Mam aplikację opartą na serwletach, w której mierzę czas potrzebny na ukończenie każdego żądania do tego serwletu. Już obliczam proste statystyki, takie jak średnia i maksimum; Chciałbym jednak opracować bardziej wyrafinowaną analizę i do tego celu uważam, że muszę odpowiednio modelować czasy reakcji.
Z pewnością, powiadam, czasy odpowiedzi są zgodne z dobrze znaną dystrybucją i istnieją dobre powody, by sądzić, że dystrybucja jest właściwym modelem. Nie wiem jednak, jaka powinna być ta dystrybucja.
Przychodzą mi na myśl log-normal i Gamma i możesz wykonać jeden z dopasowanych danych czasu rzeczywistego. Czy ktoś ma pogląd na to, jaką dystrybucję powinny przestrzegać czasy reakcji?
distributions
web
Sean Owen
źródło
źródło
Moje badania pokazują, że najlepszy model zależy od kilku rzeczy: 1) Czy zajmujesz się ciałem, ogonem lub jednym i drugim? Jeśli nie „oba”, modelowanie filtrowanego zestawu danych może być bardziej przydatne. 2) Czy chcesz bardzo prosty czy bardzo dokładny? tj. ile parametrów?
Jeśli odpowiedź na 1 była „zarówno”, jak i 2 była „prosta”, Pareto wydaje się działać najlepiej. W przeciwnym razie, jeśli 1 byłby „ciałem”, a 2 był „prosty” - wybierz filtrowany model erlang. Jeśli 1 było „zarówno”, jak i 2 było „dokładne”, prawdopodobnie chcesz mieć model mieszanki gaussowskiej na swoich danych w domenie dziennika - w efekcie lognormalne dopasowanie.
Ostatnio badam tę kwestię i nie znalazłem wystarczająco dobrego tematu w publicznym Internecie, więc właśnie napisałem post na blogu, w którym szczegółowo opisałem moje badania na ten temat.
źródło