DOI: https://doi.org/10.51584/ijrias.2026.11030121
تاريخ النشر: 2026-01-01
المؤلف: Awopeju Kabiru Abidemi وآخرون
الموضوع الرئيسي: تقدير التوزيع الإحصائي وتطبيقاته
نظرة عامة
في هذا القسم، يقدم المؤلفون توزيع وايبول المعدل العام المعزز، المستمد من النهج المعزز وتوزيع وايبول ثلاثي المعلمات. يؤكدون أن هذا التوزيع الجديد يعتبر دالة كثافة احتمالية صحيحة من خلال استخدام خاصية رئيسية من هذه الدوال. يستكشف المؤلفون الخصائص الإحصائية للتوزيع ويظهرون سلوكه من خلال الرسوم البيانية لدوال كثافة الاحتمال وكثافة التراكم عبر قيم المعلمات المختلفة.
لتقييم تجانس التوزيع، تم استخدام محاكاة مونت كارلو، مما كشف أن المعلمات المقدرة تتقارب إلى قيمها الحقيقية مع زيادة حجم العينة. أظهر التحليل المقارن مع التوزيعات الموجودة في نفس الفئة أن توزيع وايبول المعدل العام المعزز يتفوق على نظرائه عند تطبيقه على البيانات الثانوية. وبالتالي، يدعو المؤلفون إلى اعتماده في نمذجة الأحداث التي تتميز بتوزيعات مماثلة.
مقدمة
تناقش المقدمة توزيعات العمر المختلفة المستخدمة عادة في التحليل الإحصائي، بما في ذلك توزيعات الأسية، وايبول، وغاما، ورايلي، وبارتو، وغومبيرتس، والتي تظهر عادة دوال معدل خطر أحادية الاتجاه. في المقابل، تتطلب بعض بيانات العمر، مثل دراسات الوفيات والبيولوجيا، أشكال خطر غير أحادية الاتجاه، كما يتضح من أشكال حوض الاستحمام والأشكال أحادية القمة. يتم تسليط الضوء على توزيع وايبول كنموذج مهم ومرن، خاصة بسبب دالة الكثافة التراكمية المغلقة، التي تسهل تمثيل دوال البقاء والخطر عبر تطبيقات متنوعة، بما في ذلك الدراسات السريرية والهندسية.
على الرغم من استخدامه على نطاق واسع، فإن توزيع وايبول ذو المعلمتين يفتقر إلى القدرة على نمذجة معدلات الخطر غير الأحادية الاتجاه، مما دفع الباحثين إلى تطوير مجموعة متنوعة من التوسعات والتعديلات. تشمل التقدمات الملحوظة تمديد وايبول المرن، وتوزيع وايبول المقطوع، وتوزيع وايبول المعزز، كل منها مصمم لاستيعاب أشكال خطر مختلفة. يهدف هذا البحث إلى اقتراح توزيع بقاء جديد من فئة وايبول العامة من خلال توسيع توزيع وايبول المعدل، وتأسيس خصائصه الإحصائية، وتقدير معلماته. ستقوم دراسة محاكاة بتقييم تجانس التوزيع ومقارنته بالنماذج الموجودة، مما يساهم في الأدبيات المتعلقة بتحليل البقاء ويعزز قوة توزيعات فئة وايبول.
طرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المستخدمة، بما في ذلك الكواشف المحددة، والمعدات، وأي عينات بيولوجية، مما يضمن إمكانية تكرار التجارب. تشمل المنهجية البروتوكولات المتبعة لجمع البيانات، بما في ذلك أي تحليلات إحصائية تم إجراؤها لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم إعداد التجربة، مثل ظروف التحكم، وأحجام العينات، والتقنيات المستخدمة للقياس أو الملاحظة. يسمح هذا النهج الشامل بفهم واضح لكيفية إجراء البحث، مما يسهل التحقق والتكرار من قبل باحثين آخرين في هذا المجال.
مناقشة
في هذا القسم، يناقش المؤلفون توزيع وايبول المعدل المعزز (EGMW)، المستمد من توزيع وايبول المعدل من خلال دمج معلمات شكل إضافية. يتم تعريف دالة الكثافة التراكمية (CDF) ودالة كثافة الاحتمال (PDF) لـ EGMW، مما يظهر مرونتها من خلال إدخال المعلمات $k$، $s$، و$r$. يؤكد المؤلفون أن توزيع EGMW هو نموذج ذو خمسة معلمات، مما يعزز قابليته للتكيف مع أنواع البيانات المختلفة، وخاصة التوزيعات المنحرفة.
تُشتق الخصائص الباقية، بما في ذلك دالة البقاء $S(x)$ ودالة الخطر $h(x)$، من CDF وPDF، مما يوفر رؤى حول سلوك التوزيع مع مرور الوقت. يقدم القسم أيضًا خصائص إحصائية مثل اللحظات، والمتوسط، والتباين، واللحظات المركزية، والتي تعتبر ضرورية لفهم خصائص التوزيع. يتحقق المؤلفون من اكتمال PDF من خلال التكامل، مؤكدين أن المساحة تحت المنحنى تساوي واحدًا.
علاوة على ذلك، يقوم المؤلفون بإجراء دراسة محاكاة لتقييم استقرار توزيع EGMW، مما يكشف أنه مع زيادة أحجام العينات، تتقارب تقديرات المعلمات نحو القيم الحقيقية، مما يقلل من التحيز ومتوسط الخطأ التربيعي. يُظهر التحليل المقارن مع التوزيعات الموجودة، وخاصة توزيع وايبول، أن توزيع EGMW يقدم قدرات نمذجة متفوقة، كما يتضح من قيم الاحتمالية اللوغاريتمية الأعلى ودرجات معيار أكايكي للمعلومات (AIC) الأقل. وهذا يشير إلى أن توزيع EGMW هو بديل قوي لنمذجة البيانات الواقعية، خاصة في السياقات التي قد تفشل فيها التوزيعات التقليدية.
DOI: https://doi.org/10.51584/ijrias.2026.11030121
Publication Date: 2026-01-01
Author(s): Awopeju Kabiru Abidemi et al.
Primary Topic: Statistical Distribution Estimation and Applications
Overview
In this section, the authors introduce the Exponentiated Generalized Modified Weibull distribution, derived from the Exponentiated approach and a three-parameter Weibull distribution. They confirm that this new distribution qualifies as a proper probability density function by utilizing a key property of such functions. The authors investigate the statistical properties of the distribution and illustrate its behavior through graphs of the probability density and cumulative density functions across various parameter values.
To assess the distribution’s homogeneity, a Monte Carlo simulation was employed, revealing that the estimated parameters converge to their true values as the sample size increases. Comparative analysis with existing distributions in the same category demonstrated that the Exponentiated Generalized Modified Weibull distribution outperforms its counterparts when applied to secondary data. Consequently, the authors advocate for its adoption in modeling events characterized by similar distributions.
Introduction
The introduction discusses various lifespan distributions commonly used in statistical analysis, including the exponential, Weibull, gamma, Rayleigh, Pareto, and Gompertz distributions, which typically exhibit monotonic hazard rate functions. In contrast, certain lifetime data, such as mortality and biological studies, necessitate non-monotonic hazard shapes, exemplified by the bathtub and unimodal forms. The Weibull distribution is highlighted as a significant and versatile model, particularly due to its closed-form cumulative density function, which facilitates the representation of survival and hazard functions across diverse applications, including clinical studies and engineering.
Despite its widespread use, the two-parameter Weibull distribution lacks the ability to model non-monotonic hazard rates, prompting researchers to develop various extensions and modifications. Notable advancements include the flexible Weibull extension, the truncated Weibull distribution, and the exponentiated Weibull distribution, each designed to accommodate different hazard shapes. This research aims to propose a new generalized Weibull-class survival distribution by further extending the modified Weibull distribution, establishing its statistical properties, and estimating its parameters. A simulation study will evaluate the distribution’s homogeneity and compare it with existing models, contributing to the literature on survival analysis and enhancing the robustness of Weibull-class distributions.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the materials used, including specific reagents, equipment, and any biological samples, ensuring reproducibility of the experiments. The methodology encompasses the protocols followed for data collection, including any statistical analyses performed to interpret the results.
Additionally, the section may describe the experimental setup, such as control conditions, sample sizes, and the techniques used for measurement or observation. This comprehensive approach allows for a clear understanding of how the research was conducted, facilitating validation and replication by other researchers in the field.
Discussion
In this section, the authors discuss the Exponentially Generated Modified Weibull (EGMW) distribution, which is derived from the Modified Weibull distribution by incorporating additional shape parameters. The cumulative density function (CDF) and probability density function (PDF) of the EGMW are defined, demonstrating its flexibility through the introduction of parameters $k$, $s$, and $r$. The authors establish that the EGMW distribution is a five-parameter model, enhancing its adaptability for various data types, particularly skewed distributions.
The survival characteristics, including the survival function $S(x)$ and hazard function $h(x)$, are derived from the CDF and PDF, providing insights into the distribution’s behavior over time. The section also presents statistical properties such as moments, mean, variance, and central moments, which are crucial for understanding the distribution’s characteristics. The authors validate the completeness of the PDF through integration, confirming that the area under the curve equals one.
Furthermore, the authors conduct a simulation study to assess the stability of the EGMW distribution, revealing that as sample sizes increase, the estimates of the parameters converge towards true values, thereby reducing bias and mean square error. A comparative analysis with existing distributions, particularly the Weibull distribution, shows that the EGMW distribution offers superior modeling capabilities, evidenced by higher log-likelihood values and lower Akaike Information Criterion (AIC) scores. This suggests that the EGMW distribution is a robust alternative for modeling real-world data, particularly in contexts where traditional distributions may fall short.