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?
AВсегда, потому что
P(A∩B)=P(A)+P(B)BНикогда, потому что для этого нужен
CLTCТолько если
P(A)=P(B)DЕсли есть
independence между событиями, тогда P(A∩B)=P(A)*P(B)Правильный ответ. Без
joint distribution совместная вероятность вычисляется из P(A) и P(B) только при independence.Разбор
Если события зависимы, одинаковые P(A) и P(B) могут соответствовать разным P(A∩B), потому что joint distribution устроена по-разному. При independence условие не меняет вероятность, и произведение маргиналов даёт совместную: P(A∩B)=P(A)*P(B). На практике независимость — сильное предположение, и его стоит проверять или обосновывать.
Проверь себя · 1/3разбор после ответа
Вы считаете средний балл по NPS-вопросу как
sample mean по 50 ответам и по 5000 ответам. Какое утверждение про стабильность оценки наиболее корректно?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» →