Eelnevalt vaadeldud pakett fExtremes pakub lisaks graafilistele tööriistadele veel ka hulgaliselt ekstremaalväärtute teooria rakendamise vahendeid. Olemas on näiteks üldistatud ekstremaalväärtuste jaotuse funktsioonid (nt dgev). Funktsioon gevFit võimaldab nimetatud jaotuse sobitamist andmetele. Parameetrite hindamiseks saab kasutada kas suurima tõepära (valik type=”mle”) või tõenäosusuega kaalutud momentide meetodit (valik type=”pwm”). Eelteadmine, et lubab kasutada funktsiooni gumbelFit. Ära tuleb määrata ka andmete kuju – kas tegu on juba blokimaksimumidega (block=1) või alles toorandmetega, kus soovitakse modelleerida maksimume blokkides suurusega (valik block=n).

Sobitatud mudeli diagnostikat võimaldab funktsioon summary, mille argumendil which valikud , , ja , kujutavad vastavalt blokimaksimumide graafiku, mudeli “jääkide” graafiku, “jääkide” histogrammi ja “jääkide” kvantiil-kvantiil graafiku. Millel põhineb nende graafikute joonistamise mõttekus ja miks on kvantiil-kvantiil graafiku joonistamisel kasutatud standardset eksponentjaotust? Idee on siin väga lihtne. Lähtudes üldistatud ekstremaalväärtuste jaotuse jaotusfunktsioonist saame selle pööramist alustades, et

kus vasakul pool näeme standardse eksponentjaotuse genereerimiseeskirja ning paremal üht funktsiooni. Kui me eeldame, et parameetrite sobitamiseks kasutatud andmed pärinesid üldistatud ekstremaalväärtuste jaotusest, siis peaks selline teisendus neist tegema standardsest eksponentjaotusest pärit andmed, kusjuures teisenduses kasutatakse muidugi eelnevalt hinnatud parameetreid.