1. Учиться
    2. /
  2. Courses
    3. /
  3. Pythonで学ぶ統計シミュレーション
Connected

Exercise

Sign up フロー

ここでは、サインアップから始まる eCommerce の広告フローの DGP（データ生成過程）をモデル化します。

ある1日に得られる広告インプレッション数は、ポアソン確率変数（RV）としてモデル化できます。\(\lambda\) は平均 10 万人、標準偏差 2000 の正規分布に従うとします。

サインアップの流れでは、顧客は広告を見て、クリックするかどうか、さらにサインアップするかどうかを決めます。つまり、クリックもサインアップも二値であり、二項分布の RV でモデル化します。では成功確率 \(p\) はどうなるでしょうか。現在の低コストオプションでは、クリック率は 1%、サインアップ率は 20% です。高コストオプションにすると、クリック率とサインアップ率が最大で 20% 向上する可能性がありますが、どの程度改善するかは不確実なため、一様分布の RV としてモデル化します。

Инструкции

100 XP
  • ct_rate と su_rate の辞書を初期化し、high の値が low の値からその \(1.2 \times\) までの一様分布に従うようにしてください。
  • impressions を平均 lam のポアソン確率変数としてモデル化します。
  • clicks と signups を二項確率変数としてモデル化します。n はそれぞれ impressions と clicks、p はそれぞれ ct_rate[cost] と su_rate[cost] とします。
  • 最後に、コストオプションが 'high' のときのシミュレーションされたサインアップ数を出力します。