Distribuição Exponencial: Funções de Densidade de Probabilidade

09/23/2022, updated 10/29/2026 •0•0

Distribuição exponencial: densidade, função acumulada, média 1/λ, falta de memória e relação com a Poisson, com exemplos resolvidos e exercícios.

Written byLeon

O que é a Distribuição Exponencial?

A distribuição exponencial é uma distribuição de probabilidade contínua usada para modelar o tempo entre eventos em um processo de Poisson, ou seja, eventos que acontecem de forma independente e a uma taxa média constante. Ela descreve situações como:

O tempo até a próxima falha de um sistema.
O tempo entre chegadas de clientes em uma fila.
A duração de chamadas telefônicas.

Ela é especialmente útil porque tem a propriedade de falta de memória: a probabilidade de o evento ocorrer nas próximas t horas não depende de quanto tempo já se passou sem que ele ocorresse. Em símbolos, P(X > s + t | X > s) = P(X > t).

Fórmula da Distribuição Exponencial

A função densidade de probabilidade (PDF) da distribuição exponencial é:

f(x) = λ · e^(−λx), para x ≥ 0 (e f(x) = 0 para x negativo)

Onde:

λ (lambda) = taxa de ocorrência (eventos por unidade de tempo);
x = tempo (ou espaço) até o próximo evento.

A função de distribuição acumulada (CDF), que dá P(X ≤ x), é:

F(x) = 1 − e^(−λx), e portanto P(X > x) = e^(−λx).

A média (tempo médio entre eventos) é 1/λ, o desvio padrão também é 1/λ (variância 1/λ²) e a mediana é ln(2)/λ ≈ 0,693/λ. Por isso, quando o enunciado diz "em média a cada 500 horas", a taxa é λ = 1/500 por hora. No gráfico abaixo, cada curva começa na altura λ (f(0) = λ) e cai mais depressa quanto maior a taxa.

Gráfico da Distribuição Exponencial para diferentes valores de λ

Chamadas em um call center seguem uma exponencial com taxa λ = 0,25 por minuto. Qual a duração média de uma chamada?

Gabarito: 4 minutos — a média da exponencial é 1/λ = 1/0,25 = 4. A taxa diz quantos eventos ocorrem por minuto, não quanto dura cada um.

Exemplos da vida real

Exemplo 1: Tempo entre falhas de um sistema

Situação: um servidor falha, em média, a cada 500 horas (λ = 1/500 por hora).
Pergunta: qual a probabilidade de o servidor falhar antes de 300 horas?

Resolução: P(X ≤ 300) = 1 − e^(−300/500) = 1 − e^(−0,6) ≈ 1 − 0,5488 = 0,4512, ou seja, 45,12%.

Exemplo 2: Tempo entre chegadas de clientes

Situação: clientes chegam a um banco, em média, a cada 10 minutos (λ = 1/10 por minuto).
Pergunta: qual a probabilidade de o próximo cliente chegar só depois de 15 minutos?

Resolução: P(X > 15) = e^(−15/10) = e^(−1,5) ≈ 0,2231, ou seja, 22,31%.

Exemplo 3: Duração de chamadas telefônicas

Situação: chamadas em um call center duram, em média, 4 minutos (λ = 1/4 por minuto).
Pergunta: qual a probabilidade de uma chamada durar menos de 2 minutos?

Resolução: P(X ≤ 2) = 1 − e^(−2/4) = 1 − e^(−0,5) ≈ 1 − 0,6065 = 0,3935, ou seja, 39,35%.

Exemplo 4: A falta de memória na prática

O servidor do exemplo 1 já está funcionando há 400 horas sem falhar. Qual a probabilidade de ele falhar nas próximas 300 horas? Pela falta de memória, é a mesma de um servidor novo: P(X ≤ 700 | X > 400) = 1 − e^(−300/500) ≈ 45,12%. As 400 horas já vividas não deixam o servidor nem mais velho nem mais confiável.

Um ônibus passa, em média, a cada 15 minutos, com tempo entre passagens exponencial. Você já espera há 10 minutos. Qual a probabilidade de esperar mais 15 minutos ou mais?

Gabarito: e^(−1) ≈ 36,8% — pela falta de memória, os 10 minutos já esperados não contam: P(X > 25 | X > 10) = P(X > 15) = e^(−15/15). A opção com e^(−25/15) seria a probabilidade de esperar mais de 25 minutos a partir do zero.

Relação entre Poisson e Exponencial

A Poisson modela a quantidade de eventos em um intervalo fixo.
A exponencial modela o tempo entre eventos quando eles seguem um processo de Poisson.

Se o número de eventos por unidade de tempo segue uma Poisson com taxa λ, então o tempo entre eventos segue uma exponencial com o mesmo parâmetro λ. Exemplo: se chegam em média 6 clientes por hora, chegam 0,1 cliente por minuto, e o tempo médio entre chegadas é de 10 minutos. A ligação entre as duas é direta: esperar mais de t pelo próximo evento é o mesmo que ter zero eventos no intervalo t, e a Poisson dá P(0 eventos) = e^(−λt).

Chegam, em média, 6 clientes por hora a uma loja (processo de Poisson). Qual a probabilidade de o próximo cliente demorar mais de 20 minutos?

Gabarito: e^(−2) ≈ 13,5% — 6 por hora são 0,1 por minuto, então λ·t = 0,1 × 20 = 2 e P(X > 20) = e^(−2). A opção 1 − e^(−2) é a probabilidade de o cliente chegar ANTES de 20 minutos.

Quando usar a Distribuição Exponencial?

Use quando:

O processo é contínuo no tempo ou no espaço.
Os eventos ocorrem independentemente e a uma taxa constante.
Interessa o tempo entre eventos, não a contagem deles.

Exemplos de aplicação:

Tempo até a próxima falha de um componente eletrônico.
Tempo entre chegadas de navios a um porto.
Vida útil de produtos cujas falhas são acidentais, e não por desgaste.

Atenção à condição de taxa constante: um produto que se desgasta com o uso (pneu, motor, bateria) fica mais propenso a falhar com a idade, e aí a falta de memória não vale. Nesses casos se usam outras distribuições, como a de Weibull.

Em qual destas situações a distribuição exponencial é a MENOS adequada?

Gabarito: Tempo até um pneu furar por desgaste, que fica mais provável quanto mais rodado ele está — a exponencial supõe taxa constante e falta de memória. Se o risco cresce com a idade, essa hipótese não vale.

Exercícios

1. Falhas em um sistema: um computador falha, em média, a cada 1.000 horas. Qual a probabilidade de falhar antes de 500 horas?

2. Chegada de ônibus: ônibus chegam a um ponto, em média, a cada 15 minutos. Qual a probabilidade de o próximo ônibus chegar só depois de 20 minutos?

3. Atendimento em um caixa: um caixa de supermercado atende, em média, um cliente a cada 5 minutos. Qual a probabilidade de o próximo atendimento levar menos de 3 minutos?

4. Tempo de vida de lâmpadas: lâmpadas queimam, em média, após 8.000 horas. Qual a probabilidade de uma lâmpada durar mais de 10.000 horas?

5. Chamadas telefônicas: chamadas em um call center duram, em média, 6 minutos. Qual a probabilidade de uma chamada durar entre 4 e 8 minutos?

6. Tempo de falha com múltiplos componentes: um sistema tem 3 componentes independentes, cada um com tempo de falha exponencial com λ = 0,01 por hora. O sistema falha se pelo menos 2 componentes falharem. Qual a probabilidade de o sistema falhar nas primeiras 100 horas? (Use a exponencial para achar a probabilidade de falha de um componente e depois a binomial para somar as probabilidades de pelo menos 2 falhas.)