Inverse Lomax Frechet Distribution with Applications

No mundo da engenharia, da medicina e dos seguros, prever quanto tempo algo durará é um desafio constante. Quer seja uma ponte, um órgão humano ou um pedaço de vidro, tudo eventualmente se desgasta ou falha. Para dar sentido a esse declínio inevitável, os cientistas baseiam-se em mapas matemáticos chamados distribuições de probabilidade. Estes não são mapas de terra, mas de tempo e acaso, descrevendo a probabilidade de um objeto sobreviver até um certo ponto e depois quebrar. Durante décadas, os investigadores utilizaram um punhado de mapas padrão, como a distribuição de Fréchet, para mapear estas vidas. Estas ferramentas funcionam bem para casos simples onde o risco de falha aumenta ou diminui de forma constante. No entanto, o mundo real raramente é tão simples. Muitas coisas enfrentam riscos complexos que mudam de formas imprevisíveis, dobrando-se e retorcendo-se em padrões que os antigos e rígidos mapas não conseguem capturar. Quando as ferramentas padrão falham em ajustar-se à realidade desordenada dos dados, os cientistas devem construir novos modelos mais flexíveis, que possam moldar-se à forma da verdade.

Este é o território explorado por Sadiq Abubakar Ismaila e Taiwo Yakubu Hassan, que criaram um novo modelo matemático chamado distribuição Inverse Lomax Fréchet. O seu trabalho começa com a distribuição de Fréchet, uma ferramenta clássica utilizada para descrever eventos extremos, como velocidades do vento ou resistência de materiais. Embora útil, o modelo de Fréchet original possui uma forma fixa que limita a sua capacidade de descrever padrões de sobrevivência complexos. Para resolver isto, os investigadores combinaram a distribuição de Fréchet com uma família de modelos mais recente e adaptável, conhecida como família Inverse Lomax Generalized. Ao tecer estas duas, criaram um modelo de quatro parâmetros que atua como uma lente altamente ajustável. Ao contrário dos seus predecessores mais simples, esta nova distribuição pode esticar-se e encolher-se para se ajustar a uma grande variedade de formas de dados, incluindo aqueles com padrões de falha não lineares e complexos. Os investigadores não se limitaram a propor esta nova forma; eles testaram rigorosamente a sua validade matemática, provando que é um modelo de probabilidade sólido, e derivaram as fórmulas específicas necessárias para calcular o seu comportamento médio, a sua mediana e a probabilidade de falhar num determinado momento.

Para garantir que este novo modelo funciona na prática, a equipa submeteu-o a uma série de simulações computacionais. Eles geraram milhares de conjuntos de dados fictícios com propriedades conhecidas e pediram ao modelo que encontrasse as configurações corretas. Os resultados foram claros: à medida que a quantidade de dados crescia, as estimativas do modelo tornavam-se cada vez mais precisas, estabilizando-se precisamente nos valores reais. Isto confirmou que o modelo é estável e fiável para uso no mundo real. Os investigadores deram então o próximo passo, aplicando a sua nova distribuição a dois conjuntos de dados muito diferentes da vida real. O primeiro conjunto acompanhou os tempos de remissão de 128 pacientes com cancro da bexiga, medindo quanto tempo permaneceram livres da doença. O segundo registou a resistência à quebra de 64 fibras de vidro, uma medida crítica para a ciência dos materiais. Em ambos os casos, os investigadores compararam o seu novo modelo Inverse Lomax Fréchet com três concorrentes estabelecidos: as distribuições Marshall-Olkin Fréchet, Inverse Lomax e a distribuição de Fréchet padrão.

A comparação revelou uma vantagem distinta para o novo modelo. Quando ajustado aos dados de remissão de cancro, a distribuição Inverse Lomax Fréchet proporcionou um ajuste significativamente melhor do que as outras três opções, capturando as nuances dos tempos de recuperação dos pacientes de forma mais precisa. Da mesma forma, quando aplicada aos dados de resistência de fibras de vidro, superou a concorrência, oferecendo uma descrição mais apertada e precisa de como o material falhava. Os investigadores utilizaram várias medidas estatísticas padrão para julgar estes ajustes e, em todos os casos, o novo modelo obteve a melhor pontuação, indicando que era a ferramenta mais eficiente e precisa para o trabalho. O estudo conclui que esta nova distribuição não é apenas um exercício teórico, mas uma melhoria prática para analisar dados de sobrevivência. Ao oferecer uma forma mais flexível de modelar como as coisas se degradam ou recuperam, fornece aos cientistas e engenheiros uma ferramenta mais afiada para compreender a natureza complexa e, muitas vezes, imprevisível da sobrevivência e da falha no mundo físico.