The Logarithmic Burr-Hatke Exponential Distribution for Modeling Reliability and Medical Data
Notice bibliographique
Résumé
In this work, we introduced a new one-parameter exponential distribution. Some of its structural properties are derived% \textbf{.} The maximum likelihood method is used to estimate the model parameters by means of numerical Monte Carlo simulation study. The justification for the practicality of the new lifetime model is based on the wider use of the exponential model. The new model can be viewed as a mixtureof the exponentiated exponential distribution. It can also be considered as a suitable model for fitting right skewed data.\textbf{\ }We prove empirically the importance and flexibility of the new model in modelingcancer patients data, the new model provides adequate fits as compared to other related models with small values for $W^{\ast }$\ \ and $A^{\ast }$. The new model is much better than the Modified beta-Weibull, Weibull, exponentiated transmuted generalized Rayleig, the transmuted modified-Weibull, and transmuted additive Weibull models in modeling cancer patients data. We are also motivated to introduce this new model because it has only one parameter and we can generate some new families based on it such as the the odd Burr-Hatke exponential-G family of distributions, the logarithmic\textbf{\ }Burr-Hatke exponential-G family of distributions and the generalized\textbf{\ }Burr-Hatke exponential-G family of distributions, among others.
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 | 0,006 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».