MODELO PROBABILÍSTICO POISSON-BETA: CARACTERÍSTICAS POR SIMULACIONES GRÁFICAS (POISSON-BETA PROBABILISTIC MODEL: CHARACTERISTICS BY GRAPHIC SIMULATIONS)
Resumen
Los métodos estadísticos para datos de conteo realizan búsquedas de modelos probabilistas con la característica de sobredispersión (σ^2>μ) en fenómenos aleatorios. Es de interés analizar los modelos compuestos de Poisson, en particular, la distribución de probabilidad Poisson-Beta relacionado con la función hipergeométrica confluente. El presente estudio tiene como objetivo describir el comportamiento de la curva de la distribución Poisson-Beta de tres parámetros mediante el software R Project. Este estudio se realizó con un enfoque cuantitativo y de alcance descriptivo que consistió en una serie de códigos en R para la simulación de curvas de probabilidad acumulada y los cálculos: mediana y curtosis. Conclusiones: Se observaron, cuando α-fija y β-aumenta, que las curvas sigmoidales se desplazaron hacia la izquierda, hacia arriba y aumentó la curtosis. Cuando β-fija y α-aumenta, las curvas se desplazan hacia la derecha, hacia abajo y disminuyó la curtosis.
Palabras Clave: Datos de conteo, distribución Poisson-Beta, función hipergeométrica confluente, scModels, sobredispersión.
Abstract
Statistical methods for counting data search for probabilistic models with the characteristic of over-dispersion (σ^2>μ) in random phenomena. It is of interest to analyze the Poisson compound models, in particular, the Poisson-Beta probability distribution related to the confluent hypergeometric function. The present study aims to describe the behavior of the three-parameter Poisson-Beta distribution curve using the R Project software. This study was carried out with a quantitative and descriptive approach that consisted of a series of codes in R for the simulation of cumulative probability curves and the calculations: median and kurtosis. Conclusions: When α-fixed and β-increased, it was observed that the sigmoidal curves shifted to the left, upwards and the kurtosis increased. When β-fixed and α-increased, the curves shifted to the right, downward and the kurtosis decreased.
Keywords: Confluent hypergeometric function, count data, over-dispersion, Poisson-Beta distribution, scModels.
Texto completo:
80-93 PDFReferencias
Amrhein, L., Harsha, K. & Fuchs, C. (2019a). A mechanistic model for the negative binomial distribution of single-cell mRNA counts. BioRxiv, the preprint server for biology. Recuperado de: https://www.biorxiv.org/content/10.1101/657619v2
Amrhein, L., Harsha, K. & Fuchs, C. (2019b). Fitting discrete distribution models to count data: scModels. R package version 1.0.1. https://CRAN.R-project.org/package=scModels
Cameron, A.C. & Trivedi, P.K. (1998). Regression Analysis of Count Data. UK: Cambridge University Press.
Dodge, Y. (2003). The Oxford Dictionary of Statistical Terms. New York: Oxford University Press.
Gómez-Déniz, E., Sarabia, J. M. & Prieto, F. (2009). La distribución poisson-beta: aplicaciones y propiedades en la teoría del riesgo colectivo. Revista Anales del Instituto de Actuarios Españoles, Tercera Época, 15: 141-160. Recuperado de: https://www.actuarios.org/publicaciones/revista-anales/anales-2009/
Gómez-Déniz, E., Hernández-Bastida, A. & Fernández-Sánchez, M. P. (2016). A suitable discrete distribution for modelling automobile claim frequencies. Bulletin of the Malaysian Mathematical Sciences Society, 39: 633-647.
Hilbe, J. M. (2017). The statistical analysis of count data. Culture y Education, 29(3): 409-460.
Karlis, D. & Xekalaki, E. (2005). Mixed Poisson Distributions. International Statistical Review, 73(1): 35–58.
Lindsey, J. K. (1995). Modelling frequency and count data. New York: Oxford University Press Inc.
Mahmoudiy, E., Zamaniz, H. & Meshkat, R. (2018). Poisson-Beta exponential distribution: Properties and applications. Journal Statistical Research of Iran, 15: 119–146.
Moreno-Quintero, E. & Nieves-Cruz, V. (2019). Modelos de probabilidad en transporte e ingeniería: usos comunes y ajuste de datos. Publicación Técnica No. 545, Querétaro, México: Instituto Mexicano del Transporte. Recuperado de: https://imt.mx/archivos/Publicaciones/PublicacionTecnica/pt545.pdf
R Core Team (2018). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. Recuperado de: https://www.R-project.org/
Rdrr.io. (2019). API for scModels: Fitting Discrete Distribution Models to Count Data. Recuperado de: https://rdrr.io/cran/scModels/api/
Salinas-Rodríguez, A., Manrique-Espinoza, B., & Sosa-Rubí, S. G. (2009). Análisis estadístico para datos de conteo: aplicaciones para el uso de los servicios de salud. Salud Pública México, 51: 397-406.
Vu, T., Wills, Q., Kalari, K., Niu, N., Wang, L., Rantalainen, M. & Pawitan, Y. (2016). Modelo Beta-Poisson para análisis de datos de secuencia de ARN de una sola célula. Bioinformatics, 32(14): 2128–2135.
URL de la licencia: https://creativecommons.org/licenses/by/3.0/deed.es
Pistas Educativas está bajo la Licencia Creative Commons Atribución 3.0 No portada.
TECNOLÓGICO NACIONAL DE MÉXICO / INSTITUTO TECNOLÓGICO DE CELAYA
Antonio García Cubas Pte #600 esq. Av. Tecnológico, Celaya, Gto. México
Tel. 461 61 17575 Ext 5450 y 5146
pistaseducativas@itcelaya.edu.mx