Inverse Lomax Frechet Distribution with Applications

In de wereld van techniek, geneeskunde en verzekeringen is het voorspellen van hoe lang iets zal meegaan een constante uitdaging. Of het nu gaat om een brug, een menselijk orgaan of een stuk glas, alles slijt uiteindelijk of faalt uiteindelijk. Om zin te geven aan deze onvermijdelijke achteruitgang, vertrouwen wetenschappers op wiskundige kaarten die waarschijnlijkheidsverdelingen worden genoemd. Dit zijn geen kaarten van land, maar van tijd en toeval, die beschrijven hoe waarschijnlijk het is dat een object tot een bepaits punt overleeft en dan breekt. Decennialang hebben onderzoekers een handvol standaardkaarten gebruikt, zoals de Fréchet-verdeling, om deze levensduur in kaart te brengen. Deze instrumenten werken goed voor eenvoudige gevallen waarbij het risico op falen ofwel gestaag toeneemt of gestaag afneemt. De echte wereld is echter zelden zo eenvoudig. Veel zaken worden geconfronteerd met complexe risico's die op onvoorspelbare manieren veranderen, buigend en draaiend in patronen die oude, rigide kaarten niet kunnen vastleggen. Wanneer de standaardinstrumenten er niet in slagen de rommelige realiteit van data te vatten, moeten wetenschappers nieuwe, flexibelere modellen bouwen die kunnen buigen naar de vorm van de waarheid.

Dit is het terrein dat wordt verkend door Sadiq Abubakar Ismaila en Taiwo Yakubu Hassan, die een nieuw wiskundig model hebben ontworpen genaamd de Inverse Lomax Fréchet-verdeling. Hun werk begint bij de Fréchet-verdeling, een klassiek hulpmiddel dat wordt gebruikt om extreme gebeurtenissen zoals windsnelheden of materiaalkracht te beschrijven. Hoewel nuttig, heeft het oorspronkelijke Fréchet-model een vaste vorm die zijn vermogen om complexe overlevingspatronen te beschrijven beperkt. Om dit op te lossen, hebben de onderzoekers de Fréchet-verdeling gecombineerd met een nieuwere, meer aanpasbare familie van modellen, bekend als de Inverse Lomax Generalized-familie. Door deze twee met elkaar te verweven, creëerden zij een vier-parametermodel dat werkt als een zeer aanpasbare lens. In tegen tegenstelling tot zijn eenvoudigere voorgangers, kan deze nieuwe verdeling rekken en krimpen om in een grote verscheidenheid aan datavormen te passen, inclusclusief die met complexe, niet-lineaire patronen van falen. De onderzoekers hebben dit nieuwe model niet alleen voorgesteld, maar hebben ook de wiskundige geldigheid ervan streng getest, waarmee zij bewezen hebben dat het een solide waarschijnlijkheidsmodel is, en hebben vervolgens de specifieke formules afgeleid die nodig zijn om het gemiddelde gedrag, de mediaan en de waarschijnlijkheid van falen op een gegeven moment te berekenen.

Om te garanderen dat dit nieuwe model in de praktijk werkt, heeft het team het onderworpen aan een reeks computersimulaties. Zij genereerden duizenden fictieve datasets met bekende eigenschappen en vroegen het model om de juiste instellingen te vinden. De resultaten waren duidelijk: naarmate de hoeveelheid data groeide, werden de schattingen van het model steeds nauwkeuriger en stabiliseerden ze zich precies op de ware waarden. Dit bevestigde dat het model stabiel en betrouwbaar is voor echt gebruik. De onderzoekers namen vervolgens de volgende stap door hun nieuwe verdeling toe te passen op twee zeer verschillende sets real-life data. De eerste set volgde de remissieperiodes van 128 blaaskankerpatiënten, waarbij werd gemeten hoe lang zij vrij bleven van de ziekte. De tweede set registreerde de breuksterkte van 64 glasvezels, een cruciale maatstaf voor materiaalkunde. In beide gevallen vergeleken de onderzoekers hun nieuwe Inverse Lomax Fréchet-model met drie gevestigde concurrenten: de Marshall-Olkin Fréchet-, de Inverse Lomax- en de standaard Fréchet-verdelingen.

De vergelijking onthulde een duidelijk voordeel voor het nieuwe model. Bij het fitten op de data van kankerremissie bood de Inverse Lomax Fréchet-verdeling een aanzienlijk betere match dan de andere drie opties, waarbij de nuances van de herstelperiodes van patiënten nauwkeuriger werden gevangen. Op dezelfde manier presteerde het bij de data van de breuksterkte van glasvezels beter dan de concurrentie, waarbij het een strakkere en preciezere beschrijving bood van hoe het materiaal faalde. De onderzoekers gebruikten verschillende standaard statistische maten om deze fits te beoordelen, en in elk geval scoorde het nieuwe model het best, wat aangaf dat het het meest efficiënte en nauwkeurige instrument voor de taak was. De studie concludeert dat deze nieuwe verdeling niet slechts een theoretische oefening is, maar een praktische verbetering voor het analyseren van lifetime-data. Door een flexibelere manier te bieden om te modelleren hoe dingen afbreken of herstellen, biedt het wetenschappers en ingenieurs een scherper instrument voor het begrijpen van de complexe, vaak onvoorspelbare aard van overleving en falen in de fysieke wereld.