本文依靠EVT对任何连续分布的尾部建模。尾部建模，尤其是POT建模，对于许多金融和环境应用至关重要。
POT模型其主要动机是为高洪水流量的概率模型提供实用工具。但是，EVT的优势在于结果不取决于要建模的过程。因此，人们可以使用POT来分析降水，洪水，金融时间序列，地震等。
特征
POT软件包可以执行单变量和双变量极值分析；一阶马尔可夫链也可以考虑。例如，目前使用18个 估算器拟合（单变量）GPD 。这些估算器依靠三种不同的技术：
- 极大似然：MLE，LME，MPLE
- 动量法：MOM，PWM，MED
- 距离最小化：MDPD和MGF估计器。
与单变量情况相反，没有用于对超过阈值的双变量超出进行建模的有限参数化。POT允许对双变量GPD进行6种参数化：对数模型，负对数模型和混合模型-以及它们各自的不对称版本。
最后，可以使用二元GPD拟合一阶马尔可夫链，以实现两个连续观测值的联合分布。
在本节中，我们明确介绍了软件包中一些最有用的功能。 但是，对于完整的描述，用户可能希望查看软件包的小插图和软件包的html帮助。
GPD 计算: 模拟来自GPD（0,1,0.2）的样本： x <- rgpd(100, 0, 1, 0.2) ##评估x = 3时的密度和不超过的概率： dgpd(3, 0, 1, 0.2); pgpd(3, 0, 1, 0.2) #计算非超出概率为0.95的分位数： qgpd(0.95, 0, 1, 0.2) y <- rbvgpd(100, mo ##评估不超过（5,14）的可能性 pbvgpd(c(3,15), mode GPD 拟合 ##最大似然估计（阈值= 0）： mle <- fgpd(x, 0) ##最大似然估计（阈值= 0）： pwu <- fgpd(x, 0, "pwmu") ##最大拟合优度估算器： adr <- fgpd(x, 0, "mgf" ##指定已知参数： fgpd(x, 0, "mple", ##指定数值优化的起始值： fgpd(x, 0, "mdpd", start = ##拟合具有逻辑依存关系的双变量GPD： log <- fitbv
绘图用于单变量和双变量情况的通用函数：
plot(mle); plot(log)
返回等级图：
概率图和QQ图
qq(mle)
绘制密度
绘制Pickands的依赖函数：
光谱密度图：
##对数似然（分位数）：confint(mle, prob = 0.95)
##对数似然（参数）： confint(mle, "shape")
