Время ожидания ответа оператора моделируется как Exponential(λ). Клиент уже ждёт 3 минуты. Что верно про conditional probability ждать ещё больше 2 минут?
AИз-за свойства
memoryless (свойство «без памяти») она равна probability ждать больше 2 минут с начала ожидания.BОна обязательно меньше, чем
probability ждать больше 2 минут с начала, потому что часть ожидания уже прошла.CОна равна значению
density в точке 2 минуты.DОна зависит только от прошедших 3 минут и не зависит от
λ.Правильный ответ.
Exponential(λ) обладает свойством memoryless (свойство «без памяти»), поэтому conditional probability зависит только от будущего интервала.Разбор
Свойство memoryless (свойство «без памяти») означает, что уже прошедшее время ожидания не меняет распределение оставшегося времени. Поэтому conditional probability ждать ещё больше 2 минут совпадает с probability ждать больше 2 минут с самого начала. Это не означает, что среднее ожидание маленькое или большое само по себе: масштаб задаётся λ через mean.
Проверь себя · 1/3разбор после ответа
Ошибка измерения датчиком обычно симметрична вокруг нуля и складывается из многих мелких факторов. Какая модель чаще всего подходит для такой ошибки?
Ещё вопросы по теме «Непрерывные распределения»
- В продуктовой аналитике время ответа эндпойнта иногда моделируют как `Normal(μ,σ)`. Что корректно сказать про `probability` того, что время ответа будет ровно 200 мс?
- На графике `density` для `Normal(μ,σ)` вы увидели, что максимум `density` больше 1. Что это означает?
- Вы моделируете время до следующей покупки пользователя, если покупки происходят с примерно постоянным `rate` и без заметной сезонности в коротком окне. Какая модель распределения чаще всего подходит как первое приближение?
- В модели ошибки измерения вы используете `Normal(μ,σ)`. Как правильно интерпретировать параметры `μ` и `σ`?
- В каком случае предположение `Uniform(a,b)` наиболее разумно как стартовая модель?
- Все вопросы по «Непрерывные распределения» →