| ... | ... | @@ -126,3 +126,26 @@ Questa combinazione assicura che il modello sia statisticamente robusto su tutto |
|
|
|
### Modellazione della Dipendenza
|
|
|
|
|
|
|
|
Per modellare la dipendenza complessa e l'interrelazione tra i dieci attributi fisici che caratterizzano gli eventi estremi, è stata utilizzata una **Vine Copula (R-Vine)**.
|
|
|
|
|
|
|
|
### Modellazione della Dipendenza Multivariata (Vine Copula)
|
|
|
|
|
|
|
|
Per modellare in modo accurato la distribuzione multivariata degli eventi estremi, è fondamentale catturare la complessa **struttura di dipendenza** tra gli attributi nella **Matrice M**. A causa della non-linearità e dell'asimmetria tipiche dei fenomeni estremi, non è efficace utilizzare modelli multivariati tradizionali.
|
|
|
|
|
|
|
|
Si è quindi fatto ricorso alla **Vine Copula (R-Vine)**, un modello gerarchico flessibile.
|
|
|
|
|
|
|
|
#### Fasi del Processo di Modellazione
|
|
|
|
|
|
|
|
1. **Trasformazione Spaziale Uniforme:**
|
|
|
|
* Il primo passo è la **trasformazione nello spazio uniforme [0, 1]** di ciascun attributo estremo.
|
|
|
|
* Questa operazione viene effettuata utilizzando la rispettiva **distribuzione marginale**.
|
|
|
|
* L'obiettivo è standardizzare i dati, consentendo alla Copula di modellare esclusivamente la **dipendenza di rango**.
|
|
|
|
|
|
|
|
2. **Scomposizione Gerarchica (R-Vine):**
|
|
|
|
* La Vine Copula scompone la dipendenza tra $N$ attributi in una serie di **copule binarie** attraverso **$N-1$ alberi gerarchici** ($T_1, T_2, \dots, T_{N-1}$).
|
|
|
|
|
|
|
|
#### Struttura degli Alberi
|
|
|
|
|
|
|
|
* **Albero Iniziale ($T_1$):** Le copule binarie sono modellate direttamente tra le **coppie di variabili trasformate**.
|
|
|
|
* **Alberi Successivi:** I nodi rappresentano le densità di copula **condizionate** stimate nel livello precedente. Gli archi modellano la **dipendenza residua** condizionata da un sottoinsieme di altre variabili.
|
|
|
|
|
|
|
|
Questo approccio permette di ottimizzare la selezione della **famiglia di copula** (es. Gumbel, Clayton, Gaussiana, t) più appropriata per ogni specifica coppia di variabili condizionate/incondizionate. L'uso di copule **asimmetriche** (come Gumbel e Clayton) è utile in questo contesto, poiché permette di catturare la **dipendenza di coda** tra le variabili. |
|
|
\ No newline at end of file |
