Applicazione di DGP ai dati

Applichiamo il metodo della soglia ai dati sui tre alberi, per convenzione i dati sono stati riscalati (x/10000).

Larice Per prima cosa dobbiamo arontare il problema della scelta della soglia

u. Scelta che servirà a denire quante, tra tutte le osservazioni del Larice,

saranno i valori estremi. Il primo metodo, basato sull'analisi del Mean residual plot, rappresentato in g. 4.1, come commentato prima, ci porta a scegliere

u = 0.25. Anche il secondo metodo, quello basato sull'analisi dei graci di

gura 4.2, ci conferma questa scelta. Il cambio di comportamento per soglie molto alte, che era stato osservato nel graco precedente, è apparente anche qui: per valori maggiori di 0.25 le curve perdono linearità. Le stime di massima verosimiglianza sono dunque,

(σ, ξ) = (0.0728, −0.585),

con corrispondente valore di verosimiglianza -28.662. La ˆξ è leggermente supe- riore a -0.5, per cui la stima potrebbe non essere regolare. Non riusciamo infatti a costruire un regolare prolo di verosimiglianza perξ.

Gli errori standar per le due stime sono, S.E. = (0.033, 0.395),

quindi l'intervallo al 95% per ξ è [-1.359,0.1891]. Anche se comprende alcu- ni valori positivi, consideriamo ξ negativo e stimiamo il punto massimo della

4.6 Applicazione di DGP ai dati 49 0.10 0.15 0.20 0.25 0.30 0.0 0.4 0.8 Soglia Scala modificato 0.10 0.15 0.20 0.25 0.30 −3.0 −1.5 0.0 Soglia Forma

Figura 4.2: Stime dei parametri contro la soglia per dati sul Larice distribuzione,

x0 = u −

σ

ξ = 0.25 − 0.0728/(−0.585) = 0.3744.

Tornando alla scala originale quindi, il massimo possibile della dimensaione cellulare del Larice è 3744 micromentri quadrati.

Fissiamo ora l'attenzione sui livelli di ritorno. Per poter calcolare i quantili

xm, stimiamo ζC, probabilità dei valori estremi,

ˆ

ζC =

13

53 = 0.245,

dove 13 sono le osservazioni che eccedono la soglia e 53 il totale delle osserva-

zioni. La varianza è Var(ζC)=0.0034. Per calcolare il 100-campione return level

abbiamo m = 100 · nC (nC numerosità del campione). Non abbiamo più, come

prima un solo valore per campione, ma nC valori per campione. Sostituendo in

(4,6) troviamo ˆxm = 0.369 con varianza 0.0207. Dunque in ogni 100 campioni

si stima che, in media, almeno una cellula abbia un diametro superiore a 3690 micrometri quadrtati. L'intervallo di condenza al 95% è [0.328,0.409].

0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 Probability Plot Empirical Model 0.26 0.30 0.34 0.26 0.30 0.34 Quantile Plot Model Empirical

Figura 4.3: Graci diagnostici per DGP sui dati di Larice

Inne, i graci diagnostici per il modello generalizzato di Pareto stimato per il Larice sono mostrati in g. 4.3. La linearità dei punti non è ottima, ma dobbiamo tenere in considerazione che si basa su poche osservazioni.

Pioppo Nero In g. 4.4 è riportato il Mean residual life plot per i dati del Pioppo Nero. Decidiamo di scegliere u = 0.12, perchè il graco risulta curvo no a circa 1.2 e poi scende abbastaza linearmente.

La scelta trova conferma anche dal graco in g. 4.5, dopo la soglia 1.2 infatti, le curve non risultano più costante. Questa scelta porta ad avere 41

valori eccedenti su un totale di 236 osservazioni. La stima di ζC, probabilità

dei valori estremi, è ˆζC = 13₅₃ = 0.245. Le stime di massima verosimiglianza dei

parametri della distribuzione di Pareto sono, (σ, ξ) = (0.251, −0.573),

con corrispondente valore di verosimiglianza -39.173. Notiamo che anche in questo caso ξ è leggermente maggiore di -0.5. Gli errori standar per le due stime sono,

4.6 Applicazione di DGP ai dati 51 1.0 1.1 1.2 1.3 1.4 1.5 1.6 0.00 0.05 0.10 0.15 0.20 soglia

Media degli eccessi

Figura 4.4: Mean Residual life plot del Pioppo Nero

1.0 1.1 1.2 1.3 1.4 1.5 −0.5 0.5 1.5 Soglia Scala modificato 1.0 1.1 1.2 1.3 1.4 1.5 −1.0 0.0 Soglia Forma

quindi l'intervallo al 95% per ξ è [-0.855 , -0.291], per cui siamo certi dell'esi- stenza di un punto massimo,

x0 = u −

σ

ξ = 1.25 − 0.251/(−0.573) = 1.687.

Possiamo aermare che il massimo possibile della dimensione cellulare del Piop- po nero è 16870 micromentri quadrati. I graci di g. 4.6, confermano l'ottima adabilità dei dati al modello, i punti sono perfettamente allineati.

0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.4 0.8 Probability Plot Empirical Model 1.3 1.4 1.5 1.6 1.3 1.4 1.5 1.6 Quantile Plot Model Empirical

Figura 4.6: Graci diagnostici per GPD sui dati di Pioppo nero

Robinia Osservando la g. 4.7, risulta molto dicile scegliere la soglia u; il graco si presenta completamente lineare, n da soglie basse. Il graco 4.8 però ci suggerisce che u potrebbe essere pari a 2.5 visto che, da questa soglia in poi, l'intervallo di condenza tende ad aumentare notevolmente.

Questa scelta porta ad avere 41 valori eccedenti su un totale di 236 osser-

vazioni. La stima di ζC, probabilità dei valori estremi, è ˆζC = 13₅₃ = 0.245. Le

stime di massima verosimigliuanza dei parametri della distribuzione di Pareto sono,

4.6 Applicazione di DGP ai dati 53 1 2 3 4 5 0.0 0.5 1.0 1.5 soglia

Media degli eccessi

Figura 4.7: Mean Residual life plot della Robinia

0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 0 2 4 6 Soglia Scala modificato 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 −1.0 −0.5 0.0 Soglia Forma

Gli errori standard sono,

S.E. = (0.215, 0.124),

quindi l'intervallo al 95% per ξ è [ -0.593 , -0.104], per cui siamo certi dell'esi- stenza di un punto massimo,

x0 = u −

σ

ξ = 2.5 − 1.198/(−0.348) = 5.938.

Il massimo cellulare della Robinia è 59380 micromentri quadrati.

0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.4 0.8 Probability Plot Empirical Model 3.0 3.5 4.0 4.5 3.0 3.5 4.0 4.5 Quantile Plot Model Empirical

Figura 4.9: Graci diagnostici per GPD sui dati di Robinia

I graci di g. 4.6, confermano l'ottima adabilità dei dati al modello, i punti sono tutti perfettamente allineati.

4.7 Confronto tra i 3 alberi 55

4.7 Confronto tra i 3 alberi

Larice Pioppo nero Robinia

σ 0.073 0.251 1.198

ξ -0.585 -0.573 -0.348

x0 0.374 1.687 5.938

Tabella 4.1: Confronto tra le stime dei parametri dei 3 alberi. (σ è il parametro

di scala, ξ il parametro di forma e x0 è il massimo cellulare possibile).

Come abbiamo visto, il modello DGP dunque si adatta abbastanza bene ai dati dei tre alberi. Nella tabella sopra sono riportate le principali stime ottenute. Anche qui, le stime dei massimi sono molto diverse a seconda dell'albero e, minori rispetto a quelle calcolate con il modello GEV. La stima del parametro

Capitolo 5

Proposta di analisi Bayesiana

Abbiamo n qui analizzato e commentato due modelli della teoria dei valori estremi, il Modello Classico basato su GEV e il Modello della Soglia basato su DGP. Entrambi, sono stati uno strumento valido per determinare la dimensione cellulare massima cercata. A volte abbiamo avuto dei problemi, con la massima verosimiglianza, nel trovare l'intervallo di condenza delle stime. Un'analisi più completa si potrebbe ottenere attraverso il Metodo Bayesiano, basato anch'esso sulla funzione di verosimiglianza, però con una procedura del tutto diversa. In questa tesina non andremmo a rianalizzare i dati secondo questo metodo, ma come proposta di approfondimento, introduciamo soltanto brevemente la Teoria generale e i relativi vantaggi.

5.1 Teoria Generale

Ipotizziamo che i dati X1...Xn sono realizzazioni di una variabile aleatoria la

cui densità è una funzione compresa nell'insieme F F = {f (x; θ) : θ ∈ Θ},

famiglia di distribuzioni parametriche. La novità rispetto alle precedenti analisi stà nella possibilità di includere delle caratteristiche di θ senza far riferimento ai dati, caratteristiche che vengono espresse da una distribuzione di probabilità.

Diversamente dal solito, θ non viene più considerata una costante da stima- re, ma una realizzazione di una determinata distribuzione di probabilità. Ad esempio, se siamo sicuri che 0 < θ < 1 e che ogni valore in questo rango è ugual- mente possibile, il comportamento di θ può essere espresso dalla distribuzione di probabilità della Uniforme,

θ ∼ U(0, 1).

Questa distribuzione di probabilità per θ, ssata senza far riferimento ai dati X, è chiamata Prior distribution. Da costante ignota θ diventa una variabile

aleatoria con densità f(θ). Se gli Xi sono indipendenti , la verosimiglianza per

θ si denisce f (x|θ) = n Y i=1 f (xi; θ).

Le informazioni di base su cui si basa la scelta della Prior distribution rappre- senta allo stesso tempo il punto di forza ma anche di debolezza dell'inferenza Bayesiana. Da una parte perché aumentano l'informazione, dall'altra perché queste informazioni risultano soggettive e quindi non attendibili.

Teorema di Bayes: Stabilisce come convertire un iniziale insieme di carat- teristiche su θ, rappresentate dalla Prior distribution f(θ), in una Posteriror distribution f(θ|x) che include le informazioni addizionali fornite dai dati X. La seguente funzione,

f (θ|x) = R f (θ)f (x|θ)

Θf (θ)f (x|θ)dθ

,

denisce il comportamento di θ condizionato al fatto di conoscere i dati X. Riassumendo in uno schema:

Primitive caratteristiche → f(θ) → informazioni → f(θ|x).

di θ dei dati

Predizioni Anche i valori predetti hanno una loro densità, f (θ|x) =

Z

5.2 Analisi bayesiana per valori estremi 59 dove f(Z|θ) è la funzione di probabilità di z, le osservazioni future, e f(θ|x) è la Posterior distribution di θ sulla base dei dati osservati.

Diversamente da altri approcci, la densità dei valori predetti riette l'in- certezza del modello -attraverso il termine f(θ|x)- e l'incertezza dovuta alla variabilità degli z -attraverso il termine f(Z|θ). Quindi, arontate le dicoltà per specicare una Prior distribution, ci sono forti ragioni pragmatiche per pre- ferire l'analisi Bayesiana.

Vantaggi dell'inferenza Bayesiana:

• Il risultato di un'analisi Bayesiana non dà la stima dei parametri, ma

fornisce una distribuzione, la Posterior distribution, che permette una analisi più compiuta rispetto alla massima verosimiglianza.

Ostacoli all'inferenza Bayesiana:

• Soggettività dell'uso della prior distbution.

• Dicoltà computazionali: è dicile calcolare l'integrale normalizzatore

della f(θ|x). Quando θ ha un elevato numero di parametri il calcolo del denominatore può essere problematico anche utilizzando sosticate tecni- che numeriche. Il recente sviluppo di numerose tecniche di simulazione ha semplicato il problema e sviluppato l'uso delle tecniche Bayesiane. Una tecnica in particolare è la catena Markov chain Monte Carlo (MCMC).

5.2 Analisi bayesiana per valori estremi

Ci sono molte ragioni per preferire l'analisi bayesiana nello studio di dati estremi. 1. La facilità di risolvere il problema della scarsità dei dati, includendo,

attraverso la Prior distribution, altre fonti di informazioni utili.

2. Maggiore precisione nel fare inferenza, sopratutto nel prevedere con quale probabilità eventi futuri possano superare i livelli estremi, che è lo scopo principale della Teoria dei Valori Estremi.

Per esempio, il modello adatto ai massimi ML del Larice era ML ∼

GEV (µ, σ, ξ)_{e sulla base delle osservazioni {x}1, ..., x25}, attarverso la log-

verosimiglianza, abbiamo trovato la stima di θ = (µ, σ, ξ). Se avessimi adottato l'analisi bayesiana il risultato ottenuto sarebbe stato la Posterior distribution, e quindi la probabilità dei valori predettiZ sarebbe stata,

P (Z ≤ z|x1, ..., xn) =

Z

ΘP (Z ≤ z|θ)f (θ|x)dθ.

Questa distribuzione, dei i futuri massimi, include sia l'incertezza para- metrica che l'errore casuale delle osservazioni future.

3. L'indipendenza dell'analisi da assunzioni di regolarità, che sono richieste nella teoria asintotica della massima verosimiglianza. In particolare quan- do ξ < −0.5 e la teoria della massima verosimiglianza crolla, l'inferenza Bayesiana ore una valida alternativa.

5.3 Conclusioni

L'obbiettivo principale della nostra tesina era quello di stimare con buona adabilità la Massima Dimensione Cellulare di ogni albero. Applicando il modello GEV alla serie dei massimi campionari abbiamo ottenuto le seguenti stime (l'unità di misura sono i micrometri quadrati):

Larice, P ioppo, Robinia = (4110, 17890, 58410).

L'adabilità di questi valori non risultava pero molto buona. Basti pen- sare che gli intervalli di condenza al 95% ottenuti dal prolo di vero- simiglianza erano molto grandi e addirittura per il Pioppo e la Robinia erano superiormente illimitati. Per raggirare il problema abbiamo svolto l'analisi basandoci su più dati, tutti i valori maggiori di una ceta soglia, e ad essi abbiamo applicato il modello DGP. Le stime che abbiamo ottenuto sono le seguenti:

5.3 Conclusioni 61 In questo caso le stime della dimensione massima risultavano minori ri- spetto a prima. Però per il Larice e il Pioppo nero il parametro di formaξ risultava minore di -0.5, per cui la stima non era del tutto regolare. L'ana- lisi Bayesiana è dunque una valida alternativa che ore maggiori vantaggi per risolvere questi problemi di inferenza.

Bibliograa

[1] Stuart Coles: An introduction to Statistical modeling of Extreme Values, Springer Series instatistics, 2001.

[2] Azzalini Adelchi: Inferenza statistica : una presentazione basata sul

concetto di verosimiglianza, Springer-Italia, 2a _{ed., Milano 2001.}