Калькулятор экспоненциального распределения

Вычислите вероятности экспоненциального распределения

Способ задания параметра

Интенсивность (λ)

Среднее число событий за единицу времени.

Время

Время (t)

Интересующее вас время ожидания.

Конец интервала (b)

Необязательно: заполните, чтобы также получить P(t ≤ X ≤ b). Оставьте пустым, чтобы пропустить.

Рассчитывать автоматическиЕсли включено, результат будет автоматически обновляться при изменении любого значения.

Результаты экспоненциального распределения

Плотность f(t)f(t)

Накопленная вероятность P(X ≤ t)F(t)

Вероятность выживания P(X > t)S(t)

Вероятность попадания в интервал P(t ≤ X ≤ b)

Среднее время ожидания E(X)E(X)

Формула, медиана и интерпретация

Формула экспоненциального распределения

Формула

\[ f(t) = \lambda e^{-\lambda t}, \qquad F(t) = P(X \le t) = 1 - e^{-\lambda t} \] \[ S(t) = P(X > t) = e^{-\lambda t}, \qquad P(a \le X \le b) = e^{-\lambda a} - e^{-\lambda b} \] \[ E(X) = \frac{1}{\lambda}, \qquad \text{медиана} = \frac{\ln 2}{\lambda} \]

Где:

\(\lambda\) — параметр интенсивности: среднее число событий в единицу времени
\(t\) — интересующее нас время ожидания
\(f(t)\) — плотность вероятности в момент времени \(t\)
\(F(t)\) — накопленная вероятность того, что ожидание составит не более \(t\)
\(S(t)\) — вероятность того, что ожидание продлится дольше \(t\)

Экспоненциальное распределение описывает время между последовательными событиями, которые происходят независимо и с постоянной средней интенсивностью. Его единственный параметр \(\lambda\) полностью определяет всё; среднее время ожидания равно просто \(1/\lambda\).

Экспоненциальное распределение — пример расчёта

Пример: звонки в колл-центр поступают в среднем со скоростью 2 звонка в час. Какова вероятность, что следующий звонок поступит в течение 1 часа, и каков шанс, что он поступит между 1-м и 2-м часом?

\[ \lambda t = 2 \times 1 = 2 \]

\[ F(1) = 1 - e^{-2} = 1 - 0.1353 = 0.8647 \]

\[ P(1 \le X \le 2) = e^{-2} - e^{-4} = 0.1353 - 0.0183 = 0.1170 \]

Результат: P(X ≤ 1 ч) = 86,47 %, P(X > 1 ч) = 13,53 %, а P(1 ч ≤ X ≤ 2 ч) = 11,70 %. Плотность при t = 1 ч равна f(1) = 2e⁻² ≈ 0,2707 в час, среднее время ожидания — 0,5 часа (30 минут), медиана — ln(2)/2 ≈ 0,3466 часа (~20,8 минуты). Это ровно те значения, которые калькулятор показывает при настройках по умолчанию.

Как пользоваться калькулятором

Откройте настройку Задать параметр через и выберите, что вы хотите ввести: интенсивность \(\lambda\) (события за единицу времени) или среднее время ожидания \(\mu\). Показывается только соответствующее поле.
Если вы выбрали интенсивность, заполните поле Интенсивность (λ) и укажите единицу времени, в которой она выражена (в секунду, в минуту, в час, в день, в год). Если вы выбрали среднее — вместо этого заполните поле Среднее время ожидания (μ) с указанием единицы; калькулятор преобразует его по формуле \(\lambda = 1/\mu\).
Введите Время (t) — интересующее вас время ожидания — и выберите его единицу в поле «в».
При желании заполните поле Конец интервала (b), чтобы дополнительно получить вероятность \(P(t \le X \le b)\). Оставьте его пустым, чтобы пропустить этот результат.
Прочитайте результаты: плотность \(f(t)\), накопленную вероятность \(P(X \le t)\), вероятность \(P(X > t)\), вероятность интервала, среднее время ожидания, а также сводную строку с медианой, 90-м перцентилем ожидания и интерпретацией простыми словами.

Что такое экспоненциальное распределение?

Экспоненциальное распределение описывает время ожидания до следующего события в процессе, где события происходят независимо и с постоянной средней интенсивностью, — в пуассоновском процессе. Типичные применения: время между приходами клиентов, время до распада радиоактивной частицы, срок службы электронного компонента или время до следующего сбоя сервера.

Распределение задаётся единственным параметром — интенсивностью \(\lambda\). Плотность вероятности \(f(t) = \lambda e^{-\lambda t}\) максимальна при \(t = 0\) и плавно убывает, то есть короткие ожидания наиболее вероятны. Функция распределения \(F(t) = 1 - e^{-\lambda t}\) даёт вероятность того, что ожидание закончится в момент \(t\) или раньше; её дополнение — функция выживания \(S(t) = e^{-\lambda t}\) — даёт вероятность того, что после момента \(t\) ожидание всё ещё продолжается.

Среднее и стандартное отклонение оба равны \(1/\lambda\), но медиана \(\ln(2)/\lambda \approx 0,693/\lambda\) меньше. Отсюда практический вывод: более половины всех ожиданий заканчиваются раньше среднего. Долгое ожидание возможно, но случается всё реже — например, лишь 5 % ожиданий превышают \(3/\lambda\).

Определяющее свойство экспоненциального распределения — отсутствие памяти: \(P(X > s + t \mid X > s) = P(X > t)\). Если срок службы лампочки распределён экспоненциально и она уже горела год, её шансы проработать ещё один год точно такие же, как у новой. Благодаря этому экспоненциальное распределение является непрерывным аналогом геометрического распределения и естественным спутником распределения Пуассона, которое описывает число событий за фиксированный период, а не время между ними.

Допущения, ограничения и советы

Постоянная интенсивность. Модель предполагает, что события происходят с неизменной средней интенсивностью всё время. Если интенсивность меняется (например, наплыв посетителей в часы пик, износ механических деталей), экспоненциальное распределение будет занижать или завышать вероятности.
Независимость. Одно событие не должно влиять на момент наступления следующего. Скопления событий нарушают это допущение.
Отсутствие памяти. Если процесс действительно экспоненциальный, уже прошедшее время ожидания не несёт никакой информации об оставшемся. Реальные сроки службы машин и людей обычно не обладают свойством отсутствия памяти; для них лучше подходят модели надёжности, например распределение Вейбулла.
Единицы. Калькулятор выполняет все преобразования единиц внутри, поэтому можно ввести интенсивность в часах, а время — в минутах, ничего не пересчитывая вручную. Год принимается равным 365 дням.
Плотность и вероятность. \(f(t)\) — это плотность на единицу времени, а не вероятность, поэтому она может превышать 1. Осмысленные вероятностные утверждения — это \(F(t)\), \(S(t)\) и вероятность интервала.
Если нужно моделировать количество событий, а не время ожидания, используйте калькулятор распределения Пуассона; для исходов «да/нет» при фиксированном числе испытаний см. калькулятор биномиального распределения, а для симметричных непрерывных данных — калькулятор нормального распределения.

Часто задаваемые вопросы

Как вычислить вероятности экспоненциального распределения вручную?

Всё сводится к произведению \(\lambda t\). Вычислите \(\lambda \times t\) (проследив, чтобы оба были выражены в одной единице времени), затем найдите \(P(X \le t) = 1 - e^{-\lambda t}\) и \(P(X > t) = e^{-\lambda t}\) на любом калькуляторе с клавишей \(e^x\). Для интервала вычтите: \(P(a \le X \le b) = e^{-\lambda a} - e^{-\lambda b}\). Например, при \(\lambda = 0.5\) в час и \(t = 4\) часа получаем \(\lambda t = 2\), поэтому \(P(X \le 4) = 1 - e^{-2} \approx 0.8647\).

Как перевести интенсивность λ в среднее время ожидания и обратно?

Это взаимно обратные величины: \(\lambda = 1/\mu\) и \(\mu = 1/\lambda\). Если события происходят в среднем раз в 12 минут, то \(\lambda = 1/12\) в минуту ≈ 0,0833 в минуту, или, что то же самое, 5 в час. Следите за единицами: интенсивность 3 в час — это не 3 в минуту, а 0,05 в минуту. Калькулятор выполняет это преобразование автоматически, поэтому любой из параметров можно ввести в удобной вам единице.

Почему медиана меньше среднего времени ожидания?

Экспоненциальное распределение скошено вправо, поэтому несколько очень долгих ожиданий тянут среднее вверх. Медиана равна \(\ln 2/\lambda \approx 0,693/\lambda\), то есть около 69 % от среднего \(1/\lambda\). На практике это означает, что более половины всех ожиданий заканчиваются раньше среднего: при среднем времени 30 минут медиана составляет лишь около 20,8 минуты. Многие считают «среднее» синонимом «типичного» — здесь это не так.

Когда следует использовать экспоненциальное распределение, а когда распределение Пуассона?

Они описывают две стороны одного и того же процесса. Используйте распределение Пуассона, когда вы считаете, сколько событий произошло за фиксированный период (например, число звонков за час). Используйте экспоненциальное распределение, когда вы измеряете время до следующего события (например, минуты до следующего звонка). Если события образуют пуассоновский процесс с интенсивностью \(\lambda\), то времена ожидания между ними распределены экспоненциально с той же интенсивностью \(\lambda\).

Может ли плотность f(t) быть больше 1?

Да, и это не ошибка. \(f(t)\) — это плотность на единицу времени, а не вероятность, поэтому её значение зависит от единицы времени: плотность 2 в минуту равна 120, если выразить её в часах. Только вероятности, такие как \(F(t)\), \(S(t)\) и вероятность интервала, ограничены диапазоном от 0 до 1. Если вам нужна фактическая вероятность для времени ожидания, используйте \(F(t)\) или вычислите \(P(a \le X \le b)\) на интервале.

Как найти время, к которому произойдёт заданный процент событий?

Обратите функцию распределения. p-й перцентиль равен \(t_p = -\ln(1 - p)/\lambda\). Например, 95-й перцентиль — это \(-\ln(0.05)/\lambda \approx 3/\lambda\): 95 % ожиданий заканчиваются раньше трёх средних времён ожидания, и лишь 5 % длятся дольше. Частный случай \(p = 0.5\) даёт медиану \(\ln 2/\lambda\). Калькулятор автоматически показывает медиану и 90-й перцентиль в сводке.

Какие ошибки чаще всего допускают при работе с этим распределением?

Главная ошибка — применять его к процессам, не обладающим свойством отсутствия памяти. Механические детали, подверженные износу, продолжительность жизни человека и трафик в часы пик имеют меняющуюся интенсивность отказов, и распределение Вейбулла обычно подходит лучше. Другие частые ошибки: смешение единиц (интенсивность в часах при времени в минутах), путаница между интенсивностью и средним, а также интерпретация плотности \(f(t)\) как вероятности. Помните также, что модель предполагает независимость событий — сгруппированные поступления её нарушают. Для решений в области здоровья или надёжности сначала проверьте допущение о постоянной интенсивности на реальных данных.