4.2.
4 Distribución Gamma
En estadística la distribución gamma es una distribución de probabilidad continua con dos
parámetros α y β cuya función de densidad es para valores x > 0. Este modelo es una
generalización del modelo Exponencial ya que, en ocasiones, se utiliza para modelar
variables que describen el tiempo hasta que se produce α veces un determinado suceso.
Además de la distribución de Erlang y la distribución Ji-cuadrada (no vistas en este
curso). Es una distribución de probabilidad continua adecuada para modelizar el
comportamiento de variables aleatorias con asimetría positiva y/o los experimentos en
donde está involucrado el tiempo.
X ~ γ(α,β)
Su función de densidad es de la forma:
Aquí e es el número e y Γ es la función gamma de Euler. Es una función que extiende el
concepto de factorial a los números complejos. Fue presentada, en primera instancia, por
Leonard Euler entre los años 1730 y 1731, que representa la siguiente integral:
Para valores α ϵ N la función gamma es Γ(α) = (α-1)! (el factorial de α-1). Algunas de
sus propiedades adicionales de Γ(α) son:
Γ(α+1) = α! Si α es un entero positivo.
Γ(α+1) = α Γ(α), α > 0 .
Γ(1/2)=
El primer parámetro, α, sitúa la máxima intensidad de probabilidad y por este motivo es
denominada la forma de la distribución. Cuando se toman valores próximos a cero aparece
entonces un dibujo muy similar al de la distribución exponencial. Cuando se 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 de probabilidad en el extremo derecho de la cola,
1
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 que
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”. (α=k) y (β=θ).
En la siguiente grafica podemos ver, que haciendo variar los parametros de la distribución
Gamma, generamos otra distribución de probabilidad, por ejemplo si K=1 y θ=2 generamos
una distribución exponencial, cuando K=2, es una Poisson y a medida que k va creciendo y
θ decreciendo formamos una Normal.
Ejercicio 1. Demostrar que la función f es una función de densidad.
Para nuestro caso:
De esta manera:
2
= 0 (por definición) +
Así.
Hagamos:
Por lo que tendríamos:
Ahora bien, recordemos que Γ: (0,) por definición es la función gamma.
La función de distribución acumulativa de Gamma, la cual permite determinar la
probabilidad de que una variable aleatoria de gamma sea menor a un valor específico, se
determina de la siguiente expresión:
3
Media
Ahora bien, sea :
Varianza
Ahora bien, sea :
Note, que no utilizamos la f.g.m. para encontrar media y varianza. En ocasiones por este
método es muy complicado realizar las integrales.
4
PROPIEDADES
Media
Varianza
Desviación estándar
Moda
Función Generatriz de
Momentos
Función Característica
Coeficiente de Asimetría
Coeficiente de Curtosis
Con lo anterior podemos ver que la distribución gamma es leptocúrtica y tiene un
sesgo positivo. También observamos que conforme el parámetro α crece, el sesgo
se hace menos pronunciado y la curtosis relativa tiende a 3.
Cuando la proporción entre parámetros es entonces la variable aleatoria se
distribuye como una Chi-cuadrado con grados de libertad.
Si α=1, entonces se tiene la distribución exponencial de parámetro λ=1/β.
De esta forma, la distribución gamma es una distribución flexible para modelizar 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 la distribución tiene
similitudes con la exponencial.
La distribución de Erlang sucede cuando el parámetro α, en la distribución gamma, es un
entero positivo. Es decir:
Ejemplo 2. El número de clientes, en promedio, que llegan por minuto a solicitar servicio a
un banco es de 5. ¿Cuál es la probabilidad de que dos clientes tarden de 30 a 45 segundos
en llegar al banco?.
5
Solución:
Sea θ el número de clientes por minuto que llegan a solicitar servicio a un banco.
θ ~ P(λ) λ=5 clientes por minuto o (1/12) clientes por segundo.
Sea X El tiempo en segundos que tardan k clientes en llegar a solicitar servicio a un banco.
X ~ γ(α,β) donde α= k = 2 ; β=1/λ= 1/(1/12)= 12 .
Para este caso:
De esta manera, la probabilidad de que dos clientes tarden de 30 a 45 segundos en llegar al
banco es de aproximadamente 17.56%.
Ejemplo 3. A una centralista de teléfonos llegan 12 llamadas por minuto, siguiendo una
distribución de Poisson. ¿Cuál es la probabilidad de que en menos de 1 minuto lleguen 8
llamadas?
Sea θ el número de llamadas que transcurren por minuto en una central de teléfonos
Θ ~ P(λ) λ=12 llamadas por minuto
Sea X El tiempo en minutos que transcurren en llegar k llamadas en una central de
teléfonos.
X ~ γ(α,β) donde α= k = 8 ; β=1/λ= 1/ 12 .
Así, existe una probabilidad del 91.05%, aproximadamente, de recibir 8 llamadas en un
lapso menor a un minuto.
Ejercicios del tema
Investigar la Biografía de Leonhard Euler, (Ver formato).
