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

{
α−1 −x / β
x e , x> 0
f ( x )= β α Γ ( α )
0, para otro x

∞
Γ(α )=∫ x α −1 e−x dx
() Es la función Gamma: 0

Si  es un entero positivo, entonces

() = ( - 1)!

Su esperanza es:

E [X] = 

Su varianza es:

V [X] = 2
Ejemplo

El tiempo en horas que semanalmente requiere una máquina para mantenimiento es una
variable aleatoria con distribución gamma con parámetros =3, =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 + 2X 2, siendo X el tiempo
de mantenimiento, encuentre el costo promedio de mantenimiento.

Solución

Sea X duración del mantenimiento en horas (variable aleatoria)

Su densidad de probabilidad es:

1 1 1
x α−1 e− x /β = 3 x 3−1 e− x /2= x 2 e− x /2
α
f(x) = β Γ (α ) 2 Γ (3 ) 16

a) P(X>8) es el área resaltada en el gráfico

8
1
∫ x 2 e−x /2 dx
P(X>8) = 1 – P(X8) = 1 - 16 0

Para integrar se pueden aplicar dos veces la técnica de integración por partes:

∫ x2 e−x /2 dx
,

u = x2  du = 2x dx

dv = e-x/2 dx  v = -2 e-x/2
 ∫ xe−x /2 dx
= -2x2 e-x/2 + 4

∫ xe−x/2 dx
u = x  du = dx

dv = e-x/2dx  v = -2 e-x/2

∫ e− x/2 dx
= -2x e-x/2 + 2

Sustituyendo los resultados intermedios,

1 [ -2x2 e -x/2 +4(-2x e-x/2+2(-2 e-x/2 ))] 80

P(X>8) = 1 - 16 = 0.2381

b) E[C] = E[30X + 2X2] = 30 E[X] + 2 E[X2]

E [X] =  = 3(2) = 6
∞ ∞
1 2 −x/2 1 ∞ 4 − x/2
2
∫ x f (x)dx ∫ x2 16
x e dx
16
∫ x e dx
V [X2] = −∞ = 0 = 0

Sustituya y = x/2 para usar la función Gamma

∞
1∞
∫ (2 y)4 e− y (2dy ) 2∫ y 4 e− y dy
=
16 0 = 0 = 2(5) = 2(4!) = 48

Finalmente se obtiene

E [C] = 30(6) + 2(48) = 276 dólares

La distribución normal

Se trata, sin duda, del modelo continuo más importante en estadística, tanto por su
aplicación directa, veremos que muchas variables de interés general pueden describirse
por dicho modelo, como por sus propiedades, que han permitido el desarrollo de
numerosas técnicas de inferencia estadística. En realidad, el nombre de Normal
proviene del hecho de que durante un tiempo se creyó, por parte de médicos y biólogos,
que todas las variables naturales de interés seguían este modelo.

Una variable aleatoria continua, X, sigue una distribución normal de media μ y

desviación típica σ, y se designa por N(μ, σ), si se cumplen las siguientes condiciones:

1. La variable puede tomar cualquier valor: (-∞, +∞)

2. La función de densidad, es la expresión en términos de ecuación matemática de la

curva de Gauss:

donde μ (mu) es la media y σ (sigma) es la desviación típica (σ2 es la varianza).

Se llama distribución normal "estándar" a aquélla en la que sus parámetros toman los
valores μ = 0 y σ = 1. En este caso la función de densidad tiene la siguiente expresión:

que determina la curva en forma de campana. Así, se dice que una característica
sigue una distribución normal de media y varianza , y se denota como
, si su función de densidad viene dada por la Ecuación 1.
Propiedades del modelo Normal

La distribución normal posee ciertas propiedades importantes que conviene destacar:

 Tiene una única moda, que coincide con su media y su mediana.

 La curva normal es asintótica al eje de abscisas.  Por ello, cualquier valor entre
y es teóricamente posible.  El área total bajo la curva es, por tanto, igual
a 1.

 Es simétrica con respecto a su media .  Según esto, para este tipo de variables
existe una probabilidad de un 50% de observar un dato mayor que la media, y un
50% de observar un dato menor.

 La distancia entre la línea trazada en la media y el punto de inflexión de la curva

es igual a una desviación típica ( ).  Cuanto mayor sea , más aplanada será la
curva de la densidad.

 El área bajo la curva comprendido entre los valores situados aproximadamente a

dos desviaciones estándar de la media es igual a 0.95.  En concreto, existe un
95% de posibilidades de observar un valor comprendido en el intervalo
.

 La forma de la campana de Gauss depende de los parámetros y . La media

indica la posición de la campana, de modo que para diferentes valores de la
gráfica es desplazada a lo largo del eje horizontal.  Por otra parte, la desviación
estándar determina el grado de apuntamiento de la curva.  Cuanto mayor sea el
valor de , más se dispersarán los datos en torno a la media y la curva será más
plana.  Un valor pequeño de este parámetro indica, por tanto, una gran
probabilidad de obtener datos cercanos al valor medio de la distribución.

Como se deduce de este último apartado, no existe una única distribución normal, sino
una familia de distribuciones con una forma común, diferenciadas por los valores de su
media y su varianza.  De entre todas ellas, la más utilizada es la distribución normal
estándar, que corresponde a una distribución de media 0 y varianza 1.  Así, la
expresión que define su densidad se puede obtener de la Ecuación 1, resultando:

Es importante conocer que, a partir de cualquier variable X que siga una distribución
, se puede obtener otra característica Z con una distribución normal estándar,
sin más que efectuar la transformación:

Ecuación 2:       
Distribución De Ji Cuadrada

En estadística, la distribución χ² (de Pearson) es una distribución de probabilidad

continua con un parámetro k que representa los grados de libertad de la variable
aleatoria

Donde Zi son variables aleatorias normales independientes de media cero y varianza

uno. El que la variable aleatoria X tenga esta distribución se representa habitualmente
así:

Es conveniente tener en cuenta que la letra griega χ se transcribe al latín como chi y se
pronuncia en castellano como ji

Aplicaciones

La distribución χ² tiene muchas aplicaciones en inferencia estadística. La más conocida

es la de la denominada prueba χ² utilizada como prueba de independencia y como
prueba de bondad de ajuste y en la estimación de varianzas. Pero también está
involucrada en el problema de estimar la media de una población normalmente
distribuida y en el problema de estimar la pendiente de una recta de regresión lineal, a
través de su papel en la distribución t de Student.

Aparece también en todos los problemas de análisis de varianza por su relación con la
distribución F de Snedecor, que es la distribución del cociente de dos variables
aleatorias independientes con distribución χ².

Función De Densidad

Su función de densidad es:

Donde Γ es la función gamma.

Función de distribución acumulada

Su función de distribución es

Donde es la función gamma incompleta.

El valor esperado y la varianza de una variable aleatoria X con distribución χ² son,

respectivamente, k y 2k.

Distribución χ² (ji-cuadrado)

Función de densidad de probabilidad

Función de distribución de probabilidad