Conditional Probability Mass Function 어떤 event A (P[A]>0)에 대해서, random variable X의 conditional PMF는 다음과 같이 정의된다. 이전 포스트에서 우리는 conditional probability에 대해 다뤘다. 이는 PMF에도 적용할 수 있다. 즉, 어떤 특정 event가 발생했을 조건하에 probability mass function가 정의될 수 있다. 이전의 theorem을 이용하면, 여러개의 conditional PMF를 이용해서 overall PMF를 이끌어 낼 수 있다. 어떤 random variable X에 대해 event space B_1, B_2, ... , B_m 이 존재할때 다음이 성립한다. 이전에 다뤘던 law ..

정의 P[AB] = P[A]P[B] 위 식을 만족하는 Event A와 B는 independent 하며, event A와 B가 independent 하려면 위 식을 만족해야 한다. (필요충분조건) 만약 event A와 B가 nonzero probability, 즉 0이 아닌 확률을 가지는 경우 다음을 만족한다. P[A|B] = P[A], P[B|A] = P[B] 해석 Independence는 말 그래도 event간의 독립성을 말한다. 즉, event간의 간섭이 없고, 종속관계에 속하지 않음을 뜻한다. 왜 독립이기 위해서 P[AB] = P[A]P[B] 이어야 하나요? 라고 묻는다면, '독립의 정의가 그렇게 되어있기 때문에 그렇다.' 라고 대답해 주면 된다. 이전에 들었던 6면체 주사위 예제를 다시 가져와보자..

정의 위 식은 conditional probability의 정의다. (여기서 P[AB] = P[A∩B] 이며 notation이 약간 다를 뿐이다.) Conditional probability, 즉 조건부 확률은 다른 event의 발생을 전제로 다른 event의 확률을 구하는 것이다. 위의 수식처럼 notation은 P[A|B]이며, 'the probability of A given B'라고 읽는다. 이전에 다뤘던 확률은 어떤 event 혹은 outcome이 단순히 일어날 확률을 말한다. 또한, 예를 들어 실험해 보기 전에 6면체 주사위에서 1이 나올 확률이 1/6일 것이라는 것은 굳이 던져보지 않더라도 예상해 볼 수 있는 것이다. 그래서 P[A]를 priori probability of A 또는 prio..