Онлайн тесты на тему "Прикладной статистический анализ – итоговый и компетентностный тесты, 7 семестр, МОИ (МТИ) [ID 56543]"

Тестовое задание на тему: Прикладной статистический анализ – итоговый и компетентностный тесты, 7 семестр
Тест набрал 83 баллов, был выполнен на зачет. Отчёт набранных баллов предоставляю в демо работах.
В купленном тесте будут вопросы и ответы которые размещены ниже.
Так же могу выполнять данную работу индивидуально. Делайте индивидуальный заказ.

Описание работы

Итоговый тест 1

Систематическое отклонение характеристик выборки от характеристик генеральной совокупности — это … выборки
Расположите в правильной последовательности шаги, которые необходимо выполнить в процессе нахождения моды в наборе данных:
Установите соответствие метода вычисления и его определения:
Установите соответствие между видом наблюдения и его характеристикой:
Установите соответствие между законом и его характерной особенностью:
… применяют для моделирования суммы квадратов нормально распределенных величин
Установите соответствие между именем ученого с его вкладом в развитие статистической науки:
T-критерий Стьюдента (t-тест) можно применять при условии, когда …
Распределите этапы проверки гипотезы с использованием t-критерия в логической последовательности:
… является непараметрическим
Критерий … является непараметрическим аналогом t-теста для независимых выборок
Расположите шаги применения критерия знаковых рангов Вилкоксона для парных выборок в хронологическом порядке:
Соотнесите критерии с условиями их применения:
Соотнесите критерий с областью его применения:
Основная цель p-значения в контексте статистического тестирования — …
Расположите шаги оценки параметров распределения в хронологическом порядке:
Отрицательная корреляция показывает … связь между переменными (увеличение одной переменной сопровождается уменьшением другой)
Установите соответствие между типом корреляции и его особенностью:
… используется для анализа данных с цензурированными наблюдениями
Расположите в хронологическом порядке этапы подготовки данных для построения кривой выживаемости:
Расположите в хронологическом порядке этапы расчета функции выживаемости в таблице выживаемости:
Расположите в правильном порядке этапы построения модели регрессии:
Установите соответствие между понятиями и их примерами:

Итоговый тест 2

… — это характеристика объекта или явления, которая может принимать различные значения
… — это подмножество элементов генеральной совокупности, используемое для проведения анализа
Разница между характеристиками выборки и генеральной совокупности — это … выборки
… — это наблюдения, значительно отличающиеся от основной массы данных
Установите соответствие термина и его определения:
Установите соответствие между законом и его характерной особенностью:
Нормальное распределение описывает закон …
… применяют для моделирования суммы квадратов нормально распределенных величин
… распределение — это частный случай нормального распределения, когда математическое ожидание (μ) равно 0, а стандартное отклонение (σ) — 1
Упорядочить законы распределения по мере увеличения сложности их применения:
Статистический вывод — это процесс …
Для проверки гипотез о средних значениях, когда выборки независимые и нормально распределены, используют …
Уровень … в статистике — это величина, используемая для оценки истинности некоторого результата или гипотезы
Установите соответствие понятия и его определения:
Расположите шаги проведения статистического вывода в хронологическом порядке:
Расположите шаги применения критерия знаковых рангов Вилкоксона для парных выборок в хронологическом порядке:
Соотнесите критерии с условиями их применения:
Основная цель p-значения в контексте статистического тестирования — …
Расположите шаги оценки параметров распределения в хронологическом порядке:
Отрицательная корреляция показывает … связь между переменными (увеличение одной переменной сопровождается уменьшением другой)
Максимальное возможное значение коэффициента корреляции равно …
Установите соответствие между видом корреляционной зависимости и его характерной особенностью:
… используется для анализа данных с цензурированными наблюдениями
Расположите в хронологическом порядке этапы подготовки данных для построения кривой выживаемости:
Расположите в правильном порядке этапы построения модели регрессии:

Компетентностный тест 1

Команда разработчиков программного обеспечения (ПО) проводит нагрузочное тестирование нового веб-приложения. Цель тестирования — оценить производительность приложения при различных уровнях нагрузки (количестве одновременных пользователей). Важным параметром является время отклика сервера на запросы пользователей (в миллисекундах). Было проведено множество экспериментов, в результате которых были получены данные о времени отклика при различных сценариях нагрузки.
После сбора данных команда аналитиков должна выбрать подходящие законы распределения для моделирования и анализа времени отклика. Предполагается, что время отклика зависит от многих факторов, включая задержки в сети, загрузку сервера, сложность запросов и другие случайные процессы.
Аналитики рассматривают несколько вариантов распределений.
Какой закон распределения наиболее вероятно будет полезен для моделирования и анализа времени отклика сервера в данной ситуации?
Представьте, что Вы работаете аналитиком данных в компании, которая занимается разработкой и эксплуатацией облачных сервисов. Ваша команда анализирует сетевой трафик и производительность виртуальных машин (ВМ). Вам нужно проанализировать данные о времени задержки пакетов (в миллисекундах) при передаче данных между ВМ.
В ходе анализа были собраны данные за определенный период времени. Графическое представление данных показывает, что распределение времени задержки имеет существенную асимметрию — хвост распределения сильно смещен вправо (большие значения задержки). Это означает, что большая часть пакетов передается с относительно небольшими задержками, но иногда возникают значительные задержки, возможно, из-за проблем с сетью или перегрузки.
Вам необходимо выбрать наиболее подходящий закон распределения для моделирования времени задержки пакетов, учитывая его асимметричный характер.
Какой закон распределения будет наиболее подходить для моделирования времени задержки пакетов, учитывая его асимметричный характер?
Компания «CloudSpeed» предоставляет услуги облачного хостинга. Один из ключевых показателей, за которым они следят, — это время отклика серверов на запросы пользователей (в миллисекундах). Компания обнаружила, что время отклика серверов в их сети в целом стабильно, но иногда случаются небольшие отклонения.
Аналитик компании заметил, что если взять большое количество измерений времени отклика, то они группируются вокруг среднего значения, при этом отклонения от среднего примерно одинаково вероятны в обе стороны. Он также построил гистограмму времени отклика и увидел, что она имеет форму колокола.
С помощью какого закона распределения можно наиболее точно охарактеризовать время отклика серверов в сети «CloudSpeed»?
Компания «SecureNet» разрабатывает систему обнаружения вторжений (IDS). Чтобы оценить эффективность новой версии IDS, команда проводит тестирование. Они устанавливают новую версию IDS в тестовой сети и в течение недели собирают данные о количестве ложных срабатываний (когда IDS ошибочно определяет нормальную активность как подозрительную).
Старая версия IDS выдавала в среднем 5 ложных срабатываний в день. Аналитики хотят проверить, уменьшилось ли количество ложных срабатываний с новой версией IDS.
В результате тестирования новая версия IDS выдавала в среднем 4 ложных срабатывания в день. Стандартное отклонение количества ложных срабатываний новой версии составило 1,5. Количество дней тестирования — 25.
Аналитики провели односторонний (однонаправленный) t-тест и получили p-значение (p-value), равное 0,06.
Используя уровень значимости (альфа), равный 0,05, какой вывод можно сделать на основе результатов t-теста?
Компания «CloudStorage» предоставляет услуги облачного хранения данных. Они внедрили новую систему хранения данных, оптимизированную для более быстрого доступа к файлам. Компания хочет оценить, насколько новая система влияет на время доступа к файлам, хранящимся в облаке.
Аналитики собирают данные о времени (в секундах), которое требуется пользователям для загрузки файлов из облака.
Они фиксируют:
1. время доступа: время, затраченное на загрузку файла (в секундах).
2. цензура: если файл был успешно загружен, это нецензурированные данные (1). Если при загрузке произошла ошибка (например, из-за временных проблем с сетью), это цензурированные данные (0), то есть мы знаем, что время загрузки превышает измеренное, но точное время неизвестно.
Аналитики используют таблицы выживаемости для анализа времени доступа. Они хотят построить график выживаемости, чтобы визуализировать вероятность того, что файл будет загружен в течение определенного времени.
В контексте анализа выживаемости, что представляют собой цензурированные данные?

Компетентностный тест 2

Компания «CloudSpeed» предоставляет услуги облачного хостинга. Один из ключевых показателей, за которым они следят, — это время отклика серверов на запросы пользователей (в миллисекундах). Компания обнаружила, что время отклика серверов в их сети в целом стабильно, но иногда случаются небольшие отклонения.
Аналитик компании заметил, что если взять большое количество измерений времени отклика, то они группируются вокруг среднего значения, при этом отклонения от среднего примерно одинаково вероятны в обе стороны. Он также построил гистограмму времени отклика и увидел, что она имеет форму колокола.
С помощью какого закона распределения можно наиболее точно охарактеризовать время отклика серверов в сети «CloudSpeed»?
Команда разработчиков мобильного приложения «FitLife» обновила алгоритм подсчета шагов. После обновления они хотят узнать, увеличилось ли в среднем количество шагов, которые пользователи приложения делают за день.
Для этого они провели эксперимент. Случайным образом выбрали 50 пользователей и в течение недели собирали данные о количестве шагов. До обновления среднее количество шагов, которые делали пользователи, составляло 7000 шагов в день. После обновления среднее количество шагов в тестовой выборке составило 7200 шагов в день. Стандартное отклонение в выборке после обновления составило 1000 шагов.
Команда разработчиков хочет провести статистический тест, чтобы понять, является ли разница между средним количеством шагов до и после обновления статистически значимой или она возникла случайно. Они планируют использовать одновыборочный t-тест.
Какую нулевую гипотезу (H0) должна сформулировать команда разработчиков для своего t-теста?
Компания «SecureNet» разрабатывает систему обнаружения вторжений (IDS). Чтобы оценить эффективность новой версии IDS, команда проводит тестирование. Они устанавливают новую версию IDS в тестовой сети и в течение недели собирают данные о количестве ложных срабатываний (когда IDS ошибочно определяет нормальную активность как подозрительную).
Старая версия IDS выдавала в среднем 5 ложных срабатываний в день. Аналитики хотят проверить, уменьшилось ли количество ложных срабатываний с новой версией IDS.
В результате тестирования новая версия IDS выдавала в среднем 4 ложных срабатывания в день. Стандартное отклонение количества ложных срабатываний новой версии составило 1,5. Количество дней тестирования — 25.
Аналитики провели односторонний (однонаправленный) t-тест и получили p-значение (p-value), равное 0,06.
Используя уровень значимости (альфа), равный 0,05, какой вывод можно сделать на основе результатов t-теста?
Компания «WebScale» занимается оптимизацией веб-сайтов. Они провели A/B-тестирование нового дизайна главной страницы своего сайта. Посетители сайта были случайным образом разделены на две группы:
• группа A: Видела старый дизайн;
• группа B: Видела новый дизайн.
Основной метрикой для оценки успешности нового дизайна является коэффициент конверсии: процент посетителей, совершивших целевое действие (например, покупку, регистрацию).
После двух недель тестирования были получены следующие результаты:
• группа A (старый дизайн): Коэффициент конверсии = 3 %;
• группа B (новый дизайн): Коэффициент конверсии = 4 %.
Аналитик хочет выяснить, является ли увеличение коэффициента конверсии статистически значимым или это просто случайное колебание. Он планирует использовать статистический тест для сравнения двух долей (коэффициентов конверсии).
Какую альтернативную гипотезу (H1) должен сформулировать аналитик, если он хочет доказать, что новый дизайн увеличивает коэффициент конверсии?
Компания «CodeCraft» разрабатывает новую поисковую систему. Чтобы оценить удобство использования, они провели тестирование. Пять добровольцев использовали старую версию поисковика, а затем пять других добровольцев использовали новую версию. Тестируемым нужно было выполнить несколько заданий по поиску информации. Время, затраченное на выполнение заданий (в секундах), было измерено для каждой версии поисковика.
Поскольку время выполнения заданий не всегда подчиняется нормальному распределению (может быть искажено, например, из-за внешних факторов), аналитик решил использовать непараметрический статистический тест для сравнения двух групп.
Полученные результаты тестирования:
Старая версия: 30, 45, 60, 35, 50
Новая версия: 25, 38, 55, 32, 40
Какой непараметрический критерий наиболее подойдет для сравнения двух независимых выборок (старая и новая версии) в данной ситуации?
Компания разрабатывает программное обеспечение (ПО) для управления проектами. Они внедрили новую систему лицензирования, которая предусматривает пробный период использования ПО. Компания хочет проанализировать, как долго пользователи используют пробную версию ПО, прежде чем принять решение о покупке лицензии.
Аналитики собирают данные о пользователях, которые зарегистрировались для пробной версии. Они фиксируют:
Время использования: количество дней, в течение которых пользователь использовал пробную версию.
Статус: покупка лицензии (1) или отказ от использования (0) (цензурированные данные). Если пользователь купил лицензию, это означает, что он «пережил» определенный период. Если пользователь отказался, это означает, что он «выбыл» из исследования.
Аналитики используют таблицы выживаемости для анализа этих данных. Они хотят оценить вероятность того, что пользователь продолжит использовать пробную версию в течение определенного времени.
Что представляет собой «функция выживаемости» (Survival Function) в контексте этого анализа?
Компания «CloudStorage» предоставляет услуги облачного хранения данных. Они внедрили новую систему хранения данных, оптимизированную для более быстрого доступа к файлам. Компания хочет оценить, насколько новая система влияет на время доступа к файлам, хранящимся в облаке.
Аналитики собирают данные о времени (в секундах), которое требуется пользователям для загрузки файлов из облака.
Они фиксируют:
1. время доступа: время, затраченное на загрузку файла (в секундах).
2. цензура: если файл был успешно загружен, это нецензурированные данные (1). Если при загрузке произошла ошибка (например, из-за временных проблем с сетью), это цензурированные данные (0), то есть мы знаем, что время загрузки превышает измеренное, но точное время неизвестно.
Аналитики используют таблицы выживаемости для анализа времени доступа. Они хотят построить график выживаемости, чтобы визуализировать вероятность того, что файл будет загружен в течение определенного времени.
В контексте анализа выживаемости, что представляют собой цензурированные данные?
Компания «GameDev» разрабатывает онлайн-игры. Они выпустили новую игру и хотят проанализировать, как долго игроки остаются активными в ней. Для этого они отслеживают время (в днях) с момента регистрации игрока до его выхода из игры (прекращения активности).
Аналитики собирают следующие данные:
1. время игры, т.е. количество дней, в течение которых игрок был активен;
2. статус, где
1 = игрок покинул игру (выбыл);
0 = игрок все еще активен (данные цензурированы).
Например, если игрок зарегистрировался месяц назад и до сих пор играет, его данные будут цензурированы.
Аналитики используют таблицы выживаемости для анализа этих данных. Они хотят построить кривую выживаемости, чтобы оценить, как быстро игроки покидают игру.
Какие параметры покажет таблица выживаемости?