📊 statistics

A Novel Three-Parameter Extended Weibull Distribution for Health Data Modelling

تقترح هذه الورقة توزيع "ويبل" الممتد الجديد ذو المعالم الثلاثة، والذي يوفر مرونة فائقة لنمذجة البيانات الصحية ذات الذيول الثقيلة، مبرهنةً على فعاليته من خلال اشتقاقات إحصائية شاملة، ودراسات محاكاة، وتحليل مقارن على مجموعة بيانات كسور حيث تفوق فيها على خمسة نماذج منافسة.

المؤلفون الأصليون: Isqeel Ogunsola, Nurudeen Ajadi, Gboyega Adepoju

نُشر 2026-04-07

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Isqeel Ogunsola, Nurudeen Ajadi, Gboyega Adepoju

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك طبيب يحاول التنبؤ بالمدة التي سيستغرقها جهاز طبي معين (مثل مفصل الورك الاصطناعي أو صمام القلب) قبل أن يتعطل. للقيام بذلك، ستحتاج إلى "مسطرة" رياضية لقياس الوقت والفشل.

لعقود من الزمن، استخدم الإحصائيون مسطرة تسمى توزيع ويبول (Weibull Distribution). إنها تعمل كأداة أساسية في عالم الطب والهندسة؛ فكر فيها كشريط قياس قياسي وموثوق. إنها تعمل بشكل رائع لمعظم الأشلو.

لكن هنا تكمن المشكلة: الحياة الواقعية فوضوية. أحياناً، تحتوي البيانات الطبية على "قيم متطرفة" — أجهزة تدوم لفترات أطول بكثير مما هو متوقع، أو تتعطل بطرق غريبة وغير متوقعة. مسطرة "ويبول" القياسية جامدة للغاية؛ فهي لا تستطيع التمدد أو الانكماش لتناسب هذه الأشكال الغريبة. الأمر يشبه محاولة وضع وتد مربع في ثقب مستدير؛ حيث يكون الملاءمة سيئة، خاصة عند الحواف (الأطراف أو "الذيول").

الحل: مسطرة جديدة مرنة

قرر مؤلفو هذه الورقة البحثية، إيسكيل أوغونسولا وفريقه، بناء مسطرة جديدة فائقة المرونة. لقد أخذوا شريط قياس "ويبول" القياسي وأضافوا إليه آلية "مطاطية" خاصة.

يطلقون على اختراعهم الجديد اسم توزيع SMPtW (توزيع ويبول المحول بأسلوب SMP).

إليك كيف قاموا بذلك، باستخدام تشبيه بسيط:

1. سحر "تغيير الشكل" (طريقة SMP)

تخيل توزيع "ويبول" القياسي ككتلة من الطين؛ لها شكل أساسي، لكنها صلبة نوعاً ما.
استخدم المؤلفون تقنية تسمى طريقة SMP (سميت تيمناً بالأحرف الأولى من أسماء الباحثين الذين اخترعوا هذه التقنية). فكر في SMP كيدين سحريتين يمكنهما عجن الطين.

تضيف الطريقة مقبضاً ثالثاً (معلمة جديدة يرمز لها بـ $\lambda$ ) إلى المسطرة.
تدوير هذا المقبض يسمح للمسطرة بتمديد أو ضغط أو لوي منحنى البيانات.
إذا قمت بتدوير المقبض إلى إعداد معين، فإن المسطرة الجديدة تتحول سحرياً لتعود إلى مسطرة "ويبول" القياسية القديمة. وهذا يعني أن النسخة الجديدة هي "نسخة فائقة" تتضمن النسخة القديمة كحالة خاصة.

2. لماذا نحتاج إلى هذا؟ (مشكلة "الذيل")

في الإحصاء، يمثل "ذيل" الرسم البياني الأحداث المتطرفة — الأجهزة التي تدوم طويلاً جداً أو حالات الفشل المبكر جداً.

المسطرة القديمة: إذا كان لديك مريض يعيش 50 عاماً بينما المتوسط هو 10 أعوام، فإن المسطرة القديمة تقول: "هذا مستحيل" أو "هذا خطأ فادح". لا يمكنها نمذجة هذا الحد المتطرف بشكل جيد.
المسطرة الجديدة: مسطرة SMPtW مرنة بما يكفي لتقول: "آه، نعم، هذا الحد المتطرف ممكن". فهي تنحني لتناسب البيانات، حتى عندما تكون البيانات "ذات ذيول ثقيلة" (أي مليئة بالقيم المتطرفة).

ماذا فعلوا في الورقة البحثية؟

لم يكتفِ المؤلفون باختراع المسطرة فحسب؛ بل أخضعوها لتدريبات شاقة في "صالة ألعاب رياضية" صارمة لإثبات كفاءتها:

المخطط (الخصائص الرياضية): كتبوا الصيغ الرياضية الدقيقة لكل شيء: متوسط وقت الانتظار، احتمالية الفشل، ومدى "تشتت" البيانات. لقد أثبتوا أن الرياضيات صامدة.
المحاكاة (تجربة القيادة): استخدموا أجهزة الكمبيوتر لإنشاء آلاف المجموعات من البيانات الوهمية. وحاولوا تخمين إعدادات مسطرتهم الجديدة باستخدام هذه المجموعات الوهمية.
- النتيجة: كلما أدخلوا المزيد من البيانات في الكمبيوتر، أصبحت تخميناتهم دقيقة للغاية. لقد تعلمت المسطرة الشكل الحقيقي للبيانات بشكل ممتاز.
الاختبار في العالم الحقيقي (بيانات الكسور): هذا هو الجزء الأهم. لقد أخذوا بيانات حقيقية حول 76 حالة لكسر في غرسات الركبة (بيانات الكسور).
- جربوا مطابقة مسطرة "ويبول" القياسية.
  يد جربوا خمس مساطر أخرى "مطورة" من علماء آخرين.
- ثم جربوا مسطرة SMPtW الجديدة الخاصة بهم.

الحكم النهائي: كانت مسطرة SMPtW هي الفائز الواضح. فقد ناسبت بيانات كسور الركبة بشكل أفضل من أي من الأدوات الأخرى. سجلت أدنى "درجة خطأ" (AIC) وأعلى "درجة ثقة" (P-value).

الخلاصة

فكر في هذه الورقة البحثية كتقديم لـ "سكين سويسري متعدد الاستخدامات" لعالم لم يكن يملك سوى السكاكين الجيبية القياسية.

الطريقة القديمة: استخدام أداة قياسية. إنها تؤدي العمل بشكل جيد في المهام البسيطة، لكنها تفشل عندما تصبح المهمة غريبة أو متطرفة.
الطريقة الجديدة: استخدام أداة SMPtW. لديها رافعة إضافية تسمح لها بالتكيف مع البيانات الصحية المعقدة والفوضوية في العالم الحقيقي.

لماذا يهم هذا؟
في الطب، ضبط الرياضيات بدقة أمر بالغ الأهمية. إذا قللت من تقدير مدة بقاء الجهاز، فقد تستبدله في وقت مبكر جداً (مما يهدر المال). وإذا بالغت في تقديره، فقد يعاني المريض من فشل مفاجئ. هذا التوزيع الجديد والأكثر مرونة يساعد الأطباء والمهندسين على تقديم تنبؤات أكثر دقة، خاصة في تلك الحالات الصعبة والمتطرفة التي عادة ما تكسر القواعد الرياضية.

باختاً: وجد المؤلفون طريقة لجعل أداة إحصائية كلاسيكية أكثر مرونة، واختبروها بدقة، وأثبتوا أنها أفضل أداة لنمذجة البيانات الصحية المعقدة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "توزيع ويبول الممتد ذو الثلاث معاملات الجديد لنمذجة البيانات الصحية" من إعداد أوغونسولا، وأجادي، وأديبوجو.

1. بيان المشكلة

يُعد توزيع ويبول حجر الزاوية في هندسة الموثوقية، والطب، والعلوم الصحية لنمذجة بيانات "الوقت حتى وقوع الحدث". ومع ذلك، يعاني توزيع ويبول القياسي ذو المعاملين من قيود جوهرية:

نقص المرونة في الذيول: غالبًا ما يفشل في توفير ملاءمة مرضية للأحداث المتطرفة أو البيانات ذات الذيول الثقيلة.
عدم القدرة على نمذجة معدلات الخطر المعقدة: لا يمكنه استيعاب معدلات الخطر غير الرتيبة (مثل معدلات الفشل التي تتخذ شكل الحوض أو أحادية المنوال) التي توجد غالبًا في مجموعات البيانات البيولوجية والصحية المعقدة.
عدم الكفاية للبيانات الواقعية: لا يوجد توزيع واحد يناسب جميع السيناريوهات، مما يستلزم تطوير امتدادات أكثر مرونة تحافظ على السهولة الرياضية.

2. المنهجية

يقترح المؤلفون امتدادًا جديدًا ثلاثي المعامل لتوزيع ويبول، يُسمى توزيع SMPtW (توزيع ويبول المحول بطريقة SMP)، باستخدام طريقة تحويل SMP (التي سُميت على اسم المؤلفين راسول وآخرون، 2025).

آلية التحويل: تقوم طريقة SMP بتحويل دالة التوزيع التراكمي (CDF) الأساسية، $G(y)$ ، إلى دالة توزيع تراكمي جديدة، $F(y; \lambda)$ ، باستخدام معامل التحويل $\lambda$ :
$F(y; \lambda) = \frac{e^{(\log \lambda)\bar{G}(y)} - \lambda}{1 - \lambda}$
حيث أن $\bar{G}(y) = 1 - G(y)$ هي دالة البقاء للتوزيع الأساسي.
الاشتقاق: من خلال تطبيق هذا التحويل على دالة التوزيع التراكمي لويبول القياسية، اشتق المؤلفون دالة كثافة الاحتمال (PDF) ودالة التوزيع التراكمي (CDF) لتوزيع SMPtW.
الخصائص الإحصائية: تقدم الورقة اشتقاقات رياضية صارمة لكل من:
- مقاييس الموثوقية (دالتا البقاء والوظائف الخطرة).
- دالة المئينات والوسيط.
  ية.
- العزوم (الخام والمركزية)، دالة توليد العزم (MGF)، والدالة المميزة.
- موثوقية الإجهاد-القوة ( $R = P(Y_1 > Y_2)$ ).
- إحصاءات الترتيب، متوسط الحياة المتبقية، ومتوسط وقت الانتظار.
- إنتروبيا ريني (Rényi Entropy).
- المنوال (المشتق عددياً).
التقدير والمحاكاة:
- تقدير المعلمات: تم استخدام تقدير الاحتمال الأقصى (MLE). تم اشتقاق دالة الإمكان اللوغاريتمية، وحُلّت المعادلات غير الخطية الناتجة عددياً (باستخدام طرق مثل نيوتن-رافسون).
- توليد الأرقام العشوائية: تم تنفيذ نهج التحويل العكسي لتوليد المتغيرات العشوائية للمحاكاة.
- دراسة المحاكاة: أُجريت محاكاة مونت كارلو مع أحجام عينات تتراوح من 50 إلى 1,000 لتقييم الانحياز ومتوسط مربع الخطأ (MSE) لتقديرات MLE.

3. المساهمات الرئيسية

توزيع جديد: تقديم توزيع SMPtW، الذي يضيف معاملًا ثالثًا ( $\lambda$ ) إلى توزيع ويبول القياسي، مما يعزز المرونة دون التضحية بالسهولة الرياضية.
النماذج الفرعية: يعمم التوزيع عدة نماذج قائمة:
- يتقلص إلى توزيع ويبول القياسي عندما تكون $\lambda = 1$ .
- يتقلص إلى التوزيع الأسسي عندما تكون $\lambda = 1, \phi = 1$ .
- يتقلص إلى توزيع ريلي (Rayleigh) تحت قيود معينة للمعلمات.
إطار نظري شامل: تسد الورقة فجوة في الأدبيات من خلال تقديم مجموعة كاملة من الخصائص الإحصائية لتوزيع ويبول المحول بطريقة SMP، بما في ذلك الإنتروبيا وموثوقية الإجهاد-القوة، والتي لم تكن مستكشفة سابقًا لهذا المزيج المحدد.
مراجة منهجية: تُحدث الورقة مراجعة لتوزيعات التحويل SMP، موضحة أنه بينما تم تحويل التوزيعات الأساسية الأخرى (مثل Lomax وPareto وKumaraswamy)، فإن تطبيق ويبول كان مفقودًا.

4. النتائج

أداء المحاكاة:
- أظهرت تقديرات MLE لمعلمات الشكل ( $\phi$ ) والمقياس ( $\beta$ ) تقاربًا ثابتًا، مع انخفاض الانحياز وMSE مع زيادة حجم العينة.
- أظهر معامل التحويل ( $\lambda$ ) انحيازًا وتباينًا أعلى في العينات الصغيرة إلى المتوسطة، حيث يتقارب بشكل أبطأ. يشير هذا إلى تحديات عددية محتملة في تقدير $\lambda$ ببيانات محدودة.
تطبيق البيانات الحقيقية (البيانات الصحية):
- مجموعة البيانات: تم تطبيق النموذج على مجموعة بيانات مكونة من 76 زمن كسر إجهاد لـ Kelvar 373/epoxy (والتي تُستخدم غالبًا كبديل لبيانات الصحة/العمر في دراسات الموثوقية).
- المقارنة: تمت مقارنة SMPtW بخمسة منافسين: Weibull القياسي، Exponentiated Weibull، Transmuted Weibull، Sine Alpha Power Weibull، وWeibull الأساسي.
- مقاييس الأداء: حقق SMPtW أفضل ملاءمة عبر جميع المعاياي:
  - AIC: 247.34 (الأدنى بين جميع النماذج).
  - BIC, AICc, HQIC: احتلت جميعها المركز الأول (أدنى القيم).
  - إحصائية كولموغوروف-سميرنوف (K-S): 0.0881 (أدنى انحراف).
  - القيمة الاحتمالية (P-value): 0.5668 (الأعلى، مما يشير إلى عدم القدرة على رفض الفرضية الصفرية لصالح ملاءمة جيدة).
- الملاءمة البصرية: أكدت الرسوم البيانية (Histograms) ورسوم CDF أن SMPtW استوعب سلوك ذيل البيانات والنزعة المركزية بشكل أفضل من النماذج المنافسة.

5. الأهمية والخاتمة

التفوق في النمذجة الصحية: تثبت الدراسة أن توزيع SMPtW هو بديل متفوق لنمذجة بيانات الصحة والموثوقية ذات الذيول الثقيلة، خاصة حيث تكون الأحداث المتطرفة محل اهتمام.
المرونة: تسمح آلية التحويل للتوزيع بالتكيف مع معدلات الخطر غير الرتيبة وهياكل الذيول المعقدة التي تفتقر إليها امتدادات ويبول القياسية.
الاتجاهات المستقبلية: يقر المؤلفون أنه على الرغم من أداء النموذج الجيد، إلا أن تقدير معامل التحويل $\lambda$ يمكن أن يكون تحديًا عدديًا. ويوصون بأبحاث مستقبلية في تقنيات التقدير القوية والنهج البايزي (Bayesian) لمعالجة هذه المشكلات العددية وتحسين التقارب في أحجام العينات الصغيرة.

باختدال، نجحت هذه الورقة في توسيع عائلة ويبول باستخدام تحويل SMP، مقدمةً أداة متفوقة تجريبيًا وذات صرامة رياضية لتحليل البيانات الصحية وبيانات الموثوقية المعقدة.