Дискретные распределения: вопросы для собеседования (часть 2)
Бернулли, биномиальное, пуассоновское, геометрическое распределения — модели для подсчёта событий и успехов. На собеседовании спрашивают, когда применять каждое из них: сколько покупок в час (Пуассон), какова вероятность трёх успехов из десяти попыток (биномиальное). Конкретные примеры из бизнеса ценятся особенно.
Вопросы 6–10 из 20
6У вас есть n показов баннера, каждый показ — независимое испытание с вероятностью клика p. Какое распределение описывает количество кликов среди этих n показов?
A`Bernoulli(p)`: исход одного показа без подсчёта итогов по серии
B`Binomial(n, p)`: число успехов в фиксированных `n` испытаниях с вероятностью успеха `p`
C`Geometric(p)`: номер испытания, на котором впервые наступает успех
D`Poisson(λ)`: число редких событий за интервал без фиксированного числа испытаний
Ответ: Количество успехов в фиксированных n испытаниях с вероятностью p описывает Binomial(n,p).
В Binomial(n,p) число испытаний n фиксировано заранее, а вероятность успеха в каждом равна p. Результат — целое от 0 до n, то есть сколько кликов вы получили. Bernoulli описывает только один показ, Geometric — номер первой удачи, а Poisson — поток редких событий без заранее заданного числа попыток.
Подробный разбор → 7Вы моделируете число успешно обработанных платежей за день как `Binomial(n,p)`. Как правильно интерпретировать `n` и `p`?
A`n`: число успешных платежей; `p`: общее число попыток оплаты в течение дня
B`n`: параметр интенсивности `λ` из распределения Пуассона; `p`: вероятность успеха
C`n`: длина рассматриваемого интервала; `p`: общее количество событий за интервал
D`n`: число независимых попыток оплаты; `p`: вероятность успеха в каждой попытке
Ответ: В `Binomial(n,p)` параметр `n` — это число независимых попыток, а `p` — вероятность успеха в каждой попытке.
Например, `n` может быть числом платёжных попыток, а успехом — успешная оплата. Если `n` не фиксировано и вы считаете число событий за интервал времени, чаще подходит `Poisson(λ)`. Правильная интерпретация параметров важна, иначе модель будет не соответствовать реальному процессу.
Подробный разбор → 8Пользователь повторяет попытки оплаты до успешного прохождения проверки; каждая попытка независима и имеет шанс `p` на успех. Какое распределение естественно для числа попыток до первого успеха?
A`Geometric(p)`: число независимых попыток до первого успеха при фиксированной вероятности
B`Bernoulli(p)`: индикатор одной попытки со значениями `0` или `1` без счёта повторов
C`Binomial(n, p)`: число успехов в фиксированном количестве `n` независимых попыток
D`Poisson(λ)`: число событий за единицу времени при постоянной интенсивности `λ`
Ответ: Число независимых попыток до первого успеха при постоянной вероятности `p` моделируют как `Geometric(p)`.
В геометрическом распределении интересует, сколько попыток потребуется, а не сколько успехов в фиксированном `n`. Параметр `p` относится к каждой попытке и предполагается одинаковым от попытки к попытке. Это удобно для сценариев повторов: вход в аккаунт, оплата, вызовы API до успеха.
Подробный разбор → 9В модели `Geometric(p)` для процесса с повторными попытками что означает параметр `p`?
A`p` это число попыток до первого успеха, фиксированное для каждого пользователя в начале процесса повторных попыток
B`p` это среднее число событий за интервал времени, поэтому модель `Geometric(p)` подходит для подсчёта числа попыток в окне
C`p` это вероятность успеха в каждой попытке, и она считается одинаковой от попытки к попытке в модели `Geometric(p)`
D`p` это максимальное число попыток, после которого процесс останавливается и считается провальным без явной обратной связи
Ответ: В `Geometric(p)` параметр `p` — это вероятность успеха в каждой отдельной попытке.
Если `p` выше, обычно требуется меньше попыток до первого успеха. Если `p` ниже, типичное число попыток растёт. Важно, что `p` относится к каждой попытке, а не к суммарной доле успеха в период. Если шанс успеха меняется от попытки к попытке, простая `Geometric(p)` может быть плохой моделью, и тогда не работает интерпретация `p` как «среднего числа событий» или «максимального числа попыток».
Подробный разбор → 10В модели `Poisson(λ)` для числа обращений в саппорт за час что означает параметр `λ`?
A`λ`: вероятность одного успеха в одном испытании, как в схеме Бернулли
B`λ`: число независимых испытаний за интервал, аналог параметра `n` в биномиальной модели
C`λ`: среднее число событий за выбранный интервал, задаёт интенсивность потока
D`λ`: максимально возможное число событий за час в данной модели
Ответ: Параметр `λ` в `Poisson(λ)` — это среднее число событий за выбранный интервал.
Если `λ` равно 4, это означает примерно 4 обращения в час в среднем, а не гарантию ровно 4 обращений. Увеличение `λ` сдвигает распределение к большим счётчикам событий, но не задаёт верхний потолок. При удвоении длины интервала при той же интенсивности параметр становится примерно `2*λ`. Описания через «вероятность успеха» или «число испытаний» относятся к биномиальной модели, а не к пуассоновской.
Подробный разбор → Другие темы: Теория вероятностей