Üstel Dağılım Hesaplayıcı

Q: Üstel dağılım olasılıklarını elle nasıl hesaplarım?

Her şey λ t çarpımına indirgenir. λ × t değerini hesaplayın (ikisinin de aynı zaman biriminde olduğundan emin olun), sonra e^x tuşu olan herhangi bir hesap makinesiyle P(X ≤ t) = 1 - e^-λ t ve P(X > t) = e^-λ t değerlerini bulun. Bir aralık için çıkarma yapın: P(a ≤ X ≤ b) = e^-λ a - e^-λ b. Örneğin λ = 0.5 saat başına ve t = 4 saat ise λ t = 2 olur, dolayısıyla P(X ≤ 4) = 1 - e^-2 ≈ 0.8647.

Q: Oran λ ile ortalama bekleme süresi arasında nasıl dönüşüm yaparım?

İkisi birbirinin tersidir: λ = 1/μ ve μ = 1/λ. Olaylar ortalama olarak 12 dakikada bir gerçekleşiyorsa λ = 1/12 dakika başına ≈ 0,0833/dk, ya da eşdeğer olarak saat başına 5 olur. Birimlere dikkat edin: saat başına 3 olan bir oran, dakika başına 3 değildir — dakika başına 0,05'tir. Hesaplayıcı bu dönüşümü otomatik olarak yapar, bu yüzden iki parametreden birini dilediğiniz birimle girebilirsiniz.

Q: Yoğunluk f(t) 1'den büyük olabilir mi?

Evet, ve bu bir hata değildir. f(t) birim zaman başına yoğunluktur, olasılık değildir; bu yüzden değeri zaman birimine bağlıdır — dakika başına 2 olan bir yoğunluk, saat cinsinden ifade edildiğinde saat başına 120'ye eşittir. Yalnızca F(t), S(t) ve aralık olasılığı gibi olasılıklar 0 ile 1 arası değerlerle sınırlıdır. Bir bekleme için gerçek bir olasılığa ihtiyacınız varsa F(t)'yi kullanın ya da bir aralık üzerinde P(a ≤ X ≤ b) hesaplayın.

Q: Olayların belirli bir yüzdesinin gerçekleşmiş olacağı süreyi nasıl bulurum?

Kümülatif fonksiyonu ters çevirin. p-yüzdelik t_p = -ln(1 - p)/λ formülüyle bulunur. Örneğin 95. yüzdelik -ln(0.05)/λ ≈ 3/λ olup bu, beklemelerin %95'inin üç ortalama bekleme süresinden önce sona erdiği ve yalnızca %5'inin daha uzun sürdüğü anlamına gelir. Özel durum p = 0.5 medyanı ln 2/λ verir. Hesaplayıcı medyanı ve 90. yüzdeliği özetinde otomatik olarak gösterir.

Güncellendi: 3 Ekim 2026

Oran λ veya ortalama bekleme süresiyle üstel dağılım olasılıklarını hesaplayın: yoğunluk, P(X ≤ t), P(X > t), aralık olasılığı, ortalama ve medyan. Oranı, bir süreyi ve isteğe bağlı bir aralık sonunu girin.

Üstel Dağılım Olasılıklarını Hesaplayın

Parametreyi belirleme yöntemi

Hız (λ)

Birim zamandaki ortalama olay sayısı.

Süre

Süre (t)

İlgilendiğiniz bekleme süresi.

Aralık sonu (b)

İsteğe bağlı: P(t ≤ X ≤ b) değerini de almak için doldurun. Atlamak için boş bırakın.

Otomatik hesaplaEtkinleştirilirse, herhangi bir değeri değiştirdiğinizde sonuç otomatik olarak güncellenir.

Üstel Dağılım Sonuçları

Yoğunluk f(t)f(t)

Kümülatif olasılık P(X ≤ t)F(t)

Sağkalım olasılığı P(X > t)S(t)

Aralık olasılığı P(t ≤ X ≤ b)

Ortalama bekleme süresi E(X)E(X)

Formül, medyan ve yorum

Üstel Dağılım Formülü

Formül

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

Burada:

\(\lambda\) — oran parametresi: birim zamanda gerçekleşen ortalama olay sayısı
\(t\) — ilgilenilen bekleme süresi
\(f(t)\) — \(t\) anındaki olasılık yoğunluğu
\(F(t)\) — \(t\) süresinden uzun beklememe (kümülatif) olasılığı
\(S(t)\) — \(t\) süresinden uzun bekleme (sağkalım) olasılığı

Üstel dağılım, sabit bir ortalama hızla bağımsız biçimde gerçekleşen ardışık olaylar arasındaki süreyi modeller. Tek parametresi \(\lambda\) her şeyi belirler; ortalama bekleme süresi tam olarak \(1/\lambda\) kadardır.

Üstel Dağılım – Hesaplama Örneği

Örnek: bir çağrı merkezine saatte ortalama 2 çağrı geliyor. Bir sonraki çağrının 1 saat içinde gelme olasılığı nedir ve 1 ile 2 saat arasında gelme şansı nedir?

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

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

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

Sonuç: P(X ≤ 1 saat) = %86,47, P(X > 1 saat) = %13,53 ve P(1 saat ≤ X ≤ 2 saat) = %11,70. t = 1 saat anındaki yoğunluk f(1) = 2e⁻² ≈ saat başına 0,2707, ortalama bekleme süresi 0,5 saat (30 dakika), medyan ise ln(2)/2 ≈ 0,3466 saat (~20,8 dakika). Bunlar, hesaplayıcının varsayılan ayarlarıyla gösterdiği değerlerin aynısıdır.

Hesaplayıcı Nasıl Kullanılır?

Parametreyi belirtme yöntemi menüsünü açın ve oran \(\lambda\) (zaman başına olay sayısı) mı yoksa ortalama bekleme süresi \(\mu\) mü girmek istediğinizi seçin. Yalnızca ilgili alan gösterilir.
Oranı seçtiyseniz Oran (λ) alanını doldurun ve hangi zaman birimiyle ifade edildiğini seçin (saniye başına, dakika başına, saat başına, gün başına, yıl başına). Ortalamayı seçtiyseniz bunun yerine Ortalama bekleme süresi (μ) alanını birimiyle birlikte doldurun; hesaplayıcı bunu \(\lambda = 1/\mu\) üzerinden dönüştürür.
Süre (t) alanına ilgilenilen bekleme süresini girin ve altındaki "birim" seçeneğinden birimini seçin.
İsteğe bağlı olarak Aralık sonu (b) alanını doldurarak \(P(t \le X \le b)\) olasılığını da hesaplatabilirsiniz. Bu sonucu istemiyorsanız boş bırakın.
Sonuçları okuyun: yoğunluk \(f(t)\), kümülatif olasılık \(P(X \le t)\), sağkalım olasılığı \(P(X > t)\), aralık olasılığı, ortalama bekleme süresi ve medyan ile 90. yüzdelik bekleme süresi ile sade dille bir yorum içeren özet satırı.

Üstel Dağılım Nedir?

Üstel dağılım, olayların bağımsız olarak sabit bir ortalama hızla gerçekleştiği bir süreçte — bir Poisson sürecinde — bir sonraki olaya kadar geçen bekleme süresini tanımlar. Tipik uygulama alanları arasında müşteri varışları arasındaki süre, radyoaktif bir parçacığın bozunmasına kadar geçen süre, elektronik bir bileşenin ömrü veya bir sunucunun bir sonraki arızasına kadar geçen süre yer alır.

Dağılım tek bir parametreyle, oran \(\lambda\) ile tanımlanır. Olasılık yoğunluğu \(f(t) = \lambda e^{-\lambda t}\) \(t = 0\) anında en büyüktür ve pürüzsüzce azalır; bu da kısa beklemelerin en olası olduğu anlamına gelir. Kümülatif fonksiyon \(F(t) = 1 - e^{-\lambda t}\), bekleşin \(t\) anında ya da öncesinde sona erme olasılığını verir; tümleyeni olan sağkalım fonksiyonu \(S(t) = e^{-\lambda t}\) ise \(t\)'den sonra hâlâ bekliyor olma olasılığını verir.

Ortalama ve standart sapma ikisi de \(1/\lambda\)'dır, ancak medyan \(\ln(2)/\lambda \approx 0.693/\lambda\) daha küçüktür. Bu size pratik bir bilgi verir: beklemelerin yarısından fazlası ortalama süreden önce sona erer. Çok uzun bir bekleme mümkündür ama giderek daha nadir hâle gelir — örneğin beklemelerin yalnızca %5'i \(3/\lambda\) değerini aşar.

Üstel dağılımın belirleyici özelliği hafızasızlıktır: \(P(X > s + t \mid X > s) = P(X > t)\). Bir ampulün ömrü üstel dağılımlıysa ve bir yıldır yanıyorsa, bir yıl daha dayanma şansı yeniykenkiyle tamamen aynıdır. Bu özellik dağılımı geometrik dağılımın sürekli karşılığı yapar ve olaylar arasındaki süre yerine sabit bir dönemdeki olay sayısını tanımlayan Poisson dağılımının doğal yol arkadaşı hâline getirir.

Varsayımlar, Sınırlamalar ve İpuçları

Sabit oran. Model, olayların her zaman sabit bir ortalama hızla gerçekleştiğini varsayar. Oran değişirse (ör. yoğun saat varışları, mekanik parçaların yıpranması) üstel dağılım olasılıkları olduğundan düşük ya da yüksek tahmin eder.
Bağımsızlık. Bir olay, bir sonraki olayın zamanını etkilememelidir. Olayların kümeleşmesi bu varsayımı ihlal eder.
Hafızasızlık. Süreç gerçekten üstelse, geçmiş bekleme süresi kalan bekleme hakkında hiçbir bilgi taşımaz. Makinelerin ve insanların gerçek ömürleri genellikle hafızasız değildir; bunlar için Weibull dağılımı gibi güvenilirlik modelleri daha iyi uyar.
Birimler. Hesaplayıcı tüm birimleri dahili olarak dönüştürür; bu yüzden oranı saat başına, süreyi dakika cinsinden, hiçbir aritmetik yapmadan girebilirsiniz. Bir yıl 365 gün olarak alınır.
Yoğunluk ile olasılık. \(f(t)\) birim zaman başına bir yoğunluktur, olasılık değildir — 1'i aşabilir. Anlamlı olasılık ifadeleri \(F(t)\), \(S(t)\) ve aralık olasılığıdır.
Bekleme süreleri yerine olay sayılarını modellemeniz gerekiyorsa Poisson dağılımı hesaplayıcısını kullanın; sabit sayıda denemedeki evet/hayır sonuçları için binom dağılımı hesaplayıcısına, simetrik sürekli veriler için ise normal dağılım hesaplayıcısına bakın.

Sıkça Sorulan Sorular

Üstel dağılım olasılıklarını elle nasıl hesaplarım?

Her şey \(\lambda t\) çarpımına indirgenir. \(\lambda \times t\) değerini hesaplayın (ikisinin de aynı zaman biriminde olduğundan emin olun), sonra \(e^x\) tuşu olan herhangi bir hesap makinesiyle \(P(X \le t) = 1 - e^{-\lambda t}\) ve \(P(X > t) = e^{-\lambda t}\) değerlerini bulun. Bir aralık için çıkarma yapın: \(P(a \le X \le b) = e^{-\lambda a} - e^{-\lambda b}\). Örneğin \(\lambda = 0.5\) saat başına ve \(t = 4\) saat ise \(\lambda t = 2\) olur, dolayısıyla \(P(X \le 4) = 1 - e^{-2} \approx 0.8647\).

Oran λ ile ortalama bekleme süresi arasında nasıl dönüşüm yaparım?

İkisi birbirinin tersidir: \(\lambda = 1/\mu\) ve \(\mu = 1/\lambda\). Olaylar ortalama olarak 12 dakikada bir gerçekleşiyorsa \(\lambda = 1/12\) dakika başına ≈ 0,0833/dk, ya da eşdeğer olarak saat başına 5 olur. Birimlere dikkat edin: saat başına 3 olan bir oran, dakika başına 3 değildir — dakika başına 0,05'tir. Hesaplayıcı bu dönüşümü otomatik olarak yapar, bu yüzden iki parametreden birini dilediğiniz birimle girebilirsiniz.

Medyan neden ortalama bekleme süresinden küçüktür?

Üstel dağılım sağa çarpıktır, bu yüzden birkaç çok uzun bekleme ortalamayı yukarı çeker. Medyan \(\ln 2/\lambda \approx 0.693/\lambda\), yani ortalama \(1/\lambda\)'nın yaklaşık %69'u kadardır. Pratikte bu, beklemelerin yarısından fazlasının ortalama süreden önce bittiği anlamına gelir: ortalama 30 dakikayken medyan yalnızca yaklaşık 20,8 dakikadır. Birçok insan "ortalama" sözcüğünden "tipik" anlar — burada öyle değildir.

Poisson dağılımı yerine ne zaman üstel dağılım kullanmalıyım?

İkisi aynı sürecin iki yüzünü tanımlar. Sabit bir dönemde kaç olay gerçekleştiğini sayıyorsanız (ör. bir saatte gelen çağrı sayısı) Poisson dağılımını kullanın. Bir sonraki olaya kadar geçen süreyi ölçüyorsanız (ör. bir sonraki çağrıya kadar geçen dakikalar) üstel dağılımı kullanın. Olaylar \(\lambda\) hızında bir Poisson sürecini izliyorsa, aralarındaki bekleme süreleri aynı \(\lambda\) hızında üstel dağılımlıdır.

Yoğunluk f(t) 1'den büyük olabilir mi?

Evet, ve bu bir hata değildir. \(f(t)\) birim zaman başına yoğunluktur, olasılık değildir; bu yüzden değeri zaman birimine bağlıdır — dakika başına 2 olan bir yoğunluk, saat cinsinden ifade edildiğinde saat başına 120'ye eşittir. Yalnızca \(F(t)\), \(S(t)\) ve aralık olasılığı gibi olasılıklar 0 ile 1 arası değerlerle sınırlıdır. Bir bekleme için gerçek bir olasılığa ihtiyacınız varsa \(F(t)\)'yi kullanın ya da bir aralık üzerinde \(P(a \le X \le b)\) hesaplayın.

Olayların belirli bir yüzdesinin gerçekleşmiş olacağı süreyi nasıl bulurum?

Kümülatif fonksiyonu ters çevirin. \(p\)-yüzdelik \(t_p = -\ln(1 - p)/\lambda\) formülüyle bulunur. Örneğin 95. yüzdelik \(-\ln(0.05)/\lambda \approx 3/\lambda\) olup bu, beklemelerin %95'inin üç ortalama bekleme süresinden önce sona erdiği ve yalnızca %5'inin daha uzun sürdüğü anlamına gelir. Özel durum \(p = 0.5\) medyanı \(\ln 2/\lambda\) verir. Hesaplayıcı medyanı ve 90. yüzdeliği özetinde otomatik olarak gösterir.

Bu dağılımı kullanırken yapılan yaygın hatalar nelerdir?

En büyüğü, hafızasız olmayan süreçlere uygulamaktır. Yıpranan mekanik parçalar, insan ömürleri ve yoğun saat trafiği değişen tehlike hızlarına sahiptir ve genellikle Weibull dağılımı daha iyi uyar. Diğer sık hatalar: birimleri karıştırmak (saat başına oran ile dakika cinsinden süre), oranı ortalama ile karıştırmak ve yoğunluk \(f(t)\)'yi olasılık olarak yorumlamak. Ayrıca modelin bağımsız olaylar varsaydığını unutmayın — kümeleşen varışlar bunu ihlal eder. Sağlık veya güvenilirlik kararları için önce sabit oran varsayımını verilerle doğrulayın.