Calculatrice de loi exponentielle
Calculez la PDF, la CDF et les statistiques de la loi exponentielle.
Saisissez le paramètre de taux λ et la valeur x pour calculer les probabilités et les mesures statistiques d'une loi exponentielle.
Calculatrice de loi exponentielle
Calculez la PDF, la CDF et les statistiques de la loi exponentielle.
À propos de la calculatrice de loi exponentielle
La loi exponentielle est une distribution de probabilité continue qui décrit le temps entre des événements dans un processus de Poisson, c'est-à-dire un processus où les événements surviennent de manière continue et indépendante à un rythme moyen constant. Elle est caractérisée par un seul paramètre λ (lambda), le paramètre de taux, qui correspond au nombre moyen d'événements par unité de temps. Le temps moyen entre deux événements est 1/λ.
La fonction de densité de probabilité (PDF) est f(x) = λe^(−λx) pour x ≥ 0. La fonction de répartition (CDF) est F(x) = P(X ≤ x) = 1 − e^(−λx), qui donne la probabilité que le temps jusqu'au prochain événement soit inférieur ou égal à x. La fonction de survie P(X > x) = e^(−λx) donne la probabilité que l'événement ne se soit pas encore produit au temps x.
La loi exponentielle possède une propriété clé appelée absence de mémoire : P(X > s + t | X > s) = P(X > t). Cela signifie que la probabilité d'attendre un temps supplémentaire t ne dépend pas du temps déjà attendu. Parmi les lois continues, l'exponentielle est la seule à posséder cette propriété, ce qui la rend particulièrement adaptée à la modélisation de systèmes sans vieillissement ni dégradation.
Les moments statistiques de la loi exponentielle s'expriment tous en fonction de λ : moyenne = 1/λ, variance = 1/λ², écart type = 1/λ et médiane = ln(2)/λ ≈ 0.693/λ. Notez que la moyenne est supérieure à la médiane, ce qui reflète la forme asymétrique à droite de la distribution.
Les applications réelles couvrent de nombreux domaines. En ingénierie de la fiabilité, la loi exponentielle modélise la durée de vie de composants électroniques qui ne s'usent pas (comme certains transistors). En théorie des files d'attente, elle décrit les intervalles entre arrivées et les temps de service. En physique nucléaire, la désintégration radioactive suit une loi exponentielle. En télécommunications, elle modélise le temps entre des arrivées successives de paquets. En finance, elle approxime le temps entre des transactions ou des événements de crédit dans des modèles simplifiés.
Exemples
Ces exemples montrent comment la loi exponentielle apparaît dans des situations concrètes.
| Paramètres | Probabilité | Scénario |
|---|---|---|
| λ = 2 per min, x = 0.5 min | P(X < 0.5) ≈ 0.6321 | Les appels au service client arrivent à raison de 2 par minute ; 63 % de chances que le prochain appel arrive dans les 30 secondes |
| λ = 0.0005 per hr, x = 2500 hr | P(X ≥ 2500) ≈ 0.2865 | Ampoule avec une durée de vie moyenne de 2000 heures ; 29 % de chances de durer plus de 2500 heures |
| λ = 0.1 per sec, x = 5 sec | f(5) ≈ 0.0607 | PDF de désintégration radioactive exactement à 5 secondes |
| λ = 0.1 per min, x = 15 min | P(X > 15) ≈ 0.2231 | Le bus arrive toutes les 10 minutes en moyenne ; 22 % de chances d'attendre plus de 15 minutes |
Comment utiliser cette calculatrice
- Saisissez le paramètre de taux λ (lambda) — c'est le nombre moyen d'événements par unité de temps. Si le temps moyen entre arrivées est de 10 minutes, alors λ = 1/10 = 0.1.
- Saisissez la valeur x — le temps (ou la distance, ou autre grandeur) spécifique auquel vous souhaitez évaluer la distribution.
- Sélectionnez le type de calcul : PDF pour la densité de probabilité en x, ou l'une des options CDF pour les probabilités cumulées.
- Cliquez sur Calculer pour afficher la probabilité sélectionnée ainsi que la moyenne, la médiane, la variance et l'écart type de la distribution.
- Utilisez les boutons de chargement rapide pour explorer des scénarios réels courants impliquant la loi exponentielle.
Questions fréquentes
Que représente le paramètre de taux λ ?
Le paramètre de taux λ (lambda) est le nombre moyen d'événements qui se produisent par unité de temps (ou de distance, ou d'espace). Par exemple, si les clients arrivent au rythme de 3 par heure, alors λ = 3 par heure et le temps moyen entre arrivées est 1/λ = 20 minutes. Un λ plus élevé signifie que les événements se produisent plus fréquemment et que la distribution est plus concentrée près de zéro.
Quelle est la différence entre PDF et CDF ?
La PDF f(x) = λe^(−λx) donne la densité de probabilité en un point spécifique x — ce n'est pas une probabilité en soi, mais un taux de probabilité par unité de x. La CDF F(x) = P(X ≤ x) = 1 − e^(−λx) donne la probabilité que la variable aléatoire soit au plus égale à x, ce qui est une vraie probabilité comprise entre 0 et 1. Pour les lois continues, la probabilité en un point exact est nulle ; les probabilités s'appliquent uniquement aux intervalles.
Qu'est-ce que la propriété sans mémoire ?
La propriété sans mémoire stipule que P(X > s + t | X > s) = P(X > t) : sachant que vous avez déjà attendu s unités sans événement, la probabilité d'attendre encore t unités est la même que si vous veniez de commencer. En pratique, une ampoule qui a fonctionné pendant 1000 heures a la même probabilité de tomber en panne dans l'heure suivante qu'une ampoule neuve — il n'y a pas d'effet de vieillissement. Parmi les lois continues, seule la loi exponentielle possède cette propriété.
Pourquoi la moyenne est-elle supérieure à la médiane ?
La moyenne de la loi exponentielle est 1/λ, tandis que la médiane est ln(2)/λ ≈ 0.693/λ. La médiane est plus petite parce que la distribution est asymétrique à droite : une longue queue de grandes valeurs tire la moyenne vers le haut. Plus de la moitié des observations sont inférieures à la moyenne, ce qui est caractéristique des distributions à asymétrie positive. C'est important en analyse de fiabilité, où le temps de défaillance « typique » est souvent la médiane plutôt que la moyenne.
La loi exponentielle peut-elle modéliser des données de durée de vie ?
La loi exponentielle convient aux composants dont le taux de défaillance est constant — ceux qui ne s'usent pas avec le temps et ne subissent ni fatigue ni vieillissement. C'est un modèle raisonnable pour certains composants électroniques et certains types de pannes logicielles. En revanche, pour les composants qui s'usent (comme les pièces mécaniques ou la durée de vie humaine), la loi de Weibull avec un paramètre de forme différent de 1 est plus appropriée.
Comment trouver λ à partir de données empiriques ?
L'estimateur du maximum de vraisemblance de λ à partir des données observées x₁, x₂, …, xₙ est simplement l'inverse de la moyenne de l'échantillon : λ̂ = n / Σxᵢ = 1 / x̄. Cela a du sens intuitivement : si les événements se produisent en moyenne toutes les 5 minutes (moyenne = 5), alors le taux est λ = 1/5 = 0.2 par minute. Vous pouvez vérifier l'ajustement exponentiel à l'aide d'un diagramme Q-Q ou d'un test d'adéquation.