Вы 100 раз подбрасываете монету и получаете долю орлов 0.62, а при 10000 подбрасываниях доля 0.51. Какая идея лучше всего объясняет, почему при увеличении числа бросков доля обычно становится ближе к истинной вероятности?
A
LLN: sample mean доли сходится к истинной вероятности при росте числа повторенийB
CLT: исходные подбрасывания становятся normal distribution при большом числе повторенийC
joint distribution: монета начинает зависеть от предыдущих бросковD
normal approximation: гарантирует точное совпадение с истинной вероятностьюПравильный ответ.
LLN объясняет, почему sample mean доли стабилизируется около истинной вероятности при большом числе испытаний.Разбор
При 100 испытаниях случайная вариация ещё велика, и доля может заметно отклоняться. При 10000 испытаниях влияние одного исхода мало, и результат более устойчив. Это не гарантирует точного совпадения, но делает большие отклонения менее вероятными.
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» →