MétaCan
Menu
Retour à la cohorte
Enregistrement W3045506504 · doi:10.5539/ijsp.v9n5p1

Estimation of the Parameters for the Exponentiated Weibull Distribution Based on Progressive Type-II Censoring Scheme

2020· article· en· W3045506504 sur OpenAlexvenueno aff
Mohammed Mohammed Ahmed Almazah

Notice bibliographique

RevueInternational Journal of Statistics and Probability · 2020
Typearticle
Langueen
DomaineMathematics
ThématiqueStatistical Distribution Estimation and Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMathematicsWeibull distributionCensoring (clinical trials)EstimatorStatisticsBayes' theoremMean squared errorPrior probabilityExponentiated Weibull distributionBayes estimatorShape parameterApplied mathematicsScale parameterBayesian probability

Résumé

récupéré en direct d'OpenAlex

The main objective of the present study is to find the estimation of the two Exponentiated Weibull distribution parameters, based on progressive Type II censored samples. The maximum likelihood and Bayes estimators for the two shape parameters and the scale parameter of the exponentiated Weibull lifetime model were derived. Bayes estimators was obtained by using both the symmetric and asymmetric loss functions via squared error loss and linex loss functions This was done with respect to the conjugate priors for two shape parameters. We used an approximation based on the Lindley (Trabajos de Estadistca) method for obtaining Bayes estimates under these loss functions. The different proposed estimators have been compared through an extensive simulation studies. Bayes ratings also turned out to be better than MLE. Whatever the sample sizes are, we get the same results.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,006
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,865
Score d'incertitude au seuil0,720

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,073
Tête enseignante GPT0,354
Écart entre enseignants0,281 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Statistics and ProbabilityMême sujetStatistical Distribution Estimation and ApplicationsTravaux en français237 207