Modelo estadístico para el análisis de variables negativas con aplicación a pruebas de contracción en concreto

En algunas áreas de conocimiento se pueden presentar fenómenos que son representados por variables aleatorias negativas (ℝ-) ; contar con un modelo estadístico es crucial para representar esos fenómenos y explicarlos en función de otras variables auxiliares. En este trabajo se propone un modelo de r...

Full description

Autores:: Usuga, Olga
Patiño Rodríguez, Carmen
Hernández Barajas, Freddy
Urrea Montoya, Amylkar

Tipo de recurso:: Article of journal

Fecha de publicación:: 2022

Institución:: Universidad EIA .

Repositorio:: Repositorio EIA .

Idioma:: eng

id	REIA2_5ec4d29d3292431615a6f07adbfb0ec7
oai_identifier_str	oai:repository.eia.edu.co:11190/5166
network_acronym_str	REIA2
network_name_str	Repositorio EIA .
repository_id_str
dc.title.spa.fl_str_mv	Modelo estadístico para el análisis de variables negativas con aplicación a pruebas de contracción en concreto
dc.title.translated.eng.fl_str_mv	Statistical model for analizing negative variables with application to compression test on concrete
title	Modelo estadístico para el análisis de variables negativas con aplicación a pruebas de contracción en concreto
spellingShingle	Modelo estadístico para el análisis de variables negativas con aplicación a pruebas de contracción en concreto Reflected Weibull Regression model GAMLSS Compression test on concrete confiabilidad datos censurados estimación de parámetros GAMLSS enguaje de programación R máxima verosimilitud modelo de regresión prueba de contracción en concreto variable aleatoria negativa Weibull reflejada
title_short	Modelo estadístico para el análisis de variables negativas con aplicación a pruebas de contracción en concreto
title_full	Modelo estadístico para el análisis de variables negativas con aplicación a pruebas de contracción en concreto
title_fullStr	Modelo estadístico para el análisis de variables negativas con aplicación a pruebas de contracción en concreto
title_full_unstemmed	Modelo estadístico para el análisis de variables negativas con aplicación a pruebas de contracción en concreto
title_sort	Modelo estadístico para el análisis de variables negativas con aplicación a pruebas de contracción en concreto
dc.creator.fl_str_mv	Usuga, Olga Patiño Rodríguez, Carmen Hernández Barajas, Freddy Urrea Montoya, Amylkar
dc.contributor.author.spa.fl_str_mv	Usuga, Olga Patiño Rodríguez, Carmen Hernández Barajas, Freddy Urrea Montoya, Amylkar
dc.subject.eng.fl_str_mv	Reflected Weibull Regression model GAMLSS Compression test on concrete
topic	Reflected Weibull Regression model GAMLSS Compression test on concrete confiabilidad datos censurados estimación de parámetros GAMLSS enguaje de programación R máxima verosimilitud modelo de regresión prueba de contracción en concreto variable aleatoria negativa Weibull reflejada
dc.subject.spa.fl_str_mv	confiabilidad datos censurados estimación de parámetros GAMLSS enguaje de programación R máxima verosimilitud modelo de regresión prueba de contracción en concreto variable aleatoria negativa Weibull reflejada
description	En algunas áreas de conocimiento se pueden presentar fenómenos que son representados por variables aleatorias negativas (ℝ-) ; contar con un modelo estadístico es crucial para representar esos fenómenos y explicarlos en función de otras variables auxiliares. En este trabajo se propone un modelo de regresión para el análisis de variables aleatorias negativas tomando como distribución para la variable respuesta la distribución Weibull reflejada. En este artículo reportamos el paquete RelDists creado en el lenguaje de programación R para facilitar el uso del modelo de regresión propuesto. Por medio de un estudio de simulación Monte Carlo se exploró el desempeño del proceso de estimación de parámetros. En el estudio de simulación se consideraron dos casos: sin covariables y con covariables. El primer caso se refiere a la situación en la cual sólo se tiene la variable respuesta y con ella se deben estimar los parámetros de la distribución. En el segundo caso se tiene la variable respuesta y variables explicativas que en conjunto se usan para estimar los parámetros del modelo de regresión. Adicionalmente, en el estudio de simulación se consideraron datos censurados y no censurados. Del estudio se encontró que el proceso de estimación logra estimar bien los parámetros del modelo a medida que el tamaño de la muestra aumenta y que el porcentaje de censura disminuye. En el artículo se muestra una aplicación del modelo propuesto usando datos experimentales provenientes de una prueba de contracción con probetas de concreto. En la aplicación se construyó un modelo para explicar la contracción de las probetas en función del tiempo. El modelo de regresión para variables aleatorias negativa y el paquete RelDists pueden ser usados por comunidades académicas, científicas y de negocios para el desarrollo de análisis de confiabilidad.
publishDate	2022
dc.date.accessioned.none.fl_str_mv	2022-06-01 00:00:00 2022-06-17T20:21:25Z
dc.date.available.none.fl_str_mv	2022-06-01 00:00:00 2022-06-17T20:21:25Z
dc.date.issued.none.fl_str_mv	2022-06-01
dc.type.spa.fl_str_mv	Artículo de revista
dc.type.eng.fl_str_mv	Journal article
dc.type.coar.fl_str_mv	http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.coar.eng.fl_str_mv	http://purl.org/coar/resource_type/c_6501 http://purl.org/coar/resource_type/c_6501
dc.type.driver.eng.fl_str_mv	info:eu-repo/semantics/article
dc.type.version.eng.fl_str_mv	info:eu-repo/semantics/publishedVersion
dc.type.content.eng.fl_str_mv	Text
dc.type.redcol.eng.fl_str_mv	http://purl.org/redcol/resource_type/ARTREF
dc.type.coarversion.eng.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
format	http://purl.org/coar/resource_type/c_6501
status_str	publishedVersion
dc.identifier.issn.none.fl_str_mv	1794-1237
dc.identifier.uri.none.fl_str_mv	https://repository.eia.edu.co/handle/11190/5166
dc.identifier.doi.none.fl_str_mv	10.24050/reia.v19i38.1526
dc.identifier.eissn.none.fl_str_mv	2463-0950
dc.identifier.url.none.fl_str_mv	https://doi.org/10.24050/reia.v19i38.1526
identifier_str_mv	1794-1237 10.24050/reia.v19i38.1526 2463-0950
url	https://repository.eia.edu.co/handle/11190/5166 https://doi.org/10.24050/reia.v19i38.1526
dc.language.iso.eng.fl_str_mv	eng
language	eng
dc.relation.references.eng.fl_str_mv	Akaike, H. (1983). Information measures and model selection. Int Stat Inst, 44, 277–291. Al Abbasi, J. N., Risan, H. K., & Resen, I. A. (2018). Application of Kumaraswamy Extreme Values Distributions to Earthquake Magnitudes in Iraq and Conterminous Regions. International Journal of Applied Engineering Research, 13(11), 8971–8980. Ali, M. M., & Woo, J. (2006). Skew-symmetric reflected distributions. Soochow Journal of Mathematics, 32(2), 233–240. https://doi.org/10.1080/01966324.2008.10737716 Almalki, S. J., & Nadarajah, S. (2014). Modifications of the Weibull distribution: A review. Reliability Engineering & System Safety, 124(4), 32–55. https://doi.org/https://doi.org/10.1016/j.ress.2013.11.010 Balakrishnan, N., & Kocherlakota, S. (1985). On the double Weibull distribution: order statistics and estimation. Sankhya: The Indian Journal of Statistics, Series B, 47(2), 161–178. Barreto-Souza, W., Santos, A. H. S., & Cordeiro, G. M. (2010). The beta generalized exponential distribution. Journal of Statistical Computation and Simulation, 80(2), 159–172. https://doi.org/10.1080/00949650802552402 Caron, R., Sinha, D., Dey, D., & Polpo, A. (2017). Categorical data analysis using a skewed Weibull regression model. In arXiv (Vol. 20, Issue 3, pp. 176–193). Multidisciplinary Digital Publishing Institute. https://doi.org/https://doi.org/10.3390/e20030176 Cohen, A. C. (1975). Multi-censored sampling in the three parameter Weibull distribution. Technometrics, 17(3), 347–351. https://doi.org/https://doi.org/10.2307/1268072 Cohen, A. C. (2016). Truncated and censored samples: theory and applications. CRC press. Cohen, C. A., & Whitten, B. (1982). Modified maximum likelihood and modified moment estimators for the three-parameter Weibull distribution. Communications in Statistics-Theory and Methods, 11(23), 2631–2656. https://doi.org/https://doi.org/10.1080/03610928208828412 Dunn, P. K., & Smyth, G. K. (1996). Randomized quantile residuals. Journal of Computational and Graphical Statistics, 5(3), 236–244. https://doi.org/https://doi.org/10.2307/1390802 Gibbons, D. I., & Vance, L. C. (1983). Estimators for the 2-parameter Weibull distribution with progressively censored samples. IEEE Transactions on Reliability, 32(1), 95–99. https://doi.org/10.1109/TR.1983.5221484 Guure, C. B., & Ibrahim, N. A. (2012). Bayesian analysis of the survival function and failure rate of Weibull distribution with censored data. Mathematical Problems in Engineering, 2012. https://doi.org/https://doi.org/10.1155/2012/329489 Guure, C. B., & Ibrahim, N. A. (2013). Methods for estimating the 2-parameter Weibull distribution with type-I censored data. Research Journal of Applied Sciences, Engineering and Technology, 5(3), 689–694. https://doi.org/10.19026/rjaset.5.5010 Hernández, B. F., Cano, B. U., & Caicedo, E. A. C. (2021). Modelos GAMLSS para analizar el grado secado de calcio dihidratado. Revista EIA, 18(35), 1–13. https://doi.org/https://doi.org/10.24050/reia.v18i35.1439 Huang, H., Garcia, R., Huang, S.-S., Guadagnini, M., & Pilakoutas, K. (2019). A practical creep model for concrete elements under eccentric compression. Materials and Structures, 52(6), 1–18. https://doi.org/10.1617/s11527-019-1432-z Kalsoom, U., Nasir, W., & Syed, A. (2019). On estimation of reflected Weibull distribution using bayesian analysis under informative prior. 15th Islamic Countries Conference on Statistical Sciences (ICCS-15), 49. Kim, C., Jung, J., & Chung, Y. (2011). Bayesian estimation for the exponentiated Weibull model under Type II progressive censoring. Statistical Papers, 52(1), 53–70. https://doi.org/https://doi.org/10.1007/s00362-009-0203-2 Kim, J. S., & Yum, B.-J. (2008). Selection between Weibull and lognormal distributions: A comparative simulation study. Computational Statistics & Data Analysis, 53(2), 477–485. https://doi.org/https://doi.org/10.1016/j.csda.2008.08.012 Lai, C.-D. (2014). Generalized weibull distributions. Springer. Lee, C., Famoye, F., & Olumolade, O. (2007). Beta-Weibull distribution: some properties and applications to censored data. Journal of Modern Applied Statistical Methods, 6(1), 173–186. https://doi.org/DOI: 10.22237/jmasm/1177992960 Meeker, W. Q., & Escobar, L. A. (2014). Statistical methods for reliability data. John Wiley & Sons. Modarres, M., Kaminskiy, M. P., & Krivtsov, V. (2016). Reliability engineering and risk analysis: a practical guide. CRC press. Morris, T. P., White, I. R., & Crowther, M. J. (2019). Using simulation studies to evaluate statistical methods. Statistics in Medicine, 38(11), 2074–2102. https://doi.org/https://doi.org/10.1002/sim.8086 Nagatsuka, H., Kamakura, T., & Balakrishnan, N. (2013). A consistent method of estimation for the three-parameter Weibull distribution. Computational Statistics & Data Analysis, 58(1), 210–226. https://doi.org/https://doi.org/10.1016/j.csda.2012.09.005 Nagelkerke, N. J. D. (1991). A Note on a General Definition of the Coefficient of Determination. Biometrika, 78(3), 691–692. https://doi.org/https://doi.org/10.1093/biomet/78.3.691 Odell, P. M., Anderson, K. M., & D’Agostino, R. B. (1992). Maximum likelihood estimation for interval-censored data using a Weibull-based accelerated failure time model. Biometrics, 48(3), 951–959. Orjubin, G. (2007). Maximum field inside a reverberation chamber modeled by the generalized extreme value distribution. IEEE Transactions on Electromagnetic Compatibility, 49(1), 104–113. https://doi.org/10.1109/TEMC.2006.888172 Phadnis, M. A., Sharma, P., Thewarapperuma, N., & Chalise, P. (2020). Assessing accuracy of Weibull shape parameter estimate from historical studies for subsequent sample size calculation in clinical trials with time-to-event outcome. Contemporary Clinical Trials Communications, 17(1). https://doi.org/10.1016/j.conctc.2020.100548 R Core Team. (2021). R: A Language and Environment for Statistical Computing. https://www.r-project.org/ Regal, R. R., & Larntz, K. (1978). Likelihood methods for testing group problem solving models with censored data. Psychometrika, 43(3), 353–366. https://doi.org/https://doi.org/10.1007/BF02293645 Rigby, R. A., & Stasinopoulos, D. M. (2005). Generalized additive models for location, scale and shape. Journal of the Royal Statistical Society: Series C (Applied Statistics), 54(3), 507–554. https://doi.org/https://doi.org/10.1111/j.1467-9876.2005.00510.x Ross, M. S. (2012). Simulation. Elsevier. Schwarz, G. (1978). Estimating the dimension of a model. The Annals of Statistics, 6(2), 461–464. Stacy, E. W. (1962). A generalization of the gamma distribution. The Annals of Mathematical Statistics, 33(3), 1187–1192. Stasinopoulos, M. D., Rigby, R. A., Heller, G. Z., Voudouris, V., & Bastiani, F. (2017). Flexible Regression and Smoothing Using GAMLSS in R. CRC Press. Wei, Z., Start, M., Hamilton, J., & Luo, L. (2016). A unified framework for representing product validation testing methods and conducting reliability analysis. SAE International Journal of Materials and Manufacturing, 9(2), 303–314. https://doi.org/https://doi.org/10.4271/2016-01-0269 Xie, M., & Lai, C. D. (1996). Reliability analysis using an additive Weibull model with bathtub-shaped failure rate function. Reliability Engineering & System Safety, 52(1), 87–93. https://doi.org/https://doi.org/10.1016/0951-8320(95)00149-2 Zhang, T., & Xie, M. (2007). Failure data analysis with extended Weibull distribution. Communications in Statistics—Simulation and Computation®, 36(3), 579–592. https://doi.org/https://doi.org/10.1080/03610910701236081
dc.relation.bitstream.none.fl_str_mv	https://revistas.eia.edu.co/index.php/reveia/article/download/1526/1454
dc.relation.citationedition.spa.fl_str_mv	Núm. 38 , Año 2022 : .
dc.relation.citationendpage.none.fl_str_mv	19
dc.relation.citationissue.spa.fl_str_mv	38
dc.relation.citationstartpage.none.fl_str_mv	3806 pp. 1
dc.relation.citationvolume.spa.fl_str_mv	19
dc.relation.ispartofjournal.spa.fl_str_mv	Revista EIA
dc.rights.eng.fl_str_mv	Revista EIA - 2022
dc.rights.uri.eng.fl_str_mv	https://creativecommons.org/licenses/by-nc-nd/4.0
dc.rights.accessrights.eng.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.eng.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	Revista EIA - 2022 https://creativecommons.org/licenses/by-nc-nd/4.0 http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.mimetype.eng.fl_str_mv	application/pdf
dc.publisher.spa.fl_str_mv	Fondo Editorial EIA - Universidad EIA
dc.source.eng.fl_str_mv	https://revistas.eia.edu.co/index.php/reveia/article/view/1526
institution	Universidad EIA .
bitstream.url.fl_str_mv	https://repository.eia.edu.co/bitstreams/b066709b-7348-4b5c-a52d-3f0291ba4b55/download
bitstream.checksum.fl_str_mv	3f2276493e66dce58b67fdf56e2cc0dd
bitstream.checksumAlgorithm.fl_str_mv	MD5
repository.name.fl_str_mv	Repositorio Institucional Universidad EIA
repository.mail.fl_str_mv	bdigital@metabiblioteca.com
_version_	1814100921504759808
spelling	Usuga, Olga61b3887528e529183ed6f3794454e091300Patiño Rodríguez, Carmena564a11a2875bda0ec58caa6cf904ac4Hernández Barajas, Freddy8f13a4bdeae69cce0e056df70ac12d77500Urrea Montoya, Amylkarcc24a7c3c0c033fc90ca81527fc953473002022-06-01 00:00:002022-06-17T20:21:25Z2022-06-01 00:00:002022-06-17T20:21:25Z2022-06-011794-1237https://repository.eia.edu.co/handle/11190/516610.24050/reia.v19i38.15262463-0950https://doi.org/10.24050/reia.v19i38.1526En algunas áreas de conocimiento se pueden presentar fenómenos que son representados por variables aleatorias negativas (ℝ-) ; contar con un modelo estadístico es crucial para representar esos fenómenos y explicarlos en función de otras variables auxiliares. En este trabajo se propone un modelo de regresión para el análisis de variables aleatorias negativas tomando como distribución para la variable respuesta la distribución Weibull reflejada. En este artículo reportamos el paquete RelDists creado en el lenguaje de programación R para facilitar el uso del modelo de regresión propuesto. Por medio de un estudio de simulación Monte Carlo se exploró el desempeño del proceso de estimación de parámetros. En el estudio de simulación se consideraron dos casos: sin covariables y con covariables. El primer caso se refiere a la situación en la cual sólo se tiene la variable respuesta y con ella se deben estimar los parámetros de la distribución. En el segundo caso se tiene la variable respuesta y variables explicativas que en conjunto se usan para estimar los parámetros del modelo de regresión. Adicionalmente, en el estudio de simulación se consideraron datos censurados y no censurados. Del estudio se encontró que el proceso de estimación logra estimar bien los parámetros del modelo a medida que el tamaño de la muestra aumenta y que el porcentaje de censura disminuye. En el artículo se muestra una aplicación del modelo propuesto usando datos experimentales provenientes de una prueba de contracción con probetas de concreto. En la aplicación se construyó un modelo para explicar la contracción de las probetas en función del tiempo. El modelo de regresión para variables aleatorias negativa y el paquete RelDists pueden ser usados por comunidades académicas, científicas y de negocios para el desarrollo de análisis de confiabilidad.In some areas of knowledge, we can find negative variables (ℝ-), to have a statistical model is crucial to represent the phenomenon and explain it using other variables. This paper proposes a regression model to analyze negative random variables using the reflected Weibull distribution. We developed the RelDists package in the R programming language to implement the proposed model. A Monte Carlo simulation study was conducted to explore the performance of the estimation procedure considering censored and uncensored data and the presence and absence of covariates. From the simulation study, we found that the estimation procedure achieves accurate estimations of the parameters as the sample size increases and the percentage of censoring decreases. In the paper, we present an application of the proposed model using experimental data from a compression test with concrete specimens. In the application, a model was fitted to explain the shrinkage strain using the variable time. The regression model for negative variables and the RelDists package can be used by academic, scientific, and business communities to perform reliability analysis.application/pdfengFondo Editorial EIA - Universidad EIARevista EIA - 2022https://creativecommons.org/licenses/by-nc-nd/4.0info:eu-repo/semantics/openAccessEsta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.http://purl.org/coar/access_right/c_abf2https://revistas.eia.edu.co/index.php/reveia/article/view/1526Reflected WeibullRegression modelGAMLSSCompression test on concreteconfiabilidaddatos censuradosestimación de parámetrosGAMLSSenguaje de programación Rmáxima verosimilitudmodelo de regresiónprueba de contracción en concretovariable aleatoria negativaWeibull reflejadaModelo estadístico para el análisis de variables negativas con aplicación a pruebas de contracción en concretoStatistical model for analizing negative variables with application to compression test on concreteArtículo de revistaJournal articlehttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionTexthttp://purl.org/redcol/resource_type/ARTREFhttp://purl.org/coar/version/c_970fb48d4fbd8a85Akaike, H. (1983). Information measures and model selection. Int Stat Inst, 44, 277–291.Al Abbasi, J. N., Risan, H. K., & Resen, I. A. (2018). Application of Kumaraswamy Extreme Values Distributions to Earthquake Magnitudes in Iraq and Conterminous Regions. International Journal of Applied Engineering Research, 13(11), 8971–8980.Ali, M. M., & Woo, J. (2006). Skew-symmetric reflected distributions. Soochow Journal of Mathematics, 32(2), 233–240. https://doi.org/10.1080/01966324.2008.10737716Almalki, S. J., & Nadarajah, S. (2014). Modifications of the Weibull distribution: A review. Reliability Engineering & System Safety, 124(4), 32–55. https://doi.org/https://doi.org/10.1016/j.ress.2013.11.010Balakrishnan, N., & Kocherlakota, S. (1985). On the double Weibull distribution: order statistics and estimation. Sankhya: The Indian Journal of Statistics, Series B, 47(2), 161–178.Barreto-Souza, W., Santos, A. H. S., & Cordeiro, G. M. (2010). The beta generalized exponential distribution. Journal of Statistical Computation and Simulation, 80(2), 159–172. https://doi.org/10.1080/00949650802552402Caron, R., Sinha, D., Dey, D., & Polpo, A. (2017). Categorical data analysis using a skewed Weibull regression model. In arXiv (Vol. 20, Issue 3, pp. 176–193). Multidisciplinary Digital Publishing Institute. https://doi.org/https://doi.org/10.3390/e20030176Cohen, A. C. (1975). Multi-censored sampling in the three parameter Weibull distribution. Technometrics, 17(3), 347–351. https://doi.org/https://doi.org/10.2307/1268072Cohen, A. C. (2016). Truncated and censored samples: theory and applications. CRC press.Cohen, C. A., & Whitten, B. (1982). Modified maximum likelihood and modified moment estimators for the three-parameter Weibull distribution. Communications in Statistics-Theory and Methods, 11(23), 2631–2656. https://doi.org/https://doi.org/10.1080/03610928208828412Dunn, P. K., & Smyth, G. K. (1996). Randomized quantile residuals. Journal of Computational and Graphical Statistics, 5(3), 236–244. https://doi.org/https://doi.org/10.2307/1390802Gibbons, D. I., & Vance, L. C. (1983). Estimators for the 2-parameter Weibull distribution with progressively censored samples. IEEE Transactions on Reliability, 32(1), 95–99. https://doi.org/10.1109/TR.1983.5221484Guure, C. B., & Ibrahim, N. A. (2012). Bayesian analysis of the survival function and failure rate of Weibull distribution with censored data. Mathematical Problems in Engineering, 2012. https://doi.org/https://doi.org/10.1155/2012/329489Guure, C. B., & Ibrahim, N. A. (2013). Methods for estimating the 2-parameter Weibull distribution with type-I censored data. Research Journal of Applied Sciences, Engineering and Technology, 5(3), 689–694. https://doi.org/10.19026/rjaset.5.5010Hernández, B. F., Cano, B. U., & Caicedo, E. A. C. (2021). Modelos GAMLSS para analizar el grado secado de calcio dihidratado. Revista EIA, 18(35), 1–13. https://doi.org/https://doi.org/10.24050/reia.v18i35.1439Huang, H., Garcia, R., Huang, S.-S., Guadagnini, M., & Pilakoutas, K. (2019). A practical creep model for concrete elements under eccentric compression. Materials and Structures, 52(6), 1–18. https://doi.org/10.1617/s11527-019-1432-zKalsoom, U., Nasir, W., & Syed, A. (2019). On estimation of reflected Weibull distribution using bayesian analysis under informative prior. 15th Islamic Countries Conference on Statistical Sciences (ICCS-15), 49.Kim, C., Jung, J., & Chung, Y. (2011). Bayesian estimation for the exponentiated Weibull model under Type II progressive censoring. Statistical Papers, 52(1), 53–70. https://doi.org/https://doi.org/10.1007/s00362-009-0203-2Kim, J. S., & Yum, B.-J. (2008). Selection between Weibull and lognormal distributions: A comparative simulation study. Computational Statistics & Data Analysis, 53(2), 477–485. https://doi.org/https://doi.org/10.1016/j.csda.2008.08.012Lai, C.-D. (2014). Generalized weibull distributions. Springer.Lee, C., Famoye, F., & Olumolade, O. (2007). Beta-Weibull distribution: some properties and applications to censored data. Journal of Modern Applied Statistical Methods, 6(1), 173–186. https://doi.org/DOI: 10.22237/jmasm/1177992960Meeker, W. Q., & Escobar, L. A. (2014). Statistical methods for reliability data. John Wiley & Sons.Modarres, M., Kaminskiy, M. P., & Krivtsov, V. (2016). Reliability engineering and risk analysis: a practical guide. CRC press.Morris, T. P., White, I. R., & Crowther, M. J. (2019). Using simulation studies to evaluate statistical methods. Statistics in Medicine, 38(11), 2074–2102. https://doi.org/https://doi.org/10.1002/sim.8086Nagatsuka, H., Kamakura, T., & Balakrishnan, N. (2013). A consistent method of estimation for the three-parameter Weibull distribution. Computational Statistics & Data Analysis, 58(1), 210–226. https://doi.org/https://doi.org/10.1016/j.csda.2012.09.005Nagelkerke, N. J. D. (1991). A Note on a General Definition of the Coefficient of Determination. Biometrika, 78(3), 691–692. https://doi.org/https://doi.org/10.1093/biomet/78.3.691Odell, P. M., Anderson, K. M., & D’Agostino, R. B. (1992). Maximum likelihood estimation for interval-censored data using a Weibull-based accelerated failure time model. Biometrics, 48(3), 951–959.Orjubin, G. (2007). Maximum field inside a reverberation chamber modeled by the generalized extreme value distribution. IEEE Transactions on Electromagnetic Compatibility, 49(1), 104–113. https://doi.org/10.1109/TEMC.2006.888172Phadnis, M. A., Sharma, P., Thewarapperuma, N., & Chalise, P. (2020). Assessing accuracy of Weibull shape parameter estimate from historical studies for subsequent sample size calculation in clinical trials with time-to-event outcome. Contemporary Clinical Trials Communications, 17(1). https://doi.org/10.1016/j.conctc.2020.100548R Core Team. (2021). R: A Language and Environment for Statistical Computing. https://www.r-project.org/Regal, R. R., & Larntz, K. (1978). Likelihood methods for testing group problem solving models with censored data. Psychometrika, 43(3), 353–366. https://doi.org/https://doi.org/10.1007/BF02293645Rigby, R. A., & Stasinopoulos, D. M. (2005). Generalized additive models for location, scale and shape. Journal of the Royal Statistical Society: Series C (Applied Statistics), 54(3), 507–554. https://doi.org/https://doi.org/10.1111/j.1467-9876.2005.00510.xRoss, M. S. (2012). Simulation. Elsevier.Schwarz, G. (1978). Estimating the dimension of a model. The Annals of Statistics, 6(2), 461–464.Stacy, E. W. (1962). A generalization of the gamma distribution. The Annals of Mathematical Statistics, 33(3), 1187–1192.Stasinopoulos, M. D., Rigby, R. A., Heller, G. Z., Voudouris, V., & Bastiani, F. (2017). Flexible Regression and Smoothing Using GAMLSS in R. CRC Press.Wei, Z., Start, M., Hamilton, J., & Luo, L. (2016). A unified framework for representing product validation testing methods and conducting reliability analysis. SAE International Journal of Materials and Manufacturing, 9(2), 303–314. https://doi.org/https://doi.org/10.4271/2016-01-0269Xie, M., & Lai, C. D. (1996). Reliability analysis using an additive Weibull model with bathtub-shaped failure rate function. Reliability Engineering & System Safety, 52(1), 87–93. https://doi.org/https://doi.org/10.1016/0951-8320(95)00149-2Zhang, T., & Xie, M. (2007). Failure data analysis with extended Weibull distribution. Communications in Statistics—Simulation and Computation®, 36(3), 579–592. https://doi.org/https://doi.org/10.1080/03610910701236081https://revistas.eia.edu.co/index.php/reveia/article/download/1526/1454Núm. 38 , Año 2022 : .19383806 pp. 119Revista EIAPublicationOREORE.xmltext/xml2748https://repository.eia.edu.co/bitstreams/b066709b-7348-4b5c-a52d-3f0291ba4b55/download3f2276493e66dce58b67fdf56e2cc0ddMD5111190/5166oai:repository.eia.edu.co:11190/51662023-07-25 17:21:52.033https://creativecommons.org/licenses/by-nc-nd/4.0Revista EIA - 2022metadata.onlyhttps://repository.eia.edu.coRepositorio Institucional Universidad EIAbdigital@metabiblioteca.com

Modelo estadístico para el análisis de variables negativas con aplicación a pruebas de contracción en concreto

Publicaciones similares