Modeling COVID-19 mortality data in four countries using odd generalized exponential Kumaraswamy-Inverse exponential distribution
Notice bibliographique
Résumé
This study aims to introduce an optimum model to assess the COVID-19 death rate in Saudi Arabia, Canada, Italy, and Mexico. A novel five-parameter lifetime distribution termed the Odd generalized exponential Kumaraswamy-inverse exponential distribution is presented by combining the Kumaraswamy-inverse exponential distribution with the odd generalized exponential generator. The theoretical features of the new distribution, as well as its reliability functions, moments, and order statistics are investigated. The odd generalized exponential Kumaraswamy-inverse exponential distribution is of special importance since its density has a variety of symmetric and asymmetric forms. Furthermore, the graphs of the hazard rate function exhibit various asymmetrical shapes such as decreasing, increasing, and upside-down bathtub shapes, and inverted J-shapes making The Odd generalized exponential Kumaraswamy-inverse exponential distribution suitable for modeling hazards behaviors more likely to be observed in practical settings like human mortality, and biological applications. The proposed distribution parameters are estimated using the maximum likelihood approach and its effectiveness is demonstrated through both numerical study and applications to four COVID-19 mortality rate data sets. The Odd generalized exponential Kumaraswamy-inverse exponential distribution provides the best fit to COVID-19 data compared to other extended forms of the Kumaraswamy and inverse exponential distributions which may attract wider applications in different fields.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».