機率分佈與資料分佈模型:7 題線上練習
「機率分佈與資料分佈模型」是 iPAS AI 應用規劃師中級的能力指標(代號 L22102),涵蓋機率理論模型與分佈特性。本頁收錄 7 題免費練習題,附逐題解析。
依能力指標分組,點一題看選項與解析。
L22102 機率分佈與資料分佈模型
評鑑範圍:機率理論模型與分佈特性
- 累積分佈函數(Cumulative Distribution Function, CDF)可用於描述隨機變數的機率分佈特性,其數學定義為下列何者?原卷題
- 某電商團隊觀察到,每位顧客對廣告推播的點擊行為可視為一次伯努利試驗(Bernoulli Trial),單次點擊成功機率為p=0.4。當推播對象擴展至5,000位顧客時,團隊想快速估算「成功點擊總數」的分佈情形,以進行模型效能模擬與預測。若希望以常態分佈(Normal Distribution)近似原始分佈,下列哪一項判斷最為合理?
- 某金融機構的量化分析師在建立資產風險評估模型時,發現報酬率資料分佈明顯非對稱,且出現多次極端損失事件,使得傳統假設常態分佈的模型無法準確反映真實風險。若希望在不依賴常態分佈假設的前提下,採取更能捕捉資料極端情況的建模策略,下列哪一種方法最為適合?
- 在巨量資料分析班中,共有一年級至四年級,每個年級有 50 個學生,且學生身高呈常態分佈。下列敘述何者不正確?
- CDF (累積分佈函數) 的數學定義為何?
- 每分鐘來電數最適合用哪種機率分佈建模?
- Poisson 分佈 λ=5,poisson.pmf(5, 5) 的意義以及 Poisson 適用條件為何?
本考點的相關 AI 術語
先掌握這些術語的定義與應用情境,再回來練題。