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

A continuación presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Una Nueva Distribución de Weibull Extendida de Tres Parámetros para el Modelado de Datos de Salud

1. Planteamiento del Problema

La distribución de Weibull es una herramienta fundamental en la modelación de datos de tiempo hasta el evento, especialmente en ingeniería, medicina y ciencias de la salud. Sin embargo, la versión estándar de dos parámetros presenta limitaciones significativas:

• Falta de flexibilidad en la cola: A menudo no logra ajustar adecuadamente eventos extremos o datos con colas pesadas, lo cual es crítico en aplicaciones de salud y fiabilidad.
• Tasas de fallo no monótonas: La distribución de Weibull clásica no puede modelar eficazmente tasas de fallo complejas (no monótonas) que aparecen en datos reales.
• Insuficiencia de ajuste: No existe una única distribución que ajuste todos los tipos de datos, y los métodos de extensión existentes a veces sacrifican la tratabilidad matemática o no ofrecen suficiente flexibilidad.

2. Metodología

Los autores proponen una nueva extensión tridimensional de la distribución de Weibull utilizando el método de transformación SMP (introducido previamente por Rasool et al., 2025).

• Definición del Modelo (SMPtW):

  • Se aplica una transformación a la función de distribución acumulada (CDF) de una variable base $Y$ (en este caso, Weibull) mediante un parámetro de transformación $\lambda$.
  • La nueva función de densidad de probabilidad (PDF) y CDF dependen de tres parámetros: $\lambda$ (parámetro de transformación), $\phi$ (parámetro de forma) y $\beta$ (parámetro de escala).
  • El modelo incluye sub-modelos conocidos: cuando $\lambda=1$, se reduce a la distribución de Weibull; si además $\phi=1$, es Exponencial; y si $\phi=2$, es Rayleigh.

• Derivación de Propiedades Estadísticas:

  • Se derivaron analíticamente propiedades clave: funciones de supervivencia y de riesgo (hazard), función cuantílica, momentos, función generadora de momentos (MGF), función característica, entropía de Rényi, estadísticos de orden, tiempo medio de espera y vida residual media.
  • Se estableció la fiabilidad de estrés-resistencia ($R = P(Y_1 > Y_2)$).

• Estimación y Simulación:

  • Método de Estimación: Se utilizaron los Estimadores de Máxima Verosimilitud (MLE). Dado que las ecuaciones de verosimilitud no tienen forma cerrada, se resolvieron numéricamente mediante métodos iterativos (Newton-Raphson, Secante).
  • Generación de Números Aleatorios: Se implementó el método de transformación inversa para generar muestras aleatorias de la distribución.
  • Estudio de Simulación: Se realizaron 1,000 iteraciones con tamaños de muestra variables (50 a 1,000) para evaluar el sesgo y el error cuadrático medio (MSE) de los estimadores.

• Aplicación a Datos Reales:

  • Se utilizó un conjunto de datos de fractura de fatiga de 76 muestras (Kelvar 373/epoxy).
  • El modelo propuesto (SMPtW) se comparó con cinco distribuciones competidoras: Weibull estándar, Weibull Exponentiada, Weibull Transmutada, Weibull de Potencia Sine Alpha y la distribución base.
  • Criterios de evaluación: AIC, BIC, AICc, HQIC, estadístico de Kolmogorov-Smirnov (K-S) y sus valores p.

3. Contribuciones Clave

1. Nueva Distribución (SMPtW): Introducción de una distribución de Weibull extendida de tres parámetros que mejora la flexibilidad sin perder la tratabilidad matemática.
2. Caracterización Completa: Derivación exhaustiva de propiedades estadísticas y de fiabilidad que no existían previamente para esta extensión específica.
3. Validación Empírica: Demostración de que la transformación SMP es superior a otros métodos de extensión (como transmutación o exponentiación) para ciertos tipos de datos de salud con colas pesadas.
4. Herramientas Computacionales: Desarrollo de algoritmos para la generación de números aleatorios y la estimación numérica de parámetros.

4. Resultados

• Simulación:
  • Los estimadores para los parámetros de forma ($\phi$) y escala ($\beta$) mostraron un buen comportamiento: el sesgo y el MSE disminuyeron consistentemente a medida que aumentaba el tamaño de la muestra.
  • El parámetro de transformación ($\lambda$) mostró un sesgo y una variabilidad más altos en muestras pequeñas y moderadas, con una convergencia más lenta, lo que sugiere desafíos numéricos en la estimación de este parámetro específico.
• Análisis de Datos de Fractura:
  • El modelo SMPtW obtuvo el mejor ajuste entre todos los modelos competidores.
  • Métricas de Ajuste: Registró el valor más bajo de AIC (247.3419), BIC, AICc y HQIC.
  • Prueba de Bondad de Ajuste: Obtuvo el menor estadístico K-S (0.0881) y el valor p más alto (0.5668), indicando que la diferencia entre la CDF empírica y la ajustada es estadísticamente insignificante.
  • Las gráficas de densidad ajustada y los residuos de la CDF confirmaron visualmente que el SMPtW captura mejor la estructura de los datos, especialmente en las colas, en comparación con el Weibull estándar y otras extensiones.

5. Significado e Implicaciones

• Mejora en Modelado de Salud: La distribución propuesta es una alternativa superior para modelar datos de salud con colas pesadas y comportamientos de riesgo complejos, donde las distribuciones tradicionales fallan.
• Flexibilidad Estructural: La transformación SMP permite una deformación más flexible de la distribución base, adaptándose mejor a variaciones tanto en el cuerpo central como en las colas de los datos.
• Recomendación Práctica: Se recomienda el uso del modelo SMPtW en estudios de fiabilidad y supervivencia cuando los datos presentan características extremas que el Weibull de dos parámetros no puede capturar.
• Futuras Direcciones: El artículo identifica la necesidad de desarrollar técnicas de estimación robustas (como enfoques bayesianos o métodos robustos) para abordar los desafíos numéricos asociados con la estimación del parámetro de transformación $\lambda$ en muestras pequeñas.

En conclusión, este trabajo contribuye significativamente a la literatura de extensiones de distribuciones, ofreciendo una herramienta matemática robusta y flexible para el análisis de datos complejos en ciencias de la salud y la ingeniería.