Ошибка измерения датчиком обычно симметрична вокруг нуля и складывается из многих мелких независимых факторов. Какая модель чаще всего подходит для такой ошибки?
AРавномерное распределение
Uniform(a, b) на отрезке вокруг нуля как простая модель симметричной ошибкиBЭкспоненциальное распределение
Exponential(λ) со средним около нуля как модель шумовой компоненты датчикаCНормальное распределение
Normal(μ, σ) со средним μ около нуля как модель симметричного аддитивного шумаDНикакая модель не подходит, потому что плотности распределений для шумов измерений на практике не используются
Правильный ответ. Сумма многих малых независимых влияний часто даёт форму, близкую к
Normal(μ, σ).Разбор
Когда ошибка получается как результат множества небольших шумов, разумно ожидать примерно симметричную форму вокруг центра. Тогда Normal(μ, σ) становится удобной моделью для описания неопределённости измерения. Параметр σ задаёт типичный масштаб отклонений и связан с дисперсией. Это следствие центральной предельной теоремы для сумм независимых вкладов.
Можно заниматься бесплатно
Готовим вопросы…
Три вопроса по теме этой страницы, с объяснениями.
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?
- 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?
- 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?
- Все вопросы по «Непрерывные распределения» →