Статистика для аналитика данных — не высшая математика и не теория вероятностей в полном объёме. Это конкретный набор инструментов: описательная статистика, разведочный анализ данных и проверка статистических гипотез. Освоив эти три блока, вы сможете обосновывать бизнес-решения, запускать A/B-тесты и работать с реальными данными. Дата-сайентисту нужен матанализ — аналитику данных нет. Статья разбирает каждый блок по существу: методы, инструменты, типичные ошибки и план изучения.
Статистика — набор методов для ответа на вопросы о данных: есть ли разница между группами, насколько она значима, что изменится, если скорректировать продукт. Без статистики анализ превращается в интерпретацию таблиц «на глаз».
Учитесь бесплатно за счёт государства
Экономия до 100 000 ₽ на любой программе
Практические задачи, где статистический анализ данных критичен:
Статистика и аналитика связаны напрямую: инструменты дисциплины используются ежедневно при работе с любым датасетом. Весь анализ делится на два больших раздела.
Описательный анализ данных резюмирует то, что уже есть в выборке: среднее, медиана, стандартное отклонение превращают тысячи строк в несколько понятных чисел.
Выводящая (инференциальная) статистика идёт дальше — распространяет выводы с выборки на всю генеральную совокупность. Здесь появляются гипотезы, p-value и доверительные интервалы.
Пример. Среднее время доставки по 10 000 заказам — 47 минут. Это описательная статистика: факт о данных. Вывод о том, почему клиенты, получившие заказ быстрее 30 минут, чаще возвращаются, — выводящий: требует проверки гипотезы и теста.
Оба раздела дополняют друг друга: описательный этап всегда предшествует выводящему.
Разведочный анализ данных (EDA, Exploratory Data Analysis) — начальный этап работы с данными до построения гипотез и моделей. EDA отвечает на вопрос: «Что вообще здесь происходит?»
Три цели EDA:
EDA предшествует выбору метода анализа. Пропустить его — значит строить выводы на грязных или неправильно понятых данных.
Гистограмма показывает форму распределения и разброс значений. Если гистограмма времени доставки имеет длинный правый хвост — часть заказов опаздывает заметно больше нормы. Это сигнал к поиску причины.
Диаграмма рассеяния (scatter plot) визуализирует связь между двумя числовыми переменными. По ней видно: линейная связь, кластеры, выбросы.
Box plot отображает медиану, квартили и выбросы одновременно. Удобен для сравнения нескольких групп — например, времени загрузки страницы на iOS против Android.
Тепловая карта (heatmap) показывает попарные корреляции между переменными — незаменима при первичном отборе признаков.
Q-Q plot (quantile-quantile plot) проверяет нормальность: если точки лежат вдоль диагонали — распределение близко к нормальному. Это важно перед применением параметрических тестов.
Нормализация и стандартизация данных нужны, когда переменные имеют разные масштабы, — особенно при подготовке признаков для алгоритмов машинного обучения.

Основы статистического анализа начинаются именно здесь. Описательная статистика сводит массив наблюдений к нескольким ключевым показателям — это первое, что смотрит аналитик данных, открывая новый датасет.
Показатели делятся на два блока:
Среднее (mean) — сумма всех значений, делённая на количество. Чувствительно к выбросам: один нетипично крупный чек «перекашивает» результат вверх.
Медиана — значение в середине отсортированного ряда. Устойчива к выбросам и лучше отражает «типичного» пользователя при скошенных распределениях.
Мода — наиболее часто встречающееся значение. Полезна для категориальных данных: самый популярный регион, наиболее частая категория покупки.
Кейс: средний чек интернет-магазина — 2 500 ₽, а медиана — 800 ₽. Распределение скошено вправо несколькими крупными покупками. Что такое мода и медиана в статистике применительно к этому случаю? Медиана точнее описывает поведение большинства покупателей — и именно её стоит использовать в отчёте.
Дисперсия — средний квадрат отклонения значений от среднего. Высокая дисперсия означает большой разброс данных.
Стандартное отклонение (std) — квадратный корень из дисперсии, выражается в единицах исходных данных и интерпретируется нагляднее.
IQR (межквартильный размах) = Q3 − Q1. Устойчив к выбросам, поскольку охватывает средние 50% данных. Медиана и квартили в статистике — рабочий инструмент при анализе любых скошенных выборок.
Перцентили P90, P95, P99 критичны для анализа времени отклика систем и чеков: «99% заказов обрабатывается менее чем за 3 секунды».
Правило выбора: данные с выбросами — медиана и IQR; нормально распределённые данные — среднее и std.
Понимание распределений — основа статистики для data science. Нормальное распределение (колокол) описывается двумя параметрами: μ (математическое ожидание) и σ (стандартное отклонение). Правило трёх сигм: 68% значений попадают в диапазон μ ± σ, 95% — в μ ± 2σ, 99,7% — в μ ± 3σ. Большинство параметрических тестов предполагают нормальность данных.
Биномиальное распределение описывает число успехов в n независимых испытаниях. Пример: из 1 000 посетителей 32 совершили покупку — конверсия p = 0,032 следует биномиальному закону.
Распределение Пуассона моделирует число событий за фиксированный период: заказы за час, ошибки сервиса в сутки.
Центральная предельная теорема (ЦПТ): при достаточно большой выборке (n > 30) выборочное среднее стремится к нормальному распределению — независимо от формы исходного. Это делает z-тест и t-тест применимыми к данным любой природы.

Если тема аналитики данных интересует вас как направление для развития, в рамках нацпроекта «Кадры» можно пройти программу «Специалист по аналитике и базам данных в информационных системах» — 72 часа, с нуля, бесплатно за счёт государства.
Проверка гипотез — формальный способ понять, случайна ли наблюдаемая разница или за ней стоит реальный эффект.
Любой тест строится на двух гипотезах:
Уровень значимости α = 0,05 — порог, при котором мы готовы ошибиться в 5% случаев.
Алгоритм из шести шагов: сформулировать H0 и H1 → выбрать тест → задать α → рассчитать p-value → сравнить с α → оценить размер эффекта.

P-value — вероятность получить наблюдаемую разницу (или более экстремальную), если нулевая гипотеза верна. Это не вероятность того, что H0 верна, — распространённое заблуждение.
Частая ошибка: p < 0,05 автоматически означает «важный для бизнеса эффект». Статистическая значимость и практическая значимость — разные вещи. При очень большой выборке даже ничтожное различие даст p < 0,05.
Доверительный интервал (CI 95%) показывает диапазон, в котором с вероятностью 95% находится истинное значение параметра. Например: конверсия лендинга 3,5%, CI = [3,1%; 3,9%]. Это информативнее, чем одна точечная оценка.
Рабочая связка аналитика: p-value + доверительный интервал + размер эффекта. Только вместе они дают полную картину результата.
Хотите сменить профессию или повысить квалификацию?
Федеральный проект «Активные меры содействия занятости» даёт возможность пройти обучение бесплатно за счёт государства
При проверке гипотезы возможны два типа ошибок.
Ошибка I рода (α) — отвергли H0, хотя она верна: «обнаружили» эффект, которого нет. Вероятность этой ошибки и есть уровень значимости α = 0,05.
Ошибка II рода (β) — не отвергли H0, хотя она ложна: «не заметили» реальный эффект. Это ложноотрицательный результат.
Мощность теста = 1 − β — вероятность обнаружить реальный эффект, если он существует. Стандарт: мощность ≥ 80% при α = 0,05.
Взаимозависимость: снижение α уменьшает риск ошибки I рода, но повышает риск ошибки II рода. Единственный способ снизить оба риска одновременно — увеличить размер выборки. Это фундаментальное ограничение, которое нельзя обойти.
Выбор теста зависит от типа данных, числа групп и выполнения условий нормальности. Это один из ключевых навыков — виды статистических методов нужно уметь сопоставлять с конкретной задачей.
Параметрические тесты работают при нормальном распределении и отсутствии выбросов. Непараметрические методы — когда эти условия не выполняются: данные сильно скошены, выборка мала или содержит влиятельные выбросы.
Логика выбора: тип данных → число сравниваемых групп → есть ли выбросы или нарушение нормальности?
| Задача |
Параметрический метод |
Непараметрический аналог |
|---|---|---|
| Сравнение двух числовых групп | t-тест | критерий Манна-Уитни |
| Сравнение трёх и более групп | ANOVA | критерий Краскела-Уоллиса |
| Сравнение пропорций (конверсий) | Z-тест | — |
| Связь категориальных переменных | — | критерий хи-квадрат |
Практическое правило: если в данных есть выбросы или нормальность нарушена — используйте непараметрические статистические методы исследования данных. При n > 30 и симметричном распределении параметрические тесты дают более точные результаты.
A/B-тестирование — рандомизированный эксперимент, в котором пользователи случайно делятся на контрольную и экспериментальную группы. Разница показателей проверяется статистическим тестом.
Этапы дизайна:
Guardrail-метрики — показатели, которые не должны ухудшиться при росте целевой метрики: рост конверсии не должен снижать средний чек или ухудшать удержание (retention) пользователей.
Пример кейса: конверсия выросла с 2,0% до 2,1%, p = 0,03. Результат статистически значим. Но прирост составляет 0,1 п.п. — 5% в относительных единицах. Следующий вопрос: окупятся ли затраты на внедрение? Смотрим guardrail-метрики — NPS, средний чек, отток — и только потом принимаем решение.
Статистика для аналитика данных в A/B-тесте — это не просто p-value, а связка: размер эффекта + доверительный интервал + guardrail-метрики.
Корреляция измеряет статистическую связь между двумя переменными.
Корреляция Пирсона — линейная связь, принимает значения от −1 до +1. Применима при нормальном распределении и отсутствии сильных выбросов.
Корреляция Спирмена — ранговая, устойчива к выбросам и нелинейным зависимостям. Используется, когда данные не удовлетворяют условиям Пирсона.
Корреляция не подразумевает причинности — одно из ключевых правил в работе со статистикой.
Бизнес-пример: пользователи, которые видели блок с рекомендациями, в среднем делают более дорогие заказы. Но это не значит, что блок увеличивает чек. Возможно, активные пользователи и так больше тратят — и чаще прокручивают страницу до рекомендаций. Чтобы установить причинно-следственную связь, нужен A/B-тест с рандомизацией показа блока.
Корреляционный анализ — хороший инструмент для генерации гипотез. Для проверки причинности одной корреляции недостаточно.
Шесть ошибок, которые встречаются даже у опытных специалистов:
Для чего нужны статистические методы — понятно. Вопрос в том, как их освоить без перегрузки. Эффективнее работает нисходящий подход: от реальной задачи — к методу — к формуле, а не наоборот.
Параллельно — практика на реальных датасетах. Концепции важнее синтаксиса на собеседовании.
Junior: среднее, медиана, стандартное отклонение, нормальное распределение — достаточно для первичного анализа данных.
Middle: + проверка гипотез, A/B-тесты, доверительные интервалы — уровень продуктового аналитика.
Senior: + байесовский подход, регрессионный анализ, причинность (causal inference) — уровень старшего аналитика.
Инструменты Python для статистики:
Excel тоже применим: функции T.TEST и NORM.DIST закрывают базовые задачи. Какая математика нужна аналитику данных — вопрос уровня и специализации, но понимание методов всегда важнее знания синтаксиса.
Статистика — математическая дисциплина, набор методов. Аналитика данных — прикладная деятельность: аналитик использует статистику вместе с SQL, Python и инструментами визуализации для обоснования бизнес-решений. Статистика предоставляет инструменты — аналитик применяет их к конкретным задачам.
Медиана делит упорядоченный ряд пополам — устойчива к выбросам и лучше отражает «типичного» пользователя. Мода — наиболее часто встречающееся значение; полезна для категориальных данных. При скошенных распределениях — доходах, чеках — медиана информативнее среднего.
Когда эффект статистически значим, но мал по размеру. Конверсия выросла с 2,0% до 2,1% при p = 0,03: результат реален, но прирост — 0,1 п.п. Всегда оценивайте доверительный интервал, размер эффекта и guardrail-метрики: окупятся ли затраты на внедрение?
Мощность = 1 − β — вероятность обнаружить реальный эффект, если он существует. Стандарт: ≥ 80% при α = 0,05. Чем больше выборка, тем выше мощность. Размер выборки рассчитывается до запуска A/B-теста — иначе рискуете не заметить реальный эффект (ошибка II рода).
Три способа. Визуальный: гистограмма — симметричный колокол? Графический: Q-Q plot — точки вдоль диагонали? Статистический: тест Шапиро-Уилка. При большой выборке (n > 200) статистические тесты часто отвергают нормальность при незначительных отклонениях — ориентируйтесь на Q-Q plot.
Нет. Для работы и собеседований достаточно базовой статистики: меры тенденции, распределения, проверка гипотез, доверительные интервалы. Линейная алгебра и матанализ — область дата-сайентиста и инженера по машинному обучению. Главное — понимать, когда и какой метод применять.
Смещение выборки — систематическое отклонение выборки от генеральной совокупности. Пример: анализ только активных пользователей приложения исказит выводы, если нужно описывать всю аудиторию. Смещённая выборка ведёт к неправильным обобщениям. Репрезентативность обеспечивает случайный отбор.
Статистика — основа алгоритмов классификации и регрессии в машинном обучении. Аналитику данных знать алгоритмы необязательно: достаточно понимать метрики оценки моделей, переобучение и проверку гипотез для A/B-тестов новых функций продукта.
Подайте заявку —
забронируйте место в группе
45 000 мест на 2026 год. Бесплатное обучение по федеральному проекту «Активные меры содействия занятости»