본문 바로가기

전체 글

(87)
사건의 독립 지난 글에서 얻은 조건부 확률의 정의를 변형하여 다음과 같은 확률의 곱셈공식을 얻는다. $$ P(E_1E_2)=P(E_1)P(E_2\mid E_1) $$ 그런데 $P(E_2)=P(E_2\mid E_1)$처럼, $E_1$의 발생이 $E_2$의 발생에 아무런 영향도 미치지 않는 경우가 있다(예를 들어 $E_1=\Omega$일 때). 이런 경우를 가리켜 $E_1,E_2$이 서로 독립(Independent; 独立)이라고 하며 기호로는 $E_1\perp E_2$로 나타낸다. 임의의 두 사건 $E_1$, $E_2$이 독립이라는 것은 다음 등식과 동치이다. $$ P(E_1E_2)=P(E_1)P(E_2) $$ 즉, 두 사건이 독립이면 두 사건이 동시에 발생할 확률을 각 사건의 곱으로 나타낼 수 있다. #1. 사건의 독..
조건부 확률 이번 글에서는 조건부 확률모형에 대해 알아보자. 조건부 확률에서 가장 유명한 문제는 역시 다음과 같은 ‘아들 딸 문제’일 것이다: “두 자녀가 있는 가정을 방문하여 이미 아들을 한 명 보았다. 남은 한 자녀도 아들일 확률을 구하여라.” 아들을 낳을 확률과 딸을 낳을 확률이 동일하다고 가정하자. ‘아들’을 ‘1’, 딸을 ‘0’으로 두면, 표본공간 $\Omega=\lbrace(1,1),(1,0),(0,1),(0,0)\rbrace$이고 각 근원사건의 확률은 같다. 그런데 이미 아들을 한명 보았으므로 $\lbrace(0,0)\rbrace$은 일어날 수 없다. 다시 말해 ‘이미 아들을 한 명 보았다’는 조건이 붙은 이상, 표본공간은 $\Omega^\prime=\lbrace(1,1),(1,0),(0,1)\rbrac..
기하학적 확률 기본사건이 유한개이면서 각 기본사건의 확률이 같은 확률모형을 고전적 확률모형이라고 했다. 이번에는 기본사건이 비가산무한개이면서 각 기본사건의 확률이 같은 확률모형인 기하학적 확률(Geometric Probability; 几何概型)을 알아보자. #1. 두 사람의 만남 기하학적 확률모형을 배울 때 꼭 나오는 예시가 다음과 같은 ‘두 사람의 만남’문제이다. “두 사람이 저녁 7시~8시에 공원에서 만나기로 했다. 먼저 공원에 도착한 사람은 아직 도착하지 않은 사람을 20분 동안 기다린 후 공원을 떠난다. 두 사람이 만날 확률 $P(E)$를 구하여라.” $\space$ 풀이: 두 사람이 공원에 도착했을 때의 시각을 저녁 7시+$x$분, 저녁 7시+$y$분이라고 하자. 저녁 7시부터 8시까지 만나기로 했으므로 $$..
고전적 확률 확률공간의 3요소인 표본공간, 보렐필드, 확률측도를 모두 정의했다. 보렐필드의 원소를 사건이라고 하고, 확률측도는 줄여서 확률이라고 했다. 그리고 확률의 공리와 그로부터 따라나오는 여러가지 성질도 탐구했다. 이 정도면 확률론을 기술할 기본적인 준비는 갖춘 셈이다. 그럼 제일 간단한 확률모델인 ‘동전 던지기’를 분석해보자. 우리는 동전을 던져서 앞면이 나올 확률이 1/2, 뒷면이 나올 확률이 1/2임을 알고있다. 이것이 왜 성립하는지 확률론적으로 설명해보자. ‘동전 던지기’라는 확률시행의 결과는 앞면($H$) 또는 뒷면($T$)이다. 확률시행의 결과, 사건, 표본공간, 보렐 필드를 다음과 같이 나타내자. $\space$ (1) 결과: $\omega=H$ 또는 $\omega=T$ (2) 표본공간: $\Ome..
확률공간 측도공간 $(X,\Sigma,\mu)$에서 전체집합 $X$를 표본공간 $\Omega$, 시그마대수 $\Sigma$를 보렐 필드 $\mathcal{F}$, 측도 $\mu$를 확률측도 $P$로 대체하면 확률공간(Probability Space; 概率空间) $(\Omega,\mathcal{F},P)$를 얻는다. $P(\Omega)=1$이라고 정하므로 확률공간은 전체집합의 측도가 1인 측도공간이다. 즉, 확률공간은 특수한 측도공간이고, 측도공간은 확률공간의 일반화라고 생각하면 된다. 이제 확률공간을 통해 확률론의 기초개념들을 다시 정의해보자. #1. 표본공간 측도공간에서 $X$를 $\Omega$로 대체한 것이 표본공간(Sample Space; 样本空间)이다. 표본공간은 결과를 예측할 수 없는 확률시행(Rando..
측도공간 그 동안 사건, 결과, 확률 등의 용어를 엄밀한 정의 없이 써왔는데, 사실 이 용어들의 명확한 정의를 위해서는 확률공간(Probability Space; 概率空间)이라는 개념을 알아야 한다. 확률공간은 확률론(Probability Theory; 概率论)을 기술하는데 있어서 가장 기초적인 내용이다. 확률론을 제대로 공부하려면 반드시 알아두어야 하기에 시간을 내서 정리했다. 그런데 확률공간은 여러 측도공간(Measure Space; 测度空间) 중 한 종류이다. 그러므로 확률공간의 이해를 위해서 먼저 측도공간이 무엇인지 감을 잡아야한다. 측도공간은 전체집합, 시그마대수, 그리고 측도를 모아놓은 것으로 측도론(Measure Theory; 测度论)의 핵심이다. 내용이 난해하고 추상적이지만 차근차근 정리해보자. #..
감마분포 확률변수 $T$가 모수가 $(r,\lambda)$인 감마분포(Gamma Distribution; 伽马分布)를 따를 때, $T \sim \Gamma(r,\lambda)$라고 표현하고, $T$는 다음과 같은 PDF를 갖는다: $$ f_ {T}(t)=\frac{\lambda^r}{\Gamma(r)}t^{r-1}e^{-\lambda t}\mathbf{1}_ {[0,\infty)}(t) $$ 감마분포의 확률변수 $T$, 모수 $(r,\lambda)$는 다음과 같은 의미를 갖는다: $\space$ $T$: 평균 발생횟수가 $\lambda t$인 어떤 사건이 $r$번 발생하기까지 걸린 시간. $r$: 평균 발생횟수가 $\lambda t$인 어떤 사건의 목표 발생횟수. $\lambda$: 단위시간내 어떤 사건의 평균 ..
지수분포 확률변수 $T$가 모수가 $\lambda$인 지수분포(Exponential Distribution; 指数分布)를 따를 때, $T \sim \mathrm{Exp}(\lambda)$라고 표현하고, $T$는 다음과 같은 PDF를 갖는다: $$ f_ {T}(t)=\lambda e^{-\lambda t}\mathbf{1}_ {[0,\infty)}(t) $$ 지수분포의 확률변수 $T$, 모수 $\lambda$는 다음과 같은 의미를 갖는다: $\space$ $T$: 평균 발생횟수가 $\lambda t$인 어떤 사건이 1번 발생하기까지 걸린 시간. $\lambda$: 단위시간내 어떤 사건의 평균 발생횟수. $\space$ 지수분포의 이해는 푸아송 분포에서 출발한다. 지수분포의 정의에서 모수 $\lambda$에 주목하자..