Una distribución de tipo Lindley para modelar datos con alta curtosis
Autores: Rojas, Mario A.; Iriarte, Yuri A.
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Una distribución de tipo Lindley para modelar datos con alta curtosis
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Distribución propuesta
Distribución de colas pesadas
Distribución de Lindley
Distribución beta
Estimación de parámetros
Método de momentos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 35
Citaciones: Sin citaciones
Este artículo propone una distribución de colas pesadas para modelar datos positivos. La propuesta surge con la razón de variables aleatorias independientes, específicamente, una distribución de Lindley dividida por una distribución beta. Esto conduce a una extensión de tres parámetros de la distribución de Lindley capaz de modelar altos niveles de curtosis. Se derivan las principales propiedades estructurales de la distribución propuesta. Se describe el comportamiento de la asimetría y la curtosis de la distribución. Se discute la estimación de parámetros teniendo en cuenta los métodos de momentos y máxima verosimilitud. Finalmente, para evitar el problema de no identificabilidad de parámetros, se deriva una versión de dos parámetros de la distribución propuesta. La utilidad de este caso especial se ilustra ajustando datos en dos escenarios reales.
Descripción
Este artículo propone una distribución de colas pesadas para modelar datos positivos. La propuesta surge con la razón de variables aleatorias independientes, específicamente, una distribución de Lindley dividida por una distribución beta. Esto conduce a una extensión de tres parámetros de la distribución de Lindley capaz de modelar altos niveles de curtosis. Se derivan las principales propiedades estructurales de la distribución propuesta. Se describe el comportamiento de la asimetría y la curtosis de la distribución. Se discute la estimación de parámetros teniendo en cuenta los métodos de momentos y máxima verosimilitud. Finalmente, para evitar el problema de no identificabilidad de parámetros, se deriva una versión de dos parámetros de la distribución propuesta. La utilidad de este caso especial se ilustra ajustando datos en dos escenarios reales.