Exponentialverteilung Rechner
Berechnen Sie PDF, CDF und Statistiken der Exponentialverteilung.
Geben Sie den Ratenparameter λ und den Wert x ein, um Wahrscheinlichkeiten und statistische Kennwerte einer Exponentialverteilung zu berechnen.
Exponentialverteilung Rechner
Berechnen Sie PDF, CDF und Statistiken der Exponentialverteilung.
Über den Exponentialverteilung Rechner
Die Exponentialverteilung ist eine stetige Wahrscheinlichkeitsverteilung, die die Zeit zwischen Ereignissen in einem Poisson-Prozess beschreibt — also einem Prozess, bei dem Ereignisse fortlaufend und unabhängig mit konstanter durchschnittlicher Rate auftreten. Sie wird durch einen einzigen Parameter λ (Lambda) charakterisiert, den Ratenparameter, der der durchschnittlichen Ereigniszahl pro Zeiteinheit entspricht. Die mittlere Zeit zwischen Ereignissen ist 1/λ.
Die Wahrscheinlichkeitsdichtefunktion (PDF) lautet für x ≥ 0: f(x) = λe^(−λx). Die kumulative Verteilungsfunktion (CDF) ist F(x) = P(X ≤ x) = 1 − e^(−λx) und gibt die Wahrscheinlichkeit an, dass die Zeit bis zum nächsten Ereignis kleiner oder gleich x ist. Die Überlebensfunktion P(X > x) = e^(−λx) gibt die Wahrscheinlichkeit an, dass das Ereignis bis zum Zeitpunkt x noch nicht eingetreten ist.
Die Exponentialverteilung hat eine wichtige Eigenschaft namens Gedächtnislosigkeit: P(X > s + t | X > s) = P(X > t). Das bedeutet, dass die Wahrscheinlichkeit, noch weitere t Zeiteinheiten zu warten, nicht davon abhängt, wie lange Sie bereits gewartet haben. Unter den stetigen Verteilungen besitzt nur die Exponentialverteilung diese Eigenschaft, weshalb sie sich besonders gut für Systeme ohne Alterung oder Verschleiß eignet.
Statistische Kennwerte der Exponentialverteilung lassen sich alle in λ ausdrücken: Mittelwert = 1/λ, Varianz = 1/λ², Standardabweichung = 1/λ und Median = ln(2)/λ ≈ 0.693/λ. Beachten Sie, dass der Mittelwert größer als der Median ist, was die rechtsschiefe Form der Verteilung widerspiegelt.
Die praktischen Anwendungen reichen über viele Bereiche. In der Zuverlässigkeitstechnik modelliert die Exponentialverteilung die Lebensdauer von elektronischen Bauteilen, die nicht verschleißen (etwa bestimmte Transistoren). In der Warteschlangentheorie beschreibt sie Zwischenankunftszeiten und Bedienzeiten. In der Kernphysik folgt der radioaktive Zerfall einer Exponentialverteilung. In der Telekommunikation modelliert sie die Zeit zwischen aufeinanderfolgenden Paketankünften. In der Finanzwelt nähert sie in vereinfachten Modellen die Zeit zwischen Trades oder Kreditausfällen an.
Beispiele
Diese Beispiele zeigen, wie die Exponentialverteilung in praktischen Szenarien auftritt.
| Parameter | Wahrscheinlichkeit | Szenario |
|---|---|---|
| λ = 2 per min, x = 0.5 min | P(X < 0.5) ≈ 0.6321 | Kundendienstanrufe kommen mit 2 pro Minute; 63 % Chance, dass der nächste Anruf innerhalb von 30 Sekunden eintrifft |
| λ = 0.0005 per hr, x = 2500 hr | P(X ≥ 2500) ≈ 0.2865 | Glühbirne mit einer mittleren Lebensdauer von 2000 Stunden; 29 % Chance, länger als 2500 Stunden zu halten |
| λ = 0.1 per sec, x = 5 sec | f(5) ≈ 0.0607 | Radioaktiver Zerfall als PDF genau bei 5 Sekunden |
| λ = 0.1 per min, x = 15 min | P(X > 15) ≈ 0.2231 | Ein Bus kommt im Schnitt alle 10 Minuten; 22 % Chance, länger als 15 Minuten zu warten |
So verwenden Sie diesen Rechner
- Geben Sie den Ratenparameter λ (Lambda) ein — das ist die durchschnittliche Anzahl von Ereignissen pro Zeiteinheit. Beträgt die mittlere Ankunftszeit 10 Minuten, dann gilt λ = 1/10 = 0.1.
- Geben Sie den Wert x ein — die konkrete Zeit (oder Strecke oder andere Größe), an der Sie die Verteilung auswerten möchten.
- Wählen Sie den Berechnungstyp: PDF für die Wahrscheinlichkeitsdichte bei x oder eine der CDF-Optionen für kumulative Wahrscheinlichkeiten.
- Klicken Sie auf Berechnen, um die gewählte Wahrscheinlichkeit sowie Mittelwert, Median, Varianz und Standardabweichung der Verteilung anzuzeigen.
- Nutzen Sie die Schnellladen-Schaltflächen, um typische reale Szenarien mit der Exponentialverteilung zu erkunden.
Häufig gestellte Fragen
Was bedeutet der Ratenparameter λ?
Der Ratenparameter λ (Lambda) ist die durchschnittliche Anzahl von Ereignissen pro Zeiteinheit (oder Strecke bzw. Raum). Wenn Kunden beispielsweise mit einer Rate von 3 pro Stunde eintreffen, dann gilt λ = 3 pro Stunde und die mittlere Zeit zwischen Ankünften beträgt 1/λ = 20 Minuten. Ein höheres λ bedeutet, dass Ereignisse häufiger auftreten und die Verteilung stärker nahe Null konzentriert ist.
Was ist der Unterschied zwischen PDF und CDF?
Die PDF f(x) = λe^(−λx) gibt die Wahrscheinlichkeitsdichte an einem bestimmten Punkt x an — sie ist keine Wahrscheinlichkeit selbst, sondern eine Wahrscheinlichkeitsrate pro x-Einheit. Die CDF F(x) = P(X ≤ x) = 1 − e^(−λx) gibt die Wahrscheinlichkeit an, dass die Zufallsvariable höchstens x ist; das ist eine echte Wahrscheinlichkeit zwischen 0 und 1. Bei stetigen Verteilungen ist die Wahrscheinlichkeit an einem exakten Punkt null; Wahrscheinlichkeiten gelten nur für Intervalle.
Was ist die Gedächtnislosigkeit?
Die Gedächtnislosigkeit besagt: P(X > s + t | X > s) = P(X > t). Wenn Sie bereits s Zeiteinheiten ohne Ereignis gewartet haben, ist die Wahrscheinlichkeit, weitere t Zeiteinheiten zu warten, dieselbe wie beim Neustart. Praktisch heißt das: Eine Glühbirne, die 1000 Stunden gelaufen ist, hat die gleiche Ausfallwahrscheinlichkeit in der nächsten Stunde wie eine neue — es gibt keinen Alterungseffekt. Unter den stetigen Verteilungen besitzt nur die Exponentialverteilung diese Eigenschaft.
Warum ist der Mittelwert größer als der Median?
Der Mittelwert der Exponentialverteilung ist 1/λ, während der Median ln(2)/λ ≈ 0.693/λ beträgt. Der Median ist kleiner, weil die Verteilung rechtsschief ist: Ein langer Schwanz großer Werte zieht den Mittelwert nach oben. Mehr als die Hälfte aller Beobachtungen liegt unter dem Mittelwert, was ein Merkmal positiv schiefer Verteilungen ist. Das ist in der Zuverlässigkeitsanalyse wichtig, da die 'typische' Ausfallzeit oft der Median und nicht der Mittelwert ist.
Kann die Exponentialverteilung Lebensdauerdaten modellieren?
Die Exponentialverteilung eignet sich für Bauteile mit konstanter Ausfallrate — also solche, die mit der Zeit nicht verschleißen und weder Ermüdung noch Alterung unterliegen. Das ist ein sinnvolles Modell für bestimmte elektronische Bauteile und manche Softwarefehler. Für verschleißende Bauteile (etwa mechanische Teile oder menschliche Lebensdauern) ist jedoch die Weibull-Verteilung mit einem Formparameter ungleich 1 meist geeigneter.
Wie bestimme ich λ aus empirischen Daten?
Der Maximum-Likelihood-Schätzer von λ aus beobachteten Daten x₁, x₂, …, xₙ ist einfach der Kehrwert des Stichprobenmittelwerts: λ̂ = n / Σxᵢ = 1 / x̄. Das ist intuitiv: Wenn Ereignisse im Schnitt alle 5 Minuten auftreten (Mittelwert = 5), dann ist die Rate λ = 1/5 = 0.2 pro Minute. Sie können die Exponentialanpassung mit einem Q-Q-Plot oder einem Goodness-of-Fit-Test überprüfen.