💡 Инструкция: Выберите один ответ из пяти. На 25 вопросов отведено 70 минут. Читайте код построчно, учитывайте типы, атрибуты, пропуски и допущения анализа. После завершения откроются общий процент, 5 тематических шкал и объяснение к каждому заданию.
Вопрос 1 из 25
Ситуация: Нужно найти порог, ниже которого лежит 97,5% нормального распределения, но код возвращает вероятность для заданного порога. Какое правило нужно применить к этому фрагменту прежде всего?
R Фрагмент R Копировать
result <- c(p=pnorm(1.96), q=qnorm(0.975))
result
Выбор распределения должен опираться на механизм данных, поддержку значений и проверку соответствия, а не только на похожую гистограмму
Биномиальная модель описывает число успехов в фиксированном числе независимых испытаний с одинаковой вероятностью успеха
В семействах распределений d даёт плотность или вероятность, p — функцию распределения, q — квантиль, r — случайную выборку
Параметры rnorm и dnorm используют стандартное отклонение sd, а не дисперсию
Воспроизводимая симуляция требует явного seed, достаточного числа повторов и оценки Монте-Карло ошибки
Вопрос 5 из 25
Ситуация: Нужно найти порог, ниже которого лежит 97,5% нормального распределения, но код возвращает вероятность для заданного порога. Как сформулировать вывод без лишних обобщений?
R Фрагмент R Копировать
result <- c(p=pnorm(1.96), q=qnorm(0.975))
result
В семействах распределений d даёт плотность или вероятность, p — функцию распределения, q — квантиль, r — случайную выборку; при этом главный риск состоит в том, что путаница pnorm и qnorm меняет вопрос «какова вероятность» на «какое значение соответствует вероятности»
Биномиальная модель описывает число успехов в фиксированном числе независимых испытаний с одинаковой вероятностью успеха; при этом главный риск состоит в том, что изменяющаяся вероятность между испытаниями или сильная зависимость нарушает модель и делает расчёт уверенности чрезмерным
Выбор распределения должен опираться на механизм данных, поддержку значений и проверку соответствия, а не только на похожую гистограмму; при этом главный риск состоит в том, что путаница pnorm и qnorm меняет вопрос «какова вероятность» на «какое значение соответствует вероятности»
В семействах распределений d даёт плотность или вероятность, p — функцию распределения, q — квантиль, r — случайную выборку; при этом главный риск состоит в том, что подгонка нормального распределения к ограниченным, дискретным или тяжёлохвостым данным даёт невозможные значения и неверные хвостовые вероятности
В семействах распределений d даёт плотность или вероятность, p — функцию распределения, q — квантиль, r — случайную выборку; поэтому отсутствие сообщения об ошибке уже подтверждает корректность результата
Вопрос 6 из 25
Ситуация: В спецификации дана дисперсия 4, а разработчик передаёт число 4 в аргумент sd. Какой механизм точнее всего объясняет связь кода с ситуацией?
R Фрагмент R Копировать
set.seed(42)
result <- rnorm(1000, mean=10, sd=2)
c(mean(result), sd(result))
В семействах распределений d даёт плотность или вероятность, p — функцию распределения, q — квантиль, r — случайную выборку
Выбор распределения должен опираться на механизм данных, поддержку значений и проверку соответствия, а не только на похожую гистограмму
Воспроизводимая симуляция требует явного seed, достаточного числа повторов и оценки Монте-Карло ошибки
Параметры rnorm и dnorm используют стандартное отклонение sd, а не дисперсию
Биномиальная модель описывает число успехов в фиксированном числе независимых испытаний с одинаковой вероятностью успеха
Вопрос 10 из 25
Ситуация: В спецификации дана дисперсия 4, а разработчик передаёт число 4 в аргумент sd. Какое заключение лучше всего выдерживает проверку?
R Фрагмент R Копировать
set.seed(42)
result <- rnorm(1000, mean=10, sd=2)
c(mean(result), sd(result))
Параметры rnorm и dnorm используют стандартное отклонение sd, а не дисперсию; при этом главный риск состоит в том, что передача дисперсии вместо sd делает распределение слишком широким и искажает симуляцию без синтаксической ошибки
Параметры rnorm и dnorm используют стандартное отклонение sd, а не дисперсию; при этом главный риск состоит в том, что изменяющаяся вероятность между испытаниями или сильная зависимость нарушает модель и делает расчёт уверенности чрезмерным
Биномиальная модель описывает число успехов в фиксированном числе независимых испытаний с одинаковой вероятностью успеха; при этом главный риск состоит в том, что передача дисперсии вместо sd делает распределение слишком широким и искажает симуляцию без синтаксической ошибки
Параметры rnorm и dnorm используют стандартное отклонение sd, а не дисперсию; поэтому достаточно один раз проверить класс объекта на текущем наборе данных
Воспроизводимая симуляция требует явного seed, достаточного числа повторов и оценки Монте-Карло ошибки; при этом главный риск состоит в том, что один удачный seed или малое число повторов создаёт нестабильный вывод, который меняется при каждом запуске
Вопрос 11 из 25
Ситуация: Вероятность успеха растёт от попытки к попытке из-за обучения, но число успехов моделируют обычной биномиальной схемой. На какое свойство R здесь следует опереться?
R Фрагмент R Копировать
n <- 10; p <- 0.3
result <- dbinom(3, size=n, prob=p)
result
Параметры rnorm и dnorm используют стандартное отклонение sd, а не дисперсию
Воспроизводимая симуляция требует явного seed, достаточного числа повторов и оценки Монте-Карло ошибки
Биномиальная модель описывает число успехов в фиксированном числе независимых испытаний с одинаковой вероятностью успеха
В семействах распределений d даёт плотность или вероятность, p — функцию распределения, q — квантиль, r — случайную выборку
Выбор распределения должен опираться на механизм данных, поддержку значений и проверку соответствия, а не только на похожую гистограмму
Вопрос 15 из 25
Ситуация: Вероятность успеха растёт от попытки к попытке из-за обучения, но число успехов моделируют обычной биномиальной схемой. Какой вывод точнее всего связывает механизм и главный риск?
R Фрагмент R Копировать
n <- 10; p <- 0.3
result <- dbinom(3, size=n, prob=p)
result
Биномиальная модель описывает число успехов в фиксированном числе независимых испытаний с одинаковой вероятностью успеха; при этом главный риск состоит в том, что путаница pnorm и qnorm меняет вопрос «какова вероятность» на «какое значение соответствует вероятности»
Выбор распределения должен опираться на механизм данных, поддержку значений и проверку соответствия, а не только на похожую гистограмму; при этом главный риск состоит в том, что подгонка нормального распределения к ограниченным, дискретным или тяжёлохвостым данным даёт невозможные значения и неверные хвостовые вероятности
В семействах распределений d даёт плотность или вероятность, p — функцию распределения, q — квантиль, r — случайную выборку; при этом главный риск состоит в том, что изменяющаяся вероятность между испытаниями или сильная зависимость нарушает модель и делает расчёт уверенности чрезмерным
Биномиальная модель описывает число успехов в фиксированном числе независимых испытаний с одинаковой вероятностью успеха; при этом главный риск состоит в том, что изменяющаяся вероятность между испытаниями или сильная зависимость нарушает модель и делает расчёт уверенности чрезмерным
Биномиальная модель описывает число успехов в фиксированном числе независимых испытаний с одинаковой вероятностью успеха; следовательно, совпадение числа строк можно считать полной проверкой решения
Вопрос 20 из 25
Ситуация: Оценка редкого события получена по ста повторениям и меняется на несколько процентов после каждого запуска. Что стоит написать в технической рецензии к этому фрагменту?
R Фрагмент R Копировать
set.seed(7)
sim <- replicate(10000, mean(rnorm(20)) > 0.4)
result <- mean(sim)
result
Воспроизводимая симуляция требует явного seed, достаточного числа повторов и оценки Монте-Карло ошибки; при этом главный риск состоит в том, что передача дисперсии вместо sd делает распределение слишком широким и искажает симуляцию без синтаксической ошибки
Воспроизводимая симуляция требует явного seed, достаточного числа повторов и оценки Монте-Карло ошибки; при этом главный риск состоит в том, что один удачный seed или малое число повторов создаёт нестабильный вывод, который меняется при каждом запуске
Воспроизводимая симуляция требует явного seed, достаточного числа повторов и оценки Монте-Карло ошибки; поэтому повторный запуск в той же сессии заменяет проверку граничных случаев
Выбор распределения должен опираться на механизм данных, поддержку значений и проверку соответствия, а не только на похожую гистограмму; при этом главный риск состоит в том, что подгонка нормального распределения к ограниченным, дискретным или тяжёлохвостым данным даёт невозможные значения и неверные хвостовые вероятности
Параметры rnorm и dnorm используют стандартное отклонение sd, а не дисперсию; при этом главный риск состоит в том, что один удачный seed или малое число повторов создаёт нестабильный вывод, который меняется при каждом запуске
Вопрос 21 из 25
Ситуация: Положительные времена ожидания моделируют нормальным распределением, которое допускает отрицательные прогнозы. Что является главным техническим основанием для разбора?
R Фрагмент R Копировать
x <- rexp(500, rate=1)
result <- c(mean=mean(x), sd=sd(x), min=min(x))
result
В семействах распределений d даёт плотность или вероятность, p — функцию распределения, q — квантиль, r — случайную выборку
Выбор распределения должен опираться на механизм данных, поддержку значений и проверку соответствия, а не только на похожую гистограмму
Параметры rnorm и dnorm используют стандартное отклонение sd, а не дисперсию
Биномиальная модель описывает число успехов в фиксированном числе независимых испытаний с одинаковой вероятностью успеха
Воспроизводимая симуляция требует явного seed, достаточного числа повторов и оценки Монте-Карло ошибки
Вопрос 25 из 25
Ситуация: Положительные времена ожидания моделируют нормальным распределением, которое допускает отрицательные прогнозы. Какое заключение останется верным и на новых данных?
R Фрагмент R Копировать
x <- rexp(500, rate=1)
result <- c(mean=mean(x), sd=sd(x), min=min(x))
result
Выбор распределения должен опираться на механизм данных, поддержку значений и проверку соответствия, а не только на похожую гистограмму; при этом главный риск состоит в том, что путаница pnorm и qnorm меняет вопрос «какова вероятность» на «какое значение соответствует вероятности»
Выбор распределения должен опираться на механизм данных, поддержку значений и проверку соответствия, а не только на похожую гистограмму; при этом главный риск состоит в том, что подгонка нормального распределения к ограниченным, дискретным или тяжёлохвостым данным даёт невозможные значения и неверные хвостовые вероятности
Биномиальная модель описывает число успехов в фиксированном числе независимых испытаний с одинаковой вероятностью успеха; при этом главный риск состоит в том, что изменяющаяся вероятность между испытаниями или сильная зависимость нарушает модель и делает расчёт уверенности чрезмерным
Выбор распределения должен опираться на механизм данных, поддержку значений и проверку соответствия, а не только на похожую гистограмму; следовательно, предупреждения можно не учитывать, если итог выглядит ожидаемо
В семействах распределений d даёт плотность или вероятность, p — функцию распределения, q — квантиль, r — случайную выборку; при этом главный риск состоит в том, что подгонка нормального распределения к ограниченным, дискретным или тяжёлохвостым данным даёт невозможные значения и неверные хвостовые вероятности