Resumen

El problema de la inferencia estadística bajo muestras conjuntas censuradas ha recibido considerable atención en los últimos años. En este artículo, adoptamos este problema cuando las unidades bajo prueba fallan con diferentes causas de fallo, lo cual es conocido por el modelo de riesgos competitivos. El modelo se formula teniendo en cuenta que solo hay dos causas independientes de fallo y las unidades son recolectadas de dos líneas de producción, con su vida distribuida con la distribución de vida Burr XII. Así, bajo muestras conjuntas de riesgos competitivos de Tipo-I, obtuvimos los estimadores de máxima verosimilitud (ML) y Bayes. Se discute la estimación por intervalos a través de intervalos de confianza asintóticos, intervalos de confianza bootstrap y intervalos creíbles de Bayes. Los cálculos numéricos que describen la calidad de los resultados teóricos se discuten en forma de datos reales analizados y un estudio de simulación de Monte Carlo. Finalmente, se discuten y enumeran los resultados numéricos a través de algunos puntos como un breve comentario.

• Materias:Internet de las cosas Algoritmo iterativo Algoritmo de evaluación Viga viscoelástica Lenguaje de programación
• Subjects:Internet of things Iterative algorithm Evaluation algorithm Viscoelastic beam Programming language
• Palabras claves:Inferencia estadística; Muestras con censura conjunta; Modelo de riesgos competitivos; Máxima verosimilitud; Estimadores de Bayes; Estimación por intervalos
• Keywords:Statistical inference; Joint censoring samples; Competing risks model; Maximum likelihood; Bayes estimators; Interval estimation