Вы храните для каждого пользователя бинарную метку покупки: 1 если купил, 0 если нет, это один trial на пользователя. Какое утверждение про модели верно?
AОдна метка — это
Poisson(λ), а сумма по пользователям — Geometric(p)BОдна метка — это
Binomial(n,p), а сумма по пользователям — Bernoulli(p)CОдна метка — это
Bernoulli(p), а сумма по n пользователям — Binomial(n,p)DОдна метка — это
Geometric(p), а сумма по пользователям — Poisson(λ)Правильный ответ. Один бинарный исход —
Bernoulli(p), а сумма по n таким исходам — Binomial(n,p).Разбор
Когда вы смотрите на одного пользователя, исход покупки можно рассматривать как Bernoulli(p). Если вы берете n пользователей и считаете, сколько из них купили, вы получаете число success в n trial. Это и есть постановка Binomial(n,p), если шанс покупки p одинаков для всех trial.
Проверь себя · 1/3разбор после ответа
В
Poisson(λ) для числа обращений в саппорт за час что означает λ?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» →