亚马逊面试问题-第二次面试的可能性


139

我在接受亚马逊采访时遇到了这个问题:

  • 接受第一次面试的所有人中有50%接受第二次面试
  • 95%的朋友接受了第二次面试,他们觉得第一次面试很好
  • 没有进行第二次面试的朋友中有75%认为他们的第一次面试很好

如果您觉得自己的第一次面试很好,那么您接受第二次面试的可能性是多少?

有人可以解释如何解决吗?我无法将单词问题分解成数学(现在面试已经很长时间了)。我了解可能没有实际的数值解决方案,但是对如何解决此问题的解释会有所帮助。

编辑:好吧,我确实得到了第二次面试。如果有人好奇,我会给出一个解释,该解释是以下一系列响应的组合:信息不足,朋友不具有代表性,等等,只是通过一些可能性进行了交谈。最后,这个问题使我感到困惑,感谢所有答复。


5
我不确定自己,但我认为贝叶斯规则可能是我们应该采取的方向?
nicefella 2014年

70
好消息是您至少有24个朋友,否则他们的不同子集加起来不能达到95%和75%。
Andomar 2014年

9
这是统计学家讽刺的搞笑方式告诉您您没有得到这份工作吗?
geotheory 2014年

26
多个矛盾的答案的存在(以下是其中一些)令人信服地表明,这个问题的目的不是要获得数学答案,而是要查看受访者是否认真考虑了需要做出哪些假设才能获得合理,合理的答案。因此,我们应该认为对该问题的任何单一,肯定的答案都是不正确的,或者至少不值得从亚马逊获得工作机会。指出歧义并讨论假设的答案是有价值的。
ub

6
@whubere这个哲学无疑解释了AWS的定价-很难理解,没有一个答案。
2014年

Answers:


157

假设有200人参加了面试,因此100人接受了第二次面试,而100人没有参加。在第一批中,有95个人认为他们进行了很好的首次采访。在第二批中,有75名认为他们进行了出色的首次采访。因此,共有95 + 75个人认为他们进行了很好的首次面试。在这95 + 75 = 170人中,只有95人实际上接受了第二次面试。因此,概率为:

95(95+75)=95170=1934

请注意,正如许多评论者所指出的那样,仅当您假设您的朋友形成一个无偏且分布合理的采样集时,这种计算才是合理的,这可能是一个很强的假设。


3
同意我的回答。好的思考过程。
亚历克斯·威廉姆斯

21
(+1)这很好地利用了Gigerenzer的“自然频率”方法进行贝叶斯规则计算。
Dimitriy V. Masterov 2014年

27
即使我们生活在一个Facebook时代,所有甚至未知的人都可能被视为朋友,但这个问题还是很具体的-所有人员中有50%接受了第二次面试,而您(乐观)的朋友中有75%没有接受第二次面试。因此,我认为您的答案缺少最重要的部分。亚马逊想看看您有多友好:)
Krystian 2014年

4
我只注册了+1这个答案。:)。真棒的解释兄弟。
mithunsatheesh 2014年

11
我认为,很高兴提及您,只有在您认为朋友是一个公正且分布均匀的采样集(因为他们不是所有人)的情况下,您才能做出这个猜测(答案为95 /(95 + 75))。就像是通过调查来完成一样-如果您想做出一个很好的猜测,则需要选择一个良好的样本集。
2014年

103

  • pass=被邀请参加第二次面试,
  • fail=未被邀请,
  • good=对第一次面试感到满意,并且
  • bad=对第一次面试感觉不好。

p(pass)=0.5p(goodpass)=0.95p(goodfail)=0.75p(passgood)=?

使用贝叶斯规则

p(passgood)=p(goodpass)×p(pass)p(good)

要解决,我们需要意识到:

p(good)=p(goodpass)×p(pass)+p(goodfail)×p(fail)=0.5(0.95+0.75)=0.85

从而:

p(passgood)=0.95×0.50.850.559

因此,对面试感到满意只会使您更有可能继续前进。

编辑:基于大量评论和其他答案,我不得不陈述一些隐含的假设。即,您的朋友组是所有面试候选人的代表样本。

如果您的朋友组不能代表所有面试候选人,但可以代表您的表现(即您和您的朋友适合整个人群),那么您关于朋友的信息仍然可以提供预测力。假设您和您的朋友都是非常聪明的一群,而您中的75%会继续进行下一次面试。然后我们可以修改上述方法,如下所示:

p(passfriend)=0.75
p(goodpass, friend)=0.95
p(goodfail, friend)=0.75
p(passgood, friend)=p(goodpass, friend)×p(passfriend)p(goodfriend)=0.95×0.750.850.838

10
只有在我们假设您的朋友代表整个团体的情况下,这才是正确的。
gerrit 2014年

我不确定您为什么在这里定义“不好” ...但是我发现您的解决方案是所有答案中唯一可行的解​​决方案
Decebal 2014年

和什么区别?组合不是可交换的吗?p p a s s | g o o d p(good|pass)p(pass|good)
伊恩·塞缪尔·麦克莱恩

“因此,对面试感到满意只会使您更有可能继续前进。” 真?这可能只是决定您是否通过的因素的征兆,而不是本身的因素。我对面试的感觉并没有改变我的表现。实际上,整个分析都是基于这样的想法,即您的良好感觉本身就是通过/失败的原因。
AJMansfield

2
虽然这个答案和文森特的答案得出相同的结果,但我认为这个答案给出了更笼统的解释。这个问题就像贝叶斯概率中的一次股票交易。
kbelder 2014年

37

该问题包含的信息不足以回答问题:

x所有人的百分比

y%的朋友做B

除非我们知道所有人您的朋友的人口规模,否则除非我们做出以下两个假设之一,否则不可能准确回答这个问题:


编辑:也请阅读下面的Kyle Strand评论。我们应该考虑的另一方面是我与朋友有多相似?这取决于是将解释为与之交谈的人,还是将解释为未指定的个人或一群人(两种用法都存在)。


2
这是迄今为止唯一正确的答案。
akappa

1
我想我同意...
Behacad 2014年

8
您在这里还有一个额外的假设:这个问题并不询问任意候选人进行第二次面试的可能性:它询问进行第二次面试的可能性。通过考虑您的朋友组是否是一般人群的代表性样本,您忽略了与一般人群相比您与朋友更相似的可能性,在这种情况下,有关朋友的数据可能更具指示性的机会要比有关总体人口的数据要多。
凯尔·斯特兰德

我想这里的重点是。问题是您是否与朋友相似,或者是否相似。因此,这也许是面试时最好的答案:“取决于我的朋友是否足够相似。我认为他们相当,所以答案在50%至59%之间。”
2014年

2
丢失信息的另一个关键点是,我的朋友们对他们的采访感受进行评估时。我知道是否要进行第二次面试之前会被问到,但是如果我所有的朋友都知道他们是否会接受第二次面试之后,该如何评估?这些知识可能会改变他们的自我评估,使他们的后验感觉无法与我对自己表现的先验评估直接相比。
乔纳森·范·马特雷

25

答案是50%。尤其是因为这是一个面试问题,我认为亚马逊想测试候选人,看他们是否可以发现明显的事物并且不会被不重要的事物分散注意力。

当您听到蹄声时,请思考马而不是斑马- 参考

我的解释:第一句话就是您需要的所有信息。

50% of All People who receive first interview receive a second interview

其他两个陈述只是观察。感到您的面试不错并不会增加您获得第二次面试的机会。

尽管从统计学上讲这些观察可能是正确的,但我相信它们不能用于预测未来的结果。

考虑以下。

  • 2家商店出售彩票刮刮卡
  • 每位售出100张卡后,客户将从商店1获得中奖卡
  • 从统计上讲,您可以说1号商店现在有更大的机会获得中奖彩票,即100分之一,而2号商店则为100分之0。

我们了解事实并非如此。之所以不正确,是因为在此示例中,过去的事件不会影响未来的结果。


21
一切都只是一个观察。让我想起了轶事,被公共汽车撞上的可能性是多少。50%,您是否受到打击。
mpiktas

3
那也是我的回应。我的理由是的数目my friends that had an interview at Amazon完全被银行淹没了all people hat had an interview at Amazon
deroby 2014年

5
deroby,我想您应该问一下您的朋友是否是分布合理的度量集。即使他们被其他所有人完全淹没,他们仍然可以提供有价值的正确见解。这就是调查的工作方式。
2014年

2
“另外两个陈述只是观察。” -什么是“公正观察”?观察具有预测力。
亚历克斯·威廉姆斯

16
没有人声称对面试感到满意会导致第二次面试发生。但是,这种感觉与接受第二次面试之间存在联系是合理的,也是可能的。(实际上,如果我们知道有多少朋友,我们可以测试问题中给出的数据的统计意义。)从一开始,您的答案就不会尝试利用这种潜在有用的信息。这使得它对这个问题的回答不尽如人意。
ub

15

我会给出的答案是:

根据此信息,可以得出50%。“您的朋友”不是代表样本,因此在概率计算中不应考虑它。

如果您假设数据有效,那么贝叶斯定理就是正确的选择。


8
确切地说,没有代表性的样本是什么?这不是关于某个随机受访者的问题,而是关于“您”的问题。因此,它邀请我们考虑哪些数据与“您”相关以及它们可能在多大程度上起作用,但是您对“代表”的模糊使用却完全避开了。
ub

@whuber给出的统计数据表明,“您的朋友”是所研究人口的样本。它强烈暗示着人口是所有在亚马逊接受采访的人。推断(样本的)统计量以发现(种群的)参数。然后,将该参数作为概率应用于个体。在这种情况下,样本是方便样本,因此并不代表总体。问题是关于概率的问题,而不是关于“您”的问题,而是关于您所属的人口的问题。
山姆·贝克曼

你是什​​么意思“不考虑”?您从哪里得出这个结论?
Jase 2014年

@Jase我的意思是,如果该参数基于非代表性样本,则该参数将无效。如果您在概率计算中包括基于不良样本的统计信息,则结果将无效。这是统计的基础。除非已以随机方式选择了某个样本,否则不能认为该样本可以代表总体。“您的朋友”不是随机选择的,因此不应使用从该样本得出的统计数据来推断人口的特征。
山姆·贝克曼

9
  1. 声明没有一个朋友也要接受采访。
  2. 指出问题未受限制。

在他们急于寻求进一步限制该问题的能力之前,请尝试以完全希望得到答复的方式来解决您自己的更具生产力的预先准备好的问题。也许您可以让他们继续进行更有成效的采访。


3
为什么要下票?面试是双向的。您需要确保这项工作以及这些人也适合您。
Paddy3118

我喜欢厚脸皮,可能不会让您度过难关,但是很有趣。
hd1 2014年

1
我认为声明您的朋友都没有参加面试不是一个有效的答案,也没有帮助。
gerrit 2014年

3
@gerrit,例如,如果工作包含申请人必须解释客户要求的内容,则指出该缺陷可能是面试官不希望收到的正确答案。
Paddy3118

7

开玩笑的答案,但效果很好:

  1. 100%要求表现出色时,我不会将结果归因于任何可能性。在第二次面试中见。”
  2. “ 50%,直到我的朋友拥有他们自己的Amazon Prime帐户,我才认为他们的感受是正确的。实际上,对不起,这太苛刻了。让我回顾一下:我什至不认为他们是人类。”
  3. “等等,没有人让我发牢骚的朋友感觉很好。您的秘密是什么?我想为亚马逊工作;给我一个让他不愉快的机会!
  4. 假冒电话震动 “哦,对不起!这只是我的Amazon Prime帐户告诉我所订购的本田车已经寄出了。我们在哪里?”
  5. “无论如何,我仍然觉得您应该将没有接受第二次采访的人送往Amazon Prime进行为期1个月的免费试用。任何人都应该在不知道自己的荣耀的情况下过生活。一旦我们获得了他们,保留,保留,保留”。
  6. “ 55.9%我所有的朋友都有一个Amazon Prime帐户,我将确保他们的经验很重要。”

3

简单案例:

95 / (95 + 75) ≈ 0.559是获得结果的快速方法。在感觉良好的人中-95成功,75成功。所以那是你从那个小组中通过的概率。但

  1. 没有人说你是上述团体的一员。
  2. 如果您可以认为分布(您朋友圈的分布)模式是通用的,或者您属于该组,则最好以这种方式进行计算
  3. 而且IMO并不重要,但有关您朋友的事实对未来并没有任何牵连-用这样的话来说。例如,昨天下雨并不意味着明天有下雨的可能性,除非

在这种情况下,事实如50%的清算不会影响“您的感觉”和“基于此的机会”的可能性。

更安全的方法:

但是我什至会想到上面那50%的东西。即从真实事实的角度来看-50%的概率是合理的。1)没有在哪里说您的感受与您的结果有任何关系.2)可能会有人作为您的朋友-但没有感觉-他们发生了什么...因此考虑到所有可能的组合-坚持最安全的选择!

PS:我可能也没有通过这项测试。


1
您不能说b / c并不是感觉良好的人的全部百分比,只有OP的朋友。
MDMoore313

亚马逊可能想要这两个答案才能真正判断您的能力。如果是面试问题。
Nishant 2014年

得到了相同的答案,但我认为我有很多朋友;)
狗吃猫的世界

2

我认为答案是50%-就在问题开始时。您的朋友有多少百分比是无关紧要的。


1
不,这不是无关紧要的。实际上,他们在相关问题中明确告诉您。发表该声明是完全忽略问题中的信息,并确保您不会得到这份工作。如果您假设没有朋友被采访,则为50%,因为它不代表实际的受访者。您采访的朋友越多,您就越接近被接受的答案。面试的朋友越少,您越接近50%。
Cruncher 2014年

您如何考虑结果的“感觉”?我们假装没有接受采访的人中有95%认为他们做得很好,而没有接受采访的人中95%也有认为自己做得很好。您会看到,我们更改了“感觉”百分比,但结果仍然是50/50
Dmitri 2014年

从天文角度来看,这是错误的。在这种情况下,现在已经是50/50,因为您已经表明“感觉”无关紧要。正如他们所拥有的感觉,与结果无关。这与表明感觉确实有所不同的问题完全不同。
Cruncher 2014年

统计是关于使用给定信息并与之形成概率的全部。您不能仅仅忽略信息,因为听起来这对您来说无关紧要。如果说:“ 95%的白人接受了第二次面试”和“ 75%的未接受第二次面试的人是黑人”。您是否会忽略这个事实,并说这与我是黑人还是白人无关?还是您会从统计角度考虑?
Cruncher 2014年

2

答案是50%。他们在第一行告诉您,任何人获得第二次面试的机会是多少。这是对您查看基本信息并且不被无关紧要的噪音(如朋友的感觉)分心的能力的测试。他们的感觉没什么不同。


3
如果我们加上仅占世界人口的0.00001%接受第二次采访的统计数据,则可以使用相同的逻辑说概率始终为0.00001%。显然,其他因素(例如,接受采访1)可能会影响接受采访2的可能性,我们不知道他们的感受是否是这些因素之一。在这里查看我的评论。
nmclean 2014年

1
错了 条件会改变概率。我没有50%的机会参加第二次面试,因为我没有去第一次。您被汽车杀死的机会有多大?在家时也一样吗 您在瓦斯爆炸中丧生的机会是什么?当您感觉到煤气味时也一样吗?
Ark-kun 2014年

2

两条语句都说:

您的朋友百分比

受访的朋友百分比

我们确实知道,“获得第二次面试”的小组只能包括那些第一次面试的人。但是,“没有接受第二次面试”的小组包括所有其他朋友

如果不知道您的朋友接受了多少百分比的采访,就无法确定您感觉第一次面试良好与接受第二次面试之间的相关性。


1
错误。第二组认为他们没有进行第一次良好的面试。因此,他们有了它。
米凯尔·梅耶

1
@MikaëlMayer废话。接受采访不是该陈述的前提。对某事没有具体意见包括根本不对此有任何意见。
nmclean 2014年

3
这似乎是语义挑剔,有意避免使用明显是问题的预期解释的东西。
Kyle Strand'2

1
@KyleStrand在现实世界中,这样解释统计信息时可能会发生错误。你所说的挑剔,我称为勤奋。我会在实际采访中毫不犹豫地给出这个答案。首先,我们不知道这不是问题的故意把戏。第二,这不是回避,因为讨论不必到此结束。一旦确定了变量,就可以给出“预期的”答案,但是仍然会记住对细节的关注。
nmclean 2014年

2
@KyleStrand您建议有人忽略我对更多相关数据的请求,因为他们觉得这很烦人。抱歉,采访是双向的,您是在以非常专业的态度描述采访者。如果在面试要求关键分析的工作时某人对关键分析的前景感到恼火和不屑一顾,不要指望我会坚持下去。
nmclean 2014年

2

这是一个面试问题,我认为答案不正确。我很可能会使用贝叶斯来计算〜56%,然后告诉面试官:

如果不了解我,可能在50%到56%之间,但是因为我了解我和我的过去,所以概率是100%


1

数学上


您的机会是50%。这是因为在Amazon受访者的维恩图中,您属于所有受访者的通用集合,而不是“您的朋友”的集合。

在此处输入图片说明

问题是否已提出:“您的一个朋友接受了一次精彩的采访。她第二次面试的百分比是多少?那么当前的最佳答案将是有效的。但是,只有当您将自己视为自己的朋友之一时,这些第二和第三统计数据才适用于您。因此,也许更多是心理问题?


1
将此作为访谈问题提出,使人们想到存在各种各样的语义雷区。您当然可以以“假设我像我的朋友......”作为开头的答案,但是我怀疑面试官会不会让您摆脱这个答案。
Matt Krause 2014年

4
如果没有说您认为自己接受了很好的采访,这将是显而易见的答案。那是额外的信息。您可能会认为所有Amazon受访者都认为他们的访谈不错,这是维恩图的一部分,面试的规模未知,但可以估算一下。
RemcoGerlich 2014年

1
好吧,这并不完美,但是总比没有好,不是吗?
RemcoGerlich 2014年

1
@RemcoGerlich哈哈,这值得商::-)
MDMoore313

2
您真的认为这是50%吗?如果我给你2位受访者。我说过,其中一个认为他们的面试非常好,另一个认为自己很差劲。您是否认为第二次面试的机会是50/50?当然不是,您可能会这么想。除此之外,这个问题明确地告诉您,更多认为自己的面试不错的人将获得第二个面试机会。
Cruncher 2014年

0

答案是:≈1

这个问题并没有提供参加面试的人中有多少人是我们的朋友。但是,我们可以假设数据并得到我们想要的任何答案。此外,此假设的主要要点是只有我们的朋友被选为第二次面试。

假设有104位朋友参加了面试,其中100位获得了第二次面试。因此,我们可以说其中95人认为他们的第一次面试很好(标准2)。此外,在其余的4.75%(即3%)的人中,他们认为自己的访谈很好(标准3)。因此,在104个人中,有98个人认为他们接受了一次不错的采访,但选​​择了95个人,因此最终机率是:95/98。我们总是可以说,共有100 * 2 = 200(其中有104位朋友是朋友)进行了第一次采访,为了满足第一个条件。在这里,所有不是朋友的96人都未能清除第一个面试。

现在,您将朋友增加到108个并再次进行,对于其中100个进行第二次面试。您的最终概率将是101/108。因此,由于我们增加了没有清除第一次面试的朋友,因此概率降低了,因此可以最大程度地提高效率,没有清除的朋友应该永远是4。

现在增加朋友。假设他们是10004(清除了10000,清除了4)。因此,现在,在10000,9500人中,他们接受了良好的面试。因此,总共9503人(其中4人失败,3人认为他们接受了很好的面试,因此9500 + 3人)认为他们接受了很好的面试,但只有9500人通过了。例如,最终概率= 9500/9503,即≈1。再次,我们可以说总共有2万人参加了面试,而所有不是朋友的人都无法清除它。因此,再次满足了第一个条件。

注意:我们关于没有朋友,没有清除面试以及没有其他参与者的假设都是为了获得1的概率。我们可以修改此数据并获得我们想要的任何概率。


1
这甚至没有意义。
akappa 2014年

1
您没有使用提供给您的事实之一。
Ben Voigt 2014年

5
很高兴在互联网上阅读相关内容
rocketsarefast 2014年

1
编辑了我的答案,使其更易于理解。
Sumedh
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.