📊 statistics

Transmuted logistic-exponential distribution - some new properties, estimation methods and application with infectious disease mortality data

Este artículo presenta nuevas propiedades teóricas, evalúa diez métodos de estimación mediante simulaciones y demuestra la superioridad de la distribución logístico-exponencial transmutada (NTLE) frente a sus distribuciones base al modelar datos de mortalidad por enfermedades infecciosas.

Autores originales: Isqeel Ogunsola, Abosede Akintunde, Kehinde Yusuff, Basirat Adetona, Faheez Abdulrasaq

Publicado 2026-03-19

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Isqeel Ogunsola, Abosede Akintunde, Kehinde Yusuff, Basirat Adetona, Faheez Abdulrasaq

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Hola! Imagina que este artículo es como un manual de instrucciones para un nuevo y potente "motor" matemático diseñado para predecir cosas en el mundo real, como cuánto tiempo durará una máquina o, en el caso de este estudio, cuándo ocurren las muertes por una enfermedad.

Aquí te explico de qué trata, usando analogías sencillas:

1. El Problema: Los modelos viejos son como "zapatos de talla única"

Imagina que quieres medir la duración de la vida de las personas o de las máquinas. Los matemáticos han usado durante mucho tiempo modelos clásicos (como la distribución Exponencial o Logística).

La analogía: Es como intentar usar un solo tipo de zapato para todo el mundo. A veces funciona bien, pero si tienes un pie muy ancho o muy estrecho (datos muy extraños o complejos), el zapato no te queda bien y te hace daño.
La realidad: Los datos reales, como las muertes por COVID-19, son muy complicados y "desordenados". Los modelos viejos no se ajustaban perfectamente a esa complejidad.

2. La Solución: El nuevo "Zapato a Medida" (NTLE)

Los autores crearon una nueva distribución llamada NTLE (Distribución Logística-Exponencial Transmutada).

La analogía: Piensa en el NTLE como un zapato hecho a medida con un sistema de ajuste mágico. Tiene una pieza extra (llamada parámetro de "transmutación", $\delta$ ) que le permite estirarse o encogerse para adaptarse perfectamente a cualquier forma de datos, ya sea que tengan picos altos, colas largas o formas raras.
El objetivo: Demostrar que este nuevo zapato se ajusta mejor a la realidad que los modelos viejos.

3. El Reto: Encontrar las "tornillos" correctos (Estimación)

El problema con este nuevo zapato es que es tan complejo que no puedes calcular sus medidas exactas con una simple fórmula de lápiz y papel (no tiene "forma cerrada"). Necesitas adivinar los valores de sus tres tornillos principales ( $\lambda, \beta, \delta$ ) probando y corrigiendo.

La analogía: Imagina que tienes una caja fuerte con tres dialos. No sabes la combinación. Tienes que probar diferentes métodos para abrirla:
- Método de Máxima Verosimilitud (MLE): Es como intentar adivinar la combinación basándote en la probabilidad de que sea correcta.
- Método de Mínimos Cuadrados: Es como intentar que la línea de tu dibujo coincida lo más posible con los puntos reales.
- Método de Máxima Bondad de Ajuste (MGFE): Es como buscar la combinación que haga que tu dibujo se vea más parecido al original, sin importar tanto la probabilidad matemática pura.

4. La Prueba de Fuego: El Simulador de Videojuego

Como no podían probar esto en la vida real inmediatamente, los autores crearon un laboratorio virtual (Simulación de Monte Carlo).

La analogía: Es como un videojuego de simulación. Crearon miles de mundos virtuales con datos falsos pero realistas. Luego, pusieron a competir a los 10 métodos de "abrir la caja fuerte" mencionados arriba.
El resultado:
- Cuando los datos eran pocos (pocos jugadores en el juego), el método MGFE (Máxima Bondad de Ajuste) fue el campeón, encontrando la combinación correcta más rápido y con menos errores.
- Cuando los datos eran muchos (miles de jugadores), casi todos los métodos funcionaron bien, pero el clásico MLE y el MPS (Producto Máximo de Espaciamientos) también se destacaron.
- Lección: No hay un solo método perfecto para todo; depende de cuántos datos tengas.

5. La Prueba Real: El Caso COVID-19 en Egipto

Finalmente, probaron el zapato nuevo en la vida real usando datos de muertes por COVID-19 en Egipto en 2020.

La analogía: Es como llevar el zapato a una maratón real.
El resultado: El modelo NTLE (especialmente usando el método MGFE) se ajustó a los datos de muerte mucho mejor que los modelos viejos (Exponencial y Logístico-Exponencial).
- Si miras un gráfico, la curva del modelo NTLE se "pega" a la forma de los datos reales como si fuera pegamento, mientras que los modelos viejos se quedaban cortos o largos.
- Esto significa que el NTLE puede predecir mejor cómo se comporta una enfermedad, lo cual es vital para planificar hospitales y recursos.

En resumen

Este artículo nos dice:

Hemos creado un nuevo modelo matemático (NTLE) que es más flexible y adaptable que los antiguos.
Hemos probado 10 formas diferentes de calcular sus valores y descubrimos cuál funciona mejor según el tamaño de los datos (el método MGFE es muy bueno para muestras pequeñas).
Lo probamos con datos reales de COVID-19 y funcionó mejor que las herramientas tradicionales.

Es una herramienta más potente en la caja de herramientas de los científicos para entender y predecir eventos complejos en la vida real.

Resumen Técnico: Distribución Logística-Exponencial Transmutada Nueva (NTLE)

1. Planteamiento del Problema

Las distribuciones clásicas, como la exponencial y la logística, son ampliamente utilizadas en análisis de fiabilidad y vida útil debido a su manejabilidad. Sin embargo, los datos reales a menudo exhiben comportamientos complejos (sesgados, colas pesadas) que estos modelos simples no pueden capturar adecuadamente.
La distribución Logística-Exponencial (LE) ofrece mayor flexibilidad, pero aún presenta limitaciones en situaciones de alta asimetría. Para abordar esto, se introdujo la Distribución Logística-Exponencial Transmutada Nueva (NTLE). A pesar de su utilidad, existían brechas significativas en la literatura:

Las estimaciones de máxima verosimilitud (MLE) de la NTLE no tienen forma cerrada y su consistencia no había sido examinada.
Faltaban propiedades teóricas fundamentales (entropías, ordenamiento estocástico, momentos incompletos, curvas de Lorenz, etc.).
No existía una comparación exhaustiva de múltiples métodos de estimación para los parámetros de la NTLE, especialmente considerando su naturaleza de forma no cerrada.

2. Metodología

El estudio se desarrolló en tres fases principales:

Desarrollo Teórico: Se derivaron y estudiaron nuevas propiedades analíticas de la NTLE, incluyendo:
- Entropía de Shannon y Entropía de Rényi.
- Ordenamiento estocástico.
- Moda, fiabilidad de estrés-resistencia ( $R = P(Y > X)$ ) y funciones de vida residual (media y reversa).
- Momentos incompletos, curvas de Bonferroni y Lorenz.
Estimación de Parámetros: Se evaluaron diez métodos de estimación para los parámetros $(\lambda, \beta, \delta)$ $(λ, β, δ)$ de la NTLE:
1. Máxima Verosimilitud (MLE).
2. Método de Momentos (MME).
3. Mínimos Cuadrados (LSE) y Mínimos Cuadrados Ponderados (WLSE).
4. Máximo Producto de Espaciamientos (MPS).
5. Estimación Bayesiana (usando MCMC).
6. Anderson-Darling (ADE).
7. Cramér-von Mises (CVME).
8. Estimación por Percentiles (PCE).
9. Máxima Bondad de Ajuste (MGFE).
Simulación y Aplicación:
- Simulación Monte Carlo: Se generaron muestras aleatorias con tamaños de muestra $n = 20, 50, 100, 200, 500, 1000$ bajo diferentes configuraciones de parámetros. La eficiencia se evaluó mediante sesgo, Error Cuadrático Medio (MSE) y Raíz del Error Cuadrático Medio (RMSE).
- Aplicación Real: Se utilizó un conjunto de datos reales de mortalidad por COVID-19 en Egipto (2020) para comparar el ajuste de la NTLE frente a sus distribuciones base (Exponencial y LE). Se utilizaron criterios de información (AIC, BIC, CAIC, HQIC) y estadísticos de bondad de ajuste (Kolmogorov-Smirnov).

3. Contribuciones Clave

Nuevas Propiedades Teóricas: Por primera vez, se derivaron fórmulas explícitas o integrales definidas para la entropía, funciones de vida residual y medidas de fiabilidad de la NTLE, enriqueciendo su marco teórico.
Evaluación Comparativa Exhaustiva: Se realizó el primer estudio que compara simultáneamente métodos basados en verosimilitud, momentos, bondad de ajuste y bayesianos para la NTLE.
Análisis de Consistencia y Desempeño: Se demostró que, aunque las estimaciones no tienen forma cerrada, los métodos numéricos son robustos. Se identificó que el parámetro de transmutación ( $\delta$ ) es más difícil de estimar en muestras pequeñas que los parámetros de forma y escala.
Validación Práctica: Se demostró la superioridad de la NTLE sobre modelos base en datos de mortalidad real.

4. Resultados Principales

Resultados de la Simulación:
- El desempeño de todos los estimadores mejora a medida que aumenta el tamaño de la muestra ( $n$ ), reduciendo el sesgo y el MSE.
- En muestras pequeñas ( $n=20$ ): El método de Máxima Bondad de Ajuste (MGFE) y el método Bayesiano mostraron un rendimiento superior, con los valores más bajos de MSE y RMSE, especialmente para el parámetro $\delta$ .
- En muestras grandes ( $n \ge 500$ ): Los métodos MLE, MPS (Máximo Producto de Espaciamientos) y PCE (Percentiles) se volvieron altamente competitivos y estables.
- Se observó que la estimación de $\delta$ es más inestable en muestras pequeñas, pero converge rápidamente con $n$ grande.
Resultados de la Aplicación (Datos de COVID-19):
- La NTLE proporcionó un ajuste significativamente mejor que las distribuciones Exponencial y Logística-Exponencial.
- El modelo NTLE estimado con MGFE obtuvo el estadístico de Kolmogorov-Smirnov más bajo ( $D_m = 0.0791$ ) y el valor p más alto ($0.7216$), indicando un ajuste excelente.
- Los criterios de información (AIC, BIC) favorecieron a la NTLE sobre los modelos base.
- Las gráficas de densidad ajustada y la función de distribución acumulada (CDF) confirmaron visualmente que la NTLE captura mejor tanto la tendencia central como el comportamiento de las colas de los datos de mortalidad.

5. Significado e Impacto

Este estudio llena vacíos críticos en la literatura estadística sobre distribuciones transmutadas. Proporciona a investigadores y practicantes:

Herramientas Teóricas: Un conjunto completo de propiedades para modelar la incertidumbre y la fiabilidad en sistemas complejos.
Guía de Estimación: Una recomendación basada en evidencia sobre qué método de estimación utilizar según el tamaño de la muestra (MGFE/Bayesiano para muestras pequeñas, MLE/MPS para grandes).
Aplicabilidad en Salud Pública: Demuestra que la NTLE es una herramienta superior para modelar datos de mortalidad por enfermedades infecciosas, ofreciendo una flexibilidad necesaria para capturar patrones de riesgo que los modelos tradicionales pasan por alto.

En conclusión, la NTLE se establece como una adición valiosa a la clase de modelos logístico-exponenciales, combinando una estructura matemática manejable con una flexibilidad superior para datos sesgados y de vida útil compleja.