Exponentialverteilung-Rechner
Berechnen Sie Wahrscheinlichkeiten der Exponentialverteilung aus einer Rate λ oder einer mittleren Wartezeit: Dichte, P(X ≤ t), P(X > t), Intervallwahrscheinlichkeit, Erwartungswert und Median. Geben Sie die Rate, eine Zeit und optional ein Intervallende ein.
Rechner für die Exponentialverteilung
Formel der Exponentialverteilung
Wobei gilt:
- \(\lambda\) — Ratenparameter: die durchschnittliche Anzahl von Ereignissen pro Zeiteinheit
- \(t\) — die betrachtete Wartezeit
- \(f(t)\) — Wahrscheinlichkeitsdichte zum Zeitpunkt \(t\)
- \(F(t)\) — kumulierte Wahrscheinlichkeit, höchstens \(t\) zu warten
- \(S(t)\) — Überlebenswahrscheinlichkeit, länger als \(t\) zu warten
Die Exponentialverteilung modelliert die Zeit zwischen aufeinanderfolgenden Ereignissen, die unabhängig voneinander mit einer konstanten durchschnittlichen Rate auftreten. Ihr einziger Parameter \(\lambda\) bestimmt alles vollständig; die mittlere Wartezeit ist einfach \(1/\lambda\).
Exponentialverteilung – Rechenbeispiel
Beispiel: In einem Callcenter gehen Anrufe mit einer durchschnittlichen Rate von 2 pro Stunde ein. Wie groß ist die Wahrscheinlichkeit, dass der nächste Anruf innerhalb von 1 Stunde eingeht, und wie hoch ist die Chance, dass er zwischen 1 und 2 Stunden eingeht?
\[ \lambda t = 2 \times 1 = 2 \]
\[ F(1) = 1 - e^{-2} = 1 - 0.1353 = 0.8647 \]
\[ P(1 \le X \le 2) = e^{-2} - e^{-4} = 0.1353 - 0.0183 = 0.1170 \]
Ergebnis: P(X ≤ 1 h) = 86,47 %, P(X > 1 h) = 13,53 % und P(1 h ≤ X ≤ 2 h) = 11,70 %. Die Dichte bei t = 1 h beträgt f(1) = 2e⁻² ≈ 0,2707 pro Stunde, die mittlere Wartezeit beträgt 0,5 Stunden (30 Minuten) und der Median beträgt ln(2)/2 ≈ 0,3466 Stunden (ca. 20,8 Minuten). Genau diese Werte zeigt der Rechner mit seinen Standardeinstellungen an.
So verwenden Sie den Rechner
- Öffnen Sie Parameter eingeben als und wählen Sie, ob Sie die Rate \(\lambda\) (Ereignisse pro Zeiteinheit) oder die mittlere Wartezeit \(\mu\) eingeben möchten. Es wird nur das passende Feld angezeigt.
- Wenn Sie die Rate gewählt haben, füllen Sie Rate (λ) aus und wählen Sie die Zeiteinheit, in der sie angegeben ist (pro Sekunde, pro Minute, pro Stunde, pro Tag, pro Jahr). Wenn Sie die mittlere Wartezeit gewählt haben, füllen Sie stattdessen Mittlere Wartezeit (μ) mit der zugehörigen Einheit aus; der Rechner rechnet sie über \(\lambda = 1/\mu\) um.
- Geben Sie Zeit (t) ein — die Wartezeit, die Sie interessiert — und wählen Sie deren Einheit unter „in“.
- Optional können Sie Intervallende (b) ausfüllen, um zusätzlich die Wahrscheinlichkeit \(P(t \le X \le b)\) zu erhalten. Lassen Sie das Feld leer, um dieses Ergebnis zu überspringen.
- Lesen Sie die Ergebnisse ab: Dichte \(f(t)\), kumulierte Wahrscheinlichkeit \(P(X \le t)\), Überlebenswahrscheinlichkeit \(P(X > t)\), die Intervallwahrscheinlichkeit, die mittlere Wartezeit sowie eine Zusammenfassungszeile mit Median, 90. Perzentil der Wartezeit und einer leicht verständlichen Interpretation.
Was ist die Exponentialverteilung?
Die Exponentialverteilung beschreibt die Wartezeit bis zum nächsten Ereignis in einem Prozess, bei dem Ereignisse unabhängig mit konstanter durchschnittlicher Rate eintreten — einem Poisson-Prozess. Typische Anwendungen sind die Zeit zwischen dem Eintreffen von Kunden, die Zeit bis zum Zerfall eines radioaktiven Teilchens, die Lebensdauer eines elektronischen Bauteils oder die Zeit bis zum nächsten Serverausfall.
Die Verteilung ist durch einen einzigen Parameter definiert, die Rate \(\lambda\). Die Wahrscheinlichkeitsdichte \(f(t) = \lambda e^{-\lambda t}\) ist bei \(t = 0\) am größten und fällt stetig ab, was bedeutet, dass kurze Wartezeiten am wahrscheinlichsten sind. Die Verteilungsfunktion \(F(t) = 1 - e^{-\lambda t}\) gibt die Wahrscheinlichkeit an, dass die Wartezeit zum Zeitpunkt \(t\) oder früher endet; ihr Gegenstück, die Überlebensfunktion \(S(t) = e^{-\lambda t}\), gibt die Wahrscheinlichkeit an, nach \(t\) noch zu warten.
Erwartungswert und Standardabweichung betragen beide \(1/\lambda\), der Median \(\ln(2)/\lambda \approx 0.693/\lambda\) ist jedoch kleiner. Das liefert eine praktische Erkenntnis: Mehr als die Hälfte aller Wartezeiten endet vor dem Durchschnitt. Eine lange Wartezeit ist möglich, aber zunehmend selten — so überschreiten beispielsweise nur 5 % der Wartezeiten \(3/\lambda\).
Eine kennzeichnende Eigenschaft der Exponentialverteilung ist die Gedächtnislosigkeit: \(P(X > s + t \mid X > s) = P(X > t)\). Hat eine Glühbirne eine exponentialverteilte Lebensdauer und bereits ein Jahr gebrannt, sind ihre Chancen, ein weiteres Jahr zu überleben, genau so hoch wie im Neuzustand. Das macht die Verteilung zum kontinuierlichen Gegenstück der geometrischen Verteilung und zum natürlichen Begleiter der Poisson-Verteilung, die die Anzahl der Ereignisse in einem festen Zeitraum beschreibt und nicht die Zeit zwischen ihnen.
Annahmen, Grenzen und Tipps
- Konstante Rate. Das Modell nimmt an, dass Ereignisse zu jedem Zeitpunkt mit gleichbleibender durchschnittlicher Rate auftreten. Schwankt die Rate (z. B. Ankünfte zur Hauptverkehrszeit, Verschleiß mechanischer Teile), wird die Exponentialverteilung die Wahrscheinlichkeiten unter- oder überschätzen.
- Unabhängigkeit. Ein Ereignis darf den Zeitpunkt des nächsten nicht beeinflussen. Gehäufte Ereigniscluster verletzen diese Annahme.
- Gedächtnislosigkeit. Wenn der Prozess tatsächlich exponentialverteilt ist, liefert die bereits verstrichene Wartezeit keine Information über die verbleibende Wartezeit. Reale Lebensdauern von Maschinen und Menschen sind meist nicht gedächtnislos; dafür passen Zuverlässigkeitsmodelle wie die Weibull-Verteilung besser.
- Einheiten. Der Rechner rechnet alle Einheiten intern um, sodass Sie die Rate pro Stunde und die Zeit in Minuten eingeben können, ohne selbst rechnen zu müssen. Ein Jahr wird als 365 Tage angesetzt.
- Dichte vs. Wahrscheinlichkeit. \(f(t)\) ist eine Dichte pro Zeiteinheit, keine Wahrscheinlichkeit — sie kann größer als 1 sein. Die aussagekräftigen Wahrscheinlichkeitsaussagen sind \(F(t)\), \(S(t)\) und die Intervallwahrscheinlichkeit.
- Wenn Sie statt Wartezeiten die Anzahl von Ereignissen modellieren möchten, nutzen Sie den Rechner für die Poisson-Verteilung; für Ja/Nein-Ergebnisse bei einer festen Anzahl von Versuchen siehe den Rechner für die Binomialverteilung und für symmetrische kontinuierliche Daten den Rechner für die Normalverteilung.
Häufig gestellte Fragen
Wie berechne ich Wahrscheinlichkeiten der Exponentialverteilung von Hand?
Alles läuft auf das Produkt \(\lambda t\) hinaus. Berechnen Sie \(\lambda \times t\) (dabei müssen beide dieselbe Zeiteinheit verwenden), und werten Sie dann \(P(X \le t) = 1 - e^{-\lambda t}\) und \(P(X > t) = e^{-\lambda t}\) mit einem beliebigen Rechner aus, der über die Taste \(e^x\) verfügt. Für ein Intervall subtrahieren Sie: \(P(a \le X \le b) = e^{-\lambda a} - e^{-\lambda b}\). Beispiel: Mit \(\lambda = 0.5\) pro Stunde und \(t = 4\) Stunden ergibt sich \(\lambda t = 2\), also \(P(X \le 4) = 1 - e^{-2} \approx 0{,}8647\).
Wie rechne ich zwischen der Rate λ und der mittleren Wartezeit um?
Beide sind Kehrwerte voneinander: \(\lambda = 1/\mu\) und \(\mu = 1/\lambda\). Treten Ereignisse durchschnittlich alle 12 Minuten ein, dann ist \(\lambda = 1/12\) pro Minute ≈ 0,0833/min, oder äquivalent 5 pro Stunde. Achten Sie auf die Einheiten: Eine Rate von 3 pro Stunde ist nicht 3 pro Minute — sie ist 0,05 pro Minute. Der Rechner übernimmt diese Umrechnung automatisch, sodass Sie entweder den einen oder den anderen Parameter in der Einheit Ihrer Wahl eingeben können.
Warum ist der Median kleiner als die mittlere Wartezeit?
Die Exponentialverteilung ist rechtsschief, weshalb einige sehr lange Wartezeiten den Erwartungswert nach oben ziehen. Der Median beträgt \(\ln 2/\lambda \approx 0.693/\lambda\), also rund 69 % des Erwartungswerts \(1/\lambda\). Praktisch bedeutet das: Mehr als die Hälfte aller Wartezeiten endet vor dem Durchschnitt — bei einem Mittelwert von 30 Minuten liegt der Median nur bei etwa 20,8 Minuten. Viele erwarten, dass „durchschnittlich“ so viel wie „typisch“ bedeutet — hier ist das nicht der Fall.
Wann sollte ich die Exponentialverteilung statt der Poisson-Verteilung verwenden?
Beide beschreiben zwei Seiten desselben Prozesses. Verwenden Sie die Poisson-Verteilung, wenn Sie zählen, wie viele Ereignisse in einem festen Zeitraum auftreten (z. B. Anzahl der Anrufe pro Stunde). Verwenden Sie die Exponentialverteilung, wenn Sie die Zeit bis zum nächsten Ereignis messen (z. B. Minuten bis zum nächsten Anruf). Folgen die Ereignisse einem Poisson-Prozess mit der Rate \(\lambda\), sind die Wartezeiten dazwischen exponentialverteilt mit derselben Rate \(\lambda\).
Kann die Dichte f(t) größer als 1 sein?
Ja, und das ist kein Fehler. \(f(t)\) ist eine Dichte pro Zeiteinheit, keine Wahrscheinlichkeit, daher hängt ihr Wert von der Zeiteinheit ab — eine Dichte von 2 pro Stunde entspricht 120 pro Stunde, wenn man sie pro Minute ausdrückt. Nur Wahrscheinlichkeiten wie \(F(t)\), \(S(t)\) und die Intervallwahrscheinlichkeit sind auf den Bereich von 0 bis 1 beschränkt. Wenn Sie eine tatsächliche Wahrscheinlichkeit für eine Wartezeit benötigen, verwenden Sie \(F(t)\) oder berechnen Sie \(P(a \le X \le b)\) über ein Intervall.
Wie finde ich den Zeitpunkt, zu dem ein gegebener Prozentsatz der Ereignisse eingetreten ist?
Kehren Sie die Verteilungsfunktion um. Das \(p\)-te Perzentil ist \(t_p = -\ln(1 - p)/\lambda\). Das 95. Perzentil ist beispielsweise \(-\ln(0.05)/\lambda \approx 3/\lambda\), d. h. 95 % der Wartezeiten enden vor dem Dreifachen der mittleren Wartezeit, und nur 5 % dauern länger. Der Sonderfall \(p = 0.5\) ergibt den Median \(\ln 2/\lambda\). Der Rechner zeigt den Median und das 90. Perzentil automatisch in seiner Zusammenfassung an.
Welche häufigen Fehler treten bei der Verwendung dieser Verteilung auf?
Der größte Fehler ist, sie auf Prozesse anzuwenden, die nicht gedächtnislos sind. Mechanische Teile, die verschleißen, menschliche Lebensdauern und Verkehr zur Hauptverkehrszeit haben alle sich ändernde Ausfallraten; hier passt meist eine Weibull-Verteilung besser. Weitere häufige Fehler: verwechselte Einheiten (Rate pro Stunde mit Zeit in Minuten), Verwechslung von Rate und Erwartungswert sowie die Deutung der Dichte \(f(t)\) als Wahrscheinlichkeit. Denken Sie auch daran, dass das Modell unabhängige Ereignisse voraussetzt — gehäufte Ankünfte verletzen diese Annahme. Bei Entscheidungen zu Gesundheit oder Zuverlässigkeit sollten Sie die Annahme der konstanten Rate zunächst anhand von Daten überprüfen.