Model–based clustering for spherical and hyper–spherical data using elliptically symmetric distributions

Imagina que eres un detective intentando ordenar una pila caótica de canicas, pero estas no son canicas ordinarias. Están pegadas a la superficie de un globo gigante e invisible, y tu único trabajo es averiguar cuáles pertenecen al mismo grupo. Este es el mundo de los "datos direccionales", donde los científicos estudian cosas que tienen una dirección pero no un punto de partida específico, como la forma en que apunta la aguja de una brújula, la trayectoria de un ave migratoria o el lugar exacto en la Tierra donde un terremoto sacude el suelo. Durante décadas, la forma estándar de agrupar estas canicas asumió que cada grupo tenía la forma de una nube de humo redonda y perfecta. Si las canicas tenían en realidad la forma de un balón de fútbol americano estirado o un panqueque aplastado, los métodos antiguos se confundían, intentando forzar un círculo redondo alrededor de un óvalo alargado. Este artículo plantea una pregunta simple pero poderosa: ¿Qué pasaría si utilizáramos una herramienta más inteligente que pueda estirarse y comprimirse para adaptarse a la forma real de los grupos, en lugar de forzar todo en un círculo perfecto?

Los investigadores, Theodoros Perdikis, Nader Alharbi y Michail Tsagris, decidieron probar dos nuevas herramientas capaces de cambiar de forma, llamadas "distribuciones elípticamente simétricas". Piensa en ellas como bandas elásticas flexibles que pueden estirarse en óvalos para abrazar estrechamente un grupo de puntos de datos, en lugar de ser aros de hula-hula rígidos y redondos. Probaron estas herramientas en dos tipos de datos: puntos en una esfera normal (como la Tierra) y puntos en una "hiperesfera" (una versión matemática de una esfera en dimensiones superiores que existe en las matemáticas pero no en nuestro mundo físico). Para que los datos de la hiperesfera fueran manejables, utilizaron un truco ingenioso: proyectaron los datos de alta dimensión hacia una esfera regular de 3D, como si aplanaran un mapa complejo sobre un globo terráqueo, antes de aplicar sus nuevas herramientas.

El principal hallazgo del artículo es que estas herramientas flexibles, con forma de óvalo, son a menudo mejores para encontrar los grupos reales que las antiguas que son redondas. En sus simulaciones por computadora, cuando los datos tenían naturalmente la forma de un óvalo estirado, las nuevas herramientas encontraban los grupos correctos casi siempre, mientras que las viejas herramientas redondas a veces se equivocaban o creaban grupos desordenados y superpuestos. Sin embargo, el artículo también sugiere que la elección de la herramienta importa dependiendo de la "cola" de los datos: qué tan dispersos están los valores atípicos. Una de las nuevas herramientas, llamada SESPC, fue particularmente buena para manejar datos que estaban muy dispersos, y también fue más rápida de computar, tardando menos tiempo en procesar los números que su competidora, la ESAG.

Cuando el equipo aplicó estas herramientas a misterios del mundo real, los resultados fueron mixtos pero reveladores. Analizaron la ubicación de terremotos en América del Norte y cerca de Fiyi. En América del Norte, ambas herramientas coincidieron en el número de grupos, pero la herramienta flexible SESPC trazó líneas más claras y distintas entre los grupos, haciendo que fueran más fáciles de separar. En la región de Fiyi, las viejas herramientas redondas y las nuevas herramientas ovales no estuvieron de acuerdo sobre cuántos grupos existían; la flexible SESPC encontró una estructura más simple y lógica de cuatro grupos, mientras que los otros modelos se enredaron en siete. También probaron las herramientas con datos de calidad del vino y de gasto de clientes mayoristas. Aquí, las herramientas flexibles mostraron nuevamente su fuerza, encontrando a menudo el número correcto de grupos donde otros métodos tuvieron dificultades. El artículo concluye que, si bien los viejos métodos redondos siguen siendo útiles, estas distribuciones que cambian de forma ofrecen una manera más precisa y flexible de comprender los patrones ocultos en los datos direccionales, especialmente cuando los grupos no son perfectamente redondos.