MODELO PROBABILÍSTICO POISSON-BETA: CARACTERÍSTICAS POR SIMULACIONES GRÁFICAS (POISSON-BETA PROBABILISTIC MODEL: CHARACTERISTICS BY GRAPHIC SIMULATIONS)

Francisco Alberto Hernández de la Rosa, María Teresa Fernández Mena, Ana Laura Fernández Mena, Manuel Antonio Rodríguez Magaña

Resumen


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 PDF

Referencias


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

Barra de separación

Licencia Creative Commons    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

http://pistaseducativas.celaya.tecnm.mx/index.php/pistas