Obserwuję czasy przetwarzania procesu przed i po zmianie, aby dowiedzieć się, czy proces poprawił się przez zmianę. Proces poprawił się, jeśli czas przetwarzania został skrócony. Rozkład czasu przetwarzania jest gruby, dlatego porównanie na podstawie średniej nie jest rozsądne. Zamiast tego chciałbym wiedzieć, czy prawdopodobieństwo zaobserwowania krótszego czasu przetwarzania po zmianie znacznie przekracza 50%.
Niech będzie zmienną losową dla czasu przetwarzania po zmianie, a poprzednią. Jeśli jest znacznie powyżej , to powiedziałbym, że proces się poprawił.Y P ( X < Y ) 0,5
Teraz mam obserwacje z i obserwacje z . Obserwowana prawdopodobieństwa jest .x i X m y j YP = 1
Co mogę powiedzieć o dana uwagi i ?x i y j
źródło
@jbowman zapewnia (ładne) standardowe rozwiązanie problemu oszacowania który jest znany jako model wytrzymałości na stres .θ = P( X< Y)
Inną nieparametryczną alternatywę zaproponowano w Baklizi i Eidous (2006) dla przypadku, w którym i są niezależne. Jest to opisane poniżej.YX Y
Z definicji mamy to
gdzie jest CDF i jest gęstością . Następnie, przy użyciu próbek i można uzyskać jądra estymatory o i i konsekwentnie i estymator X f Y Y X Y F X f Y θfaX X faY Y X Y faX faY θ
Jest to zaimplementowane w następującym kodzie R przy użyciu jądra Gaussa.
Aby uzyskać przedział ufności dla , możesz pobrać próbkę ładowania tego estymatora w następujący sposób.θ
Można również rozważyć inne rodzaje interwałów ładowania.
źródło
źródło