DOI: https://doi.org/10.64389/mjs.2025.01112
تاريخ النشر: 2025-07-12
المؤلف: Nooruldeen A. Noori وآخرون
الموضوع الرئيسي: تقدير التوزيع الإحصائي وتطبيقاته
نظرة عامة
تقدم هذه الدراسة توزيع وايبول الهجين العكسي (HWIW)، وهو نموذج إحصائي جديد يدمج ميزات كل من توزيعات وايبول والعكسي وايبول. تم تصميم توزيع HWIW لنمذجة البيانات الواقعية بشكل فعال والتي تتميز بعدم التماثل والقيم المتطرفة. استخرج المؤلفون الوظائف الأساسية للتوزيع، بما في ذلك اللحظات، وظيفة الكمية، والإنتروبيا، وقاموا بتقدير معلمات التوزيع باستخدام ثلاث طرق مختلفة. تم استخدام محاكاة مونت كارلو لتقييم أداء تقنيات التقدير هذه، مما كشف أن توزيع HWIW تفوق بشكل كبير على ستة توزيعات وايبول العكسية المنافسة في مقاييس اختيار النموذج عند تطبيقه على مجموعتين من البيانات العملية.
تشير النتائج إلى أن توزيع HWIW بارع بشكل خاص في نمذجة البيانات المعقدة وغير المتماثلة والثقيلة الذيل، محققًا مؤشرات ملاءمة أفضل وأدنى قيم لمعايير المعلومات (AIC، CAIC، BIC، HQIC). من بين طرق التقدير، أظهرت طريقة تقدير المربعات الصغرى الموزونة (WLSE) أعلى دقة للعينات الصغيرة، بينما أظهرت طريقة تقدير الاحتمالية القصوى (MLE) تحيزًا أقل وثباتًا أكبر مع زيادة أحجام العينات. تؤكد الدراسة على أهمية اختيار تقنية التقدير المناسبة بناءً على خصائص العينة. بشكل عام، تشير الخصائص الرياضية المتقدمة لتوزيع HWIW وفعاليته المثبتة في تطبيقات متنوعة إلى إمكانيته للتكامل مع الذكاء الاصطناعي وتعلم الآلة، مما يعزز القدرات التنبؤية في مجالات متنوعة مثل الطب والصناعة والعلوم الاجتماعية.
مقدمة
تؤكد مقدمة ورقة البحث على الدور الحاسم لتوزيعات الاحتمالات في النمذجة الإحصائية وتحليل البيانات، لا سيما في سياقات مثل تحليل الموثوقية، التنبؤ، وتقييم المخاطر. من بين توزيعات مختلفة، يتم تسليط الضوء على توزيعات وايبول والعكسي وايبول لمرونتها في نمذجة بيانات الفشل والموثوقية. ومع ذلك، فإن القيود المفروضة على استخدام هذه التوزيعات بشكل فردي – خاصة في تمثيل البيانات الواقعية ذات عدم التماثل والذيل الثقيل – تدفع لاستكشاف التوزيعات الهجينة. تهدف هذه النماذج الهجينة إلى دمج نقاط القوة لعدة توزيعات لتعزيز التكيف وتحسين دقة التقدير.
تقدم الورقة توزيع وايبول العكسي الهجين (HWIW)، الذي يتميز بقدرته على نمذجة أنماط بيانات متنوعة من خلال إطار موحد. يتم اشتقاق وظيفة كثافة الاحتمال (PDF) ووظيفة التوزيع التراكمي (CDF) لتوزيع HWIW وتوضيحها من خلال تمثيلات رسومية، مما يظهر مرونتها في استيعاب أشكال وسلوكيات متنوعة، بما في ذلك البيانات غير المتماثلة والثقيلة الذيل. كما يتم مناقشة وظائف البقاء والخطر المرتبطة بتوزيع HWIW، مما يكشف عن قدرتها على تمثيل أنماط فشل مختلفة بشكل فعال. تمهد المقدمة الطريق لاستكشاف مفصل للصيغ الرياضية وتطبيقات توزيع HWIW في الأقسام التالية.
مناقشة
تقدم قسم المناقشة في الورقة نتائج هامة تتعلق بخصائص توزيع HWIW، بما في ذلك وظيفة الكمية، وظيفة اللحظة، وظيفة توليد اللحظات، وإنتروبيا ريني. يتم اشتقاق وظيفة الكمية من وظيفة التوزيع التراكمي (CDF) ويتم التعبير عنها كما يلي:
\[
Q(p) = \left[ \log \left( \left[ -\log(1 – p) r \right]^{\frac{1}{u}} \left[ -\log(1 – p) r \right]^{\frac{1}{u}} + W^{-1} \left[ -\log(1 – p) r \right]^{\frac{1}{u}} e^{-\left[ -\log(1 – p) r \right]^{\frac{1}{u}}} \right) b \right]^{-\frac{1}{c}}.
\]
تُؤسس وظيفة اللحظة للترتيب \(n\) كما يلي:
\[
\mu_n = \Gamma(n – c) c b^{n – c} \left[ M(2iu + 2u + j + k)^{n – c} – N(2iu + 2u + j + z)^{n – c} \right].
\]
تناقش الورقة أيضًا وظيفة توليد اللحظات واللحظات غير المكتملة، مقدمة تعبيرات تسهل حساب هذه المقاييس الإحصائية. تشير النتائج إلى أن توزيع HWIW يظهر مرونة في نمذجة البيانات المعقدة، مع اشتقاق اللحظات الأربعة الأولى بشكل صريح، وهي ضرورية لفهم سلوك التوزيع.
فيما يتعلق بطرق التقدير، تقيم الورقة أداء تقدير الاحتمالية القصوى (MLE)، تقدير المربعات الصغرى (LSE)، وتقدير المربعات الصغرى الموزونة (WLSE) من خلال محاكاة مونت كارلو. تظهر النتائج أن WLSE يوفر عمومًا أفضل دقة، خاصةً للعينات الصغيرة، بينما يظهر MLE تحيزًا أقل وثباتًا أكبر مع زيادة أحجام العينات. يتفوق توزيع HWIW على ستة توزيعات منافسة في معايير إحصائية متنوعة، مما يؤكد قوته وقابليته للتطبيق في السياقات الواقعية، لا سيما في نمذجة البيانات غير المتماثلة والثقيلة الذيل. تشير النتائج إلى أن توزيع HWIW هو أداة واعدة للتطبيقات المستقبلية عبر مجالات متنوعة، بما في ذلك المجالات الطبية والصناعية.
DOI: https://doi.org/10.64389/mjs.2025.01112
Publication Date: 2025-07-12
Author(s): Nooruldeen A. Noori et al.
Primary Topic: Statistical Distribution Estimation and Applications
Overview
This study presents the hybrid Weibull inverse Weibull (HWIW) distribution, a novel statistical model that integrates the features of both Weibull and inverse Weibull distributions. The HWIW distribution is designed to effectively model real-world data characterized by asymmetry and extreme values. The authors derived essential functions of the distribution, including moments, the quantile function, and entropy, and estimated the distribution parameters using three different methods. A Monte Carlo simulation was employed to evaluate the performance of these estimation techniques, revealing that the HWIW distribution significantly outperformed six competing inverse Weibull distributions in model selection metrics when applied to two practical datasets.
The findings indicate that the HWIW distribution is particularly adept at modeling complex, asymmetric, and heavy-tailed data, achieving superior goodness-of-fit indices and the lowest information criterion values (AIC, CAIC, BIC, HQIC). Among the estimation methods, the Weighted Least Squares Estimation (WLSE) method demonstrated the highest accuracy for smaller samples, while the Maximum Likelihood Estimation (MLE) method showed lower bias and greater stability with larger sample sizes. The study emphasizes the importance of selecting the appropriate estimation technique based on sample characteristics. Overall, the HWIW distribution’s advanced mathematical properties and its demonstrated effectiveness in various applications suggest its potential for integration with artificial intelligence and machine learning, thereby enhancing predictive capabilities in diverse fields such as medicine, industry, and social sciences.
Introduction
The introduction of the research paper emphasizes the critical role of probability distributions in statistical modeling and data analysis, particularly in contexts such as reliability analysis, forecasting, and risk assessment. Among various distributions, the Weibull and inverse Weibull distributions are highlighted for their flexibility in modeling failure and reliability data. However, the limitations of using these distributions individually—especially in representing real-world data with asymmetry and heavy tails—prompt the exploration of hybrid distributions. These hybrid models aim to integrate the strengths of multiple distributions to enhance adaptability and improve estimation accuracy.
The paper introduces the Hybrid Inverse Weibull (HWIW) distribution, characterized by its ability to model diverse data patterns through a unified framework. The probability density function (PDF) and cumulative distribution function (CDF) of the HWIW distribution are derived and illustrated with graphical representations, showcasing its flexibility in accommodating various shapes and behaviors, including asymmetric and heavy-tailed data. The survival and hazard functions associated with the HWIW distribution are also discussed, revealing their capacity to represent different failure patterns effectively. The introduction sets the stage for a detailed exploration of the mathematical formulations and applications of the HWIW distribution in subsequent sections.
Discussion
The discussion section of the paper presents significant findings regarding the properties of the HWIW distribution, including its quantile function, moment function, moment generating function, and Rényi entropy. The quantile function is derived from the cumulative distribution function (CDF) and is expressed as:
\[
Q(p) = \left[ \log \left( \left[ -\log(1 – p) r \right]^{\frac{1}{u}} \left[ -\log(1 – p) r \right]^{\frac{1}{u}} + W^{-1} \left[ -\log(1 – p) r \right]^{\frac{1}{u}} e^{-\left[ -\log(1 – p) r \right]^{\frac{1}{u}}} \right) b \right]^{-\frac{1}{c}}.
\]
The moment function is established for order \(n\) as:
\[
\mu_n = \Gamma(n – c) c b^{n – c} \left[ M(2iu + 2u + j + k)^{n – c} – N(2iu + 2u + j + z)^{n – c} \right].
\]
The paper also discusses the moment generating function and the incomplete moments, providing expressions that facilitate the calculation of these statistical measures. The findings indicate that the HWIW distribution exhibits flexibility in modeling complex data, with the first four moments derived explicitly, which are crucial for understanding the distribution’s behavior.
In terms of estimation methods, the paper evaluates the performance of Maximum Likelihood Estimation (MLE), Least Squares Estimation (LSE), and Weighted Least Squares Estimation (WLSE) through Monte Carlo simulations. Results show that WLSE generally provides the best accuracy, particularly for smaller sample sizes, while MLE demonstrates lower bias and greater stability as sample sizes increase. The HWIW distribution outperforms six competing distributions in various statistical criteria, confirming its robustness and applicability in real-world contexts, particularly in modeling asymmetric and heavy-tailed data. The findings suggest that the HWIW distribution is a promising tool for future applications across diverse fields, including medical and industrial domains.