Resumen

Este artículo estudia la estimación de los parámetros de la distribución generalizada de Gompertz basada en una muestra de conjuntos clasificados (RSS). Se consideran enfoques de máxima verosimilitud (ML) y bayesianos. Se construyen intervalos de confianza aproximados para los parámetros desconocidos utilizando tanto la aproximación normal a la distribución asintótica de los estimadores de ML como métodos de remuestreo (bootstrapping). Se obtienen estimaciones bayesianas e intervalos de credibilidad de los parámetros desconocidos utilizando la evolución diferencial de cadenas de Markov Monte Carlo y los métodos de Lindley. Los métodos propuestos se comparan a través de estudios de simulaciones de Monte Carlo y un ejemplo que emplea datos reales. El rendimiento de las estimaciones de ML y Bayes mejora bajo RSS en comparación con una muestra aleatoria simple (SRS) independientemente del tamaño de la muestra. Las estimaciones bayesianas superan a las estimaciones de ML para muestras pequeñas, mientras que ocurre lo contrario para muestras moderadas y grandes.

• Materias:Gestión de riesgos Pronóstico de la covolatilidad Modelo de crecimiento Estimación de la media Función de error
• Subjects:Risk management Covolatility forecasting Growth model Mean estimation Error function
• Palabras claves:Parámetros; Distribución Gompertz generalizada; Muestra de conjuntos clasificados; Máxima verosimilitud; Enfoques Bayesianos; Intervalos de confianza
• Keywords:Parameters; Generalized Gompertz distribution; Ranked-set sample; Maximum likelihood; Bayesian approaches; Confidence intervals