En este documento, se considera la inferencia bajo datos de riesgo competitivo dependientes con múltiples causas de falla. Discutimos tanto métodos clásicos como bayesianos para estimar los parámetros del modelo bajo la suposición de que los datos se observan bajo censura híbrida progresiva generalizada. Los estimadores de máxima verosimilitud de los parámetros del modelo se obtienen cuando las ocurrencias de falla latente siguen una distribución de Pareto exponenciada invertida bivariada. Se establecen las propiedades de existencia y unicidad asociadas a estos estimadores. También se construyen estimadores de intervalo asintóticos. Además, se derivan estimaciones bayesianas e intervalos de densidad posterior más altos utilizando priors flexibles. Se propone un algoritmo de muestreo de Monte Carlo para los cálculos posteriores. El rendimiento de todos los métodos propuestos se evalúa a través de simulaciones extensas. Además, también se presenta un ejemplo de la vida real para ilustrar las aplicaciones prácticas de nuestros procedimientos inferenciales.