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

कल्पना कीजिए कि आप किसी प्रणाली द्वारा सामना किए जाने वाले सबसे बुरे संभावित आयोजन की भविष्यवाणी करने का प्रयास कर रहे हैं: एक सदी में एक नदी तक पहुँचने वाला उच्चतम बाढ़ स्तर, एक शहर द्वारा झेली जा सकने वाली सबसे तीव्र लू, या वह सबसे तेज़ हवा जिसे एक पुल को सहना होगा। ये केवल यादृच्छिक संख्याएँ नहीं हैं; ये सुरक्षा और अस्तित्व की सीमाएँ हैं। दशकों से, वैज्ञानिक इन चरम सीमाओं का मॉडल बनाने के लिए एक विशिष्ट गणितीय ढांचे पर भरोसा करते आए हैं, एक ऐसा ढांचा जो यह सुझाव देता है कि मूल डेटा कितना भी जटिल क्यों न हो, जैसे-जैसे नमूना आकार अनंत रूप से बढ़ता है, सबसे बड़े मान तीन अनुमानित पैटर्नों में से एक में स्थिर हो जाते हैं। यह एक्सट्रीम वैल्यू थ्योरी (चरम मान सिद्धांत) का क्षेत्र है, जो सबसे दुर्लभ और खतरनाक घटनाओं के व्यवहार को समझने के लिए समर्पित है। जबकि सिद्धांत हमें बताता है कि जब हम अंतिम रिकॉर्ड के लिए अनंत काल तक प्रतीक्षा करते हैं तो क्या होता है, वास्तविक दुनिया शायद ही कभी अनंत समय प्रदान करती है। हम सीमित डेटा के साथ काम करते हैं, और उस सीमित दायरे में, यदि हम गलत उपकरणों का उपयोग करते हैं, तो चरम की ओर जाने वाला मार्ग भ्रामक और खतरनाक हो सकता है।

हाल ही में एक अध्ययन में, शोधकर्ता इमन अटिया ने इस विशिष्ट चुनौती के लिए बेहतर उपकरण बनाने का लक्ष्य रखा। कार्य एक ज्ञात सांख्यिकीय आकार से शुरू होता है जिसे 'मीडियन बेस्ड यूनिट रेले डिस्ट्रीब्यूशन' कहा जाता है, एक ऐसा मॉडल जो शून्य और एक के बीच सीमित डेटा का वर्णन करता है। अटिया ने एक मौलिक प्रश्न पूछा: यदि हम इस विशिष्ट आकार से शुरुआत करें और इस पर विभिन्न गणितीय रूपांतरण लागू करें, तो कौन से नए आकार उभरते हैं, और उनके सबसे चरम मानों को देखते समय वे कैसे व्यवहार करते हैं? लक्ष्य केवल नए सूत्र बनाना नहीं था, बल्कि ऐसे वितरणों को इंजीनियर करना था जो नमूना आकार अनंत होने से पहले वास्तविक दुनिया के डेटा के साथ अधिक सटीक रूप से फिट हो सकें। मूल आकार को लेकर और विशिष्ट ऑपरेशनों के माध्यम से उसे मोड़कर—जैसे कि चर का ऋणात्मक लघुगणक (negative logarithm) लेना या द्वि-लघुगणक (double logarithmic) रूपांतरण लागू करना—लेखक ने चार अलग-अलग नए निरंतर वितरण प्राप्त किए। इनमें से प्रत्येक नए मॉडल के साथ उसके अपने गुणों का एक अनूठा सेट आता है, जिसमें यह शामिल है कि किसी निश्चित बिंदु पर किसी मान के होने की कितनी संभावना है, वह संभावना कैसे संचित होती है, और समय या परिमाण बढ़ने के साथ चरम घटना का जोखिम कैसे बदलता है।

अध्ययन से पता चलता है कि ये नए वितरण केवल सैद्धांतिक जिज्ञासाएँ नहीं हैं; इनमें उस डेटा के अनुकूल होने की एक शक्तिशाली क्षमता है जिसका उन्हें वर्णन करना है। जब लेखक ने देखा कि अवलोकनों की संख्या बढ़ने के साथ इन नए मॉडलों के भीतर अधिकतम मानों का व्यवहार कैसा रहता है, तो एक स्पष्ट पैटर्न सामने आया। जिस भी रूपांतरण को लागू किया गया था, उसके आधार पर, मॉडल दो प्रमुख प्रकार के चरम मान व्यवहारों की ओर अभिसरित (converge) हुए। दो नए वितरणों ने, जिन्हें ऋणात्मक लॉग स्क्वेयर्ड रूपांतरण और ऋणात्मक डबल लॉग रूपांतरण द्वारा बनाया गया था, अंततः 'गुम्बेल' (Gumbel) पैटर्न में स्थिर होना दिखाया। यह पैटर्न हल्के पूंछ वाले (light-tailed) वितरणों की विशेषता है, जहाँ चरम मान दुर्लभ होते हैं और उनके होने की संभावना तेजी से गिरती है। एक अन्य रूपांतरण, जिसमें एक विशिष्ट पावर-लॉ एडजस्टमेंट शामिल था, ने मॉडल को 'फ्रेचेट' (Fréchet) पैटर्न की ओर अभिसरित होने के लिए प्रेरित किया, जो भारी पूंछ वाले (heavy-tailed) वितरणों का वर्णन करता है जहाँ चरम घटनाएँ अधिक बार होती हैं और संभाव्यता वक्र की पूंछ बहुत लंबी होती है।

शायद सबसे महत्वपूर्ण बात यह है कि अध्ययन ने पुष्टि की कि मूल 'मीडियन बेस्ड यूनिट रेले डिस्ट्रीब्यूशन' स्वयं, बिना किसी रूपांतरण के, 'वेबुल' (Weibull) वितरण के रूप में जाना जाने वाला तीसरा पैटर्न प्रदर्शित करता है। यह पैटर्न अद्वितीय है क्योंकि यह उस डेटा पर लागू होता है जिसकी एक कठोर ऊपरी सीमा होती है, एक अधिकतम सीमा जिसे पार नहीं किया जा सकता। इन सीमाओं को सिद्ध करके, लेखक ने प्रदर्शित किया कि ये नए मॉडल गणितीय रूप से सुदृढ़ हैं और चरम मान सिद्धांत के सही परिवारों से संबंधित हैं। अनुसंधान केवल सीमाओं की पहचान करने से आगे बढ़कर प्रत्येक नए वितरण के लिए पूर्ण गणितीय मशीनरी प्रदान करता है। इसमें औसत मान, प्रसरण (variance), और वह विशिष्ट बिंदु निकालना शामिल है जहाँ डेटा का एक निश्चित प्रतिशत नीचे गिरता है, इसकी गणना करने की क्षमता भी शामिल है। यह "हैज़र्ड रेट" (hazard rate) का भी विवरण देता है, जो यह मापने का एक पैमाना है कि समय के साथ चरम घटना का जोखिम कैसे बदलता है, यह दिखाते हुए कि कुछ नए मॉडलों के लिए, जोखिम कम से शुरू होता है, एक शिखर तक बढ़ता है, और फिर स्थिर हो जाता है या गिर जाता है, जो सरल मॉडलों की तुलना में खतरे का अधिक सूक्ष्म दृष्टिकोण प्रदान करता है।

इस कार्य का मूल्य इसके सटीक डेटा के लिए निहित है। हालांकि किसी भी चरम मान मॉडल की अंतिम सीमा एक मानक गुम्बेल या फ्रेचेट वितरण हो सकती है, लेकिन वहां तक पहुँचने की यात्रा अत्यंत महत्वपूर्ण है। मानक मॉडल अक्सर अभिसरण (convergence) की एक कठोर गति का अनुमान लगाते हैं जो वास्तविकता से मेल नहीं खाती, जिससे उन सीमित डेटासेट पर लागू होने पर पक्षपाती अनुमान प्राप्त होते हैं जो हमारे पास वास्तव में उपलब्ध हैं। ये नए वितरण एक सेतु के रूप में कार्य करते हैं। इनमें अतिरिक्त पैरामीटर होते हैं जो उन्हें हाथ में मौजूद डेटा की विशिष्ट विशेषताओं के अनुरूप ढलने और आकार लेने की अनुमति देते हैं, जिससे वे सैद्धांतिक अनंत तक पहुँचने से पहले के "पेनअल्ट" (penultimate) व्यवहार को पकड़ पाते हैं। इसका अर्थ यह है कि इंजीनियर, जलविज्ञानी और जोखिम विश्लेषक इन मॉडलों का उपयोग संभावित आपदाओं की बहुत अधिक सटीक तस्वीर प्राप्त करने के लिए कर सकते हैं। वे भरोसा कर सकते हैं कि मॉडल उस प्रणाली के भौतिक या संरचनात्मक बारीकियों को समझता है जिसका वे अध्ययन कर रहे हैं, न कि केवल डेटा को एक सामान्य बॉक्स में जबरदस्ती फिट करता है। अध्ययन इस निष्कर्ष के साथ समाप्त होता है कि एक ही मूल वितरण से इन विशिष्ट रूपांतरणों को व्युत्पन्न करके, हम अधिकतम चरम मानों के मॉडलिंग के लिए एक बहुमुखी टूलकिट प्राप्त करते हैं, यह सुनिश्चित करते हुए कि सबसे खराब मामलों के लिए हमारे पूर्वानुमान यथासंभव विश्वसनीय और वास्तविकता में आधारित हों।