Inverse Lomax Frechet Distribution with Applications

Nel mondo dell'ingegneria, della medicina e delle assicurazioni, prevedere quanto durerà qualcosa è una sfida costante. Che si tratti di un ponte, di un organo umano o di un pezzo di vetro, tutto alla fine si usura o cede. Per dare un senso a questo declino inevitabile, gli scienziati si affidano a mappe matematiche chiamate distribuzioni di probabilità. Queste non sono mappe di territori, ma di tempo e caso, che descrivono quanto sia probabile che un oggetto sopravviva fino a un certo punto per poi rompersi. Per decenni, i ricercatori hanno utilizzato un manipolo di mappe standard, come la distribuzione di Fréchet, per tracciare queste durate. Questi strumenti funzionano bene per casi semplici in cui il rischio di guasto aumenta o diminuisce costantemente. Tuttavia, il mondo reale è raramente così semplice. Molte cose affrontano rischi complessi che cambiano in modi imprevedibili, piegandosi e torcendo in schemi che le vecchie, rigide mappe non possono catturare. Quando gli strumenti standard falliscono nel adattarsi alla realtà disordinata dei dati, gli scienziati devono costruire nuovi modelli più flessibili, capaci di piegarsi alla forma della verità.

Questo è il territorio esplorato da Sadiq Abubakar Ismaila e Taiwo Yakubu Hassan, che hanno elaborato un nuovo modello matematico chiamato distribuzione Inverse Lomax Fréchet. Il loro lavoro parte dalla distribuzione di Fréchet, uno strumento classico usato per descrivere eventi estremi come la velocità del vento o la resistenza dei materiali. Sebbene utile, il modello di Fréchet originale ha una forma fissa che ne limita la capacità di descrivere schemi di sopravvivenza complessi. Per risolvere questo problema, i ricercatori hanno combinato la distribuzione di Fréchet con una famiglia di modelli più recente e adattabile, nota come famiglia generalizzata Inverse Lomax. Unendo questi due elementi, hanno creato un modello a quattro parametri che agisce come una lente altamente regolabile. A differenza dei suoi predecessori più semplici, questa nuova distribuzione può allungarsi e restringersi per adattarsi a una vasta gamma di forme di dati, inclusi schemi di guasto non lineari e complessi. I ricercatori non si sono limitati a proporre questa nuova forma; hanno testato rigorosamente la sua validità matematica, dimostrando che è un modello di probabilità solido, e hanno poi derivato le formule specifiche necessarie per calcolare il suo comportamento medio, la sua mediana e la probabilità che fallisca in un dato momento.

Per garantire che questo nuovo modello funzioni nella pratica, il team lo ha sottoposto a una serie di simulazioni al computer. Hanno generato migliaia di set di dati fittizi con proprietà note e hanno chiesto al modello di trovare le impostazioni corrette. I risultati sono stati chiari: man mano che la quantità di dati cresceva, le stime del modello diventavano sempre più accurate, assestandosi precisamente sui valori reali. Ciò ha confermato che il modello è stabile e affidabile per l'uso nel mondo reale. I ricercatori hanno poi compiuto il passo successivo, applicando la loro nuova distribuzione a due set molto diversi di dati reali. Il primo set monitorava i tempi di remissione di 128 pazienti con cancro alla vescica, misurando quanto tempo rimanevano liberi dalla malattia. Il secondo set registrava la resistenza alla rottura di 64 fibre di vetro, una misura critica per la scienza dei materiali. In entrambi i casi, i ricercatori hanno confrontato il loro nuovo modello Inverse Lomax Fréchet con tre concorrenti stabiliti: le distribuzioni Marshall-Olkin Fréchet, Inverse Lomax e Fréchet standard.

Il confronto ha rivelato un netto vantaggio per il nuovo modello. Quando applicata ai dati sulla remissione del cancro, la distribuzione Inverse Lomax Fréchet ha fornito un adattamento significativamente migliore rispetto alle altre tre opzioni, catturando con maggiore precisione le sfumature dei tempi di recupero dei pazienti. Allo stesso modo, quando applicata ai dati sulla resistenza delle fibre di vetro, ha superato la concorrenza, offrendo una descrizione più stretta e precisa di come il materiale cedeva. I ricercatori hanno utilizzato diverse misure statistiche standard per giudicare questi adattamenti e, in ogni caso, il nuovo modello ha ottenuto il punteggio migliore, indicando che era lo strumento più efficiente e accurato per il compito. Lo studio conclude che questa nuova distribuzione non è solo un esercizio teorico, ma un miglioramento pratico per l'analisi dei dati sulla durata. Offrendo un modo più flessibile per modellare come le cose si degradano o si riprendono, fornisce agli scienziati e agli ingegneri uno strumento più affilato per comprendere la natura complessa e spesso imprevedibile della sopravvivenza e del guasto nel mondo fisico.