Procesos de renovación
Notice bibliographique
Résumé
Un proceso de Poisson es un proceso estocástico que representa el número de eventos o llegadas a un sistema que ocurren en un intervalo de tiempo, en el que los tiempos entre llegadas consecutivas son variables aleatorias independientes e idénticamente distribuidas, con distribución común exponencial. Los procesos de Poisson surgen naturalmente en una gran variedad de situaciones de la vida diaria. Por ejemplo, el proceso de Poisson o sus extensiones han sido utilizados para modelizar, entre otros, el número de accidentes de tráfico en un área, la localización de los usuarios de una red inalámbrica, las solicitudes de documentos por individuos en un servidor web o el estallido de guerras. Además, el proceso de Poisson es uno de los modelos más importantes usados en teoría de colas. Una generalización de estos procesos son los procesos de renovación, en los que los tiempos entre llegadas, si bien independientes, no siguen necesariamente una distribución exponencial. El objetivo general de este trabajo es generalizar los procesos de Poisson a la situación en la que los tiempos de ocurrencia entre eventos sea cualquier sucesión de variables aleatorias independientes e idénticamente distribuidas, obteniéndose así los procesos de renovación. Para estos procesos los objetivos específicos son desarrollar su teoría probabilística y presentar algunas de sus aplicaciones.
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 | 0,005 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 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 ».