Moyenne et variance exponentielles

La loi exponentielle est le modèle continu classique des temps d'attente et des écarts inter-arrivées lorsque les événements se produisent à un taux moyen constant sans mémoire du passé. Une fois le paramètre de taux λ fixé, trois moments s'obtiennent sous forme fermée : la moyenne vaut un sur λ, la variance un sur λ au carré, et l'écart-type encore un sur λ.

Paramétrisation par taux et les trois moments en forme fermée

Sous la paramétrisation par taux, une variable aléatoire continue non négative X suit Exp(λ) lorsque sa densité vaut λ fois e à la puissance moins λx pour x supérieur ou égal à zéro, et zéro sinon. Le taux λ est le nombre attendu d'événements par unité de temps, si bien qu'un λ plus grand implique des attentes typiques plus courtes. Intégrer x contre cette densité donne la moyenne μ égale à un sur λ.

Intégrer l'écart au carré par rapport à la moyenne donne la variance σ au carré égale à un sur λ au carré. La racine carrée positive de la variance produit l'écart-type σ, qui vaut un sur λ et coïncide donc avec la moyenne en échelle absolue—une propriété distinctive de la famille exponentielle que les étudiants utilisent souvent comme contrôle rapide. Certains manuels préfèrent une paramétrisation par échelle avec θ égal à un sur λ ; dans cette écriture la moyenne est θ, la variance θ au carré et l'écart-type θ.

La propriété sans mémoire dit que l'attente restante conditionnellement à la survie jusqu'ici a la même loi qu'une attente neuve, d'où la présence de l'exponentielle dans les inter-arrivées de processus de Poisson, les modèles d'attente de désintégration radioactive et les modèles simples de fiabilité à hasard constant. Comme chaque sortie est une fonction rationnelle finie de λ seul, la procédure est entièrement déterministe : le même taux produit toujours la même moyenne, variance et écart-type, sans bruit de Monte-Carlo ni consultation de tables.

Où les moments exponentiels apparaissent dans le travail réel

Les cours d'introduction à la probabilité et à la statistique assignent sans cesse des problèmes du type : étant donné une moyenne de λ événements par heure, quelle est l'attente espérée et quelle en est la dispersion ? La recherche opérationnelle et les ébauches de files d'attente utilisent des hypothèses exponentielles d'arrivée et de service comme briques M/M ; moyenne et variance de ces attentes alimentent la planification de capacité et des arguments simples de la loi de Little avant une simulation plus lourde.

Fiabilité et survie partent souvent d'un taux de hasard constant λ, où le temps moyen jusqu'à la panne vaut un sur λ et la variance un sur λ au carré quantifie l'incertitude autour de ce MTTF sous le modèle exponentiel pur. L'analytique produit et les équipes de fiabilité de site convertissent un taux observé d'événements par minute en écart inter-événements espéré et en dispersion lors de la construction de tableaux de bord ou de seuils d'alerte.

Si plus tard vous avez besoin de la PDF ou CDF exponentielle en un point, de l'estimation du maximum de vraisemblance de λ à partir d'un échantillon, de comptages de Poisson, d'attentes géométriques en essais discrets ou d'un résumé descriptif complet d'une liste numérique, traitez-les comme des intentions de recherche et des landings séparées plutôt que de surcharger cette page de calculateur de moyenne et variance exponentielles.