Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.018 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.008 | 0.010 |
| Open science | 0.004 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.023 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".