Курс по статистике для аналитика данных — Stats 2026

Программа курса (16 модулей)

Модули разбиты на 4 спринта. Каждый — 1-2 недели. К концу курса можешь объяснить разницу между classical и Bayesian A/B, считать sample size, делать bootstrap CI.

Что входит в каждый модуль

Структура одного модуля (~30-60 мин на изучение):

• Простыми словами (3-4 предложения для джуна)
• Учебные данные (синтетический пример)
• Основной контент с code-блоками и формулами LaTeX
• Подвохи — что спрашивают на собесе, типичные ошибки
• 2-3 интерактивных python-задачи (scipy/numpy) с автопроверкой
• Чек-лист «что узнал» и «что дальше»
• Ссылки на смежные модули и блог-посты

Примеры конспектов

Конкретные модули из текущей программы:

• CUPED variance reduction (Microsoft 2013) — снижает variance на 30-50%
• mSPRT sequential testing — без peeking penalty
• Bayesian A/B (Beta-Binomial) — Booking использует
• Difference-in-Differences (Card-Krueger 1994) — для observational data
• Propensity Score Matching — для квазиэкспериментов
• Instrumental Variables (Angrist-Krueger 1991) — для causal inference

Глубина: от основ до Bayesian и causal inference

Большинство базовых курсов по статистике покрывают основы (описательная статистика, t-test, ЦПТ) — этого хватит для начала Junior. Наш курс идёт глубже: Bayesian A/B, sequential testing (mSPRT), causal inference (DiD, PSM, IV). Это уровень Middle/Senior собеса в продуктовых компаниях.

Формат: на русском с примерами реальных РФ-компаний

Наш курс — на русском с примерами реальных кейсов (Booking Bayesian A/B, Microsoft mSPRT, Yandex CUPED). Python playgrounds в браузере через Pyodide — решаешь задачу сразу, без установки Anaconda.

Программа за 8 недель

Реалистичный план для self-study:

1. Неделя 1-2 — Probability + distributions (4 модуля)
2. Неделя 3-4 — Descriptive + correlation + bootstrap (5 модулей)
3. Неделя 5-6 — Hypothesis testing + A/B design + multiple testing (4 модуля)
4. Неделя 7-8 — Causal inference (DiD, PSM, IV) — 3 модуля

Python playgrounds

В каждом модуле — интерактивная задача с scipy/numpy. Решаешь прямо в браузере через Pyodide, autocheck через expectedOutput / expectedContains.

# Playground: bootstrap CI для медианы
import numpy as np
from scipy import stats

# Данные: длительность сессии (skewed распределение)
sessions = np.random.exponential(scale=180, size=500)  # 500 сессий

# Bootstrap 95% CI для медианы
boot = stats.bootstrap(
    (sessions,),
    np.median,
    confidence_level=0.95,
    n_resamples=10000,
    random_state=42
)
print(f"Median: {np.median(sessions):.1f} sec")
print(f"95% CI: [{boot.confidence_interval.low:.1f}, {boot.confidence_interval.high:.1f}]")
# Expected output (примерно): Median ~125 sec, CI [110, 145]