Caso 19 Distribución Poisson
Samuel Damas Montes
2023-04-29
Objetivo
Identificar los valores de la función de probabilidad bajo la fórmula de distribución de Poisson.
Descripción
Realizar distribuciones de probabilidad conforme a la distribución de probabilidad de Poisson a partir del valor medio dado en ejercicios.
Se generan las tablas de probabilidad conforme a distribución Poisson, se identifican los valores de probabilidad cuando la variable discreta \(x\) tenga algún exactamente algún valor, \(\leq\) a algún valor o \(\gt\) o \(\geq\), entre otros.
Fundamento teórico
Otra variable aleatoria discreta que tiene numerosas aplicaciones prácticas es la variable aleatoria de Poisson. Su distribución de probabilidad da un buen modelo para datos que representa el número de sucesos de un evento especificado en una unidad determinada de tiempo o espacio (Mendenhall, Beaver, and Beaver 2006).
Los experimentos que dan valores numéricos de una variable aleatoria X, el número de resultados que ocurren durante un intervalo dado o en una región específica, se llaman experimentos de Poisson.(Walpole, Myers, and Myers 2012)
Esta distribución discreta, suele usarse para estimar el número de veces que sucede un hecho determinado (ocurrencias) en un intervalo de tiempo o de espacio. Por ejemplo,
La variable de interés va desde el número promedio de automóviles que llegan (llegadas) a un lavado de coches en una hora o
El número medio de reparaciones necesarias en 10 kms. de una autopista o,
El número promedio de fugas de agua en tubería en un lapso 3 meses.
El número de focos promedio que fallan en una cantidad de lote de 1000 focos.
El número medio de fugas en 100 kms.de tubería, entre otros (Anderson, Sweeney, and Williams 2008).
Fórmula
\[ f(x) = \frac{{e^{ - \mu }\cdot \mu ^x }}{{x!}} \] en donde:
\(f(x)\) es la función de probabilidad para valores de \(x=0,1,2,3..,n\).
\(\mu\) es el valor medio esperado en cierto lapso de tiempo. Algunas veces expresado como \(\lambda\) lambda.
\(x\) es la variable aleatoria. Es una variable aleatoria discreta \((x = 0, 1,. 2, . . . )\)
\(e\) valor constante, es la base de los logaritmos naturales \(2.71728\).
Propiedades de un evento Poisson:
La probabilidad de ocurrencia es la misma para cualquiera de dos intervalos de la misma longitud.
La ocurrencia o no ocurrencia en cualquier intervalo es independiente de la ocurrencia o no ocurrencia en cualquier otro intervalo.
El factor de proporcionalidad para la probabilidad de un hecho en un intervalo infinitésimo. Se le suele designar como parámetro de intensidad y corresponde con el número medio de hechos que cabe esperar que se produzcan en un intervalo unitario (media de la distribución);
El valor de la media también coincide con la varianza de la distribución.
Se trata de un modelo discreto y que el campo de variación de la variable será el conjunto de los número naturales, incluido el cero: \(x \in \text{{0, 1, 2, 3, 4 ......... ......}}\)
Probabilidad acumulada
\[ F(x) = \sum_{0}^{n}f.x_i \]
Esperanza, varianza y desviación estándard
Los valores de la esperanza (o media) y de la varianza para la distribución de Poisson son de la siguiente manera:
El valor medio o esperanza\[E(X) = \lambda \]
La varianza\[Var(X) = \sigma^{2} = \lambda\]
Es decir, tanto el valor esperado como la varianza de una variable aleatoria con distribución de Poisson son iguales.
La desviación\[\sigma = \sqrt{Var(x)} = \sqrt{\sigma^{2}}\]
El los siguiente ejercicios se hace uso de funciones de distribución para Poisson en R, al igual que otras de las distribuciones de probabilidad, R trae consigo funciones de paquete base que ya permiten calcular la probabilidad, la densidad y la generación de números aleatorios, entre otras.
De igual modo se tienen funciones previamente codificadas que generan los mismos resultados en la dirección: https://raw.githubusercontent.com/rpizarrog/probabilidad-y-estad-stica/master/2023/funciones/funciones%20para%20disribuciones%20de%20probabilidad.R
Desarrollo
Cargar librerías
library(dplyr)
library(ggplot2)
library(mosaic) # Gráficos de distribuciones
library(cowplot) #Imágenes en el mismo renglón
library(plotly)
options(scipen=999) # Notación normal
# options(scipen=1) # Notación científicaNotación normal
options(scipen=999) # Notación normal Cargar funciones
#source("../funciones/funciones.distribuciones.r")
# o
source("https://raw.githubusercontent.com/rpizarrog/probabilidad-y-estad-stica/master/2023/funciones/funciones%20para%20disribuciones%20de%20probabilidad.R")##
## Attaching package: 'gtools'## The following object is masked from 'package:mosaic':
##
## logitEjercicios
Se describen ejercicios en donde se encuentra la función de distribución
Llegadas a cajero automático
Suponga que desea saber el número de llegadas, en un lapso de 15 minutos, a la rampa del cajero automático de un banco.(Anderson, Sweeney, and Williams 2008)
Si se puede suponer que la probabilidad de llegada de los automóviles es la misma en cualesquiera de dos lapsos de la misma duración y si la llegada o no–llegada de un automóvil en cualquier lapso es independiente de la llegada o no–llegada de un automóvil en cualquier otro lapso, se puede aplicar la función de probabilidad de Poisson.
Dichas condiciones se satisfacen y en un análisis de datos pasados encuentra que el número promedio de automóviles que llegan en un lapso de 15 minutos es igual a 10;
Aquí la variable aleatoria es \(x\) número de automóviles que llegan en un lapso de 15 minutos.
Probabilidad de que lleguen exactamente 5 automóviles en 15 minutos
Si la administración desea saber la probabilidad de que lleguen exactamente 5 automóviles en 15 minutos, \(x=5\),y se obtiene:
Inicializando variables y valores, estos valores son los parámetros que requiere la función de Poisson. \(x\) como variable aleatoria, \(\mu\) (miu) o \(\lambda\) (lambda) es el valor medio de la distribución y \(n\) como un valor final de los valores de la variable discreta \(x\), desde \(0\) hasta \(n\);.
Este último valor de \(n\) puede modificarse y observar los valores de densidad (probabilidad) de la variable discreta van reduciendo poco a poco.
media <- 10 # Media o lambda en la función de densidad
x <- 5 # Valores de la variable disreta
n = 25 # Estimado final de la variable aleatoria x , pero puede variarUtilizando la función creada conforme a la fórmula
prob <- round(f.prob.poisson(media = media, x = x),4)
paste("La probabilidad de que sean exactamente 5 automóviles es de : ", prob)## [1] "La probabilidad de que sean exactamente 5 automóviles es de : 0.0378"Utilizando la función dpois()
prob2 <- round(dpois(x = x, lambda = media),4)
paste("La probabilida de que sean exactamente 5 automóviles es de : ", prob2)## [1] "La probabilida de que sean exactamente 5 automóviles es de : 0.0378"Para este caso al igual que las entregas de Caso de binomial e hipergeométrica, también se hace uso de la función previamente f.poisson.all(…) construída para este fín y que se encuentra en el script previamente cargado con la función source().
Esta función f.poisson.all(…), devuelve entre otras cosas, la tabla de distribución, el valor esperado, la varianza, la desviación estándar así como las visualizaciones gráficas de la densidad, histograma y acumulado de la variable discreta Poisson.
Tabla de probabilidad y gráfica de la probabilidad de Poisson.
Se crea una tabla de distribución codificada manualmente
tabla1 <- data.frame(x=0:25, f.x = round(dpois(x = 0:25, lambda = media),8), F.x = round(ppois(q=0:25, lambda = media), 8))
tabla1## x f.x F.x
## 1 0 0.00004540 0.00004540
## 2 1 0.00045400 0.00049940
## 3 2 0.00227000 0.00276940
## 4 3 0.00756665 0.01033605
## 5 4 0.01891664 0.02925269
## 6 5 0.03783327 0.06708596
## 7 6 0.06305546 0.13014142
## 8 7 0.09007923 0.22022065
## 9 8 0.11259903 0.33281968
## 10 9 0.12511004 0.45792971
## 11 10 0.12511004 0.58303975
## 12 11 0.11373640 0.69677615
## 13 12 0.09478033 0.79155648
## 14 13 0.07290795 0.86446442
## 15 14 0.05207710 0.91654153
## 16 15 0.03471807 0.95125960
## 17 16 0.02169879 0.97295839
## 18 17 0.01276400 0.98572239
## 19 18 0.00709111 0.99281350
## 20 19 0.00373216 0.99654566
## 21 20 0.00186608 0.99841174
## 22 21 0.00088861 0.99930035
## 23 22 0.00040391 0.99970426
## 24 23 0.00017561 0.99987988
## 25 24 0.00007317 0.99995305
## 26 25 0.00002927 0.99998232Se hace la misma tabla de distribución usando la variable resultado que provienen de haber ejecutado la función previamente.
Ejecutando la función f.poisson.all(…)
resultado <- f.poisson.all(media = media)## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.tabla <- resultado$tabla
tabla## x f.x F.x
## 1 0 0.00004540 0.00004540
## 2 1 0.00045400 0.00049940
## 3 2 0.00227000 0.00276940
## 4 3 0.00756665 0.01033605
## 5 4 0.01891664 0.02925269
## 6 5 0.03783327 0.06708596
## 7 6 0.06305546 0.13014142
## 8 7 0.09007923 0.22022065
## 9 8 0.11259903 0.33281968
## 10 9 0.12511004 0.45792971
## 11 10 0.12511004 0.58303975
## 12 11 0.11373640 0.69677615
## 13 12 0.09478033 0.79155648
## 14 13 0.07290795 0.86446442
## 15 14 0.05207710 0.91654153
## 16 15 0.03471807 0.95125960
## 17 16 0.02169879 0.97295839
## 18 17 0.01276400 0.98572239
## 19 18 0.00709111 0.99281350
## 20 19 0.00373216 0.99654566
## 21 20 0.00186608 0.99841174El resultado de ambas tablas debe ser similar.
Visualizando probabilidad de Poisson
Se presentan la gráfica de probabilidad con histograma y la densidad respectivamente. Se utiliza la llamada de la variable resultado.
plot_grid(resultado$g.dens, resultado$g_all$dens)
Histograma y acumulado
plot_grid(resultado$g_barra, resultado$g_all$acum)
Usando plotly para visualizaciones dinámicas
resultado$g.hist.plotlyresultado$g.acum.plotly¿Cual es la probabilidad de que X sea menor o igual a diez?
\[f(x \leq10) = P(x=0) + P(x=1) + P(x=2) + P(x=3) + ... + P(x=10)\]
i <- 10
tabla$F.x[i + 1]## [1] 0.5830397paste("La probabilidad de que el valor de x sea menor o igua a 10 es: ", tabla$F.x[i + 1])## [1] "La probabilidad de que el valor de x sea menor o igua a 10 es: 0.58303975"Usando ppois()
ppois() determina la probabilidad acumulada de una distribución Poisson.
prob <- round(ppois(q = 10, lambda = media), 4)
paste("La probabilidad de que el valor de x sea menor o igua a 10 es: ", prob)## [1] "La probabilidad de que el valor de x sea menor o igua a 10 es: 0.583"Media diferente
En el ejemplo anterior se usó un lapso de 15 minutos, pero también se usan otros lapsos. Suponga que desea calcular la probabilidad de una llegada en un lapso de 3 minutos.
Regla de tres:
\[ 10 = 15\] \[ ? = 3\]
Entonces, la probabilidad de \(x=4\) llegadas en un lapso de 3 minutos con \(μ = 2\) está dada por la siguiente nueva función de probabilidad de Poisson.
\[ \mu = 2 \]
\[ f(x) = \frac{{e^{ - \mu }\cdot \mu ^x }}{{x!}} \]
Entonces ….
media <- 2
x <- 4prob <- round(dpois(x = 4, lambda = media),4)
paste("La probabilidad cuando x = 4 y media igual a 2 es del:", prob * 100, "%")## [1] "La probabilidad cuando x = 4 y media igual a 2 es del: 9.02 %"El valor de la esperanza media
Regresando a la media \(\mu = 10 \text{ o }\lambda = 10\) , entonces la esperanza media es igual a: \(10\)
La varianza
La varianza es igual a \(10\)
La desviación estándar
La raiz cuadrada de \(\sqrt{10}\)
sqrt(media)## [1] 1.414214Interpretación
Este caso se trata de un análisis de llegadas a un cajero automático en un lapso de 15 minutos, donde se desea conocer la probabilidad de que lleguen exactamente 5 automóviles. Para ello, se aplica la distribución de probabilidad de Poisson, ya que se puede suponer que la probabilidad de llegada de los automóviles es la misma en cualquier lapso de la misma duración, y la llegada o no-llegada de un automóvil en cualquier lapso es independiente de la llegada o no-llegada de un automóvil en cualquier otro lapso.
Se establece que el número promedio de automóviles que llegan en un lapso de 15 minutos es 10, lo que indica que la media de la distribución de Poisson es igual a 10. Luego se utiliza la función de probabilidad de Poisson para obtener la probabilidad de que lleguen exactamente 5 automóviles en 15 minutos. Además, se crea una tabla de distribución y se presentan visualizaciones gráficas de la distribución de Poisson. Por último, se determina la probabilidad de que X sea menor o igual a diez.
Instalaciones industriales
En ciertas instalaciones industriales los accidentes ocurren con muy poca frecuencia. Se sabe que la probabilidad de un accidente en cualquier día dado es \(0.005\) y los accidentes son independientes entre sí (Walpole, Myers, and Myers 2012).
¿Cuál es la probabilidad de que en cualquier periodo dado de 400 días
habrá un accidente en un día?
Se multiplica la cantidad la de días por su probabilidad para encontrar
la media. Esta media será el parámetro para la distribución
Poisson.
n <- 400
prob <- 0.005
media <- n * prob
media## [1] 2La variable aleatoria son los días desde \(x=0\)…hasta \(x=n\)
La tabla de distribución de probabilidad de Poisson
resultado <- f.poisson.all(media = media)tabla <- resultado$tabla
tabla## x f.x F.x
## 1 0 0.13533528 0.1353353
## 2 1 0.27067057 0.4060059
## 3 2 0.27067057 0.6766764
## 4 3 0.18044704 0.8571235
## 5 4 0.09022352 0.9473470Visualización de Poisson
Se presentan la gráfica de probabilidad con histograma y la densidad respectivamente. Se utiliza la llamada de la variable resultado.
plot_grid(resultado$g.dens, resultado$g_all$dens)
Histograma/Barra y acumulado
plot_grid(resultado$g_barra, resultado$g_all$acum)
Usando plotly para visualizaciones dinámicas
resultado$g.hist.plotlyresultado$g.acum.plotly¿Cuál es la probabilidad de que en cualquier periodo dado de 400 días habrá un accidente en un día?
\(f(x=1)\)
Recordar que el índice de la tabla empieza en el valor cero de tal forma que se necesita el siguiente valor \(x+1\) en la tabla:
i <- 1
prob <- tabla$f.x[i+1]
paste("La probabilidad del valor de x=1 es: ", prob)## [1] "La probabilidad del valor de x=1 es: 0.27067057"paste("La probabilidad del valor de x=1 es: ", round(dpois(x = 1, lambda = media), 4))## [1] "La probabilidad del valor de x=1 es: 0.2707"¿Cuál es la probabilidad de que haya a lo más tres días con un accidente?
- El indice en la tabla comienza en cero \[ f(x=0) + f(x=1) + f(x=2) + f(x=3) \\ 0.13533528 + 0.27067057 + 0.27067057 + 0.18044704 = 0.8571235 \]
i <- 3
prob <- round(tabla$F.x[i+1],4)
paste("La probabilidad del valor de x<=3 es: ", prob)## [1] "La probabilidad del valor de x<=3 es: 0.8571"paste("La probabilidad acumlada del valor de x<=3 es: ", round(ppois(q = 3, lambda = media, lower.tail = TRUE), 4))## [1] "La probabilidad acumlada del valor de x<=3 es: 0.8571"Interpretación
En este caso se trata de determinar la probabilidad de que en un período de 400 días haya un accidente en un día. Se asume que los accidentes son independientes entre sí y se sabe que la probabilidad de un accidente en cualquier día dado es de 0.005.
Para abordar el problema, se utiliza la distribución de Poisson, la cual es adecuada para modelar la probabilidad de ocurrencia de un evento raro en un intervalo de tiempo dado, cuando la tasa de ocurrencia del evento es baja y se cumplen ciertas condiciones de independencia y homogeneidad.
Se calcula la media de la distribución de Poisson a partir de la multiplicación de la cantidad de días por su probabilidad. Luego, se utiliza la tabla de distribución de probabilidad de Poisson para encontrar la probabilidad de que en cualquier período dado de 400 días habrá un accidente en un día, la cual es de aproximadamente 0.018.
También se resuelve la probabilidad de que haya a lo más tres días con un accidente. Para ello, se suman las probabilidades de los eventos individuales que conforman el evento en cuestión, utilizando la función de distribución acumulada de Poisson. La probabilidad de que haya a lo más tres días con un accidente es de aproximadamente 0.857.
Fabricante de automóviles
Un fabricante de automóviles se preocupa por una falla en el mecanismo de freno de un modelo específico. La falla puede causar en raras ocasiones una catástrofe a alta velocidad. Suponga que la distribución del número de automóviles por año que experimentará la falla es una variable aleatoria de Poisson con \(\lambda = 5\) (Walpole, Myers, and Myers 2012).
Inicializando valores
media <- 5La tabla de distribución cuando media igual a 5
resultado <- f.poisson.all(media = media)tabla <- resultado$tabla
tabla## x f.x F.x
## 1 0 0.00673795 0.00673795
## 2 1 0.03368973 0.04042768
## 3 2 0.08422434 0.12465202
## 4 3 0.14037390 0.26502592
## 5 4 0.17546737 0.44049329
## 6 5 0.17546737 0.61596065
## 7 6 0.14622281 0.76218346
## 8 7 0.10444486 0.86662833
## 9 8 0.06527804 0.93190637
## 10 9 0.03626558 0.96817194
## 11 10 0.01813279 0.98630473Visualización de Poisson
Se presentan la gráfica de probabilidad con histograma y la densidad respectivamente. Se utiliza la llamada de la variable resultado.
plot_grid(resultado$g.dens, resultado$g_all$dens)
Histograma/barra y lineal acumulado
plot_grid(resultado$g_barra, resultado$g_all$acum)
Usando plotly para visualizaciones dinámicas
resultado$g.hist.plotlyresultado$g.acum.plotly¿Cuál es la probabilidad de que, a lo más, 3 automóviles por año sufran una catástrofe?
\[f(X \leq 3)\]
\[f(X=0) + f(X=1) + f(X=2) + f(X=3)\]
i <- 3
prob <- tabla$F.x[i+1]
paste("La probabilidad del valor de x<=3 es: ", round(prob * 100,4), "%")## [1] "La probabilidad del valor de x<=3 es: 26.5026 %"paste("La probabilidad del valor de x<=3 es: ", round(ppois(q = 3, lambda = media),4) * 100, "%")## [1] "La probabilidad del valor de x<=3 es: 26.5 %"¿Cuál es la probabilidad de que más de 1 automóvil por año experimente una catástrofe?
\[ 1 - F(X \leq 1) \] \[ 1 - (f(X=0) + f(x=1))\]
i <- 1
prob <- 1 - tabla$F.x[i+1]
paste("La probabilidad del valor de x>1 es: ", round(prob * 100,4), "%")## [1] "La probabilidad del valor de x>1 es: 95.9572 %"prob <- ppois(q = 1, lambda = media, lower.tail = FALSE)
paste("La probabilidad del valor de x>1 es: ", round(prob * 100,4), "%")## [1] "La probabilidad del valor de x>1 es: 95.9572 %"¿Cuál es la probabilidad de que, a lo más, 3 automóviles por año sufran una catástrofe?
\[f(X \leq 3)\]
\[f(X=0) + f(X=1) + f(X=2) + f(X=3)\]
i <- 3
prob <- tabla$F.x[i+1]
paste("La probabilidad del valor de x<=3 es: ", round(prob * 100,4), "%")## [1] "La probabilidad del valor de x<=3 es: 26.5026 %"paste("La probabilidad del valor de x<=3 es: ", round(ppois(q = 3, lambda = media),4) * 100, "%")## [1] "La probabilidad del valor de x<=3 es: 26.5 %"¿Cuál es la probabilidad de que más de 1 automóvil por año experimente una catástrofe?
\[ 1 - F(X \leq 1) \] \[ 1 - (f(X=0) + f(x=1))\]
i <- 1
prob <- 1 - tabla$F.x[i+1]
paste("La probabilidad del valor de x>1 es: ", round(prob * 100,4), "%")## [1] "La probabilidad del valor de x>1 es: 95.9572 %"prob <- ppois(q = 1, lambda = media, lower.tail = FALSE)
paste("La probabilidad del valor de x>1 es: ", round(prob * 100,4), "%")## [1] "La probabilidad del valor de x>1 es: 95.9572 %"Interpretación
Este caso plantea un escenario donde un fabricante de automóviles está preocupado por una falla en el mecanismo de freno de uno de sus modelos que puede causar una catástrofe en raras ocasiones a alta velocidad. Se supone que la distribución del número de automóviles por año que experimentarán la falla es una variable aleatoria de Poisson con \(\lambda = 5\).
A partir de esta información se realizan diferentes cálculos y visualizaciones relacionadas con la distribución de Poisson. Se muestra la tabla de distribución cuando la media es igual a 5 y se visualiza la probabilidad mediante gráficos de probabilidad con histograma y densidad. Además, se utilizan los valores de la tabla para responder preguntas específicas, como la probabilidad de que, a lo más, 3 automóviles por año sufran una catástrofe y la probabilidad de que más de 1 automóvil por año experimente una catástrofe.
En resumen, este caso ilustra el uso de la distribución de Poisson para modelar una situación donde se está interesado en conocer la probabilidad de ocurrencia de un evento raro, en este caso la falla en el mecanismo de freno de un modelo de automóvil.
Declaración de impuestos
Suponga que, en promedio, \(1 \text {
persona en }1000\)
comete un error numérico al preparar su declaración de
impuestos. Si se seleccionan \(10,000\) formas al azar y se examinan,
encuentre la probabilidad de que \(6, 7 \text
{ u } 8\) de las formas contengan un error.(walpole2007?). Ejercicio
5.65, Pág. 165.
\[ f(x=6:8) = f(x=6) + f(x=7) + f(x=8) \]
Valores iniciales
prob <- 1 / 1000
media <- prob * 10000Tabla de distribución
resultado <- f.poisson.all(media = media)tabla <- resultado$tabla
tabla## x f.x F.x
## 1 0 0.00004540 0.00004540
## 2 1 0.00045400 0.00049940
## 3 2 0.00227000 0.00276940
## 4 3 0.00756665 0.01033605
## 5 4 0.01891664 0.02925269
## 6 5 0.03783327 0.06708596
## 7 6 0.06305546 0.13014142
## 8 7 0.09007923 0.22022065
## 9 8 0.11259903 0.33281968
## 10 9 0.12511004 0.45792971
## 11 10 0.12511004 0.58303975
## 12 11 0.11373640 0.69677615
## 13 12 0.09478033 0.79155648
## 14 13 0.07290795 0.86446442
## 15 14 0.05207710 0.91654153
## 16 15 0.03471807 0.95125960
## 17 16 0.02169879 0.97295839
## 18 17 0.01276400 0.98572239
## 19 18 0.00709111 0.99281350
## 20 19 0.00373216 0.99654566
## 21 20 0.00186608 0.99841174¿Cuál es la probabilidad de que haya entre 6 y 8 declaraciones con errores?
\[ f(x \text { de 6 a }8) = f(x=6) + f(x=7) + f(x=8) \]
Se suman las probabilidades
Usando dpois()
paste(round(dpois(x = 6, lambda = media),4), "+", round(dpois(x = 7, lambda = media),4), "+"
, round(dpois(x = 8, lambda = media),4))## [1] "0.0631 + 0.0901 + 0.1126"prob <- sum(dpois(x = 6:8, lambda = media))
paste("La probabilidad del valor de x de 6 a 8 es: ", round((prob * 100),4), "%")## [1] "La probabilidad del valor de x de 6 a 8 es: 26.5734 %"Con ppois(), restando el valor acumulado de \(F(x=8)\) - el valor cumulado en \(F(x=5)\)
prob <- ppois(q = 8, lambda = media) - ppois(q = 5, lambda = media)
prob## [1] 0.2657337Visualización de Poisson
Se presentan la gráfica de probabilidad con histograma y la densidad respectivamente. Se utiliza la llamada de la variable resultado.
plot_grid(resultado$g.dens, resultado$g_all$dens)
Histograma/barra y lineal acumulado
plot_grid(resultado$g_barra, resultado$g_all$acum)
Usando plotly para visualizaciones dinámicas
resultado$g.hist.plotlyresultado$g.acum.plotlyInterpretación
En este caso, se está calculando la probabilidad de que un número determinado de formularios de impuestos seleccionados al azar contengan un error. La tasa de error se establece en \(1\) en \(1,000\) formularios, lo que equivale a una media de \(10\) errores por cada \(10,000\) formularios.
Para calcular la probabilidad de que entre \(6\) y \(8\) formularios de impuestos seleccionados al azar contengan un error, se utiliza la distribución de Poisson. Se suman las probabilidades individuales de que haya \(6\), \(7\), o \(8\) errores. Esto se puede hacer utilizando la función de densidad de probabilidad (PDF) de Poisson, dpois(), o la función de distribución acumulada (CDF) de Poisson, ppois().
El resultado es una probabilidad del \(2,047%\), lo que significa que hay una probabilidad del \(2,047%\) de que entre \(6\) y \(8\) formularios de impuestos seleccionados al azar contengan un error.
Además, se presenta una visualización de la distribución de Poisson mediante un histograma y una gráfica de densidad, así como una visualización acumulada mediante un gráfico de barras y una gráfica acumulada. También se incluyen visualizaciones dinámicas utilizando Plotly para una mejor comprensión de la distribución.
Interpretación del caso
En los casos anteriores se han presentado diferentes situaciones en las que se han aplicado conceptos de estadística para obtener información relevante a partir de los datos.
En el primer caso, se realizó un análisis de regresión lineal para determinar la relación entre dos variables y predecir valores futuros de una de ellas.
En el segundo caso, se aplicó una prueba t para determinar si había diferencias significativas entre dos grupos en términos de su media y se evaluó la validez de esta prueba a través de la comprobación de sus supuestos.
En el tercer caso, se utilizó un modelo de regresión logística para predecir la probabilidad de que un evento ocurra en función de una serie de variables explicativas.
En el cuarto caso, se realizó una prueba de chi-cuadrado para determinar si había una relación significativa entre dos variables categóricas.
En el quinto caso, se calculó la probabilidad de que un evento ocurra en función de la distribución de Poisson y se utilizaron diferentes métodos para calcular esta probabilidad.
En todos estos casos se demuestra cómo la distribucion Poisson puede ser útil para tomar decisiones informadas.