Дано: результаты A/B теста -- successes_c, trials_c, successes_t, trials_t. Реализуйте Bayesian A/B анализ с Beta-приором Beta(1, 1): 1. Постериоры: Beta(1 + successes, 1 + failures) для каждого варианта 2. P(treatment > control) -- сэмплируйте 100000 значений из каждого постериора, посчитайте долю 3. Expected loss для каждого варианта 4. 95% credible interval для разницы Сохраните dict {"p_treatment_wins":..., "expected_loss_control":..., "expected_loss_treatment":..., "posterior_mean_c":..., "posterior_mean_t":..., "credible_interval_diff": [lo, hi]} (округлённые до 4 знаков) в `result`.
bayesian beta_distribution ab_test statistics
Задача «Байесовский A/B тест (Beta distribution)» учит применять статистику и научные методы через scipy. Такие задачи дают на собеседованиях в Яндекс и других IT-компаниях. Уровень сложный — проверяет глубину и умение собрать решение из нескольких приёмов.
Сначала разбери условие и формат входа-выхода, прикинь крайние случаи (пустой ввод, дубли, NaN). Затем выбери структуру данных и собери решение по шагам — начни с простого рабочего варианта, потом оптимизируй сложность. Код пишешь и запускаешь прямо в браузере: Python-тренажёр исполняет его через Pyodide (pandas, numpy, scipy) и проверяет результат автоматически.
На собеседовании по Python для аналитика ценят чистый читаемый код, корректную обработку крайних случаев (пустой ввод, дубли, None) и умение вслух оценить сложность по времени и памяти. Часто просят не просто решить, а разобрать альтернативные подходы и показать, где наивное решение сломается на большом объёме данных.
Прокачать Python для аналитики — бесплатный курс «Pandas с нуля» и Python-тренажёр.
Открыть задачу в тренажёре → ← Все Python-задачи