Inverse Lomax Frechet Distribution with Applications

Dans le monde de l'ingénierie, de la médecine et de l'assurance, prédire combien de temps quelque chose durera est un défi constant. Qu'il s'agisse d'un pont, d'un organe humain ou d'un morceau de verre, tout finit par s'user ou tomber en panne. Pour donner un sens à ce déclin inévitable, les scientifiques s'appuient sur des cartes mathématiques appelées distributions de probabilité. Ce ne sont pas des cartes de terres, mais des cartes de temps et de hasard, décrivant la probabilité qu'un objet survive jusqu'à un certain point avant de se briser. Pendant des décennies, les chercheurs ont utilisé une poignée de cartes standards, telles que la distribution de Fréchet, pour cartographier ces durées de vie. Ces outils fonctionnent bien pour des cas simples où le risque de défaillance augmente ou diminue de manière constante. Cependant, le monde réel est rarement aussi simple. De nombreuses choses font face à des risques complexes qui changent de manières imprévisibles, se courbant et se tordant selon des motifs que les anciennes cartes rigides ne peuvent capturer. Lorsque les outils standards échouent à s'adapter à la réalité désordonnée des données, les scientifiques doivent construire de nouveaux modèles plus flexibles qui peuvent se plier à la forme de la vérité.

C'est le territoire exploré par Sadiq Abubakar Ismaila et Taiwo Yakubu Hassan, qui ont élaboré un nouveau modèle mathématique appelé la distribution Inverse Lomax Fréchet. Leur travail commence avec la distribution de Fréchet, un outil classique utilisé pour décrire des événements extrêmes comme la vitesse du vent ou la résistance des matériaux. Bien qu'utile, le modèle de Fréchet original possède une forme fixe qui limite sa capacité à décrire des schémas de survie complexes. Pour résoudre cela, les chercheurs ont combiné la distribution de Fréchet avec une famille de modèles plus récente et plus adaptable connue sous le nom de famille généralisée Inverse Lomax. En tissant ces deux éléments ensemble, ils ont créé un modèle à quatre paramètres qui agit comme une lentille hautement ajustable. Contrairement à ses prédécesseurs plus simples, cette nouvelle distribution peut s'étirer et se contracter pour s'adapter à une grande variété de formes de données, y compris celles présentant des motifs de défaillance non linéaires complexes. Les chercheurs n'ont pas seulement proposé cette nouvelle forme ; ils ont rigoureusement testé sa validité mathématique, prouvant qu'il s'agit d'un modèle de probabilité solide, puis ont dérivé les formules spécifiques nécessaires pour calculer son comportement moyen, sa médiane et la probabilité qu'il tombe en panne à n'importe quel moment donné.

Pour s'assurer que ce nouveau modèle fonctionne en pratique, l'équipe l'a soumis à une série de simulations informatiques. Ils ont généré des milliers de jeux de données fictifs aux propriétés connues et ont demandé au modèle de trouver les réglages corrects. Les résultats ont été clairs : à mesure que la quantité de données augmentait, les estimations du modèle devenaient de plus en plus précises, se fixant précisément sur les valeurs réelles. Cela a confirmé que le modèle est stable et fiable pour une utilisation dans le monde réel. Les chercheurs ont ensuite franchi l'étape suivante, en appliquant leur nouvelle distribution à deux ensembles très différents de données réelles. Le premier ensemble suivait les temps de rémission de 128 patients atteints de cancer de la vessie, mesurant le temps pendant lequel ils restaient exempts de la maladie. Le second enregistrait la résistance à la rupture de 64 fibres de verre, une mesure critique pour la science des matériaux. Dans les deux cas, les chercheurs ont comparé leur nouveau modèle Inverse Lomax Fréchet à trois concurrents établis : les distributions Marshall-Olkin Fréchet, Inverse Lomax et la distribution de Fréchet standard.

La comparaison a révélé un avantage distinct pour le nouveau modèle. Lorsqu'il a été ajusté aux données de rémission du cancer, la distribution Inverse Lomax Fréchet a offert une correspondance nettement meilleure que les trois autres options, capturant plus précisément les nuances des temps de récupération des patients. De même, lorsqu'elle a été appliquée aux données de résistance des fibres de verre, elle a surpassé la concurrence, offrant une description plus serrée et plus précise de la façon dont le matériau se brise. Les chercheurs ont utilisé plusieurs mesures statistiques standards pour juger de ces ajustements, et dans chaque cas, le nouveau modèle a obtenu le meilleur score, indiquant qu'il était l'outil le plus efficace et le plus précis pour la tâche. L'étude conclut que cette nouvelle distribution n'est pas seulement un exercice théorique mais une amélioration pratique pour l'analyse des données de durée de vie. En offrant une manière plus flexible de modéliser la façon dont les choses se dégradent ou se rétablissent, elle fournit aux scientifiques et aux ingénieurs un outil plus aiguisé pour comprendre la nature complexe et souvent imprévisible de la survie et de la défaillance dans le monde physique.