Uppskattning av sannolikhet för händelse

In complex systems anomalous behaviors can occur intermittently and stochastically. In this case, it is hard to diagnose real errors among spurious ones. These errors are often hard to troubleshoot and require close attention, but troubleshooting each occurrence is time-consuming and is not always an option. In this thesis, we define two different models to estimate the underlying probability of occurrence of an error, one based on binary segmentation and null hypothesis testing, and the other one based on hidden Markov models. Given a threshold level of confidence, these models are tuned to trigger alerts when a change is detected with sufficiently high probability. We generated events drawn from Bernoulli distributions emulating these anomalous behaviors to benchmark these two candidate models. Both models have the same sensitivity, δp ≈ 10%, and delay, δt ≈ 100 observations, to detect change points. However, they do not generalize in the same way to broader problems and provide therefore two complementary solutions.I komplexa system kan anomala beteenden uppträda intermittent och stokastiskt. I de här fallen är det svårt att diagnostisera verkliga fel bland falska sådana. Dessa fel är ofta svåra att felsöka och kräver noggrann uppmärksamhet, men felsökning av varje händelse är mycket tidskrävande och är inte alltid ett alternativ. I denna avhandling definierar vi två olika modeller för att uppskatta den underliggande sannolikheten för att ett fel uppträder, den första baserad på binär segmentering och prövning av nollhypotes, och den andra baserad på dolda Markovmodeller. Givet ett tröskelvärde för konfidensgraden är dessa modeller justerade för att utlösa varningar när en förändring detekteras med tillräcklig hög sannolikhet. Vi genererade händelser som drogs från Bernoullifördelningar som emulerar dessa avvikande beteenden för att utvärdera dessa två kandidatmodeller. Båda modellerna har samma sensitivitet, δp ≈ 10% och fördröjning, δt ≈ 100 observationer, för att upptäcka ändringspunkter. De generaliserar emellertid inte på samma sätt till större problem och ger därför två kompletterande lösningar