DOI: https://doi.org/10.1007/s44199-025-00159-2
تاريخ النشر: 2026-01-22
المؤلف: Joel Jerry وآخرون
الموضوع الرئيسي: تقدير التوزيع الإحصائي وتطبيقاته
نظرة عامة
تقدم هذه الورقة البحثية عائلة توزيعات Sine-Fréchet-G (SFG) المستمرة، المصممة لنمذجة مجموعات البيانات الواقعية التي تتميز بالانحراف، والذيل الثقيل، وأشكال معدل الخطر المعقدة—وهي ميزات لا يتم التقاطها بشكل كافٍ بواسطة توزيعات العمر الكلاسيكية والعائلات العامة الموجودة. تم بناء عائلة SFG من خلال دمج مولد Sine-G مع تحويل Fréchet-G، مما يوفر مرونة محسنة للبيانات غير المتماثلة والثقيلة الذيل مع ضمان إمكانية التحليل. تقدم الورقة صيغًا صريحة لوظائف إحصائية رئيسية، بما في ذلك دالة التوزيع التراكمي (CDF)، دالة كثافة الاحتمال (PDF)، وظائف البقاء ومعدل الخطر، ودالة الكمية، إلى جانب تمثيلات سلسلة لاشتقاق اللحظات وخصائص إحصائية أخرى.
يتم إجراء تقدير المعلمات باستخدام طريقة الاحتمال الأقصى، مع اشتقاق معادلات الدرجة المطبقة على توزيع أساسي عام. كما تقدم الدراسة عدة نماذج فرعية مهمة، مثل توزيع Sine-Fréchet Exponential وWeibull وRayleigh وGompertz، مؤكدة فعاليتها. تُظهر محاكاة مونت كارلو اتساق وأداء محسّن لمقدرات الاحتمال الأقصى مع زيادة أحجام العينات. تكشف التطبيقات العملية لثلاث مجموعات بيانات حقيقية أن نموذج Sine-Fréchet Exponential يتفوق بشكل كبير على النماذج المنافسة بناءً على معايير المعلومات المستندة إلى الاحتمال ومقاييس جودة الملاءمة، مما يرسخ عائلة SFG كإطار قوي لنمذجة بيانات العمر والموثوقية المعقدة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية بناء توزيعات احتمالية مركبة من خلال العائلات العامة (G) في النمذجة الإحصائية الحديثة. تعزز هذه العائلات G مرونة التوزيعات الأساسية من خلال دمج معلمات إضافية أو مشغلين وظيفيين، مما يسمح بتحكم أفضل في خصائص التوزيع مثل الانحراف، والكورتوز، وسلوك الذيل. تعتبر هذه القابلية للتكيف ذات قيمة خاصة في مجالات مثل تحليل الموثوقية، والمالية، والدراسات البيئية، حيث غالبًا ما تظهر البيانات خصائص غير غاوسية وثقيلة الذيل لا يمكن للتوزيعات الكلاسيكية التقاطها بشكل كافٍ. تستعرض الورقة مجموعة متنوعة من التقدمات الحديثة في العائلات G، بما في ذلك المولدات المثلثية التي تحسن نمذجة الانحراف وسلوك الذيل، وتؤكد على الحاجة إلى نماذج هجينة تجمع بين هذه الابتكارات والتوزيعات الثقيلة الذيل التقليدية مثل Fréchet.
يقترح المؤلفون توزيع Sine-Fréchet كتحسين جديد لتوزيع Fréchet الكلاسيكي، مما يعممه إلى عائلة Sine-Fréchet G. يهدف هذا الإطار الجديد إلى معالجة القيود الحالية في النماذج الحالية من خلال توفير مرونة أكبر في كل من جسم التوزيع وذيله مع الحفاظ على إمكانية التحليل مع وجود معلمين إضافيين فقط. توضح الورقة الخصائص الأساسية لعائلة Sine-Fréchet G، بما في ذلك دالة التوزيع التراكمي (CDF)، دالة كثافة الاحتمال (PDF)، ووظائف الخطر، وتناقش تقنيات تقدير الاحتمال الأقصى. تُظهر التقييمات التجريبية الأداء القوي للنموذج الفرعي المقترح Sine-Fréchet Exponential عبر مجموعات بيانات متنوعة، مما يبرز قابليته العملية في نمذجة بيانات العمر المعقدة وبيانات القيم المتطرفة.
مناقشة
في هذا القسم، يقدم المؤلفون عائلة توزيعات Sine-Fréchet G، التي توسع عائلة Fréchet-G وتدمج فئة مولد Sine. يتم اشتقاق دالة التوزيع ودالة كثافة الاحتمال (PDF) لعائلة Sine-Fréchet G من خلال استبدال فئة Fréchet-G في إطار Sine، مما يؤدي إلى المعادلات (5) و(6). تتميز هذه الوظائف بمعلمات الشكل \(a\) و \(b\)، وتوزيع أساسي مستمر \(G(x, \eta)\). كما يقوم المؤلفون باشتقاق وظائف البقاء والخطر، مما يوفر إطارًا رياضيًا شاملاً لعائلة Sine-Fréchet G.
يستكشف القسم أيضًا الخصائص النظرية لتوزيع Sine-Fréchet G، بما في ذلك دالة الكمية، واللحظات الخام، ودوال توليد اللحظات، وخصائص إحصائيات الترتيب. يتم اشتقاق دالة الكمية عن طريق عكس دالة التوزيع، مما يضمن تفردها تحت ظروف معينة. كما يقدم المؤلفون أشكالًا خطية من دوال التوزيع والكثافة باستخدام توسعات سلسلة ماكلورين، مما يسهل حساب اللحظات ودوال التوليد. بالإضافة إلى ذلك، يناقش القسم تقدير الاحتمال الأقصى (MLE) للمعلمات لعائلة Sine-Fréchet G، مؤكدًا على الحاجة إلى طرق عددية لحل المعادلات الناتجة. يتم تأكيد صلاحية توزيعات Sine-Fréchet من خلال التحقق من عدم السلبية والتطبيع، مما يثبت قابليتها للتطبيق في نمذجة البيانات الواقعية.
القيود
يسلط القسم الخاص بالقيود الضوء على عدة مجالات للبحث المستقبلي فيما يتعلق بعائلة Sine-Fréchet-G. بينما يظهر النموذج مرونة كبيرة وفعالية تجريبية، هناك إمكانية للتحسين من خلال استكشاف طرق الاستدلال بايزي، وصيغ قائمة على الانحدار، وإنشاءات متعددة المتغيرات. يمكن أن تزيد هذه التوسعات من قابلية تطبيق النموذج مع الحفاظ على قابليته للتفسير.
بالإضافة إلى ذلك، يؤكد المؤلفون على أهمية تطوير نسخة من نموذج Sine-Fréchet-G ضمن الفترة الوحدة. ستسهل هذه التكيفات المقارنات ذات مغزى مع التوزيعات المحدودة المعروفة، بما في ذلك توزيعات بيتا وKumaraswamy. هذا مهم بشكل خاص للتطبيقات التي تتضمن معدلات، ونسب، واحتمالات، حيث تكون القيود على الدعم حاسمة.
DOI: https://doi.org/10.1007/s44199-025-00159-2
Publication Date: 2026-01-22
Author(s): Joel Jerry et al.
Primary Topic: Statistical Distribution Estimation and Applications
Overview
This research paper presents the Sine-Fréchet-G (SFG) family of continuous distributions, designed to effectively model real-world datasets characterized by skewness, heavy tails, and complex hazard-rate shapes—features inadequately captured by classical lifetime distributions and existing generalized families. The SFG family is constructed by compounding the Sine-G generator with the Fréchet-G transformation, offering enhanced flexibility for asymmetric and heavy-tailed data while ensuring analytical tractability. The paper provides explicit formulations for key statistical functions, including the cumulative distribution function (CDF), probability density function (PDF), survival and hazard rate functions, and quantile function, along with series representations for deriving moments and other statistical properties.
Parameter estimation is performed using the maximum likelihood method, with the derivation of score equations applicable to a general baseline distribution. The study also introduces several important sub-models, such as the Sine-Fréchet Exponential, Weibull, Rayleigh, and Gompertz distributions, validating their effectiveness. A Monte Carlo simulation demonstrates the consistency and improved performance of maximum likelihood estimators as sample sizes increase. Practical applications to three real-life datasets reveal that the Sine-Fréchet Exponential model significantly outperforms competing models based on likelihood-based information criteria and goodness-of-fit measures, establishing the SFG family as a robust framework for modeling complex lifetime and reliability data.
Introduction
The introduction of this research paper highlights the significance of constructing compound probability distributions through generalized (G) families in modern statistical modeling. These G-families enhance the flexibility of baseline distributions by incorporating additional parameters or functional operators, allowing for better control over distribution characteristics such as skewness, kurtosis, and tail behavior. This adaptability is particularly valuable in fields like reliability analysis, finance, and environmental studies, where data often exhibit non-Gaussian and heavy-tailed properties that classical distributions cannot adequately capture. The paper reviews a variety of recent advancements in G-families, including trigonometric generators that improve the modeling of skewness and tail behavior, and emphasizes the need for hybrid models that combine these innovations with traditional heavy-tailed distributions like the Fréchet.
The authors propose the Sine-Fréchet distribution as a novel enhancement of the classical Fréchet distribution, generalizing it into the Sine-Fréchet G family. This new framework aims to address existing limitations in current models by providing greater flexibility in both the body and tail of the distribution while maintaining analytical tractability with only two additional shape parameters. The paper outlines the core properties of the Sine-Fréchet G family, including its cumulative distribution function (CDF), probability density function (PDF), and hazard functions, and discusses maximum likelihood estimation techniques. Empirical evaluations demonstrate the strong performance of the proposed Sine-Fréchet Exponential sub-model across various datasets, underscoring its practical applicability in modeling complex lifetime and extreme-value data.
Discussion
In this section, the authors introduce the Sine-Fréchet G family of distributions, which extends the Fréchet-G family and incorporates the Sine generator class. The distribution function and probability density function (PDF) for the Sine-Fréchet G family are derived by substituting the Fréchet-G class into the Sine framework, resulting in equations (5) and (6). These functions are characterized by shape parameters \(a\) and \(b\), and a continuous baseline distribution \(G(x, \eta)\). The authors also derive the survival and hazard functions, providing a comprehensive mathematical framework for the Sine-Fréchet G family.
The section further explores theoretical properties of the Sine-Fréchet G distribution, including the quantile function, raw moments, moment-generating functions, and characteristics of order statistics. The quantile function is derived by inverting the distribution function, ensuring its uniqueness under certain conditions. The authors also present linearized forms of the distribution and density functions using Maclaurin series expansions, which facilitate the calculation of moments and generating functions. Additionally, the section discusses maximum likelihood estimation (MLE) for the parameters of the Sine-Fréchet G family, emphasizing the need for numerical methods to solve the resulting equations. The validity of the Sine-Fréchet distributions is confirmed through checks for non-negativity and normalization, establishing their applicability in real-world data modeling.
Limitations
The section on limitations highlights several avenues for future research concerning the Sine-Fréchet-G family. While the model demonstrates significant flexibility and empirical effectiveness, there is potential for enhancement through the exploration of Bayesian inference methods, regression-based formulations, and multivariate constructions. These extensions could increase the model’s applicability while maintaining its interpretability.
Additionally, the authors emphasize the importance of developing a unit interval version of the Sine-Fréchet-G model. Such an adaptation would facilitate meaningful comparisons with established bounded distributions, including the beta and Kumaraswamy distributions. This is particularly relevant for applications that involve rates, proportions, and probabilities, where constraints on support are critical.