DOI: https://doi.org/10.1017/s0269964826100199
تاريخ النشر: 2026-02-23
المؤلف: Ameen Mahmood K وآخرون
الموضوع الرئيسي: تقدير التوزيع الإحصائي وتطبيقاته
نظرة عامة
تعتبر توزيع q-Weibull بمثابة تعميم متعدد الاستخدامات لتوزيع Weibull، مما يعزز بشكل كبير قابليته للتطبيق عبر مجالات مختلفة مثل نظرية الاعتمادية، تحليل البقاء، المالية، الهندسة، والعلوم الطبية. على عكس توزيع Weibull التقليدي، الذي يقتصر على دوال معدل المخاطر الأحادية، فإن توزيع q-Weibull يستوعب طيفًا أوسع من سلوكيات معدل المخاطر، بما في ذلك الأنماط الأحادية، والشكل على شكل حوض، والأحادية (سواء كانت متزايدة أو متناقصة)، والأنماط الثابتة. تبحث هذه الورقة في المقارنة العشوائية للإحصاءات المتطرفة المستمدة من متغيرات عشوائية q-Weibull مستقلة وغير متجانسة، باستخدام عدة ترتيبات عشوائية مثل الترتيب العشوائي المعتاد، وترتيب معدل المخاطر، وترتيب معدل المخاطر المعكوس، وترتيب نسبة الاحتمالية. كما تمتد الدراسة إلى السيناريوهات المعتمدة من خلال استخدام الكوبولات الأرخيميدية لنمذجة هيكل الاعتماد.
تؤكد النتائج على مرونة توزيع q-Weibull في نمذجة سلوكيات معدل المخاطر المتنوعة وتأثيراتها على الإحصاءات المتطرفة في كل من السياقات المستقلة والمعتمدة. كما تتناول الورقة تأثير الصدمات العشوائية على هذه الإحصاءات، مقدمة عدة أمثلة وأمثلة مضادة لتوضيح النتائج النظرية. تشمل اتجاهات البحث المستقبلية توسيع نتائج المقارنة لتشمل إحصاءات الرتبة العامة r، مع التركيز بشكل خاص على إحصاء الرتبة الثانية، بالإضافة إلى معالجة التحديات المتعلقة بتطبيق هذه النتائج ضمن أطر ترتيب معدل المخاطر وترتيب معدل المخاطر المعكوس تحت الاعتماد.
مقدمة
تسلط مقدمة الورقة الضوء على أهمية توزيع Weibull في مجالات مختلفة، بما في ذلك تحليل البقاء ونظرية الاعتمادية، مع الإشارة إلى حدوده بسبب الطبيعة الأحادية لدالة معدل المخاطر الخاصة به. للتغلب على هذا القيد، اقترح الباحثون عدة تعديلات وتعميمات على توزيع Weibull، وخاصة توزيع q-Weibull، الذي يسمح بدوال معدل المخاطر غير الأحادية. يتميز توزيع q-Weibull، الذي قدمه بيكولي وآخرون، بدالة كثافة الاحتمال (p.d.f.) ودالة التوزيع التراكمي (c.d.f.)، مما يمكّنه من نمذجة سلوكيات معدل المخاطر المتنوعة، مثل المعدلات الأحادية والشكل على شكل حوض. تجعل هذه المرونة توزيع q-Weibull خيارًا مفضلًا في تطبيقات مختلفة، بما في ذلك نمذجة ظواهر الفشل في معدات الطاقة الكهرومائية والمولدات.
كما تؤكد الورقة على أهمية إحصاءات الرتبة المتطرفة في التخصصات الإحصائية والتطبيقات العملية، مثل تقييم المخاطر في التأمين ونمذجة البيئة. تهدف إلى دراسة المقارنات العشوائية لإحصاءات الرتبة المتطرفة المستمدة من عينات q-Weibull غير المتجانسة، مع الأخذ في الاعتبار كل من السيناريوهات المستقلة والمعتمدة، بالإضافة إلى تأثير الصدمات العشوائية. ستقدم الأقسام اللاحقة من الورقة نتائج أولية وتستكشف نتائج مقارنة عشوائية متنوعة، مما يساهم في فهم إحصاءات الرتبة المتطرفة في سياق توزيع q-Weibull.
نقاش
في هذا القسم، يقدم المؤلفون مفاهيم أساسية تتعلق بالترتيبات العشوائية، والتعظيمات، والكوبولات، والتي تعتبر أساسية للتحليل اللاحق. يعرفون ترتيبات عشوائية متنوعة، بما في ذلك الترتيب العشوائي المعتاد ($U \leq_{st} V$)، وترتيب معدل المخاطر ($U \leq_{hr} V$)، وترتيب معدل المخاطر المعكوس ($U \leq_{rh} V$)، وترتيب نسبة الاحتمالية ($U \leq_{lr} V$). تتميز هذه الترتيبات بعدم المساواة المحددة التي تشمل دوال التوزيع التراكمي (CDFs)، ودوال كثافة الاحتمال (PDFs)، ومعدلات المخاطر للمتغيرات العشوائية (r.v.s) المعنية. كما يتم تحديد العلاقات بين هذه الترتيبات، مما يشير إلى أن ترتيب نسبة الاحتمالية يعني ترتيب معدل المخاطر، الذي بدوره يعني ترتيب معدل المخاطر المعكوس والترتيب العشوائي المعتاد.
يتعمق النقاش أكثر في التعظيم، وهو مفهوم يوفر إطارًا لمقارنة المتجهات بناءً على توزيعات مكوناتها. يعرف المؤلفون التعظيم والتعظيم الضعيف، إلى جانب خصائص الدوال Schur-convex وSchur-concave، التي تعتبر محورية في اشتقاق عدم المساواة والحدود في سياق المقارنات العشوائية. بالإضافة إلى ذلك، يقدم القسم الكوبولات، وخاصة الكوبولات الأرخيميدية، التي تعتبر أدوات مهمة في نمذجة الاعتماد بين المتغيرات العشوائية. يحدد المؤلفون الشروط التي يمكن بموجبها استخدام هذه الكوبولات، مؤكدين على أهميتها في تحليل العينات المستقلة وغير المتجانسة. تثبت النظريات المقدمة في هذا القسم نتائج المقارنة العشوائية لإحصاءات الرتبة المستمدة من توزيعات q-Weibull، موضحة تطبيقية المفاهيم التي تم مناقشتها في السيناريوهات العملية.
DOI: https://doi.org/10.1017/s0269964826100199
Publication Date: 2026-02-23
Author(s): Ameen Mahmood K et al.
Primary Topic: Statistical Distribution Estimation and Applications
Overview
The q-Weibull distribution serves as a versatile generalization of the Weibull distribution, significantly enhancing its applicability across various domains such as reliability theory, survival analysis, finance, engineering, and medical science. Unlike the traditional Weibull distribution, which is constrained to monotonic hazard rate functions, the q-Weibull distribution accommodates a broader spectrum of hazard rate behaviors, including unimodal, bathtub-shaped, monotonic (both increasing and decreasing), and constant patterns. This paper investigates the stochastic comparison of extreme order statistics derived from independent, heterogeneous q-Weibull random variables, employing several stochastic orderings such as the usual stochastic order, hazard rate order, reversed hazard rate order, and likelihood ratio order. The study further extends these findings to dependent scenarios by utilizing Archimedean copulas to model the dependence structure.
The findings underscore the q-Weibull distribution’s flexibility in modeling diverse hazard rate behaviors and its implications for extreme order statistics in both independent and dependent contexts. The paper also addresses the impact of random shocks on these statistics, providing several examples and counterexamples to illustrate the theoretical results. Future research directions include extending the comparison results to general r-th order statistics, with a particular focus on the second-order statistic, as well as tackling the challenges of applying these results within the frameworks of hazard rate order and reversed hazard rate order under dependence.
Introduction
The introduction of the paper highlights the significance of the Weibull distribution in various fields, including survival analysis and reliability theory, while noting its limitation due to the monotonic nature of its hazard rate function. To overcome this constraint, researchers have proposed several modifications and generalizations of the Weibull distribution, particularly the q-Weibull distribution, which allows for non-monotonic hazard rate functions. The q-Weibull distribution, introduced by Picoli et al., is characterized by its probability density function (p.d.f.) and cumulative distribution function (c.d.f.), which enable it to model diverse hazard rate behaviors, such as unimodal and bathtub-shaped rates. This flexibility makes the q-Weibull distribution a preferred choice in various applications, including modeling failure phenomena in hydropower equipment and generators.
The paper also emphasizes the importance of extreme order statistics in statistical disciplines and practical applications, such as risk assessment in insurance and environmental modeling. It aims to investigate stochastic comparisons of extreme order statistics derived from heterogeneous q-Weibull samples, considering both independent and dependent scenarios, as well as the impact of random shocks. The subsequent sections of the paper will present preliminary results and explore various stochastic comparison results, thereby contributing to the understanding of extreme order statistics in the context of the q-Weibull distribution.
Discussion
In this section, the authors introduce essential concepts related to stochastic orders, majorizations, and copulas, which are foundational for the subsequent analysis. They define various stochastic orders, including the usual stochastic order ($U \leq_{st} V$), hazard rate order ($U \leq_{hr} V$), reversed hazard rate order ($U \leq_{rh} V$), and likelihood ratio order ($U \leq_{lr} V$). These orders are characterized by specific inequalities involving the cumulative distribution functions (CDFs), probability density functions (PDFs), and hazard rates of the random variables (r.v.s) involved. The relationships among these orders are also established, indicating that the likelihood ratio order implies the hazard rate order, which in turn implies the reversed hazard rate order and the usual stochastic order.
The discussion further delves into majorization, a concept that provides a framework for comparing vectors based on their components’ distributions. The authors define majorization and weak majorization, along with the properties of Schur-convex and Schur-concave functions, which are pivotal in deriving inequalities and bounds in the context of stochastic comparisons. Additionally, the section introduces copulas, particularly Archimedean copulas, which are instrumental in modeling dependencies between r.v.s. The authors outline the conditions under which these copulas can be utilized, emphasizing their relevance in the analysis of heterogeneous independent and dependent samples. Theorems presented in this section establish stochastic comparison results for order statistics derived from q-Weibull distributions, illustrating the applicability of the discussed concepts in practical scenarios.