MétaCan
Menu
Retour à la cohorte
Enregistrement W3147968462 · doi:10.37394/23206.2021.20.11

The Performance of Estimators for Generalization of Crack Distribution

2021· article· en· W3147968462 sur OpenAlexaff
Supitcha Mamuangbon, Kamon Budsaba, Andrei Volodin

Notice bibliographique

RevueWSEAS TRANSACTIONS ON MATHEMATICS · 2021
Typearticle
Langueen
DomaineMathematics
ThématiqueStatistical Distribution Estimation and Applications
Établissements canadiensUniversity of Regina
Organismes subventionnairesnon disponible
Mots-clésInverse Gaussian distributionEstimatorMathematicsNormal-inverse Gaussian distributionGeneralized inverseGaussianDistribution (mathematics)Generalized integer gamma distributionGeneralizationInverseApplied mathematicsGeneralized inverse Gaussian distributionGeneralized normal distributionInverse distributionGeneralized method of momentsMethod of moments (probability theory)Moment (physics)Estimation theoryStatisticsHeavy-tailed distributionNormal distributionMathematical analysisGaussian processGaussian random fieldGeometryPhysics

Résumé

récupéré en direct d'OpenAlex

In this research, we propose a new four parameter family of distributions called Generalized Crack distribution. We generalizes the family three parameter Crack distribution. The Generalized Crack distribution is a mixture of two parameter Inverse Gaussian distribution, Length-Biased Inverse Gaussian distribution, Twice Length-Biased Inverse Gaussian distribution, and adding one more weight parameter . It is a special case for , where and is the weighted parameter. We investigate the properties of Generalized Crack distribution including first four moments, parameters estimation by using the maximum likelihood estimators and method of moment estimation. Evaluate the performance of the estimators by using bias. The results of simulation are presented in numerically and graphically.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,052
Version: metacan-v3-hybrid-931329e0061cStatut 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: Méthodes
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,055

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,052
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,004
Science ouverte0,0010,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,047
Tête enseignante GPT0,342
Écart entre enseignants0,295 · 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 source (Gemma direct ou Codex distillé), 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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWSEAS TRANSACTIONS ON MATHEMATICSMême sujetStatistical Distribution Estimation and ApplicationsTravaux en français237 207