos son los extremos del soporte de la distribucin F

Distribucin del Mximo

Mn es una sucesin creciente con lmite (F ) c.p.1:

Si x < (F ) entonces F (x) < 1 y en consecuencia

Si x > (F ) entonces F (x) = 1 y en consecuencia

Por lo tanto Mn (F ) en probabilidad y como la sucesin es

Distribucin del Mximo

La distribucin del mximo siempre converge a

Densidad Funcin de Distribucin

Densidad Funcin de Distribucin

Densidad Funcin de Distribucin

Densidad Funcin de Distribucin

Distribucin del Mximo

Esto es similar a lo que ocurre con las sumas de variables i.i.d.

pero si hacemos una transformacin lineal

Distribucin del Mximo

Buscamos un teorema del tipo

Funcin de Distribucin Emprica

La funcin de cuantiles (f.c.) Q es la inversa generalizada de F :

Q(p) = F (p) = inf{s : F (s) p},

para cualquier p (0, 1).

P(Q(U) t) = P(U F (t)) = F (t).

Distribucin del Mximo

Teorema de Convergencia a Familias

Distribuciones de Valores Extremos

Teorema de Convergencia a Familias

Teorema de Convergencia a Familias

G(x) = F (ax + b), x R.

En trminos de v. a., si X F y Y G entonces

Teorema de Convergencia a Familias

Teorema (Convergencia a familias, Gnedenko & Khinchin)

Teorema de Convergencia a Familias

Fn (an x + bn ) G(x), Fn (n x + n ) H(x) (1)