Если события A и B являются independent, какая формула верна?
A
P(A∩B)=P(A)+P(B)B
P(A∩B)=P(A)/P(B)C
P(A∩B)=P(A|B)+P(B|A)D
P(A∩B)=P(A)*P(B)Правильный ответ. При
independence совместная вероятность равна произведению маргинальных: P(A∩B)=P(A)*P(B).Разбор
Это свойство позволяет вычислять совместные вероятности без полной joint distribution, но только когда предположение независимости разумно. Если P(A|B) отличается от P(A), то independence нарушается, и формула не работает. В интервью важно уметь проговорить, что независимость — сильное предположение, которое нужно проверять или обосновывать.
Проверь себя · 1/3разбор после ответа
Вы считаете число кликов за день как
sum по пользователям: каждый пользователь либо кликнул, либо нет. Почему распределение этой sum по дням часто хорошо описывается normal approximation при большом трафике?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» →