Inverse Lomax Frechet Distribution with Applications

En el mundo de la ingeniería, la medicina y los seguros, predecir cuánto durará algo es un desafío constante. Ya sea un puente, un órgano humano o una pieza de vidrio, todo acaba desgastándose o fallando. Para dar sentido a este declive inevitable, los científicos se apoyan en mapas matemáticos llamados distribuciones de probabilidad. Estos no son mapas de tierras, sino de tiempo y azar, que describen qué tan probable es que un objeto sobreviva hasta cierto punto y luego se rompa. Durante décadas, los investigadores han utilizado un puñado de mapas estándar, como la distribución Frechet, para trazar estas vidas útiles. Estas herramientas funcionan bien para casos simples donde el riesgo de falla aumenta o dismincia de manera constante. Sin embargo, el mundo real rara vez es tan sencillo. Muchas cosas enfrentan riesgos complejos que cambian de formas impredecibles, doblándose y retorciéndose en patrones que los viejos y rígidos mapas no pueden capturar. Cuando las herramientas estándar fallan al ajustarse a la realidad desordenada de los datos, los científicos deben construir nuevos modelos más flexibles que puedan doblarse ante la forma de la verdad.

Este es el territorio explorado por Sadiq Abubakar Ismaila y Taiwo Yakubu Hassan, quienes han diseñado un nuevo modelo matemático llamado la distribución Inverse Lomax Frechet. Su trabajo comienza con la distribución Frechet, una herramienta clásica utilizada para describir eventos extremos como la velocidad del viento o la resistencia de los materiales. Aunque es útil, el modelo Frechet original tiene una forma fija que limita su capacidad para describir patrones de supervivencia complejos. Para resolver esto, los investigadores combinaron la distribución Frechet con una familia de modelos más nueva y adaptable conocida como la familia Inverse Lomax Generalized. Al entrelazar estas dos, crearon un modelo de cuatro parámetros que actúa como una lente altamente ajustable. A diferencia de sus predecesores más simples, esta nueva distribución puede estirarse y encogerse para adaptarse a una amplia variedad de formas de datos, incluyendo aquellos con patrones de falla no lineales y complejos. Los investigadores no solo propusieron esta nueva forma; probaron rigurosamente su validez matemática, demostrando que es un modelo de probabilidad sólido, y luego derivaron las fórmulas específicas necesarias para calcular su comportamiento promedio, su mediana y qué tan probable es que falle en cualquier momento dado.

Para asegurar que este nuevo modelo funcione en la práctica, el equipo lo sometió a una serie de simulaciones por computadora. Generaron miles de conjuntos de datos falsos con propiedades conocidas y le pidieron al modelo que encontrara los ajustes correctos. Los resultados fueron claros: a medida que la cantidad de datos crecía, las estimaciones del modelo se volvían cada vez más precisas, asentándose precisamente en los valores reales. Esto confirmó que el modelo es estable y confiable para el uso en el mundo real. Los investigadores dieron el siguiente paso, aplicando su nueva distribución a dos conjuntos muy diferentes de datos de la vida real. El primer conjunto rastreó los tiempos de remisión de 128 pacientes con cáncer de vejiga, midiendo cuánto tiempo permanecieron libres de la enfermedad. El segundo conjunto registró la resistencia a la rotura de 64 fibras de vidrio, una medida crítica para la ciencia de materiales. En ambos casos, los investigadores compararon su nuevo modelo Inverse Lomax Frechet contra tres competidores establecidos: las distribuciones Marshall-Olkin Frechet, Inverse Lomax y la distribución Frechet estándar.

La comparación reveló una ventaja distintiva para el nuevo modelo. Al ajustarse a los datos de remisión de cáncer, la distribución Inverse Lomax Frechet proporcionó un ajuste significativamente mejor que las otras tres opciones, capturando los matices de los tiempos de recuperación de los pacientes con mayor precisión. Del mismo modo, al aplicarse a los datos de resistencia de las fibras de vidrio, superó a la competencia, ofreciendo una descripción más ajustada y precisa de cómo fallaba el material. Los investigadores utilizaron varias medidas estadísticas estándar para juzgar estos ajustes y, en cada instancia, el nuevo modelo obtuvo la mejor puntuación, lo que indica que fue la herramienta más eficiente y precisa para el trabajo. El estudio concluye que esta nueva distribución no es solo un ejercicio teórico, sino una mejora práctica para analizar datos de vida útil. Al ofrecer una forma más flexible de modelar cómo las cosas se rompen o se recuperan, proporciona a los científicos e ingenieros una herramienta más aguda para comprender la naturaleza compleja y a menudo impredecible de la supervivencia y la falla en el mundo físico.