Calculadora da Distribuição Exponencial

Q: Como calcular probabilidades da distribuição exponencial manualmente?

Tudo se resume ao produto λ t. Calcule λ × t (garantindo que ambos usam a mesma unidade de tempo) e depois avalie P(X ≤ t) = 1 - e^-λ t e P(X > t) = e^-λ t com qualquer calculadora que tenha a tecla e^x. Para um intervalo, subtraia: P(a ≤ X ≤ b) = e^-λ a - e^-λ b. Por exemplo, com λ = 0.5 por hora e t = 4 horas, λ t = 2, logo P(X ≤ 4) = 1 - e^-2 ≈ 0.8647.

Q: Como converter entre a taxa λ e o tempo médio de espera?

São recíprocos: λ = 1/μ e μ = 1/λ. Se os eventos acontecem em média uma vez a cada 12 minutos, então λ = 1/12 por minuto ≈ 0,0833/min, ou equivalentemente 5 por hora. Atenção às unidades: uma taxa de 3 por hora não é 3 por minuto — é 0,05 por minuto. A calculadora faz esta conversão automaticamente, pelo que pode introduzir qualquer um dos parâmetros na unidade que preferir.

Q: A densidade f(t) pode ser maior do que 1?

Sim, e isso não é um erro. f(t) é uma densidade por unidade de tempo, não uma probabilidade, pelo que o seu valor depende da unidade de tempo — uma densidade de 2 por hora equivale a 120 por hora se a expressar por minuto. Apenas probabilidades como F(t), S(t) e a probabilidade do intervalo estão restritas ao intervalo de 0 a 1. Se precisa de uma probabilidade real para uma espera, use F(t) ou calcule P(a ≤ X ≤ b) num intervalo.

Q: Como encontro o instante até ao qual uma determinada percentagem de eventos já terá ocorrido?

Inverta a função acumulada. O percentil p-ésimo é t_p = -ln(1 - p)/λ. Por exemplo, o percentil 95 é -ln(0.05)/λ ≈ 3/λ, o que significa que 95% das esperas terminam antes de três tempos médios de espera, e apenas 5% duram mais. O caso especial p = 0.5 dá a mediana ln 2/λ. A calculadora mostra automaticamente a mediana e o percentil 90 no seu resumo.

Atualizado: 3 outubro 2026

Calcule probabilidades da distribuição exponencial a partir de uma taxa λ ou de um tempo médio de espera: densidade, P(X ≤ t), P(X > t), probabilidade de intervalo, média e mediana. Introduza a taxa, um tempo e, opcionalmente, o fim do intervalo.

Calculadora de Distribuição Exponencial

Especificar o parâmetro por

Taxa (λ)

Número médio de eventos por unidade de tempo.

Tempo

Tempo (t)

O tempo de espera que você quer avaliar.

Fim do intervalo (b)

Opcional: preencha para obter também P(t ≤ X ≤ b). Deixe vazio para não calcular.

Calcular automaticamenteSe ativado, o resultado é atualizado automaticamente quando você altera qualquer valor.

Resultados da Distribuição Exponencial

Densidade f(t)f(t)

Probabilidade acumulada P(X ≤ t)F(t)

Probabilidade de sobrevivência P(X > t)S(t)

Probabilidade do intervalo P(t ≤ X ≤ b)

Tempo médio de espera E(X)E(X)

Fórmula, mediana e interpretação

Fórmula da Distribuição Exponencial

Fórmula

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

Onde:

\(\lambda\) — parâmetro de taxa: o número médio de eventos por unidade de tempo
\(t\) — o tempo de espera de interesse
\(f(t)\) — densidade de probabilidade no instante \(t\)
\(F(t)\) — probabilidade acumulada de esperar não mais do que \(t\)
\(S(t)\) — probabilidade de sobrevivência de esperar mais do que \(t\)

A distribuição exponencial modela o tempo entre eventos consecutivos que ocorrem de forma independente a uma taxa média constante. O seu único parâmetro \(\lambda\) determina tudo; o tempo médio de espera é simplesmente \(1/\lambda\).

Distribuição Exponencial – Exemplo de Cálculo

Exemplo: chamadas chegam a um call center a uma taxa média de 2 por hora. Qual é a probabilidade de a próxima chamada chegar dentro de 1 hora, e qual é a chance de chegar entre 1 e 2 horas?

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

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

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

Resultado: P(X ≤ 1 h) = 86,47%, P(X > 1 h) = 13,53% e P(1 h ≤ X ≤ 2 h) = 11,70%. A densidade em t = 1 h é f(1) = 2e⁻² ≈ 0,2707 por hora, a espera média é de 0,5 hora (30 minutos) e a mediana é ln(2)/2 ≈ 0,3466 hora (~20,8 minutos). São exatamente os valores apresentados pela calculadora com as configurações padrão.

Como Utilizar a Calculadora

Abra Especificar parâmetro por e escolha se pretende introduzir a taxa \(\lambda\) (eventos por tempo) ou o tempo médio de espera \(\mu\). Apenas o campo correspondente é mostrado.
Se escolheu a taxa, preencha Taxa (λ) e selecione a unidade de tempo em que é expressa (por segundo, por minuto, por hora, por dia, por ano). Se escolheu a média, preencha, em vez disso, Tempo médio de espera (μ) com a sua unidade; a calculadora converte-a via \(\lambda = 1/\mu\).
Introduza Tempo (t) — o tempo de espera que interessa a você — e selecione a sua unidade em "em".
Opcionalmente, preencha Fim do intervalo (b) para obter também a probabilidade \(P(t \le X \le b)\). Deixe vazio para ignorar este resultado.
Leia os resultados: densidade \(f(t)\), probabilidade acumulada \(P(X \le t)\), probabilidade de sobrevivência \(P(X > t)\), a probabilidade do intervalo, o tempo médio de espera e uma linha de resumo com a mediana, a espera do percentil 90 e uma interpretação em linguagem simples.

O Que É a Distribuição Exponencial?

A distribuição exponencial descreve o tempo de espera até o próximo evento num processo em que os eventos acontecem de forma independente a uma taxa média constante — um processo de Poisson. Aplicações típicas incluem o tempo entre chegadas de clientes, o tempo até à desintegração de uma partícula radioativa, o tempo de vida de um componente eletrónico ou o tempo até à próxima falha de um servidor.

A distribuição é definida por um único parâmetro, a taxa \(\lambda\). A densidade de probabilidade \(f(t) = \lambda e^{-\lambda t}\) é máxima em \(t = 0\) e decai suavemente, o que significa que as esperas curtas são as mais prováveis. A função acumulada \(F(t) = 1 - e^{-\lambda t}\) dá a probabilidade de a espera terminar até ao instante \(t\); o seu complemento, a função de sobrevivência \(S(t) = e^{-\lambda t}\), dá a probabilidade de ainda estar à espera após \(t\).

A média e o desvio padrão são ambos \(1/\lambda\), mas a mediana \(\ln(2)/\lambda \approx 0.693/\lambda\) é menor. Isto diz-nos algo prático: mais de metade de todas as esperas termina antes da média. Uma espera longa é possível, mas cada vez mais rara — por exemplo, apenas 5% das esperas excedem \(3/\lambda\).

Uma propriedade definidora da distribuição exponencial é a falta de memória: \(P(X > s + t \mid X > s) = P(X > t)\). Se uma lâmpada tem um tempo de vida exponencialmente distribuído e já ardeu durante um ano, as suas hipóteses de sobreviver mais um ano são exatamente as mesmas de quando era nova. Isto faz da distribuição o análogo contínuo da distribuição geométrica e a companheira natural da distribuição de Poisson, que descreve o número de eventos num período fixo em vez do tempo entre eles.

Pressupostos, Limitações e Dicas

Taxa constante. O modelo assume que os eventos ocorrem a uma taxa média estável em todos os momentos. Se a taxa variar (por exemplo, chegadas em hora de ponta, desgaste de peças mecânicas), a distribuição exponencial subestimará ou sobrestimará as probabilidades.
Independência. Um evento não pode influenciar o momento do próximo. O agrupamento de eventos viola este pressuposto.
Falta de memória. Se o processo for verdadeiramente exponencial, o tempo de espera já decorrido não fornece informação sobre a espera restante. Os tempos de vida reais de máquinas e humanos normalmente não são sem memória; para esses, modelos de fiabilidade como a distribuição de Weibull ajustam-se melhor.
Unidades. A calculadora converte todas as unidades internamente, pelo que pode introduzir a taxa por hora e o tempo em minutos sem fazer contas. Um ano é considerado como 365 dias.
Densidade vs. probabilidade. \(f(t)\) é uma densidade por unidade de tempo, não uma probabilidade — pode exceder 1. As afirmações de probabilidade com significado são \(F(t)\), \(S(t)\) e a probabilidade do intervalo.
Se precisar de modelar contagens de eventos em vez de tempos de espera, use a calculadora da distribuição de Poisson; para resultados sim/não num número fixo de tentativas, consulte a calculadora da distribuição binomial e, para dados contínuos simétricos, a calculadora da distribuição normal.

Perguntas frequentes

Como calcular probabilidades da distribuição exponencial manualmente?

Tudo se resume ao produto \(\lambda t\). Calcule \(\lambda \times t\) (garantindo que ambos usam a mesma unidade de tempo) e depois avalie \(P(X \le t) = 1 - e^{-\lambda t}\) e \(P(X > t) = e^{-\lambda t}\) com qualquer calculadora que tenha a tecla \(e^x\). Para um intervalo, subtraia: \(P(a \le X \le b) = e^{-\lambda a} - e^{-\lambda b}\). Por exemplo, com \(\lambda = 0.5\) por hora e \(t = 4\) horas, \(\lambda t = 2\), logo \(P(X \le 4) = 1 - e^{-2} \approx 0.8647\).

Como converter entre a taxa λ e o tempo médio de espera?

São recíprocos: \(\lambda = 1/\mu\) e \(\mu = 1/\lambda\). Se os eventos acontecem em média uma vez a cada 12 minutos, então \(\lambda = 1/12\) por minuto ≈ 0,0833/min, ou equivalentemente 5 por hora. Atenção às unidades: uma taxa de 3 por hora não é 3 por minuto — é 0,05 por minuto. A calculadora faz esta conversão automaticamente, pelo que pode introduzir qualquer um dos parâmetros na unidade que preferir.

Porque é que a mediana é menor do que o tempo médio de espera?

A distribuição exponencial é assimétrica à direita, pelo que algumas esperas muito longas puxam a média para cima. A mediana é \(\ln 2/\lambda \approx 0.693/\lambda\), cerca de 69% da média \(1/\lambda\). Na prática, isto significa que mais de metade de todas as esperas termina antes da média: com uma média de 30 minutos, a mediana é apenas cerca de 20,8 minutos. Muitas pessoas esperam que "média" signifique "típico" — aqui não é o caso.

Quando devo usar a distribuição exponencial em vez da distribuição de Poisson?

Descrevem duas faces do mesmo processo. Use a distribuição de Poisson quando conta quantos eventos ocorrem num período fixo (por exemplo, número de chamadas numa hora). Use a distribuição exponencial quando mede o tempo até ao próximo evento (por exemplo, minutos até à próxima chamada). Se os eventos seguem um processo de Poisson com taxa \(\lambda\), os tempos de espera entre eles são exponencialmente distribuídos com a mesma taxa \(\lambda\).

A densidade f(t) pode ser maior do que 1?

Sim, e isso não é um erro. \(f(t)\) é uma densidade por unidade de tempo, não uma probabilidade, pelo que o seu valor depende da unidade de tempo — uma densidade de 2 por hora equivale a 120 por hora se a expressar por minuto. Apenas probabilidades como \(F(t)\), \(S(t)\) e a probabilidade do intervalo estão restritas ao intervalo de 0 a 1. Se precisa de uma probabilidade real para uma espera, use \(F(t)\) ou calcule \(P(a \le X \le b)\) num intervalo.

Como encontro o instante até ao qual uma determinada percentagem de eventos já terá ocorrido?

Inverta a função acumulada. O percentil \(p\)-ésimo é \(t_p = -\ln(1 - p)/\lambda\). Por exemplo, o percentil 95 é \(-\ln(0.05)/\lambda \approx 3/\lambda\), o que significa que 95% das esperas terminam antes de três tempos médios de espera, e apenas 5% duram mais. O caso especial \(p = 0.5\) dá a mediana \(\ln 2/\lambda\). A calculadora mostra automaticamente a mediana e o percentil 90 no seu resumo.

Quais são os erros comuns ao usar esta distribuição?

O maior é aplicá-la a processos que não são sem memória. Peças mecânicas que se desgastam, tempos de vida humanos e trânsito em hora de ponta têm taxas de risco variáveis, e uma distribuição de Weibull normalmente ajusta-se melhor. Outros erros frequentes: misturar unidades (taxa por hora com tempo em minutos), confundir a taxa com a média e interpretar a densidade \(f(t)\) como uma probabilidade. Lembre-se também de que o modelo assume eventos independentes — chegadas agrupadas violam-no. Para decisões de saúde ou fiabilidade, valide primeiro o pressuposto de taxa constante com dados.