
60
|
第
2
章
上面的代码使用每个时间周期内事件数量的均值为
2
的指数分布,生成
100
个随机数。
它可用于模拟平均每分钟呼入电话
0.2
次的情况下,
100
次电话的时间间隔情况(单位为
分钟)。
在针对泊松分布或指数分布的模拟研究中,一个关键假设是速率
λ
在所考虑的时间周期内
是保持不变的。从总体上看,这一假设很少是合理的。例如,公路或数据网络上的流量会
随一天中的不同时段或者一周中的不同日子而变化。但是,我们可以将时间或空间切分为
几乎同等的几个部分,这样就可以在其中做分析或模拟。
2.10.3
故障率估计
在许多应用中,事件发生率
λ
是已知的,或者可以从先验数据中估计出来。但是对于极
少发生的事件,却未必如此。例如,飞机引擎发生故障就十分罕见,所以对于指定的
引擎类型,几乎没有数据可用于估计发生故障的时间间隔。如果完全没有数据,就几乎
没有什么基础可供估计事件的发生率。然而,我们可以做一些猜测:假如经过
20
个小时
后没有发生事件,那么就可以确定事件的发生率不会是每小时一次。我们可以通过模拟
或者直接计算概率,评估不同的假设事件发生率,并估计出一个阈值(发生率不可能比
它低)。如果我们有一些数据,但是这些数据不足以对事件发生率做出准确可靠的估计,
那么这时可以应用“拟合度检验”(参见
3.9
节)检测各种发生率,以确定它们对观察数
据的拟合情况。
2.10.4
韦伯分布
在某些情况下,事件发生率并不能随时间的变化而保持恒定。如果事件的变化周期远大于
事件在一般情况下的发生间隔,并没有问题。正如
2.10.2
节中所介绍的,我们只需将分析 ...