Совместные распределения и ЦПТ: вопросы для собеседования (часть 3)
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 11–15 из 20
11Вы знаете `P(A)` и `P(B)` для двух событий в продукте: просмотр карточки и покупка. Зачем может понадобиться совместное распределение, если уже известны обе маргинальные вероятности?
AЧтобы получить `P(A∩B)` и условные вероятности и проверить, похоже ли поведение на независимость событий
BЧтобы заново вычислить `P(A)` и `P(B)` через сумму по строкам и столбцам совместной таблицы вероятностей
CЧтобы получить выборочное среднее по пользователям и сравнить его с теоретическим математическим ожиданием по модели
DЧтобы доказать причинность между `A` и `B` без эксперимента и без контролируемой рандомизации пользователей
Ответ: Без совместного распределения нельзя восстановить `P(A∩B)` и проверить связь или независимость событий.
Маргинальные вероятности `P(A)` и `P(B)` показывают, как часто встречается каждое событие по отдельности, но не говорят, встречаются ли они вместе у одних и тех же пользователей. Совместное распределение содержит вероятности для комбинаций и позволяет считать `P(A∩B)` и условные вероятности вроде `P(A|B)`. Поэтому совместная таблица часто важнее отдельных долей при анализе связи между событиями.
Подробный разбор → 12Данные по времени выполнения задачи сильно скошены и имеют длинный хвост. Какое утверждение наиболее корректно про нормальное приближение для выборочного среднего при росте размера выборки?
AДаже при ненормальных исходных данных `CLT` часто делает выборочное распределение среднего ближе к нормальному при достаточно большой выборке
B`CLT` требует, чтобы исходные данные имели нормальное распределение, иначе нормальное приближение для среднего невозможно в принципе
C`LLN` говорит, что распределение исходных данных станет нормальным при большом размере выборки, и поэтому приближение работает
DСовместное распределение времени и пользователей всегда имеет нормальную форму при росте размера выборки наблюдений
Ответ: `CLT` относится к выборочному распределению среднего, поэтому исходные данные не обязаны быть нормальными.
Когда вы берёте выборочное среднее по многим наблюдениям, вы фактически суммируете много вкладов и делите на размер выборки. Это и приводит к нормальному приближению распределения оценки среднего, даже если исходные значения асимметричны. Но при небольшом размере выборки и сильных выбросах приближение может быть хуже. `LLN` говорит про сходимость самого среднего к матожиданию, а не про форму распределения исходных данных.
Подробный разбор → 13Событие A — клик по рекламе, событие B — покупка. Какое утверждение лучше всего соответствует независимости событий A и B?
AУсловная вероятность P(A|B) заметно больше безусловной P(A)
BСовместная вероятность раскладывается как P(A∩B) = P(A) · P(B)
CСовместная вероятность складывается как P(A∩B) = P(A) + P(B)
DЕсли произошло событие A, то событие B обязательно произойдёт следом
Ответ: При независимости событий знание B не меняет вероятность A, что эквивалентно P(A∩B) = P(A) · P(B).
В совместном распределении независимость означает, что совместные вероятности «раскладываются» через маргинальные. Эквивалентная форма — P(A|B) = P(A): знание о наступлении B не меняет вероятность A. Если P(A|B) заметно отличается от P(A), независимость нарушается. Сложение P(A) + P(B) — это формула для несовместных событий, а не для независимых.
Подробный разбор → 14В продуктовой аналитике вы смотрите одновременно платформу (ios/android) и факт покупки (да/нет). Что описывает совместное распределение этих двух признаков?
AДоли пользователей в каждой комбинации платформы (ios/android) и факта покупки (да/нет) с суммой по всем парам, равной единице
BТолько общую долю покупок без разбивки по платформе, то есть маргинальное распределение по факту покупки без учёта операционной системы
CТолько распределение платформ без учёта факта покупки, то есть маргинальное распределение по платформе без сведений о покупках
DРазницу средних значений чека между платформами (ios против android) среди пользователей, совершивших покупку за период
Ответ: Совместное распределение показывает частоты для пар значений двух случайных величин.
Если вы знаете только маргинальное распределение каждого признака, вы не знаете, как часто они встречаются вместе. Совместное распределение даёт доли для всех пар значений и позволяет увидеть структуру совместных комбинаций. Это основа для обсуждения связи и проверки независимости. Разница средних чеков — это уже отдельная характеристика, а не описание совместного распределения.
Подробный разбор → 15Вы 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?
AЗакон больших чисел: выборочная доля сходится к истинной вероятности при росте числа испытаний
BЦентральная предельная теорема: исходные подбрасывания становятся нормально распределёнными при большом числе бросков
CСовместное распределение: монета начинает зависеть от предыдущих бросков и выравнивает доли орлов и решек
DНормальное приближение: гарантирует точное совпадение наблюдаемой доли с истинной вероятностью при больших n
Ответ: Закон больших чисел объясняет, почему выборочная доля стабилизируется около истинной вероятности при большом числе испытаний.
Закон больших чисел утверждает, что при росте числа независимых испытаний выборочное среднее (в случае монеты — доля орлов) сходится к истинной вероятности. При 100 испытаниях случайная вариация ещё велика, и доля заметно отклоняется. При 10000 влияние одного исхода мало, и результат устойчивее. Центральная предельная теорема говорит про распределение суммы, а не про сходимость доли, и точного совпадения никакая теорема не гарантирует.
Подробный разбор → Другие темы: Теория вероятностей