Distribución gamma y distribución exponencial.

Hay numerosas situaciones que requieren diferentes tipos de funciones de

densidad.
La distribución exponencial es un caso especial de la distribución Gamma.
Estas dos distribuciones desempeñan un papel importante en:
 La Teoría de Colas, y en
 Problemas de confiabilidad.
 Los tiempos entre llegadas en instalaciones de servicio y los
 Tiempos de operación antes de que partes de componentes y sistemas
eléctricos empiecen a fallar.

Teoría de Colas: es el estudio matemático de las colas o líneas de espera

dentro de un sistema.
Esta teoría estudia factores como el tiempo de espera medio en las colas o la
capacidad de trabajo del sistema sin que llegue a colapsar.

Teoría de Confiabilidad: La palabra confiabilidad designa la probabilidad de

que un sistema cumpla satisfactoriamente con la función para la que fue
diseñado, durante determinado periodo y en condiciones específicas de
operación.

La relación entre la distribución gamma y la exponencial permite que la gamma

se utilice en problemas similares.

La distribución Gamma deriva su nombre de la función Gamma.

La función gamma se define como

 Distribución Gamma

La variable aleatoria continua X tiene una distribución Gamma, con

parámetros α y β. Su función de densidad está dada por:

En la siguiente se muestran gráficas de varias distribuciones gamma para

ciertos valores específicos de los parámetros α y β. La distribución gamma
especial para la que α = 1 se llama distribución exponencial.

Distribución Exponencial

La variable aleatoria continua X tiene una distribución exponencial, con

parámetro β, si su función de densidad es dada por
Teorema: la media y la varianza de la distribución Gamma es:

Corolario: la media y la varianza de la distribución exponencial es:

Relación con el proceso de Poisson

Las aplicaciones más importantes de la distribución exponencial son

situaciones donde se aplica el proceso de Poisson. Recuerde que la distribución
de Poisson se utiliza para calcular la probabilidad de números específicos de
“eventos” durante un periodo o espacio particulares.
En muchas aplicaciones la variable aleatoria es el tiempo o la cantidad de
espacio. Por ejemplo, un ingeniero industrial se podría interesar en un modelo
de tiempo T entre las llegadas en una intersección congestionada durante las
horas de mayor afluencia en una ciudad grande. Una llegada representa el
evento de Poisson.

A la distribución exponencial a menudo se le denomina exponencial negativa.

La distribución de Poisson se desarrolló como una distribución de un solo

parámetro con parámetro λ, donde λ se interpreta como el número medio de
eventos por unidad de “tiempo”.

Considere ahora la variable aleatoria descrita por el tiempo que se requiere

para que ocurra el primer evento.
Observación: mencionamos que la media de la distribución exponencial es el
parámetro β, quien es el reciproco del parámetro en la distribución de Poisson.

β = 1/λ

Aplicaciones de la distribución exponencial y la distribución gamma

Con frecuencia se dice que la distribución de Poisson no tiene memoria, lo cual

implica que las ocurrencias en periodos sucesivos son independientes.

El importante parámetro β es el tiempo promedio entre eventos.

En la teoría de confiabilidad, donde la falla de equipo con frecuencia se ajusta

a este proceso de Poisson, β se denomina tiempo medio entre fallas. Muchas
descomposturas de equipo siguen el proceso de Poisson y por ello se aplica la
distribución exponencial. Otras aplicaciones incluyen tiempos de
supervivencia en experimentos biomédicos y tiempo de respuesta de
computadoras.

Ejemplo 1: (distrib. Exponencial; problema de confiabilidad; distrib. Binomial).

Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de

operación antes de fallar, en años, está dado por T. La variable aleatoria T se
modela bien mediante la distribución exponencial con tiempo medio de
operación antes de fallar β = 5. Si se instalan 5 de estos componentes en
diferentes sistemas, ¿cuál es la probabilidad de que al final de 8 años al menos
dos aún funcionen?

La propiedad de falta de memoria y su efecto en la distribución exponencial

En los tipos de aplicación.

En los tipos de aplicación de la distribución exponencial en los:

  Problemas de confiabilidad.
 De tiempo de vida de una máquina
 De tiempo de vida de un componente

Influye la propiedad de falta de memoria de la distribución exponencial.

Por ejemplo, en el caso que un componente electrónico, en el que la

distribución de tiempo de vida es exponencial, la probabilidad de que el
componente dure, por ejemplo t horas, es decir P(X > t), es igual que la
probabilidad condicional P (X ≥ t0 + t | X ≥ t0 ).

Entonces, si el componente “alcanza” las t0 horas, la probabilidad de que dure

otras t horas es igual a la probabilidad de que dure t horas. No hay “castigo” a
través del desgaste como resultado de durar las primeras t0 horas.

Por lo tanto, cuando la propiedad de falta de memoria es justificada es más

adecuada la distribución exponencial.

Pero si la falla del componente es resultado del desgaste lento o gradual

(como en el caso del desgaste mecánico), entonces la distribución
exponencial no es aplicable y serían más adecuadas la distribución Gamma o
Weibull.

La importancia de la distribución Gamma radica en el hecho de que define una

familia en la cual otras distribuciones son casos especiales.

La distribución Gamma tiene aplicaciones importantes en:

 Tiempo de espera, y
 Teoría de confiabilidad.

Observación: mientras que la distribución exponencial describe el tiempo que

transcurre hasta la ocurrencia de un evento de Poisson (o el tiempo entre
eventos de Poisson), el tiempo (o espacio) que transcurre hasta que ocurre
un número especifico de eventos de Poisson, es una variable aleatoria, cuya
función de densidad es descrita por la distribución Gamma.

Este # especifico de eventos es el parámetro α en la función de densidad

Gamma.

Ejemplo 2: Suponga que las llamadas telefónicas que llegan a un conmutador

particular siguen un proceso de Poisson con un promedio de 5 llamadas
entrantes por minuto. ¿Cuál es la probabilidad de que transcurra hasta un
minuto en el momento en que han entrado 2 llamadas al conmutador?

Mientras el origen de la distribución Gamma trata con el tiempo (o espacio)

hasta la ocurrencia de α eventos de Poisson, hay muchos ejemplos donde una
distribución Gamma funciona muy bien aunque no exista una estructura de
Poisson clara.

Esto es particularmente cierto para:

 Problemas de tiempo de supervivencia en aplicaciones de ingeniería y

bomédicas.

Ejemplo 3: En un estudio biomédico con ratas se utiliza una investigación de

respuesta a la dosis para determinar el efecto de la dosis de un tóxico en su
tiempo de supervivencia. El tóxico es producido por el combustible que utilizan
los aviones y, en consecuencia, descargan con frecuencia a la atmósfera. Para
cierta dosis del tóxico, el estudio determina que el tiempo de supervivencia de
las ratas, en semanas, tiene una distribución gamma con α = 5 y β = 10. ¿Cuál
es la probabilidad de que una rata no sobreviva más de 60 semanas?

Ejemplo 4: A partir de datos previos se sabe que la longitud de tiempo, en

meses, entre las quejas de los clientes sobre cierto producto es una
distribución gamma con α = 2 y β = 4. Se realizaron cambios para hacer más
estrictos los requerimientos del control de calidad después de los cuales
pasaron 20 meses antes de la primera queja. ¿Parecería que los cambios
realizados en el control de calidad resultaron eficaces?
Ejemplo 5: Con base en abundantes pruebas se determinó que el tiempo Y en
años antes de que se requiera una reparación mayor para cierta lavadora se
caracteriza por la función de densidad

Observe que Y es una variable aleatoria exponencial con μ = 4 años. Se

considera que la lavadora es una ganga si no hay probabilidades de que
requiera una reparación mayor antes de cumplir 6 años de haber sido
comprada. ¿Cuál es la probabilidad de P(Y > 6)? ¿Cuál es la probabilidad de que
la lavadora requiera una reparación mayor durante el primer año?