Какое утверждение наиболее точно передаёт интуицию Geometric(p) для числа попыток до первого успеха?
AВ
Geometric(p) случайная величина это число успехов в фиксированном числе попыток n, по аналогии с биномиальным счётомBВ
Geometric(p) моделируют число событий за интервал времени с параметром интенсивности λ, как пуассоновская модельCВ
Geometric(p) шанс успеха растёт с каждой новой попыткой: предыдущие неудачи накапливаются в пользу ближайшего успехаDПосле любого числа неудач шанс успеха в следующей попытке равен
p: прошлые попытки не меняют шанс ближайшего успехаПравильный ответ. У
Geometric(p) есть свойство отсутствия памяти: после неудачи шанс успеха в следующей попытке всё ещё равен p.Разбор
Это значит, что количество прошлых неудачных попыток не меняет шанс успеха на следующей, если p постоянен. Поэтому Geometric(p) хорошо описывает повторяющиеся попытки одинакового качества, например повторный запрос к API. Если же p меняется по мере попыток, то простая Geometric(p) перестаёт быть хорошей аппроксимацией. Альтернативные формулировки путают её с биномиальным счётом или пуассоновской моделью событий.
Проверь себя · 1/3разбор после ответа
В модели
Poisson(λ) для числа обращений в саппорт за час что означает параметр λ?Ещё вопросы по теме «Дискретные распределения»
- Пользователь либо совершил покупку в сессии, либо нет (0/1). Какое распределение лучше всего описывает один такой исход — успех или неудача?
- В модели `Bernoulli(p)` для клика по баннеру, что означает параметр `p`?
- У вас есть n показов баннера, каждый показ — независимое испытание с вероятностью клика p. Какое распределение описывает количество кликов среди этих n показов?
- Вы моделируете число успешно обработанных платежей за день как `Binomial(n,p)`. Как правильно интерпретировать `n` и `p`?
- Пользователь повторяет попытки оплаты до успешного прохождения проверки; каждая попытка независима и имеет шанс `p` на успех. Какое распределение естественно для числа попыток до первого успеха?
- Все вопросы по «Дискретные распределения» →