Метрика времени ответа сильно скошена: много маленьких значений и редкие большие. Что чаще всего верно про sampling distribution x̄ при росте n?
A
x̄ всегда имеет такое же распределение, как исходные данные, независимо от nB
CLT означает, что выбросы исчезнут из исходных данных при росте nCПо
CLT распределение x̄ становится ближе к нормальному и уже, хотя исходные значения могут оставаться скошеннымиD
x̄ становится равномерно распределённым, если данные скошеныПравильный ответ.
CLT описывает нормализацию sampling distribution среднего, а не изменение формы исходных данных.Разбор
Даже если отдельные наблюдения скошены, среднее по многим наблюдениям часто становится более 'симметричным' и приближается к нормальному распределению при росте n. Одновременно уменьшается SE, поэтому x̄ становится более стабильной оценкой. Ошибка — думать, что CLT 'лечит' выбросы в данных или гарантирует нормальность уже при маленьком n.
Проверь себя · 1/3разбор после ответа
Есть n независимых наблюдений с дисперсией
σ^2. Как корректно описать, как меняются дисперсии статистик S=ΣXi и x̄ при росте n?Ещё вопросы по теме «Случайные величины и выборочные распределения»
- Вы посчитали `выборочное среднее` `x̄` по случайной выборке пользователей. Как корректно трактовать `x̄`?
- Вы 1000 раз берёте случайные выборки размера n из одной популяции и каждый раз считаете `x̄`. Что из перечисленного является `sampling distribution` для `x̄`?
- Если стандартная ошибка среднего подчиняется приближению `SE ~ 1/√n`, как изменится `SE`, если размер выборки увеличится с 400 до 1600 (при том же разбросе данных)?
- Что утверждает `CLT` (интуитивно) про `выборочное среднее` `x̄` при достаточно большом `n`?
- Что корректнее всего отличает стандартное отклонение данных от стандартной ошибки среднего `SE`?
- Все вопросы по «Случайные величины и выборочные распределения» →