Сгенерируйте набор выборочных данных и создайте paretotails объект путем подбора кривой кусочному распределению хвостами Парето к сгенерированным данным. Найдите граничные точки между сегментами в paretotails объект при помощи объектного функционального boundary.

Сгенерируйте набор выборочных данных, содержащий 20% выбросов.

rng('default');  % For reproducibility
left_tail = -exprnd(1,100,1);
right_tail = exprnd(5,100,1);
center = randn(800,1);
x = [left_tail;center;right_tail];

Создайте paretotails объект путем подбора кривой кусочному распределению к x. Задайте контуры хвостов с помощью более низких и верхних интегральных вероятностей хвоста так, чтобы подходящий объект состоял из эмпирического распределения для средних 80% набора данных и обобщил распределения Парето (GPDs) для более низких и верхних 10% набора данных.

pd = paretotails(x,0.1,0.9)

pd = 
Piecewise distribution with 3 segments
      -Inf < x < -1.33251    (0 < p < 0.1): lower tail, GPD(-0.0063504,0.567017)
   -1.33251 < x < 1.80149  (0.1 < p < 0.9): interpolated empirical cdf
        1.80149 < x < Inf    (0.9 < p < 1): upper tail, GPD(0.24874,3.00974)

Возвратите граничные значения между кусочными сегментами при помощи boundary функция.

[p,q] = boundary(pd)

p = 2×1

    0.1000
    0.9000

q = 2×1

   -1.3325
    1.8015

Значения в p интегральные вероятности на контурах и значения в q соответствующие квантили.

Постройте cdf paretotails возразите и отметьте граничные точки на фигуре.

xi = sort(x);
plot(xi,cdf(pd,xi))
hold on
plot(q,p,'ro')
legend('Pareto Tails Object','Boundary Points','Location','best')
hold off