Probabilité et temps de fixation à lâaide de processus ancestraux
Bibliographic record
Abstract
Ce mémoire analyse lâespérance du temps de fixation conditionnellement à \nce quâelle se produise et la probabilité de fixation dâun nouvel allèle mutant\ndans des populations soumises à différents phénomènes biologiques en uti-\nlisant lâapproche des processus ancestraux. Tout dâabord, lâarticle de Tajima\n(1990) est analysé et les différentes preuves y étant manquantes ou incomplètes\nsont détaillées, dans le but de se familiariser avec les calculs du temps de fixa-\ntion. Lâétude de cet article permet aussi de démontrer lâimportance du temps\nde fixation sur certains phénomènes biologiques. Par la suite, lâeffet de la sé-\nlection naturelle est introduit au modèle. Lâarticle de Mano (2009) cite un ré-\nsultat intéressant quant à lâespérance du temps de fixation conditionnellement\nà ce que celle-ci survienne qui utilise une approximation par un processus de\ndiffusion. Une nouvelle méthode utilisant le processus ancestral est présentée\nafin dâarriver à une bonne approximation de ce résultat. Des simulations sont\nfaites afin de vérifier lâexactitude de la nouvelle approche. Finalement, un mo-\ndèle soumis à la conversion génique est analysé, puisque ce phénomène, en\nprésence de biais, a un effet similaire à celui de la sélection. Nous obtenons\nfinalement un résultat analytique pour la probabilité de fixation dâun nouveau\nmutant dans la population. Enfin, des simulations sont faites afin de détermi-\nnerlaprobabilitédefixationainsiqueletempsdefixationconditionnellorsque\nles taux sont trop grands pour pouvoir les calculer analytiquement.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".