Uma nova família alfa power-G usando função cosseno com aplicações e modelagem de regressão

Por que novas curvas conseguem contar melhores histórias de dados

De quanto tempo uma lâmpada dura até quanto tempo um paciente sobrevive após um tratamento, muitas questões do mundo real se reduzem a “quanto tempo até algo acontecer?” Estatísticos descrevem esses padrões com curvas matemáticas chamadas distribuições de probabilidade. Mas as curvas clássicas frequentemente têm dificuldade em acompanhar dados reais bagunçados, especialmente quando os riscos de falha aumentam, diminuem ou se curvam de maneiras inesperadas. Este artigo apresenta uma nova família de distribuições projetada para se ajustar de forma mais natural a esses padrões complexos, sem acrescentar muitos parâmetros ou complexidade.

Construindo uma curva mais inteligente a partir de peças familiares

Os autores combinam duas ideias existentes para formar uma família de distribuições mais flexível. O primeiro ingrediente, chamado transformação alpha power, permite ao estatístico ajustar quão assimétrica é uma curva e quão pesadas são suas caudas — isto é, com que frequência ocorrem valores muito grandes ou muito pequenos. O segundo ingrediente é uma transformação cosseno, uma função suave em forma de onda que pode remodelar uma curva sem adicionar novos parâmetros. Ao aplicar esses dois passos a uma distribuição “base” padrão, eles criam o que chamam de família cosine alpha power-generated (CAP-G). Essa estrutura pode ser aplicada a muitas distribuições conhecidas para produzir novas que combinam melhor com dados complicados.

Um cavalo de batalha versátil para tempos de vida e de espera

Para demonstrar a utilidade da abordagem, os autores concentram-se em um membro especial dessa família, construído a partir da amplamente usada distribuição de Weibull. Eles o chamam de modelo cosine alpha power-Weibull (CAP-W). A curva de Weibull já é favorita na engenharia e na medicina porque consegue captar riscos crescentes, decrescentes ou constantes ao longo do tempo. O CAP-W mantém essas qualidades e ganha ainda mais flexibilidade: suas formas podem ser simétricas ou fortemente enviesadas, suavemente decrescentes ou fortemente pontiagudas, e ele pode reproduzir uma rica variedade de padrões de risco, incluindo risco que aumenta de forma contínua, risco que diminui continuamente, risco em formato de J que cai e depois sobe, e o risco em “banheira invertida” que sobe antes de ceder. Tudo isso é controlado principalmente por um único parâmetro de transformação além dos parâmetros usuais da Weibull.

Olhando por dentro sem perder o foco prático

Nos bastidores, os autores desenvolvem as principais propriedades matemáticas da curva CAP-W. Eles deduzem fórmulas para seus quantis (valores como a mediana ou percentis-chave), seus momentos (que descrevem médias e variabilidade) e medidas do comportamento das caudas e da incerteza. Também mostram como calcular estatísticas de ordem, importantes ao observar os menores ou maiores valores em uma amostra. Para estimar os parâmetros do modelo a partir dos dados, comparam quatro técnicas padrão: máxima verossimilhança, mínimos quadrados ordinários, mínimos quadrados ponderados e um método de distância mínima chamado Cramér–von Mises. Por meio de extensas simulações por computador, constatam que os quatro métodos tornam-se mais precisos conforme aumentam os tamanhos das amostras, com máxima verossimilhança e mínimos quadrados ordinários geralmente apresentando melhor desempenho.

Colocando o novo modelo à prova

Para verificar se o CAP-W ajuda na prática, os autores o ajustam a quatro conjuntos de dados reais bem diferentes: tempos de espera de clientes em um banco, tempos de reparo de equipamentos de comunicação, tempos de sobrevida de pacientes com câncer de cabeça e pescoço, e falhas em sistemas de ar‑condicionado de aeronaves. Em cada caso, comparam o CAP-W com vários modelos concorrentes já considerados flexíveis. Usando medidas comuns de ajuste, o CAP-W consistentemente fica no topo ou muito próximo dele, e verificações gráficas mostram que suas curvas seguem os dados observados com particular fidelidade, tanto na massa da distribuição quanto nas caudas.

De distribuições a modelos de regressão completos

Os autores dão então um passo adicional ao incorporar a nova curva dentro de um quadro de regressão. Ao aplicar uma transformação logarítmica ao tempo de vida e reexpressar os parâmetros, eles constroem um modelo de regressão log CAP-W (LCAP-W). Isso permite relacionar o tempo de sobrevivência às características dos pacientes no mesmo espírito de modelos de sobrevivência familiares, mas com a flexibilidade adicional da forma CAP-W. Aplicado a um conjunto de dados clássico de leucemia, a regressão LCAP-W se ajusta notavelmente melhor que vários modelos rivais avançados, ao mesmo tempo que mantém ferramentas diagnósticas padrão, como gráficos de resíduos para verificar outliers e adequação do modelo.

O que isso significa para a análise de dados do mundo real

Para um não especialista, a conclusão é que este trabalho fornece uma nova família de curvas mais adaptável para descrever dados de tempo até o evento — quanto tempo até uma máquina quebrar, um cliente sair ou um tratamento falhar. Como o método reutiliza blocos de construção bem compreendidos e não se apoia em acrescentar muitos parâmetros, oferece tanto flexibilidade quanto interpretabilidade. O modelo CAP-W em particular pode reproduzir uma ampla gama de padrões de risco que modelos padrão podem não captar, e sua versão de regressão pode vincular esses padrões a preditores significativos. À medida que os dados se tornam mais ricos e complexos, ferramentas com flexibilidade de forma e ainda manejáveis como essa podem fornecer insights mais claros e confiáveis sobre como e quando os eventos ocorrem.

Citação: 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

Palavras-chave: modelagem de tempo de vida, distribuição de Weibull, análise de sobrevivência, modelos de regressão, distribuições de probabilidade