A Novel Three-Parameter Extended Weibull Distribution for Health Data Modelling

Título: Uma Nova Distribuição Weibull Estendida de Três Parâmetros para Modelagem de Dados de Saúde

1. Problema e Motivação

A distribuição de Weibull é amplamente utilizada em confiabilidade, engenharia e ciências da saúde para modelar dados de tempo até evento. No entanto, a versão padrão de dois parâmetros possui limitações estruturais significativas:

• Falta de flexibilidade na cauda: Frequentemente falha em capturar estruturas de dados complexas e taxas de risco não monotônicas.
• Ajuste inadequado em eventos extremos: A insuficiência de flexibilidade na cauda resulta em um mau ajuste (poor fit) em situações extremas, que são de grande importância prática na modelagem de dados de saúde.
• Necessidade de novas extensões: Não existe uma única distribuição que se ajuste satisfatoriamente a todos os cenários, exigindo a introdução de novos parâmetros para aumentar a flexibilidade sem sacrificar a tratabilidade matemática.

2. Metodologia

Os autores propõem uma nova extensão da distribuição de Weibull, denominada SMPtW (SMP transformed Weibull), baseada no método de transformação SMP (introduzido por Rasool et al., 2025).

• Definição da Distribuição: A nova distribuição é gerada aplicando a transformação SMP a uma variável aleatória base $Y$ com função de distribuição acumulada (CDF) $G(y)$. A nova CDF e PDF (Função de Densidade de Probabilidade) dependem de três parâmetros: $\lambda$ (parâmetro de transformação), $\phi$ (parâmetro de forma) e $\beta$ (parâmetro de escala).
  • Quando $\lambda = 1$, a distribuição reduz-se à Weibull padrão.
  • Inclui submodelos como Exponencial e Rayleigh sob condições específicas.
• Derivação de Propriedades Estatísticas: O estudo derivou e analisou extensivamente diversas propriedades matemáticas da SMPtW, incluindo:
  • Funções de Sobrevivência e de Risco (Hazard).
  • Função Quantílica e Mediana.
  • Momentos, Função Geradora de Momentos (MGF) e Função Característica.
  • Moda, Tempo Médio de Espera e Vida Residual Média.
  • Confiabilidade Estresse-Resistência (Stress-Strength Reliability).
  • Estatísticas de Ordem e Entropia de Rényi.
• Estimação e Simulação:
  • Método de Estimação: Os parâmetros foram estimados utilizando o Método de Máxima Verossimilhança (MLE). Como não há formas fechadas para as equações de verossimilhança, foram utilizados métodos numéricos (como Newton-Raphson).
  • Geração de Números Aleatórios: Utilizou-se a abordagem de Transformação Inversa para gerar números aleatórios da distribuição.
  • Estudo de Simulação: Realizaram-se simulações com tamanhos de amostra variando de 50 a 1.000 e 1.000 iterações para avaliar o viés e o Erro Quadrático Médio (MSE) dos estimadores.

3. Contribuições Principais

• Novo Modelo Estatístico: Introdução da distribuição SMPtW, que oferece maior flexibilidade para modelar dados com caudas pesadas e comportamentos de risco não monotônicos.
• Análise Teórica Completa: Fornecimento de uma derivação rigorosa de propriedades estatísticas fundamentais que permitem a aplicação prática do modelo.
• Validação Empírica: Demonstração da superioridade do modelo em dados reais de saúde, comparando-o com cinco outros modelos concorrentes (Weibull padrão, Weibull Exponentiado, Weibull Transmutado, Weibull Sine Alpha Power e outros).

4. Resultados

• Desempenho na Simulação:
  • Os estimadores para os parâmetros de forma ($\phi$) e escala ($\beta$) mostraram-se consistentes, com viés e MSE decrescendo à medida que o tamanho da amostra aumentava.
  • O parâmetro de transformação ($\lambda$) apresentou maior viés e variabilidade em amostras pequenas e moderadas, convergindo mais lentamente, o que sugere desafios numéricos na estimação deste parâmetro específico.
• Aplicação em Dados Reais (Fratura):
  • O modelo foi aplicado a um conjunto de dados de 76 fraturas de fadiga de Kevlar 373/epoxy.
  • Métricas de Ajuste: A distribuição SMPtW obteve os melhores resultados em todos os critérios de informação: AIC (247.34), BIC, AICc e HQIC, superando todos os modelos concorrentes.
  • Estatística K-S: Apresentou o menor valor da estatística Kolmogorov-Smirnov (0.0881) e o maior valor de p (0.5668), indicando o melhor ajuste entre a função de distribuição acumulada empírica e a teórica.
  • Visualização: Os gráficos de densidade ajustada e resíduos da CDF confirmaram visualmente que a SMPtW captura melhor a estrutura dos dados, especialmente nas caudas, em comparação com os outros modelos.

5. Significância e Conclusão

• Flexibilidade Superior: A transformação SMP permite uma deformação mais flexível da distribuição base, adaptando-se melhor a variações no corpo central e nas caudas dos dados de saúde, onde as distribuições tradicionais falham.
• Recomendação Prática: O modelo SMPtW é recomendado como uma alternativa superior para modelar dados de saúde com caudas pesadas e estruturas complexas.
• Direções Futuras: O estudo destaca a necessidade de desenvolver técnicas de estimação robustas (como abordagens Bayesianas ou métodos robustos) para lidar com os desafios numéricos associados à estimação do parâmetro de transformação $\lambda$ em amostras menores.

Em suma, o artigo contribui significativamente para a literatura de extensões de distribuições, oferecendo uma ferramenta matemática robusta e validada empiricamente para analistas de dados de saúde e confiabilidade.