Una nueva familia alfa power‑G usando la función coseno con aplicaciones y modelado de regresión

Por qué las nuevas curvas pueden contar mejores historias de datos

Desde cuánto dura una bombilla hasta cuánto sobrevive un paciente tras un tratamiento, muchas preguntas del mundo real se reducen a “¿cuánto tiempo hasta que ocurre algo?” Los estadísticos describen estos patrones con curvas matemáticas llamadas distribuciones de probabilidad. Pero las curvas clásicas a menudo tienen dificultades para seguir datos reales desordenados, especialmente cuando los riesgos de fallo suben, bajan o se curvan de formas inesperadas. Este artículo presenta una nueva familia de distribuciones diseñada para adaptarse de forma más natural a esos patrones complejos, sin añadir demasiados parámetros ni complicar el modelo.

Construir una curva más inteligente a partir de piezas familiares

Los autores combinan dos ideas existentes para formar una familia de distribuciones más flexible. El primer ingrediente, denominado transformación alfa power, permite al estadístico ajustar cuán asimétrica es una curva y cuán pesadas son sus colas—es decir, con qué frecuencia aparecen valores muy grandes o muy pequeños. El segundo ingrediente es una transformación coseno, una función suave con forma de onda que puede remodelar una curva sin añadir parámetros nuevos. Alimentando una distribución “base” estándar a través de ambos pasos, crean lo que denominan la familia cosine alpha power-generated (CAP-G). Este marco puede aplicarse a muchas distribuciones conocidas para producir nuevas que encajen mejor con datos complicados.

Un caballo de batalla versátil para tiempos de vida y de espera

Para mostrar la potencia de su enfoque, los autores se centran en un miembro especial de esta familia, construido a partir de la ampliamente usada distribución de Weibull. Lo llaman modelo cosine alpha power‑Weibull (CAP-W). La curva de Weibull ya es preferida en ingeniería y medicina porque puede capturar riesgos que aumentan, disminuyen o se mantienen constantes a lo largo del tiempo. CAP-W conserva estas fortalezas y gana aún más flexibilidad: sus formas pueden ser simétricas o fuertemente sesgadas, suavemente decrecientes o marcadamente picudas, y puede reproducir una amplia variedad de patrones de riesgo, incluidos riesgo que sube de forma continua, que baja de forma continua, riesgo en “forma de J” que baja y luego sube, y riesgo en “forma de bañera invertida” que sube antes de disminuir. Todo esto se controla principalmente mediante un solo parámetro de transformación además de los parámetros habituales de Weibull.

Ver bajo el capó sin perder el enfoque práctico

Detrás de escena, los autores desarrollan las principales propiedades matemáticas de la curva CAP-W. Derivan fórmulas para sus cuantiles (valores como la mediana o percentiles clave), sus momentos (que describen promedios y variabilidad) y medidas del comportamiento de la cola e incertidumbre. También muestran cómo calcular estadísticas de orden, importantes al mirar los valores más pequeños o más grandes en una muestra. Para estimar los parámetros del modelo a partir de datos, comparan cuatro técnicas estándar: máxima verosimilitud, mínimos cuadrados ordinarios, mínimos cuadrados ponderados y un método de distancia mínima llamado Cramér–von Mises. Mediante extensas simulaciones por ordenador, encuentran que los cuatro métodos mejoran en precisión conforme aumenta el tamaño muestral, siendo la máxima verosimilitud y los mínimos cuadrados ordinarios los que, en general, rinden mejor.

Poner a prueba el nuevo modelo

Para comprobar si CAP-W ayuda en la práctica, los autores lo ajustan a cuatro conjuntos de datos reales muy distintos: tiempos de espera de clientes en un banco, tiempos de reparación de equipos de comunicación, tiempos de supervivencia de pacientes con cáncer de cabeza y cuello, y fallos en sistemas de aire acondicionado de aeronaves. En cada caso comparan CAP-W con varios modelos competidores ya considerados flexibles. Usando medidas comunes de bondad de ajuste, CAP-W sale consistentemente como el mejor o muy cercano al mejor, y las comprobaciones gráficas muestran que sus curvas siguen de cerca los datos observados, tanto en la parte central de la distribución como en las colas.

De las distribuciones a modelos de regresión completos

Los autores dan luego un paso adicional insertando su nueva curva en un marco de regresión. Aplicando una transformación logarítmica a la vida útil y reexpresando los parámetros, construyen un modelo de regresión log CAP‑W (LCAP‑W). Esto les permite relacionar el tiempo de supervivencia con características de los pacientes en el mismo espíritu de modelos de supervivencia conocidos, pero con la flexibilidad adicional de la forma CAP‑W. Aplicado a un conjunto de datos clásico de leucemia, la regresión LCAP‑W ajusta de manera notablemente mejor que varios modelos rivales avanzados, al tiempo que sigue permitiendo herramientas diagnósticas estándar como gráficos de residuos para detectar valores atípicos y evaluar la adecuación del modelo.

Qué significa esto para el análisis de datos del mundo real

Para un público no especialista, la conclusión es que este trabajo aporta una nueva familia de curvas más adaptable para describir datos de tiempo hasta el evento—cuánto tarda en romperse una máquina, en marcharse un cliente o en fracasar un tratamiento. Debido a que el método reutiliza bloques constructivos bien entendidos y no depende de sobrecargar el modelo con parámetros, ofrece tanto flexibilidad como interpretabilidad. El modelo CAP‑W en particular puede reproducir una amplia gama de patrones de riesgo que los modelos estándar pueden pasar por alto, y su versión de regresión puede vincular esos patrones a predictores significativos. A medida que los datos se vuelven más ricos y complejos, herramientas así, flexibles en la forma pero manejables, pueden proporcionar ideas más claras y fiables sobre cómo y cuándo suceden los eventos.

Cita: Alghamdi, A.S., ALoufi, S.F. A new family of alpha power-G using cosine function with applications and regression modeling. Sci Rep 16, 6617 (2026). https://doi.org/10.1038/s41598-026-36324-5

Palabras clave: modelado de vida útil, distribución de Weibull, análisis de supervivencia, modelos de regresión, distribuciones de probabilidad