Distribuciones.
Distribución Poisson.
En teoría de probabilidad y estadística, la distribución de
Poisson es una distribución de probabilidad discreta que
expresa, a partir de una frecuencia de ocurrencia media,
la probabilidad de que ocurra un determinado número
de eventos durante cierto período de tiempo.
Concretamente, se especializa en la probabilidad de
ocurrencia de sucesos con probabilidades muy
pequeñas, o sucesos «raros».
Tipificación Variables:
Tipificación
:La transformación más habitual de los datos es lo que llamamos la
tipificación. La tipificación de una variable consiste en restar la media y
dividir por la desviación típica.
Es decir, si tengo la variable formada por los datos (x1, . . . , xn) ,
entonces podemos definir los datos (z1, . . . , zn) como sigue:
𝑥 𝑖ሶ − 𝑥
𝑧𝑖 =
𝑠𝑥
IMC<-c(27.68166, 19.71332, 19.69267, 17.30104, 17.99816, 18.93700, 22.46003, 20.04745,
26.72993, 22.53086, 30.32334, 24.07407)
IMC.tip<-(IMC-mean(IMC))/sd(IMC)
IMC.tip
Distribuciones.
Distribución Poisson.
La distribución de Poisson se aplica a varios
fenómenos discretos de la naturaleza (esto es,
aquellos fenómenos que ocurren 0, 1, 2, 3, …,
veces durante un periodo definido de tiempo o en
un área determinada) cuando la probabilidad de
ocurrencia del fenómeno es constante en el tiempo
o el espacio.
Distribuciones.
Distribución Poisson.
Otro de sus usos frecuentes es la consideración
límite, de procesos dicotómicos reiterados un gran
número de veces, si la probabilidad de obtener un
éxito es muy pequeña, como por ejemplo:
• número de accidentes en un cruce
• número de votantes etc.
variables discretas, enteros.
Distribuciones.
Distribución Poisson.
Características:
•La variable discreta x es el número de ocurrencias de un
suceso durante un intervalo.
• Las ocurrencias deben ser aleatorias y no contener ningún vicio que
favorezca unas ocurrencias en favor de otras.
• Las ocurrencias deben estar uniformemente distribuidas dentro del
intervalo que se emplee.
Distribuciones.
Distribución Poisson.
Cuando Usarla:
A esta distribución se la utiliza cuando cumpla lo siguiente:
• Se aplica a varios fenómenos discretos de la naturaleza.
• Cuando la probabilidad de ocurrencia del fenómeno es constante en el
tiempo o el espacio.
• Hechos de naturaleza aleatoria
Distribuciones.
Distribución Poisson.
Esta distribución es un modelo matemático qué se
define a partir de un único parámetro, que suele notarse
por λ. Generalmente, el parámetro λ representa el
número medio de sucesos que ocurren por unidad de
tiempo. Entonces, podemos definir la variable
aleatoria X = “Número de sucesos aleatorios que
ocurren en un determinado periodo de tiempo” e
identificar su distribución, X → P(λ). Los posibles valores
que puede tomar una variable con distribución de
Poisson van desde 0 a infinito.
Distribuciones.
Distribución Poisson.
Donde:
k es el número de ocurrencias del evento o fenómeno (la función
nos da la probabilidad de que el evento suceda precisamente k
veces).
•e es la base de los logaritmos naturales
•(e = 2,71828…
•λ es un parámetro positivo que representa el número de veces que se espera que
ocurra el fenómeno durante un intervalo dado. Ejm, Un suceso ocurre en promedio 4
veces por minuto nuestro interés la probabilidad de que ocurra k veces en un intervalo
de 10 minutos, usamos un modelo de distribución de Poisson con λ = 10×4 = 40.
.
Distribuciones.
Distribución Poisson.
Ilustración que muestra f, una función de dominio X a
codominio Y. El óvalo pequeño dentro de Y es la imagen
de f, a veces llamado rango de f.
Distribuciones.
Distribución Poisson. Ejm
El número medio de enfermos recibidos cada 10 minutos en un centro sanitario entre las 10
horas y las 15 horas es 1.8. Suponiendo que dicho número de enfermos sigue una
distribución de Poisson. Se pide:
a) Definir una variable aleatoria que cuente el número de enfermos recibidos cada 10
minutos e identificar la distribución de probabilidad que sigue esta variable aleatoria
b) Calcular la probabilidad de que entre las 12 horas y las 12 horas y 10 minutos haya:
b1) Ningún enfermo dpois(x, lambda)
b2) Exactamente 2 enfermos •x: es el valor (o los valores) de la variable para el cual (o los
b3) Más de 8 enfermos cuales) queremos calcular la función masa de
probabilidad
•lambda: es el parámetro que define la distribución de
Poisson.
Distribuciones.
Distribución Poisson. Ejm
a) Definir la variable aleatoria X. Por el enunciado del problema, sabemos que
X = “Número de enfermos recibidos cada 10 minutos en el centro sanitario”. Sabemos,
por el enunciado que X → P(1.8) Lambda λ
b1) Ningún enfermo
En este apartado se pide la probabilidad de que la variable aleatoria X tome exactamente
el valor 0, es decir, el valor de la función masa de probabilidad de X evaluada en el punto
0. Para ello, vamos a utilizar la función dpois.
dpois(0,1.8)
[1] 0.1652989 16,52
Distribuciones.
Distribución Poisson. Ejm
b2) Exactamente 2 enfermos
En este apartado se pide la probabilidad de que la variable aleatoria X tome exactamente el
valor 2, es decir, el valor de la función masa de probabilidad de X evaluada en el punto 2.
Para ello, vamos a utilizar la función dpois.
dpois(2, 1.8)
[1] 0.2677842
P[X = 2] = 0.2677842 26,77%
Distribuciones.
Distribución Poisson. Ejm
b3) Más de 8 enfermos
La probabilidad que nos piden calcular en este caso es P[X ≥9]. Para calcularla, expresamos
una probabilidad del tipo ≥ en función de los valores de la función de distribución de la
variable. Para ello, tendremos en cuenta que
P[X ≥ 9] = 1 – P[X ≤ 8] = 1 – F(8) ojo aca λ es 9
De manera que para calcular P[X ≥ 9] únicamente necesitamos calcular el valor de la función
de distribución de la variable evaluada en el punto 8, para lo cual utilizaremos la función
ppois.
1 – ppois(8, 9) ojo aca cambiamos dpois por ppois
[1] 0.5443474
Por tanto, se tiene que P[X ≥ 9] = 0.5443474
Distribuciones.
Distribución Poisson. Ejm
b4) Obtener la mediana de una variable aleatoria
La Mediana es el valor de la variable que deja a su izquierda el 50% de las observaciones,
quedando el 50% restante a la derecha de tal valor. De aquí se deduce que la mediana de
una variable coincide con el cuantil de orden 0.5 de la variable. Por ello, se utiliza la función
qpois para obtener la mediana de la variable X , así.
qpois(0.5, 1.8)
[1] 2
qpois es una función que llama a los valores de los cuantíles de la distribución quantile en
ingles, calcule usted el 1 cuantil, el 1cuartil, el primer decil y el primer quintil.
Distribuciones.
Distribución Gumbel.
En teoría de probabilidad y estadística la distribución de
Gumbel (1891-1966) es utilizada para modelar la
distribución del máximo (o el mínimo), por lo que se usa
para calcular valores extremos.
Distribuciones.
Distribución Gumbel.
La aplicabilidad potencial de la distribución de
Gumbel para representar los máximos se debe a la
teoría de valores extremos que indica que es
probable que sea útil si la muestra de datos tiene
una distribución normal o exponencial.
Distribuciones.
Distribución Gumbel.
Otro de sus usos frecuentes:
• En la hidrología, por ello, se utiliza la distribución de
Gumbel para analizar variables aleatorias como valores
máximos de la precipitación y la descarga de ríos, y
además para describir épocas de sequía.
• Es un testador imparcial (es decir sin sesgo) de la
probabilidad acumulada alrededor de la moda de la
distribución. Por lo tanto, este estimador a menudo se
emplea como marcador de posición.
Distribuciones.
Distribución Gumbel.
Cuando Usarla:
A esta distribución se la utiliza cuando cumpla lo siguiente:
• Se aplica a varios fenómenos discretos de la naturaleza.
• Cuando la probabilidad de ocurrencia del fenómeno es constante en el
tiempo o el espacio.
• Hechos de naturaleza aleatoria
Distribuciones.
Distribución Gumbel (extrema Tipo I)
6
α= *s
𝜋
ß = 𝑥ҧ -0.5772 α
Donde 𝑥ҧ y s, son la media y la
desviación estándar, estimadas con la muestra.
Pasar a script de R
