Discreta familia Gompertz-G de distribuciones para datos sobre y subdispersos con propiedades, estimación y aplicaciones
Autores: Eliwa, M. S.; Alhussain, Ziyad Ali; El-Morshedy, M.
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Discreta familia Gompertz-G de distribuciones para datos sobre y subdispersos con propiedades, estimación y aplicaciones
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Introducidas
Distribuciones
Familia Gompertz-G
Propiedades
Confiabilidad
Parámetros
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 25
Citaciones: Sin citaciones
Alizadeh et al. presentaron una familia flexible de distribuciones, llamada familia Gompertz-G. En este artículo, se propone un análogo discreto de la familia Gompertz-G. También se estudian algunas de sus propiedades de distribución y características de confiabilidad. Después de presentar la clase general, se discuten en detalle tres modelos especiales de la nueva familia. El método de máxima verosimilitud se utiliza para estimar los parámetros de la familia. Se realiza un estudio de simulación para evaluar el rendimiento de los parámetros de la familia. Finalmente, la flexibilidad de la nueva familia se ilustra mediante cuatro conjuntos de datos genuinos, y se encuentra que el modelo propuesto proporciona un mejor ajuste que las distribuciones competitivas.
Descripción
Alizadeh et al. presentaron una familia flexible de distribuciones, llamada familia Gompertz-G. En este artículo, se propone un análogo discreto de la familia Gompertz-G. También se estudian algunas de sus propiedades de distribución y características de confiabilidad. Después de presentar la clase general, se discuten en detalle tres modelos especiales de la nueva familia. El método de máxima verosimilitud se utiliza para estimar los parámetros de la familia. Se realiza un estudio de simulación para evaluar el rendimiento de los parámetros de la familia. Finalmente, la flexibilidad de la nueva familia se ilustra mediante cuatro conjuntos de datos genuinos, y se encuentra que el modelo propuesto proporciona un mejor ajuste que las distribuciones competitivas.