Cómo usar esta calculadora
Paso 1: Ingresa tus parámetros
- Tasa (λ): El parámetro de tasa que representa el número promedio de eventos por unidad de tiempo (p. ej., 0.5 significa que un evento ocurre en promedio cada 2 unidades de tiempo, ya que media = 1/λ)
- Inicio del intervalo (m): El comienzo del intervalo de tiempo que deseas analizar (debe ser ≥ 0)
- Fin del intervalo (n): El final del intervalo de tiempo que deseas analizar (debe ser ≥ m)
Paso 2: Haz clic en "Calcular"
La calculadora te mostrará al instante:
- Las fórmulas completas de PDF y CDF con tu valor específico de λ
- P(m ≤ X ≤ n): La probabilidad de que el tiempo de espera caiga dentro del intervalo especificado, con la derivación integral completa
- Valores de PDF f(m) y f(n): La densidad de probabilidad en los extremos de tu intervalo
- Valores de CDF F(m) y F(n): Las probabilidades acumuladas en los extremos de tu intervalo
- Medidas estadísticas: media (1/λ), varianza (1/λ²) y desviación estándar
- Gráficos visuales: PDF que muestra la curva de decaimiento exponencial con tu área de probabilidad sombreada, y CDF con líneas de referencia en los puntos de tu intervalo
Paso 3: Exporta tus resultados
Usa los botones debajo de los resultados para:
- Guardar como PNG: Descarga los gráficos y el resumen como imagen para presentaciones o informes
- Guardar como PDF: Genera un informe completo con todas las fórmulas, cálculos y visualizaciones
- Más calculadoras: Explora otras calculadoras de distribución de probabilidad en nuestro sitio
💡 Consejo rápido: La distribución exponencial tiene la única propiedad "sin memoria". Si estás modelando tiempos de espera o duraciones de componentes, esto significa que el tiempo de espera pasado no afecta la probabilidad futura — ¡una característica clave que hace que esta distribución sea perfecta para modelar procesos de llegada aleatoria!
Comprendiendo la Distribución Exponencial
La Distribución Exponencial es una distribución de probabilidad continua utilizada para modelar el tiempo hasta que ocurre un evento de interés. Se usa frecuentemente para describir el "tiempo de espera" entre eventos en un proceso de Poisson, donde los eventos ocurren de forma independiente y a una tasa promedio constante.
Conceptos clave y condiciones
- Relación con el proceso de Poisson: Si los eventos ocurren según un proceso de Poisson a una tasa promedio de \(\lambda\) eventos por unidad de tiempo, entonces el tiempo entre eventos consecutivos sigue una distribución exponencial con parámetro de tasa \(\lambda\).
- Propiedad sin memoria: Esta es una característica única y crucial. Establece que la probabilidad de que ocurra un evento en el futuro es independiente de cuánto tiempo ya ha transcurrido. Por ejemplo, si la vida útil de un componente se distribuye exponencialmente y ya ha funcionado durante 100 horas, su probabilidad de durar otras 50 horas es la misma que la de un componente nuevo de durar 50 horas.
Fórmulas de la Distribución Exponencial
La distribución está definida por un único parámetro, la tasa \(\lambda\).
- Función de Densidad de Probabilidad (PDF): Describe la probabilidad relativa de que la variable aleatoria tome un valor determinado.
$$f(x; \lambda) = \lambda e^{-\lambda x} \quad \text{para } x \ge 0$$
- Función de Distribución Acumulada (CDF): Proporciona la probabilidad de que el evento haya ocurrido en el tiempo \(x\), es decir, \(P(X \le x)\).
$$F(x; \lambda) = 1 - e^{-\lambda x} \quad \text{para } x \ge 0$$
- Media / Valor esperado: \(E[X] = \frac{1}{\lambda}\)
- Varianza: \(Var(X) = \frac{1}{\lambda^2}\)
Ejemplos con respuestas paso a paso
Ejemplo 1: Llegada de clientes
Problema: Los clientes llegan a una caja de pago según un proceso de Poisson a una tasa promedio de 2 clientes por minuto. ¿Cuál es la probabilidad de que el tiempo hasta la llegada del próximo cliente esté entre 0.5 y 1.5 minutos?
1. Identificar el parámetro:
- El parámetro de tasa, \(\lambda = 2\) clientes por minuto.
- Necesitamos encontrar \(P(0.5 \le X \le 1.5)\).
2. Usar la fórmula de la CDF: La probabilidad \(P(m \le X \le n)\) se calcula como \(F(n) - F(m)\).
\(F(1.5) = 1 - e^{-2 \times 1.5} = 1 - e^{-3} \approx 1 - 0.0498 = 0.9502\)
\(F(0.5) = 1 - e^{-2 \times 0.5} = 1 - e^{-1} \approx 1 - 0.3679 = 0.6321\)
3. Calcular la probabilidad final:
\(P(0.5 \le X \le 1.5) = F(1.5) - F(0.5) \approx 0.9502 - 0.6321 = 0.3181\)
Respuesta: Hay aproximadamente un 31.81% de probabilidad de que el próximo cliente llegue entre 30 segundos y 1.5 minutos a partir de ahora.
Ejemplo 2: Vida útil de un componente
Problema: La vida útil de un componente electrónico específico se distribuye exponencialmente con una vida útil media de 500 horas. ¿Cuál es la probabilidad de que un componente nuevo dure más de 600 horas?
1. Identificar el parámetro:
- Se nos da la media, \(E[X] = 500\). Sabemos que \(E[X] = 1/\lambda\).
- Por lo tanto, el parámetro de tasa \(\lambda = 1/500 = 0.002\) fallos por hora.
- Necesitamos encontrar \(P(X > 600)\).
2. Usar la fórmula de la CDF: La probabilidad \(P(X > x)\) es el complemento de \(P(X \le x)\), por lo que \(P(X > x) = 1 - F(x)\).
\(P(X > 600) = 1 - F(600) = 1 - (1 - e^{-0.002 \times 600})\)
\(= 1 - (1 - e^{-1.2}) = e^{-1.2}\)
3. Calcular la probabilidad final:
\(e^{-1.2} \approx 0.3012\)
Respuesta: La probabilidad de que el componente dure más de 600 horas es aproximadamente 30.12%.