안녕하세요. 오늘은 지난 시간의 기초통계학[10].연속확률변수의 기댓값, 분산, 표준편차 그리고 분위수(https://everyday-image-processing.tistory.com/16)에 이어서 중심극한정리(Central Limit Theorem;CLT)와 큰 수의 법칙(Law of Large Numbers;LoLN)에 대해서 알아보겠습니다. 드디어 확률 부분의 끝이 보이기 시작합니다. 확률의 경우 앞으로 3개만 더 포스팅하면 끝날 예정이고 그 이후에는 통계를 포스팅하겠습니다. 조금 더 힘을 내도록 합시다! 1. 큰 수의 법칙(Law of Large Number;LoLN) 큰 수의 법칙을 시작하기 전에 중요한 개념부터 정의하겠습니다. X1,X2,…,Xn들이 동일한 ..
안녕하세요. 오늘은 지난 시간의 기초통계학[9].연속확률변수의 조작(https://everyday-image-processing.tistory.com/15)에 이어서 연속확률변수의 기댓값, 분산, 표준편차, 그리고 분위수에 대해서 알아보겠습니다. 지금까지 저희는 이산확률변수의 기댓값, 분산, 표준편차에 대해서만 공부했습니다. 공식을 기억하실지는 모르겠지만 연속확률변수와 이산확률변수의 차이점이 ∑이 ∫로 바뀌는 것밖에 없으니 이산확률변수를 이해했다면 빠르게 알 수 있습니다. 추가적으로 요약 통계량 중 하나인 분위수(quantiles)에 대해서 공부하고 마치도록 하겠습니다. 1. 연속확률변수의 기댓값 연속확률변수의 기댓값은 ∫baxf(x)dx로 정의됩니다. 이산..
안녕하세요. 오늘은 지난 시간의 기초통계학[8].연속확률변수의 분포(https://everyday-image-processing.tistory.com/15)에 이어서 연속확률변수를 조작하는 법에 대해서 알아보겠습니다. 1. 연속확률변수의 조작 이산확률변수의 기댓값과 분산의 성질에서 Y=aX+b일 때 E(Y)=aE(X)+b와 Var(Y)=a2Var(X)임을 알았습니다. 그렇다면 연속확률변수에서 Y의 확률 밀도함수는 어떤 것일까요? 이산확률변수에서는 확률변수를 조작하는 경우 확률 분포 표를 그려 해결하였지만 연속확률변수에서는 표를 그릴수가 없습니다. 따라서 미적분학을 통해서 해결해야합니다. 지난 시간의 cdf의 특성을 기억해봅시다. 1. FX(x)=P(X≤x) 2. $f_..
안녕하세요. 오늘은 지난 포스팅의 기초통계학[7].연속확률변수(https://everyday-image-processing.tistory.com/13)에 이어서 다양한 연속확률변수의 분포에 대해서 알아보도록 하겠습니다. 참고로 오늘 포스팅에서 나오는 분포는 이산확률변수의 분포와 마찬가지로 각 분포 식을 굳이 외우지 않아도 됩니다!! 여러분들에게는 구글이 있으니 필요할 때마다 찾을 수 있기 때문이죠. 또한 지난 시간의 cdf를 간단하게 '분포'로 표현하겠습니다. 1. 균등 분포(Uniform distribution) - 변수 : a, b - 범위 : [a,b] - 표기 : uniform(a,b), U(a,b) - 확률 밀도 함수 : a≤x≤b에 대해서 $f(x)=\..
안녕하세요. 오늘은 지난 시간의 기초통계학[6].이산확률변수의 분산(https://everyday-image-processing.tistory.com/11)에 이어서 연속확률변수에 대해 알아보겠습니다. 1. 미적분학 이제 이산확률변수가 아닌 연속확률변수로 주제가 바뀌었습니다. 이산확률변수에서 확률을 계산하기 위해 ∑을 사용했다면 연속확률변수에서는 확률을 계산하려면 ∫을 사용합니다. 따라서 본격적으로 연속확률변수에 대해서 알아보기전에 간단한 미적분학 개념을 설명하겠습니다.(이후에 시간이 된다면 미적분학을 포스팅하겠습니다.) 참고로 고등학교 때 배우는 이과 미적분학으로도 충분합니다.(제가 고등학교다닐 때는 문이과가 나뉘어져있었는데 최근에는 문이과 통합이라고 들었습니다...) 기본적으로 어떤..
안녕하세요. 오늘은 지난 시간의 기초통계학[3].조건부 확률, 독립, 베이지안 공식(https://everyday-image-processing.tistory.com/8)에 이어서 이산확률 변수에 대해서 학습하겠습니다. 1. 확률변수 본격적으로 시작하기 전에 과연 확률변수랑 무엇일까요? 이름만 들으면 확률 기반 변수와 같은 느낌이겠네요. 일단 저희가 기초통계학[2].확률 기초(https://everyday-image-processing.tistory.com/7)에서 배웠던 이산 표본 공간을 떠올리셨다면 아주 좋습니다. - 이산 표본 공간(discrete sample space): 순서대로 나열 할 수 있는 표본 공간으로 집합의 크기는 유한할 수도 있지만 무한하더라도 상관없습니다. Ex1. 6개의 면을 가..
안녕하세요. 오늘은 지난 시간에 간단하게 살펴봤던 기초통계학[1].경우의 수와 집합(https://everyday-image-processing.tistory.com/6) 다음으로 확률 기초에 대해서 알아보겠습니다. 1. 확률 관련 용어 정리 먼저, 이전 시간부터 계속 써왔던 확률 관련 용어부터 정리하겠습니다. - 실험(Experiment) : 잘 정의된(well-defined) 확률적 결과를 가지는 반복 절차 - 표본 공간(Sample space) : 실험을 통해 얻을 수 있는 모든 가능한 결과(Ω) - 사건(Event) : 표본 공간의 부분 집합(E) - 확률 함수(Probability function) : 각각의 결과에 대한 확률을 함수로 표현한 것 Ex1. 공평한 동전을 1개 던진다...
안녕하세요. 오늘은 저번 기초통계학[0].소개(https://everyday-image-processing.tistory.com/5)에 이어서 확률에서 가장 기본 베이스로 숙지해야할 경우의 수와 집합에 대해서 포스팅하도록 하겠습니다. 만약, 관련 내용을 알고 계시다면 굳이 안보셔도 됩니다. 크게 3가지에 대해서 학습하고 끝내도록 하겠습니다. - 집합의 정의와 기호, 그리고 집합의 연산인 합집합, 교집합, 여집합의 정의와 기호 - Venn Diagram을 이용하여 집합 연산의 시각화 - 곱셈 법칙, inclusion-exclusion principle, 순열과 조합 1. 경우의 수 Ex1. 앞면과 뒷면이 나올 확률이 동일한 공정한 동전이 있다고 가정하겠습니다. 동전을 3번 던졌을 때, 정확히 앞면이 1번만..
