Repozytorium Wydziałowe Zbigniew LEONOWICZ

Prezentacja na temat: "Repozytorium Wydziałowe Zbigniew LEONOWICZ"— Zapis prezentacji:

1 Repozytorium Wydziałowe Zbigniew LEONOWICZ

2 CELE Otwarte internetowe źródło informacji
Wzrost IMPACT’u naszych publikacji, CYTOWANIA (dowiedziony od 69 do 500% - tylko 20% naszych publikacji jest ŁATWO dostępnych) Zwiększenie prestiżu instytucji Witryna Wydziału - REKLAMA – współpraca, studenci zagr. Archiwum Inicjatywa OPEN ACCESS OAI

3 Środki System CDS-Invenio 0.99 (CERN) gratis, także support (szef projektu Tibor Simko) – aplikacja Python. System operacyjny Linux Debian 4 etch Sprzęt serwer Intel Core Duo 2,2 1GB RAM, dysk 2 x 160 GB , codzienny równoległy (3x) backup, 100 MB/s BARDZO NISKIE koszty, bezpieczeństwo, wysoka niezawodność.

4 Możliwości CDS-Invenio
Archiwizacja Wyszukiwanie Tworzenie kolekcji tematycznych Ranking – podobieństwo, cytowania, itp. tak jak w Google System oceny, dyskusji, grup uczestników, koszyki (jak w Amazon.com) i wiele innych wymiana danych przez OAI-PMH z innymi repozytoriami. Problem of robustness of estimation of the data location The problem of sensitivity of an estimator to the presence of outliers, i.e. \the data points that deviate from the pattern set by the majority of the data set" (Hampel et al., 1986), has lead to the development of robust location measures. Robustness of an estimator is measured by the breakdown value, which tells us how many data points need to be replaced by arbitrary values in order to make the estimator explode (tend to in¯nity) or implode (tend to zero). For instance: arithmetic mean has 0% breakdown whilst median is very robust with breakdown value of 50% (Hampel et al., 1986).

5 Użytkownicy Autorzy prac naukowych, publikacje, preprinty, dane, programy, etc. Studenci – prace dyplomowe, doktorskie Recenzenci Organizatorzy konferencji Edytorzy czasopism naukowych (np. nasze czasopismo wydziałowe) Firmy – patenty, rozwiązania The most widely used statistical measure and the best known estimator of location is the arithmetic mean .The arithmetic mean is a standard location estimator used for averaging for many other purposes, however, it is not robust. In the case of arithmetic mean, only one outlier may make the estimate infinitely large or small. The breakdown value is calculated as lim(N->inf)(1/N)=0 Many location estimators can be presented in uni¯ed way by ordering the values of the sample as x(1) <= x(2) · ::: · x(N) and then applying the weight function wi (Stuart, 1994) where wi is a function designed specifically to reduce the influence of certain observations (data points) in form of weighting and x(i) represents the ordered data. For the arithmetic mean it holds wi = 1/N .

6 http://zet10.ipee.pwr.wroc.pl Konieczne Udostępnianie pełnych tekstów
Współtworzenie przez wszystkich Rejestracja jako użytkownik Dodawanie publikacji na bieżąco, wystarczy 5-10 minut Median Suppose that the data have the size of (2M+1), where M is a positive integer, then the median is the value of the (M +1)th ordered observation. In the case of even data size 2M the median is defined as the value of the mean of the samples M and M + 1. According to the framework of equation (2) the weight one is applied to the (M+1)th sample in the case when the number of samples is odd and weights equal to 1 2 to both Mth and (M + 1)th samples when the number of samples is even (Stuart, 1994) (see Fig.1(b)). 7 2.5 Trimmed mean For the alfa-trimmed mean (where p = alfa N) the weights wi as in (2) can be defined as: Thus, the trimmed mean correspond to the mean value of data samples where p highest and p lowest samples are removed (see Fig.1(c)).

7 Prawne Licencja niewyłączna
Ogromna większość wydawnictw zezwala na publikację preprintów (IEEE) SHERPA

8 Zalety Każdy użytkownik systemu ma PEŁNĄ kontrolę nad swoimi dokumentami – to nie jest biblioteka! Może (i powinno) być wielu administratorów Można w dowolnym zakresie ograniczać dostęp do każdego dokumentu indywidualnie (od nowej wersji 0.99) Stymuluje współpracę wewnątrz Wydziału, wymianę materiałami dydaktycznymi, danymi pomiarowymi , programami- łatwość wyszukiwania. Winsorized mean In the case of trimmed mean, the tails of the distribution of the data are simply ignored. It can lead to the loss of information and should be avoided when the sample size is small. Winsorized mean is similar to trimmed mean with the exception that it replaces each observation in each alfa fraction (p = alfa N) of the tail of the distribution by the value of the nearest una®ected observation. Weight wi becomes here wi = Usually, the values in the range 0 <= p <= 0,25N are considered, depending on the heaviness of the tails of the distribution. An interesting observation is that the median can be viewed as an extreme case of the trimmed mean or Winsorized mean when only one or two central data points are retained (Stuart, 1994).

9 Proszę o współpracę