M1-004M1: 数学与统计基础概率论基础Medium
⚡闪卡盲测➔掌握度:
解释期望的线性性与方差的可加性,并说明各自需要什么条件。
🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
📐 核心数学机理公式
⚡ 一句话直击要害答案
期望线性无条件成立;方差可加需要不相关(独立是充分条件)。
📌 核心要点提炼
- •期望线性是 A/B 测试能用样本均值估计总体均值的根基
- •方差可加在 A/B 分组独立时成立(CUPED 正是利用相关性降方差)
📐 数学机理与严密推导
期望的线性性 E[aX+bY]=aE[X]+bE[Y] 对任意随机变量成立(不要求独立、不要求同分布),因为期望是积分算子,积分天然线性。这是统计推断最重要的工具——它保证了'样本均值是总体均值的无偏估计'这一结论无需任何分布假设。方差的可加性则不然:Var(X+Y)=Var(X)+Var(Y)+2Cov(X,Y),只有当 Cov=0(不相关)时才能简化为相加;独立是 Cov=0 的充分条件但非必要(存在不相关但依赖的例子,如 X~U(-1,1) 与 Y=X²)。
🏭 深度剖析与工业落地权衡
这两个性质直接支撑 A/B 测试的理论基础:① 由期望线性,处理组与对照组的样本均值差是 ATE 的无偏估计;② 由方差可加,两组独立时差值方差 = 两组方差之和,故标准误可解析计算。更重要的是方差可加的反面——若引入与指标相关的协变量,可以通过扣除其解释的方差来降低估计方差:这就是 CUPED(Y^cv=Y−θ(X−X̄),θ=Cov(Y,X)/Var(X)),方差降低比例恰为相关系数平方 ρ²。工业界实践中,用实验前的同指标作为协变量常能降低 30–50% 方差,等效于免费获得数倍样本量。
⚠️ 常见面试陷阱与高频失分点
- ✕以为方差可加也无需条件
- ✕误认为不相关等价于独立
🎯 面试官连环追问与延伸考察
- ?若 X、Y 相关,如何降方差?(CUPED / 协变量调整)
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
📚