DOI: https://doi.org/10.24996/ijs.2024.65.8.25
تاريخ النشر: 2024-08-30
المؤلف: Alaa Abdulrahman Khalaf وآخرون
الموضوع الرئيسي: تقدير التوزيع الإحصائي وتطبيقاته
نظرة عامة
في هذا البحث، يقدم المؤلفون توزيعًا جديدًا بأربعة معلمات يعرف باسم توزيع [0,1] المقطوع المعزز الأسي من نوع Burr X ([0,1] TEE-BX). تم تطوير التوزيع من خلال توسيع السلاسل الثنائية والتوسع الأسي، مما يسمح بتحليل شامل لخصائصه الإحصائية. تم اشتقاق ميزات رئيسية مثل اللحظات، دالة توليد اللحظات، دالة الكمية، إحصاءات الترتيب، وإنتروبيا ريني، مما يوفر إطارًا قويًا لفهم سلوك التوزيع.
يتم إجراء تقدير المعلمات لتوزيع [0,1] TEE-BX باستخدام طريقة تقدير الاحتمالية القصوى، مما يؤدي إلى تقديرات موثوقة. يؤكد المؤلفون صلاحية تطبيق التوزيع من خلال تحليل مجموعتين من البيانات الواقعية، مما يظهر أن توزيع [0,1] TEE-BX يظهر ملاءمة أفضل مقارنةً بتوزيعات أخرى، بما في ذلك KUBX و BEBX و EGBX و BX و R. تشير النتائج إلى أن توزيع [0,1] TEE-BX هو نموذج مرن وفعال للتحليل الإحصائي في تطبيقات متنوعة.
مقدمة
في مقدمة هذه الورقة البحثية، يؤكد المؤلفون على أهمية التوزيعات الإحصائية في نمذجة وتوقع الظواهر الواقعية. يبرزون الحاجة المستمرة إلى توزيعات أكثر مرونة مصممة لتناسب سيناريوهات محددة، مما يدفع الباحثين لاستكشاف أشكال توزيع جديدة. تم ذكر عدة توزيعات، بما في ذلك توزيع [0,1] المقطوع العام المعمم – توزيع غاما المعمم وتوزيع Burr المعزز من نوع X، والتي تم تطويرها في السنوات الأخيرة لتعزيز قدرات النمذجة.
يشير المؤلفون بشكل خاص إلى توزيع Burr من نوع X، موفرين دالة التوزيع التراكمي (CDF) الخاصة به كـ \( G(x, w, \theta) = (1 – e^{-(wx)^2})^\theta \) ودالة كثافة الاحتمال (PDF) كـ \( g(x, w, \theta) = 2w^2\theta x e^{-(wx)^2}(1 – e^{-(wx)^2})^{\theta – 1} \) لـ \( x > 0, w, \theta > 0 \). كما يقدمون عائلة [0,1] المقطوعة المعززة الأسيّة – عائلة G، موضحين دالة CDF و PDF الخاصة بها. تم هيكلة الورقة لتقديم DPDF و CDF لتوزيع [0,1] المقطوع المعزز الأسي من نوع Burr X المقترح حديثًا في القسم 2، تليها استكشاف خصائصه الإحصائية، وتقدير المعلمات عبر الاحتمالية القصوى، والتطبيقات، والملاحظات الختامية في الأقسام اللاحقة.
نقاش
في هذا القسم، يقدم المؤلفون توزيع [0,1] المقطوع المعزز الأسي من نوع Burr X (TEE-BX)، موضحين دالة التوزيع التراكمي (CDF) ودالة كثافة الاحتمال (PDF) الخاصة به. يتم اشتقاق CDF من المعادلات الموجودة، مما يؤدي إلى صياغة تتضمن معلمات مثل $\beta$، $\alpha$، $w$، و $\theta$. يتم توسيع PDF باستخدام السلاسل الثنائية والأسيّة، مما يؤدي إلى تعبير شامل يسهل المزيد من التحليل الإحصائي. يستكشف القسم أيضًا الخصائص الإحصائية لتوزيع [0,1] TEE-BX، بما في ذلك اللحظات، دوال توليد اللحظات، دوال الكمية، إحصاءات الترتيب، وإنتروبيا ريني، مما يوفر رؤى حول سلوك التوزيع تحت ظروف معلمات متغيرة.
يشتق المؤلفون لحظات التوزيع، كاشفين كيف تتأثر بالمعلمات $\beta$، $\alpha$، $w$، و $\theta$. بشكل خاص، يلاحظون أن زيادة $\theta$ تؤدي إلى لحظات وتباينات أعلى بينما تقلل من الانحراف والكراتوز، بينما تؤدي زيادة $w$ إلى تأثير عكسي. يتم الحصول على دالة الكمية عن طريق عكس CDF، ويتم اشتقاق PDF لإحصاءات الترتيب أيضًا، مما يبرز قابلية تطبيق التوزيع في النمذجة الإحصائية. أخيرًا، يتم حساب إنتروبيا ريني، مما يعزز الأساس النظري للتوزيع. بشكل عام، يتم وضع توزيع [0,1] TEE-BX كنموذج قوي للتحليل الإحصائي، مع إجراء تقدير المعلمات عبر طرق الاحتمالية القصوى، مما يظهر ملاءمة متفوقة مقارنةً بتوزيعات أخرى في التطبيقات التجريبية.
DOI: https://doi.org/10.24996/ijs.2024.65.8.25
Publication Date: 2024-08-30
Author(s): Alaa Abdulrahman Khalaf et al.
Primary Topic: Statistical Distribution Estimation and Applications
Overview
In this research, the authors introduce a novel four-parameter distribution known as the [0,1] Truncated Exponentiated Exponential Burr type X distribution ([0,1] TEE-BX). The distribution is developed through binomial series expansion and exponential expansion, allowing for a comprehensive analysis of its statistical properties. Key features such as moments, moment generating function, quantile function, order statistics, and Rényi entropy are derived, providing a robust framework for understanding the distribution’s behavior.
Parameter estimation for the [0,1] TEE-BX distribution is performed using the maximum likelihood estimation method, yielding reliable estimates. The authors validate the distribution’s applicability by analyzing two real-world datasets, demonstrating that the [0,1] TEE-BX distribution exhibits superior goodness of fit compared to other distributions, including KUBX, BEBX, EGBX, BX, and R. The findings suggest that the [0,1] TEE-BX distribution is a flexible and effective model for statistical analysis in various applications.
Introduction
In the introduction of this research paper, the authors emphasize the importance of statistical distributions in modeling and predicting real-world phenomena. They highlight the ongoing need for more flexible distributions tailored to specific scenarios, prompting researchers to explore new distribution forms. Several distributions are mentioned, including the [0,1] Truncated Generalized Gamma-Generalized Gamma Distribution and the Exponentiated Generalized Burr type X distribution, which have been developed in recent years to enhance modeling capabilities.
The authors specifically reference the Burr type X distribution, providing its cumulative distribution function (CDF) as \( G(x, w, \theta) = (1 – e^{-(wx)^2})^\theta \) and its probability density function (PDF) as \( g(x, w, \theta) = 2w^2\theta x e^{-(wx)^2}(1 – e^{-(wx)^2})^{\theta – 1} \) for \( x > 0, w, \theta > 0 \). They also introduce the [0,1] Truncated Exponentiated Exponential-G Family, detailing its CDF and PDF. The paper is structured to first present the PDF and CDF of the newly proposed [0,1] Truncated Exponentiated Exponential Burr type X distribution in Section 2, followed by an exploration of its statistical properties, parameter estimation via maximum likelihood, applications, and concluding remarks in subsequent sections.
Discussion
In this section, the authors present the [0,1] Truncated Exponentiated Exponential Burr type X distribution (TEE-BX), detailing its cumulative distribution function (CDF) and probability density function (PDF). The CDF is derived from existing equations, resulting in a formulation that incorporates parameters such as $\beta$, $\alpha$, $w$, and $\theta$. The PDF is expanded using binomial and exponential series, leading to a comprehensive expression that facilitates further statistical analysis. The section also explores the statistical properties of the [0,1] TEE-BX distribution, including moments, moment-generating functions, quantile functions, order statistics, and Rényi entropy, providing insights into the distribution’s behavior under varying parameter conditions.
The authors derive the moments of the distribution, revealing how they are influenced by the parameters $\beta$, $\alpha$, $w$, and $\theta$. Specifically, they note that increasing $\theta$ leads to higher moments and variances while decreasing skewness and kurtosis, whereas increasing $w$ has the opposite effect. The quantile function is obtained by inverting the CDF, and the PDF for order statistics is also derived, showcasing the distribution’s applicability in statistical modeling. Finally, the Rényi entropy is calculated, further establishing the distribution’s theoretical foundation. Overall, the [0,1] TEE-BX distribution is positioned as a robust model for statistical analysis, with parameter estimation performed via maximum likelihood methods, demonstrating superior fit compared to other distributions in empirical applications.