정리 Discrete RV의 X, Y의 joint PMF P_X,Y(x,y) 에 대해서 다음이 성립한다. 두 개의 random variable을 생성하는 experiment라고 하더라도, 둘 중 하나를 무시하고, 하나의 random variable만 고려할 수 있다. 이렇게 해서 얻은 PMF를 Marginal PMF라고 하며, 위의 정리는 marginal PMF를 어떻게 얻는지를 나타내고 있다. 예제를 통해서 설명을 이어가도록 하겠다. 예제 다음의 PMF가 주어졌을 때, X, Y에 대한 marginal PMF를 구하라. 앞서 marginal PMF의 정리를 그대로 적용하면, 각, X, Y에 가능한 outcome들에 대해서, 지우고자 하는 variable의 확률값들을 모두 더하면, marginal PMF를..

정의 Discrete RV인 X와 Y의 joint probability mass function은 다음과 같이 정의한다. Notation은 joint CDF와 흡사하다. X와 Y의 조합으로, 2차원 평면의 좌표 형태로 조합되는 outcome들이 있게 되며, 각각의 outcome의 분포나 가질 수 있는 확률값은 물론 experiment에 따르게 된다. 이 때의 sample space는 다음과 같이 표현된다. PMF를 표현하는 방법으로는, list형태, matrix형태, graph형태 등이 있는데, 여기서는 좌표평면과 list형태로 표현하는 방법에 대해서만 다루도록 한다. 예제를 살펴보자. 예제 2개의 집적회로를 테스트한다. 각 테스트는 합격, 불합격으로 나뉜다. 테스트는 연속해서 하며, 각 테스트의 성공률..

필요성 지금까지는 discrete RV와 continuous RV를 따로 떼어서 설명했다. Discrete RV는 PMF, continuous RV는 PDF라는 함수를 이용해 probability model을 나타냈다. 이러한 함수는 매우 중요한데, probability model의 특징을 나타내는 값들 (expected value, variance 등)을 구하는 계산을 편리하게 하기 때문이다. PMF는 덧셈, PDF는 integral을 사용하고 있다. 만약 우리가 이러한 두 가지 종류의 RV가 섞인 형태, 즉 mixed RV에 대해 이야기 하려면 여기서 설명하고자 하는 delta function이나 step function에 대해 알아야할 필요 있다. 이러한 함수들을 통해 discrete RV와 con..

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..

Averages 흔히 말하는 평균(average)은 전체 숫자의 합을 개수로 나눈것을 말한다. 하지만 평균에는 몇 가지 종류가 있는데, 그 중 여기서는 mode, median, mean의 세가지에 대해 짚고 넘어가겠다. mode는 '최빈값'이라는 의미를 가지고 있다. 즉, 가장 빈번하게 나타나는 숫자를 나타낸다. Mode Random variable X의 mode x_mod는 다음과 같이 정의된다. 여기서는 outcome들 중 확률이 가장 높은 x_mod 값을 mode라고 할 수 있다. 다만 mode값이 하나 이상이 될 수 있으며, sample space의 구성이 숫자로 되어 있지 않더라도 mode를 구할 수 있다. Median Random variable X의 median x_med는 다음과 같이 정의..

정의 Discrete random variable X 의 probability mass function은 다음과 같이 정의된다. 단, P[X = x]는 X가 x가 될 probability를 말한다. 의미 및 예제 Probability mass function은 어떤 discrete random variable에 대한 probability model이다. 쉽게 이야기 하면, sample space를 구성하는 각각의 outcome마다 어떤 확률을 부여한 것이다. 예를 들어서, 앞면이 나올 확률이 80%, 뒷면이 나올 확률이 20%인 동전이 있다고 하자. Sample space는 S = {H, T}라고 하자. 이 experiment를 random variable X로 나타내면, X는 앞 또는 뒤 둘 중 하나의..