On the cumulative residual interval entropy of doubly truncated random variables

1. Planteamiento del Problema

La entropía es una medida fundamental de incertidumbre en teoría de la información, estadística y ciencias actuariales. Tradicionalmente, la Entropía de Shannon ($S(X)$) y la Entropía Residual Acumulada (CRE) propuesta por Rao et al. se han utilizado para cuantificar la incertidumbre de variables aleatorias continuas no negativas. Sin embargo, estas medidas tienen limitaciones en contextos donde los datos están doblemente truncados (es decir, cuando solo se observa la vida útil de un sistema dentro de un intervalo específico $[\tau_1, \tau_2]$).

En situaciones prácticas como:

• Estudios de supervivencia donde el tiempo de inicio no es cero y el evento de interés ocurre dentro de un rango.
• Pruebas de vida donde un producto se observa después de un periodo de uso (truncamiento inferior) y hasta un tiempo de inspección (truncamiento superior).
• Seguros con deducibles y límites de póliza (donde las pérdidas solo se registran entre un monto $d$ y un límite $u$).

Las medidas existentes (como la entropía dinámica residual $E(X;t)$ o la entropía de intervalo basada en la densidad $S(X;\tau_1, \tau_2)$) no capturan adecuadamente la incertidumbre acumulada basada en la función de supervivencia dentro de un intervalo finito. El artículo aborda la necesidad de definir y estudiar una nueva medida: la Entropía Residual Acumulada de Intervalo (CRIE) para variables doblemente truncadas.

2. Metodología

Los autores desarrollan un marco teórico riguroso basado en la teoría de la fiabilidad y la teoría de la información. La metodología incluye:

1. Definición Formal: Introducen la CRIE, denotada como $H(X; \tau_1, \tau_2)$, definida como la entropía residual acumulada de la variable aleatoria doblemente truncada $X_{\tau_1, \tau_2} = X | \tau_1 \le X \le \tau_2$.
   $$H(X; \tau_1, \tau_2) = - \int_{\tau_1}^{\tau_2} \bar{F}_{X_{\tau_1, \tau_2}}(x) \ln \bar{F}_{X_{\tau_1, \tau_2}}(x) \, dx$$
   Donde $\bar{F}_{X_{\tau_1, \tau_2}}(x)$ es la función de supervivencia de la variable truncada.

2. Herramientas Analíticas:

   • Tasa de Fallo Generalizada (GFR): Utilizan la función de tasa de fallo generalizada $h_{X,1}(\tau_1, \tau_2)$ introducida por Navarro y Ruiz para caracterizar el comportamiento de la variable truncada.
   • Vida Residual Media Doblemente Truncada: Analizan la relación entre la CRIE y la vida residual media esperada en el intervalo, $m_{X,1}(\tau_1, \tau_2)$.
   • Transformaciones Estocásticas: Emplean el transformado de reelevación (relevation transform) y el covarianza para obtener representaciones alternativas de la medida.
   • Ordenes Estocásticos: Utilizan órdenes como el de razón de verosimilitud ($\le_{lr}$) y la tasa de fallo ($\le_{hr}$) para comparar distribuciones.

3. Análisis de Propiedades: Estudian la monotonicidad de la medida bajo transformaciones lineales y convexas, y definen nuevas clases de distribuciones basadas en el comportamiento de la CRIE.

3. Contribuciones Clave

El artículo aporta las siguientes contribuciones significativas:

• Nueva Medida de Incertidumbre: Define formalmente la CRIE, corrigiendo interpretaciones previas erróneas sobre la función de supervivencia en intervalos truncados (ver Remark 1 del artículo).
• Representaciones Alternativas: Establece múltiples formas de calcular o interpretar la CRIE:
  • Como el valor esperado de la vida residual media condicional: $H(X; \tau_1, \tau_2) = E[m_{X,1}(X, \tau_2) | \tau_1 \le X \le \tau_2]$.
  • En términos de covarianza: $H(X; \tau_1, \tau_2) = \text{Cov}(X, -\ln[\bar{F}_X(X) - \bar{F}_X(\tau_2)] | \tau_1 \le X \le \tau_2)$.
  • A través del transformado de reelevación de la variable truncada.
• Clases de Distribución Nuevas: Introduce las clases ICRIE (Entropía Residual Acumulada de Intervalo Creciente) y DCRIE (Decreciente), análogas a las clases IFR/DFR en teoría de la fiabilidad.
• Nueva Divergencia: Propone la Divergencia Kullback-Leibler de Intervalo Residual Acumulado (CRIKL) como una medida de distancia entre dos distribuciones truncadas, útil para pruebas de bondad de ajuste.

4. Resultados Principales

Los autores demuestran varios teoremas y proposiciones clave:

• Límites (Bounds):

  • Límite Superior: Se establece que $H(X; \tau_1, \tau_2) \le \sqrt{\text{Var}(X | \tau_1 \le X \le \tau_2)}$.
  • Límites Inferiores: Se proporcionan cotas inferiores basadas en la entropía de intervalo de Shannon $S(X; \tau_1, \tau_2)$ y en la vida residual media.
  • Se demuestra que si la tasa de fallo generalizada es decreciente (DFR), la CRIE está acotada inferiormente por una integral de la función de supervivencia al cuadrado.

• Monotonicidad y Transformaciones:

  • La clase ICRIE/DCRIE es cerrada bajo transformaciones lineales crecientes ($aX+b$).
  • La clase DCRIE es cerrada bajo transformaciones convexas crecientes.
  • Se establecen condiciones necesarias y suficientes para que la CRIE sea monótona en función de los puntos de truncamiento $\tau_1$.

• Comparación de Distribuciones:

  • Si dos variables $X$ y $Y$ están ordenadas por razón de verosimilitud ($X \le_{lr} Y$), se obtiene una desigualdad que relaciona sus CRIEs y sus vidas residuales medias truncadas.
  • Se comparan las CRIEs de una variable $X$ y su variable de equilibrio $X_e$, mostrando que si la tasa de fallo generalizada es creciente, la entropía de la variable de equilibrio es menor o igual.

• Ejemplos Numéricos: Se presentan cálculos para distribuciones comunes (Potencia, Beta, Exponencial, Lomax) mostrando cómo la CRIE varía con los parámetros de truncamiento, confirmando que la incertidumbre disminuye a medida que el intervalo de observación se estrecha.

5. Significado e Impacto

Este trabajo es relevante por varias razones:

1. Aplicabilidad Práctica: Proporciona herramientas matemáticas precisas para analizar datos en situaciones donde la información es incompleta (truncada), común en seguros, fiabilidad de ingeniería y estudios de supervivencia clínica.
2. Generalización Teórica: Unifica conceptos previos. La CRIE generaliza tanto la Entropía Residual Acumulada (CRE) como la Entropía Residual Acumulada Dinámica, extendiendo su validez a intervalos finitos.
3. Nuevas Herramientas de Inferencia: La introducción de la divergencia CRIKL ofrece un método potencialmente más robusto para pruebas de bondad de ajuste en datos truncados, donde las pruebas basadas en densidad pueden fallar o ser difíciles de estimar.
4. Caracterización de Distribuciones: Las nuevas clases ICRIE y DCRIE permiten clasificar distribuciones de vida útil basándose en el comportamiento de la incertidumbre acumulada dentro de intervalos, enriqueciendo la teoría de la fiabilidad.

En conclusión, el artículo establece una base sólida para el estudio de la incertidumbre en sistemas con datos limitados por intervalos, ofreciendo tanto resultados teóricos profundos (límites, monotonicidad) como aplicaciones prácticas en modelado de riesgos y fiabilidad.