DISTRIBUCIN GAMMA

La distribucin Gamma Es una distribucin adecuada para modelizar el comportamiento de variables aleatorias continuas con asimetra positiva. Es decir, variables que presentan una mayor densidad de sucesos a la izquierda de la media que a la derecha. En su expresin se encuentran dos parmetros, siempre positivos, () y () de los que depende su forma y alcance por la derecha, y tambin la funcin Gamma (), responsable de la convergencia de la distribucin. Los parmetros de la distribucin El primer parmetro () situa la mxima intensidad de probabilidad y por este motivo en algunas fuentes se denomina la forma de la distribucin: cuando se toman valores prximos a cero aparece entonces un dibujo muy similar al de la distribucin exponencial. Cuando se toman valores ms grandes de () el centro de la distribucin se desplaza a la derecha y va apareceiendo la forma de una campana de Gauss con asimetra positiva. Es el segundo parmetro () el que determina la forma o alcance de esta asimetra positiva desplazando la densidad de probabilidad en la cola de la derecha. Para valores elevados de () la distribucin acumula ms densidad de 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 mxima de densidad de probabilidad se va reduciendo; de aqu que se le denomine escala. Valores ms pequeos de () conducen a una figura ms simtrica y concentrada, con un pico de densidad de probabilidad ms elevado. Una forma de interpretar () es tiempo promedio entre ocurrencia de un suceso. Relacionndose con el parmetro de la Poisson como =1/. Alternativamente ser el ratio de ocurrencia: =1/. La expresin -1 tambin ser necesaria ms adelante para poder llevar a cabo el desarrollo matemtico. Relacin con otras distribuciones Si se tiene un parmetro de valores elevados y pequea, entonces la funcin Gamma converge con la distribucin normal. De media = * , y varianza 2 = * 2. Cuando =1 y =0 la distribucin Gamma es exactamente la distribucin exponencial con parmetro =1 Cuando la proporcin entre parmetros es [ = 2 , = ] entonces la variable aleatoria se distribuye como una Chi-cuadrado con grados de libertad. Si =1, entonces se tiene la distribucin exponencial negativa de parmetro =1/.

Ventajas De esta forma, la distribucin Gamma es una distribucin flexible para modelizar las formas de la asimetra positiva, de las ms concentradas y puntiagudas, a las ms dispersas y achatadas. Como ejemplos de variables que se comportan as: - Nmero de individuos involucrados en accidentes de trfico en el rea urbana: es ms habitual que la mayora de partes abiertos den la proporcin de 1 herido por vehculo, que otras proporciones superiores. - Altura a la que se inician las precipitaciones; sucede de forma ms habitual precipitaciones iniciadas a una altura baja, que iniciadas a gran altitud. Tiempo o espacio necesarios para observar X sucesos que siguen una distribucin de Poisson. - Distribucin de la finura de fibras de lana: la mayora presentan una menor finura que unas pocas fibras ms gruesas. Inconvenientes Problemas en la complejidad de algunos clculos, especialmente respecto a la funcin Gamma cuando el parmetro es un valor no entero. Tambin problemas de clculo en la estimacin de los parmetros muestrales. Ambos inconvenientes se pueden abordar satisfactoriamente con ordenador. Para valorar la evolucin de la distribucin al variar los parmetros se tienen los siguientes grficos. Primero se comprueba que para =1 la distribucin tiene similitudes con la exponencial.

Si ahora se hace variar el parmetro alfa,

Y para valores altos de y pequeos de , se observa la convergencia con la normal,

Como ya se ha indicado, la expresin de la distribucin Gamma incluye la propia funcin Gamma (), que para valores enteros de alpha se ha demostrado que () = ( 1)! En este caso la distribucin Gamma se conoce como distribucin de Erlang.

Para valores no enteros, el valor de la funcin Gamma se obtiene a partir de,

La funcin de densidad de la distribucin Gamma es,

Donde x>0 y , son parmetros positivos. Se puede ver que para =1 la funcin de densidad ser,

Lo que significa que una distribucin Gamma de parmetro =1 y =0 es una distribucin exponencial de parmetro =1. Se demuestra que f(x) es una funcin de densidad porque para f(x)0 y haciendo el cambio de variable h = 1

La funcin de distribucin es,

La funcin caracterstica es, teniendo en cuenta de nuevo que h = 1

Y volviendo a =1/h,

La esperanza matemtica ser, siendo h = 1

Volviendo a ; La varianza ser, Donde otra vez h = 1

Y volviendo a ;

Si se buscan estimadores de los parmetros de la distribucin, el Mtodo de Mxima Verosimilitud es el ms adecuado ya que goza de ms propiedades que el estimador obtenido por el mtodo de los momentos (Chico, 2010). Sin embargo la mxima verosimilitud conduce a un sistema de ecuaciones que no se puede resolver de forma analtica, y se necesita recurrir al mtodo numrico, por ejemplo de Newton-Raphson.

Distribucin gamma continua A pesar de que la distribucin normal puede resolver muchos problemas en ingeniera, hay otras situaciones que requieren de diferentes tipos de funciones de densidad. Funciones como stas son la exponencial, la gamma, la Weibull, la beta, etc. Hay muchas situaciones en que la variable de inters, para el experimentador, pueda tener una distribucin oblicua. Siendo as, entonces, una familia de funciones de probabilidad de densidad (pdf) que dan una amplia variedad de distribuciones sesgadas es la familia de distribuciones gamma. Como se dijo antes, la distribucin gamma es un caso especial de la distribucin exponencial. Las funciones exponenciales y la funcin gamma juegan un papel muy importante en la teora de filas que esperan el orden de su llegada. La distribucin gamma puede ser vista como una distribucin gamma estandariza o como una distribucin gamma no estandarizada. Si una variable aleatoria continua x tiene una distribucin gamma, con parmetros y , entonces, para cualquier x > 0 la distribucin acumulada de frecuencia (cdf) de x est dada por: P(X x) = F(x;,) = F(x/;) (5-18) Donde: es el primer parmetro de forma que define la distribucin gamma es el parmetro de escala que define la distribucin gamma (porque valores mayores que la comprimen o estiran la funcin de probabilidad de densidad (pdf) en la direccin de x); F(x/;) es una funcin de gamma incompleta. En la familia de distribuciones gamma una variable aleatoria continua X se dice que tiene una distribucin gamma no estandarizada si la pdf de X es: f(x;,) = {1/ () x-1 e-x/ x 0 (5-19)

O de otra manera Donde los parmetros y satisfacen > 0 y > 0 Si se pone = 1 la expresin (5-19) se reduce a la forma de de la distribucin gamma estndar descrita abajo. f (x;) = 0xx-1 e-x / () dx x > 0 (5-20)

La funcin (5-20) se llama funcin de gamma incompleta, cuando no tiene el denominador con () en el integrador. Cuando se usan las funciones (5-19) y (5-20) la tarea se facilita usando la tabla de la distribucin gamma, con valores de = 1, 2, 3,,10 y de x = 1, 2,,15. El promedio y la varianza de la distribucin gamma son, respectivamente:

E(X) = = V(X) = 2 = 2

(5-21) (5-21a)

Figura 5.10. Grficas con distribuciones gamma de densidad con diferentes valores de y y curvas de densidad gamma estndar. Ntese que cuando = 1, es la curva exponencial. (Devore 2000). Ejemplo #29. Supngase que se tiene una distribucin gamma estndar con parmetro = 3, calcular: (a) La probabilidad de que X est entre 4 y 5. (b) La probabilidad de que X sea mayor que 4 Solucin: Debido a que P(a X b) = F (b) F(a) cuando X es continua, por lo tanto: (a) P (4 X 5) = F (5; 3) F (4; 3) = 0.875 0.762 = 0.113 (b) P(X > 4) = 1 P(X 4) = 1 F (4,3) = 1 - .762 = 0.238 Ejemplo #30. Este problema involucra un experimento con conejillos de India seleccionados al azar. Este es un estudio relacionado con el tiempo X de supervivencia, en semanas. Los animales fueron expuestos a una radiacin de 400 rads (dosis de radiacin absorbida), es decir, de radiacin gamma (energa radiante). Se asume que esta situacin sigue a una distribucin gamma con parmetros de escala de = 10 y = 20. Siendo as, hacer los siguientes clculos: (a) Calcular la media de supervivencia y la varianza. (b) Calcular la probabilidad de que un conejillo sobreviva entre 80 y 120 das. (c) La probabilidad de que un animal sobreviva, cuando menos 20 das. Solucin: Aqu usamos la distribucin gamma no estandarizada. (a) El promedio es: E(X) = = = (10) (20) = 200 das. La varianza es: V(X) = 2 = 2 = (10) (20)22 = 4000 das.

(b) P(80 X 120) = F(120/20;10) F(80/20;10) = F(6;10) F(4;10) = 0.084 - 0.008 (de la tabla de la distribucin de gamma) = 0.076 Esto dice que el valor de 0.076 es la probabilidad de que un conejillo sobreviva entre 80 y 120 das. (c) P(X 20) = 1 - P(X < 20) = 1 - F(20/20;10) = 0.000 (de la tabla de la distribucin gamma) Distribucin Weibull La distribucin Weibull fue introducida por el fsico sueco Waloddi Weibull en 1939. En forma anloga a las distribuciones gamma y exponencial la distribucin de Weibull tiene aplicaciones relacionadas con tiempo de falla o longitud de vida. Es decir, para medir la confiabilidad de un componente o producto, como la probabilidad de que si funcionar apropiadamente, por cuando menos un tiempo especificado bajo condiciones experimentales especificadas. Esta funcin, igualmente, se usa en el diseo de sistemas complicados, cuya operacin o seguridad depende de los varios componentes involucrados en el sistema. Por ejemplo, una columna de acero puede vencerse. Otra aplicacin es el modelado de algn aparato sensible al calor que pueda fallar. Otra aplicacin sera el estudio de componentes idnticos sujetos a condiciones ambientales idnticas, que puedan fallar a tiempos diferentes e impredecibles. La funcin de probabilidad de densidad (pdf) de la distribucin Weibull es: f (x) = x-1 exp-(x/)2 / , x>0 (5-22) Donde y son los parmetros condicionados a > 0 y > 0

Figura 5.11. Grfica mostrando la curva de densidad de Weibull. Ntese que cuando = 1 y = 1, la curva se torna exponencial. (Devore, 2000) Proposicin: La funcin de distribucin acumulada (cdf) de una variable aleatoria que tiene parmetros y es: F(x;,) = {1 exp-(x/) x0 (5-22a) Ejemplo #31. Supngase que X tiene una distribucin de Weibull con parmetros = 20 y = 100 (Devore, 2000). Entonces, calcular: (a) P(X 105) (b) P(98 X 102) Solucin: (a) P(X 105) = F(105;20,100) = 1 exp-(105/100)20 = 1 - .070 = .930 (b) P(98 X 102) = F(102;20,100) F(98;20,100) = exp-(.98)20 exp-(1.02)20 = .513 - .226 = .287

La distribucin de Weibull
La distribucin de Weibull complementa a la distribucin exponencial y a la normal, se usa cuando se sabe de antemano que una de ellas es la que mejor describe la distribucin de fallos o cuando se han producido muchos fallos (al menos 10) y los tiempos correspondientes no se ajustan a una distribucin ms simple.

La distribucin de Weibull nos permite estudiar cul es la distribucin de fallos de un componente clave de seguridad que pretendemos controlar y que a travs de nuestro registro de fallos observamos que stos varan a lo largo del tiempo y dentro de lo que se considera tiempo normal de uso.

La distribucin de Weibull se representa normalmente por la funcin acumulativa de distribucin de fallos F (t):

Siendo la funcin densidad de probabilidad:

La tasa de fallos para esta distribucin es:

Las ecuaciones (1), (2) y (3) slo se aplican para valores de (t - t 0) 0. Para valores de (t - t0) < 0, las funciones de densidad y la tasa de fallos valen 0. Las constantes que aparecen en las expresiones anteriores

tienen una interpretacin fsica: t0 es el parmetro de posicin (unidad de tiempos) 0 vida mnima y define el punto de partida u origen de la distribucin. es el parmetro de escala, extensin de la distribucin a lo largo, del eje de los tiempos. Cuando (t - t0) = la fiabilidad viene dada por: R (t) = exp - (1) = 1/exp 1 = 1 / 2,718 = 0,368 (36,8%) Entonces la constante representa tambin el tiempo, medido a partir de t0 = 0, segn lo cual dado que F (t) = 1 - 0,368 = 0,632, el 63,2 % de la poblacin se espera que falle, cualquiera que sea el valor de ya que como hemos visto su valor no influye en los clculos realizados. Por esta razn tambin se le llama usualmente vida caracterstica. es el parmetro de forma y representa la pendiente de la recta describiendo el grado de variacin de la tasa de fallos.

F (x)= F (x)= 1.4 1.2 1 0.8 0.6 0.4 0.2 0 x 1 1.1 1.2 1.3 1.4 1.5 1.7 0.5 0.6 0.7 0.8 0.9 1.6 1.8 1.9

Se trata de un modelo continuo asociado a variables del tipo tiempo de vida, tiempo hasta que un mecanismo falla, etc. La funcin de densidad de este modelo viene dada por:

Que, como vemos, depende de dos parmetros: > 0 y > 0, donde es un parmetro de escala y es un parmetro de forma (lo que proporciona una gran flexibilidad a este modelo). La funcin de distribucin se obtiene por la integracin de la funcin de densidad y bale:

La funcin de densidad de una variable aleatoria con la distribucin de

Weibull x es:[ Donde k > 0 es el parmetro de forma y > 0 es el parmetro de escala de la distribucin. La distribucin modela la distribucin de fallos (en sistemas) cuando la tasa de fallos es proporcional a una potencia del tiempo:
Un valor k<1 indica que la tasa de fallos decrece con el tiempo. Cuando k=1, la tasa de fallos es constante en el tiempo. Un valor k>1 indica que la tasa de fallos crece con el tiempo.

Propiedades Su funcin de distribucin de probabilidad es:

Para x 0, siendo nula cuando x < 0. La tasa de fallos (hazard) es

La funcin generadora de momentos del logaritmo de la distribucin de

La distribucin de Weibull desplazada (a travs de un parmetro adicional) tambin se encuentra en la literatura. Tiene funcin de densidad

Para y f(x; k, , ) = 0 cuando x < , donde k > 0 es el parmetro de forma, > 0 es el parmetro de escala y , el de localizacin. Coincide con la habitual cuando =0. La distribucin de Weibull puede caracterizarse como la distribucin de una variable aleatoria X tal que

Sigue una distribucin exponencial estndar de intensidad 1.[2] De hecho, la distribucin de Weibull coincide con la exponencial de intensidad 1/ cuando k = 1 y la de distribucin de Rayleigh de moda cuando k = 2. La funcin de densidad de la distribucin de Weibull cambia sustancialmente cuando k vara entre 0 y 3 y, en particular, cerca de x=0. Cuando k < 1 la densidad tiende a cuando x se aproxima a 0 y la densidad tiene forma de J. Cuando k = 1 la densidad tiene un valor finito en x=0. Cuando 1<k<2, la densidad se anula en 0, tiene una pendiente infinita en tal valor y es unimodal. Cuando k=2, la densidad tiene pendiente finita en 0. Cuando k>2, la densidad y su pendiente son nulas en cero y la densidad es unimodal. Conforme k crece, la distribucin de Weibull converge a una delta de Dirac soportada en x=. La distribucin de Weibull tambin puede caracterizarse a travs de la distribucion uniforme: si X es uniforme sobre (0,1), entonces sigue una distribucin de Weibull de parmetros k y . Este resultado permite simular numricamente la distribucin de manera sencilla.

Graficas de la distribucin de Wiebull

Funcin de densidad de probabilidad probabilidad

Funcin de densidad de

Parmetros

scale (real) shape (real)

Dominio

Funcin de densidad

Funcin de distribucin

Media

si k > 1

Varianza

Coeficiente de simetra

Entropa

Funcin generadora de momentos

Funcin caracterstica