PLAYGROUND

Distribución Gumbel Derecha

Qué describe

Gumbel Right es la distribución clásica de máximos extremos. Modela el máximo de cada bloque cuando la variable subyacente pertenece al dominio de atracción de la ley de tipo I.

Tiene soporte en toda la recta y una cola derecha de decaimiento exponencial. mu controla posición y sigma escala; no hay un máximo físico finito incorporado.

Historia y nombres

Gumbel popularizó la teoría estadística de extremos y sus usos en hidrología, ingeniería y meteorología. La ley también se denomina extremo tipo I.

Relación con otras distribuciones

Es el caso xi=0 de la GEV y la reflexión de Gumbel Left. Para colas de potencia se prefiere Frechet; para máximos con límite superior finito, el régimen Weibull de la GEV.

Dónde aparece

  • máximos anuales de inundación, lluvia, viento o carga
  • diseño de estructuras y análisis de valores de retorno

Precauciones al ajustar

Elegir Gumbel por costumbre puede ocultar una cola Frechet o un límite Weibull; comparar GEV con xi libre es un diagnóstico útil, no una garantía.

El récord de muchas temporadas ligeras

Cuando la distribución original tiene una cola relativamente ligera, como Normal o Exponencial, sus máximos por bloques pueden converger a Gumbel después de normalizarse. La forma se conoció como valor extremo de tipo I y Gumbel la convirtió en herramienta práctica para inundaciones y otros récords.

Su cola derecha decae de modo exponencial y no posee un límite superior. La media estándar queda desplazada del parámetro de localización por la constante de Euler. En diseño, el objeto importante suele ser el nivel de retorno y su incertidumbre, no la moda de la curva. Tendencias climáticas, cambios de medición o dependencia entre temporadas rompen la idea de bloques idénticos y exigen un modelo no estacionario.

Guía de elección

Buena candidata cuando: se modelan máximos por bloques y la cola pertenece razonablemente al caso límite de forma GEV igual a cero.

Compárala con: GEV para permitir colas acotadas o pesadas. Un gráfico razonable en el centro no basta: compara niveles de retorno y su incertidumbre.

Referencias

  • Referencia de SciPy: scipy.stats.gumbel_r — definición y parametrización
  • Johnson, N. L., Kotz, S. & Balakrishnan, N. (1995). Continuous Univariate Distributions, 2nd ed., Vol. 2. Wiley.
  • Gumbel, E. J. (1958). Statistics of Extremes. Columbia University Press.
  • Fisher, R. A. & Tippett, L. H. C. (1928). Limiting forms of the frequency distribution of the largest and smallest member of a sample. Proceedings of the Cambridge Philosophical Society, 24, 180–190.

Distribución Gumbel Derecha: ecuaciones y calculadora

Definición de distribución

XGumbelRight(μ,σ)X\sim\mathrm{GumbelRight}\left(\mu,\sigma\right)

Dominio de distribución

x(,)x\in\left(-\infty,\infty\right)

Dominio y restricciones de parámetros

μR,σR+\mu\in\mathbb{R},\sigma\in\mathbb{R}^{+}

Función de distribución acumulada

FX(x)=exp(ez(x))F_{X}\left(x\right)=\exp\left(-e^{-z(x)}\right)

Función de densidad de probabilidad

fX(x)=1σexp((z(x)+ez(x)))f_{X}\left(x\right)=\frac{1}{\sigma}\exp\left(-\left(z(x)+e^{-z(x)}\right)\right)

Función de punto percentil

FX1(u)=μ~σln(ln(u))F^{-1}_{X}\left(u\right)=\tilde{\mu}-\sigma\ln\left(-\ln\left(u\right)\right)

Momentos paramétricos no centrados

μ~k=E[X~k]=xkfX~(x)dx\tilde{\mu}'_{k}=E[\tilde{X}^k]=\int_{-\infty}^{\infty}x^{k}f_{\tilde{X}}\left(x\right)dx

Media paramétrica

Mean(X)=μ+σμ~1=μ+γσ\mathrm{Mean}(X)=\mu+\sigma\tilde{\mu}'_{1}=\mu+\gamma\sigma

Varianza paramétrica

Variance(X)=σ2(μ~2μ~12)=σ2π26\mathrm{Variance}(X)=\sigma^{2}(\tilde{\mu}'_{2}-\tilde{\mu}'^{2}_{1})=\sigma^{2}\frac{\pi^{2}}{6}

Coeficiente de asimetría paramétrico

Skewness(X)=μ~33μ~2μ~1+2μ~13(μ~2μ~12)1.5=126ζ(3)π3\mathrm{Skewness}(X)=\frac{\tilde{\mu}'_{3}-3\tilde{\mu}'_{2}\tilde{\mu}'_{1}+2\tilde{\mu}'^{3}_{1}}{(\tilde{\mu}'_{2}-\tilde{\mu}'^{2}_{1})^{1.5}}=\frac{12\sqrt{6}\zeta(3)}{\pi^{3}}

Curtosis paramétrica

Kurtosis(X)=μ~44μ~1μ~3+6μ~12μ~23μ~14(μ~2μ~12)2=3+125\mathrm{Kurtosis}(X)=\frac{\tilde{\mu}'_{4}-4\tilde{\mu}'_{1}\tilde{\mu}'_{3}+6\tilde{\mu}'^{2}_{1}\tilde{\mu}'_{2}-3\tilde{\mu}'^{4}_{1}}{(\tilde{\mu}'_{2}-\tilde{\mu}'^{2}_{1})^{2}}=3+\frac{12}{5}

Mediana paramétrica

Median(X)=μσln(ln(12))\mathrm{Median}(X)=\mu-\sigma\ln\left(-\ln\left(\frac{1}{2}\right)\right)

Moda paramétrica

Mode(X)=μ\mathrm{Mode}(X)=\mu

Información y definiciones adicionales

X~GumbelRight(0,1)\tilde{X}\sim\mathrm{GumbelRight}\left(0,1\right)
μ:Location parameter\mu:\text{Location parameter}
σ:Scale parameter\sigma:\text{Scale parameter}
z(x)=(xμ)/σz\left(x\right)=\left(x-\mu\right)/\sigma
u:Uniform[0,1] random varibleu:\text{Uniform[0,1] random varible}
γ:Euler-Mascheroni constant=0.5772156649\gamma:\text{Euler-Mascheroni constant}=0.5772156649
ζ(3):Apeˊry’s constant=1.2020569031\zeta(3):\text{Apéry's constant}=1.2020569031