Calculadora de distribuição exponencial
Calcule a PDF, a CDF e estatísticas da distribuição exponencial.
Informe o parâmetro de taxa λ e o valor x para calcular probabilidades e medidas estatísticas de uma distribuição exponencial.
Calculadora de distribuição exponencial
Calcule a PDF, a CDF e estatísticas da distribuição exponencial.
Sobre a calculadora de distribuição exponencial
A distribuição exponencial é uma distribuição de probabilidade contínua que descreve o tempo entre eventos em um processo de Poisson — um processo em que os eventos ocorrem de forma contínua e independente a uma taxa média constante. Ela é caracterizada por um único parâmetro λ (lambda), o parâmetro de taxa, que equivale ao número médio de eventos por unidade de tempo. O tempo médio entre eventos é 1/λ.
A função densidade de probabilidade (PDF) é f(x) = λe^(−λx) para x ≥ 0. A função de distribuição acumulada (CDF) é F(x) = P(X ≤ x) = 1 − e^(−λx), que fornece a probabilidade de o tempo até o próximo evento ser menor ou igual a x. A função de sobrevivência P(X > x) = e^(−λx) fornece a probabilidade de o evento ainda não ter ocorrido até o tempo x.
A distribuição exponencial tem uma propriedade importante chamada ausência de memória: P(X > s + t | X > s) = P(X > t). Isso significa que a probabilidade de esperar um tempo adicional t não depende de quanto tempo você já esperou. Entre as distribuições contínuas, a exponencial é a única com essa propriedade, o que a torna especialmente adequada para modelar sistemas sem envelhecimento ou degradação.
Os momentos estatísticos da distribuição exponencial podem ser expressos em termos de λ: média = 1/λ, variância = 1/λ², desvio padrão = 1/λ e mediana = ln(2)/λ ≈ 0.693/λ. Observe que a média é maior que a mediana, o que reflete a forma assimétrica à direita da distribuição.
As aplicações no mundo real abrangem muitas áreas. Em engenharia de confiabilidade, a distribuição exponencial modela a vida útil de componentes eletrônicos que não se desgastam (como certos tipos de transistores). Em teoria das filas, ela descreve tempos entre chegadas e tempos de atendimento. Na física nuclear, o decaimento radioativo segue uma distribuição exponencial. Em telecomunicações, ela modela o tempo entre chegadas sucessivas de pacotes. Em finanças, ela aproxima o tempo entre negociações ou eventos de crédito em modelos simplificados.
Exemplos
Estes exemplos mostram como a distribuição exponencial aparece em cenários práticos.
| Parâmetros | Probabilidade | Cenário |
|---|---|---|
| λ = 2 per min, x = 0.5 min | P(X < 0.5) ≈ 0.6321 | Chamadas de atendimento ao cliente chegam a 2 por minuto; 63% de chance de a próxima chamada ocorrer em 30 segundos |
| λ = 0.0005 per hr, x = 2500 hr | P(X ≥ 2500) ≈ 0.2865 | Lâmpada com vida média de 2000 horas; 29% de chance de durar mais de 2500 horas |
| λ = 0.1 per sec, x = 5 sec | f(5) ≈ 0.0607 | PDF de decaimento radioativo exatamente em 5 segundos |
| λ = 0.1 per min, x = 15 min | P(X > 15) ≈ 0.2231 | O ônibus chega a cada 10 minutos em média; 22% de chance de esperar mais de 15 minutos |
Como usar esta calculadora
- Informe o parâmetro de taxa λ (lambda) — é o número médio de eventos por unidade de tempo. Se o tempo médio entre chegadas for de 10 minutos, então λ = 1/10 = 0.1.
- Informe o valor x — o tempo específico (ou distância, ou outra quantidade) em que você deseja avaliar a distribuição.
- Selecione o tipo de cálculo: PDF para a densidade em x, ou uma das opções de CDF para probabilidades acumuladas.
- Clique em Calcular para ver a probabilidade selecionada junto com a média, mediana, variância e desvio padrão da distribuição.
- Use os botões de carregamento rápido para explorar cenários reais comuns envolvendo a distribuição exponencial.
Perguntas frequentes
O que o parâmetro de taxa λ representa?
O parâmetro de taxa λ (lambda) é o número médio de eventos que ocorrem por unidade de tempo (ou distância, ou espaço). Por exemplo, se os clientes chegam a uma taxa de 3 por hora, então λ = 3 por hora e o tempo médio entre chegadas é 1/λ = 20 minutos. Um λ maior significa que os eventos acontecem com mais frequência e a distribuição fica mais concentrada perto de zero.
Qual é a diferença entre PDF e CDF?
A PDF f(x) = λe^(−λx) fornece a densidade de probabilidade em um ponto específico x — ela não é uma probabilidade em si, mas uma taxa de probabilidade por unidade de x. A CDF F(x) = P(X ≤ x) = 1 − e^(−λx) fornece a probabilidade de a variável aleatória ser no máximo x, que é uma probabilidade real entre 0 e 1. Em distribuições contínuas, a probabilidade em um ponto exato é zero; probabilidades só se aplicam a intervalos.
O que é a propriedade de ausência de memória?
A propriedade de ausência de memória afirma que P(X > s + t | X > s) = P(X > t): dado que você já esperou s unidades sem um evento, a probabilidade de esperar mais t unidades é a mesma de quem acabou de começar. Na prática, uma lâmpada que funcionou por 1000 horas tem a mesma chance de falhar na próxima hora que uma lâmpada nova — não há efeito de envelhecimento. Entre as distribuições contínuas, apenas a exponencial possui essa propriedade.
Por que a média é maior que a mediana?
A média da distribuição exponencial é 1/λ, enquanto a mediana é ln(2)/λ ≈ 0.693/λ. A mediana é menor porque a distribuição é assimétrica à direita: uma cauda longa de valores altos puxa a média para cima. Mais da metade das observações fica abaixo da média, o que é uma característica das distribuições com assimetria positiva. Isso é importante na análise de confiabilidade, onde o tempo 'típico' de falha costuma ser a mediana e não a média.
A distribuição exponencial pode modelar dados de vida útil?
A distribuição exponencial é adequada para componentes com taxa de falha constante — aqueles que não se desgastam com o tempo e não estão sujeitos à fadiga ou ao envelhecimento. Esse é um modelo razoável para certos componentes eletrônicos e alguns tipos de falhas de software. No entanto, para componentes que se desgastam (como peças mecânicas ou a vida humana), a distribuição de Weibull com um parâmetro de forma diferente de 1 costuma ser mais apropriada.
Como encontrar λ a partir de dados empíricos?
A estimativa de máxima verossimilhança de λ a partir dos dados observados x₁, x₂, …, xₙ é simplesmente o inverso da média amostral: λ̂ = n / Σxᵢ = 1 / x̄. Isso faz sentido intuitivamente: se os eventos ocorrem, em média, a cada 5 minutos (média = 5), então a taxa é λ = 1/5 = 0.2 por minuto. Você pode verificar o ajuste exponencial com um gráfico Q-Q ou um teste de aderência.