Retour
  1. Accueil
  3. Référence détaillée
Demander un accès
Contribution à des ouvrages collectifs (Parties d’ouvrages)
Finite Mixture Models for an underlying Beta distribution with an application to COVID-19 data
SCHILTZ, Jang; NOEL, Cédric
2025 • In Stemmler, Mark; Wiedermann, Wolfgang; Huang, Francis L. (Eds.) Dependent Data in Social Sciences Research
Peer reviewed
Permalien
https://hdl.handle.net/10993/50948
 

Documents (1)Envoyer versDétailsStatistiquesBibliographiePublications similaires

Documents

Texte intégral
Chapter 6, final.pdf
Postprint Éditeur (4.44 MB)
Demander un accès

Tous les documents dans ORBilu sont protégés par une licence d'utilisation.

Envoyer vers


Détails


Disciplines :
Sciences informatiques
Auteur, co-auteur :
SCHILTZ, Jang ;  University of Luxembourg > Faculty of Law, Economics and Finance (FDEF) > Department of Finance (DF)
NOEL, Cédric ;  University of Luxembourg > Faculty of Science, Technology and Medecine (FSTM) ; University of Lorraine
Co-auteurs externes :
yes
Langue du document :
Anglais
Titre :
Finite Mixture Models for an underlying Beta distribution with an application to COVID-19 data
Date de publication/diffusion :
octobre 2025
Titre de l'ouvrage principal :
Dependent Data in Social Sciences Research
Auteur, co-auteur :
Stemmler, Mark;  FAU - Friedrich-Alexander-Universität Erlangen-Nürnberg > Institute of Psychology
Wiedermann, Wolfgang;  MU - University of Missouri-Columbia > Educational, School and Counseling Psychology
Huang, Francis L.;  MU - University of Missouri-Columbia > Educational, School and Counseling Psychology
Maison d'édition :
Springer Nature, Suisse
Edition :
Second Edition
ISBN/EAN :
978-3-031-56317-1
Pagination :
127-158
Peer reviewed :
Peer reviewed
Focus Area :
Computational Sciences
Disponible sur ORBilu :
depuis le 05 mai 2022

Statistiques

Nombre de vues
242 (dont 8 Unilu)
Nombre de téléchargements
62 (dont 3 Unilu)
Voir plus de statistiques

Bibliographie

Publications similaires


Contacter ORBilu