0 оценок0% нашли этот документ полезным (0 голосов)
783 просмотров7 страниц
Este documento describe las distribuciones gamma y exponencial, sus propiedades y aplicaciones. La distribución exponencial es un caso especial de la distribución gamma cuando el parámetro α es igual a 1. Ambas distribuciones se usan comúnmente para modelar tiempos de espera, tiempos de falla de componentes, y otros problemas de confiabilidad e ingeniería debido a su propiedad de falta de memoria. El documento proporciona ejemplos para ilustrar el uso de estas distribuciones.
Исходное описание:
Оригинальное название
Distribución gamma y distribución exponencial.docx
Este documento describe las distribuciones gamma y exponencial, sus propiedades y aplicaciones. La distribución exponencial es un caso especial de la distribución gamma cuando el parámetro α es igual a 1. Ambas distribuciones se usan comúnmente para modelar tiempos de espera, tiempos de falla de componentes, y otros problemas de confiabilidad e ingeniería debido a su propiedad de falta de memoria. El documento proporciona ejemplos para ilustrar el uso de estas distribuciones.
Este documento describe las distribuciones gamma y exponencial, sus propiedades y aplicaciones. La distribución exponencial es un caso especial de la distribución gamma cuando el parámetro α es igual a 1. Ambas distribuciones se usan comúnmente para modelar tiempos de espera, tiempos de falla de componentes, y otros problemas de confiabilidad e ingeniería debido a su propiedad de falta de memoria. El documento proporciona ejemplos para ilustrar el uso de estas distribuciones.
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?