📊 statistics

A New Sine Type II Topp-Leone Frechet Distribution for Modelling Life-Time Data: Theoretical Development and Applications

Este artículo introduce la distribución de tipo seno II Topp-Leone Frechet de tres parámetros (STIITLF), deriva sus propiedades estadísticas clave y sus métodos de estimación de parámetros, y demuestra su flexibilidad superior y bondad de ajuste en comparación con modelos existentes mediante simulaciones de Monte Carlo y aplicaciones a datos de vida reales.

Autores originales: Waheed Babatunde Yahya, Alhaji Mustapha Mahmud, Emmanuel Shammah Chaku

Publicado 2026-07-07✓ Author reviewed ⓘ

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Waheed Babatunde Yahya, Alhaji Mustapha Mahmud, Emmanuel Shammah Chaku

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

Imagina que estás intentando predecir cuánto durará una bombilla o qué tan fuerte es un tipo específico de fibra de carbono antes de romperse. En el mundo de la estadística, utilizamos "formas" matemáticas llamadas distribuciones para mapear estas posibilidades. Piensa en una distribución como un molde hecho a medida que se ajusta a la forma de tus datos.

Durante décadas, los estadísticos han utilizado un molde llamado distribución de Fréchet para manejar datos sobre eventos extremos, como los vientos más fuertes en una tormenta o los tiempos de supervivencia más largos de pacientes. Es un molde clásico y fiable, pero a veces los datos del mundo real son desordenados, ondulantes y complejos. El viejo molde no encaja perfectamente; deja huecos o abultamientos donde no debería.

El nuevo "Súper-Molde"

Los autores de este artículo, Waheed Babatunde Yahya y sus colegas, decidieron construir un molde mejor y más flexible. Crearon una nueva forma llamada distribución Sine Type II Topp-Leone Fréchet (STIITLF).

Así es como lo hicieron, utilizando una analogía sencilla:

La Base: Comenzaron con el molde clásico de Fréchet.
El Giro Trigonométrico: Añadieron una función "seno" (la línea ondulada que ves en la trigonometría) a la mezcla. Imagina tomar una regla recta y doblarla en una onda suave para abrazar mejor las curvas de tus datos.
La Capa Topp-Leone: Luego envolvieron esto en una capa "Topp-Leone", que actúa como un revestimiento especial que permite al molde estirarse y encogerse de formas específicas para ajustarse a esquinas apretadas.

El resultado es un súper-molde de tres parámetros. Mientras que el viejo molde de Fréchet tenía dos perillas para girar y ajustar su forma, este nuevo tiene tres. Esta perilla extra le da a los estadísticos mucho más control para girar y torcer el molde hasta que se ajuste perfectamente a los datos.

¿Qué hicieron con él?

El artículo es esencialmente un "manual de usuario" y una "prueba de rendimiento" para este nuevo molde.

El Plano (Teoría): Los autores escribieron las fórmulas matemáticas exactas para esta nueva forma. Calcularon cómo encontrar el promedio, la mediana y qué tan probable es que algo falle en un momento determinado (fiabilidad). Incluso calcularon cómo se comporta el molde cuando observas los casos "mejores" o "peores" en un grupo (estadísticos de orden).
La Prueba de Estrés (Simulación): Antes de usarlo con datos reales, realizaron una simulación por computadora. Generaron miles de conjuntos de datos falsos e intentaron ajustar el nuevo molde a ellos. Descubrieron que a medida que alimentaban a la computadora con más datos, los ajustes del molde se volvían increíblemente precisos, demostrando que era una herramienta fiable.
El Ensayo en el Mundo Real (Aplicaciones): Finalmente, probaron el molde en dos escenarios de la vida real:
- Fibras de Carbono: Analizaron datos sobre cuánta tensión podían soportar las fibras de carbono antes de romperse.
- Pacientes con Cáncer de Mama: Analizaron datos sobre cuánto tiempo sobrevivieron 121 pacientes tras un diagnóstico.

El Veredicto

En ambas pruebas, el nuevo molde STIITLF superó a otros cuatro moldes populares (incluyendo el Fréchet original y otras variaciones modernas).

Los autores midieron el éxito utilizando dos herramientas principales:

Log-Likelihood (Log-verosimilitud): Una puntuación que dice: "¿Qué tan bien explica esta forma los datos?". El nuevo molde obtuvo la puntuación más alta.
AIC (Criterio de Información de Akaike): Una puntuación que penaliza los modelos por ser demasiado complicados. El nuevo molde obtuvo la puntuación más baja, lo que significa que fue el ajuste más eficiente.

La Conclusión

El artículo concluye que, si tienes datos complejos y "ondulantes" sobre cuánto duran las cosas (como piezas de maquinaria o la esperanza de vida humana), esta nueva distribución Sine Type II Topp-Leone Fréchet es una herramienta superior. Se ajusta a los datos de forma más estrecha y precisa que los modelos más antiguos y simples con los que se comparó.

Los autores recomiendan que los estadísticos e investigadores utilicen esta nueva herramienta siempre que necesiten una forma altamente eficiente y flexible de modelar datos complejos de tiempo de vida.

Resumen Técnico: Una nueva distribución de tipo Frecuencia de Sine Tipo II Topp-Leone para el modelado de datos de tiempo de vida

Planteamiento del problema
La distribución de Fréchet, introducida por Fréchet en 1924, es una herramienta estándar para modelar valores extremos y datos de tiempo de vida en los campos de la ingeniería, las ciencias actuariales y la medicina. Sin embargo, como se señala en la literatura, las distribuciones tradicionales a menudo carecen de la flexibilidad necesaria para capturar la complejidad de los conjuntos de datos modernos y diversos. Existen numerosas extensiones de la distribución de Fréchet (por ejemplo, variantes exponentenciadas, beta y transmutadas), pero persiste la necesidad de modelos más adaptables que puedan ajustar mejor los fenómenos complejos de tiempo de vida. Este estudio aborda la necesidad de una distribución más flexible capaz de modelar datos complejos de tiempo de vida con una mayor eficiencia que los modelos de Fréchet de dos parámetros existentes.

Metodología
Los autores introducen una nueva distribución de probabilidad continua denominada distribución de Sine Tipo II Topp-Leone Frechet (STIITLF). Este modelo se construye aplicando el generador de la familia Sine Type II Topp-Leone-G (STIITL-G), propuesto por Isa et al. (2023), a la distribución de Fréchet base.

Formulación teórica: La distribución STIITLF se define mediante tres parámetros positivos: dos parámetros de forma ( $\alpha, \lambda$ ) y un parámetro de escala ( $\theta$ ). La función de distribución acumulativa (CDF) y la función de densidad de probabilidad (PDF) se derivan sustituyendo la CDF y la PDF de Fréchet en las ecuaciones del generador STIITL-G.
Derivaciones matemáticas: El artículo utiliza expansiones de series de Maclaurin para las funciones seno y coseno, combinadas con expansiones binomiales, para derivar representaciones lineales de la PDF y la CDF. Estas expansiones facilitan la derivación de las propiedades estadísticas clave, incluyendo:
- Momentos y Función Generadora de Momentos (MGF): Se derivan fórmulas explícitas para los $r$ -ésimos momentos y la MGF utilizando la PDF linealizada.
- Funciones de confiabilidad y de riesgo: Se establecen fórmulas para la función de supervivencia y la tasa de riesgo.
- Función de cuantiles: Se deriva la función de distribución inversa (CDF inversa) para permitir el cálculo de los cuantiles y la mediana.
- Estadísticos de orden: Se formulan las PDF para el $r$ -ésimo estadístico de orden, así como para los estadísticos de orden mínimo y máximo.
Estimación de parámetros: Los parámetros de la distribución STIITLF se estiman mediante el método de Máxima Verosimilitud (MLE). Se deriva la función de log-verosimilitud y las ecuaciones simultáneas no lineales resultantes se resuelven numéricamente mediante el algoritmo de Newton-Raphson a través de la función optim en el software R.
Validación: Se realiza un estudio de simulación de Monte Carlo para evaluar el desempeño de los MLE. El estudio evalúa el sesgo y el Error Cuadrático Medio (RMSE) a través de diversos tamaños de muestra ( $n = 20$ a $250$) y configuraciones de parámetros.

Contribuciones clave

Nueva distribución: La contribución principal es la propuesta de la distribución STIITLF, que extiende la distribución de Fréchet clásica incorporando dos parámetros adicionales derivados de la familia Sine Type II Topp-Leone.
Caracterización estadística: El artículo proporciona un marco teórico integral para la nueva distribución, incluyendo expresiones de forma cerrada (vía series infinitas) para sus momentos, MGF, confiabilidad, riesgo, cuantiles y estadísticos de orden.
Marco de estimación: El estudio establece el procedimiento de MLE para el nuevo modelo y valida la consistencia y eficiencia de los estimadores mediante simulación.

Resultados

Estudio de simulación: Los resultados de la simulación (Tabla 1) demuestran que, a medida que aumenta el tamaño de la muestra, el sesgo y el RMSE de los parámetros estimados disminuyen, acercándose a cero. Esto indica que los MLE para la distribución STIITLF son consistentes y eficientes.
Aplicaciones con datos reales: El desempeño del modelo fue probado en dos conjuntos de datos de la vida real:
1. Resistencia de fibra de carbono: Datos de resistencia a la tracción de fibras de carbono (Bi y Gui, 2017).
2. Tiempos de supervivencia de cáncer de mama: Datos de supervivencia de 121 pacientes (Ramos et al., 2013).
Análisis comparativo: La distribución STIITLF se comparó con cuatro modelos competidores: Gompertz Frechet (GoFr), Exponentiated Frechet (ExFr), Type II Topp-Leone Frechet (TIITLF) y la distribución de Fréchet (Fr) clásica.
- Conjunto de datos 1: El modelo STIITLF produjo la mayor Log-Verosimilitud (LL = -56.4231) y el menor Criterio de Información de Akaike (AIC = 118.8462), superando a todos los competidores.
- Conjunto de datos 2: De manera similar, para los datos de cáncer de mama, el modelo STIITLF logró el mejor ajuste con un LL de -596.3071 y un AIC de 1198.614, significativamente menor que los valores de AIC de los modelos TIITLF, GoFr, ExFr y Fr.
- Las inspecciones visuales de las PDF ajustadas (Figuras 3 y 4) confirmaron además el ajuste superior de la distribución STIITLF.

Significancia y afirmaciones
El artículo afirma que la distribución STIITLF ofrece una mejora significativa en la eficiencia del modelado para datos complejos de tiempo de vida en comparación con los modelos basados en Fréchet existentes. Al extender la distribución de Fréchet de dos parámetros a un modelo de tres parámetros, los autores argumentan que la nueva distribución proporciona una mayor flexibilidad para capturar diversas características de los datos, particularmente los datos sesgados.

Los autores concluyen que la distribución STIITLF es una herramienta robusta y versátil para el modelado estadístico. Basándose en los estadísticos de bondad de ajuste (Log-Verosimilitud y AIC) y los resultados de la simulación, recomiendan la adopción de la distribución STIITLF para el modelado de conjuntos de datos complejos de tiempo de vida donde se desea una alta eficiencia y confiabilidad del modelo. El estudio posiciona a la STIITLF como una alternativa superior a la Fréchet clásica y a sus variantes recientes para aplicaciones en ingeniería, ciencias médicas y análisis de confiabilidad.

El nuevo "Súper-Molde"

¿Qué hicieron con él?

El Veredicto

La Conclusión

Más como este