--- title: Статистические понятия questionDates: q-transfer-0075: '2026-10-01' q-transfer-0076: '2026-10-01' q-transfer-0077: '2026-10-01' q-transfer-0078: '2026-10-01' q-transfer-0079: '2026-10-01' q-transfer-0080: '2026-10-01' q-transfer-0081: '2026-10-01' q-transfer-0082: '2026-10-01' seo: description: >- Тема «Статистические понятия» для собеседования Data Analyst. Что такое нулевая гипотеза? Что такое альтернативная гипотеза? Что такое p-value? title: Статистические понятия — Data Analyst --- [Все темы Data Analyst](/prep/data-analyst) ## Что такое нулевая гипотеза? Что такое альтернативная гипотеза? [#q-14bee738d69b812aba7cfd016215d3a1] В контексте A/B тестирования: 1. Нулевая гипотеза (H₀): Это предположение о том, что никаких статистически значимых различий между контрольной (обычной) и тестовой (измененной) группами не существует. То есть любые обнаруженные различия могут быть случайными. 1. Альтернативная гипотеза (H₁ или Hₐ): Это предположение о том, что существуют статистически значимые различия между контрольной и тестовой группами. Иными словами, изменение, внесенное в тестовую группу, действительно влияет на исследуемую метрику или поведение пользователей. Нулевая и альтернативная гипотезы являются ключевыми элементами статистического анализа результатов A/B тестирования. :::note[Ссылки для изучения] 1. [Статистические гипотезы: H₀, H₁, p-value и уровень значимости](https://pozdniakov.github.io/tidy_stats/310-infer_stats.html#sec-nhst) ::: --- ## Что такое p-value? [#q-14bee738d69b81dbb077e14a0d6a2d4f] p-value представляет вероятность не менее экстремального результата статистики при верной нулевой гипотезе и выполненных предположениях теста. Его сравнивают с заранее выбранным уровнем значимости α; эти понятия различаются. Если p-value очень маленькое (обычно меньше заданного уровня значимости, например, 0.05), то это означает, что у нас есть достаточно доказательств для отклонения нулевой гипотезы в пользу альтернативной. В этом случае мы говорим, что результаты статистически значимы. Если же p-value большое, то мы не можем отклонить нулевую гипотезу, и результаты не считаются статистически значимыми. :::note[Ссылки для изучения] 1. [Статистические гипотезы: H₀, H₁, p-value и уровень значимости](https://pozdniakov.github.io/tidy_stats/310-infer_stats.html#sec-nhst) ::: --- ## Что такое мощность? Почему важно учитывать мощность при анализе эксперимента? [#q-14bee738d69b8194b1fbd08bf474fc9e] Мощность (power) в статистике — это вероятность обнаружить статистически значимое различие, если оно существует в действительности. Чем выше мощность эксперимента, тем меньше вероятность ошибки II рода (не обнаружения реального эффекта). Важно учитывать мощность при анализе эксперимента, потому что: 1. Обеспечение достоверности результатов: Высокая мощность позволяет достоверно обнаруживать реальные различия между группами. Это важно для принятия информированных решений на основе данных эксперимента. 1. Оптимизация размера выборки: Знание мощности помогает оптимизировать размер выборки таким образом, чтобы эксперимент был достаточно чувствителен к обнаружению эффектов, которые вы хотите изучить. 1. Эффективное планирование и проведение исследования: Учет мощности помогает на ранних стадиях исследования правильно оценить требуемые ресурсы, временные рамки и ожидаемые результаты эксперимента. Таким образом, мощность является важным статистическим показателем, который помогает обеспечить надежность и репрезентативность результатов статистических исследований и экспериментов. :::note[Ссылки для изучения] 1. [Мощность, ошибки и MDE при планировании A/B-теста](https://habr.com/ru/companies/avito/articles/936804/) ::: --- ## Что такое статистическая значимость? [#q-14bee738d69b810eb5c1ec8a3e614fba] Результат статистически значим на уровне α, если выбранный тест отвергает нулевую гипотезу по заранее заданному правилу, обычно p-value ≤ α. Это не вероятность того, что эффект реален, и не оценка его практической важности. :::note[Ссылки для изучения] 1. [Статистические гипотезы: H₀, H₁, p-value и уровень значимости](https://pozdniakov.github.io/tidy_stats/310-infer_stats.html#sec-nhst) ::: --- ## Когда выбирать одностороннюю, а когда двустороннюю гипотезу? [#q-transfer-0075] Одностороннюю гипотезу выбирают до просмотра данных, если эффект в противоположную сторону не будет считаться успехом и решение действительно направленное. Вся ошибка первого рода размещается в одной критической области, поэтому мощность в заданном направлении выше. Двусторонний тест нужен, когда важны оба направления или противоположный эффект тоже изменит решение. Нельзя сначала увидеть знак эффекта, а затем выбрать сторону. Даже при одностороннем тесте противоположный вред контролируют guardrail-метриками. :::note[Ссылки для изучения] 1. [Статистика вывода: гипотезы и два направления отклонения](https://pozdniakov.github.io/tidy_stats/310-infer_stats.html#sec-nhst) 1. [Планирование исследования: выбор теста после результатов и пререгистрация](https://pozdniakov.github.io/tidy_stats/410-planning.html#sec-quest_practices) ::: --- ## Что показывает стандартная ошибка среднего? [#q-transfer-0076] Стандартная ошибка среднего описывает разброс оценки среднего между повторными выборками, а не разброс самих наблюдений. Для независимых одинаково распределенных данных ее оценивают как `s / sqrt(n)`. Чем больше выборка, тем точнее среднее, хотя стандартное отклонение данных не обязано уменьшаться. Стандартная ошибка входит в доверительный интервал и тест статистики. При кластерах, временной зависимости или сложном sampling простая формула неверна, нужны соответствующие robust или design-based оценки. :::note[Ссылки для изучения] 1. [Выборочное распределение и стандартная ошибка среднего](https://pozdniakov.github.io/tidy_stats/310-infer_stats.html#sec-sample_dist) ::: --- ## Как по выборке делать выводы о генеральной совокупности? [#q-transfer-0077] Сначала описывают генеральную совокупность и механизм отбора. Затем выбирают estimand, например среднее, долю или causal effect, и считают точечную оценку со стандартной ошибкой и доверительным интервалом. Гипотеза отвечает на конкретный вопрос, но `p-value` не измеряет вероятность ее истинности. Обобщение зависит от репрезентативности, пропусков, весов и независимости наблюдений. Большая удобная выборка может дать узкий интервал вокруг смещенной оценки, поэтому sampling важнее одного размера `n`. :::note[Ссылки для изучения] 1. [Статистика вывода: оценки генеральной совокупности по выборке](https://pozdniakov.github.io/tidy_stats/310-infer_stats.html) 1. [Анализ опросов: дизайн выборки, веса и доверительные интервалы](https://habr.com/ru/articles/262005/) ::: --- ## Почему корреляция с константным признаком не определена? [#q-transfer-0078] Корреляция Пирсона делит ковариацию на произведение стандартных отклонений. У константного признака дисперсия и стандартное отклонение равны нулю, поэтому получается деление на ноль и корреляция не определена. Библиотеки обычно возвращают `NaN` и предупреждение. Это не означает нулевую связь: величину просто нельзя стандартизировать. Перед корреляционной матрицей проверяют константные и почти константные признаки, пропуски и эффективное число пар наблюдений. :::note[Ссылки для изучения] 1. [Коэффициент Пирсона: ковариация и нормирование на стандартные отклонения](https://pozdniakov.github.io/tidy_stats/330-cov_cor.html#sec-pearson_cor) ::: --- ## Как интерпретировать reliability измерения? [#q-transfer-0079] Reliability показывает воспроизводимость или внутреннюю согласованность измерения, а не то, измеряет ли оно нужный конструкт. Конкретная интерпретация зависит от коэффициента: alpha или omega оценивают согласованность шкалы при своих допущениях, test-retest оценивает стабильность во времени, inter-rater относится к согласованности оценщиков. Порог вроде 0,7 не универсален. Нужно сообщать коэффициент, доверительный интервал, структуру шкалы и контекст решения. Высокая reliability возможна у систематически неверного измерения, поэтому validity проверяют отдельно. :::note[Ссылки для изучения] 1. [Проблема надежности психологических шкал: интерпретация и ограничения](https://psyjournals.ru/nonserialpublications/exp_collection/contents/32999) ::: --- ## Почему дисперсия использует квадраты отклонений от среднего? [#q-transfer-0080] Квадраты не дают положительным и отрицательным отклонениям взаимно уничтожиться, сильнее учитывают большие отклонения и имеют удобные свойства. Среднее минимизирует сумму квадратов, а разложение дисперсии и линейная алгебра делают эту меру центральной в статистике. Это не единственный выбор: среднее абсолютное отклонение устойчивее к выбросам, а медиана минимизирует сумму абсолютных отклонений. Единицы дисперсии квадратные, поэтому для интерпретации часто используют стандартное отклонение. :::note[Ссылки для изучения] 1. [Зачем нужен средний квадрат отклонения: пример случайного блуждания](https://habr.com/ru/articles/914146/) ::: --- ## Зачем в выборочной дисперсии делить на n-1? [#q-transfer-0081] Когда выборочное среднее оценено по тем же данным, отклонения от него суммируются в ноль, и свободно изменяться могут только `n-1` из них. Сумма квадратов отклонений от выборочного среднего в среднем меньше суммы относительно истинного среднего. Деление на `n-1`, поправка Бесселя, компенсирует это и дает несмещенную оценку дисперсии генеральной совокупности при iid-наблюдениях и конечной дисперсии. Деление на `n` используется, например, для MLE нормальной дисперсии, но оно смещено в конечной выборке. :::note[Ссылки для изучения] 1. [Точечные оценки: смещение дисперсии и поправка Бесселя](https://pozdniakov.github.io/tidy_stats/310-infer_stats.html#sec-sample_estimate) ::: --- ## Когда выборочный максимум является смещенной оценкой? [#q-transfer-0082] Смещение всегда определяется относительно конкретного параметра и модели. Для независимой выборки из невырожденного распределения с конечной верхней границей `theta` максимум не превышает `theta`, а его ожидание ниже границы. В непрерывной модели максимум почти наверняка строго ниже неё. Размер смещения зависит от распределения и `n`. Например, для Uniform(0, theta) несмещенная поправка равна `(n+1)/n * max`. Без модели нельзя вывести универсальную поправку. При неограниченном распределении сам «верхний предел» может не существовать. :::note[Ссылки для изучения] 1. [Математическая статистика: смещение максимума равномерной выборки, пример13, с.36](https://math.nsc.ru/LBRT/v1/OldDepartmentSite/chernova/ms/ms_nsu07.pdf#page=36) :::