输入数据收集与分析-CSDN博客

本文链接：https://blog.csdn.net/dcjszhr/article/details/136215161

引言
收集原始数据
识别分布
估计参数
拟合优度检验
在没有数据的情况下选择输入模型
一些经验规则
常见分布

引言

输入数据为模拟模型提供了动力
输入变量在模型构建步骤中被识别，现在我们的任务是为这些输入变量开发模型
我们通常有一些关于系统输入的经验数据，如到达时间和服务时间等
理想情况下，我们希望能将这些经验数据与一个已知分布相拟合，并使用随机变量生成器为模拟实验产生样本
问题在于如何识别一个代表输入数据的概率分布

开发输入数据模型有四个步骤：

数据收集（原始数据）
识别潜在的统计分布
估计参数
拟合优度测试

1. 收集原始数据

收集待模拟系统的数据是一项繁琐且不引人注目的任务，但收集到的数据构成了整个模拟项目的基础。
数据应该代表被模拟的系统。
数据收集的艺术与科学！

2. 识别潜在的统计分布

这一步的目的是将大量数据简化为少数几个描述符，从而揭示数据的特征，这些特征可能不会直接显现。
频率分布或直方图有助于识别分布的形状。
准备直方图的目的是推断已知的概率密度函数（pdf）或概率质量函数（pmf）。
类间隔的数量取决于观测值的数量和数据的离散程度。
作为经验规则，我们选择：

如果直方图与离散数据相关联，它应该看起来像一个pmf。对于连续数据，直方图中每个类间隔频率的中心点穿过的线对应于其pdf。
假定分布的选择应尽可能基于生成数据的物理过程的属性，以及直方图的形状。
使用已知（理论）分布函数的优势在于它提供了比观测值更多的关于潜在总体的信息。
但如果没有理由假设给定的理论分布是适当的，那么可以使用直接从观测值得到的经验分布。

3. 估计参数

在做出分布假设之后，下一步是估计分布的参数。
我们计算样本均值（如有必要，还有样本方差）以估计假设（假定）分布的参数。
如果样本大小为n的观测值是X1, X2, …, Xn。

i. 对于离散和连续原始数据：样本均值，样本方差，

ii. 对于分组数据（数据是离散的并且在分布中分组）：

其中k是X的不同值的数量， $f_j$ 是 $X_j$ 值的观测频率

iii. 对于已放置在类间隔中的离散或连续数据：

其中 $f_j$ 是第j个类间隔中的观测频率， $m_j$ 是第j个间隔的中点，c是类间隔的数量。

需要分布参数的数值估计（通常是均值/方差）以将分布假设具体化为特定分布并测试结果假设。
表中显示了模拟中常用分布的一些建议估计器（基于原始数据）。

对于基于原始数据的建议估计器，

我们将使用最大似然估计器。这些估计器基于原始数据或分组数据来计算。

分组数据（在频率分布中分组的数据）

例如，5分钟时间段内的到达数量。

当原始数据不可用时，如果数据已经放置在类间隔中，我们会使用近似值。

示例（均匀分布）：

一个间谍试图确定敌方军队中的坦克数量。敌人给每辆坦克标上一个数字。最低数字是100，数字从100按顺序增加到某个未知的最大值，100+b。间谍观察了一天路口穿过的坦克，并观察到以下编号： 1783, 1522, 920, 587, 3653, 146, 2937, 1492, 736, 372, 3104, 3535 估计敌军中的坦克数量。我们可以假设观察值构成了从连续均匀分布[100, 100+b]的随机样本。注意，数据是离散的。

敌军中坦克的预期数量可以通过均匀分布[0, b]上的参数来近似。因此，我们可以使用最大观察到的标号来估计参数b，并进而估计坦克总数。如果3653是观察到的最大编号，那么我们可以假设坦克总数接近这个数字，尽管实际的估计方法可能会更复杂，考虑到可能存在未观察到的编号。

示例（指数分布）：

对50个PDP-II电子芯片进行了随机样本的寿命测试，这些芯片的电压是名义电压的1.5倍，记录了它们的寿命（或故障时间）天数：

79.919 3.081 0.062 1.961 5.845

3.027 6.505 0.021 0.013 0.123

6.769 59.899 1.192 34.760 5.009

18.387 0.141 43.565 24.420 0.433

144.695 2.663 17.967 0.091 9.003

0.941 0.878 3.371 2.157 7.579

0.624 5.380 3.148 7.078 23.960

0.590 1.928 0.300 0.002 0.543

7.004 31.764 1.005 1.147 0.219

3.217 14.382 1.008 2.336 4.562

假设数据来自指数分布，计算参数估计。

对于指数分布，参数 $\hat{\lambda }$ 的估计可以通过样本的倒数平均值来计算。具体来说， $\hat{\lambda }$ 的估计器是样本平均值的倒数，其中 $\bar{X}$ 是样本的平均寿命。让我们计算这个参数估计。

样本的平均寿命为11.89348天，因此指数分布参数（ $\hat{\lambda }$ ）的估计值为0.08408。这意味着，基于给定的数据和假设该数据来自指数分布，我们可以认为电子芯片在名义电压的1.5倍下平均每天故障的概率大约为0.08408。

4. 拟合优度检验

假设检验（包括卡方检验和Kolmogorov-Smirnov检验）被用来假设输入数据的分布形式。

i. 卡方检验

用于检验随机变量X的大小为n的随机样本是否遵循特定的分布形式。假设如下：

H0: 随机变量X符合参数由参数估计器给出的分布假设。
H1: 随机变量X不符合。

测试统计量由下式给出： $X^2 = \sum_{i=1}^{k} \frac{(O_i - E_i)^2}{E_i}$ 其中

k = 类间隔数量
$O_i$ = 第i个类间隔中的观测频率
$E_i$ = 第i个类间隔中的期望频率
临界值 $X^2_{\alpha, k-s-1}$ 在表中找到。
如果 $X^2_0 > X^2_{\alpha, k-s-1}$ ，则拒绝零假设 $H_0$ 。
- $\alpha$ = 显著性水平，
- $k-s-1$ = 自由度，
- $s$ = 假设分布的参数数量。
如果正在测试连续分布假设，则应使用等概率而非等宽度的类间隔。
注意：如果数据以类间隔收集，原始数据已被丢弃或遗失，则此测试不适用。

卡方检验依赖于观测值和期望值之间的比较，以判断一个特定的分布是否适合用来描述这些数据。当数据被分组到类间隔中时，每个间隔的观测频率（ $O_i$ ）与该间隔的期望频率（ $E_i$ ）之间的差异用于计算卡方统计量。如果只有分组后的数据，而没有每个数据点的具体值，那么计算出的期望频率可能不够准确，因为分组过程可能会丢失一些重要信息。例如，分组可能会隐藏数据内的某些模式或特征，这些模式或特征在未分组的原始数据中可能更为明显。

此外，选择类间隔的方式（如它们的宽度和边界）也可能对卡方检验的结果产生影响。如果类间隔是基于等概率而非等宽度来选择的，那么每个间隔中的数据点数可能会更均匀，这有助于提高检验的准确性。但是，如果原始数据丢失，我们无法重新分析或调整这些间隔以优化检验结果。

因此，具有相等概率的类间隔数量由 $k\leq \frac{n}{5}$ 给出。(因为 $P_i=\frac{1}{k} \ \ and \ \ E_i=np_i\geq 5$ )
连续数据建议的类间隔数量如下：

例如，将卡方检验应用于泊松假设（离散分布）

每 5 分钟到达的车辆数量如下如下所示：

数据看起来符合泊松分布。因此，参数估计器， $\hat{a} =3.64 \ \ \ (\hat{a}=\bar{X})$

为了测试拟合优度，形成了以下假设：

H0: 随机变量符合泊松分布。
H1: 随机变量不符合泊松分布。

因为 $X^2_0 > X_{0.05, 5^2}$ ，零假设被拒绝。必须找到更适合的分布，或者使用数据的经验分布。

示例：卡方检验应用于指数分布（连续分布）

对PDP II芯片的故障数据（前面的例子）进行分析。数据的直方图看起来遵循指数分布，参数为 $\hat{\lambda} =\frac{1}{\bar{X}}=0.084$ 。测试拟合优度。

等概率的类间隔的端点必须确定 $k\leq \frac{n}{5}$ 。因此，对于n = 50，k ≤ 10。如果我们设定k = 8，则每个间隔的概率为r = 0.125 (1/k)。

自由度： $k-s-1 = 8-1-1 = 6$

$X^2_{\alpha=0.05, k=6} = 12.6$ 因为 $X^2_0 > X^2_{0.05,6}$ ，零假设被拒绝。

警告：卡方检验要求数据被分置于类间隔中（在连续分布假设中，分组是任意的）。因此，当数据以一种方式分组时，假设可能被接受，但当以另一种方式分组时，假设可能被拒绝。

ii. Kolmogorov-Smirnov检验

K-S检验在样本量小且没有从数据中估计参数时特别有用。
这个测试的基本技术是确定收集的样本数据的累积分布函数 Sn(X) 与假设的总体分布 F(X) 之间的差异。
当分布假设被拒绝时，尝试另一个分布。
当所有其他方法都失败时，可以使用经验分布。

示例

收集了20个随机变量值的随机样本（如下所列）。样本的潜在分布被假设为指数分布，平均值估计为1.0。使用K-S检验来测试拟合优度。

0.01, 0.11, 0.20, 0.33, 0.36, 0.38, 0.46, 0.58, 0.87, 1.07,

1.07, 1.20, 1.91, 2.01, 2.27, 2.84, 3.10, 3.92, 4.65, 4.74

λ=1, N=20

因此： $H_0 : F(x)=1-e^{-x}$ ; $H_1 : F(x)\neq 1-e^{-x}$

在没有数据的情况下选择输入模型

有时我们需要在没有任何数据的情况下开发一个模拟模型。
建模者必须仔细选择输入模型，并检查结果对所选模型的敏感性。
即使数据不可用，也有几种方法可以获取有关过程的信息：
- 工程数据：来自制造商提供的产品性能评级（例如，激光打印机每分钟可打印8页）。
- 专家意见：与有经验的过程或类似过程的人交谈。
- 物理或常规限制：大多数真实过程在性能上有物理限制。
- 过程的性质：可以用来证明特定分布的合理性。

一些经验规则

需要的估计越少越好。
如果一个“服务”包含几个大小大致相同的简单任务，并且是顺序的，“服务”时间可以用正态分布来近似。
如果大量低速输入过程被组合，组合过程大致是泊松的。
n个独立的泊松过程的组合，每个过程的平均值为 λi（对于 1≤ i ≤ n），也是泊松的，其平均值为 $\sum_{i=1}^n\lambda_i$ 。
泊松流分裂成n个流，如果一个泊松流的速率为 λ 分裂成n个流，路由概率为 P1,P2,…,Pn，则流i是泊松的，速率为 Piλ（对于 1 ≤ i ≤ n）。
如果输入不独立，到达过程不太可能是正态或泊松的。
服务时间分布通常是以下之一：
- 指数
- 埃朗（Erlangian）: 埃朗分布当形状参数 k=1 时简化为指数分布。它是伽玛分布的一个特例。它是k个独立指数变量之和的分布，每个变量的平均值为 1/λ。
- 超指数 - 在多类模型中出现，其中每个客户类都是指数的，具有自己的平均值。超指数分布是一个连续概率分布，其随机变量X的概率密度函数由给定， $f_X(x)=\sum_{i=1}^k f_{Yi}(x)pi$ 其中每个 Yi 是一个具有速率参数 λi 的指数分布随机变量，pi 是X将采用速率 λi 的指数分布的概率。
如果假设指数分布但发现不符合数据，如果不符合的原因在于分布的某一尾部，也许伽玛或威布尔分布会更适合数据。( 注意伽玛和威布尔分布提供了广泛的形状选择。)