Distribuição gama

Origem: Wikipédia, a enciclopédia livre.
Ir para: navegação, pesquisa
Gama
Gamma distribution pdf.svg
Plotagem da função densidade de probabilidade de distribuições gama
Gamma distribution cdf.svg
Plotagem da função de distribuição acumulada de distribuições gama
Parâmetros
Suporte
f.d.p.
f.d.a.
Média

(veja função digama)
Moda para
Variância

(veja função trigama)
Obliquidade
Curtose
Entropia
Função Geradora de Momentos para
Função Característica


Em teoria das probabilidades e estatística, a distribuição gama é uma família de distribuições contínuas de probabilidade de dois parâmetros. Diversos tipos de distribuições são dependentes, ou são casos específicos da distribuição gama, como a distribuição exponencial e a distribuição qui-quadrado. A distribuição gama é usada para modelar valores de dados positivos que são assimétricos à direita e maiores que 0. Ela é comumente usada em estudos de sobrevivência de confiabilidade. 

Existem três diferentes parametrizações no uso comum:

  1. Com um parâmetro de forma e um parâmetro de escala .
  2. Com um parâmetro de forma e um parâmetro de escala inversa , chamado parâmetro de taxa.
  3. Com um parâmetro de forma e um parâmetro média .

Em cada uma dessas formas, ambos os parâmetros são números reais positivos.

ra a qual é fixada e maior que zero, e é fixado ( é a função digama).[1]

Dentro da distribuição gama uma importante propriedade é o fato de que à medida que aumenta, essa distribuição se aproxima de uma Normal com média µ e variância µ²= µ²/v

Por exemplo, a distribuição gama pode descrever o tempo de um componente elétrico de falhar. A maioria dos componentes elétricos de um determinado tipo falharão na mesma época, mas alguns vão demorar muito tempo para falhar.

Parametrização[editar | editar código-fonte]

A parametrização com e parece ser mais comum em econometria e em outros campos de aplicação, onde por exemplo, a distribuição gama é frequentemente usada para modelar tempos de espera. A parametrização com e é mais comum em estatística bayesiana, onde a distribuição gama é usada como uma distribuição conjugada a priori para vários tipos de parâmetros de escala inversa (também conhecido como parâmetros de taxa), assim como o de uma distribuição exponencial ou uma distribuição de Poisson[2].

Se é um inteiro positivo, então a distribuição representa uma distribuição Erlang, isto é, a soma de variáveis aleatórias exponencialmente distribuídas, cada uma das quais tem média

Caracterização usando e taxa [editar | editar código-fonte]

A distribuição gama pode ser parametrizadas em termos de um parâmetro de forma e o parâmetro de escala inversa , chamado parâmetro de taxa. Uma variável aleatória que é distribuída sob gama com forma e taxa é denotada

A função densidade de probabilidade correspondente na parametrização forma-taxa é

,
onde é uma função gama completa.

A função de distribuição acumulada é a função gama regularizada:

onde é a função gama incompleta inferior.

Se é um inteiro positivo (isto é, a distribuição é uma [[Distribuição Erlang]), a função de distribuição acumulada tem a seguinte expansão em séries:[3]

Caracterização usando a forma e escala [editar | editar código-fonte]

Uma variável aleatória que é distribuída sob gama com parâmetro de forma e escala é denotada por

Ilustração de uma função densidade de probabilidade para valores de parâmetros e com ajustado para 1, 2,3,4,5 e 6.

A função densidade de probabilidade usando a parametrização forma-escala é

Aqui é a função gama avaliada em .

A função de distribuição acumulada é a função gama regularizada:

onde é a função gama incompleta inferior.

Também pode ser expressa como segue, se é um inteiro positivo (isto é, a distribuição é uma distribuição Erlang):[3]

Aplicações
Este tipo de distribuição geralmente é aplicada quando se quer fazer algum tipo de analise ligada ao tempo de vida de algum tipo de produto. Por exemplo em um painel elétrico, os mesmo componentes elétricos tem a sua duração (vida útil) aproximadamente igual, ou seja vão durar o mesmo período de tempo, porem alguns podem durar muito mais.

Referências

  1. Park, Sung Y.; Bera, Anil K. (2009). «Maximum entropy autoregressive conditional heteroskedasticity model» (PDF). Elsevier. Journal of Econometrics: 219-230. doi:10.1016/j.jeconom.2008.12.014. Consultado em 29 de junho de 2017 
  2. Scalable Recommendation with Poisson Factorization, Prem Gopalan, Jake M. Hofman, David Blei, arXiv.org 2014
  3. a b Papoulis, Pillai, Probability, Random Variables, and Stochastic Processes, Fourth Edition