Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Estimación de Máxima Verosimilitud y Bayes en la Distribución Geométrica con Censura Aleatoria
En este artículo, estudiamos la distribución geométrica bajo datos censurados de forma aleatoria. Se derivan estimadores de máxima verosimilitud e intervalos de confianza basados en la matriz de información de Fisher para los parámetros desconocidos con datos censurados de forma aleatoria. También se desarrollan estimadores de Bayes utilizando priors beta bajo funciones de pérdida de entropía generalizada y LINEX. Además, se obtienen intervalos creíbles bayesianos y de densidad de probabilidad posterior más alta (HPD) para los parámetros. Se analizan también el tiempo esperado en prueba y las características de confiabilidad en este artículo. Para comparar varios estimadores desarrollados en el artículo, se realiza un estudio de simulación de Monte Carlo. Por último, con fines ilustrativos, se discute un conjunto de datos reales censurados de forma aleatoria.
Autores: Krishna, Hare; Goel, Neha
Idioma: Inglés
Editor: Hindawi
Año: 2017
Disponible con Suscripción Virtualpro
Artículos
Categoría
Gestión y administración
Licencia
Atribución – Compartir igual
Consultas: 9
Citaciones: Sin citaciones
Hindawi
Journal of Probability and Statistics
Volume , Article ID 4860167, 12 pages
https://doi.org/10.1155/2017/4860167
Krishna Hare0, Goel Neha0
Department of Statistics IndiaAcademic Editor: Cho Hyungjun
Contact: @hindawi.com
En este artículo, estudiamos la distribución geométrica bajo datos censurados de forma aleatoria. Se derivan estimadores de máxima verosimilitud e intervalos de confianza basados en la matriz de información de Fisher para los parámetros desconocidos con datos censurados de forma aleatoria. También se desarrollan estimadores de Bayes utilizando priors beta bajo funciones de pérdida de entropía generalizada y LINEX. Además, se obtienen intervalos creíbles bayesianos y de densidad de probabilidad posterior más alta (HPD) para los parámetros. Se analizan también el tiempo esperado en prueba y las características de confiabilidad en este artículo. Para comparar varios estimadores desarrollados en el artículo, se realiza un estudio de simulación de Monte Carlo. Por último, con fines ilustrativos, se discute un conjunto de datos reales censurados de forma aleatoria.
Descripción
En este artículo, estudiamos la distribución geométrica bajo datos censurados de forma aleatoria. Se derivan estimadores de máxima verosimilitud e intervalos de confianza basados en la matriz de información de Fisher para los parámetros desconocidos con datos censurados de forma aleatoria. También se desarrollan estimadores de Bayes utilizando priors beta bajo funciones de pérdida de entropía generalizada y LINEX. Además, se obtienen intervalos creíbles bayesianos y de densidad de probabilidad posterior más alta (HPD) para los parámetros. Se analizan también el tiempo esperado en prueba y las características de confiabilidad en este artículo. Para comparar varios estimadores desarrollados en el artículo, se realiza un estudio de simulación de Monte Carlo. Por último, con fines ilustrativos, se discute un conjunto de datos reales censurados de forma aleatoria.