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

Immaginate di cercare di prevedere l'evento peggiore che un sistema possa mai affrontare: il livello massimo di una piena che un fiume potrebbe raggiungere in un secolo, l'ondata di calore più intensa che una città possa sopportare, o il vento più forte che un ponte debba resistere. Questi non sono solo numeri casuali; sono i confini della sicurezza e della sopravvivenza. Per decenni, gli scienziati si sono affidati a un particolare quadro matematico per modellare questi estremi, un quadro che suggerisce che, indipendentemente da quanto siano complessi i dati sottostanti, i valori più grandi tendono a stabilizzarsi in uno di tre modelli prevedibili man mano che la dimensione del campione cresce all'infinito. Questo è il regno della teoria dei valori estremi, un campo dedicato alla comprensione del comportamento degli eventi più rari e pericolosi. Mentre la teoria ci dice cosa accade quando aspettiamo per l'eternità il record definitivo, il mondo reale raramente offre un tempo infinito. Noi lavoriamo con dati finiti e, in questa finestra limitata, il percorso verso l'estremo può essere insidioso e fuorviante se utilizziamo gli strumenti sbagliati.

In uno studio recente, il ricercatore Iman Attia si è posto l'obiettivo di costruire strumenti migliori per questa specifica sfida. Il lavoro inizia con una forma statistica nota chiamata distribuzione Rayleigh Unitaria Basata sulla Mediana, un modello che descrive dati confinati tra zero e uno. Attia si è posto una domanda fondamentale: se partiamo da questa forma specifica e applichiamo diverse trasformazioni matematiche ad essa, quali nuove forme emergono e come si comportano quando osserviamo i loro valori più estremi? L'obiettivo non era solo creare nuove formule, ma progettare distribuzioni che si adattino più accuratamente ai dati reali prima che la dimensione del campione diventi infinita. Prendendo la forma originale e torcendola attraverso operazioni specifiche — come il logaritmo negativo della variabile o l'applicazione di una trasformazione logaritmica doppia — l'autore ha derivato quattro nuove distribuzioni continue distinte. Ognuno di questi nuovi modelli porta con sé il proprio set unico di proprietà, inclusa la probabilità di produrre un valore in un certo punto, come tale probabilità si accumula e come il rischio di un evento estremo cambia con il passare del tempo o della magnitudo.

Lo studio rivela che queste nuove distribuzioni non sono solo curiosità teoriche; possiedono una potente capacità di adattarsi ai dati che devono descrivere. Quando l'autore ha analizzato il comportamento dei valori massimi all'interno di questi nuovi modelli al crescere del numero di osservazioni, è emerso un modello chiaro. A seconda di quale trasformazione veniva applicata, i modelli convergevano verso uno dei due principali tipi di comportamento di valore estremo. Due delle nuove distribuzioni, create applicando una trasformazione di logaritmo negativo al quadrato e una trasformazione di doppio logaritmo negativo, hanno dimostrato di stabilizzarsi infine nel pattern di Gumbel. Questo schema è caratteristico delle distribuzioni a coda leggera, dove i valori estremi sono rari e la probabilità che si verifichino diminuisce rapidamente. Un'altra trasformazione, che coinvolge un particolare aggiustamento della legge di potenza, ha portato il modello a convergere verso il pattern di Fréchet, che descrive distribuzioni a coda pesante dove gli eventi estremi sono più frequenti e la coda della curva di probabilità è molto più lunga.

Forse più significativamente, lo studio ha confermato che la distribuzione originale della Rayleigh Unitaria Basata sulla Mediana stessa, senza alcuna trasformazione, converge verso un terzo schema noto come distribuzione di Weibull. Questo schema è unico perché si applica a dati che hanno un limite superiore netto, un soffitto massimo che non può essere superato. Dimostrando questi limiti, l'autore ha dimostrato che questi nuovi modelli sono matematicamente solidi e appartengono alle corrette famiglie della teoria dei valori estremi. La ricerca va oltre la semplice identificazione dei limiti; fornisce l'intera macchina matematica per ogni nuova distribuzione. Ciò include la capacità di calcolare il valore medio, la varianza e il punto specifico in cui una certa percentuale di dati cade al di sotto. Dettaglia inoltre il "tasso di rischio" (hazard rate), una misura di come il rischio di un evento estremo cambi nel tempo, mostrando che per alcuni di questi nuovi modelli il rischio inizia basso, sale fino a un picco e poi si stabilizza o scende, offrendo una visione più sfumata del pericolo rispetto ai modelli più semplici.

Il valore di questo lavoro risiede nella sua precisione per i dati finiti. Sebbene il limite ultimo di qualsiasi modello di valore estremo possa essere una distribuzione standard di Gumbel o Fréchet, il viaggio verso di esso conta immensamente. I modelli standard spesso assumono una velocità di convergenza rigida che non corrisponde alla realtà, portando a stime distorte quando applicati ai dataset finiti che effettivamente possediamo. Queste nuove distribuzioni agiscono come un ponte. Esse contengono parametri extra che permettono loro di piegarsi e modellarsi per adattarsi alle caratteristiche specifiche dei dati presenti, catturando il comportamento "penultimo" del sistema prima che raggiunga l'infinito teorico. Ciò significa che ingegneri, idrologi e analisti del rischio possono utilizzare questi modelli per ottenere un quadro molto più accurato dei potenziali disastri. Possono fidarsi del fatto che il modello comprenda le sfumature fisiche o strutturali del sistema che stanno studiando, piuttosto che limitarsi a forzare i dati in una scatola generica. Lo studio conclude che, derivando queste trasformazioni specifiche da un'unica distribuzione madre, otteniamo un kit di strumenti versatile per modellare i valori massimi estremi, garantendo che le nostre previsioni per gli scenari peggiori siano il più affidabili e radicati nella realtà possibile.