UNIVERSIDAD LIBRE

FACULTAD DE CIENCIAS ECONOMICAS, ADMINISTRATIVAS Y CONTABLES

ADMINISTRACIÓN DE EMPRESAS

ESTADISTICA INFERENCIAL

DOC. JULIO RODRIGUEZ

PRESENTADO POR:

- CARLOS STEVEN GUTIERREZ LOPEZ

- MURELIS ANDREA GUERRERO MORALES

CUARTO SEMESTRE

FECHA: 27/02/2024
 CARTAGENA DE INDIAS D.T. Y C.

Distribución exponencial

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.

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.

Las distribuciones exponenciales se utilizan habitualmente en cálculos de fiabilidad de productos, es

decir, el tiempo que dura un producto.

La variable aleatoria de la distribución exponencial es continua y suele medir el paso del tiempo, aunque
puede utilizarse en otras aplicaciones. 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:

e(x)=1μe–1μx

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

Para calcular las probabilidades de determinadas funciones de densidad de probabilidad, se utiliza la

función de densidad acumulada. La función de densidad acumulativa (cdf) es simplemente la integral de
la pdf y es:

F(x)=∫0∞[1μe–xμ]=1–e–xμ
EJEMPLO:

Supongamos que X = la cantidad de tiempo (en minutos) que un empleado de correos pasa con un
cliente. A partir de los datos históricos, se sabe que el tiempo promedio es de cuatro minutos.

Dado que μ = 4 minutos, es decir, el tiempo promedio que el dependiente pasa con un cliente es de 4
minutos. Recuerde que seguimos calculando probabilidad y por tanto nos tienen que decir los parámetros
poblacionales como la media. Para hacer cualquier cálculo, necesitamos conocer la media de la
distribución: el tiempo histórico de prestación de un servicio, por ejemplo. Conocer la media histórica
permite calcular el parámetro de decaimiento, m.

m=1μ. Por lo tanto, m=14=0,25.

Cuando la notación utiliza el parámetro de decaimiento, m, la función de densidad de probabilidad se

presenta como:

e(x) = me–mx

que es simplemente la fórmula original con con m sustituido por:

1μ, o e(x)=1μe–1μx

Para calcular las probabilidades de una función de densidad de probabilidad exponencial, tenemos que
utilizar la función de densidad acumulada. Como se muestra a continuación, la curva de la función de
densidad acumulada es:

f(x) = 0,25e–0,25x donde x es al menos cero y m = 0,25.

Por ejemplo, f(5) = 0,25e(–0,25)(5) = 0,072. Es decir, la función tiene un valor de 0,072 cuando x = 5.

El gráfico es el siguiente:

Observe que el grafico es una curva descendente. Cuando x =0,

f(x) = 0,25e(−0,25)(0) = (0,25)(1) = 0,25 = m. El valor máximo en el eje y es siempre m, uno dividido
entre la media.

LA DISTRIBUCION UNIFORME

La distribución uniforme es una distribución de probabilidad continua y se refiere a eventos que tienen la
misma probabilidad de ocurrir. Cuando se resuelven problemas que tienen una distribución uniforme,
hay que tener en cuenta si los datos son inclusivos o excluyentes de los extremos.

El enunciado matemático de la distribución uniforme es

f(x) = 1𝑏–𝑎 para a ≤ x ≤ b

donde a = el menor valor de x y b = el mayor valor de x.

Las fórmulas para la media teórica y la desviación típica son

𝜇=𝑎+𝑏2 y 𝜎=(𝑏–𝑎)212‾‾‾‾‾√

EJEMPLO:
un ejemplo simple es tirar un dado. Los valores posibles son 1,2,3,4,5 y 6 y cada que lanza el dado, la
probabilidad de una puntuacion determinanda es de 1/6