BUSCADOR RECOLECTA

Esta fue la primera colección de Eva Iszoro en la que se utilizó inteligencia artificial en combinación con realidad virtual, como ha sido habitual para la marca de moda Accidental Cutting de Eva Iszoro, desde septiembre de 2020, fecha en la que presentó la primera colección de Realidad Virtual en London Fashion Week. ENJOY! es la colección más alegre y desenfadada de la marca Aaccidental Cutting, ubicada en un placentero ambiente veraniego. Esta es la primera vez que la marca emplea tecnología de inteligencia artificial (IA). Sin embargo, el punto de partida de esta colección son los volúmenes virtuales, aplicando el método experimental de patronaje: Accidental Cutting, que es propiedad intelectual de Eva Iszoro y elemento distintivo de la marca y su actividad artística. De esta forma los textos de los prompt se combinan con imágenes de los volúmenes generados con el método Accidental Cutting. Esto asegura un resultado único e irrepetible. Esta fue la séptima colección de la marca presentada en la Semana de la Moda de Londres., ENJOY! colección de moda para la primavera verano 2024, es la primera colección de moda de la marca Accidental Cutting de Eva Iszoro, diseñada con Inteligencia Artificial, que se presentó en la pasarela de moda internacional de la Semana de la Moda de Londres (London Fashion Week) en Septiembre 2023, en un formato de fashion film e imágenes fijas de inteligencia artificial, ambos de autoría de Eva Iszoro. La música fue compuesta por Johnny Paradiso. https://accidentalcutting.com/enjoy-ss-24_ai-fashion/ https://youtu.be/fX6XdkM9eJE?si=uf6Wf-lqOXTmy0tF

Centro Oceanográfico de Murcia. Instituto Español de Oceanografía. Comunidad Autónoma de la Región de Murcia. Consejería de Agricultura y Agua. Dirección General de Ganadería y Pesca. Servicio de Pesca y Agricultura. Fondo Europeo de la Pesca. CE

The aim of this document is to describe how to reproduce the results derived in the article “Exploring and correcting the bias in the estimation of the Gini measure of income inequality”, published in the journal Sociological Methods & Research. First (Section 2), we describe (load) the various R packages required for the computation of the estimators described in this article. In Section 3, we compute the parameters of the probabilistic distributions considered in simulation studies. Section 4 gives examples on how samples can be selected for the various scenarios. For both infinite and finite populations, codes for computing the various estimators of the Gini index are provided in Section 5. Box plots to investigate the effect of the skewness on the bias of the estimation of the Gini index can be seen in Section 6. For the various estimators defined in this document, Section 7 provides codes for computing empirical measures related to such estimators. In particular, functions inf.empirical.measures and fin.empirical.measures gives the: (i) Relative Bias (RB); (ii) Relative Root Mean Square Error (RRMSE); (iii) Bias Ratio (BR); (iv) Expected value based on estimates of the Gini index and; (v) Expected value based on estimates of the coefficient of skewness. Some examples are included, and they indicate how to carry out simulation studies. Finally, various estimators of the Gini index are computed using the data set ES-SILC, with size n=26. The various real data sets can be loaded using the file Datasets.RData., The aim of this document is to describe how to reproduce the results derived in the article “Exploring and correcting the bias in the estimation of the Gini measure of income inequality”, published in the journal Sociological Methods & Research. First (Section 2), we describe (load) the various R packages required for the computation of the estimators described in this article. In Section 3, we compute the parameters of the probabilistic distributions considered in simulation studies. Section 4 gives examples on how samples can be selected for the various scenarios. For both infinite and finite populations, codes for computing the various estimators of the Gini index are provided in Section 5. Box plots to investigate the effect of the skewness on the bias of the estimation of the Gini index can be seen in Section 6. For the various estimators defined in this document, Section 7 provides codes for computing empirical measures related to such estimators. In particular, functions inf.empirical.measures and fin.empirical.measures gives the: (i) Relative Bias (RB); (ii) Relative Root Mean Square Error (RRMSE); (iii) Bias Ratio (BR); (iv) Expected value based on estimates of the Gini index and; (v) Expected value based on estimates of the coefficient of skewness. Some examples are included, and they indicate how to carry out simulation studies. Finally, various estimators of the Gini index are computed using the data set ES-SILC, with size n=26. The various real data sets can be loaded using the file Datasets.RData.

Relació d'ajuts concedits a autors de la Universitat de Barcelona per publicar en accés obert durant l'any 2022. Inclou en format CSV el DOI, el títol, els autors, el nom de la revista i l'import concedit