У вас метрика конверсии за день оценивается как доля покупок. Почему оценка на 10000 сессиях обычно менее шумная, чем на 100 сессиях?
AВ силу
CLT выборочная конверсия становится близкой к 50% при росте числа сессий вне зависимости от продуктаBПри большем числе сессий совместное распределение покупок и сессий фиксируется и шум по дням исчезает по построению
CПри большем размере выборки выборочная доля ближе к ожидаемой и реже сильно отклоняется, что соответствует интуиции
LLNDНормальное приближение убирает дисперсию доли покупок и делает оценку доли точной при достаточно большом числе сессий
Правильный ответ. Чем больше наблюдений, тем стабильнее выборочное среднее вокруг ожидаемого значения, что соответствует
LLN.Разбор
На маленькой выборке случайность может сильно менять долю: одна дополнительная покупка заметно сдвигает результат. На большой выборке вклад одного события намного меньше, поэтому колебания снижаются. Это одна из причин, почему метрики на малом трафике трудно интерпретировать.
Проверь себя · 1/3разбор после ответа
Какая запись соответствует вероятности того, что в одном наблюдении произойдут оба события
A и B?Ещё вопросы по теме «Совместные распределения и ЦПТ»
- В продуктовой аналитике вы смотрите одновременно платформу (ios/android) и факт покупки (да/нет). Что описывает совместное распределение этих двух признаков?
- Событие A — клик по рекламе, событие B — покупка. Какое утверждение лучше всего соответствует независимости событий A и B?
- Вы оцениваете средний чек как выборочное среднее по 50 пользователям и затем по 5000 пользователям. Что утверждает `LLN` про поведение выборочного среднего при росте размера выборки?
- Что является наиболее точным интуитивным описанием центральной предельной теоремы (`CLT`)?
- Распределение трат на пользователя сильно скошено: много маленьких чеков и редкие большие. Почему для выборочного среднего трат по 5000 пользователям часто хорошо работает нормальное приближение?
- Все вопросы по «Совместные распределения и ЦПТ» →