Está en la página 1de 7

DISTRIBUCIÓN GAMMA

Es un modelo básico en la teoría estadística.
Definición
Una variable aleatoria continua X tiene distribución Gamma si su densidad de probabilidad está
dada por
⎧ 1
x α − 1e − x / β , x > 0

f ( x ) = ⎨ β α Γ(α )
⎪⎩0,
para otro x
α>0, β>0 son los parámetros para este modelo
.

Fig. G1. Gráfico de la distribución Gamma para algunos valores de α, β
Γ(α) es la función Gamma: Γ(α) =

∫x

α −1 − x

e

dx

0

Si α es un entero positivo, entonces

Γ(α) = (α - 1)!

.

Demostración

Γ(α) = ∫ x α −1e − xdx
-1

0

u=x
⇒ du = (α-1)x -2 dx
dv = e-x dx ⇒ v = -e-x
α

α

Para integrar por partes

Se obtiene

Γ(α ) = (α − 1)∫ x α − 2e − x dx = (α - 1)Γ(α - 1)
0

Sucesivamente
Γ(α) = (α -1)(α-2)(α-3)...Γ(1), pero Γ(1) = 1 por integración directa.

MEDIA Y VARIANZA DE LA DISTRIBUCIÓN GAMMA
µ = E[X] = αβ,

σ2 = V[X] = αβ2

.

Demostración para µ ∞ ∞ ∫ xf (x )dx = ∫x ∞ 1 1 x α − 1e − x / βdx = α x α e − x / βdx α ∫ β Γ(α ) β Γ(α ) 0 −∞ 0 Mediante la sustitución y = x/β ∞ 1 µ= α (β y)α e − yβ dy ∫ β Γ(α ) 0 µ= ∞ β y α e − ydy ∫ Γ(α ) 0 Con la definición de la función Gamma: β β = Γ(α + 1) = αΓ(α) = αβ Γ( α ) Γ( α ) = Ejemplo El tiempo en horas que semanalmente requiere una máquina para mantenimiento es una variable aleatoria con distribución gamma con parámetros α=3. encuentre el costo promedio de mantenimiento. u = x2 ⇒ du = 2x dx . β=2 a) Encuentre la probabilidad que en alguna semana el tiempo de mantenimiento sea mayor a 8 horas b) Si el costo de mantenimiento en dólares es C = 30X + 2X2. Solución Sea X duración del mantenimiento en horas (variable aleatoria) Su densidad de probabilidad es: 1 1 1 2 −x / 2 f(x) = α x α −1e − x / β = 3 x 3 −1e − x / 2 = xe β Γ( α ) 2 Γ(3) 16 a) P(X>8) es el área resaltada en el gráfico 8 1 P(X>8) = 1 – P(X≤8) = 1 x 2e − x / 2dx ∫ 16 0 Para integrar se pueden aplicar dos veces la técnica de integración por partes: 2 ∫x e −x / 2 dx . siendo X el tiempo de mantenimiento.

. 8 1 P(X>8) = 1 .dv = e-x/2 dx ⇒ v = -2 e-x/2 = -2x2 e-x/2 + 4 ∫ x e − x / 2dx ∫x e −x / 2 dx u = x ⇒ du = dx dv = e-x/2dx ⇒ v = -2 e-x/2 = -2x e-x/2 + 2 ∫ e − x / 2dx Sustituyendo los resultados intermedios.2x 2e.x/2 + 2(-2 e.2381 16 0 [ ] b) E[C] = E[30X + 2X2] = 30 E[X] + 2 E[X2] E[X] = αβ = 3(2) = 6 ∞ ∞ ∞ 1 2 2 2 1 2 −x / 2 E[X ] = ∫ x f ( x )dx = ∫ x x e dx = x 4 e − x / 2dx ∫ 16 16 0 −∞ 0 sustituya y = x/2 para usar la función Gamma ∞ ∞ 1 4 −y = = 2 y 4 e − ydy = 2Γ(5) = 2(4!) = 48 ( 2 y ) e ( 2 dy ) ∫ ∫ 16 0 0 Finalmente se obtiene E[C] = 30(6) + 2(48) = 276 dólares DISTRIBUCIÓN EXPONENCIAL Es un caso particular de la distribución gamma y tiene aplicaciones de interés práctico.x/2 )) = 0. x>0 ⎪ e f (x) = ⎨ β ⎪⎩ 0. σ2 = V[X] = β2 Se obtienen directamente de la distribución gamma con α = 1 Problema . Se obtiene con α = 1 en la distribución Gamma Definición Una variable aleatoria continua X tiene distribución exponencial su densidad de probabilidad está dada por ⎧ 1 −x / β .x/2 + 4(-2x e. es el parámetro para este modelo . para otro x β>0. MEDIA Y VARIANZA DE LA DISTRIBUCIÓN EXPONENCIAL µ = E[X] = β.

22312 0.7769 3 − x ⎝x⎠ ⎝x⎠ ⎛ 3⎞ P(X=2) = f(2) = ⎜⎜ ⎟⎟0. dos de ellos sigan funcionando.2231 04 Sea X: variable aleatoria discreta (cantidad de componentes que siguen funcionando luego de 6 años) X tiene distribución binomial con n=3.x = 4e-4x. Si se instalan 3 de estos componentes y trabajan independientemente. y > 0 4 La probabilidad que un componente siga funcionando al cabo de 6 años: 61 P(Y≥6) = 1 – P(Y<6) = 1 − ∫ e − y / 4 dy = 0. entonces. Solución Sea X el tiempo transcurrido entre dos llegadas consecutivas (horas) Es una variable aleatoria continua con distribución exponencial con parámetro β = 1/λ = 1/4 1 f(x) = e − x / β = λe.66% 0 DISTRIBUCIÓN DE WEIBULL Este modelo se utiliza en estudios de confiabilidad de ciertos tipos de sistemas. x>0 β λ 1/ 6 P(X<1/6) = ∫ 4e − 4x dx = 0.7769 3 − 2 = 0. p=0.2231x 0. Por ejemplo. puede demostrarse que si una variable aleatoria tiene distribución de Poisson con parámetro λ.4866 = 48.1160 = 11. determine la probabilidad que al cabo de 6 años. el tiempo de espera entre dos ‘exitos’ consecutivos es una variable aleatoria con distribución exponencial y parámetro β = 1/λ Ejemplo La llegada de los camiones a una bodega tiene distribución de Poisson con media de 4 por hora.2231 ⎛n⎞ ⎛3⎞ f(x) = ⎜⎜ ⎟⎟p x (1 − p)n − x = ⎜⎜ ⎟⎟0. Calcule la probabilidad que el tiempo transcurrido entre la llegada de dos camiones consecutivos sea menor a 10 minutos. .Un sistema usa un componente cuya duración en años es una variable aleatoria con distribución exponencial con media de 4 años.6% ⎝ 2⎠ UNA APLICACIÓN DE LA DISTRIBUCIÓN EXPONENCIAL La distribución exponencial tiene aplicaciones importantes. Solución Sea Y: variable aleatoria continua (duración de un componente en años) µ=β=4 Su densidad de probabilidad es 1 f ( y) = e − y / 4 .

β Demostración de la media Con la definición ∞ µ = E[X] = ∞ ∫ xf (x )dx = ∫ xαβ x β − 1 − αx β e dx 0 −∞ Mediante la sustitución y = αx ⇒ dy = αβx -1dx = βyx-1dx = βy(y/α)-1/ dx se obtiene ∞ β β β 1/ β − y µ = α-1/ ∫ y e dy β 0 comparando con la función gamma µ = α-1/ Γ(1+1/β) β Ejemplo Suponga que la vida útil en horas de un componente electrónico tiene distribución de Weibull con α=0. el modelo tiene forma acampanada con sesgo positivo Fig. este modelo se reduce al modelo de distribución exponencial. Si β > 1. β>0 son los parámetros para este modelo Si β = 1. para otro x α>0. entonces µ = E[X] = α-1/ Γ(1+1/β) σ2 = V[X] = α-2/ [Γ(1+2/β) – (Γ(1+1/β))2] β . f (x) = ⎨ ⎪⎩0.1 Gráficos de la distribución de Weibull MEDIA Y VARIANZA DE LA DISTRIBUCIÓN DE WEIBULL Si X es una variable aleatoria continua con distribución de Weibull.Definición Una variable aleatoria continua X tiene distribución de Weibull si su densidad de probabilidad está dada por β x>0 ⎪⎧αβxβ −1e − αx .1. β=0. 28.5 a) Calcule la vida útil promedio .

5Γ(1+1/0.1x dx 300 mediante la sustitución y=x0.5dx = 0. El dominio es el intervalo [0.5(1/y)dy se obtiene ∞ ∞ 1 − 0.5) = 0. 1] Definición Una variable aleatoria continua X tiene distribución beta si su densidad de está dada por ⎧ Γ (α + β ) α .1dy y 0.05 x −0.5 0.1 ∫ e −0.5 f(x)= αβxβ −1e− αx = 0.1)-1/0. 28.1-2Γ(3) = 200 horas β ∞ b) P(X>300) = ∫ 0.5 300 300 300 = 1 – P(X≤300) = 1 – 0.1dy = 0.177 0 DISTRIBUCIÓN BETA Este modelo tiene actualmente aplicaciones importantes por la variedad de formas diferentes que puede tomar su función de densidad para diferentes valores de sus parámetros.1 x (1. 0 < x < 1 ⎪ f ( x ) = ⎨ Γ(α)Γ(β) ⎪⎩ 0.1 ∫ e − 0.05 ∫ e dy =0.b) Calcule la probabilidad que dure mas de 300 horas Solución Sea X: vida útil en horas (variable aleatoria continua) su densidad de probabilidad: β 0.5e −0.5 ⇒ dy = 0.5x-0.2 Gráficos de la distribución beta MEDIA Y VARIANZA DE LA DISTRIBUCIÓN BETA probabilidad .x)β -1.1y y P(X>300) = 0. para otro x α>0. pero mediante alguna sustitución. 1]. β>0 son los parámetros para este modelo Fig.05 x −0. otros intervalos finitos pueden llevarse a [0.1x a) µ = α-1/ Γ(1+1/β) = (0.5e −0.

La demostración de µ se fundamenta en la definición de la función beta cuyo análisis se encuentra en los libros de cálculo. β=2 a) Encuentre el valor esperado de la venta semanal b) Encuentre la probabilidad que en alguna semana venda al menos 90% Solución Sea X: proporción de combustible que vende semanalmente (variable aleatoria continua con valor entre 0 y 1) Su densidad de probabilidad es Γ( 4 + 2) 4 − 1 f(x) = x (1 − x )2 − 1= 20x3(1-x). se encuentra µ Ejemplo Un distribuidor de gasolina llena los tanques del depósito cada lunes. Con la definición de valor esperado y la sustitución respectiva. 0<x<1 Γ( 4)Γ(2) α 4 a) µ=E[X]= = = 2/3 (vende en promedio 2/3 del tanque α+β 4+2 cada semana) 1 b) P(x>0.082 = 8. entonces µ = E[X] = α α+β σ2 = V[X] = αβ (α + β) (α + β + 1) 2 .2% 0 .9) = 20 ∫ x 3 (1 − x )dx = 0.9 Es el área marcada en el siguiente gráfico .Si X es una variable aleatoria continua con distribución beta. Se ha observado que la cantidad que vende cada semana se puede modelar con la distribución beta con α=4.