##plugins.themes.bootstrap3.article.main##

Cesar Ojeda Luz Adriana Pereira

Resumen

En este trabajo se analiza el desempeño de los métodos aproximación normal y bootstrap paramétrico para la estimación por intervalos de los parámetros de la distribución Weibull en dieciocho escenarios simulados, en los cuales bajo diferentes tamaños de muestra se valora el efecto del parámetro de forma $\beta$, en la estimación por intervalos para el parámetro de escala $\eta$ de la distribución Weibull, de igual manera se varía el parámetro de escala en la estimación por intervalos para el parámetro de forma. Se encuentra en los escenarios simulados que los intervalos de confianza construidos bajo aproximación bootstrap presentaron un mejor comportamiento que los obtenidos por aproximación normal en cuanto a la probabilidad de cobertura y longitud mediana. Los intervalos de confianza al $(1-\alpha)\times 100\%$ por aproximación normal para $\beta$ resultaron asimétricos con respecto al error $\alpha$. En ambos métodos de estimación se evidencia que para $\beta \geq 2$ los intervalos de confianza para el parámetro $\eta$ disminuyen la longitud.

##plugins.themes.bootstrap3.article.details##

Palabras Clave

distribución de valores extremos mínimos, distribución Weibull, intervalo de confianza, probabilidad de cobertura..

Referencias
Coles, S. (2001), An introduction to statistical modeling of extreme values, Springer.
Cousineau, D. (2009), `Fitting the three-parameter weibull distribution: review and evaluation of existing and new methods', IEEE Transactions on Dielectrics and Electrical Insulations 16(1), 281{288.
Doganaksoy, N. (1995), Recent advances in life-testing and reliability, CRC Press, chapter Likelihood ratio con
dence intervals in life data analysis, pp. 337{408.
Efron, B. (1985), `Bootstrap condence intervals for a class of parametric problems', Biometrika 72(1), 45{85.
Heernan, J. E. & Stephenson, A. G. (2016), ismev: An Introduction to Statistical Modeling of Extreme Values. R package version 1.41.*https://CRAN.R-project.org/package=ismev
Jeng, S. & Meeker, W. (2000), `Comparisons of approximate condence interval procedures for type i censored data, Technometrics 42(2), 135{148.
Knaus, J. (2015), snowfall: Easier cluster computing (based on snow). R package version 1.84-6.1. *https://CRAN.R-project.org/package=snowfal
Koehler, E., Brown, E. & Haneuse, S. (2009), `On the assessment of monte carlo error in simulation-based statistical analyses', The American Statistician 63(2), 155{162.
Meeker, W. & Escobar, L. (1998), Statistical Methods for Reliability Data, JohnWiley and Sons, Inc.
Ostrouchov, G. & Meeker, W. (1988), `Accuracy of approximate condence bounds computed from interval censored weibull and lognormal data', Journal of Statistical Computing and Simulations29(1), 43{76.
Roth, T. (2016), qualityTools: Statistics in Quality Science.R package version 1.55.*http://www.r-qualitytools.org
Team, R. C. (2017), R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna, Austria.*http://www.R-project.org/
Therneau, T. M. (2015), A Package for Survival Analysis in S. version 2.38.*https://CRAN.R-project.org/package=survival
Therneau, T. M. & Grambsch, P. M. (2000), Modeling Survival Data: Extendingthe Cox Model, Springer, New York.
Vander Weil, S. & Meeker, W. (1990), `Accuracy of approximate condence boundsusing censored weibull regression data from accelerated life tests', IEEE Transactions on Reliability39(6), 346-351
Cómo citar
Ojeda, C., & Pereira, L. A. (2018). Comparación de intervalos de confianza obtenidos mediante aproximación normal y bootstrap para los parámetros de la Distribución Weibull. Comunicaciones En Estadística, 11(1), 63-75. https://doi.org/10.15332/s2027-3355.2018.0001.03
Sección
Artículos