Какое утверждение корректно различает LLN и CLT?
A
LLN говорит, что данные становятся normal distribution, а CLT — что sample mean сходится к expected valueB
LLN и CLT — одно и то же, просто разными словамиC
LLN — про то, что sample mean приближается к expected value, а CLT — про то, что sampling distribution sample mean становится близка к normal distribution и даёт normal approximationD
CLT работает только если известна joint distribution, а LLN — только если она неизвестнаПравильный ответ.
LLN отвечает за сходимость sample mean, а CLT — за форму sampling distribution и normal approximation.Разбор
По LLN sample mean на большой выборке обычно близка к expected value, но это не говорит, как распределена ошибка. CLT добавляет, что после стандартизации ошибка sample mean ведёт себя примерно как normal distribution. Поэтому LLN объясняет стабильность, а CLT — почему так часто применяют normal approximation.
Проверь себя · 1/3разбор после ответа
Если события
A и B являются independent, какая формула верна?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» →