我有类似“每周在 20 摄氏度的故障概率为 3.5%”这样的声明描述的系统，我该如何模拟这样的系统？
我想到的模拟应该回答诸如“13 天内会发生多少失败？”之类的问题。
例如，模拟应该产生如下表：
timestamp,number of failures at the timestamp
2015-01-16T07:00:00Z,0
2015-01-17T07:00:00Z,0
2015-01-18T07:00:00Z,0
2015-01-19T07:00:00Z,1
2015-01-20T07:00:00Z,1
2015-01-21T07:00:00Z,1
2015-01-22T07:00:00Z,2
我想在 R 中模拟这样的系统，可能使用泊松分布，但我不知道如何开始，我认为它应该很简单，但也许我真的错过了一些基本背景，你可以建议一个例子或教程？
首先考虑我们只有一台机器的情况。我们将不得不做出一些假设，一个常见且简单的假设是将故障时间建模为指数分布。这意味着故障率是恒定的（在时间 t 和 t+1 之间的故障概率，给定到时间 t 的生存对于所有 t 都是恒定的）（有关更多信息，请参见 wiki）。
失效时间，我们用表示，其中 t 表示时间，以天为单位。我们首先需要找到，因为我们知道一周内失败的概率是 3.5%，所以我们得到： 。解决这个问题，我们得到。
现在为了模拟台机器随着时间的推移发生的故障，我们可以个样本。这将在几天内为您提供台机器的故障时间。
似乎您不需要比每天更频繁的信息，因此最明显的方法是计算每天失败次数的分布，然后从中进行模拟。
或者，您可以模拟指数的事件间时间并从那里开始。如果您需要该级别的信息，这将提供日内精确度。
“13天会发生多少次失败？”
你可以在没有模拟的情况下解决这个问题。要通过每日模拟来做到这一点，您可以多次模拟 13 天的集合并保持模拟的值分布。
这在 R 中非常容易。