Kumaraswamy-Exponential分布(KEA)的统计性质、参数估计及蒙特卡洛模拟验证

《Journal of Radiation Research and Applied Sciences》：Kth-order equilibrium Ailamujia distribution: properties, simulation, and its applications to radiation data

　　

研究人员提出了一类新的两参数连续寿命分布——Kumaraswamy-Exponential分布(Kumaraswamy-Exponential Distribution, KEA)，其形状参数为k>0、尺度参数为ρ>0。KEA分布通过将Kumaraswamy变换作用于指数分布(Exponential Distribution)获得，具有闭合形式的CDF（Cumulative Distribution Function，累积分布函数）与PDF（Probability Density Function，概率密度函数）。本文推导了KEA分布的r阶原点矩(rthraw/origin moment)、不完全矩(Incomplete Moments, IMs)、条件矩(Conditional Moments, CMs)、逆矩(Inverse Moments)、均值剩余寿命(Mean Residual Life, MRL)与均值非活跃时间(Mean Inactivity Time, MIT)、多种广义熵测度包括Rényi熵(Rényi Entropy, RE)、Tsallis熵(Tsallis Entropy, TE)、Arimoto熵(Arimoto Entropy, AE)及Havrda-Charvát熵(Havrda-Charvát Entropy, HCE)、以及互补的extropy（Extropy）与加权extropy(Weighted Extropy)，同时给出了该分布的顺序统计量(Order Statistics)的密度与分布函数表达式。采用最大似然法(Maximum Likelihood Estimation, MLE)对参数进行估计，并通过Monte Carlo模拟在不同样本量(n=50~300)与三组参数组合下评估估计量的偏差(Bias)与均方误差(Mean Squared Error, MSE)。结果表明KEA分布能够灵活拟合不同偏态与衰减特征的数据，MLE估计随样本增大趋于稳定且偏差与MSE递减，验证了模型的统计推断有效性。

Kumaraswamy-Exponential(KEA)新分布及其统计性质与推断的研究解读

研究背景与意义

传统指数分布(Exponential Distribution, Exp)仅含单一尺度参数，难以刻画寿命数据中常见的单调失效率(hazard rate)变化及偏态异质性，而Gamma、Weibull等扩展形式有时缺乏解析上简洁的CDF/PDF或矩表达式。Kumaraswamy分布因具备可解析求逆、含双参数的灵活密度形式，常被用作构造新分布的合成工具。目前尚缺乏将Kumaraswamy族与指数分布结合形成KEA分布并系统探讨其各类矩、熵、extropy及顺序统计量的研究。为此，研究人员构建KEA分布并全面推导其统计理论性质与估计表现，以期为生存分析(survival analysis)、可靠性工程(reliability engineering)及信息熵应用提供更具柔性的建模工具。该文发表于Journal of Radiation Research and Applied Sciences。

主要关键技术方法

研究人员基于Kumaraswamy-G(x)=1?[1?G(x)^k]变换作用于标准Exp(ρ)的CDF G_E(y)=1?e^?ρy，导出KEA的PDF g_E(y;ρ,k)与CDF G_E(y;ρ,k)；利用Γ函数与不完全Γ函数(lower/upper incomplete gamma function: γ(a,x), Γ(a,x))推导r阶矩、不完全矩κ_s(t)、条件矩E(Y^s|Y>t)、逆矩μ'_?r、MRL(t)与MIT(t)；展开(1+t)^?二项式级数求Rényi/Tsallis/Arimoto/Havrda-Charvát熵及extropy表达式；给出第i顺序统计量的PDF与CDF通式；采用最大似然估计(MLE)构建对数似然函数并求解非线性方程组（Newton–Raphson法），以Monte Carlo模拟重复1000次生成三组参数组合(ρ,k)=(0.5,0.5),(1,2),(3,4)不同样本量数据，计算平均估计值、Bias与MSE评价估计效果。

研究结果

3.1. Probability density and cumulative distribution functions

研究人员将Kumaraswamy变换作用于Exp(ρ)得KEA分布PDF：g_E(y)=kρ^ky^k?1(1+ρy) e^?ρy/ Γ(k+2)，y>0；CDF：G_E(y)=k[γ(k,ρy)+γ(k+1,ρy)]/Γ(k+2)，其中γ(·)为不完全Γ函数。SF(生存函数)R_E(y)=1?G_E(y)。验证了PDF积分为1，形式闭合且含形状与尺度调节能力。

3.2. Moments

r阶原点矩E(Y^r)=k Γ(r+k) [1/(ρ^rΓ(k)) + 1/(ρ^rΓ(k+1))] = k Γ(r+k)(Γ(k)+Γ(k+1))/(ρ^rΓ(k)Γ(k+2))，要求k+r>0。由此得均值E(Y)=k(k+1)/(ρ(k+2))，方差可相应算出，说明分布能体现多种变异程度。

3.3. Incomplete moments

不完全矩κ_s(t)=E(Y^s|Y< />^?s/(Γ(k+2))][γ(s+k,ρt)+γ(s+k+1,ρt)]，用于阈值下行为分析。

3.4. Conditional moments

条件矩E(Y^s|Y>t)= η_s(t)/R_E(t)，η_s(t)=[k ρ^?s/(Γ(k+2))][Γ(s+k,ρt)+Γ(s+k+1,ρt)]，Γ(a,x)为上不完全Γ函数，反映右尾条件期望。

3.5. Inverse moments

r阶逆矩E(Y^?r)=k(k?r+1) ρ^rΓ(k?r)/Γ(k+2)，要求k>r，可用于小值敏感情形。

3.6. Mean residual life

MRL(t)=E(Y?t|Y>t)= ?t + [Γ(k+1,ρt)+Γ(k+2,ρt)] / {ρ[Γ(k,ρt)+Γ(k+1,ρt)]}，t>0。随参数增呈递减趋势。

3.7. Mean inactivity time

MIT(t)=E(Y|Y₁(t)/G_E(t)，随参数增呈递增趋势。

3.8. Entropy

Rényi熵RE(?)=1/(1??) ln{ [k^?/(ρ^1??Γ^?(k+2))] ∑_j=0^?C(?,j) Γ(?(k?1)+j+1)/?^{?(k?1)+j+1> }，?>0,?≠1。类似得Tsallis熵TE(?)、Arimoto熵AE(?)、Havrda-Charvát熵HCE(?)，数值表显示各熵随ρ,k变化规律。}

3.9. Extropy

普通extropy χ(y)=?? ∫ g_E²(y)dy = ? [2^?1?2kk³(3+2k) ρ Γ(2k?1)] / Γ²(k+2)；加权extropy χ^w(y)= ? [2^?3?2kk(k+2) Γ(2k+2)] / Γ²(k+2)。

3.10. Order statistics

第r顺序统计量PDF：g_r:n(y)= [n!/((r?1)!(n?r)!)] g_E(y) G_E^r?1(y) R_E^n?r(y)；CDF：G_r:n(y)=∑_j=rⁿC(n,j) G_E^j(y) R_E^n?j(y)，均代入KEA的G_E、R_E表达式。

4. Parameters estimation

对数似然?=n ln k + kn ln ρ ? n ln Γ(k+2) + (k?1)∑ ln y_i+ ∑ ln(1+ρy_i) ? ρ∑ y_i。偏导??/?ρ= kn/ρ? ? ∑y_i+ ∑ y_i/(1+ρ? y_i)=0；??/?k= n/k? + n ln ρ? ? n ψ(k?+2) + ∑ ln y_i=0，ψ(·)为digamma函数。用Newton–Raphson迭代求MLE。

Monte Carlo模拟显示：随样本量增大，ρ?与k?的Bias与MSE均减小，估计趋真值，证明MLE对KEA分布是相合与有效的。

讨论与结论

研究人员成功构造了两参数KEA分布并系统推导了其PDF/CDF、各阶矩、不完全矩、条件矩、逆矩、MRL、MIT、四种广义熵(Rényi/Tsallis/Arimoto/Havrda-Charvát)、extropy与加权extropy、顺序统计量解析式。MLE通过数值算法可获得，模拟验证估计性质良好。KEA分布兼具形式简洁性与形状灵活性，可作为生存分析与可靠性中指数分布的替代模型。结论为：The KEA distribution is a flexible alternative to the exponential model, with explicit expressions for moments, entropies, extropies and order statistics, and MLE performs satisfactorily as confirmed by Monte Carlo simulation.