1 - Introduction aux Statistiques de deuxième espèce : applications des Logs-moments et des Logs-cumulants à l'analyse des lois d'images radar
Notice bibliographique
Résumé
Statistics methods classicaly used to analyse a probability density function (p.d.f.) are based on Fourier Transform, on which usefull tools as first and second characteristic functions are based, yielding the definitions of moments and cumulants. Yet this transform does not well match with p.d.f. defined on R+ as analytical expressions can be rather heavy in this case. In this article, we propose to start with a rather misknown transform: the Mellin transform, in order to define second kind statistics. By this way, second kind characteristic functions, second kind moments (log-moments) and second kind cumulants (log-cumulants) can be defined by mimicing the traditional definitions. For classical p.d.f. defined on R+, as Gamma and Nakagami laws, this approach seems to be simpler than previous one. More, for complicated p.d.f., as the famous K law or positive α-stable distributions, second kind statistics yield oversimple results. This new approach provides new methods for estimating the parameters of p.d.f. defined on R+. Comparisons can be done with traditional methods as Maximum Likehood Method and Moment Method: the variance of the new methods estimators are lower than Moment Method ones, and slightly upper than Cramer Rao bounds.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,005 |
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 ».