Вы храните для каждого пользователя бинарную метку покупки: 1 если купил, 0 если нет, это одно испытание на пользователя. Какое утверждение про модели верно?
AОдна метка соответствует
Poisson(λ), а сумма по n пользователям соответствует Geometric(p) в схемеBОдна метка соответствует
Bernoulli(p), а сумма по n пользователям соответствует Binomial(n,p) в схемеCОдна метка соответствует
Binomial(n,p), а сумма по n пользователям сводится к Bernoulli(p) в схемеDОдна метка соответствует
Geometric(p), а сумма по n пользователям описывается через Poisson(λ) в схемеПравильный 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 берёте n пользователей и считаете, сколько из них купили, вы получаете число успехов в n независимых испытаниях. Это и есть постановка Binomial(n,p) при условии, что вероятность покупки p одинакова для всех пользователей. Poisson(λ) описывает число событий за интервал, а Geometric(p) — число попыток до первого успеха.
Можно заниматься бесплатно
Готовим вопросы…
Три вопроса по теме этой страницы, с объяснениями.
Ещё вопросы по теме «Дискретные распределения»
- Пользователь либо совершил покупку в сессии, либо нет (0/1). Какое распределение лучше всего описывает один такой исход — успех или неудача?
- В модели `Bernoulli(p)` для клика по баннеру, что означает параметр `p`?
- У вас есть n показов баннера, каждый показ — независимое испытание с вероятностью клика p. Какое распределение описывает количество кликов среди этих n показов?
- 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 независима и имеет шанс `p` на успех. Какое распределение естественно для числа попыток до первого успеха?
- Все вопросы по «Дискретные распределения» →