Distribuzione esponenziale: definizione e formule

La distribuzione esponenziale e una distribuzione di probabilità continua che descrive il tempo tra eventi successivi in un processo di Poisson omogeneo. Ha un singolo parametro lambda > 0 (rate, tasso di eventi per unita di tempo). Le formule fondamentali sono:

• PDF (densità): f(x) = lambda e^(-lambda x) per x >= 0; f(x) = 0 per x < 0.
• CDF (funzione di distribuzione): F(x) = P(X <= x) = 1 - e^(-lambda x).
• Sopravvivenza: S(x) = P(X > x) = e^(-lambda x).
• Quantile: x_p = -ln(1-p)/lambda.
• Hazard rate: h(x) = f(x)/S(x) = lambda (costante, memoryless).

Esempio numerico

Lampadina con tasso di guasto lambda = 0.001 ore^(-1) (vita media 1000 ore):

• P(guasto entro 500 ore) = F(500) = 1 - e^(-0.5) = 0.3935 = 39.35 %.
• P(funziona oltre 2000 ore) = S(2000) = e^(-2) = 0.1353 = 13.53 %.
• Mediana = ln(2)/0.001 = 693 ore (50 % guasto entro questo tempo).
• Tempo per guasto al 95 %: -ln(0.05)/0.001 = 2996 ore.

Momenti e proprietà

• Media (valore atteso): E[X] = 1/lambda. Tempo medio tra eventi.
• Varianza: Var[X] = 1/lambda^2.
• Deviazione standard: SD[X] = 1/lambda (uguale alla media).
• Mediana: ln(2)/lambda approx 0.693/lambda < media.
• Moda: 0 (massimo della PDF a x = 0).
• Skewness: 2 (positivamente asimmetrica).
• Kurtosis (eccesso): 6.
• MGF: M(t) = lambda/(lambda - t) per t < lambda.

Proprietà memoryless

La distribuzione esponenziale e l unica distribuzione continua con la proprietà memoryless:

P(X > s + t | X > s) = P(X > t)

Significato: dato che un evento non si e verificato fino al tempo s, la distribuzione del tempo residuo e identica alla distribuzione originale. Implicazione: una lampadina che ha già funzionato per 500 ore ha la stessa probabilità di funzionare altre 1000 ore di una nuova. Questa proprietà caratterizza i processi di Poisson e modelli di guasto casuale (no fatigue, no aging).

Connessione con processo di Poisson

Se gli eventi accadono secondo un processo di Poisson omogeneo con tasso lambda, allora:

• Il tempo di attesa fino al primo evento segue Exp(lambda).
• I tempi tra eventi successivi (interarrival times) sono i.i.d. Exp(lambda).
• Il numero di eventi in [0, t] segue Poisson(lambda t).

Questa dualita permette di usare la esponenziale per modellare interarrival e Poisson per conteggi nello stesso processo.

Stimatore di massima verosimiglianza (MLE)

Dati n osservazioni indipendenti x_1, ..., x_n da Exp(lambda):

lambda_MLE = n / (sum x_i) = 1 / x_media

Stimatore non distorto per il reciproco della media. Intervallo di confidenza esatto basato su distribuzione chi-quadrato: 2 lambda sum(X_i) ~ chi^2(2n). IC al 95 %: [chi^2_{2n, 0.025}/(2 sum X_i), chi^2_{2n, 0.975}/(2 sum X_i)].

Generalizzazioni

• Gamma(k, lambda): somma di k esponenziali indipendenti. PDF: f(x) = lambda^k x^(k-1) e^(-lambda x)/Gamma(k). Mediana, varianza scalate per k.
• Erlang(k, lambda): gamma con k intero. Tempo per k-esimo evento di Poisson.
• Weibull(k, lambda): hazard non costante (k != 1 in Weibull rappresenta aging). Esponenziale = Weibull con k = 1.
• Doppio esponenziale (Laplace): simmetrica con code esponenziali.
• Esponenziale spostata: f(x) = lambda e^(-lambda(x - x_0)) per x >= x_0.

Reliability e modelli di guasto

L esponenziale e fondamentale in reliability engineering per componenti senza usura. Mean Time To Failure (MTTF) = 1/lambda. Per sistemi seriali (n componenti in serie, guasto se uno solo fallisce):

lambda_sistema = sum lambda_i, MTTF = 1/lambda_sistema

Per parallelo (n in parallelo, guasto se tutti falliscono): formula più complessa, MTTF > singolo. Bathtub curve dei guasti reali: l esponenziale modella solo la fase intermedia di vita utile (random failures), non infanzia ne usura.

Stima e verifica della distribuzione

• Q-Q plot: quantili empirici vs quantili teorici, dovrebbe essere lineare se Exp.
• Test di Kolmogorov-Smirnov: statistica D = max |F_n(x) - F(x)|.
• Test di Anderson-Darling: pesa code della distribuzione.
• Verifica visiva: istogramma dovrebbe avere forma esponenziale decrescente.
• CV ratio: SD/media = 1 esattamente per Exp.

Applicazioni

• Reliability engineering: MTTF di componenti elettronici, meccanici.
• Code (queueing theory): interarrival times in modelli M/M/1, M/M/c.
• Fisica: decadimento radioattivo (lambda = ln(2)/half-life).
• Telecomunicazioni: tempi tra chiamate, tra pacchetti.
• Finanza: tempi tra transazioni in mercati liquidi.
• Biologia: tempi di sopravvivenza in studi clinici (con ipotesi semplici).
• Sport: tempi tra goal in calcio (modello approssimato).
• Sismologia: tempi tra terremoti (con limiti).

Storia

Distribuzione introdotta implicitamente nel XVIII secolo nei lavori sui giochi d azzardo e tempo di sopravvivenza. Erlang (1909): primi modelli di traffic telefonico. Khinchin (1932) e Pollaczek (1930): teoria delle code. Reliability moderna: Epstein, Sobel (1953). Nelson (1972): stima parametrica per dati censurati. Connessione con processi di Markov e teoria dell informazione consolidata nel XX secolo.

Modalita del calcolatore

Cinque modalita: PDF (densità), CDF (probabilità cumulativa), funzione di sopravvivenza, quantile inverso (data probabilità), momenti riassuntivi. Output include hazard rate (costante = lambda) e interpretazione contestuale.

L'esponenziale nella teoria delle code

La distribuzione esponenziale e la spina dorsale della teoria delle code, la disciplina che studia i tempi di attesa nelle file. Il modello di coda piu semplice e diffuso, chiamato M/M/1, assume che sia i tempi fra un arrivo e il successivo sia i tempi di servizio seguano distribuzioni esponenziali. Questa scelta non e arbitraria: la proprieta di assenza di memoria rende la matematica trattabile e cattura bene molti sistemi reali, dagli sportelli bancari ai server informatici.

Grazie a queste ipotesi si ottengono formule eleganti per grandezze pratiche: il numero medio di clienti in coda, il tempo medio di attesa, la probabilita che il sistema sia vuoto. La legge di Little, che collega il numero medio di elementi in un sistema al tasso di arrivo e al tempo di permanenza, si applica in modo diretto. La teoria delle code basata sull'esponenziale guida il dimensionamento di reti di telecomunicazione, call center, sistemi di produzione e infrastrutture di calcolo, dovunque occorra bilanciare capacita e tempi di attesa.

Dal decadimento radioattivo all'affidabilita

La distribuzione esponenziale modella tutti i processi in cui il rischio istantaneo di un evento resta costante nel tempo. Il decadimento radioattivo ne e l'esempio archetipico: un atomo instabile ha la stessa probabilita di decadere in ogni istante, indipendentemente da quanto tempo e gia trascorso, ed e per questo che il tempo di dimezzamento e legato al tasso lambda dalla relazione con il logaritmo di due. Lo stesso vale per il tempo fra guasti di componenti elettronici nella fase di vita utile.

In affidabilita, il tasso di guasto costante corrisponde al tratto piatto della celebre curva a vasca da bagno, quello centrale fra il periodo iniziale di mortalita infantile e l'usura finale. Proprio qui sta il limite del modello: molti sistemi reali invecchiano, cioe il loro rischio di guasto aumenta col tempo, violando l'assenza di memoria. In questi casi si ricorre a distribuzioni piu flessibili come la Weibull, che generalizza l'esponenziale permettendo un tasso di guasto crescente o decrescente. L'esponenziale resta comunque il modello di riferimento per i tempi di attesa e la base da cui partono analisi piu sofisticate.

Aggiornato a luglio 2026