Modeling Maximum Extreme Values by New Different Continuous Distributions Derived from the Median Based Unit Rayleigh Distribution

Imagina intentar predecir el peor evento posible que un sistema podría enfrentar jamás: el nivel de inundación más alto que un río podría alcanzar en un siglo, la ola de calor más intensa que una ciudad podría soportar o el viento más fuerte que un puente debe resistir. Estos no son solo números aleatorios; son los límites de la seguridad y la supervivencia. Durante décadas, los científicos han dependido de un marco matemático específico para modelar estos extremos, un marco que sugiere que, sin importar cuán complejos sean los datos subyacentes, los valores más grandes tienden a establecerse en uno de tres patrones predecibles a medida que el tamaño de la muestra crece infinitamente. Este es el reino de la teoría de valores extremos, un campo dedicado a comprender el comportamiento de los sucesos más raros y peligrosos. Si bien la teoría nos dice qué sucede cuando esperamos eternamente por el récord definitivo, el mundo real rara vez ofrece un tiempo infinito. Trabajamos con datos finitos, y en esa ventana limitada, el camino hacia el extremo puede ser traicionero y engañoso si utilizamos las herramientas equivocadas.

En un estudio reciente, el investigador Iman Attia se propuso construir mejores herramientas para este desafío específico. El trabajo comienza con una forma estadística conocida llamada distribución de Rayleigh Unitaria Basada en la Mediana, un modelo que describe datos confinados entre cero y uno. Attia planteó una pregunta fundamental: si partimos de esta forma específica y aplicamos diferentes transformaciones matemáticas a ella, ¿qué nuevas formas emergen y cómo se comportan cuando observamos sus valores más extremos? El objetivo no era solo crear nuevas fórmulas, sino diseñar distribuciones que se ajusten con mayor precisión a los datos del mundo real antes de que el tamaño de la muestra sea infinito. Al tomar la forma original y retorcerla mediante operaciones específicas —como aplicar el logaritmo negativo de la variable o una transformación de doble logaritmo—, el autor derivó cuatro nuevas distribuciones continuas distintas. Cada uno de estos nuevos modelos viene con su propio conjunto único de propiedades, incluyendo la probabilidad de producir un valor en un punto determinado, cómo se acumula esa probabilidad y cómo cambia el riesgo de un evento extremo a medida que aumenta el tiempo o la magnitud.

El estudio revela que estas nuevas distribuciones no son solo curiosidades teológicas; poseen una capacidad poderosa para adaptarse a los datos que deben describir. Cuando el autor analizó el comportamiento de los valores máximos dentro de estos nuevos modelos a medida que crecía el número de observaciones, surgió un patrón claro. Dependiendo de qué transformación se aplicara, los modelos convergían hacia uno de dos tipos principales de comportamiento de valores extremos. Dos de las nuevas distribuciones, creadas aplicando una transformación de logaritmo negativo al cuadrado y una transformación de doble logaritmo negativo, demostraron que eventualmente se establecerían en el patrón Gumbel. Este patrón es característico de las distribuciones de cola ligera, donde los valores extremos son raros y la probabilidad de que ocurran cae rápidamente. Otra transformación, que involucra un ajuste específico de ley de potencia, llevó al modelo a converger hacia el patrón Fréchet, que describe distribuciones de cola pesada donde los eventos extremos son más frecuentes y la cola de la curva de probabilidad es mucho más larga.

Quizás lo más significativo es que el estudio confirmó que la distribución de Rayleigh Unitaria Basada en la Mediana original, sin ninguna transformación, converge hacia un tercer patrón conocido como la distribución de Weibull. Este patrón es único porque se aplica a datos que tienen un límite superior estricto, un techo máximo que no puede ser excedido. Al probar estos límites, el autor demostció que estos nuevos modelos son matemáticamente sólidos y pertenecen a las familias correctas de la teoría de valores extremos. La investigación va más allá de solo identificar los límites; proporciona toda la maquinaria matemática para cada nueva distribución. Esto incluye la capacidad de calcular el valor promedio, la varianza y el punto específico en el que un cierto porcentaje de los datos queda por debajo. También detalla la "tasa de peligro", una medida de cómo cambia el riesgo de un evento extremo a lo largo del tiempo, mostrando que para algunos de estos nuevos modelos, el riesgo comienza bajo, aumenta hasta un pico y luego se estabiliza o cae, ofreciendo una visión más matizada del peligro que los modelos más simples.

El valor de este trabajo reside en su precisión para datos finitos. Si bien el límite último de cualquier modelo de valores extremos puede ser una distribución Gumbel o Fréchet estándar, el viaje hacia allí importa inmensamente. Los modelos estándar suelen asumir una velocidad de convergencia rígida que no coincide con la realidad, lo que conduce a estimaciones sesgadas cuando se aplican a los conjuntos de datos finitos que realmente poseemos. Estas nuevas distribuciones actúan como un puente. Contienen parámetros adicionales que les permiten doblarse y moldearse para ajustarse a las características específicas de los datos a la mano, capturando el comportamiento "penúltimo" del sistema antes de que alcance el infinito teórico. Esto significa que ingenieros, hidrólogos y analistas de riesgo pueden utilizar estos modelos para obtener una imagen mucho más precisa de los desastres potenciales. Pueden confiar en que el modelo comprende los matices físicos o estructurales del sistema que están estudiando, en lugar de simplemente forzar los datos en una caja genérica. El estudio concluye que, al derivar estas transformaciones específicas de una única distribución madre, obtenemos un conjunto de herramientas versátiles para modelar valores extremos máximos, asegurando que nuestras predicciones para los peores escenarios sean tan confiables y fundamentadas en la realidad como sea posible.