Eu tenho vários resultados de teste de atraso na resposta do servidor. De acordo com nossa análise teórica, a distribuição de retardo (a função de distribuição de probabilidade do retardo de resposta) deve ter um comportamento de cauda pesada. Mas como eu poderia provar que o resultado do teste segue a distribuição de cauda pesada?
Respostas:
Não tenho certeza se estou interpretando sua pergunta corretamente. Entre em contato e posso adaptar ou excluir esta resposta. Primeiro, não provamos coisas a respeito de nossos dados, apenas mostramos que algo não é irracional. Isso pode ser feito de várias maneiras, uma das quais é através de testes estatísticos. Na minha opinião, no entanto, se você tiver uma distribuição teórica pré-especificada, a melhor abordagem é apenas fazer um gráfico qq . A maioria das pessoas pensa que os qq-plot são usados apenas para avaliar a normalidade, mas você pode plotar quantis empíricos contra qualquer distribuição teórica que possa ser especificada. Se você usa R, o pacote veicular possui uma função aumentada qq.plot ()com muitos recursos interessantes; duas que eu gosto são que você pode especificar várias distribuições teóricas diferentes além da gaussiana (por exemplo, você poderia fazer tuma alternativa de cauda mais gorda), e que isso representa uma faixa de confiança de 95%. Se você não possui uma distribuição teórica específica, mas apenas deseja ver se as caudas estão mais pesadas do que o esperado em relação ao normal, isso pode ser visto em um gráfico qq, mas às vezes pode ser difícil de reconhecer. Uma possibilidade que eu gosto é de fazer um gráfico de densidade do kernel e um qq-plot e você pode sobrepor uma curva normal nele para inicializar. O código R básico é plot(density(data)). Para um número, você pode calcular a curtosee veja se está acima do esperado. Eu não estou ciente das funções enlatadas para curtose no R, você deve codificá-lo usando as equações fornecidas na página vinculada, mas não é difícil de fazer.
kurtosisfunção que você pode usar aqui.
library(moments); apply(matrix(1:5,5,1), 1, function(p) kurtosis((1:100)^p)): observe como a curtose aumenta à medida que a cauda direita se estende sob potências mais altas.