Совместные распределения и ЦПТ: вопросы для собеседования (часть 2)
Совместные распределения, маргинальные распределения, центральная предельная теорема — мост между теорией вероятностей и статистикой. ЦПТ объясняет, почему нормальное распределение так часто встречается и почему работает z-тест. На собеседовании просят сформулировать ЦПТ и привести пример её применения.
Вопросы 6–10 из 20
6Что является наиболее точным интуитивным описанием центральной предельной теоремы (`CLT`)?
A`CLT` говорит, что выборочное среднее всегда строго равно математическому ожиданию при достаточно большом размере наблюдаемой выборки
B`CLT` требует, чтобы исходные данные изначально имели нормальное распределение, иначе нормальное приближение к выборочному среднему не работает
C`CLT` описывает совместное распределение двух случайных событий и используется только при анализе зависимости между ними
D`CLT` говорит, что стандартизированная сумма или выборочное среднее имеет распределение, близкое к нормальному, что обосновывает нормальное приближение
Ответ: `CLT` объясняет, почему распределение стандартизированной суммы или выборочного среднего часто близко к нормальному.
Важно, что `CLT` говорит о распределении статистики при повторении выборок, а не о форме исходных данных. Поэтому `CLT` применяют к выборочному среднему метрик по пользователям и к суммам событий. Это и есть причина популярности нормального приближения в аналитике для построения доверительных интервалов и проверки гипотез. Дистракторы про равенство среднего матожиданию или про обязательную нормальность исходных данных путают `CLT` с другими утверждениями.
Подробный разбор → 7Вы 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?
AВыборочное среднее обязательно станет равно математическому ожиданию уже при первом увеличении выборки.
B`CLT` гарантирует, что выборочное среднее станет нормальным распределением, поэтому значение будет точным.
CВыборочное среднее будет всё чаще оказываться близко к математическому ожиданию при росте числа наблюдений.
DСовместное распределение чеков и пользователей меняется, поэтому выборочное среднее уходит от ожидания.
Ответ: По `LLN` выборочное среднее сходится к математическому ожиданию при увеличении размера выборки.
`LLN` не обещает, что выборочное среднее будет монотонно приближаться или совпадёт ровно с математическим ожиданием в конкретный день. Но вероятность больших отклонений уменьшается, и оценка становится стабильнее. Это объясняет, почему выборочное среднее по большому числу пользователей обычно менее шумное.
Подробный разбор → 8Что становится примерно нормально распределённым по смыслу `CLT` при большом размере выборки?
AСами исходные наблюдения, поэтому при росте выборки данные «становятся нормально распределёнными»
BВыборочное распределение стандартизированной суммы или выборочного среднего по повторным выборкам
CМатематическое ожидание процесса, которое при большой выборке само принимает форму нормального распределения
DСовместное распределение любых двух категориальных признаков, рассчитанное по большой выборке наблюдений
Ответ: `CLT` описывает нормальность выборочного распределения для выборочного среднего или стандартизированной суммы.
Если исходное распределение асимметрично, оно может таким и остаться даже при огромном объёме данных. Но распределение оценок выборочного среднего при повторении выборки становится близким к нормальному. Именно это делает приближение нормальным распределением полезным для работы со средними и суммами. `CLT` не меняет форму отдельных наблюдений и не превращает в нормальное математическое ожидание или совместное распределение признаков.
Подробный разбор → 9У вас есть только маргиналы `P(A)` и `P(B)` для двух событий. В каком случае вы можете найти совместную вероятность `P(A∩B)` без полного совместного распределения?
AЕсли события независимы, тогда совместная вероятность равна произведению маргиналов: `P(A∩B)=P(A)*P(B)`
BЕсли события несовместны, тогда совместная вероятность равна сумме маргиналов: `P(A∩B)=P(A)+P(B)` без дополнительной информации
CЕсли события одинаково распределены, тогда совместная вероятность равна максимуму из маргиналов: `P(A∩B)=max(P(A), P(B))`
DЕсли маргиналы равны между собой `P(A)=P(B)`, тогда совместная вероятность определяется однозначно как `P(A∩B)=P(A)*P(A)`
Ответ: Без полного совместного распределения совместная вероятность вычисляется из `P(A)` и `P(B)` только при независимости событий.
Если события зависимы, одинаковые `P(A)` и `P(B)` могут соответствовать разным `P(A∩B)`, потому что совместное распределение устроено по-разному. При независимости 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.
Подробный разбор → 10Вы считаете средний балл по NPS как выборочное среднее по 50 ответам и по 5000 ответам. Какое утверждение про стабильность оценки наиболее корректно?
AПри 5000 ответов выборочное среднее обычно менее шумное, потому что его выборочное распределение становится уже
BРазмер выборки практически не влияет на шум выборочного среднего: разброс оценок остаётся примерно тем же
CПо закону больших чисел выборочное среднее становится ровно равным математическому ожиданию и перестаёт меняться
DПо центральной предельной теореме сами исходные ответы превращаются в нормально распределённую величину
Ответ: При большем размере выборки выборочное распределение среднего сужается, и оценка становится стабильнее.
Маленькая выборка легко смещается несколькими случайными ответами, поэтому оценка среднего сильно скачет от запуска к запуску. При большом числе наблюдений вклад одного ответа мал, и колебания снижаются — выборочное распределение среднего сужается. Это полезно помнить при сравнении метрик по маленьким сегментам и при интерпретации NPS по дням или неделям. Закон больших чисел не превращает оценку в точное значение математического ожидания, а ЦПТ говорит о распределении среднего, а не о форме исходных ответов.
Подробный разбор → Другие темы: Теория вероятностей