Calculadora de distribución exponencial
Calcula la PDF, la CDF y estadísticas de la distribución exponencial.
Ingresa el parámetro de tasa λ y el valor x para calcular probabilidades y medidas estadísticas de una distribución exponencial.
Calculadora de distribución exponencial
Calcula la PDF, la CDF y estadísticas de la distribución exponencial.
Acerca de la calculadora de distribución exponencial
La distribución exponencial es una distribución de probabilidad continua que describe el tiempo entre eventos en un proceso de Poisson, es decir, un proceso en el que los eventos ocurren de forma continua e independiente a una tasa media constante. Se caracteriza por un único parámetro λ (lambda), el parámetro de tasa, que equivale al número promedio de eventos por unidad de tiempo. El tiempo medio entre eventos es 1/λ.
La función de densidad de probabilidad (PDF) es f(x) = λe^(−λx) para x ≥ 0. La función de distribución acumulada (CDF) es F(x) = P(X ≤ x) = 1 − e^(−λx), que da la probabilidad de que el tiempo hasta el próximo evento sea menor o igual que x. La función de supervivencia P(X > x) = e^(−λx) da la probabilidad de que el evento aún no haya ocurrido al tiempo x.
La distribución exponencial tiene una propiedad clave llamada ausencia de memoria: P(X > s + t | X > s) = P(X > t). Esto significa que la probabilidad de esperar un tiempo adicional t no depende de cuánto tiempo ya hayas esperado. Entre las distribuciones continuas, la exponencial es la única con esta propiedad, lo que la hace especialmente útil para modelar sistemas sin envejecimiento ni degradación.
Los momentos estadísticos de la distribución exponencial se expresan todos en términos de λ: media = 1/λ, varianza = 1/λ², desviación estándar = 1/λ y mediana = ln(2)/λ ≈ 0.693/λ. Observa que la media es mayor que la mediana, lo que refleja la forma sesgada a la derecha de la distribución.
Sus aplicaciones en el mundo real abarcan muchos campos. En ingeniería de confiabilidad, la distribución exponencial modela la vida útil de componentes electrónicos que no se desgastan (como ciertos tipos de transistores). En teoría de colas, describe los tiempos entre llegadas y los tiempos de servicio. En física nuclear, la desintegración radiactiva sigue una distribución exponencial. En telecomunicaciones, modela el tiempo entre llegadas sucesivas de paquetes. En finanzas, aproxima el tiempo entre operaciones o eventos de crédito en modelos simplificados.
Ejemplos
Estos ejemplos muestran cómo surge la distribución exponencial en escenarios prácticos.
| Parámetros | Probabilidad | Escenario |
|---|---|---|
| λ = 2 per min, x = 0.5 min | P(X < 0.5) ≈ 0.6321 | Las llamadas al servicio al cliente llegan a 2 por minuto; 63% de probabilidad de que la siguiente llegue en 30 segundos |
| λ = 0.0005 per hr, x = 2500 hr | P(X ≥ 2500) ≈ 0.2865 | Bombilla con vida media de 2000 horas; 29% de probabilidad de durar más de 2500 horas |
| λ = 0.1 per sec, x = 5 sec | f(5) ≈ 0.0607 | PDF de desintegración radiactiva exactamente a los 5 segundos |
| λ = 0.1 per min, x = 15 min | P(X > 15) ≈ 0.2231 | El autobús llega cada 10 minutos en promedio; 22% de probabilidad de esperar más de 15 minutos |
Cómo usar esta calculadora
- Ingresa el parámetro de tasa λ (lambda): es el número promedio de eventos por unidad de tiempo. Si el tiempo medio entre llegadas es de 10 minutos, entonces λ = 1/10 = 0.1.
- Ingresa el valor x: el tiempo específico (o distancia u otra cantidad) en el que deseas evaluar la distribución.
- Selecciona el tipo de cálculo: PDF para la densidad en x, o una de las opciones CDF para probabilidades acumuladas.
- Haz clic en Calcular para ver la probabilidad seleccionada junto con la media, mediana, varianza y desviación estándar de la distribución.
- Usa los botones de carga rápida para explorar escenarios reales comunes relacionados con la distribución exponencial.
Preguntas frecuentes
¿Qué representa el parámetro de tasa λ?
El parámetro de tasa λ (lambda) es el número promedio de eventos que ocurren por unidad de tiempo (o distancia, o espacio). Por ejemplo, si los clientes llegan a una tasa de 3 por hora, entonces λ = 3 por hora y el tiempo medio entre llegadas es 1/λ = 20 minutos. Un λ más alto significa que los eventos ocurren con más frecuencia y la distribución se concentra más cerca de cero.
¿Cuál es la diferencia entre PDF y CDF?
La PDF f(x) = λe^(−λx) da la densidad de probabilidad en un punto específico x; no es una probabilidad en sí, sino una tasa de probabilidad por unidad de x. La CDF F(x) = P(X ≤ x) = 1 − e^(−λx) da la probabilidad de que la variable aleatoria sea como mucho x, que sí es una probabilidad real entre 0 y 1. En distribuciones continuas, la probabilidad en un punto exacto es cero; las probabilidades solo se aplican a intervalos.
¿Qué es la propiedad de falta de memoria?
La propiedad de falta de memoria establece que P(X > s + t | X > s) = P(X > t): dado que ya has esperado s unidades sin que ocurra un evento, la probabilidad de esperar otras t unidades es la misma que si hubieras empezado de nuevo. En la práctica, una bombilla que ha funcionado durante 1000 horas tiene la misma probabilidad de fallar en la próxima hora que una bombilla nueva; no existe efecto de envejecimiento. Entre las distribuciones continuas, solo la exponencial tiene esta propiedad.
¿Por qué la media es mayor que la mediana?
La media de la distribución exponencial es 1/λ, mientras que la mediana es ln(2)/λ ≈ 0.693/λ. La mediana es menor porque la distribución está sesgada a la derecha: una cola larga de valores grandes empuja la media hacia arriba. Más de la mitad de las observaciones quedan por debajo de la media, lo cual es una característica de las distribuciones con sesgo positivo. Esto es importante en análisis de confiabilidad, donde el tiempo de falla 'típico' suele ser la mediana y no la media.
¿La distribución exponencial puede modelar datos de vida útil?
La distribución exponencial es adecuada para componentes con tasa de falla constante: aquellos que no se desgastan con el tiempo ni están sujetos a fatiga o envejecimiento. Es un modelo razonable para ciertos componentes electrónicos y algunos tipos de fallos de software. Sin embargo, para componentes que sí se desgastan (como piezas mecánicas o vidas humanas), la distribución Weibull con un parámetro de forma distinto de 1 suele ser más apropiada.
¿Cómo encuentro λ a partir de datos empíricos?
El estimador de máxima verosimilitud de λ a partir de datos observados x₁, x₂, …, xₙ es simplemente el inverso de la media muestral: λ̂ = n / Σxᵢ = 1 / x̄. Esto tiene sentido intuitivo: si los eventos ocurren en promedio cada 5 minutos (media = 5), entonces la tasa es λ = 1/5 = 0.2 por minuto. Puedes verificar el ajuste exponencial con un gráfico Q-Q o una prueba de bondad de ajuste.