📊 statistics

Odd Log-Logistic Rayleigh Distribution with Applications

Este artículo introduce la distribución Odd Log-Logistic Rayleigh (OLLR) de dos parámetros como una extensión flexible del modelo Rayleigh, derivando sus propiedades estadísticas y demostrando su desempeño superior en el modelado de datos de tiempo de vida mediante aplicaciones en dos conjuntos de datos del mundo real.

Autores originales: Sadiq Abubakar Ismaila, Bello Ibrahim Monday

Publicado 2026-08-05

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Sadiq Abubakar Ismaila, Bello Ibrahim Monday

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 ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un detective tratando de predecir cuánto durarán las cosas. Tal vez sea una bombilla, el motor de un coche o incluso una vida humana. En el mundo de la estadística, existe una herramienta especial llamada "distribución". Piensa en una distribución como un plano maestro o un molde que los estadísticos utilizan para dar forma a los datos. Les ayuda a responder preguntas como: "¿Cuáles son las probabilidades de que esta máquina se averíe mañana?" o "¿Qué tan probable es que un paciente sobreviva otro año?".

Durante mucho tiempo, los detectives han dependido de un plano clásico y sencillo llamado la distribución de Rayleigh. Es como un cortador de galletas básico y de talla única. Funciona muy bien para formas simples, pero la vida real es desordenada. A veces las cosas se rompen rápido, otras veces duran para siempre, y a veces el riesgo de romperse cambia con el tiempo. El viejo cortador de galletas no puede manejar esas formas extrañas y onduladas. Para solucionar esto, los estadísticos han comenzado a construir "familias generadoras", piensa en ellas como cortadores de galletas elegantes y ajustables con botones y diales adicionales. Estas herramientas pueden retorcer y estirar el plano básico para adaptarse a casi cualquier forma de datos, desde las curvas suaves de una colina ondulante hasta los picos dentados de una cordillera. Este artículo profundiza en una de estas nuevas y súper flexibles herramientas para ver si puede resolver un misterio que las viejas y simples herramientas no pudieron descifrar.

Los autores de este artículo, Sadiq Abubakar Ismaila y Bello Ibrahim Monday, decidieron tomar un generador específico y poderoso llamado la familia "Odd Log-Logistic" y mezclarlo con la clásica distribución de Rayleigh. El resultado es un nuevo plano que llaman la distribución Odd Log-Logistic Rayleigh (OLR). Puedes pensar en la OLR como un "cortador de galletas inteligente" que tiene dos botones principales para girar: uno controla la escala (qué tan ampliamente se distribuyen los datos) y el otro controla la forma (qué tan extraño o curvo se ven los datos). Al añadir ese segundo botón, los autores esperaban crear una herramienta que pudiera abrazar los datos mucho más de cerca que el viejo y rígido modelo de Rayleigh.

Para probar si su nueva invención realmente funciona, los autores no solo se quedaron en un laboratorio; la pusieron a prueba con datos del mundo real. Simularon miles de escenarios utilizando un método computacional llamado simulación de Monte Carlo. Imagina lanzar un dado digital 1,000 veces para ver si la nueva herramienta adivina la respuesta correcta. Los resultados fueron prometedores: a medida que alimentaban la herramienta con más datos (aumentando el tamaño de la muestra), sus conjeturas se acercaban cada vez más a la verdad, con muy poco error. Esto sugiere que la herramienta es fiable y consistente.

Pero la verdadera magia ocurrió cuando aplicaron la OLR a dos historias muy diferentes de la vida real. La primera historia trató sobre sistemas de aire acondicionado en aviones. Observaron los intervalos de tiempo entre fallos, que variaban desde unas diminutas 9 horas hasta unas masivas 447 horas. La segunda historia fue sobre pacientes con cáncer de vejiga, rastreando cuánto tiempo tardaba su cáncer en entrar en remisión, con tiempos que variaban desde unas pocas semanas hasta más de 79 meses.

Los autores compararon su nuevo modelo OLR contra otros dos modelos populares: el Rayleigh estándar y el Logistic Rayleigh. Utilizaron un sistema de puntuación llamado "criterios de información" (como AIC y BIC) para juzgar qué modelo se ajustaba mejor a los datos. Piensa en esto como un juez calificando una rutina de gimnasia: cuanto menor sea la puntuación, mejor es la actuación. En ambos conjuntos de datos, tanto el de los aviones como el de los pacientes con cáncer, el modelo OLR obtuvo la puntuación más baja, lo que significa que se ajustó mejor a los desordenados datos del mundo real que sus competidores. También pasó una prueba de "bondad de ajuste", que verifica si las predicciones del modelo están estadísticamente lo suficientemente cerca de la realidad como para ser confiables.

El artículo concluye que la distribución Odd Log-Logistic Rayleigh es una alternativa superior y más flexible para modelar datos de tiempo de vida. Capturó con éxito los patrones complejos tanto en los fallos mecánicos como en los tiempos de remisión médica que los modelos más antiguos pasaron por alto. Si bien los autores no afirman que resuelva todos los problemas del universo, sus simulaciones y pruebas del mundo real sugieren fuertemente que este nuevo "cortador de galletas inteligente" es una poderosa adición al kit de herramientas del estadístico, listo para ayudarnos a comprender los ritmos impredecibles de cuánto duran las cosas.

Resumen Técnico: Distribución Rayleigh Log-Logística Impar con Aplicaciones

Planteamiento del Problema
Las distribuciones de tiempo de vida clásicas, como la distribución Rayleigh, a menudo carecen de la flexibilidad necesaria para modelar fenómenos del mundo real caracterizados por diversas asimetrías, curtosis y formas variables de la tasa de riesgo. Si bien la distribución Rayleigh es valorada por su simplicidad en la ingeniería de confiabilidad y el análisis de supervivencia, su parámetro de escala único limita su capacidad para capturar comportamientos de riesgo complejos. Las familias generalizadas existentes, como la familia Odd Log-Logistic Generalized (OLL-G) introducida por Gleaton y Lynch (2006), ofrecen un mecanismo para introducir parámetros de forma adicionales a las distribuciones base, mejorando así el comportamiento de la cola y la adaptabilidad. Sin embargo, la aplicación específica de la familia OLL-G a la distribución Rayleigh para crear un modelo más flexible para datos de tiempo de vida no había sido explorada completamente en este contexto.

Metodología
Este estudio propone la distribución Rayleigh Log-Logística Impar (OLLR), una extensión de dos parámetros derivada al incorporar la distribución Rayleigh como la base dentro del marco OLL-G. La metodología implica los siguientes pasos:

Formulación Matemática: La Función de Distribución Acumulativa (CDF) y la Función de Densidad de Probabilidad (PDF) de la OLLR se derivan mediante la sustitución de la CDF y la PDF de la Rayleigh en las ecuaciones generales de la OLL-G. La distribución resultante se define por un parámetro de escala ( $\theta$ ) y un parámetro de forma ( $\beta$ ).
Propiedades Estadísticas: El artículo deriva diversas propiedades estructurales, incluyendo:
- La Función de Supervivencia y la Función de Tasa de Riesgo.
- La Función de Cuantiles, utilizada para la simulación y la generación de variables aleatorias.
- Representaciones de series infinitas de la CDF y la PDF utilizando la identidad binomial generalizada.
- Momentos brutos y la Función Generadora de Momentos (MGF).
- La distribución de los estadísticos de orden.
Estimación de Parámetros: Los parámetros $\beta$ y $\theta$ se estiman utilizando el método de Estimación de Máxima Verosimilitud (MLE). Se construye la función de log-verosimilitud y las ecuaciones de puntuación no lineales resultantes se resuelven numéricamente mediante métodos iterativos.
Estudio de Simulación: Se realizó un estudio de simulación de Monte Carlo con 1,000 replicaciones para evaluar la consistencia de los MLE. El estudio evaluó el desempeño a través de tamaños de muestra de 50, 100, 200 y 500 utilizando métricas como el Promedio de Estimación, el Sesgo y la Raíz del Error Cuadrático Medio (RMSE).
Aplicaciones de la Vida Real: La utilidad práctica del modelo fue probada ajustando la distribución OLLR a dos conjuntos de datos del mundo real:
- Conjunto de Datos 1: Tiempos de falla de sistemas de aire acondicionado en aeronaves (Proschan, 1963).
- Conjunto de Datos 2: Tiempos de remisión de pacientes con cáncer de vejiga (Lee & Wang, 2003).
  El modelo OLLR se comparó contra las distribuciones Logistic Rayleigh (LR) y Rayleigh estándar utilizando criterios de información (AIC, BIC, AICc), valores de Log-Verosimilitud y la prueba de Kolmogorov-Smirnov (K-S).

Contribuciones Clave y Resultados

Desarrollo del Modelo: El artículo establece con éxito la distribución OLLR como un modelo de probabilidad válido, demostrando que su PDF integra a la unidad.
Consistencia de la Simulación: Los resultados de la simulación demuestran que las estimaciones de los parámetros son consistentes. A medida que el tamaño de la muestra aumenta, el sesgo y el RMSE para $\beta$ y $\theta$ decaen hacia cero, indicando que los promedios de las estimaciones convergen a los valores reales de los parámetros.
Superioridad en el Ajuste: En la aplicación a los dos conjuntos de datos de la vida real, la distribución OLLR superó a sus competidores:
- Conjunto de Datos 1: La OLLR logró los valores más bajos de AIC (-170.669), BIC (345.339) y AICc (348.142), junto con el estadístico K-S más bajo (0.2993), en comparación con los modelos LR y Rayleigh.
- Conjunto de Datos 2: De manera similar, la OLLR proporcionó el mejor ajuste con los criterios de información más bajos y un estadístico K-S de 0.2397, superando ligeramente al modelo LR (0.2399) y superando significativamente al modelo Rayleigh estándar (0.3521).
Validación Visual: Los histogramas con diagramas de densidad para ambos conjuntos de datos confirman que la distribución OLLR sigue de cerca los patrones empíricos de los datos.

Significancia y Reivindicaciones
El artículo afirma que la distribución OLLR es una alternativa competitiva y flexible para modelar datos de tiempo de vida. Al introducir un parámetro de forma adicional a la distribución Rayleigh, la OLLR supera la rigidez del modelo clásico, permitiendo capturar mejor los comportamientos complejos de la tasa de riesgo observados en la ingeniería de confiabilidad y la investigación biomédica. Los resultados indican que la OLLR proporciona un ajuste superior en relación con las distribuciones Logistic Rayleigh y Rayleigh estándar en los conjuntos de datos probados, lo que sugiere su utilidad potencial en campos que requieren un modelado preciso de supervivencia y confiabilidad. El estudio concluye que la hipótesis nula —que los conjuntos de datos siguen la distribución OLLR— no puede ser rechazada a los niveles de significancia estándar (1%, 5% o 10%).

Más como este