Calculatrice Distribution Exponentielle (PDF, CDF, Quantile)

Calculatrice distribution exponentielle: PDF f(x) = lambda e^(-lambda x), CDF, survie, quantiles, moments. Temps attente, décroissance, fiabilite MTTF.

Paramètres de calcul
Ce calculateur vous a-t-il été utile ?

Distribution exponentielle: formules

Distribution continue pour temps entre événements en processus de Poisson. Paramètre lambda > 0 (taux).

  • PDF: f(x) = lambda e^(-lambda x) pour x >= 0.
  • CDF: F(x) = 1 - e^(-lambda x).
  • Survie: S(x) = e^(-lambda x).
  • Quantile: x_p = -ln(1-p)/lambda.
  • Hazard: h(x) = lambda constant (memoryless).

Exemple numérique

Ampoule lambda = 0.001 hr^(-1): P(panne 500 hr) = 39.35 %. P(survit 2000 hr) = 13.53 %. Mediane = 693 hr.

Moments

  • Moyenne: 1/lambda.
  • Variance: 1/lambda^2.
  • Ecart-type: 1/lambda.
  • Mediane: ln(2)/lambda.
  • Asymetrie: 2.
  • Kurtosis (exces): 6.

Memoryless

P(X > s+t | X > s) = P(X > t). Sans vieillissement. Unique distribution continue memoryless.

Lien Poisson

  • Temps au premier événement Exp(lambda).
  • Inter-arrivees i.i.d. Exp(lambda).
  • Comptages [0, t] sont Poisson(lambda t).

MLE

lambda_MLE = n/(sum x_i) = 1/moyenne. IC chi-deux avec 2n ddl.

Generalisations

  • Gamma(k, lambda) somme de k exponentielles.
  • Erlang(k, lambda) gamma k entier.
  • Weibull hazard non constant.
  • Laplace double exponentielle.
  • Exponentielle decalee.

Fiabilite

MTTF = 1/lambda. Serie n: lambda_système = sum lambda_i. Courbe baignoire: exponentielle vie utile.

Verification

  • Q-Q plot.
  • Kolmogorov-Smirnov.
  • Anderson-Darling.
  • CV ratio = 1.

Applications

  • Fiabilite composants.
  • Files M/M/1.
  • Décroissance radioactive.
  • Telecom appels.
  • Finance trading.
  • Survie clinique.
  • Sport buts.
  • Sismologie (limitee).

Histoire

Erlang (1909) trafic telephonique. Khinchin (1932) files. Epstein-Sobel (1953) fiabilite moderne.

Modes calculatrice

Cinq: PDF, CDF, survie, quantile inverse, moments.

L'exponentielle dans la theorie des files d'attente

La distribution exponentielle est l'ossature de la theorie des files d'attente, la discipline qui etudie les temps d'attente dans les files. Le modele de file le plus simple et repandu, appele M/M/1, suppose que les temps entre une arrivee et la suivante comme les temps de service suivent des distributions exponentielles. Ce choix n'est pas arbitraire : la propriete d'absence de memoire rend les mathematiques tractables et capte bien de nombreux systemes reels, des guichets bancaires aux serveurs informatiques.

Grace a ces hypotheses on obtient des formules elegantes pour des grandeurs pratiques : le nombre moyen de clients dans la file, le temps moyen d'attente, la probabilite que le systeme soit vide. La loi de Little, qui relie le nombre moyen d'elements dans un systeme au taux d'arrivee et au temps de sejour, s'applique directement. La theorie des files fondee sur l'exponentielle guide le dimensionnement des reseaux de telecommunications, centres d'appels, systemes de production et infrastructures de calcul, partout ou il faut equilibrer capacite et temps d'attente.

De la desintegration radioactive a la fiabilite

La distribution exponentielle modelise tous les processus ou le risque instantane d'un evenement reste constant dans le temps. La desintegration radioactive en est l'exemple archetypal : un atome instable a la meme probabilite de se desintegrer a chaque instant, independamment du temps deja ecoule, et c'est pourquoi la demi-vie est liee au taux lambda par la relation avec le logarithme de deux. Il en va de meme pour le temps entre pannes de composants electroniques dans leur phase de vie utile.

En fiabilite, le taux de panne constant correspond a la partie plate de la celebre courbe en baignoire, la partie centrale entre la periode initiale de mortalite infantile et l'usure finale. C'est precisement la que se situe la limite du modele : beaucoup de systemes reels vieillissent, c'est-a-dire que leur risque de panne augmente avec le temps, violant l'absence de memoire. Dans ces cas on recourt a des distributions plus flexibles comme la Weibull, qui generalise l'exponentielle en permettant un taux de panne croissant ou decroissant. L'exponentielle reste neanmoins le modele de reference pour les temps d'attente et la base d'ou partent des analyses plus sophistiquees.

Mis à jour en juillet 2026

Questions fréquentes

Qu'est-ce que la distribution exponentielle ?

C'est une distribution de probabilite continue decrivant le temps d'attente jusqu'a ce qu'un evenement survienne dans un processus a taux constant. Elle a un seul parametre, le taux lambda, et une densite f(x) = lambda e^(-lambda x) pour x >= 0. Elle modelise les temps entre evenements aleatoires independants.

Que represente le parametre lambda ?

C'est le taux moyen auquel surviennent les evenements, par unite de temps. Un lambda eleve signifie des evenements frequents et des temps d'attente courts, un lambda faible des evenements rares et des attentes longues. Le temps moyen d'attente est l'inverse 1/lambda, et l'ecart-type vaut aussi 1/lambda.

Qu'est-ce que la propriete d'absence de memoire ?

C'est la caracteristique distinctive de l'exponentielle : la probabilite d'attendre un temps supplementaire t ne depend pas du temps deja attendu. En formules, P(X > s+t | X > s) = P(X > t). C'est la seule distribution continue a la posseder, et elle decrit des processus qui ne vieillissent pas.

Comment calcule-t-on la probabilite d'un evenement dans un temps ?

Avec la fonction de repartition F(x) = 1 - e^(-lambda x), qui donne la probabilite que l'evenement survienne dans le temps x. La probabilite complementaire, que l'evenement ne soit pas encore survenu, est la fonction de survie S(x) = e^(-lambda x).

Quel rapport avec le processus de Poisson ?

Ce sont deux faces du meme phenomene : si les evenements surviennent selon un processus de Poisson de taux lambda, les temps entre evenements consecutifs suivent une distribution exponentielle de ce meme lambda. Le nombre d'evenements dans un intervalle est Poisson, le temps d'attente est exponentiel.

Ou utilise-t-on la distribution exponentielle ?

Dans la desintegration radioactive, en fiabilite pour les temps entre pannes, en theorie des files pour les temps d'attente et de service, en telecommunications, dans la modelisation d'evenements rares et en analyse de survie. Partout ou il y a un taux d'occurrence approximativement constant.

Pourquoi la mediane differe-t-elle de la moyenne ?

Parce que la distribution est asymetrique, avec une longue queue a droite. La moyenne vaut 1/lambda, mais la mediane est ln(2)/lambda, soit environ 69% de la moyenne. Cela reflete le fait que quelques temps d'attente tres longs tirent la moyenne au-dela de la valeur centrale typique.

Quelle est la limite du modele exponentiel ?

L'absence de memoire : il suppose que le risque ne change pas avec le temps. Mais beaucoup de systemes reels vieillissent, avec un risque de panne croissant, ou ont une mortalite infantile. Dans ces cas on utilise la distribution de Weibull, qui generalise l'exponentielle avec un taux de panne variable.

Commentaires (0)

Pas encore de commentaire. Soyez le premier !