A Convex Combination of Fréchet and Weibull Distributions: Model, Estimation, and Applications

Resumen Técnico: Una Combinación Convexa de las Distribuciones Fréchet y Weibull

Planteamiento del Problema
Los datos del mundo real en campos como la hidrología, la ingeniería de confiabilidad y el análisis de valores extremos suelen exhibir comportamientos de cola heterogéneos, donde los eventos extremos coexisten con ocurrencias regulares. Capturar esta variabilidad utilizando una única distribución paramétrica resulta frecuentemente en un ajuste de modelo deficiente e inferencias erróneas. Mientras que la distribución Fréchet modela eficazmente fenómenos de cola pesada (por ejemplo, eventos raros de alto impacto), y la distribución Weibull es versátil para datos de cola más ligera y tasas de riesgo variables, ninguna de las dos puede representar por sí sola todo el espectro de comportamientos de cola encontrados en poblaciones complejas y heterogéneas.

Metodología
El artículo propone un modelo de mezcla finita de dos componentes formado por la combinación convexa de las funciones de densidad de probabilidad Fréchet y Weibull. El modelo se define como:
$$f(x) = w f_{Fr}(x; \alpha, s, m) + (1-w) f_{Weib}(x; \lambda, k)$$
donde $w \in [0, 1]$ es la proporción de mezcla, y los parámetros representan la forma ($\alpha, k$), la escala ($s, \lambda$) y la localización ($m$) para sus respectivos componentes.

Para estimar el vector de parámetros $\theta = (w, \alpha, s, m, \lambda, k)$, los autores desarrollan un procedimiento de Estimación de Máxima Verosimilitud (MLE) utilizando el algoritmo de Esperanza–Maximización (EM). La metodología involucra:

1. Paso E: Calcular las probabilidades a posteriori (pesos fraccionarios) de que cada observación pertenezca al componente Fréchet.
2. Paso M: Actualizar los parámetros de forma iterativa. El peso de la mezcla $w$ se actualiza mediante un promedio de forma cerrada de las probabilidades a posteriori. La escala de Weibull $\lambda$ y la escala de Fréchet $s$ se actualizan mediante MLE ponderados de forma cerrada dados los parámetros de forma fijos. Los parámetros de forma ($k, \alpha$) y el parámetro de localización de Fréchet $m$ se actualizan mediante optimización numérica unidimensional (por ejemplo, Newton–Raphson). Para asegurar la estabilidad numérica del parámetro de localización $m$, se emplea una reparametrización ($m = \min(x_i) - e^t$).

Si bien el artículo describe el Método de Momentos (MME) y la Estimación de Mínimos Cuadrados (LSE) como enfoques alternativos, el enfoque principal y los detalles de implementación se centran en el algoritmo EM para la MLE.

Contribuciones Clave

• Formulación del Modelo: Introducción de un marco paramétrico flexible que interpola entre regímenes de cola pesada (Fréchet) y de cola ligera a moderadamente pesada (Weibull), capaz de modelar la multimodalidad y la asimetría en datos heterogéneos.
• Procedimiento de Estimación: Desarrollo de un algoritmo EM robusto que combina actualizaciones de forma cerrada con optimización numérica de baja dimensión, abordando desafíos específicos como la optimización sin restricciones del parámetro de localización de Fréchet.
• Estabilidad Numérica: Implementación de estrategias para asegurar la convergencia y la estabilidad, incluyendo reparametrizaciones específicas y criterios de convergencia basados en cambios en la log-verosimilitud.

Resultados

• Estudio de Simulación: Se llevó a cabo un estudio de simulación exhaustivo con 1,000 replicaciones y un tamaño de muestra de $n=200$. Los resultados demostraron que el estimador propuesto produce sesgos pequeños y bajos Errores Cuadráticos Medios (RMSE) para todos los parámetros ($w, \alpha, s, m, \lambda, k$), lo que indica un desempeño satisfactorio en muestras finitas.
• Aplicación a Datos Reales: El modelo se aplicó a un conjunto de datos de 365 velocidades máximas diarias del viento. El modelo ajustado asignó aproximadamente un 36% de peso al componente Fréchet y un 64% al componente Weibull. Los parámetros estimados ($\alpha \approx 2.15$, $k \approx 1.47$) capturaron con éxito tanto las colas pesadas extremas como el cuerpo moderado de la distribución. El modelo alcanzó un Criterio de Información de Akaike (AIC) de 512.4, lo que sugiere un equilibrio favorable entre la bondad de ajuste y la complejidad del modelo en comparación con las alternativas de un solo componente.

Significancia y Reivindicaciones
El artículo afirma que el modelo de mezcla propuesto ofrece un enfoque tratable pero flexible para analizar conjuntos de datos complejos con estructuras de cola heterogéneas. Une la brecha entre el modelado de valores extremos y el análisis de distribuciones de cola ligera. Los autores sostienen que el modelo es particularmente valioso en aplicaciones donde los eventos catastróficos (modelados por Fréchet) coexisten con variaciones rutinarias (modeladas por Weibull), tales como en hidrología, finanzas y ciencias ambientales. El estudio concluye que el procedimiento de estimación basado en EM es efectivo para la implementación práctica, proporcionando ajustes robustos tanto para observaciones simuladas como para observaciones del mundo real.

Nota: El artículo establece explícitamente que no existen conflictos de intereses y que no se recibió financiación externa para esta investigación.