Условная вероятность P(A|B) — основа для понимания зависимости событий и байесовского обновления. На собеседовании дают задачи, где нужно правильно обусловить вероятность — например, какова вероятность второго орла, если первый уже выпал. Ошибки в условной вероятности ведут к неверным выводам в любом анализе.
Совместная вероятность `P(A∩B)` учитывает случаи, где произошли оба события, а `P(B)` задаёт базу по условию. Деление отвечает на вопрос: какую долю внутри всех `B` занимают случаи, где также есть `A`. В данном примере это 0.12 поделить на 0.3, то есть 0.4.
Подробный разбор →Независимость означает, что наступление `B` не несёт информации о вероятности `A`. В этом случае база при `condition` `B` устроена так же, как и общая база, и вероятность не меняется. Если же события связаны, `P(A|B)` может быть больше или меньше `P(A)`.
Подробный разбор →Условие `ios` означает, что база — только пользователи `ios`, то есть 300. Среди них покупок 30, поэтому `P(purchase|ios)` равна 30 из 300, то есть 10%. Если разделить на всех пользователей, вы получите не условную, а общую вероятность покупки.
Подробный разбор →Условие `B` меняет рассматриваемую аудиторию: email может отправляться более вовлечённым пользователям. Поэтому `P(A|B)` может быть выше просто из-за различий в сегменте, даже без влияния рассылки. Чтобы говорить о причинности, нужно сравнение, где состав аудитории контролируется, например эксперимент или строгое `like-for-like` сравнение.
Подробный разбор →Условие `B` означает, что мы смотрим только детали с отметкой fail: таких 8 + 4 = 12. Среди них дефектных 8, значит `P(A|B)` равна 8 из 12. Ошибка новичков — делить на общий объём партии и получить не условную, а маргинальную вероятность.
Подробный разбор →В приложении — таймер, прогресс, стрики и 1700+ вопросов по всем темам.
Тренировать статистику в Telegram