Expected Value Random variable X와 Y에 대해 W = g(X, Y)의 expected value는 다음과 같이 구할 수 있다. W = g(X, Y)의 expected value를 구하기 위해서 joint PDF또는 joint PMF를 구하는 수고를 굳이 할 필요는 없다. 위의 정의를 이용하여 많은 응용이 가능하다. Expected Value of Sum of Functions X, Y에 대한 여러가지 함수들이 덧셈 형태로 표현이 된다면, 한꺼번에 계산하는 것이 어려운 경우, 각각의 함수에 대해 expected value를 먼저 구해서 더해도 상관없다. 이것이 성립할 수 있는 것은 summation과 integral에 대해서 linearity가 성립하기 때문이다. 이러한 정리는 또..

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..

정의 Average 이외에 어떤 probability model을 설명할 수있는 요소로 variance와 standard deviation을 들 수있다. 이미 '분산'과 '표준편차'로 익숙한 것들이다. 먼저 어떻게 정의되는지 살펴보자. Variance Standard Deviation 먼저 어떤 RV X의 variance는 VAR[X]와 같이 표현한다. 식을 살펴보면, '평균과 가능한 outcome의 차이를 제곱한 것'의 평균을 구한 것으로, 제곱을 하지 않으면 평균과 outcome의 차이가 음의 값이 나오게 되는 경우에 전체 평균이 상쇄되어, 분산, 즉, 각 outcome간의 거리가 얼만큼씩 벌어져 있는지를 나타내는 수치에 의미가 없어지게 된다. 따라서, 제곱을 해줌으로써 그 값이 항상 양수가 나오도록..