Bỏ qua đến nội dung chính
Mục lục

Câu hỏi phỏng vấn thống kê cho data analyst

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 6/8 · Chương 14

Trang phụ trợ

  • 8 phút
  • Trung cấp
  • Python 3.14
  • Cập nhật

Trang này gom các câu hỏi phỏng vấn thống kê hay gặp khi ứng tuyển data analyst: trung bình và trung vị, p-value, khoảng tin cậy, sai lầm loại 1 và 2, A/B test, tương quan và hồi quy. Dùng trang để ôn trong vài ngày trước buổi phỏng vấn, hay để tự kiểm mình đã nắm phần nào của tutorial.

Cách ôn với trang này

Mỗi câu trả lời mở bằng ý chính trong một hai câu, đúng độ dài nên nói khi được hỏi, rồi thêm chi tiết người phỏng vấn hay hỏi tiếp. Vài câu có một ô code nhỏ chỉ dùng thư viện chuẩn (statistics, math), để bạn minh họa được ngay cả khi máy không có scipy.

Hãy che câu trả lời, tự nói thành lời, rồi mới đọc. Câu nào trả lời chưa trôi, mở bài ở cuối câu trả lời để ôn kỹ.

Thống kê mô tả

Khi nào dùng trung vị thay cho trung bình?

Khi dữ liệu lệch hay có giá trị rất xa, như thu nhập hay giá nhà: vài giá trị lớn kéo trung bình lên, còn trung vị đứng yên. Một ví dụ năm mức lương (triệu đồng):

python
import statistics

luong = [12, 14, 15, 16, 120]
print(statistics.mean(luong), statistics.median(luong))

KẾT QUẢ

35.4 15

Báo cáo cả hai khi phân phối lệch là câu trả lời an toàn. Ôn lại: trung bình, trung vị, mốt.

Vì sao phương sai mẫu chia n − 1?

Vì trung bình mẫu được tính từ chính mẫu đó, nên độ lệch khỏi nó nhỏ hơn độ lệch khỏi trung bình thật; chia n thì phương sai bị đánh giá thấp một cách có hệ thống. Chia n − 1 bù đúng phần đó, làm ước lượng không chệch. Trong NumPy là ddof=1; pandas mặc định đã là 1. Ôn lại: phương sai mẫu chia n − 1.

Tìm giá trị bất thường bằng cách nào?

Hai cách hay dùng: z-score có trị tuyệt đối lớn hơn 3, và quy tắc 1,5 IQR (ngoài khoảng Q1 − 1,5·IQR tới Q3 + 1,5·IQR). Cách IQR bền hơn khi dữ liệu lệch, vì chính giá trị bất thường không kéo Q1, Q3. Sau khi tìm thấy, hỏi vì sao nó có trước khi bỏ. Ôn lại: z-score và tứ phân vị.

Xác suất và phân phối

P(A | B) và P(B | A) khác nhau thế nào?

P(A | B) là xác suất A khi đã biết B; đổi chỗ thì thường ra số khác hẳn. Xác suất "người bị bệnh có kết quả dương tính" có thể 99%, mà xác suất "người có kết quả dương tính bị bệnh" chỉ vài phần trăm khi bệnh hiếm. Công thức Bayes nối hai số qua tỉ lệ nền. Ôn lại: công thức Bayes.

Định lý giới hạn trung tâm nói gì, và vì sao quan trọng?

Trung bình của mẫu đủ lớn có phân phối gần chuẩn, quanh trung bình thật, với độ lệch chuẩn σ / √n, dù dữ liệu gốc không chuẩn. Nhờ đó khoảng tin cậy và kiểm định t dùng được cho nhiều loại dữ liệu. "Đủ lớn" tùy độ lệch của dữ liệu: vài chục thường đủ, dữ liệu rất lệch cần nhiều hơn. Ôn lại: định lý giới hạn trung tâm.

Khoảng bao nhiêu phần trăm dữ liệu chuẩn nằm trong một, hai độ lệch chuẩn?

Khoảng 68% trong một độ lệch chuẩn, 95% trong hai, 99,7% trong ba. Tính lại được bằng thư viện chuẩn:

python
from statistics import NormalDist

z = NormalDist()
for k in (1, 2, 3):
    print(k, round(z.cdf(k) - z.cdf(-k), 4))

KẾT QUẢ

1 0.6827
2 0.9545
3 0.9973

Ôn lại: phân phối chuẩn.

Ước lượng và khoảng tin cậy

Khoảng tin cậy 95% nghĩa là gì?

Nghĩa là cách dựng khoảng này, áp lên rất nhiều mẫu, cho khoảng chứa tham số thật ở khoảng 95% số mẫu. Nó không nói một khoảng cụ thể chứa tham số với xác suất 95%: khoảng đã tính thì hoặc chứa, hoặc không. Người phỏng vấn hay hỏi đúng chỗ này. Ôn lại: khoảng tin cậy.

Muốn khoảng tin cậy hẹp lại một nửa thì cần bao nhiêu dữ liệu?

Gấp bốn lần, vì độ rộng tỉ lệ với 1 / √n. Từ 100 lên 400 quan sát thì sai số biên còn một nửa:

python
import math

for n in (100, 400):
    print(n, round(1.96 * 0.5 / math.sqrt(n), 3))

KẾT QUẢ

100 0.098
400 0.049

Đây là sai số biên của một tỉ lệ quanh 50%. Ôn lại: cỡ mẫu.

Kiểm định và p-value

P-value là gì?

Câu hỏi phỏng vấn p value hay gặp nhất. Trả lời: p-value là xác suất được một kết quả lệch ít nhất như dữ liệu đang thấy, nếu giả thuyết không H₀ đúng. p nhỏ nghĩa là dữ liệu khó xảy ra dưới H₀, nên ta có bằng chứng chống H₀. Ôn lại: p-value.

P-value không phải là gì?

Không phải xác suất H₀ đúng, không đo khác biệt lớn hay nhỏ, và 1 − p không là xác suất lặp lại được kết quả. p > 0,05 cũng không có nghĩa "không có khác biệt", chỉ là chưa đủ bằng chứng. Kể được hai trong số này là trả lời tốt. Ôn lại: sáu cách hiểu sai p-value.

Sai lầm loại I và loại II là gì?

Loại I: bác bỏ H₀ khi H₀ đúng (báo động giả), xác suất là mức ý nghĩa α. Loại II: không bác bỏ H₀ khi có khác biệt thật (bỏ sót), xác suất β; lực kiểm định là 1 − β. Với cùng cỡ mẫu, giảm α làm β tăng; muốn giảm cả hai thì cần thêm dữ liệu. Ôn lại: sai lầm loại 1 và loại 2.

Khi nào dùng kiểm định t, khi nào dùng chi bình phương?

Kiểm định t so trung bình của một biến số (một nhóm với một mốc, hai nhóm, hay trước và sau). Chi bình phương xét hai biến phân loại có liên quan không, trên bảng số đếm. Ba nhóm trở lên với biến số thì dùng ANOVA. Ôn lại: chọn kiểm định.

Chạy 20 kiểm định và một cái có p < 0,05 thì sao?

Với α = 0,05 và không có khác biệt thật nào, trung bình cứ 20 kiểm định có một cái "có ý nghĩa" do ngẫu nhiên. Phải hiệu chỉnh, như Bonferroni (chia α cho số kiểm định) hay Benjamini–Hochberg, và báo cáo cả số kiểm định đã chạy. Ôn lại: so sánh nhiều lần.

A/B test

Thiết kế một A/B test gồm những bước nào?

Chọn một chỉ số chính, đặt hiệu ứng nhỏ nhất cần phát hiện (MDE), α và lực kiểm định; tính cỡ mẫu; chia người dùng ngẫu nhiên; chạy đủ thời gian đã định; rồi mới phân tích. Nói thêm kiểm tra lệch tỉ lệ chia (SRM) trước khi đọc kết quả là điểm cộng. Ôn lại: A/B test là gì và cỡ mẫu cho A/B test.

Vì sao không nên dừng A/B test ngay khi p < 0,05?

Xem kết quả mỗi ngày rồi dừng khi thấy p < 0,05 cho bạn nhiều cơ hội gặp một p nhỏ do ngẫu nhiên, nên tỉ lệ dương tính giả cao hơn α nhiều. Đặt cỡ mẫu trước và chỉ phân tích khi đủ, hoặc dùng phương pháp thiết kế riêng cho việc xem giữa chừng. Ôn lại: lỗi khi chạy A/B test.

Kết quả có ý nghĩa thống kê nhưng tỉ lệ chuyển đổi chỉ tăng 0,1 điểm phần trăm, có nên triển khai không?

Chưa chắc. Ý nghĩa thống kê chỉ nói khác biệt khó là ngẫu nhiên; triển khai hay không phụ thuộc giá trị kinh doanh của 0,1 điểm, chi phí làm, và khoảng tin cậy của hiệu (đầu dưới có thể gần 0). Ôn lại: phân tích A/B test.

Tương quan và hồi quy

Tương quan cao có nghĩa là có quan hệ nhân quả không?

Không. Hai biến có thể cùng chịu ảnh hưởng của một biến thứ ba, như doanh số kem và số người đi bơi cùng tăng vào mùa nóng. Muốn nói nhân quả cần thí nghiệm chia nhóm ngẫu nhiên, như A/B test, hay một thiết kế nghiên cứu riêng. Ôn lại: tương quan và nhân quả.

r = 0 có nghĩa là hai biến không liên quan không?

Không hẳn. Hệ số Pearson chỉ đo quan hệ đường thẳng; quan hệ hình chữ U có thể cho r gần 0:

python
import statistics

x = [-3, -2, -1, 0, 1, 2, 3]
y = [v * v for v in x]
print(round(statistics.correlation(x, y), 4))

KẾT QUẢ

0.0

Luôn vẽ biểu đồ phân tán trước khi đọc r. Ôn lại: kiểm định hệ số tương quan.

Hệ số góc của hồi quy đơn đọc thế nào?

Hệ số góc là mức y thay đổi trung bình khi x tăng một đơn vị, trong phạm vi dữ liệu đã có. Ví dụ hệ số góc 0,045 tỷ đồng/m² nghĩa là mỗi m² thêm đi kèm giá cao hơn khoảng 45 triệu. Kèm khoảng tin cậy của hệ số và đừng suy ra ngoài khoảng x đã quan sát. Ôn lại: hồi quy đơn. Câu hỏi phỏng vấn về xử lý bảng dữ liệu nằm ở trang câu hỏi phỏng vấn pandas.

Chủ đề

câu hỏi phỏng vấn thống kê

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE

  • Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
  • Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
  • Xây hệ thống AI cho doanh nghiệp tại VietPlatform.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập