A New Pareto-Type Family via the Right-Sided Riemann–Liouville Fractional Integral: Properties and Applications

Resumen Técnico: Una Nueva Familia de Tipo Pareto mediante la Integral Fraccionaria de Riemann–Liouville de Lado Derecho

Planteamiento del Problema
Las distribuciones de Pareto clásicas son herramientas fundamentales para modelar fenómenos de cola pesada en campos como la economía, las ciencias actuariales y la ingeniería de confiabilidad. Sin embargo, el modelo Pareto estándar sufre de una rigidez estructural; su comportamiento de cola fijo a menudo no logra capturar los grados variables de pesadez de la cola y las tasas de riesgo no monotónicas observadas en los datos empíricos. Aunque se han propuesto numerosas extensiones (por ejemplo, familias exponencialmente incrementadas, transmutadas y generadas por beta) para aumentar la flexibilidad, los autores argumentan que muchas dependen de parametrizaciones ad hoc que carecen de un marco teórico unificador o que resultan en una complejidad excesiva sin una motivación clara.

Metodología
El artículo propone una nueva familia de distribuciones, la Pareto de Integral Fraccionaria (FIP, por sus siglas en inglés), generada mediante la aplicación del operador de integral fraccionaria de Riemann–Liouville de lado derecho a la función de supervivencia de la distribución Pareto clásica. La derivación sigue un proceso analítico de cuatro pasos:

1. Formulación de la Base: Se establece la función de supervivencia $S(x)$ de la distribución Pareto clásica.
2. Transformación Fraccionaria: Se aplica una integral fraccionaria de Riemann–Liouville de lado derecho de orden $\nu > 0$ a $S(x)$.
3. Normalización: La función resultante se normaliza para asegurar que constituya una función de supervivencia válida.
4. Diferenciación: Se deriva la nueva función de densidad de probabilidad (PDF) mediante la diferenciación de la función de supervivencia normalizada.

La distribución FIP resultante introduce un parámetro de orden fraccionario ($\nu$) junto con los parámetros clásicos de escala ($\lambda$) y forma ($\alpha$). Este parámetro fraccionario regula sistemáticamente la pesadez de la cola y la flexibilidad de la forma.

Contribuciones Clave y Propiedades Estadísticas
El artículo proporciona una caracterización teórica exhaustiva de la distribución FIP:

• Formas Explícitas: Se derivan expresiones de forma cerrada para la PDF, la Función de Distribución Acumulativa (CDF), la Función de Supervivencia y la Tasa de Riesgo (Hazard Rate).
• Momentos Estadísticos: Se calculan explícitamente los momentos brutos de orden $r$, la varianza, la asimetría y la curtosis. La existencia de los momentos está condicionada por la relación entre los parámetros de forma y fraccionario (específicamente, $\alpha - \nu > r$).
• Otras Medidas: Se derivan la Función Generadora de Momentos (MGF), la Moda, la Mediana y las medidas de Entropía.
• Estimación: El artículo detalla la estimación de parámetros utilizando la Estimación de Máxima Verosimilitud (MLE) y el Método de los Momentos (MOM). Se proporcionan soluciones analíticas para los estimadores, junto con la matriz de Información de Fisher para calcular los intervalos de confianza asintóticos.

Resultados
El desempeño del modelo FIP se evalúa a través de dos vías primarias:

1. Simulaciones de Monte Carlo: Las simulaciones se realizaron con tamaños de muestra de $n=500, 1000$ y $2000$. Los resultados indican que el modelo FIP (denominado "Modelo Derivado") demuestra una convergencia y robustez superiores en comparación con el modelo Pareto base. A medida que el tamaño de la muestra aumenta, el estadístico de Kolmogorov-Smirnov (K-S) para el modelo FIP se acerca a cero, mientras que el ajuste del modelo base se deteriora o se estanca, lo que sugiere que el modelo base es estructuralmente incapaz de capturar el proceso generador de datos.
2. Aplicación en el Mundo Real: El modelo se aplicó a tres variables de peso continuo del Conjunto de Datos de la Encuesta A2F 2023 (pesos individuales, calibrados y familiares). En todos los casos, el modelo FIP superó significativamente al modelo Pareto base.
   • Bondad de Ajuste: El modelo FIP logró valores de Criterio de Información de Akaike (AIC) y Criterio de Información Bayesiano (BIC) sustancialmente menores (mejoras de 30,000–50,000 unidades) y redujo significativamente los estadísticos K-S (por ejemplo, cayendo de 0.418 a 0.078 para los pesos calibrados).
   • Ajuste Visual: El análisis gráfico mostró que, mientras el modelo base forzaba un decaimiento inmediato desde el valor mínimo, perdiendo el "cuerpo" de la distribución, el modelo FIP capturó con éxito el aumento inicial en la densidad de probabilidad y la transición hacia la cola pesada.

Significancia y Reivindicaciones
Los autores afirman que la distribución FIP propuesta ofrece un mecanismo teóricamente fundamentado para extender los modelos Pareto clásicos. Al utilizar el cálculo fraccionario, el modelo proporciona una forma sistemática de regular el comportamiento de la cola sin recurrir a parametrizaciones arbitrarias. El estudio concluye que la inclusión del parámetro fraccionario mejora la flexibilidad del modelo y la tractabilidad analítica, convirtiendo a la distribución FIP en una herramienta robusta para modelar eventos extremos y riesgos de cola donde los modelos Pareto estándar son insuficientes. El artículo sostiene que la superioridad del modelo es una propiedad fundamental, validada tanto por los resultados de simulación asintótica como por las aplicaciones de datos reales.