Échantillonnage par valeurs supérieures à un seuil : modélisation des occurrences par la méthode du renouvellement
Notice bibliographique
Résumé
L'échantillonnage par valeurs supérieures à un seuil consiste à retenir tous les événements d'une chronique, définis par l'existence d'un maximum local supérieur à un seuil critique. L'étude probabiliste est alors menée par calage de deux lois de probabilité, une sur le processus d'occurrence de ces événements (date des événements), une autre sur la marque des événements (valeur du maximum local), puis par recomposition de ces deux lois pour obtenir la loi de probabilité associée au maximum annuel. La théorie du renouvellement permet d'étudier le processus d'occurrence d'événements. Les propriétés générales de la loi le plus souvent utilisée, la loi de Poisson (stationnaire ou non), sont présentées, ainsi que des éléments nouveaux concernant la loi Binomiale et la loi Binomiale négative. Ces propriétés sont relatives à la distribution du nombre d'événements sur un intervalle de temps donné, et à la distribution de la durée de retour, définie comme l'intervalle de temps séparant deux occurrences successives d'événements. Les relations existant entre la loi de probabilité d'une variable et la période de retour de l'événement associé sont ensuite détaillées. Il s'agit d'un rappel de résultats lorsque la variable étudiée est obtenue par sélection d'un ou de plusieurs maximums par an, ou dans le cas d'un processus marqué de Poisson; et d'éléments nouveaux dans le cas d'un processus représenté par une loi Binomiale ou une loi Binomiale négative. Pour finir, on trouvera les correspondances entre les deux types d'échantillonnage précédents (par maximum annuel ou par valeurs supérieures à un seuil), en terme de période de retour, de distribution et de variance d'échantillonnage.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».