Correcting exponentiality test for binned earthquake magnitudes

Titolo: Correzione del test di esponenzialità per le magnitudo sismiche binate (binned)

1. Il Problema

Nella sismologia, la distribuzione delle magnitudo dei terremoti al di sopra della soglia di completezza ($M_c$) è classicamente modellata come una distribuzione esponenziale continua (Legge di Gutenberg-Richter). Tuttavia, i cataloghi sismici reali riportano le magnitudo con una risoluzione finita (es. un decimale), trasformando la distribuzione teorica continua in una distribuzione discreta (geometrica).

Per applicare test statistici che richiedono dati continui, come il test di Lilliefors (usato per stimare $M_c$), la pratica standard consiste nell'aggiungere un "rumore" (dithering) uniformemente distribuito nell'intervallo $[-\Delta m/2, +\Delta m/2]$ alle magnitudo discrete, dove $\Delta m$ è la larghezza della bin.
Gli autori evidenziano che questo approccio, sebbene comune, introduce un bias sistematico. In particolare, l'aggiunta di rumore uniforme non riesce a recuperare la distribuzione esponenziale continua sottostante, ma genera una distribuzione residua a gradini (piecewise-constant). Questo errore diventa critico nei cataloghi moderni ad alta risoluzione (con milioni di eventi), portando a una sovrastima significativa di $M_c$.

2. Metodologia

Lo studio combina un'analisi teorica rigorosa con esperimenti numerici:

• Analisi Analitica:
  • Gli autori dimostrano matematicamente che la somma di una variabile casuale geometrica (magnitudo binate) e di una variabile casuale uniforme (rumore) produce una densità di probabilità (PDF) a gradini, non esponenziale.
  • Viene derivata la distribuzione esatta del rumore necessario per trasformare correttamente la distribuzione geometrica discreta in una distribuzione esponenziale continua. La soluzione richiede che il rumore aggiunto segua una distribuzione esponenziale troncata all'interno di ciascuna bin, e non una distribuzione uniforme.
• Esperimenti Numerici:
  • Sono stati generati cataloghi sintetici basati sulla legge di Gutenberg-Richter discretizzata.
  • Sono stati confrontati due scenari:
    1. Aggiunta di rumore uniforme (pratica corrente).
    2. Aggiunta di rumore esponenziale troncato (proposta degli autori).
  • È stato applicato il test di Lilliefors su cataloghi di dimensioni variabili (da 1.000 a 1.000.000 di eventi) e con diverse larghezze di bin ($\Delta m$).
  • Sono state valutate la probabilità di rifiuto dell'ipotesi nulla e la stima di $M_c$.

3. Contributi Chiave

1. Dimostrazione del Bias: Prove analitiche e numeriche che il dithering uniforme non ripristina la distribuzione esponenziale, ma crea una distribuzione a gradini con deviazioni sistematiche dal modello esponenziale.
2. Identificazione della Causa del Bias: Il bias è spesso nascosto in cataloghi piccoli a causa della bassa potenza statistica del test di Lilliefors, che non riesce a rilevare le deviazioni. Tuttavia, in cataloghi grandi (alta risoluzione), la maggiore potenza statistica rende il test sensibile a queste deviazioni, portando a un rifiuto sistematico dell'ipotesi di esponenzialità per le magnitudo più basse e, di conseguenza, a una sovrastima di $M_c$.
3. Soluzione Proposta: Derivazione della distribuzione corretta del rumore da aggiungere: una distribuzione esponenziale troncata all'interno di ogni bin. Questa distribuzione è definita come il tempo di attesa residuo all'interno dell'intervallo di discretizzazione.
4. Validazione: Dimostrazione che l'uso del rumore esponenziale troncato riporta le probabilità di rifiuto del test di Lilliefors al livello di significatività atteso ($\alpha$), indipendentemente dalla dimensione del catalogo o dalla larghezza della bin.

4. Risultati

• Con Rumore Uniforme (Metodo Attuale):
  • Per cataloghi piccoli (es. 1.000 eventi), il test sembra funzionare correttamente ($M_c \approx M_{min}$).
  • Per cataloghi grandi (es. >100.000 eventi), si osserva una sovrastima sistematica di $M_c$. In cataloghi da 1 milione di eventi con $\Delta m = 0.1$, l'errore può superare 1 unità di magnitudo (es. $M_c$ stimata a 2.65 invece di 1.0).
  • La probabilità di rifiuto dell'ipotesi nulla raggiunge il 100% per cataloghi grandi, anche se i dati sono generati da una distribuzione esponenziale perfetta.
• Con Rumore Esponenziale Troncato (Metodo Proposto):
  • La stima di $M_c$ rimane stabile e vicina al valore vero ($M_c \approx 1.0$) anche per cataloghi di 1 milione di eventi.
  • Le probabilità di rifiuto del test di Lilliefors rimangono basse e coerenti con il livello di significatività ($\alpha = 0.1$), variando solo leggermente a causa di effetti di precisione numerica, ma rimanendo ben al di sotto del 10% nella maggior parte dei casi.

5. Significato e Implicazioni

Questo lavoro ha un impatto cruciale sull'analisi sismologica moderna, specialmente per i cataloghi ad alta risoluzione ottenuti tramite tecniche di template matching o apprendimento automatico, che contengono spesso milioni di eventi.

• Affidabilità delle Stime: L'uso del metodo attuale (rumore uniforme) porta a identificare erroneamente una soglia di completezza più alta del necessario, scartando ingiustificatamente dati reali e distorcendo la stima dei parametri sismotettonici (come il valore-b).
• Correzione Semplice ed Efficace: La correzione proposta richiede solo un cambiamento nella distribuzione del rumore aggiunto, mantenendo la semplicità implementativa ma garantendo la correttezza statistica.
• Generalità: Sebbene illustrato per il test di Lilliefors, il bias identificato e la correzione proposta sono indipendenti dal test statistico specifico e si applicano a qualsiasi verifica di esponenzialità su dati discretizzati.

In sintesi, l'articolo fornisce una correzione fondamentale per evitare errori sistematici nella stima della completezza dei cataloghi sismici, migliorando la robustezza delle analisi statistiche basate su grandi dataset.