De vuelta sobre el Challenger: La distribución de Poisson como modelo de interpretación de la realidad

Sergio Santana Porbén

Texto completo:

PDF

Resumen

En una exposición anterior el análisis forense de la tragedia del trasbordador espacial “Challenger” fue el pretexto para demostrar la importancia de los valores no positivos (léase también negativos) en el análisis estadístico-matemático de los resultados de una investigación.1 En aquella exposición, se recurrió a un modelo binomial logístico para predecir el número de anillos O dañados ante una temperatura ambiental especificada. La explosión del “Challenger” sacudió al mundo entero, máxime cuando fue un evento que recibía una atención mediática sin precedentes. Los análisis forenses posteriores señalaron la deformidad de los anillos “O” ante las bajas temperaturas ambientes como la causa, primero, de la fuga de los gases combustibles, y la posterior explosión después. El modelo logístico binomial aplicado expuso la influencia de los valores extremos de la temperatura ambiente sobre la resistencia de los anillos “O” a la deformidad [RESUMEN TRUNCADO DESPUÉS DE LAS PRIMERAS 140 PALABRAS].

Referencias

Santana Porbén S. La importancia de los valores no positivos y negativos: A propósito de Poisson, Fisher y el Challenger. RCAN Rev Cubana Aliment Nutr 2023;33:445-53.

Papke LE, Wooldridge JM. Econometric methods for fractional response variables with an application to 401(k) plan participation rates. J Appl Econometr 1996;11:619-32.

Milner Jr DA. Count data and the Poisson distribution. En: Statistics for pathologists [Editores: Milner Jr DA, Meserve E, Soong TR, Mata DA]. Springer Publishing. New York: 2016.

Lambert D. Zero-inflated Poisson regression, with an application to defects in manufacturing. Technometrics 1992; 34:1-14.

Silva JS, Tenreyro S. On the existence of the maximum likelihood estimates in Poisson regression. Econom Lett 2010; 107:310-2.

Kukush A, Schneeweis H, Wolf R. Three estimators for the Poisson regression model with measurement errors. Stat Papers 2004;45:351-68.

Abdulkabir M, Edem UA, Tunde RS, Kemi BL. An empirical study of generalized linear model for count data. J Appl Comput Math 2015;4(5):1000253. Disponible en: http://doi:10.4172/2168-9679.1000253. Fecha de última visita: 17 de Abril del 2024.

Lee AH, Wang K, Yau KK. Analysis of zero-inflated Poisson data incorporating extent of exposure. Biometrical J 2001; 43:963-75.

White GC, Bennetts RE. Analysis of frequency count data using the negative binomial distribution. Ecology 1996;77: 2549-57.

Frome EL. The analysis of rates using Poisson regression models Biometrics 1983;39:665-74.

Frome EL, Checkoway H. Use of Poisson regression models in estimating incidence rates and ratios. Am J Epidemiol 1985; 121:309-23.

McCulloch CE, Searle SR. Generalized, linear, and mixed models. John Wiley & Sons. New York: 2004.

Enlaces refback

  • No hay ningún enlace refback.




Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional.