Eigenschaften und Inferenz der Pareto–Lomax-Verteilung mit Anwendungen auf reale Daten

Warum flexible Risikokurven wichtig sind

Wenn Ärztinnen und Ärzte verfolgen, wie lange Krebspatienten in Remission bleiben, oder Ingenieurinnen und Ingenieure messen, wie lange Materialien halten, bevor sie versagen, stützen sie sich auf statistische Kurven, um das Risiko über die Zeit zusammenzufassen. Viele dieser Kurven nehmen an, dass das Risiko entweder stetig steigt oder fällt. Die Wirklichkeit ist jedoch komplexer: Gefahr kann früh ansteigen, sich abflachen oder spät im Leben wieder zunehmen. Dieses Papier stellt ein neues mathematisches Werkzeug vor — die odd Pareto–Lomax (OPLx)-Verteilung — das entwickelt wurde, um diese komplexen Muster treuer abzubilden und Forscherinnen und Forschern zu helfen, extreme Ereignisse und Ausfallzeiten in Medizin, Technik, Finanzen und anderen datenreichen Bereichen besser zu beschreiben.

Eine neue Möglichkeit, seltene Ereignisse zu erfassen

Im Zentrum der Studie steht ein klassisches Modell, die Lomax-Verteilung, die lange zur Darstellung schwerverteilten Daten verwendet wird, bei denen seltene, aber sehr große Ausprägungen — etwa enorme Versicherungsschäden oder sehr lange Überlebenszeiten — häufiger vorkommen als einfache Modelle vorhersagen. Die Autorinnen und Autoren bauen auf dieser Grundlage auf, indem sie eine breitere Familie von Kurven einflechten, die als odd Pareto–G-Familie bekannt ist. Diese Kombination fügt dem ursprünglichen Lomax-Modell zwei zusätzliche „Form“-Regler hinzu und schafft so die vierparameterige OPLx-Verteilung. Mit diesen zusätzlichen Freiheitsgraden kann das neue Modell eine große Vielfalt von Kurvenformen darstellen, einschließlich stetig abnehmendem Risiko, stetig steigendem Risiko, einkuppigen (unimodalen) Mustern sowie J-förmigen und umgekehrt J-förmigen Verläufen, die in realen Lebensdauer-Daten häufig vorkommen.

Ein Blick unter die mathematische Haube

Das Papier untersucht ausführlich das Verhalten dieser neuen Verteilung. Die Autorinnen und Autoren leiten Formeln her, die ihre Wahrscheinlichkeitsdichte, die Wahrscheinlichkeit, dass eine Lebensdauer kürzer als eine gegebene Zeit ist, und die Hazard-Rate — das unmittelbare Ausfallrisiko — beschreiben. Sie zeigen, dass sich die OPLx-Kurve als Mischung einfacher Lomax-Kurven schreiben lässt, was es ermöglicht, viele bekannte mathematische Resultate wiederzuverwenden. Sie berechnen numerische Kennwerte wie die mittlere Lebensdauer, deren Variabilität sowie Maße für Schiefe und Spitzigkeit. Diese Rechnungen zeigen, dass die OPLx-Verteilung besonders gut geeignet ist, stark rechtsschiefe Daten darzustellen, bei denen die meisten Beobachtungen klein sind, aber ein paar sehr große Werte die Schwanzverteilung ausdehnen.

Vergleich verschiedener Schätzverfahren

Um Theorie in Praxis zu überführen, müssen die vier OPLx-Parameter aus realen Daten geschätzt werden. Die Autorinnen und Autoren vergleichen systematisch acht verschiedene Schätzstrategien, von der weit verbreiteten Maximum-Likelihood-Methode bis hin zu Ansätzen auf Basis von kleinsten Quadraten, Abständen zwischen Datenpunkten und Anpassungsmaßen, die dem Zentrum oder den Rändern der Verteilung zusätzliches Gewicht geben. Mithilfe umfangreicher Computersimulationen mit tausenden synthetischer Datensätze unter vielen Parametereinstellungen und Stichprobengrößen verfolgen sie, wie weit die Schätzungen der einzelnen Methoden von den wahren Werten abweichen und wie variabel sie sind. Die Ergebnisse zeigen, dass sich alle Methoden mit zunehmender Datenmenge verbessern, aber Verfahren, die der rechten Schwanzseite mehr Gewicht geben — insbesondere der Right-tail Anderson–Darling (RADE)-Ansatz — tendenziell genauer und stabiler sind, insbesondere bei moderaten Stichprobengrößen.

Das Modell im Praxistest

Die Autorinnen und Autoren testen die OPLx-Verteilung anschließend an drei sehr unterschiedlichen Datensätzen: Remissionszeiten von Blasenkrebspatienten, Überlebenszeiten von Meerschweinchen, die mit Tuberkulose infiziert wurden, und die Ermüdungslebensdauer eines Verbundwerkstoffs unter hoher Belastung. Für jeden Datensatz vergleichen sie die OPLx mit einer Reihe konkurrierender Modelle, darunter viele Verfeinerungen der Lomax-Verteilung sowie bewährte Standardmodelle wie die Weibull- und Gamma-Verteilungen. Anhand eines Katalogs diagnostischer Werkzeuge — Informationskriterien, die übermäßig komplexe Modelle bestrafen, Distanzmaße, die angepasste Kurven mit den Daten vergleichen, und Kolmogorov–Smirnov-Tests — schneidet das OPLx-Modell durchgängig am besten ab. Es passt sowohl den Großteil der Daten als auch das Verhalten im extremen Schwanz besser als seine Konkurrenten, ein Befund, der durch visuelle Prüfungen wie angepasste Kurven und Quantil–Quantil-Plots bestätigt wird.

Was das für alltägliche Entscheidungen bedeutet

Einfach ausgedrückt bietet diese Arbeit eine flexiblere und genauere Linse zur Betrachtung von Risiken, die sich über die Zeit entfalten, insbesondere wenn seltene, aber folgenschwere Ereignisse von Bedeutung sind. Indem die Risikokurve viele Formen annehmen kann und der Fokus auf den Extremen liegt, kann die odd Pareto–Lomax-Verteilung Zuverlässigkeitsstudien von Materialien, Überlebensanalysen in der Medizin, Bewertungen finanzieller Verluste und sogar maschinelles Lernen stärken, das Ausreißer beachten muss, etwa bei Betrugserkennung oder früher Fehlerdiagnose. Die Autorinnen und Autoren zeigen, dass diese neue Kurve nicht nur reale Daten besser beschreibt als viele bestehende Optionen, sondern dass es auch praktikable, leistungsfähige Methoden gibt, sie zu schätzen. Damit stellt die OPLx-Verteilung eine starke neue Ergänzung des statistischen Werkzeugsatzes dar, um zu verstehen, wie und wann Dinge versagen.

Zitation: Afify, A.Z., Mahran, H.A., Alqawba, M. et al. Properties and inference of the Pareto Lomax distribution with applications to real data. Sci Rep 16, 9082 (2026). https://doi.org/10.1038/s41598-026-43273-6

Schlüsselwörter: schwerverteilte Daten, Lebensdauer-Modellierung, Risiko und Zuverlässigkeit, Überlebensanalyse, extreme Ereignisse