Zum Inhalt

Natural Discrete One Parameter Polynomial Exponential Family of Distributions and the Application

  • 06.06.2022
Erschienen in:

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Der Artikel präsentiert ein neues diskretes Verteilungsmodell, die Natural Discrete One Parameter Polynomial Exponential (NDOPPE) -Familie, das entwickelt wurde, um Zähldaten flexibler zu analysieren als bestehende Modelle. Sie verallgemeinert die negative Binomialverteilung, indem sie Konstanten einbezieht, die nicht von Null abweichen, was sie für übermäßig verstreute Daten geeignet macht. Das NDOPPE-Modell ist rechnerisch effizient und statistisch ableitbar, wobei es in kollektiven Risikomodellen Anwendung findet. Der Artikel vergleicht das NDOPPE-Modell mit anderen Verteilungen, die reale Schadensdaten aus dem Automobil verwenden, und demonstriert so seine überlegene Leistung. Schlüsselthemen sind die Definition des Modells, statistische Eigenschaften, Zuverlässigkeitsmessungen und praktische Anwendungen in der Risikobewertung und Versicherungsmathematik.

Sie sind noch kein Kunde? Dann Informieren Sie sich jetzt über unsere Lizenzmodelle:

Einzelzugang

Starten Sie jetzt Ihren persönlichen Einzelzugang. Erhalten Sie sofortigen Zugriff auf mehr als 170.000 Bücher und 540 Zeitschriften - pdf-Downloads und Neu-Erscheinungen inklusive.

Jetzt ab 54,00 € pro Monat!                                        

Mehr erfahren

Zugang für Unternehmen

Nutzen Sie Springer Professional in Ihrem Unternehmen und geben Sie Ihren Mitarbeitern fundiertes Fachwissen an die Hand. Fordern Sie jetzt Informationen für Firmenzugänge an.

Erleben Sie, wie Springer Professional Sie in Ihrer Arbeit unterstützt!

Beraten lassen
Titel
Natural Discrete One Parameter Polynomial Exponential Family of Distributions and the Application
Verfasst von
Sudhansu S. Maiti
Molay Kumar Ruidas
Sumanta Adhya
Publikationsdatum
06.06.2022
Verlag
Springer Berlin Heidelberg
Erschienen in
Annals of Data Science / Ausgabe 3/2024
Print ISSN: 2198-5804
Elektronische ISSN: 2198-5812
DOI
https://doi.org/10.1007/s40745-022-00422-8
Dieser Inhalt ist nur sichtbar, wenn du eingeloggt bist und die entsprechende Berechtigung hast.
    ADVERTORIAL

    KI ohne Großprojekt und Risiko starten

    Mit freundlicher Unterstützung von:
    • ​​​​​​​Dell Technologies, Intel und Microsoft.
    Bildnachweise
    Schmalkalden/© Schmalkalden, NTT Data/© NTT Data, Verlagsgruppe Beltz/© Verlagsgruppe Beltz, ibo Software GmbH/© ibo Software GmbH, Sovero/© Sovero, Axians Infoma GmbH/© Axians Infoma GmbH, Prosoz Herten GmbH/© Prosoz Herten GmbH, Stormshield/© Stormshield, MACH AG/© MACH AG, OEDIV KG/© OEDIV KG, Rundstedt & Partner GmbH/© Rundstedt & Partner GmbH, Doxee AT GmbH/© Doxee AT GmbH , Governikus GmbH & Co. KG/© Governikus GmbH & Co. KG, Vendosoft/© Vendosoft, Conceptboard Cloud Service GmbH/© Vendosoft, Videocast 1: Standbild/© Springer Fachmedien Wiesbaden, givve Bezahlkarte - digitale Effizienz trifft menschliche Nähe/© givve