直方图与概率剖面
提供了五种操作,用于建立一组采集值的样本分布:
- 概率密度(PDF)
- 累积分布(CDF)
- 概率质量(PMF)
- 直方图(样本分布)
- 直方图(时间分布)
- 散点图(时间连接)
每种操作都是单目操作(即只需要一个统计量作为输入),并在完成时生成一个新的单统计量面板来保存其结果。本节将描述每种操作所执行的计算。有关其使用方法,请参见“Project Editor”(第 89 页)。
概率密度函数
概率密度函数(PDF)操作可以看作前文所述 PMF 的连续等价形式。与概率质量一样,概率密度对应于输入统计量的纵坐标落在某个特定范围内的可能性;不过,密度是按所关注的区间宽度成比例评估的。因此,如果统计量的纵坐标值落在宽度为 d 的某个区间内的可能性为 0.1,而落在宽度为 d/2 的第二个区间内的可能性同样为 0.1,那么第二个区间内的概率密度就是前者的两倍。换句话说,当一小组可能的值具有较高的关联概率质量时,概率密度最高。
概率密度函数的实际定义基于这样一个事实:它在给定区间上的积分给出了与该区间相关联的概率质量。与某个区间相关联的概率质量也可以通过计算 CDF 在该区间上、下限之间的差值来获得。当区间宽度变得无穷小时,可以看出 PDF 因此就是 CDF 对结果(即纵坐标)变量的导数。
PDF 与 CDF 之间的关系实际上是 Results Browser 计算 PDF 所采用方法的基础。首先按照本节前面描述的方法计算 CDF,然后执行微分以构造 PDF。由于原始统计量数据必然是离散的,微分以近似方式进行:将与某个区间相关联的概率质量除以该区间的宽度。换句话说,两个相邻 CDF 值之差除以对应纵坐标之差。所得值被视为与该区间相关联的密度,并被放置在该区间的下限处。因此,如果一个统计量包含两个相邻的纵坐标值 y1 和 y2,则 PDF 按如下方式计算:

这种计算方法的一个直接结果是:当输入统计量具有互不相同但间距很近的纵坐标值时,PDF 可能出现极大的值,因为 (y2 - y1) 差值变得很小。因此,如果输入统计量的纵坐标值间距不均匀(即存在一些非常小的差值,同时也存在一些明显较大的差值),PDF 可能呈现“尖峰”状或不连续的外观,某些密度值远大于其他值。在这种情况下,PDF 往往不如 PMF 或直方图操作有用。
这种计算的第二个结果是:PDF 比 CDF 少一个条目,因为无法为最后一个(即最大)纵坐标值计算向前看的差值。
最后,PDF 统计量的积分(可以使用合适的过滤器计算)会产生一个在形状上与 CDF 完全相同的统计量。但是,在计算 PDF 时 CDF 的初始值丢失了,这意味着两个统计量相差一个常数。当原始统计量只有少量互不相同的纵坐标值时,这种差异尤为明显,因为 CDF 在最小纵坐标处的值至少是该数量的倒数(即这是与第一个纵坐标值相关联的概率质量)。
图 283:纵坐标间距规则与不规则时 PDF 操作的结果

累积分布函数
与概率质量函数一样,统计量的累积分布函数(CDF)与统计量纵坐标值出现的可能性有关。但 CDF 不是给出每个纵坐标出现时的概率质量,而是显示所有小于或等于某个特定纵坐标的纵坐标的累积概率质量,因此称为“累积”。当人们关注特定的纵坐标值阈值时,这种呈现形式非常有用。例如,确定收到延迟超过某个特定值的消息的可能性可能是人们关心的,因为在这种情况下,该数据包已经没有任何实际用途。事实上,在许多情况下,系统性能要求以这类概率的最大容限来表述;即“收到延迟 >= 20 ms 的数据包的概率必须不大于 0.1”。通过 CDF 生成的统计量,可以在横轴上找到阈值、在纵轴上找到对应的概率,从而方便地判断是否满足这样的要求。在本段落的示例中,一个合规的系统应表现为在 20 ms 横坐标位置处 CDF 值至少为 0.90。下图给出了在该示例条件下一个不合规系统可能的 CDF。
图 284:利用 CDF 确定低于阈值的条目比例

CDF 的计算与 PMF 的计算类似,因为都要为原始统计量中的每个纵坐标值计算比例。每个条目都被赋予相同的权重,即条目数量的倒数。因此,如果有 100 个条目,则每个条目的权重为 0.01;如果有五个条目的纵坐标值为 y,则纵坐标 y 的总概率质量为 0.05。CDF 的条目按如下方式构造:将原始统计量中互不相同的纵坐标值按递增顺序排列在横坐标上,每个这样的值对应一个条目。第一个条目的 CDF 值就是对应纵坐标的概率质量。第二个条目的 CDF 值等于第一个条目的 CDF 值加上其对应纵坐标值的概率质量,依此类推。CDF 本质上是 PMF 值的累加和。
由上述计算方法可以得出 CDF 的两个简单性质:(1) 由于每个 CDF 值都是在前一个值的基础上加上一个正的概率质量计算得到的,CDF 是单调递增的;(2) 由于所有概率质量之和必须为 1,所有 CDF 的最终值都必须为 1.0;这也符合 CDF 的定义,因为人们会期望获得小于或等于最大纵坐标值的纵坐标的可能性就是 1.0。
概率质量函数
概率质量函数(PMF)操作可以获取统计量纵坐标值的分布,其方式与样本分布直方图非常相似。虽然 PMF 也通过计数条目来度量纵坐标值出现的频率,但计数器不是按区间维护的。相反,每个互不相同的纵坐标值都被单独计数,因此只有纵坐标完全相同的条目才能合并产生更高的 PMF 值。
PMF 操作用于计算每个纵坐标值出现频率的计数器,是相对于原始统计量中条目总数归一化的。换句话说,生成的 PMF 将某个特定纵坐标值出现的频率表示为所有纵坐标值出现次数中的一个比例。因此,PMF 提供的度量可以理解为:在原始统计量的所有条目中随机选择一个条目,该条目具有某个特定纵坐标值的可能性。对于这种选择实验,选择某个特定纵坐标值的可能性有时也称为该结果的概率质量,这就是该操作名称的由来。
下面这组数据及其对应的统计量说明了 PMF 的计算。
图 285:概率质量函数的计算

互不相同的纵坐标值不按区间聚合这一事实,使得 PMF 适合应用于包含相对较少离散纵坐标值的统计量。在这种情况下,样本分布直方图可能不如 PMF 合适,原因主要有一个:如果存在的离散值间距不均匀,可能很难选择一个既能良好分离这些值、又能保证区间数量合理的直方图区间宽度。例如,考虑一个包含三个纵坐标值 0.0、0.001 和 1000.0 的统计量。为了区别地处理这些值,样本分布直方图需要一个等于相邻值之间最小差值的区间宽度,在本例中即 0.001。然而,最高值 1000.0 在这种情况下只能借助一百万个区间才能涵盖,导致样本分布直方图产生一个极其庞大的统计量。
反过来,对于包含非常多样化的纵坐标值集合的统计量,PMF 可能无法提供有价值的洞察。这是因为每个纵坐标值都被单独计数,结果就是,关于哪个纵坐标区域在统计量出现的密度上最高,几乎无从谈起。在极端情况下,如果原始统计量中的每个值都是唯一的,那么生成的 PMF 将具有恒定的值 1.0,几乎不提供任何关于值分布的直观信息。
直方图(样本分布)
统计量的样本分布直方图反映了其纵坐标值在纵轴等间距区间上的分布。纵轴从下界开始、到上界结束,被划分为 N 个互不相同的区间。默认情况下 N 为 100,但该值可以根据用户选择的区间宽度而变化。对于每个区间,样本分布直方图操作创建一个独立的计数器并初始化,用以表示条目在该区间中出现的频率。随后遍历整个统计量并分析每个条目;包含该条目纵坐标值的区间所对应的计数器加一。
该操作生成的统计量包含与 N 个区间对应的 N 个条目;由于这些区间划分的是原始统计量的纵轴,它们出现在新统计量的横轴上,而纵轴对应 N 个计数器中保存的出现频率。从这一计算过程的描述可以看出,原始统计量中的横坐标值与样本分布直方图无关。作为示例,考虑对下面这组条目计算直方图:
| 横坐标 “x” | 纵坐标 “y” |
|---|---|
| 1.0 | 1.0 |
| 2.0 | 4.0 |
| 3.0 | 1.0 |
| 4.0 | 2.0 |
| 5.0 | 1.0 |
| 6.0 | 3.0 |
| 7.0 | 4.0 |
| 8.0 | 6.0 |
| 9.0 | 1.0 |
| 10.0 | 0.0 |
该统计量的纵坐标值范围为 0.0 到 6.0,且全部为整数。默认的 100 个区间设置会产生远多于实际值数量的区间, 导致得到一个几乎为空的直方图。区间大小取 1.0 更为合理。样本分布直方图执行的计数过程由下表概括。注意,区间包含其下界但不包含其上界,因此它们在其范围内对纵轴进行了完整划分,且彼此不重叠。
| 区间 | 出现频率 |
|---|---|
| 0.0 <= y < 1.0 | 1 |
| 1.0 <= y < 2.0 | 4 |
| 2.0 <= y < 3.0 | 1 |
| 3.0 <= y < 4.0 | 1 |
| 4.0 <= y < 5.0 | 2 |
| 5.0 <= y < 6.0 | 0 |
| 6.0 <= y < 7.0 | 1 |
样本分布直方图操作生成的统计量可以很容易地从上面的频率表得到。“y” 标签现在出现在横轴上,纵轴度量出现的频率。直方图的剖面反映了变量 y 的取值范围中各区域被原始统计量占据的程度。通常,这被视为与随机选取的变量 y 的样本落在某个特定区间内的可能性直接相关。下图用示例数据说明了这一点。
图 286:y 变量的样本分布直方图

对于包含更丰富纵坐标值集合的更复杂输入统计量,样本分布直方图可以解释为密度剖面,显示纵坐标值集中于何处。
下图展示了样本分布直方图的这种解释。
图 287:显示输入统计量密度剖面的样本分布直方图

直方图(时间分布)
时间分布直方图与样本分布直方图类似,因为它们都为统计量的纵坐标值建立剖面。所得剖面显示统计量的纵坐标值落在特定范围内的频繁程度。因此,该操作以与样本分布直方图相同的方式将纵轴划分为区间。但时间分布直方图不是以落入每个区间的条目数量作为频率的度量,而是基于统计量在各区间内“停留的时间”。换句话说,纵坐标值仍然是直方图的基础,但每个条目的加权方式不同:样本分布直方图以系数 1.0 为每个条目加权;时间分布直方图以该条目的横坐标值与下一个条目的横坐标值之差为每个条目加权。
时间分布直方图的计算方式与样本分布直方图大体相同,只是对每个区间使用一个累加器来汇总横坐标区间的宽度。下面的示例展示了对一组特定数据的计算过程。注意,其纵坐标值与上一节样本分布直方图示例中使用的完全相同;只有横坐标发生了变化。由于样本分布直方图对横坐标值不敏感,该统计量的结果将与上一节所示的结果完全相同。因此,这里所示的结果可以用来对比两种直方图方法的行为。
| 横坐标 “x” | 纵坐标 “y” |
|---|---|
| 1.0 | 1.0 |
| 1.5 | 4.0 |
| 3.0 | 1.0 |
| 3.25 | 2.0 |
| 4.0 | 1.0 |
| 5.25 | 3.0 |
| 7.0 | 4.0 |
| 7.75 | 6.0 |
| 8.0 | 1.0 |
| 8.5 | 0.0 |
| 9.0 | end-of-statistic |
该统计量的纵坐标值范围为 0.0 到 6.0,且全部为整数。默认的 100 个区间设置会产生远多于实际值数量的区间, 导致得到一个几乎为空的直方图。因此区间大小取 1.0 更为合理。时间分布直方图执行的计算由下表概括。对每个区间维护一个累加器变量,用以计算统计量的纵坐标落在该区间内的横坐标总跨度。注意,区间包含其下界但不包含其上界,因此它们在其范围内对纵轴进行了完整划分,且彼此不重叠。
| 区间 | 横坐标跨度累加器 |
|---|---|
| 0.0 <= y < 1.0 | 0.5 |
| 1.0 <= y < 2.0 | 2.5 |
| 2.0 <= y < 3.0 | 0.75 |
| 3.0 <= y < 4.0 | 1.75 |
| 4.0 <= y < 5.0 | 2.25 |
| 5.0 <= y < 6.0 | 0.0 |
| 6.0 <= y < 7.0 | 0.25 |
图 288:y 变量的时间分布直方图

时间分布直方图与样本分布直方图的比较
对于某些输入统计量,时间分布直方图产生的结果与样本分布直方图的剖面非常相似。特别是,对于横坐标值等间距分布的输入统计量(如上一节的示例),两个直方图的形状完全相同(注意,直方图中显示的数值不一定相同,因为横坐标值可能以 1.0 以外的值等间距分布)。然而,对于条目横坐标值间距不均匀的情况,两种方法的结果可能差异显著。
通常,时间分布直方图最适合度量表示状态信息的量的统计量。对于这类量,统计量的条目仅仅是在所有时刻都有定义的某个统计量的采样。这类量的例子包括队列大小,以及信道的平均利用率,两者都随时间测量。就队列大小而言,时间分布直方图表示队列大小实际保持某个特定值或落在某个值范围内的时间量;类似地,对于平均信道利用率,时间分布直方图指示该统计量落在所选区间内的总持续时间。
相比之下,样本分布直方图更适合瞬时测量的量,例如与接收消息相关的延迟,以及传输数据包中的错误率。这类统计量往往刻画特定事件的发生,其发生频率可以被计数。因此,样本分布直方图适合指示有多少消息经历了某个特定水平的延迟,而不论这些延迟是何时测量的。然而,将样本分布直方图应用于队列大小统计量实际上只指示队列大小变化到某个新大小的次数;这并不能确定地给出在某个特定大小处找到队列的频率。
散点图(时间连接)
Results Browser 的时间连接操作接受两个统计量和/或向量作为输入,创建一个新的统计量来显示二者之间的关系(或缺乏关系)。所选第一个统计量的纵坐标变量成为新统计量的横坐标变量;第二个统计量的纵坐标变量被映射为新统计量的纵坐标变量。两个统计量的横坐标变量被假定(但未加验证)是相同的,并成为用于关联两个输入统计量的隐含参数。
该操作使用简单的机制来创建新统计量的条目。对于第一个统计量中的每个条目,在第二个统计量中查找横坐标相等的条目;如果找不到完全匹配的条目,则选择横坐标值较小的最近条目。这一对条目各自的纵坐标值用于构成新统计量的一条条目(即第一个条目的纵坐标成为新条目的横坐标,第二个条目的纵坐标成为新条目的纵坐标)。
该操作生成的散点图统计量显示了两个输入统计量之间基于其横坐标变量的可能相关性。通常,生成的统计量使用离散绘制样式查看,表现为一团点。如果这团点相对无形状,每个横坐标对应许多纵坐标,反之亦然,那么可以认为两个输入统计量之间没有强相关性。否则,散点图统计量提供了一种映射,指示两个输入统计量的纵坐标变量之间的依赖关系,或对某一个或多个其他因素的相关依赖。下面的散点图给出了该操作对相关与不相关输入统计量对的结果示例。
图 289:散点图示例
