DOI: https://doi.org/10.64389/mjs.2026.02145
تاريخ النشر: 2026-02-01
المؤلف: Lazhar Benkhelıfa
الموضوع الرئيسي: اختبار الدوائر المتكاملة VLSI والدوائر التناظرية
نظرة عامة
تقدم البحث توزيع معدل الفشل الخطي مودي، وهو نموذج عمر مرن مصمم لالتقاط مجموعة متنوعة من أشكال معدل المخاطر، بما في ذلك الأشكال المتناقصة والمتزايدة، وحوض الاستحمام، وحوض الاستحمام المقلوب، والأشكال المعدلة لحوض الاستحمام. هذا النموذج مفيد بشكل خاص لتحليل بيانات البقاء والموثوقية المتنوعة، حيث يشمل توزيعات مودي الأسية ومودي رايلي كحالات محددة.
يستخرج المؤلفون العديد من الخصائص الرياضية وخصائص الموثوقية للنموذج، مثل اللحظة $r$، ودالة توليد اللحظات، واللحظة الشرطية $r$، ودالة الكمية، وإحصاءات الترتيب، والانحرافات المتوسطة، وإنتروبيا ريني، ودالة الموثوقية. يتم إجراء تقدير المعلمات باستخدام طريقة الاحتمالية القصوى، ويتم تقييم أداء هذه التقديرات من خلال محاكاة مونت كارلو. يتم إثبات فعالية توزيع معدل الفشل الخطي مودي من خلال ملاءمته الفائقة لمجموعتين من بيانات البقاء الحقيقية، مما يبرز قابليته العملية في النمذجة الإحصائية.
مقدمة
تسلط مقدمة الورقة الضوء على الحاجة المستمرة لنماذج عمر أكثر مرونة في تحليل الموثوقية والبقاء، مدفوعة بتعقيدات البيانات الواقعية التي غالبًا ما تظهر معدلات مخاطر غير أحادية، وذيول ثقيلة، وانحراف، وتباين. تم اقتراح طرق مختلفة لتعزيز النماذج الأساسية من خلال دمج معلمات شكل إضافية، مما أدى إلى تطوير عدة توزيعات جديدة، بما في ذلك نموذج الأسية المضاعفة وتوزيع بيتا-جي. ومن الجدير بالذكر أن عائلة توزيعات مودي قد ظهرت كنهج مهم، حيث قدم مؤلفون مختلفون توزيعات جديدة بناءً على هذا الإطار، مثل توزيعات مودي ويبل ومودي رايلي.
تتناول الورقة بشكل خاص قيود توزيع معدل الفشل الخطي (LFR)، الذي، على الرغم من كونه مفيدًا لنمذجة معدلات الفشل المتزايدة الأحادية، إلا أنه لا يلبي البيانات التي تظهر معدلات مخاطر غير خطية أو غير أحادية. لمعالجة هذه الفجوة، يقترح المؤلفون تمديدًا جديدًا لتوزيع LFR، يسمى توزيع Mودي LFR (MLFR)، مستفيدين من عائلة توزيعات مودي. يتم توضيح هيكل الورقة، مع تفاصيل الأقسام التالية التي تغطي تقديم توزيع MLFR، وخصائصه الرياضية والموثوقية، وتقدير المعلمات عبر الاحتمالية القصوى، ودراسة محاكاة لتقييم أداء التقديرات، وتطبيقات عملية من خلال تحليل مجموعات بيانات زمن البقاء.
مناقشة
توزيع MLFR (الانحدار المرن لعمر مودي)، المستمد من عائلة توزيعات مودي، يتميز بدالة التوزيع التراكمي (CDF) ودالة كثافة الاحتمال (PDF)، التي تظهر مرونة كبيرة في نمذجة بيانات العمر المتنوعة. يتم التعبير عن CDF كـ \( F(x) = (1 + \alpha \beta) G(x)^{\alpha \beta} + G(x) \)، حيث \( G(x) \) هو CDF الأساسي المحدد كـ \( G(x) = 1 – e^{-ax – (b/2)x^2} \). تظهر PDF الناتجة ودالة معدل المخاطر سلوكيات متنوعة، بما في ذلك الخصائص أحادية القمة وشكل حوض الاستحمام، مما يشير إلى قدرة التوزيع على التكيف مع أنماط البيانات المختلفة. يشمل توزيع MLFR نماذج فرعية مثل توزيعات مودي الأسية ومودي رايلي، مما يوفر إطارًا قويًا لتحليل بيانات العمر.
تم استخراج الخصائص الرياضية لتوزيع MLFR، بما في ذلك اللحظات، ودوال توليد اللحظات، ودوال الحياة المتبقية المتوسطة، مما يظهر أسسها النظرية. تم التحقق من تقدير المعلمات عبر طرق الاحتمالية القصوى من خلال دراسات المحاكاة، مما يكشف أن التقديرات تظهر عدم التحيز الأسيمطي والتناسق مع زيادة أحجام العينات. تم تأكيد أداء توزيع MLFR من خلال تحليلات لمجموعات بيانات البقاء الحقيقية، حيث تفوق على النماذج المنافسة بناءً على معايير إحصائية متنوعة، بما في ذلك معيار معلومات أكايك (AIC) وإحصائيات كولموغوروف-سميرنوف (K-S). تشمل اتجاهات البحث المستقبلية توسيع توزيع MLFR إلى سياقات متعددة المتغيرات ودمجه مع تقنيات التعلم الآلي لتعزيز القدرات التنبؤية في تحليل البقاء.
DOI: https://doi.org/10.64389/mjs.2026.02145
Publication Date: 2026-02-01
Author(s): Lazhar Benkhelıfa
Primary Topic: VLSI and Analog Circuit Testing
Overview
The research introduces the Modi linear failure rate distribution, a versatile lifetime model designed to capture a variety of hazard rate shapes, including decreasing, increasing, bathtub, upside-down bathtub, and modified bathtub forms. This model is particularly advantageous for analyzing diverse survival and reliability data, as it encompasses the Modi exponential and Modi Rayleigh distributions as specific cases.
The authors derive several mathematical and reliability properties of the model, such as the $r$-th moment, moment generating function, $r$-th conditional moment, quantile function, order statistics, mean deviations, Rényi entropy, and reliability function. Parameter estimation is conducted using the method of maximum likelihood, and the performance of these estimators is evaluated through Monte Carlo simulations. The efficacy of the Modi linear failure rate distribution is demonstrated by its superior fit to two real-world survival datasets, highlighting its practical applicability in statistical modeling.
Introduction
The introduction of the paper highlights the ongoing need for more flexible lifetime models in reliability and survival analysis, driven by the complexities of real-world data that often display non-monotonic hazard rates, heavy tails, skewness, and heterogeneity. Various methods have been proposed to enhance baseline models by incorporating additional shape parameters, leading to the development of several new distributions, including the exponentiated exponential model and the beta-G distribution. Notably, the Modi family of distributions has emerged as a significant approach, with various authors introducing novel distributions based on this framework, such as the Modi Weibull and Modi Rayleigh distributions.
The paper specifically addresses the limitations of the linear failure rate (LFR) distribution, which, while useful for modeling monotonic increasing failure rates, falls short for data exhibiting non-linear or non-monotonic hazard rates. To address this gap, the authors propose a new extension of the LFR distribution, termed the Modi LFR (MLFR) distribution, leveraging the Modi family of distributions. The structure of the paper is outlined, detailing subsequent sections that cover the introduction of the MLFR distribution, its mathematical and reliability properties, parameter estimation via maximum likelihood, a simulation study to assess estimator performance, and practical applications through the analysis of survival time datasets.
Discussion
The MLFR (Modi Lifetime Flexible Regression) distribution, derived from the Modi family of distributions, is characterized by its cumulative distribution function (CDF) and probability density function (PDF), which exhibit significant flexibility in modeling diverse lifetime data. The CDF is expressed as \( F(x) = (1 + \alpha \beta) G(x)^{\alpha \beta} + G(x) \), where \( G(x) \) is the baseline CDF defined as \( G(x) = 1 – e^{-ax – (b/2)x^2} \). The resulting PDF and hazard rate function demonstrate various behaviors, including unimodal and bathtub-shaped characteristics, indicating the distribution’s adaptability to different data patterns. The MLFR distribution encompasses submodels such as the Modi exponential and Modi Rayleigh distributions, providing a robust framework for analyzing lifetime data.
Mathematical properties of the MLFR distribution, including moments, moment generating functions, and mean residual life functions, have been derived, showcasing its theoretical underpinnings. Parameter estimation via maximum likelihood methods has been validated through simulation studies, revealing that the estimates exhibit asymptotic unbiasedness and consistency as sample sizes increase. The performance of the MLFR distribution has been further corroborated through analyses of real survival data sets, where it outperformed competing models based on various statistical criteria, including Akaike Information Criterion (AIC) and Kolmogorov-Smirnov (K-S) statistics. Future research directions include extending the MLFR distribution to multivariate contexts and integrating it with machine learning techniques to enhance predictive capabilities in survival analysis.