UNIVERSIDAD NACIONAL SAN ANTONIO ABAD

DEL CUSCO
FACULTAD DE INGENIERIA GEOLOGICA, MINAS Y
METALURGICA
ESCUELA PROFESIONAL DE INGENIERIA DE MINAS

TEMA: DISTRIBUCION GAMMA

CURSO: ANÁLISIS DE SISTEMAS MINEROS

DOCENTE: ANDRES CORSINO GOMEZ NOBLEGA
ALUMNOS:
• CACERES YANQUI RODRIGO 200363
• CHAHUA ROQUE JESUS DAVID 183440

CUSCO – PERU
2023-II
 INDICE

INTRODUCCIÓN .................................................................................................................................................. 2
1. DEFINICIÓN ................................................................................................................................................ 3
2. PROPIEDADES DE LA DISTRIBUCIÓN GAMMA................................................................................. 4
3. ESPERANZA E(X) Y VARIANZA VAR(X) .............................................................................................. 5
4. APLICACIÓN ............................................................................................................................................... 6
EJEMPLO 1 ............................................................................................................................................................ 6
EJEMPLO 2 ............................................................................................................................................................ 6
5. RECOMENDACIONES Y OBSERVACIONES......................................................................................... 7
6. CONCLUSIÓN ............................................................................................................................................. 8
7. BIBLIOGRAFÍA ........................................................................................................................................... 9
 INTRODUCCIÓN

El presente informe trata sobre la distribución Gamma. Aunque esta distribución

es muy conocida no es la más habitual para trabajar. Sin embargo, esta
distribución resalta por su importancia ya que algunas de las distribuciones más
utilizadas en la práctica, en realidad, son un caso particular de la Gamma, como
por ejemplo la exponencial o la x2. Esta es una distribución estadística continua y
biparamétrica (α, β) siendo α el parámetro de forma y β el parámetro de escala.
La distribución Gamma se encarga de modelizar el comportamiento de variables
aleatorias continuas con asimetría positiva. Esto quiere decir, que tiene una
mayor densidad a la izquierda de la distribución respecto de la media. Veamos
algunos casos donde esta distribución es aplicable:
• Tiempos de espera en la Teoría de Colas.
• En la meteorología para ajustar los datos de las precipitaciones.
• Análisis de supervivencia: el estudio estadístico del tiempo que pasa
hasta que ocurre un evento.
• Ajusta la distribución de la renta.
• Modeliza los datos de consumo de productos a granel.
• Intervalos de tiempos entre dos fallos de un motor.
• Intervalos de tiempos entre dos llegadas de automóviles a una gasolinera.
• Tiempos de vida de sistemas electrónicos, etc.
La distribución Gamma debe su nombre a la función Gamma. Ésta es muy
conocida endiferentes ramas de las matemáticas desde la Teoría de Ecuaciones
Diferenciales hasta la Estadística. Sin embargo, el origen de esta función se
encuentra en la unión de un problema de interpolación con otro de cálculo
integral. La función Gamma fue descubierta por Leonhard Euler en 1729 entre
la correspondencia que mantenía con Goldbach.
 DISTRIBUCIÓN GAMMA
1. DEFINICIÓN

La distribución gamma deriva su nombre de la bien conocida función gamma, que se

estudia en muchas áreas de las matemáticas.
La variable aleatoria continua X tiene una distribución gamma, con parámetros α y β,si
su
función de densidad está dada por
1 −𝑥⁄
𝑥𝛼−1𝑒 𝛽, 𝑥 > 0
𝑓(𝑥; 𝛼, 𝛽) = {𝛽 Γ(𝛼)
𝛼

0 , 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Donde α > 0 y β > 0
La distribución gamma especial para la que α = 1 se llama distribución exponencial.
La distribución exponencial se define como La variable aleatoria continua X tiene una
distribución exponencial, con parámetro β, si su función de densidad es dada por:

1 −𝑥⁄
𝑒 𝛽 ,𝑥 > 0
𝑓(𝑥; 𝛽) = { 𝛽
0 , 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Donde β > 0
La media y la varianza de la distribución gamma son μ = αβ y σ 2 = αβ2
La media y la varianza de la distribución exponencial son μ = β y σ2 = β2
La distribución chi cuadrada es muy importante de la distribución gamma se obtiene al
permitir que α = v/2 y β = 2, donde v es un entero positivo. Este resultado se conoce
como distribución chi cuadrada. La distribución tiene un solo parámetro, v,
denominado grados de libertad. Se define como la variable aleatoria continua X tiene
una distribución chi cuadrada, con v grados de libertad, si su función de densidad es
dada por
1 𝑣 −𝑥
𝑥 ⁄2−1𝑒 ⁄2, 𝑥 > 0
⁄
𝑓(𝑥; 𝑣) = {2 2Γ( ⁄ )
𝑣 𝑣
2
0 , 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Donde v es un entero positivo. La media y la varianza de la distribución chi cuadrada
son
μ = v y σ2= 2v.

Función Gamma
1.-Se define la función Gamma como
∞
Γ: (0, ∞) → ℝ donde Γ(α) = ∫ xα−1e−Xdx para α > 0
0
2.- Para cualquier α > 1 tenemos que Γ(α) = (α − 1)Γ(α − 1)

Demostración.
Partimos de la función Gamma dada por la integral anterior, es decir,
∞
𝛤(𝛼) = ∫ 𝑥𝛼−1𝑒−𝑥𝑑𝑥.
0
Ahora, resolvamos esta integral por partes tomando
𝑢 = 𝑥𝛼−1 → 𝑑𝑢 = (𝛼 − 1)𝑥𝛼−2𝑑𝑥
𝑑𝑢 = 𝑒−𝑥𝑑𝑥 → 𝑢 = −𝑒−𝑥
Con lo cual realizando estos cálculos obtenemos
 ∞ ∞

𝛤(𝛼) = |−𝑥𝛼−1𝑒−𝑥|0∞ + ∫(𝛼 − 1)𝑥𝛼−2𝑒−𝑥𝑑𝑥 = (𝛼 − 1) ∫ 𝑥𝛼−2𝑒−𝑥𝑑𝑥

0 0
Así, concluimos que 𝛤(𝛼) = (𝛼 – 1)𝛤(𝛼 – 1)

3. Para cualquier n ∈ N tenemos que Γ(n) = (n – 1)!

Demostración.
si aplicamos reiteradamente la proposición anterior obtenemos que
𝛤(𝛼) = (𝛼 − 1)(𝛼 − 2)𝛤(𝛼 − 2) = … = (𝛼 − 1)(𝛼 − 2) … 𝛤(1)
Calcularemos 𝛤(1). Por definición
∞ 𝑀
𝛤(1) = ∫ e−Xdx = lim ∫ e−Xdx = lim |−e−X|𝑀 = lim −e−M + 𝑒0 = 1
0
𝑀→∞ 𝑀→∞ 𝑀→∞
0 0
Con lo cual, para 𝑛 ∈ ℕ se tiene que 𝛤(𝑛) = (𝑛 − 1)! 𝛤(1) = (𝑛 − 1)!

2. PROPIEDADES DE LA DISTRIBUCIÓN GAMMA

Podemos presentar las siguientes propiedades:
Los valores de la esperanza E(X) y la varianza var(X), se determinan mediante
𝐸(𝑋) = 𝛼𝛽
𝑉𝑎𝑟(𝑋) = 𝛼𝛽2
Los factores de forma de la distribución gamma son:
- Coeficiente de asimetría: 2
√𝛼
2
- Curtosis relativa: 3 (1 + )
𝛼
- Con lo anterior se puede observar que la distribución gamma es leptocurtica y tiene un
sesgo positivo. También observamos que conforme el parámetro 𝛼 crece, el sesgo se
hace manos pronunciado y la Curtosis relativa tiende a 3.
• La función generadora de momentos de la variable aleatoria gamma X está dada
por 𝑚𝑋(𝑡) = (1 − 𝛽𝑡)-𝛼, 𝑐𝑜𝑛 0 ≤ 𝑡 < 1/𝛽

• El primer parámetro (𝛼) sitúa la máxima intensidad de probabilidad y por este

motivo es denominada la forma de la distribución. Cando se toman valores
próximos a ceros aparecen entonces un dibujo muy similar al de la distribución
exponencial. Cuandose toman valores grandes de 𝛼, el centro de la distribución se
desplaza a la derecha,por lo que va apareciendo la forma de la campana de Gauss con
asimetría positiva. El segundo parámetro (𝛽) es el que determina la forma o alcance
de la asimetría positiva desplazando la densidad de probabilidad en la cola de la
derecha. Para valores elevados de 𝛽 la distribución acumula más densidad e
probabilidad en el extremo derecho de la cola, alargando mucho su dibujo y
dispersando la probabilidad a lo largo del plano. Al dispersar la probabilidad la altura
máxima de densidad de probabilidad se va reduciendo; de aquí se le denomine
“escala”.
Valores más pequeños de 𝛽 conducen a una figura más simétrica y concentrada,
con un pico de densidad de probabilidad más elevado. Una forma de interpretar 𝛽
es “tiempo promedio entre ocurrencia de un suceso”.
 • Dadas dos variables aleatorias X y Y con distribución gamma y parámetro 𝛼
común. Esto es
𝑋: 𝛾(𝛼, 𝛽1) 𝑦 𝑌(𝛼, 𝛽2)
Se cumplirá que la suma también sigue una distribución gamma
𝑋 + 𝑌: 𝛾(𝛼, 𝛽1 + 𝛽2)
• Relación con otras distribuciones:
- Si tiene un parámetro 𝛼 de valores elevados y 𝛽 pequeña, entonces la función
gamma converge con las distribución normal. De media 𝜇 = 𝛼𝛽, y varianza
𝜎2 = 𝛼𝛽2.
- Cuando la proporción entre parámetros es [𝛼 =𝑣÷2: 𝛽 = 𝑣] entonces la variable
aleatoria se distribuye como una Chi-cuadrado con v grados de libertad
- Si 𝛼 = 1, entonces se tiene la distribución exponencial de parámetro 𝜆 =1÷n

De esta forma, la distribución gamma es una distribución flexible para modelizar las
formas de la asimetría las formas de la asimetría positiva, de las más concentradas y
puntiagudas. A las más dispersas y achatadas.
Para valorar la evolución de la distribución al variar los parámetros se tienen los
siguientes gráficos. Primero se comprueba que para 𝛼 = 1 la distribución tiene
similitudes con la exponencial.

3. ESPERANZA E(X) Y VARIANZA VAR(X)

Podemos observar la demostración de estas afirmaciones:

La esperanza de la distribución gamma está dada por 𝐸(𝑋) = 𝛼β
Demostración

La varianza de la distribución gama está dada por 𝑉𝑎𝑟(𝑋) = 𝛼𝛽2. Al igual que para la
distribución de Poisson tenemos 𝑉𝑎𝑟(𝑋) = 𝐸(𝑋2) − [ 𝐸(𝑋)]2.
Demostración

Con esto 𝑉𝑎𝑟(𝑋) = 𝐸(𝑋2) − [ 𝐸(𝑋)]2 = (𝛼 + 1)𝛽2𝛼 − [ 𝛽𝛼]2 = 𝛽2𝛼2 + 𝛽2𝛼 − 𝛽2𝛼2 = 𝛽2𝛼
4. APLICACIÓN

EJEMPLO 1
En cierta mina el consumo diario de energía eléctrica, en millones de kilómetros por
hora, puede considerarse como una variable aleatoria con distribución de GAMMA de
parámetros (𝛼 = 3) y (𝜆 = 0.5).
La planta de energía de esta ciudad tiene una capacidad diaria de 10 millones de
KW/hora. ¿Cuál es la probabilidad de que este abastecimiento sea:
a. Insuficiente en un día cualquiera?
b. Se consuma entre 3 y 6 millones de KW/hora?
c. Encuentre E(x) y V(x)?
Solución:
1 10
a) P(x>10) = 1-P(X≤10) = 1 − ∫ (0.5)3 𝑥2 −0.5𝑥
𝑒 𝑑𝑥 = 0.124652
Γ(3) 0
0.53 8
b) P(3<X<8) = ∫ 𝑥2𝑒−0.5𝑥 𝑑𝑥 = 0.571
Γ(3) 0
3
c) E(x) = 3 =6 𝑉(𝑥) = = 12 ⇒ 𝜎 = 3.46
0.5 0.52

EJEMPLO 2
Suponga que cierta pieza metálica se romperá después de sufrir dos ciclos de esfuerzo.
Si estos ciclos ocurren de manera independiente a una frecuencia promedio de dos por
cada 100 horas. Obtener la probabilidad de que el intervalo de tiempo se encuentra hasta
que ocurre el segundo ciclo.
a. Dentro de una desviación con respecto del tiempo promedio.
b. A mas de dos desviaciones por encima de la media.
Solución:
X: lapso que ocurre hasta que la pieza sufra el segundo ciclo de esfuerzo, en horas.
Y: Numero de ciclos / 100 horas Y~𝑃(𝜆 = 2) 𝐸(𝑌) = 2
Y’: Numero de ciclos / hora Y’~𝑃(𝜆 = 0.02) 𝐸(𝑌′) = 0.020 = 𝜆
X~𝐺(2 , 0.02)
170.71 0.022
a) 𝑃(𝜇 − 𝜎 < 𝑋 < 𝜇 + 𝜎) =P(29.29<X<170.71) =∫ 𝑥𝑒−0.02𝑥 𝑑𝑥 =
29.29 Γ(2)
0.73752
𝛼 2 2 2
𝜇= = = 100 𝜎2 = ( ) = 5000 𝜎 = 70.71
𝜆 0.02 0.02
 b) 𝑃(𝑋 > 𝜇 + 2𝜎) = 𝑃(𝑋 > 241.42) = 0.0466

5. RECOMENDACIONES Y OBSERVACIONES
La distribución gamma ha demostrado ser una herramienta valiosa y versátil en el
campo de la minería debido a sus propiedades estadísticas únicas y su capacidad
para modelar adecuadamente una variedad de fenómenos naturales relacionados con
la extracción de recursos minerales. A través de su aplicación en distintos aspectos
de la industria minera, la distribución gamma ha demostrado ser esencial para el
análisis y la toma de decisiones informadas.
Una de las principales ventajas de la distribución gamma en minería es su habilidad
para describir adecuadamente la variabilidad de los depósitos minerales, que suelen
ser inherentemente heterogéneos en su composición y calidad. Al modelar el
comportamiento de las leyes de mineral o las características geológicas con
distribuciones gamma, los profesionales de la minería pueden obtener una
comprensión más precisa de la distribución de los recursos, lo que contribuye a una
planificación más eficiente de las operaciones de extracción y a una mejor
estimación de las reservas minerales.
Además, la distribución gamma también se utiliza ampliamente en la estimación y
predicción de los tiempos de vida útil de los yacimientos minerales y la
optimización de la recuperación de minerales. Su flexibilidad y capacidad para
adaptarse a diferentes escenarios hacen que sea una herramienta confiable para
evaluar la incertidumbre y el riesgo en la industria minera, lo que ayuda a los
inversionistas y operadores a tomar decisiones más sólidas en términos de inversión
y planificación a largo plazo.
Asimismo, en el ámbito de la seguridad y la gestión de riesgos en la minería, la
distribución gamma también encuentra aplicaciones importantes al modelar la
frecuencia de eventos como derrumbes, deslizamientos y explosiones. Al entender
mejor la probabilidad de ocurrencia de estos eventos, se pueden implementar
medidas de seguridad adecuadas y salvaguardas para proteger la vida de los
trabajadores y los activos de la empresa minera.
 6. CONCLUSIÓN

• El uso de la distribución gamma en el campo de la minería ha

demostrado ser crucial para la toma de decisiones informadas,
la optimización de la extracción y la gestión de riesgos.
• Su capacidad para modelar la variabilidad geológica y la
incertidumbre en los recursos minerales proporciona a los
profesionales de la minería una valiosa herramienta para
abordar los desafíos y las complejidades inherentes de esta
industria.
• La distribución gamma, sin duda, seguirá siendo una
herramienta esencial en el futuro de la minería, impulsando
avances tecnológicos y prácticas más sostenibles en la
exploración y explotación de recursos minerales; además de
su aplicación en la teoría de colas como parte de la extracción
en el carguío y acarreo.

• La distribución gamma es efectiva para modelar el tiempo de vida

de equipos mineros, ya que puede capturar la variabilidad en la
duración de la operación de estos equipos antes de experimentar
fallas o requerir mantenimiento

• La distribución gamma facilita la evaluación de riesgos asociados

con el tiempo de vida de equipos y la ocurrencia de eventos en la
minería. La comprensión de la distribución probabilística de estas
variables permite a las empresas mineras tomar decisiones
informadas sobre mantenimiento preventivo, inversiones en nuevos
equipos y planificación a largo plazo.

• En minería, el tiempo entre eventos, como la ocurrencia de ciertos

depósitos minerales, perforaciones exitosas, o la llegada de camiones
para transporte, puede modelarse mediante la distribución gamma. Esto
proporciona información valiosa para la planificación y gestión de
operaciones mineras.
7. BIBLIOGRAFÍA

Navarro, J., & Ruiz, J. M. (2004). El modelo gamma generalizado: una alternativa
para el análisis de datos de supervivencia. Revista Española de Cardiología, 57(8),
786-793.

Escobar, M. T., Meira-Machado, L., & Cadarso-Suárez, C. (2006). Nonparametric

estimation of the survival function under the generalized gamma model with
interval-censored data. Computational Statistics & Data Analysis, 50(9), 2207-2223.

Gómez-Déniz, E., & Calderín-Ojeda, E. (2010). The kappa-gamma distribution.

Computational Statistics & Data Analysis, 54(4), 1198-1205.

Martínez-Riquelme, C., & Gómez-Déniz, E. (2013). A new extension of the

gamma distribution. Computational Statistics, 28(5), 2071-2088.