Чтобы смоделировать экстремальные явления от распределения, используйте обобщенное распределение Парето (GPD). Statistics and Machine Learning Toolbox™ предлагает несколько способов работать с GPD.
Создайте объект GeneralizedParetoDistribution
распределения вероятностей путем подбора кривой распределению вероятностей к выборочным данным или путем определения значений параметров. Затем используйте объектные функции, чтобы оценить распределение, сгенерировать случайные числа, и так далее.
Работа с GPD в интерактивном режиме при помощи приложения Distribution Fitter. Можно экспортировать объект из приложения и использовать объектные функции.
Используйте специфичные для распределения функции с заданными параметрами распределения. Специфичные для распределения функции могут принять параметры нескольких GPDs.
Используйте типичные функции распределения (cdf
, icdf
, pdf
, random
) с заданным именем распределения ('Generalized Pareto'
) и параметры.
Создайте объект paretotails
смоделировать хвосты распределения при помощи GPDs с другим распределением для центра. Объект paretotails
является кусочным распределением, которое состоит из одного или двух GPDs в хвостах и другого распределения в центре. Можно задать тип распределения для центра при помощи аргумента cdffun
paretotails
, когда вы создаете объект. Допустимыми значениями cdffun
является 'ecdf'
(интерполировал эмпирическое кумулятивное распределение), 'kernel'
(интерполированное средство оценки сглаживания ядра), и указатель на функцию. После создания объекта можно использовать объектные функции, чтобы оценить распределение и сгенерировать случайные числа.
Чтобы узнать об обобщенном распределении Парето, смотрите Обобщенное Распределение Парето.
GeneralizedParetoDistribution | Обобщенный объект распределения вероятностей Парето |
Distribution Fitter | Подходящие распределения вероятностей к данным |
Обобщенное распределение Парето
Узнайте об обобщенном распределении Парето, используемом, чтобы смоделировать экстремальные явления от распределения.
Дистрибутивы непараметрической и эмпирической вероятности
Оцените функцию плотности вероятности или кумулятивную функцию распределения от выборочных данных.
Соответствуйте непараметрическому распределению хвостами Парето
Соответствуйте непараметрическому распределению вероятностей к выборочным данным с помощью хвостов Парето, чтобы сглаживать распределение в хвостах.
Непараметрические оценки кумулятивных функций распределения и их инверсий
Оцените кумулятивную функцию распределения (cdf) от данных непараметрическим или полупараметрическим способом.
Моделирование данных о хвосте с обобщенным распределением Парето
Этот пример показывает, как соответствовать данным о хвосте к Обобщенному распределению Парето по оценке наибольшего правдоподобия.