Exponential-gamma-Rayleigh distribution and its applications
Notice bibliographique
Résumé
probability distribution help researcher and practitioners understand and model complex behaviour of rainfall data, ultimately behaviour of rainfall data and decision making in field of hydrology, water resource management and climate change impact assessment which intensify for specific duration simulation event and generate synthetic rainfall data and also optimize water resource management by modelling the probability of future rainfall scenarios Understanding and interpreting data behaviour more scientifically is an essential stage in every field of life. Statistical methods are used in applied in fields of hydrological, and mesosphere and lower thermosphere weather observations. Several researchers have generated new adaptable distributions from existing distributions using various modification techniques to increase their flexibility in rainfall modelling data. These adaptable distributions are created by adding extra parameters to the baseline distribution with generators or combining two distributions (Ali, et al., 2021). These modified distributions can model data sets efficiently and in most case, provide the best fit to data sets when applied because they have more parameters and are more adaptable than their baseline distributions. Data on the thirty observations for March rainfall in Minneapolis/St Paul (in inches), the data set has been used by Isa, et al., (2022), data sets obtained from Lee and Wang, (2003), and , the data set obtained from Fatima and Ahmad, (2017), which represents the 72 exceedances of flood maxima (in m3/s) of the Wheaton River near Carcoss in Yukon Territory, Canada, from 1958 to 1984 (rounded to one decimal point). The newly developed probability distributions robustness and versatility are evaluated by comparing them to other related existing probability distributions, such as the Exponential, Gamma, and Rayleigh distributions. Also, the Exponential-Gamma distribution developed by Ogunwale, et al., (2019), using goodness of fit measurements The Python 3.10.10 software package was used to analyse the data. The Akaike information criterion (AIC), Bayesian information criterion (BIC), and log-likelihood function (l) are the goodness of fit measures discussed. The probability distribution with the lowest Akaike information criterion (AIC), Bayesian information criterion (BIC), or highest log-likelihood function (l) value will be used to determine the best-suited model.
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 | 0,004 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».