Prospect. Vol. 12, No. 1, Enero - Junio de 2014, págs.
99-107
Distribuciones Poisson y Gamma: Una Discreta y Continua Relación
Poisson and Gamma Distributions: A Discrete and Continuous Relationship
Indira Arroyo1, Luis C. Bravo M.2, Dr. Ret. Nat. Humberto Llinás.3, Msc. Fabián L. Muñoz.4
Estudiante de Maestría en Estadística Aplicada. Universidad del Norte.
1
Estudiante de Maestría en Estadística Aplicada. Universidad del Norte.
2
3Director de Maestría en Estadística Aplicada. Universidad del Norte.
4Docente Investigador. Universidad del Norte. E-mail: [email protected]
Recibido 18/12/13, aceptado 30/01/2014
RESUMEN
En el presente artículo se indica la relación que existe entre la distribución de Poisson y la distribución Gamma,
de una manera concisa y elemental. Se inicia revisando los aspectos y/o propiedades básicas de cada
distribución. Esto incluye las respectivas demostraciones de función de probabilidad y función de densidad, además
de las perti-nentes fórmulas de esperanza y varianza, junto con las demostraciones de cada una de éstas. Se
exhiben algunas propiedades a tener en cuenta para cada distribución, y posteriormente se presenta la relación
existente entre es-tas últimas. Se proponen también, algunos ejemplos que ilustren el empleo de cada
distribución y su mencionada relación.
Palabras clave. Distribución de Poisson, Distribución Gamma, Función de Probabilidad, Función de Densidad,
Distribución Acumulada, Esperanza, Varianza.
ABSTRACT
This article shows the relationship between the Poisson distribution and the Gamma distribution, in a concise
and elementary way. It starts by reviewing the aspects and/or basic properties of each distribution. This
includes demonstrations respective probability function and density function, besides the pertinent formulas
expectation and variance, together with demonstrations of each of these. It exhibits some properties to be
considered for each dis-tribution, and presents the relationship between the latter. It also proposes some
examples that illustrate the use of each distribution and its relationship mentioned.
Keywords. Poisson Distribution, Gamma Distribution, Probability Function, Density Function, Cumulative Dis-
tribution, Expectation, Variance.
INTRODUCCIÓN La relación esencial entre las distribuciones anteriormente
mencionadas, sucede cuando el parámetro de la distribu-
La distribución de probabilidad de la variable aleatoria ción gamma, α, es un entero positivo cuando esto sucede, la
que representa el número de resultados que suceden du- distribución gamma es también llamada distribución de
rante un intervalo de tiempo dado, o una región Erlang y el número de eventos aleatorios independientes
específica, recibe el nombre de distribución de Poisson, con que suceden en un intervalo específico es una variable de
parámetro λ. Mientras que la distribución de Poisson, con una frecuencia constante de ocurrencia igual
probabilidad de la va-riable aleatoria que representa el a .
tiempo, hasta que se pro-duce α veces un determinado
suceso, se llama distribución Gamma (ésta es una manera Además, recordemos que existe una distribución de proba-
de describir a la distribución gamma), con parámetros α bilidad llamada distribución exponencial (llamada también
y β. A primera vista, no es tan inmediato presentar una exponencial negativa), la cual es un caso especial de la dis-
relación entre las dos distribucio-nes. Pero ésta sí existe y tribución gamma o distribución de Erlang, y que presenta
es tratada brevemente en diversos textos especializados. una evidente conexión entre la distribuciones Poisson y
99
Distribuciones Poisson y Gamma: Una Discreta y Continua Relación
gamma. La distribución exponencial describe el tiempo La distribución de Poisson es una distribución de proba-
hasta la primera ocurrencia de un evento de Poisson. Así, bilidad discreta que expresa, a partir de una frecuencia de
las aplicaciones más importantes de esta distribución son ocurrencia media λ, la probabilidad que ocurra un deter-
aquellas situaciones en donde se aplica el proceso de minado número de eventos durante un intervalo
Pois-son. En la distribución de Poisson λ es el número de tiempo dado o una región específica.
prome-dio de eventos por unidad de tiempo, mientras
que en la distribución exponencial es la tasa de Definición 1.1 Sea una variable aleatoria que representa el
ocurrencia de un evento por unidad de tiempo. número de eventos aleatorios independientes que ocurren a
una rapidez constante sobre el tiempo o el espacio. Se dice
Es primordial informar que la importancia de este artícu- entonces que la variable aleatoria tiene una distribución de
lo no solo radica en presentar la relación final entre las Poisson con función de probabilidad
distribuciones Poisson y gamma, la cual brinda un grano
de arena en el proceso de observar y/o analizar de mejor
manera el propósito y la estructura de la teoría de
probabi-lidad, sino que también es relevante reconocer o
recordar las propiedades, y demás aspectos, que tiene
cada una, para efectuar un mejor estudio y uso de éstas.
Teorema 1.1 La función es una función de
Cabe señalar que textos como el de Probabilidad y Estadísti-ca probabilidad. Demostración 1.1
de G. Canavos[1], Probabilidad y Estadística para Ingenie-ros de
Walpole[1] y Probabilidad y Estadística de Alejandro D. Debemos probar que . Para este caso .
Zylberberg[2] realizan, en algunos de sus apartados, un
análisis similar en ciertos aspectos, al que se hace en este
Debido a que si entonces , solo debe-
artículo. Obviamente, dichos textos no solo abordan las
mos analizar
distribuciones de las que aquí se hablará, sino que, como su
nombre lo indica, presentan una introducción a la teo-ría de
la probabilidad y a la estadística, enfatizando en sus
aplicaciones. Además, se informa que algunos aspectos
estructurales de este trabajo se basaron en el artículo La
Distribución Poisson-Beta: Aplicaciones y Propiedades En La
Teoría Del Riesgo Colectivo[3].
Pero . Así,
Este artículo está estructurado como sigue: En la primera
sección se presenta la distribución de Poisson; función de
probabilidad, ejemplo práctico, función de distribución acu- Por tanto es una función de probabilidad.
mulada, propiedades, gráficas, y las demostraciones de las
respectivas esperanza y varianza. En la segunda sección se La función de distribución acumulativa de Poisson ,
aborda la distribución gamma; se inicia con un apartado de la cual permite determinar la probabilidad de que una
la función gamma y, posteriormente, se desarrolla el mismo va-riable aleatoria de Poisson sea menor o igual a un
proceso de presentación de la distribución de Poisson. En la valor específico , tiene la siguiente forma:
tercera sección se exhiben la distribución de Erlang y la
distribución exponencial como las distribuciones que evi-
dencian la relación entre la distribución de Poisson y la dis-
tribución gamma, incluyendo algunos ejemplos. Finalmente
en la última sección se da a conocer algunas conclusiones.
1.2 Propiedades de la distribución de Poisson
1. DISTRIBUCIÓN DE POISSON La distribución de Poisson desempeña un papel impor-
tante, por derecho propio, como un modelo probabilístico
1.1 Distribución de Poisson
apropiado para un gran número de fenómenos aleatorios.
Llamada así en honor a Simeón-Denis Poisson, quien la
Las características mas sobresalientes de esta distribución son:
describió por primera vez a finales del siglo XIX Dentro
de su trabajo: Recherches sur la probabilité des jugements en • La distribución de Poisson tiene la particularidad de
matièrescriminelles et matièrecivile (Investigación sobre la pro-
que la esperanza y la varianza son igua-
babilidad de los juicios en materias criminales y civiles) [4, 5].
100
Prospect. Vol. 12, No. 1, Enero - Junio de 2014, págs. 99-107
les (la verificación y/o demostración de estas fórmu-las tivamente y . Observemos ahora la
se presentan más adelante en esta sección), esto es: demostración de estas afirmaciones.
– Teorema 1.3 La esperanza de la distribución de Poisson tiene
– valor .
• Los factores de forma de la distribución de Poisson son: Demostración 1.3 Tenemos que
- Coeficiente de asimetría:
- Curtosis relativa: Ahora bien, sea , con lo cual obtenemos
- Con lo anterior se puede observar que la distribución
de poisson es leptocúrtica con un sesgo positivo.
Teorema 1.4 La varianza de la distribución de Poisson tiene
• La función generadora de momentos de la varia-ble
aleatoria de Poisson , con valor esperado , es valor .
Demostración 1.4 Por propiedades de la varianza
tenemos que . Además,
• El espacio muestral en un modelo de Poisson se ge-
nera por un número muy grande (puede considerar- . Entonces, sea
se infinito) de repeticiones de un experimento cuyo
modelo de probabilidad es el de Bernoulli, con pro-
babilidad de éxito muy pequeña. Por esta razón, a la
distribución de Poisson se le suele llamar de eventos
raros. Las repeticiones del experimento de Bernoulli Ahora bien, sea , por lo que obtenemos
se realizan en cada uno de los puntos de un
intervalo de tiempo o espacio. La probabilidad de
que se tenga dos o más éxitos en el mismo punto del
intervalo es cero. El número promedio de éxitos en
un intervalo es una constante , que no cambia de Así, . Con lo cual
intervalo a in-tervalo.
• La distribución de Poisson se puede expresar de for-
ma gráfica, ya que en realidad consiste en un diagra- Observemos ahora, un ejemplo práctico en donde se apli-
ma de barras, con forma asimétrica positiva como ca la distribución de Poisson.
sucede con la distribución binomial. Sin embargo, al
ir aumentando los valores de , va adquiriendo la Ejemplo 1. Los buses llegan a cierta terminal de transporte, y se
típica forma de la Campana de Gauss (esto se pue- sabe que siguen un proceso de Poisson, con tasa de 8 buses por
de evidenciar analizando el coeficiente de asimetría -su hora, de modo que el número de llegadas por un período de horas
objetivo es determinar, sin necesidad de dibujar, la es una variable de Poisson con parámetro [7].
deformación horizontal de la distribución con
respec-to a un valor central, generalmente la media - ¿Cuál es la probabilidad de que exactamente 5 buses
[6]- men-cionado anteriormente), pudiendo lleguen durante un periodo de una hora?
deducirse, que conforme aumenta , las variables - ¿Cuantos buses se pueden esperar a que lleguen du-
de Poisson van a poder aproximarse a la rante 90 minutos?
distribución normal, por el Teorema Central del Límite.
La aproximación se consi-dera buena para valores Solución
de iguales o superiores a nueve.
La llegada de los buses a la terminal de transporte se dis-
1.3 Esperanza y Varianza tribuyen según Poisson. Sea una variable que
represen-ta el número de buses que llegan a la terminal
Ya sabemos que los valores de la esperanza (o media) y de transpor-te durante un periodo de tiempo .
de la varianza para la distribución de Poisson son respec-
101
Distribuciones Poisson y Gamma: Una Discreta y Continua Relación
- Se pide calcular la probabilidad de que lleguen exac-
tamente 5 buses durante una hora.
Sin embargo, por la definición de ,
y de aquí
Algunas propiedades adicionales de son:
Por tanto, existe una probabilidad del 9.1% de que lleguen
exactamente 5 buses a la terminal durante una hora. • si es un entero positivo.
•
- Se pide calcular la cantidad de buses que podrían lle- •
gar en un tiempo de hora y media.
Estas propiedades serán de gran utilidad en las secciones
2.2 y 2.4.
Ahora bien, por propiedad de la distribución de Poisson, 2.2 Distribución Gamma
. Con lo cual tendríamos que la desviación es-
tándar, , para este caso es . Se le conoce, también, como una generalización de la
distribución exponencial, además de la distribución de
Se espera entonces, que en una hora y media lleguen, en Erlang y la distribución Ji-cuadrada [8]. Es una distribu-
promedio, 12 buses a la terminal de transporte, con una ción de probabilidad continua adecuada para modelizar
desviación estándar de 3 buses. Esto quiere decir que, en el comportamiento de variables aleatorias con asimetría
realidad, se espera que lleguen entre 9 y 15 buses. positiva y/o los experimentos en donde está involucrado
el tiempo.
2. DISTRIBUCIÓN GAMMA
Definición 2.2 Una variable aleatoria tiene una
Antes de estudiar la distribución gamma, es pertinente distribución gamma si su función de densidad está dada por:
ob-servar y/o examinar algunos detalles de la función a la
que debe su nombre, la función gamma.
2.1 Función Gamma
Es una función que extiende el concepto de factorial a los
Teorema 2.1 La función es una función de densidad.
números complejos. Fue presentada, en primera
instancia, por Leonard Euler entre los años 1730 y 1731.
Demostración 2.1
La función gamma se define,
Debemos probar que . Para este caso
Definición 2.1 Sea , donde .
De esta manera,
Con el fin de observar algunos resultados o propiedades
de esta función, procederemos a integrar por partes. To-
mando y , obtenemos
Pero según la definición de
Para , lo cual ocasiona la fórmula
Así,
Al aplicar reiteradamente la fórmula anterior tendríamos,
Realizamos el siguiente cambio de variable. Sea ,
entonces , así . Por lo cual tendríamos
y así sucesivamente. Se evidencia que cuando , don-
de es un entero positivo,
102
Prospect. Vol. 12, No. 1, Enero - Junio de 2014, págs. 99-107
• La función generadora de momentos de la variable
aleatoria gamma está dada por ,
con .
Ahora bien, recordemos que , donde • El primer parámetro, , sitúa la máxima intensidad de
probabilidad y por este motivo es denominada la forma
de la distribución. Cuando se toman valores próximos
Así, a cero aparece entonces un dibujo muy si-milar al de la
distribución exponencial. Cuando se to-man valores
Por tanto es una función de densidad. grandes de , el centro de la distribución se desplaza a
la derecha, por lo que va apareciendo la forma de la
La función de distribución acumulativa de gamma , campana de Gauss con asimetría positi-
la cual permite determinar la probabilidad de que una va. El segundo parámetro, , es el que determina la
varia-ble aleatoria de gamma sea menor a un valor forma o alcance de la asimetría positiva desplazando
específico , se determina de la siguiente expresión: la densidad de probabilidad en la cola de la derecha.
Para valores elevados de la distribución acumula
más densidad de probabilidad en el extremo
derecho de la cola, alargando mucho su dibujo y
dispersando la probabilidad a lo largo del plano. Al
2.3 Propiedades de la distribución gamma dispersar la probabilidad la altura máxima de
densidad de proba-bilidad se va reduciendo; de aquí
Como se mencionó anteriormente, es una distribución que se le denomine escala. Valores mas pequeños de
adecuada para modelizar el comportamiento de variables conducen a una figura más simétrica y concentrada,
aleatorias continuas con asimetría positiva. Es decir, va- con un pico de densidad de probabilidad más
riables que presentan una mayor densidad de sucesos a la elevado. Una forma de interpretar es “tiempo
izquierda de la media que a la derecha. En su expresión se promedio entre ocurren-cia de un suceso”.
encuentran dos parámetros, siempre positivos, y de los
que depende su forma y alcance por la derecha, y • Dadas dos variables aleatorias y con
también la función gamma , responsable de la distribución gamma y parámetro común. Esto es
conver-gencia de la distribución.
Podemos presentar las siguientes propiedades:
Se cumplirá que la suma también sigue una distribu-
• Los valores de la esperanza y varianza , ción Gamma
se determinan mediante
-
- • Relación con otras distribuciones:
La verificación y/o demostración de estas fórmulas se - Si se tiene un parámetro de valores elevados y
pre-sentan más adelante en esta sección. pequeña, entonces la función gamma converge con
la distribución normal. De media , y varianza
• Los factores de forma de la distribución gamma son: .
- Coeficiente de asimetría: .
- Cuando la proporción entre parámetros es
entonces la variable aleatoria se distri-
- Curtosis relativa: . buye como una Chi-cuadrado con grados de liber-
tad.
- Con lo anterior se puede observar que la
distribución gamma es leptocúrtica y tiene un sesgo - Si , entonces se tiene la distribución exponencial
positivo. Tam-bién observamos que conforme el de parámetro .
parámetro crece, el sesgo se hace menos
pronunciado y la curtosis re-lativa tiende a 3. De esta forma, la distribución gamma es una distribu-
ción flexible para modelizar las formas de la asime-
103
Distribuciones Poisson y Gamma: Una Discreta y Continua Relación
tría positiva, de las más concentradas y Ejemplo 2. Supongamos que la experiencia demuestra que el
puntiagudas, a las mas dispersas y achatadas. tiempo (en minutos) necesario para dar mantenimiento perió-
dico a un dictáfono sigue una distribución gamma con y
Para valorar la evolución de la distribución al variar . A un nuevo técnico en mantenimiento le toma 22.5
los parámetros se tienen los siguientes gráficos. Pri- minu-tos revisar la máquina. ¿Concuerda este tiempo utilizado
mero se comprueba que para la distribución en el mantenimiento al dictáfono con el período anterior? [7]
tie-ne similitudes con la exponencial.
Solución
2.4 Esperanza y Varianza La media y varianza de los tiempos de mantenimiento
(con base en la experiencia anterior) son:
Sabemos que los valores de la esperanza (o media) y de
la varianza para la distribución gamma son
respectivamente y . Observemos
ahora la demos-tración de estas afirmaciones.
Se deduce que . Advierta que
Teorema 2.3 La esperanza de la distribución gamma está dada supera a la esperanza por 16.3 minutos o,
por . . Así según la regla de Tchebychev.
Demostración 2.3 Tenemos
Por tanto,
Ahora bien, sea , con lo que , así
Esta probabilidad se basa en el supuesto de que la distri-
bución de los tiempos de mantenimiento no es diferente de
lo establecido. Por consiguiente, si observamos que
Teorema 2.4 La varianza de la distribución gamma está dada es pequeña, debemos concluir que nuestro nuevo técnico
por . en mantenimiento generó por azar un pe-ríodo de
mantenimiento prolongado, que tiene baja pro-babilidad de
Demostración 2.4 Al igual que para la distribución de Poisson ocurrir, o que es más lento que los anteriores.
tenemos que . Encontremos entonces Si tomamos en cuenta la baja probabilidad de ,
optamos por la última probabilidad.
3. UNA DISCRETA Y CONTINUA RELACIÓN
La relación entre estas dos distribuciones (Poisson y
gam-ma) se efectúa al incluir la distribución de Erlang, y su
caso especial, la distribución exponencial.
Ahora bien, sea , con lo que , así
3.1 Distribución de Erlang
Esta distribución fue desarrollada para examinar el
núme-ro de las llamadas telefónicas que se pudieron
efectuar, al mismo tiempo, a los operadores de las
estaciones de con-mutación. Recibe su nombre en honor
al científico danés Agner Krarup Erlang, quien la
Con esto,
introdujo por primera vez a principios del año 1900.
La distribución de Erlang sucede cuando el parámetro ,
Observemos ahora, un ejemplo práctico en donde se apli-
en la distribución gamma, es un entero positivo. Es decir,
ca la distribución gamma.
104
Prospect. Vol. 12, No. 1, Enero - Junio de 2014, págs. 99-107
Ejemplo 3 El número de clientes, en promedio, que llegan por
minuto a solicitar servicio a un banco es de 5. ¿Cuál es la
proba-bilidad de que dos clientes tarden de 30 a 45 segundos en
llegar al banco?
es la función de densidad de probabilidad para la variable Solución.
aleatoria que tienen una distribución de Erlang.
Tener en cuenta que:
Ahora bien, si el número de eventos aleatorios indepen- • El número de clientes por minuto que llegan a solici-
dientes que ocurren en un lapso específico es una variable tar servicio a un banco es una variable aleatoria dis-
de Poisson, con una frecuencia constante de ocurrencia igual creta Poisson (con parámetro ).
a , entonces para un , el tiempo de espera hasta que • El tiempo que tarden clientes en llegar a solicitar
ocurre el -ésimo evento de Poisson tiene una distri-bución servicio a un banco es una variable aleatoria continua
de Erlang. Lo anterior se evidencia al comparar las Gamma .
funciones de distribución acumulativas de las distribucio-
nes Poisson y Erlang. Así, siendo la función de distribu- Ahora bien,
ción acumulada para la distribución de Poisson, tenemos
Sea la variable aleatoria continua que representa el
Con lo cual, la probabilidad de que ocurran a lo más tiempo, en segundos, que tardan clientes en llegar a un
eventos de Poisson en un tiempo , a una frecuencia banco.
cons-tante , está dada por: Así, . Donde
Por otro lado, si se supone que el tiempo de espera sigue
el modelo de Erlang, la probabilidad de que el tiempo de
espera hasta que ocurra el -ésimo evento exceda un Por tanto, .
lapso específico, está determinado por
Con lo cual,
Para este caso,
En otras palabras, la probabilidad de que el tiempo que
transcurre hasta el -ésimo evento exceda el valor es
igual a la probabilidad de que el número de eventos
de Poisson observados en no sea mayor que . De De esta manera, la probabilidad de que dos clientes
esta forma, la distribución de Erlang es el modelo para el
tarden de 30 a 45 segundos en llegar al banco es de
tiempo de espera hasta que ocurre el -ésimo evento de
aproximada-mente 17.56%.
Poisson, y la distribución de Poisson es el modelo para el
número de eventos independientes que ocurren en un
Ejemplo 4 A una centralista de teléfonos llegan 12 llamadas
tiempo , encontrándose éste distribuido de acuerdo con
por minuto, siguiendo una distribución de Poisson. ¿Cuál es la
el modelo de Erlang. En este contexto, es la fre-
probabilidad de que en menos de 1 minuto lleguen 8 llamadas?
cuencia constante de ocurrencia y es el tiempo promedio [10]
entre dos ocurrencias sucesivas. Análisis basado en Cana-
vos [9]
105
Distribuciones Poisson y Gamma: Una Discreta y Continua Relación
Solución. hasta el primer evento de Poisson. De hecho, las aplica-
Sea la variable aleatoria que representa el tiempo que ciones más relevantes de la distribución exponencial son
transcurre hasta un determinado número de llamadas. Se situaciones en donde se aplica el proceso de Poisson.
observa que
La relación entre la distribución exponencial y la distribu-
ción de Poisson la podemos observar de la siguiente ma-
nera. Recordemos que la distribución de Poisson es una
distribución con un solo parámetro donde representa el
Además, , por lo que número medio de eventos por unidad de tiempo.
Consideremos ahora la variable aleatoria descrita por
el tiempo que se requiere para que ocurra el primer
evento. Haciendo uso de la distribución de Poisson,
Para este caso, encontramos que la posibilidad de que no ocurra algún
evento, en el periodo hasta el tiempo está dada por
Podemos ahora utilizar lo anterior y hacer que sea el
tiempo para el primer evento de Poisson. La probabilidad
de que la duración del tiempo hasta el primer evento ex-
ceda es la misma que la probabilidad de que no ocurra
Así, existe una probabilidad del 91.05%, aproximadamen-te, algún evento de Poisson en . Esto último, por supuesto,
de recibir 8 llamadas en un lapso menor a un minuto. está dado por Como resultado,
3.2 Distribución Exponencial
Se ha observado que la distribución gamma, cuando el pa- Así la función de distribución acumulada para está
rámetro toma un valor entero positivo, se conoce como dada por
distribución de Erlang. Ahora bien, cuando ese entero po-
sitivo es igual a uno, esto es , la distribución de Erlang
se reduce a la conocida distribución exponencial, siendo así
la distribución exponencial un caso especial de la dis- Ahora bien, a fin de que reconozcamos la presencia de la
tribución gamma. Debido a lo mencionado anteriormente y distribución exponencial, podemos diferenciar la función
al hecho de que ésta distribución se deriva de la distribu- de distribución acumulada anterior para obtener la fun-
ción de Poisson, su descubrimiento se le atribuye a Agner ción de densidad
Krarup Erlang y Siméon-Denis Poisson.
La distribución exponencial es utilizada para determinar
la probabilidad de que en cierto tiempo suceda un deter- que es la función de densidad de la distribución exponen-
minado evento. cial con . Análisis basado en Walpole [1].
Definición 3.1 Una variable aleatoria tiene una distribución Ejemplo 5 En promedio, por un parador de buses poco tran-
exponencial si su función de densidad está dada por sitado, pasan 3 buses por hora, distribuidos según un proceso
Poisson. ¿Cuál es la probabilidad de tener que esperar un bus
más de 20 minutos?
Solución.
La llegada de los buses al parador se distribuye según
Donde es igual a .
Poisson. Sea la variable aleatoria que representa el tiem-
po de espera hasta llegar un (o el primer) bus. Entonces,
De este modo, y gracias al análisis efectuado en la sección
anterior (distribución de Erlang), se puede interpretar a
la distribución exponencial como el lapso que transcurre
106
Prospect. Vol. 12, No. 1, Enero - Junio de 2014, págs. 99-107
Así, ,y • La relación entre la distribución de Poisson y la dis-
tribución gamma se hace evidente al estudiar las dis-
Por tanto, la probabilidad de esperar la llegada de un bus tribuciones de Erlang y exponencial (derivadas de la
por más de 20 minutos es del 36.8% aproximadamente. distribución gamma). Así, mientras la distribución de
Erlang es el modelo para el tiempo de espera hasta que
ocurre el -ésimo evento de Poisson, la distri-bución
exponencial modela el lapso de tiempo que transcurre
hasta el primer evento de Poisson. Ade-más, al estudiar
Ejemplo 6 En una tela, las fallas se distribuyen según un pro- las gráficas de las distribuciones de
ceso Poisson, a razón de 1 falla cada 15 metros. ¿Cuál es la Poisson y gamma (o sus factores de forma) nos da-
pro-babilidad de que la distancia entre la 4a falla y la 5a falla mos cuenta que ambas son leptocúrticas con sesgos
sea mayor a un metro? po-sitivos, con características muy similares al variar
sus parámetros.
Solución
Este ejemplo muestra que, en un proceso Poisson, el in-
REFERENCIAS
tervalo entre dos eventos consecutivos es una variable
exponencial. Entonces La distancia entre dos fallas con-
[1] Canavos G. C. Probabilidad y Estadística. Aplicaciones y
secutivas (sean éstas la 4a y 5a la u otras dos consecutivas
Métodos. Traducción de Edmundo G. Urbina M. McGraw-
cualesquiera) es una variable exponencial con .
Hill. México, 1988.
Con lo cual,
[2] Blanco L. Probabilidad. Universidad Nacional de
Colom-bia. Bogotá, 2004.
[3] Llinás H., Rojas C. Estadística Descriptiva y Distribuciones
Por tanto, hay una probabilidad del 93.55% de que la dis- de Probabilidad. Ediciones Uninorte. Barranquilla, 2009.
tancia entre la 4a y 5a la falla sea mayor a un metro.
[4] Walpole R. E., Myers R. H., Myers S. L. Probabilidad y
4. CONCLUSIONES Estadística Para Ingenieros. Traducción de Ricardo Cruz.
Prentice-Hall, Inc. México, 1999.
Generalmente conocemos el valor de (la cantidad espe-
rada de eventos por unidad de tiempo), y entonces nos [5] Zylberberg A. D. Probabilidad y Estadística. Editorial
preguntamos cuántos eventos obtendremos en una deter- Nueva Librería. Argentina, 2005.
minada cantidad de tiempo, o cuánto tiempo tendremos
que esperar hasta observar una determinada cantidad de [6] García H. A., Solarte C., Imuez M. BioEstadística. Editorial
eventos. De esta forma obtenemos 2 distribuciones: Universitaria - Universidad de Nariño. Pasto, 2009.
- Poisson: consiste en preguntar por la cantidad de [7] Goméz E., Sarabia J. M., Prieto F. La Distribución Poisson-
eventos en el período (la longitud de un intervalo Beta: Aplicaciones Y Propiedades En La Teoría Del Riesgo Colectivo.
del continuo que va a estudiarse). Es decir, dado , Tomado desde: <http://www.actuarios.org/espa/anales/2009/
calcular la distribución de (la cantidad de eventos Pag%20141-160.pdf>, [Acceso el 5 de agosto de 2013].
que hay en ese intervalo).
[8] Ecos de la economía. Distribución Gamma. Tomado des-
- Gamma: consiste en preguntar por la cantidad de de: <http://ecosdelaeconomia.files.wordpress.com/2011/05/
tiempo necesario hasta observar eventos. Es decir, distribucion-gamma.pdf>, [Acceso el 5 de agosto de 2013].
dado , calcular la distribución de .
[9] Armitage P., BerryG. Estadística Para La Investigación
Y además: Biomédica. Edisión en español. Harcourt Brace. Madrid,
España. 1997.
- Exponencial: caso particular de Gamma cuando ,
es decir, consiste en preguntar por la cantidad de [10] MonteroJ. Ma. Estadística Descriptiva. International
tiempo necesaria hasta obtener el primer evento. Thomson Editores. España. 2007.
107
