Вы моделируете время до следующей покупки пользователя, если покупки происходят с примерно постоянной интенсивностью и без заметной сезонности в коротком окне. Какая модель распределения чаще всего подходит как первое приближение?
A
Uniform(a,b): время до покупки равномерно лежит в фиксированном интервале от a до bB
Exponential(λ): время до следующего события при примерно постоянной интенсивности λC
Normal(μ,σ): время до покупки симметрично распределено вокруг среднего μ с разбросом σDНикакая модель не подходит: время ожидания нельзя описывать через плотность распределения
Правильный ответ. Время до события при постоянной интенсивности часто моделируют как
Exponential(λ).Разбор
Exponential(λ) часто используют как модель времени ожидания между событиями при условии постоянной интенсивности. Параметр λ связан с тем, насколько часто происходят события, и определяет типичный масштаб ожидания через среднее. На практике это удобная базовая модель, которую потом можно уточнять, если видны пики, сезонность или разные режимы поведения пользователей.
Проверь себя · 1/3разбор после ответа
Команда задаёт SLA по задержке как порог, равный 95-му процентилю задержки. При стабильной системе что это означает на языке вероятностей?
Ещё вопросы по теме «Непрерывные распределения»
- В продуктовой аналитике время ответа эндпойнта иногда моделируют как `Normal(μ,σ)`. Что корректно сказать про вероятность того, что время ответа будет ровно 200 мс?
- На графике плотности для нормального распределения `Normal(μ,σ)` вы увидели, что максимум плотности больше 1. Что это означает?
- 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 условную вероятность ждать ещё больше 2 минут?
- В каком случае предположение `Uniform(a,b)` наиболее разумно как стартовая модель?
- Все вопросы по «Непрерывные распределения» →