Вы моделируете время до следующего отказа сервиса, если риск отказа в каждый момент примерно постоянный и прошлое время без отказов не меняет будущее (свойство memoryless (свойство «без памяти»)). Какую модель выбрать?
A
Uniform(a,b)B
Normal(μ,σ)CСмесь
Uniform(a,b) и Normal(μ,σ)D
Exponential(λ)Правильный ответ. Постоянный
rate и свойство memoryless (свойство «без памяти») естественно ведут к модели Exponential(λ).Разбор
Exponential(λ) часто используют, когда событие может произойти в любой момент с примерно постоянной интенсивностью, и прошлое не влияет на будущее в смысле conditional probability. В такой модели параметр λ задаёт частоту событий, а типичный масштаб ожидания связан с mean. Если по данным видно, что риск растёт или падает со временем, то предпосылка постоянного rate нарушается, и стоит пересматривать модель.
Проверь себя · 1/3разбор после ответа
Если
X имеет Normal(μ,σ), чему равна probability того, что X ровно равен своему медианному quantile (50-й quantile)?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`?
- Время ожидания ответа оператора моделируется как `Exponential(λ)`. Клиент уже ждёт 3 минуты. Что верно про `conditional probability` ждать ещё больше 2 минут?
- Все вопросы по «Непрерывные распределения» →