CDF and PDF of Derived RV Y = aX 이고, a > 0를 만족하는 두 개의 random variable X, Y의 CDF와 PDF는 다음과 같은 관계를 갖는다. 위 정리에 대한 증명은 다음과 같다. 만약 a가 1보다 크다면, 전체적인 Y의 PDF의 모양은 원래의 X의 PDF에서 늘어나는 형태가 될 것이고 a보다 작으면 범위가 줄어드는 형태가 된다. 형태는 아래 예제를 통해서 살펴보게 될 것이다. 한편 Y = X + b를 만족하는 random variable X, Y가 있을 때 다음을 만족한다. 역시 마찬가지로 다음과 같이 증명된다. Example 1 다음과 같이 삼각형 형태의 PDF가 있다고 하자. Y = aX인 random variable Y에 대해서 PDF를 구해보면, (단, a..

예제 누군가가 어딘가에 전화를 걸어 그 통화시간을 체크했다고 하자. 1/3의 확률로 잘못된 번호를 누르거나 상대방이 통화중이다. 이 때는 통화시간을 0분으로 친다. 그렇지 않으면 2/3 확률로 통화시간이 0~3분 사이에 일정하게 분포해 있다고 하자. Y를 통화시간이라고 했을때, 이 random variable Y에 대해서 CDF, PDF, expected value를 구하라. Event A를 전화 연결이 성공한 것이라고 했을 때, Y의 범위는 0~3 사이가 되므로, law of total probability를 이용해 다음과 같이 CDF를 쓸 수 있다. 만약 event A^c, 그러니까 전화를 받지 않는 event가 발생했다면, Y = 0 이 되므로, 0 ≤ y ≤ 3 에 대해, P[Y ≤ y|A^c] ..

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..

Uniform Random Variable 위와 같은 PDF를 가진 continuous RV를 uniform (a, b) RV 라고한다. 이전의 원판위에서 포인터 돌리기 예제를 일반화 한 것이라고 볼 수 있다. 일반적으로 a, b는 어떤 constant이므로, 1/(b-a) 역시 constant값이 된다. 따라서 CDF의 그래프는 일정한 기울기를 갖게된다. 이전의 continuous RV의 정리를 이용해서 다음의 정리를 얻을 수 있다. 한편 continuous RV와 discrete RV관계는 직접적인 관계를 갖는 것들이 꽤 많다. X를 uniform (a, b) RV라고 하고, K를 다음과 같다고 하자. 여기서 나타난 X 양옆의 기호는 이전에 설명했던 ceil (올림)이다. 이 때의 X는 discret..

정의 어떤 random variable X의 PDF가 다음과 같을 때, X를 Gaussian random variable (μ, σ) 라고 한다. 여기서 μ는 어떠한 실수, σ > 0이어야 한다. PDF의 식이 상당히 복잡하게 되어있는데, 일단 어떤 모양인지 살펴 보면, 위와 같다. Peak가 μ에서 형성됨을 알 수 있으며, σ은 전체 그래프의 모양이 어떻게 퍼져 있는지를 나타낸다. 이러한 종모양의 커브는 확률이론을 적용할 때 자주 등장한다. 예를 들어 대한민국 남자의 평균 키 분포 라든지, 인간 전체의 아이큐 측정값 분포 같은 것을 살펴보면, 위와 같은 형태로 나타난다. 어떤 임의의 random variable X를 갖는 experiment를 비교적 많이 반복시행하면 위와 같은 형태로 나타난다. (이 ..

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..