ฉันสงสัยว่ามีวิธีที่จะบอกความน่าจะเป็นของสิ่งที่ล้มเหลว (ผลิตภัณฑ์) ถ้าเรามีผลิตภัณฑ์ 100,000 รายการในเขตข้อมูลเป็นเวลา 1 ปีและไม่มีความล้มเหลวหรือไม่? ความน่าจะเป็นที่ผลิตภัณฑ์หนึ่งใน 10,000 รายการที่ขายไปนั้นล้มเหลวคืออะไร
ฉันสงสัยว่ามีวิธีที่จะบอกความน่าจะเป็นของสิ่งที่ล้มเหลว (ผลิตภัณฑ์) ถ้าเรามีผลิตภัณฑ์ 100,000 รายการในเขตข้อมูลเป็นเวลา 1 ปีและไม่มีความล้มเหลวหรือไม่? ความน่าจะเป็นที่ผลิตภัณฑ์หนึ่งใน 10,000 รายการที่ขายไปนั้นล้มเหลวคืออะไร
คำตอบ:
ความน่าจะเป็นที่ผลิตภัณฑ์จะล้มเหลวนั้นเป็นหน้าที่ของเวลาและการใช้งาน เราไม่มีข้อมูลเกี่ยวกับการใช้งานและมีเพียงหนึ่งปีเท่านั้นที่ไม่มีข้อผิดพลาด (ขอแสดงความยินดี!) ดังนั้นลักษณะนี้ (เรียกว่าฟังก์ชันการอยู่รอด ) ไม่สามารถประเมินได้จากข้อมูลของคุณ
คุณสามารถคิดของความล้มเหลวภายในหนึ่งปีดึงจากการกระจายทวินามอย่างไร คุณยังไม่มีความล้มเหลว แต่ตอนนี้เป็นปัญหาที่พบบ่อย วิธีแก้ปัญหาง่ายๆคือใช้กฎ 3ซึ่งมีความถูกต้องกับขนาดใหญ่(ซึ่งคุณมีอย่างแน่นอน) โดยเฉพาะคุณจะได้รับขอบเขตบนของด้านเดียว 95% ช่วงความเชื่อมั่น (เช่นขอบเขตที่ต่ำเป็น0 ) บนความน่าจะเป็นความจริงของความล้มเหลวภายในหนึ่งปี3 / N ในกรณีของคุณคุณเป็น 95% มั่นใจว่าเป็นอัตราที่น้อยกว่า0.00003
คุณยังถามถึงวิธีการคำนวณความน่าจะเป็นที่ 10k หนึ่งตัวหรือมากกว่านั้นล้มเหลว วิธีที่ง่ายและรวดเร็ว (แม้ว่าสุดขีด) เพื่อขยายการวิเคราะห์ข้างต้นคือการใช้ขอบเขตบนเป็นความน่าจะเป็นพื้นฐานและใช้ binomial CDF ที่สอดคล้องกันเพื่อรับความน่าจะเป็นที่จะไม่มีความล้มเหลว การใช้รหัสเราสามารถทำได้: ซึ่งให้โอกาสในการเห็นความล้มเหลวอย่างน้อยหนึ่งรายการในผลิตภัณฑ์ 10k ถัดไป โดยมีการใช้ที่ถูกผูกไว้ด้านบนนี้ไม่ได้ประมาณการจุดที่ดีที่สุดของความน่าจะเป็นของการมีอย่างน้อยหนึ่งความล้มเหลวมากกว่าที่คุณสามารถพูดได้ว่ามันไม่น่าเป็นไปได้มากว่าน่าจะเป็นของ≥ 1ความล้มเหลวเป็นมากกว่า≈ 26 %R
1-pbinom(0, size=10000, prob=0.00003)
0.2591851
(รับรู้ว่านี่เป็นกรอบที่ค่อนข้าง 'มือหยัก') เป็นไปได้ก็คือการใช้@ ข้อเสนอแนะของอะมีบาของประมาณการจากกฎเลซของความสำเร็จ กฎของการสืบทอดนั้นระบุว่าความน่าจะเป็นของความล้มเหลวโดยประมาณคือโดยที่Fคือจำนวนความล้มเหลว ในกรณีที่ P = 9.9998 × 10 - 06และการคำนวณสำหรับความน่าจะเป็นที่คาดการณ์ของ1 +ความล้มเหลวใน 10,000 ต่อไปคือการยอมหรือ1-pbinom(0, size=10000, prob=9.9998e-06)
0.09516122
%
คุณสามารถใช้วิธีการแบบเบส์ แสดงถึงความน่าจะเป็นของความล้มเหลวโดยและคิดว่ามันเป็นตัวแปรสุ่ม เบื้องต้นก่อนที่คุณจะเห็นผลของการทดลองที่คุณอาจเชื่อว่าΘ ~ U ( 0 , 1 ) ถ้าคุณเชื่อถือวิศวกรที่จะทำให้ผลิตภัณฑ์นี้มีความน่าเชื่อถืออาจจะคุณสามารถใช้Θ ~ U ( 0 , 0.1 )หรือดังนั้น ขึ้นอยู่กับคุณ จากนั้นคุณสามารถใช้ทฤษฎีบทของเบย์ในการคำนวณการกระจายหลังของθ แสดงว่ากรณีที่คุณสังเกต ( nทดลองกับศูนย์ความล้มเหลว)
ทุกอย่างง่าย:Θมีความสม่ำเสมอดังนั้นp(θ)จึงมีค่าคงที่ ตั้งแต่คุณเรียกnทดลองP(|θ)เป็นเพียงน่าจะเป็นของที่ไม่มีความล้มเหลวในnทดลอง bernouli กับความน่าจะเป็นของความล้มเหลวθ
เมื่อคุณมีคุณเป็นทองคำ: คุณสามารถคำนวณความน่าจะเป็นของเหตุการณ์Bใด ๆโดยการรวม: P ( B ) = ∫ p ( B | θ ) p ( θ | A ) d θ
ด้านล่างฉันทำงานผ่านโซลูชันอย่างละเอียดโดยทำตามวิธีข้างต้น ฉันจะใช้ทางลัดมาตรฐานเล็กน้อย
ให้ก่อนที่จะ ) จากนั้น: P ( θ | ) α พี( | θ ) ⋅ 1 = ( 1 - θ ) n ค่าคงที่การทำให้เป็นมาตรฐานp ( A ) = ∫ p ( A | θ ) p ( θ ) d θพบว่าเป็นB ( 1 , n
แสดงว่าน่าจะเป็นของความล้มเหลวในไม่มีผลิตภัณฑ์ในปีถัดไปโดยB น่าจะเป็นของอย่างน้อยหนึ่งความล้มเหลวคือ1 - P ( B ) จากนั้น 1 - P ( B ) = 1 - ∫ ( 1 - θ ) m ( 1 - θ ) n
ซึ่งเป็นประมาณโดยใช้n = 100 , 000 , M = 10 , 000 ไม่น่าประทับใจมาก? ฉันใช้การแจกแจงแบบสม่ำเสมอบนความน่าจะเป็นของความล้มเหลว บางทีคุณอาจมีความเชื่อมั่นในวิศวกรของคุณก่อนดีกว่า
แทนที่จะคำนวณความน่าจะเป็นทำไมไม่คาดการณ์ว่าจะมีผลิตภัณฑ์กี่รายการที่ล้มเหลว
มีผลิตภัณฑ์ในฟิลด์และอีกm = 10,000ภายใต้การพิจารณา สมมติความล้มเหลวของพวกเขาทุกคนเป็นอิสระและอย่างต่อเนื่องกับความน่าจะเป็นพี
เราอาจจะจำลองสถานการณ์นี้โดยวิธีการของการทดลองทวินาม: ออกจากกล่องของตั๋วที่มีสัดส่วนที่ไม่รู้จักของตั๋ว "ความล้มเหลว" และ1 - พี "ความสำเร็จ" ตั๋ววาดม. + n = 110000ตั๋ว (ด้วยการเปลี่ยนเพื่อให้ โอกาสของความล้มเหลวยังคงเหมือนเดิม) นับความล้มเหลวในหมู่แรกnตั๋ว - ปล่อยให้ที่จะX --and นับความล้มเหลวในหมู่ที่เหลือเมตรตั๋วเรียกว่าY
โดยหลักการแล้วและ0 ≤ Y ≤ mอาจเป็นอะไรก็ได้ สิ่งที่เรามีความสนใจในโอกาสที่Y = u ที่ได้รับว่าX + Y = U (กับยูจำนวนใด ๆ ใน{ 0 , 1 , ... , ม. } ) เนื่องจากความล้มเหลวอาจเกิดขึ้นได้ทุกที่ในตั๋วn + mทุกรูปแบบที่เป็นไปได้ที่มีโอกาสเท่ากันจึงพบได้โดยการหารจำนวนของu -subsets ของ things ตามจำนวนของu -subsets ของn + mสิ่งของทั้งหมด:
สูตรเทียบเคียงสามารถนำมาใช้ในการคำนวณเมื่อ
บนขีด จำกัด ของการทำนาย (UPL) สำหรับจำนวนของความล้มเหลวในช่วงที่ผ่านมาตั๋วเสื้อα ( X ; n , ม. )มอบให้โดยที่เล็กที่สุดU (ขึ้นอยู่กับX ) ซึ่งP ( U ; n , เมตร) ≤อัลฟ่า
UPL ก็ควรจะตีความในแง่ของความเสี่ยงของการใช้ , ประเมินก่อนที่ทั้งXหรือYเป็นที่สังเกต กล่าวอีกนัยหนึ่งสมมติว่าเป็นหนึ่งปีที่ผ่านมาและคุณจะถูกขอให้แนะนำขั้นตอนการคาดการณ์จำนวนความล้มเหลวในผลิตภัณฑ์mถัดไปเมื่อสังเกตเห็นnแรก ลูกค้าของคุณถาม
มีโอกาสที่ขั้นตอนของคุณจะต่ำกว่าคืออะไร? ฉันไม่ได้ตั้งใจในอนาคตหลังจากที่คุณมีข้อมูลมากขึ้น ฉันหมายถึงตอนนี้เพราะฉันต้องตัดสินใจตอนนี้และโอกาสเดียวที่ฉันจะมีให้ฉันคือคนที่สามารถคำนวณได้ในขณะนี้ "
คำตอบของคุณสามารถ
ตอนนี้มีโอกาสที่จะไม่มีมากกว่าแต่ถ้าคุณวางแผนที่จะใช้การคาดคะเนขนาดเล็กมีโอกาสที่จะเกินα
สำหรับ , m = 10 4และX = 0เราอาจคำนวณได้
ดังนั้นเมื่อมีการตั้งข้อสังเกต ,
นานถึงเชื่อมั่น (นั่นคือเมื่อ9.1 % ≤ α ) คาดการณ์มีมากที่สุดเสื้อα ( 0 ; n , ม. ) = 1ความล้มเหลวในครั้งต่อไป10 , 000ผลิตภัณฑ์
ได้ถึงเชื่อมั่น (นั่นคือเมื่อ0.8 % ≤ α < 9.1 % ) คาดการณ์มีมากที่สุดเสื้อα ( 0 ; n , ม. ) = 2ความล้มเหลวในครั้งต่อไป10 , 000ผลิตภัณฑ์
เป็นต้น
วิธีการนี้จะใช้เมื่อใดและทำไม สมมติว่า บริษัท ของคุณสร้างผลิตภัณฑ์ที่แตกต่างกันมากมาย หลังจากสังเกตประสิทธิภาพของของแต่ละคนในสนามมันก็ชอบที่จะสร้างหลักประกันเช่น "เสร็จสมบูรณ์โดยไม่มีค่าใช้จ่ายแทนความล้มเหลวใด ๆ ภายในหนึ่งปี" ด้วยการ จำกัด การคาดการณ์สำหรับจำนวนความล้มเหลวคุณสามารถควบคุมค่าใช้จ่ายทั้งหมดในการรับประกันการรับประกันเหล่านั้นได้ เนื่องจากคุณสร้างผลิตภัณฑ์จำนวนมากและคาดว่าจะเกิดความล้มเหลวเนื่องจากสถานการณ์สุ่มที่อยู่นอกเหนือการควบคุมของคุณประสบการณ์ของแต่ละผลิตภัณฑ์จะเป็นอิสระ มันสมเหตุสมผลที่จะควบคุมความเสี่ยงของคุณในระยะยาว. บางครั้งคุณอาจต้องจ่ายค่าสินไหมทดแทนมากกว่าที่คาดไว้ แต่ส่วนใหญ่คุณจะจ่ายน้อยลง หากการจ่ายเงินมากกว่าที่ประกาศอาจเป็นการทำลายคุณจะตั้งค่าให้เล็กมาก (และคุณน่าจะใช้โมเดลความล้มเหลวที่ซับซ้อนยิ่งขึ้นเช่นกัน!) มิฉะนั้นหากค่าใช้จ่ายน้อยคุณสามารถใช้ชีวิตด้วยความมั่นใจต่ำ (สูงα ) การคำนวณเหล่านี้แสดงให้เห็นถึงวิธีการสร้างสมดุลระหว่างความมั่นใจและความเสี่ยง
โปรดทราบว่าเราไม่ได้มีการคำนวณขั้นตอนเต็มเสื้อเรารอจนกว่าจะสังเกตXแล้วจึงทำการคำนวณสำหรับX นั้น (ที่นี่X = 0 ) ดังที่แสดงไว้ด้านบน โดยหลักการแล้วเราสามารถทำการคำนวณค่าXที่เป็นไปได้ทั้งหมดตั้งแต่เริ่มแรก
วิธีการแบบเบย์ (อธิบายในคำตอบอื่น ๆ ) เป็นสิ่งที่น่าดึงดูดและจะทำงานได้ดีหากผลลัพธ์ไม่ได้ขึ้นอยู่กับก่อนหน้านี้อย่างมาก น่าเสียดายที่เมื่ออัตราความล้มเหลวต่ำมากจนมีการสังเกตน้อย (หรือไม่มีความล้มเหลว) ผลลัพธ์จะอ่อนไหวต่อตัวเลือกก่อนหน้า
ต่อไปนี้เป็นคำตอบแบบเบย์ต่อ "ผลิตภัณฑ์ใหม่ 10,000 รายการมีกี่รายการที่คาดว่าจะล้มเหลวหากผลิตในอดีต 100,000 รายการไม่ได้ล้มเหลว" แต่คุณควรพิจารณาความไวต่อนักบวชที่แตกต่างกัน
สมมติว่ามีความเป็นอิสระและมีการแจกแจงแบบมีเงื่อนไขซึ่งได้รับΘ = θเช่นนั้นและใช้ผันก่อน Θ ~ บีอีที ( , ข)มี , B > 0
สำหรับเรามี E [ n ∑ i = m + 1 X i
สำหรับเรามี E [ X i ∣ X 1 = 0 , … X m = 0 ]
เสียบหมายเลขของคุณด้วยเครื่องแบบก่อนหน้า ( ) คุณคาดว่าอัตราความล้มเหลวรอบ 10 %ในขณะที่ฟรีย์เหมือนก่อน ( = 1 / 2 , B = 1 / 2 ) ช่วยให้คุณมีความล้มเหลว อัตราใกล้เคียงกับ 5 %
การคาดการณ์แบบคาดการณ์นี้ดูเหมือนจะไม่เป็นบทสรุปที่ดีเนื่องจากการกระจายการทำนายนั้นเบ้อย่างมาก เราสามารถไปต่อและคำนวณการกระจายการทำนาย ตั้งแต่ ปรับสภาพตามที่เราทำก่อนที่เราจะมี Pr ( n ∑ i = m + 1 X i = t
ฉันจะจบการคำนวณช่วงเวลาภายหลัง
ด้วยวิธีการแก้ปัญหาพระอาทิตย์ขึ้นของ Laplace เราได้รับความน่าจะเป็นที่ผลิตภัณฑ์จะล้มเหลวภายในหนึ่งปี 1 ถัดไปความน่าจะเป็นที่nผลิตภัณฑ์ใหม่ที่ไม่มีล้มเหลวภายในหนึ่งปีคือ(1-p)n ดังนั้นความน่าจะเป็นที่ผลิตภัณฑ์อย่างน้อยหนึ่งรายการของnจะล้มเหลวในปีหน้าคือ1-(1- 1
แน่นอนคุณควรอัปเดตข้อมูลของคุณในขณะที่มีการขายผลิตภัณฑ์เพิ่มมากขึ้นและในที่สุดจะเกิดข้อผิดพลาด
มีคำตอบที่ดีหลายข้อสำหรับคำถามนี้ แต่เมื่อไม่นานมานี้ฉันมีโอกาสตรวจทานแหล่งข้อมูลเพียงเล็กน้อยในหัวข้อนี้และดังนั้นฉันจึงตัดสินใจที่จะแบ่งปันผลลัพธ์
การประมาณการดังกล่าวค่อนข้างน่าพอใจเนื่องจากข้อเท็จจริงที่ว่าเราสังเกตว่าไม่มีความล้มเหลวในตัวอย่างของเราแทบจะพิสูจน์ได้ว่าเป็นไปไม่ได้โดยทั่วไป ออกของข้อมูลความรู้ที่แสดงให้เห็นว่ามีบางอย่างที่น่าจะเป็นของความล้มเหลวแม้ว่าไม่ใช่ถูกตั้งข้อสังเกต (ยัง) การมีความรู้เบื้องต้นทำให้เราใช้วิธีการแบบเบย์ซึ่งตรวจสอบโดย Bailey (1997), Razzaghi (2002), Basu et al (1996), และ Ludbrook และ Lew (2009)
ท่ามกลางเครื่องมือประมาณค่าแบบ "ขอบเขตบน" ซึ่งถือว่า (Bailey, 1997)
ว่ามันจะไม่เป็นตรรกะสำหรับตัวประมาณค่า P ในกรณีที่เกิดความล้มเหลวเป็นศูนย์เพื่อให้เกิดความน่าจะเป็นมากกว่าที่คาดการณ์ไว้โดยตัวประมาณความน่าจะเป็นสูงสุดในกรณีความล้มเหลวเดียวซึ่งเป็นขอบเขตที่สมเหตุสมผล
นิยามว่าเป็น
สามารถกล่าวถึง ขณะที่การตรวจสอบโดย Ludbrook ลิว (2009), ความเป็นไปได้อื่น ๆ ที่มี "กฎของสาม" (cf นี่ , วิกิพีเดียหรือ Eypasch, et al, 1995)
หรือรูปแบบอื่น ๆ :
"กฎของ 3.7" โดย Newcombe และ Altman (หรือ 3.6)
"กฎใหม่ของสี่":
แต่สรุปโดย Ludbrook และ Lew (2009) "rule of threes" คือ "ถัดจากไร้ประโยชน์" และ "rule of 3.6" (และ 3.7) "มีข้อ จำกัด ที่ร้ายแรง - มีข้อผิดพลาดร้ายแรง - หากขนาดตัวอย่างเริ่มต้นน้อยกว่า 50" และพวกเขาไม่แนะนำวิธีการ (3) - (6) แนะนำให้ใช้ตัวประมาณแบบเบย์ (ดูด้านล่าง)
ในบรรดาตัวประมาณค่าแบบเบย์สามารถพูดได้หลายอย่าง ตัวประมาณค่าแรกที่แนะนำโดย Bailey (1997) คือ
สำหรับการประเมินค่ามัธยฐานภายใต้เครื่องแบบก่อน
หรือสำหรับการประเมินค่าเฉลี่ยภายใต้ก่อนหน้านี้
อีกวิธีหนึ่งที่สมมติว่ารูปแบบความล้มเหลวแบบเอ็กซ์โปเนนเชียลมีอัตราความล้มเหลวคงที่ (การแจกแจงแบบปัวซง)
Bailey, RT (1997) การประมาณจากข้อมูลความล้มเหลวเป็นศูนย์การวิเคราะห์ความเสี่ยง, 17 , 375-380
Razzaghi, M. (2002) ในการประมาณค่าความน่าจะเป็นของความสำเร็จทวินามกับการเกิดขึ้นเป็นศูนย์ในตัวอย่าง วารสารวิธีการทางสถิติประยุกต์ที่ทันสมัย, 1 (2), 41
Ludbrook, J. , & Lew, MJ (2009) การประมาณความเสี่ยงของภาวะแทรกซ้อนที่หายาก: เป็น 'กฎของสาม' ดีพอหรือไม่ANZ วารสารการผ่าตัด 79 (7‐8), 565-570
Eypasch, E. , Lefering, R. , Kum, CK, และ Troidl, H. (1995) ความน่าจะเป็นของเหตุการณ์ไม่พึงประสงค์ที่ยังไม่เกิดขึ้น: การเตือนทางสถิติ BMJ 311 (7005): 619–620
Basu, AP, Gaylor, DW, & Chen, JJ (1996) การประมาณความน่าจะเป็นของการเกิดเนื้องอกสำหรับมะเร็งที่หายากที่มีการเกิดขึ้นเป็นศูนย์ในตัวอย่าง พิษวิทยาและข้อบังคับทางเภสัชวิทยา, 23 (2), 139-144
คุณต้องกลับไปที่นักออกแบบผลิตภัณฑ์ของคุณจริงๆ มันเป็นปัญหาพื้นฐานทางวิศวกรรมไม่ใช่เชิงสถิติ พวกเขาจะมีความคิดเกี่ยวกับความน่าจะเป็นที่จะเกิดความล้มเหลวของแต่ละองค์ประกอบและจากนั้นความน่าจะเป็นความล้มเหลวสุทธิของผลิตภัณฑ์ที่ประกอบทั้งหมด พวกเขาสามารถให้จำนวนที่คาดหวังของความล้มเหลวตลอดอายุการออกแบบทั้งหมดของผลิตภัณฑ์
วิศวกรโยธาออกแบบสะพานให้มีอายุการออกแบบ 120 ปี ส่วนประกอบของสะพานแต่ละแห่งมีโอกาสเกิดความล้มเหลวเล็กน้อย การโหลดแต่ละครั้งมีโอกาสเล็กน้อยที่จะเกิน ในการสร้างสะพานเศรษฐกิจเพื่อสร้างการล่มสลายทั้งหมดจะเกิดขึ้นเพียงครั้งเดียวในปี 2400 ซึ่งยาวกว่าสะพานที่จะรักษาไว้ ไม่น่าแปลกใจเลยที่สะพานจะไม่ล้มเหลวในปีที่ 1 หรือปีที่ 2 ถึงปีที่ 120 นั่นไม่ได้เป็นการยุบตัวที่บอกคุณน้อยมาก โอกาสในการล้มเหลวที่หลากหลายตามเวลาสามารถประเมินได้โดยนักออกแบบดั้งเดิมเท่านั้น
นี่คล้ายกับปัญหาที่ฉันเผชิญเมื่อเราแนะนำกระบวนการผลิตใหม่เพื่อขจัดความล้มเหลวในการผลิต
ระบบใหม่ไม่เกิดความล้มเหลวดังนั้นผู้คนจึงถามคำถามเดียวกันว่า: เราจะทำนายอัตราความล้มเหลวได้อย่างไร ในกรณีของคุณเนื่องจากคุณได้กำหนดช่วงเวลาที่ความล้มเหลวสามารถเกิดขึ้นได้โดยไม่ต้องกังวลว่าเมื่อใดที่ความล้มเหลวเกิดขึ้นภายในช่วงเวลานั้น และมันก็เป็นเพียงแค่กรณีของสิ่งที่ล้มเหลวหรือไม่ ด้วยที่ระบุไว้ - บนด้วยคำตอบของฉัน
โดยสังหรณ์ใจดูเหมือนว่าเราต้องการความล้มเหลวอย่างน้อยหนึ่งครั้งเพื่อให้สามารถคำนวณอัตราความล้มเหลวได้ อย่างไรก็ตามสมมติฐานนี้มีข้อผิดพลาดโดยนัยอยู่ภายใน เราจะไม่คำนวณอัตราความล้มเหลว นั่นเป็นเพราะเรากำลังเผชิญกับตัวอย่าง ดังนั้นเราสามารถประมาณช่วงของอัตราความล้มเหลวที่เป็นไปได้เท่านั้น วิธีการทำเช่นนี้คือการหาการกระจายสำหรับอัตราความล้มเหลว การแจกแจงที่ทำงานในอินสแตนซ์นี้คือการแจกแจงแบบเบต้าโดยที่พารามิเตอร์คือ: α = n + 1 และβ = N - n + 1
หมายเหตุ: Nคือขนาดตัวอย่างและnคือจำนวนความล้มเหลว (ในกรณีของคุณ 0)
สำหรับสถานการณ์ของคุณการแจกแจงอัตราความล้มเหลวแสดงอยู่ด้านล่าง .
จากนั้นคุณจะป้อนการแจกแจงนั้นลงในสูตรความน่าจะเป็นทวินามที่เกี่ยวข้องเพื่อรับการแจกแจงสำหรับความน่าจะเป็นของการล้มเหลวหนึ่งหน่วย (สามารถทำการวิเคราะห์หรือใช้ Monte Carlo) ฉันสงสัยว่าตัวเลขจะต่ำมาก
โปรดทราบว่ากระบวนการนี้สามารถใช้งานได้ไม่ว่าจะมีจำนวนความล้มเหลวในชุดกำปั้นของคุณ