Какое утверждение наиболее точно передает интуицию Geometric(p) для числа trial до первого success?
AПосле любого числа
failure шанс success в следующем trial остается p, поэтому прошлые trial не меняют шанс успеха следующей попыткиBВ
Geometric(p) случайная величина — число success в фиксированном nCВ
Geometric(p) моделируют число event за интервал с параметром λDВ
Geometric(p) шанс success растет с каждым новым trialПравильный ответ.
Geometric(p) имеет свойство memoryless: после failure шанс success в следующем trial все еще 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 p меняется по мере попыток, то простая Geometric(p) перестает быть хорошей аппроксимацией.
Проверь себя · 1/3разбор после ответа
В модели
Geometric(p) для retry-процесса что означает p?Ещё вопросы по теме «Дискретные распределения»
- Пользователь либо совершил покупку в сессии, либо нет (0/1). Какое распределение лучше всего описывает один такой `trial` с исходом `success` или `failure`?
- В модели `Bernoulli(p)` для клика по баннеру, что означает параметр `p`?
- У вас есть `n` показов баннера, и каждый показ — один `trial` с `success` (клик) с шансом `p`. Какое распределение описывает количество `success` среди этих `n` `trial`?
- 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 — `trial` с шансом `p` получить `success`. Какое распределение естественно для числа `trial` до первого `success`?
- Все вопросы по «Дискретные распределения» →