La distribución logística-exponencial de potencia inversa: propiedades, métodos de estimación y aplicación a datos de seguros
Autores: AL Sobhi, Mashail M.
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
La distribución logística-exponencial de potencia inversa: propiedades, métodos de estimación y aplicación a datos de seguros
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Modelo propuesto
Distribución exponencial logística de potencia inversa
Simétrico
Sesgado a la derecha
Sesgado a la izquierda
Tasas de riesgo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 34
Citaciones: Sin citaciones
El presente documento propone una nueva distribución llamada distribución exponencial logística de potencia inversa que extiende las distribuciones Weibull inversa, exponencial logística inversa, Rayleigh inversa y exponencial inversa. El modelo propuesto acomoda densidades simétricas, sesgadas a la derecha, sesgadas a la izquierda, con forma de J invertida y con forma de J, así como tasas de riesgo crecientes, unimodales, decrecientes, con forma de J invertida y con forma de J. Derivamos algunas propiedades matemáticas del modelo propuesto. Los parámetros del modelo fueron estimados utilizando cinco métodos de estimación, incluidos el de máxima verosimilitud, Anderson-Darling, mínimos cuadrados, Cramér-von Mises y mínimos cuadrados ponderados. El rendimiento de estos métodos de estimación fue evaluado mediante un estudio de simulación detallado. Además, la flexibilidad del modelo introducido fue estudiada utilizando un conjunto de datos reales de seguros, demostrando que el modelo propuesto puede utilizarse para ajustar los datos de seguros en comparación con otros doce modelos competidores.
Descripción
El presente documento propone una nueva distribución llamada distribución exponencial logística de potencia inversa que extiende las distribuciones Weibull inversa, exponencial logística inversa, Rayleigh inversa y exponencial inversa. El modelo propuesto acomoda densidades simétricas, sesgadas a la derecha, sesgadas a la izquierda, con forma de J invertida y con forma de J, así como tasas de riesgo crecientes, unimodales, decrecientes, con forma de J invertida y con forma de J. Derivamos algunas propiedades matemáticas del modelo propuesto. Los parámetros del modelo fueron estimados utilizando cinco métodos de estimación, incluidos el de máxima verosimilitud, Anderson-Darling, mínimos cuadrados, Cramér-von Mises y mínimos cuadrados ponderados. El rendimiento de estos métodos de estimación fue evaluado mediante un estudio de simulación detallado. Además, la flexibilidad del modelo introducido fue estudiada utilizando un conjunto de datos reales de seguros, demostrando que el modelo propuesto puede utilizarse para ajustar los datos de seguros en comparación con otros doce modelos competidores.