Conditional PDF Given an Event Random variable X와 그의 PDF f_X(x)에 대해서 P[B] > 0인 event B ⊂ S_X 에 대해서, event B에 대한 X의 conditional PDF는 다음과 같이 정의한다. 일반적으로 어떤 event B가 발생했을 때, 우리는 random variable X에 대해 conditional probability model을 정의할 수 있다. 함수 f_X|B(x)는 X와 관련되어 새롭게 만들어진 random variable에 대한 probability model이라고 할 수 있다. 따라서, 이는 다른 여타 PDF와 같은 성질을 갖게된다. 예를 들어 모든 x 범위에 대한 integral값은 역시 마찬가지로 1이다. 또한, 어떤..

정의 및 유도 Continuous RV의 expected value는 다음과 같이 정의된다. 위 식의 유도는 discrete RV인 Y로 부터 시작하도록 하자. Discrete RV인 Y의 expected value는 다음과 같이 나타낼 수 있다. 나올 수 있는 value가 각각의 확률로 곱해진 합이 곧 expected value가 됨은 이전 포스트에서 이미 배웠다. Continuous RV에 이를 직접적으로 적용하기에는 불충분하다. 각각의 X의 특정 값이 일어날 확률은 0이기 때문이다. (PMF가 continuous RV에서 소용이 없다는 것은 이전에 여러번 언급이 되었다.) 따라서 우리는 discrete RV에서의 expected value의 정의를 continuous RV로 확장시킬 다른 방법을 찾..

Derivatives 지난번 포스트에서 'Laplace Transform은 Linear ODE를 푸는 강력한 방법이다.' 라고 소개해 놓고는 정확히 어떤 방법으로 ODE를 간단히 푸는데 Laplace Transform이 도움이 되는지에 대해서는 설명하지 않았다. Derivative를 Laplace Transform 하는 방법은 다음과 같다. f(t)의 Derivative인 f'(t)에 대해서 Laplace Transform을 수행하여 보면, 다음과 같이 식을 쓸 수 있다. Second-level Derivative에 대해서도 마찬가지다. 차수가 더 높아지더라도 결론적으로는 모든 Derivative가 Laplace Transform 이후에는 사라진다. 결론적으로는 단순한 대수학적인 방법만으로 식을 정리할 ..

정의 및 특징 Even Function과 Odd Function은 말 그대로 우함수와 기함수다. 먼저 위 그래프를 보면 Even Function은 g(t)축 대칭, Odd Function은 원점 대칭인것을 볼 수 있다. 이를 간단히 공식으로 나타내 보면, 아래와 같다. Even Function은 Time Scaling, Odd Function은 Time Scaling과 Amplitude Scaling을 같이하고 있다. 어떤 함수가 Even Function 혹은 Odd Function을 이루는 Part를 구하는 방법은 아래와 같다. 만약 어떤 함수가 Even Function이라면 g_odd(t) = 0 이 될 것이며, g_even(t) = g(t)를 만족하게 된다. 반대로 어떤 함수가 Odd Functio..