Inverse Lomax Frechet Distribution with Applications

इंजीनियरिंग, चिकित्सा और बीमा की दुनिया में, कोई चीज़ कितने समय तक चलेगी, इसका पूर्वानुमान लगाना एक निरंतर चुनौती है। चाहे वह एक पुल हो, मानव अंग हो, या कांच का एक टुकड़ा, हर चीज़ अंततः घिस जाती है या विफल हो जाती है। इस अपरिहार्य गिरावट को समझने के लिए, वैज्ञानिक गणितीय मानचित्रों पर भरोसा करते हैं जिन्हें प्रायिकता वितरण (प्रोबेबिलिटी डिस्ट्रीब्यूशन) कहा जाता है। ये भूमि के मानचित्र नहीं हैं, बल्कि समय और संयोग के मानचित्र हैं, जो यह वर्णन करते हैं कि किसी वस्तु के एक निश्चित बिंदु तक जीवित रहने और फिर टूटने की कितनी संभावना है। दशकों से, शोधकर्ता इन जीवन अवधियों को चार्ट करने के लिए फ्रेट (Frechet) वितरण जैसे कुछ मानक मानचित्रों का उपयोग करते आए हैं। ये उपकरण उन सरल मामलों के लिए अच्छी तरह काम करते हैं जहाँ विफलता का जोखिम या तो लगातार बढ़ता है या लगातार घटता है। हालाँकि, वास्तविक दुनिया शायद ही कभी इतनी सरल होती है। कई चीजें जटिल जोखिमों का सामना करती हैं जो अप्रत्याशित तरीकों से बदलते हैं, ऐसे पैटर्न में मुड़ते और बदलते हैं जिन्हें पुराने, कठोर मानचित्र पकड़ नहीं सकते। जब मानक उपकरण डेटा की जटिल वास्तविकता को फिट करने में विफल हो जाते हैं, तो वैज्ञानिकों को नए, अधिक लचीले मॉडल बनाने चाहिए जो सत्य के आकार के अनुसार मुड़ सकें।

यह वह क्षेत्र है जिसे सादिक अबूबकर इस्माइल और ताइवो याकुबू हसन ने खोजा है, जिन्होंने 'इनवर्स लोमैक्स फ्रेट' (Inverse Lomax Frechet) नामक एक नया गणितीय मॉडल तैयार किया है। उनका कार्य फ्रेट वितरण से शुरू होता है, जो हवा की गति या सामग्री की मजबूती जैसी चरम घटनाओं का वर्णन करने के लिए उपयोग किया जाने वाला एक क्लासिक उपकरण है। उपयोगी होने के बावजूद, मूल फ्रेट मॉडल का एक निश्चित आकार होता है जो जटिल उत्तरजीविता पैटर्न का वर्णन करने की इसकी क्षमता को सीमित करता है। इसे हल करने के लिए, शोधकर्ताओं ने फ्रेट वितरण को 'इनवर्स लोमैक्स जनरलाइज्ड' (Inverse Lomax Generalized) नामक मॉडलों के एक नए, अधिक अनुकूलन योग्य परिवार के साथ जोड़ा। इन दोनों को आपस में बुनकर, उन्होंने एक चार-पैरामीटर वाला मॉडल बनाया है जो एक अत्यधिक समायोज्य लेंस की तरह कार्य करता है। अपने सरल पूर्ववर्तियों के विपरीत, यह नया वितरण डेटा के विविध आकारों, जिनमें विफलता के जटिल, गैर-रेखीय पैटर्न शामिल हैं, के अनुरूप ढलने के लिए खिंच और सिकुड़ सकता है। शोधकर्ताओं ने न केवल इस नए आकार का प्रस्ताव दिया; उन्होंने इसकी गणितीय वैधता का कड़ाई से परीक्षण किया, यह सिद्ध किया कि यह एक सुदृढ़ प्रायिकता मॉडल है, और फिर इसके औसत व्यवहार, इसके माध्यिका (median), और किसी भी दिए गए क्षण में इसके विफल होने की संभावना की गणना करने के लिए विशिष्ट सूत्र निकाले।

यह सुनिश्चित करने के लिए कि यह नया मॉडल व्यवहार में काम करे, टीम ने इसे कंप्यूटर सिमुलेशन की एक श्रृंखला के माध्यम से परखा। उन्होंने ज्ञात गुणों वाले हजारों नकली डेटा सेट तैयार किए और मॉडल से सही सेटिंग्स खोजने को कहा। परिणाम स्पष्ट थे: जैसे-जैसे डेटा की मात्रा बढ़ी, मॉडल के अनुमान तेजी से सटीक होते गए, और वे सटीक वास्तविक मूल्यों पर स्थिर हो गए। इसने पुष्टि की कि मॉडल स्थिर और वास्तविक दुनिया के उपयोग के लिए विश्वसनीय है। शोधकर्ताओं ने अगला कदम उठाया, अपने नए वितरण को दो बहुत अलग वास्तविक डेटा सेटों पर लागू किया। पहले सेट ने 128 ब्लैडर कैंसर रोगियों के रेमिशन (रोग मुक्ति) के समय को ट्रैक किया, जो यह मापता था कि वे रोग से मुक्त रहने में कितने समय तक रहे। दूसरे सेट ने 64 ग्लास फाइबर की टूटने की मजबूती को रिकॉर्ड किया, जो सामग्री विज्ञान के लिए एक महत्वपूर्ण माप है। दोनों मामलों में, शोधकर्ताओं ने अपने नए 'इनवर्स लोमैक्स फ्रेट' मॉडल की तुलना तीन स्थापित प्रतिस्पर्धियों: मार्शल-ओल्किन फ्रेट, इनवर्स लोमैक्स और मानक फ्रेट वितरणों से की।

तुलना ने इस नए मॉडल के लिए एक स्पष्ट लाभ प्रकट किया। कैंसर रेमिशन डेटा पर फिट होने पर, इनवर्स लोमैक्स फ्रेट वितरण ने अन्य तीन विकल्पों की तुलना में काफी बेहतर मिलान प्रदान किया, जिसने रोगी के ठीक होने के समय की बारीकियों को अधिक सटीकता से पकड़ा। इसी तरह, ग्लास फाइबर स्ट्रेंथ डेटा पर लागू होने पर, इसने प्रतिस्पर्धा को पछाड़ दिया, और सामग्री के विफल होने के तरीके का अधिक सटीक और सघन विवरण प्रस्तुत किया। शोधकर्ताओं ने इन फिट्स का निर्णय लेने के लिए कई मानक सांख्यिकीय मापों का उपयोग किया, और हर मामले में, नया मॉडल सबसे अच्छा स्कोर करता है, जो दर्शाता कि यह काम के लिए सबसे कुशल और सटीक उपकरण था। अध्ययन यह निष्कर्ष निकालता है कि यह नया वितरण केवल एक सैद्धांतिक अभ्यास नहीं है बल्कि जीवन अवधि डेटा के विश्लेषण के लिए एक व्यावहारिक सुधार है। भौतिक दुनिया में अस्तित्व और विफलता की जटिल, अक्सर अप्रत्याशित प्रकृति को समझने के लिए वैज्ञानिकों और इंजीनियरों को एक अधिक लचीला तरीका प्रदान करके, यह एक तेज उपकरण प्रदान करता है।