Что становится примерно normal distribution по смыслу CLT при большом размере выборки?
AСами исходные наблюдения, поэтому данные «становятся нормальными»
B
sampling distribution стандартизированной sum или sample meanC
expected value процессаD
joint distribution любых двух категориальных признаковПравильный ответ.
CLT описывает нормальность sampling distribution для sample mean или стандартизированной sum.Разбор
Если исходное распределение асимметрично, оно может таким и остаться даже при огромном объёме данных. Но распределение оценок sample mean при повторении выборки становится близким к normal distribution. Именно это делает normal approximation полезной для работы со средними и суммами.
Проверь себя · 1/3разбор после ответа
У вас есть только
P(A) и P(B) для двух событий. В каком случае вы можете найти P(A∩B) без полной joint distribution?Ещё вопросы по теме «Совместные распределения и ЦПТ»
- В продуктовой аналитике вы смотрите одновременно `platform` (ios/android) и факт `purchase` (да/нет). Что описывает `joint distribution` (совместное распределение) этих двух признаков?
- Событие `A` — клик по рекламе, событие `B` — покупка. Какое утверждение лучше всего соответствует `independence` между `A` и `B`?
- Вы оцениваете средний чек как `sample mean` по 50 пользователям и затем по 5000 пользователям. Что утверждает `LLN` про поведение `sample mean` при росте размера выборки?
- Что является наиболее точным интуитивным описанием `CLT`?
- Распределение трат на пользователя сильно скошено: много маленьких чеков и редкие большие. Почему для `sample mean` трат по 5000 пользователям часто работает `normal approximation`?
- Все вопросы по «Совместные распределения и ЦПТ» →