On the cumulative residual interval entropy of doubly truncated random variables

1. Introduzione e Problema di Ricerca

L'articolo affronta la misurazione dell'incertezza (entropia) in contesti dove i dati non sono disponibili per l'intero supporto di una variabile casuale, ma sono limitati a un intervallo specifico.

• Contesto: In campi come l'attuarialistica, l'affidabilità, la biostatistica e l'economia, si osservano spesso variabili "doppiamente troncata" (doubly truncated), ovvero variabili $X$ condizionate all'evento $\tau_1 \le X \le \tau_2$. Esempi includono dati di sopravvivenza osservati solo tra due date, o perdite assicurative soggette a franchigie e limiti di copertura.
• Limitazioni delle misure esistenti: L'entropia di Shannon classica e le sue varianti dinamiche (come la Cumulative Residual Entropy - CRE di Rao et al. o la Dynamic CRE di Asadi e Zohrevand) sono progettate per variabili non troncamente o troncamente a sinistra (residuo). Non sono adatte a catturare l'incertezza di sistemi che sono noti per essere in funzione a un'età $\tau_1$ e che si guastano prima di un'età $\tau_2$.
• Obiettivo: Introdurre e studiare una nuova misura di incertezza, la Cumulative Residual Interval Entropy (CRIE), definita specificamente per variabili casuali doppiamente troncate.

2. Metodologia e Definizioni Chiave

Gli autori definiscono formalmente la CRIE basandosi sulla sopravvivenza condizionata all'intervallo.

• Definizione della Variabile: Sia $X$ una variabile casuale continua non negativa con funzione di sopravvivenza $\bar{F}_X(x)$. La variabile doppiamente troncata è $X_{\tau_1, \tau_2} = X \mid \tau_1 \le X \le \tau_2$.
• Definizione della CRIE ($H$):
  $$H(X; \tau_1, \tau_2) = - \int_{\tau_1}^{\tau_2} \bar{F}_{X_{\tau_1, \tau_2}}(x) \ln \bar{F}_{X_{\tau_1, \tau_2}}(x) \, dx$$
  dove $\bar{F}_{X_{\tau_1, \tau_2}}(x) = \frac{\bar{F}_X(x) - \bar{F}_X(\tau_2)}{\bar{F}_X(\tau_1) - \bar{F}_X(\tau_2)}$.
  Nota: Gli autori correggono esplicitamente un errore presente in letteratura precedente (Remark 1), dove la funzione di sopravvivenza veniva definita in modo improprio.
• Strumenti Matematici:
  • Tasso di Guasto Generalizzato (GFR): $h_{X,1}(\tau_1, \tau_2)$, introdotto da Navarro e Ruiz, utilizzato per caratterizzare il comportamento dell'entropia.
  • Vita Residua Media Doppiamente Troncata (DTMRL): $m_{X,1}(\tau_1, \tau_2) = E[X - \tau_1 \mid \tau_1 \le X \le \tau_2]$.
  • Ordini Stocastici: Utilizzo degli ordini di rapporto di verosimiglianza ($\le_{lr}$), tasso di guasto ($\le_{hr}$) e stocastico ($\le_{st}$) per confrontare distribuzioni.
  • Trasformata di Relezione: Utilizzata per ottenere rappresentazioni alternative dell'entropia.

3. Contributi Chiave e Risultati Principali

A. Rappresentazioni Alternative della CRIE

Il paper stabilisce diverse forme equivalenti per calcolare o analizzare la CRIE:

1. Relazione con la Vita Residua Media: $H(X; \tau_1, \tau_2) = E[m_{X,1}(X, \tau_2) \mid \tau_1 \le X \le \tau_2]$. Questo collega direttamente l'incertezza all'aspettativa della vita residua media condizionata.
2. Rappresentazione tramite Covarianza: $H(X; \tau_1, \tau_2) = \text{Cov}(X, -\ln[\bar{F}_X(X) - \bar{F}_X(\tau_2)] \mid \tau_1 \le X \le \tau_2)$. Questa forma è cruciale per derivare i limiti superiori.
3. Trasformata di Relezione: La CRIE è espressa come la differenza tra il valore atteso della variabile trasformata per relezione e la vita residua media troncata.
4. Invarianza: Studio del comportamento della CRIE sotto trasformazioni monotone crescenti (es. $Y = aX + b$).

B. Limiti Superiori e Inferiori (Bounds)

Gli autori derivano diverse disuguaglianze per stimare la CRIE senza calcolare integrali complessi:

• Limite superiore basato sulla varianza: $H(X; \tau_1, \tau_2) \le \sqrt{\text{Var}(X \mid \tau_1 \le X \le \tau_2)}$.
• Limiti basati sulla vita residua media: Vengono forniti limiti superiori e inferiori che coinvolgono $m_{X,1}(\tau_1, \tau_2)$ e il tasso di guasto generalizzato.
• Relazione con l'Entropia di Shannon: Vengono stabiliti legami tra la CRIE e l'entropia di Shannon dell'intervallo $S(X; \tau_1, \tau_2)$.

C. Ordini Stocastici e Confronti

Vengono dimostrate relazioni di ordinamento tra le CRIE di due variabili $X$ e $Y$:

• Se $X \le_{lr} Y$ (ordine di rapporto di verosimiglianza), allora $H(X; \tau_1, \tau_2) \le H(Y; \tau_1, \tau_2) - m_{X,1} \ln(m_{X,1}/m_{Y,1})$.
• Vengono introdotti nuovi indici di distanza basati sulla CRIE, simili alla divergenza di Kullback-Leibler, chiamati CRIKL (Cumulative Residual Interval Kullback-Leibler), utili per test di bontà di adattamento (goodness-of-fit).

D. Nuove Classi di Distribuzione

Gli autori definiscono due nuove classi di distribuzioni basate sulla monotonia della CRIE rispetto al limite inferiore $\tau_1$:

• ICRIE (Increasing CRIE): $H(X; \tau_1, \tau_2)$ è crescente in $\tau_1$.
• DCRIE (Decreasing CRIE): $H(X; \tau_1, \tau_2)$ è decrescente in $\tau_1$.
• Proprietà di Chiusura:
  • La classe ICRIE/DCRIE è chiusa sotto trasformazioni lineari crescenti.
  • La classe DCRIE è chiusa sotto trasformazioni convesse crescenti.
• Vengono forniti condizioni necessarie e sufficienti per queste classi in termini del tasso di guasto generalizzato e della vita residua media.

4. Significato e Applicazioni

• Teoria dell'Affidabilità: La CRIE offre un modo più preciso per quantificare l'incertezza di un sistema che è stato osservato funzionante in un intervallo di tempo specifico, superando i limiti delle misure dinamiche tradizionali.
• Attuarialistica: Strumento fondamentale per modellare perdite assicurative soggette a franchigie (deductibles) e limiti di responsabilità (policy limits), dove i dati sono intrinsecamente doppiamente troncati.
• Analisi Statistica: Fornisce nuovi strumenti per il confronto di distribuzioni e per la costruzione di test statistici (tramite la divergenza CRIKL) in scenari di dati censurati o troncati.
• Generalizzazione: Il lavoro unifica e generalizza concetti precedenti (CRE, DCRE, Entropia di Shannon), mostrando come questi siano casi particolari della CRIE quando uno dei limiti di troncamento tende a 0 o a infinito.

In conclusione, il paper fornisce un quadro teorico rigoroso per l'analisi dell'incertezza in contesti di troncamento doppio, offrendo nuove misure, proprietà matematiche e applicazioni pratiche in settori critici come la gestione del rischio e l'analisi della sopravvivenza.