The Two-Parameter Odd Lindley Weibull Lifetime Model with Properties and Applications
Notice bibliographique
Résumé
In this work, we study the two-parameter Odd Lindley Weibull lifetime model. This distribution is motivated by the wide use of the Weibull model in many applied areas and also for the fact that this new generalization provides more flexibility to analyze real data. The Odd Lindley Weibull density function can be written as a linear combination of the exponentiated Weibull densities. We derive explicit expressions for the ordinary and incomplete moments, moments of the (reversed) residual life, generating functions and order statistics. We discuss the maximum likelihood estimation of the model parameters. We assess the performance of the maximum likelihood estimators in terms of biases, variances, mean squared of errors by means of a simulation study. The usefulness of the new model is illustrated by means of two real data sets. The new model provides consistently better fits than other competitive models for these data sets. The Odd Lindley Weibull lifetime model is much better than \ Weibull, exponential Weibull, Kumaraswamy Weibull, beta Weibull, and the three parameters odd lindly Weibull with three parameters models so the Odd Lindley Weibull model is a good alternative to these models in modeling glass fibres data as well as the Odd Lindley Weibull model is much better than the Weibull, Lindley Weibull transmuted complementary Weibull geometric and beta Weibull models so it is a good alternative to these models in modeling time-to-failure data.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».