Distribución Gamma: Origen, Propiedades y Aplicaciones

Juan Pablo Marulanda Poveda1


1 Carrera de Biología, Departamento de Ciencias Naturales y Matemáticas, Facultad de Ingenieria y Ciencias, Pontificia Universidad Javeriana Cali

Introducción

La distribución gamma es una de las distribuciones continuas más importantes en teoría de probabilidades y estadística. Es ampliamente utilizada para modelar eventos en los que se espera que ocurran tiempos entre eventos sucesivos, como el tiempo de vida de componentes electrónicos, tiempos de espera entre eventos en procesos de Poisson, y en aplicaciones que involucran fenómenos de crecimiento y decaimiento. Se caracteriza por dos parámetros: el parámetro de forma k y el parámetro de escala θ, que determinan la forma de la curva de probabilidad. La flexibilidad de esta distribución le permite adaptarse a diversas situaciones y fenómenos naturales, lo que la hace particularmente útil en muchos campos, desde la ingeniería hasta las ciencias de la salud.
Función de Densidad de una Gama (Colin M.L. Burnett).

Figure 1: Función de Densidad de una Gama (Colin M.L. Burnett).

Historia de la Distribución Gamma

La distribución gamma fue introducida por primera vez a finales del siglo XIX como una extensión del concepto de distribución exponencial, la cual modela el tiempo de espera entre eventos que ocurren de manera aleatoria. Matemáticamente, la distribución gamma se considera una generalización de la distribución exponencial cuando se modelan múltiples eventos secuenciales.

Un pionero en el uso de la distribución gamma fue el matemático sueco Carl Gustav Axel Hammar en 1900, quien la utilizó para modelar tiempos de vida y fenómenos de crecimiento en biología. Sin embargo, su popularización vino de la mano del estadístico británico Ronald Fisher, quien reconoció su utilidad en el campo de la genética y la biometría, y la introdujo en diversos modelos biológicos y de análisis de datos experimentales.
Ronald Fisher 1890-1962 (Carlos Ochoa)

Figure 2: Ronald Fisher 1890-1962 (Carlos Ochoa)

Características Principales

La función de densidad de probabilidad (PDF) de la distribución gamma está dada por:

\[ f(x;k,\theta) = \frac{x^{k-1} e^{-\frac{x}{\theta}}}{\theta^k \Gamma(k)} \]

Donde: - \(k\) es el parámetro de forma (número de eventos). - \(\theta\) es el parámetro de escala (tiempo entre eventos). - \(\Gamma(k)\) es la función gamma.

El Valor esperado y la Varianza de la distribución gamma están dadas por:

  • \(E[X] = k\theta\)
  • \(Var[X] = k\theta^2\)

Ejemplo de aplicación

Modelaremos el tiempo hasta la muerte de una bacteria expuesta a un antibiótico que realiza 4 ataques secuenciales, con un promedio de 30 minutos entre ataques. ¿Cuál es la probabilidad de que la bacteria muera en 100 minutos? Utilizamos una distribución gamma con 𝑘= 4 y𝜃= 30

Desarrollo del Cálculo en R para la Distribución Gamma

En este ejemplo, calculamos la probabilidad acumulada de que el tiempo de espera hasta el \(k\)-ésimo evento en un proceso de Poisson sea menor a un valor determinado utilizando la función pgamma en R.

  • Parámetros:
    • \(k = 4\) es el parámetro de forma (shape), que representa el número de eventos que esperamos que ocurran.
    • \(\theta = 30\) es el parámetro de escala (scale), que indica el tiempo promedio entre eventos.
    • \(\text{time} = 100\) es el tiempo hasta el cual queremos calcular la probabilidad.

El siguiente código en R realiza este cálculo:

# Parámetros
k <- 4  # Parámetro de forma
theta <- 30  # Parámetro de escala
time <- 100  # Tiempo

# Calcular la probabilidad acumulada
prob <- pgamma(time, shape = k, scale = theta)
# Mostrar el resultado
round(prob*100, 2)
[1] 42.7

La probabilidad de que el tiempo hasta que ocurran 4 eventos sea menor o igual a 100 minutos es aproximadamente 47.7%

Aplicaciones en Diversos Campos

Hoy en día, la distribución gamma es fundamental en la modelización de procesos que implican tiempos de espera, crecimiento biológico, y estudios de confiabilidad de sistemas. Su flexibilidad para ajustarse a diferentes datos y la capacidad de modificar su forma mediante la elección de parámetros la hacen una herramienta poderosa en el análisis de datos experimentales.

  • Ingeniería: Modelado del tiempo de vida de sistemas complejos.

  • Ciencias Biológicas: Análisis del tiempo hasta la muerte de células o diseminación de enfermedades.

  • Economía: Tiempos hasta eventos como crisis financieras.

  • Salud: Análisis de tiempos de recuperación en estudios clínicos.

Relaciones entre Distribuciones Univariadas

  • Distribución Exponencial: Es un caso especial de la distribución gamma cuando \(k = 1\).

  • Distribución Chi-cuadrado: Un caso de la distribución gamma con \(k = \frac{n}{2}\) y \(\theta = 2\).

Referencias

Escanea para visualizar las referencias