ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO

FACULTAD DE MECÁNICA
MANTENIMIENTO INDUSTRIAL

INGENIERÍA DE LA FIABILIDAD

Trabajo grupal: Grupo N° 5

Docente: Ing. Cesar Gallegos

Integrantes:
N° Nombres: CÓDIGO
1 Chávez Melendrez Brayan Alexander 2148
2 Cachote Pilco Fabián Heriberto 2207
3 Quito Manya Darwin Marcelo 2233
4 Caicedo Calvo José Isaac 2200

Curso: 7mo “2”

Tema: Distribución Exponencial.

Fecha: 02/05/2022

Riobamba – Ecuador
 DISTRIBUCIÓN EXPONENCIAL
Introducción

La distribución exponencial suele referirse a la cantidad de tiempo que transcurre hasta

que se produce algún evento específico. Por ejemplo, la cantidad de tiempo (que comienza
ahora) hasta que se produzca un terremoto tiene una distribución exponencial. Otros
ejemplos son la duración, en minutos, de las llamadas telefónicas de larga distancia
comerciales y la cantidad de tiempo, en meses, que dura la batería de un automóvil.
También se puede demostrar que el valor del cambio que se tiene en el bolsillo o en el
monedero sigue una distribución exponencial aproximadamente.

Una de las distribuciones de variable continua más importantes

es la distribución exponencial.
Se la utiliza como modelo para presentar el tiempo de
Distribución
funcionamiento a de espera.
exponencial
Tiene como función expresar también el tiempo transcurrido
entre eventos que se contabiliza por medio de la distribución de
Poisson.

Los valores de una variable aleatoria exponencial se producen de la siguiente manera.

Hay menos valores grandes y más valores pequeños. Por ejemplo, los estudios de
marketing han demostrado que la cantidad de dinero que los clientes gastan en una visita
al supermercado sigue una distribución exponencial. Hay más gente que gasta pequeñas
cantidades de dinero y menos gente que gasta grandes cantidades de dinero.

Fig. 1. Gráficas de la distribución exponencial.

Las distribuciones exponenciales se utilizan habitualmente en cálculos de fiabilidad de
productos, es decir, el tiempo que dura un producto.

Fig. 2. Función de distribución de probabilidad.

La variable aleatoria de la distribución exponencial es continua y suele medir el paso del

tiempo, aunque puede utilizarse en otras aplicaciones.

Se dice que una variable aleatoria continua de X sigue una distribución exponencial de
parámetro 𝜆 si su función de densidad es:

0 𝑠𝑖 𝑥 < 0
𝑓(𝑥) = {
𝜆ⅇ −𝜆𝑥 𝑥≥0

Las preguntas típicas pueden ser: "¿cuál es la probabilidad de que algún evento ocurra en
los próximos (x) horas o días, o cuál es la probabilidad de que algún evento ocurra
entre (x1) horas y (x2) horas, o cuál es la probabilidad de que el evento dure más
de (x1) horas para llevarse a cabo" En resumen, la variable aleatoria X es iguala (a) el
tiempo entre eventos o (b) el paso del tiempo para completar una acción, por ejemplo,
esperar a un cliente. La función de densidad de probabilidad viene dada por:

𝟏 −𝟏µ𝒙
ⅇ(𝒙) = ⅇ
µ

• donde μ es el tiempo promedio de espera histórico.

• y tiene una media y una desviación típica de 1/μ.
Una forma alternativa de la fórmula de la distribución exponencial reconoce lo que suele
llamarse el factor de decaimiento. El factor de decaimiento simplemente mide la rapidez
con la que la probabilidad de un evento disminuye a medida que la variable
aleatoria X aumenta. Cuando se utiliza la notación con el parámetro de decaimiento m, la
función de densidad de probabilidad se presenta como:

ⅇ(𝒙) = 𝒎ⅇ−𝒎𝒙
𝟏
• donde 𝒎 =
µ

Para calcular las probabilidades de determinadas funciones de densidad de probabilidad,

se utiliza la función de densidad acumulada. La función de densidad acumulativa es
simplemente la integral:

∞ 𝒙 𝒙
𝟏 −µ −µ
𝑭(𝒎) = ∫ [ ⅇ ]=𝟏−ⅇ
𝟎 µ

La función de distribución correspondiente es:

0, 𝑠𝑖 𝑥 < 0
𝑓(𝑥 ) = {
1 − ⅇ−𝜆𝑥 𝑠𝑖 𝑥 ≥ 0

Función de densidad de Probabilidad:

−𝜆𝑥
𝑓(𝑥; 𝜆) = {𝜆ⅇ si 𝑥 > 0
0 𝑠𝑖 𝑥 < 0

1
Esperanza: 𝐸(𝑥) =
𝜆

1
Varianza: 𝑉𝑎𝑟(𝑥) =
𝜆2

En la definición de la variable aleatoria exponencial, ésta se plantea como tiempo que

tarda en ocurrir el primer evento Poisson. Sin embargo, esta definición puede hacerse
extensiva a las demás unidades de medición consideradas en los eventos de Poisson, por
ejemplo, cantidad de metros de carretera que deben recorrerse hasta que aparezca el

primer bache, cantidad de que deben inspeccionarse en una hacienda hasta que
aparezca el primer cafetal de broca, etc.

Fig. 3. Función de densidad de probabilidad.

En el lenguaje de las aplicaciones también se utiliza la distribución exponencial para

modelar tiempo entre eventos, distancia entre eventos, volumen entre eventos.

Relación entre la distribución exponencial y la distribución de Poisson

Existe una relación interesante entre la distribución exponencial y la distribución de

Poisson. Supongamos que el tiempo que transcurre entre dos eventos sucesivos sigue la
distribución exponencial con una media de μ unidades de tiempo. También se supone que
estos tiempos son independientes, lo que significa que el tiempo entre eventos no se ve
afectado por los tiempos entre eventos anteriores. Si se cumplen estos supuestos, el
número de eventos por unidad de tiempo sigue una distribución de Poisson con una
media μ. Recordemos que, si X tiene la distribución de Poisson con una media μ,
entonces:

µ𝒙 ⅇµ
𝑷(𝑿 = 𝒙) =
𝒙!

Donde m = el parámetro de la tasa, o μ = tiempo promedio entre ocurrencias.

Vemos que la exponencial es la pariente de la distribución de Poisson y se relacionan a
través de esta fórmula. Existen importantes diferencias que hacen que cada distribución
sea relevante para diferentes tipos de problemas de probabilidad.

En primer lugar, la Poisson tiene una variable aleatoria discreta, x, en la que el tiempo;
una variable continua se divide artificialmente en trozos discretos. Vimos que el número
de ocurrencias de un evento en un intervalo de tiempo dado, x, sigue la distribución de
Poisson.

Por ejemplo, el número de veces que suena el teléfono por hora. En cambio, el
tiempo entre ocurrencias sigue la distribución exponencial. Por ejemplo. El teléfono
acaba de sonar, ¿cuánto tiempo pasará hasta que vuelva a sonar? Estamos midiendo la
duración del intervalo, una variable aleatoria continua, exponencial, no los eventos
durante un intervalo, Poisson.

La distribución exponencial frente a la distribución de Poisson

Una forma visual de mostrar tanto las similitudes como las diferencias entre estas dos
distribuciones es con una línea del tiempo.

Fig. 4. Línea de tiempo de las diferencias de distribuciones.

PROPIEDAD FUNDAMENTAL

La distribución exponencial no tiene memoria

Recordemos que la cantidad de tiempo entre clientes para el empleado de correos

comentado anteriormente se distribuye exponencialmente con una media de dos minutos.
Supongamos que han pasado cinco minutos desde que llegó el último cliente. Dado que
ha transcurrido un tiempo inusualmente largo, parece más probable que un cliente llegue
durante el próximo minuto. Con la distribución exponencial, esto no es así: el tiempo
adicional de espera del siguiente cliente no depende del tiempo que haya transcurrido
desde el último cliente. Esto se conoce como la propiedad de falta de memoria. Las
funciones de densidad de probabilidad exponencial y geométrica son las únicas funciones
de probabilidad que tienen la propiedad de falta de memoria.

𝑃(𝑥 > 𝑟 + 𝑡 | 𝑥 > 𝑟) = 𝑃(𝑋 > 𝑡) 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑟 ≥ 0 𝑦 𝑡 ≥ 0

EJERCICIO
EJERCICIO
Con el conjunto de datos presentando (30 datos), hacer uso de la distribución exponencial, y encontrar f(t), F(t) y R(t), así como sus gráficas
correspondientes.

λ= 0,01848429
DATOS f(t) F(t) R(t) 1
1 10 0,01536479 0,16876513 0,83123487
0,9
2 13 0,01453596 0,21360475 0,78639525
3 16 0,01375184 0,25602557 0,74397443 0,8

4 19 0,01301002 0,29615807 0,70384193 0,7

5 22 0,01230821 0,33412569 0,66587431 0,6
6 25 0,01164427 0,3700452 0,6299548 F(t)
0,5
7 28 0,01101614 0,40402709 0,59597291
0,4 R(t)
8 31 0,01042189 0,43617589 0,56382411
9 34 0,0098597 0,46659047 0,53340953 0,3
10 37 0,00932783 0,49536439 0,50463561 0,2
11 40 0,00882466 0,52258614 0,47741386 0,1
12 43 0,00834862 0,54833946 0,45166054
0
13 46 0,00789827 0,57270356 0,42729644 10 16 22 28 34 40 46 52 58 64 70 76 82 88 100
14 49 0,00747221 0,59575338 0,40424662
15 52 0,00706913 0,61755981 0,38244019
16 55 0,0066878 0,63818992 0,36181008 0,018
17 58 0,00632704 0,65770719 0,34229281
0,016
18 61 0,00598574 0,67617162 0,32382838
19 64 0,00566285 0,69364002 0,30635998 0,014

20 67 0,00535737 0,71016611 0,28983389 0,012

21 70 0,00506838 0,72580073 0,27419927
0,01
22 73 0,00479497 0,74059197 0,25940803
0,008 f(t)
23 76 0,00453632 0,75458532 0,24541468
24 79 0,00429161 0,76782382 0,23217618 0,006
25 82 0,00406011 0,78034818 0,21965182
0,004
26 85 0,00384109 0,79219695 0,20780305
27 88 0,00363389 0,80340655 0,19659345 0,002
28 94 0,00325242 0,82404431 0,17595569 0
29 100 0,00291099 0,84251559 0,15748441 10 16 22 28 34 40 46 52 58 64 70 76 82 88 100
30 106 0,0026054 0,85904782 0,14095218
TOTAL 1623

CONCLUSIONES:
• La distribución exponencial viene derivada de la distribución de Poisson, ya que
al suponerse que para cada valor t > 0, que representa el tiempo, el número de
sucesos de cierto fenómeno aleatorio sigue una distribución de Poisson de
parámetro t. Entonces, los tiempos discurridos entre dos sucesos sucesivos sigue
la distribución exponencial.
• Tanto la distribución Poisson como la Exponencial tienen diversas aplicaciones
en la vida real, las cuales tienen relación una con otra, y no sólo eso, sino que hay
otras distribuciones que tienen relación con las antes mencionadas y es por eso
que tiene su importancia conocerlas.
 • Se debe utilizar como modelo para representar el tiempo de funcionamiento o de
espera. Tiene como función expresar también el tiempo transcurrido entre eventos
que se contabilizan por medio de la distribución de Poisson.

RECOMENDACIONES:

• Las recomendaciones a dar serian la comprensión de términos comprendidos en

este tema para su mejor análisis, debido a que la distribución exponencial tiene
término un tanto complicados.
• Resolver problemas de este tema hará más rápido la comprensión del tema, se
recomienda empezar por problemas fáciles y luego subir la dificultad.

BIBLIOGRAFÍA:

Muñoz, F. (2014). Distribuciones Poisson y Gamma: Una Discreta y Continua

Relación. Prospectiva, 12(1), 99.
https://doi.org/10.15665/rp.v12i1.156

LLINÁS SOLANO, H. Estadística descriptiva y distribuciones de probabilidad. ed.

Barranquilla: Universidad del Norte, 2017. 428 p. Disponible en:
https://elibro.net/es/ereader/espoch/70059?page=198

DISTRIBUCION-EXPONENCIAL. (s/f). 1Library.com

https://1library.co/document/yr0g5jpy-distribucion-exponencial.html

Del Pino, J. M. T. (1991). NTP 316: Fiabilidad de componentes: la distribución

exponencial. Ministerio de Trabajo y Asuntos Exteriores: Madrid, Spain.

De rao, b. E. L. D. Tests estadísticos sobre la distribución exponencial.