본문 바로가기
Study/통계학

22. 변수변환과 합성곱(Transformations and Convolutions)

by EDGE-AI 2022. 2. 21.

본 글은 Havard University Statistics 110 강의를 듣고 정리한 내용입니다.

초기하분포의 분산

HyperGeom(w, b, n), p  w / (w+b), w+b=N

Var(j=1nXj)=Var(X1)++Var(Xn)+2i<jCov(Xi,Xj)

=np(1p)+2(n2)(ww+bw1w+b1p2)=NnN1np(1p)

(N-n)/(N-1)을 통계학에서 유한 모집단 수정(수정계수)이라고 한다.

  • n=1인 경우 Bern(p)의 분산이 된다.
  • n보다 훨씬 큰 N값을 가질 경우 (N-n)/(N-1) ≒1

변수변환

X를 연속확률변수, PDF fx, Y = g(X)

  1. g는 미분가능한 함수
  2. g는 강한 증가 함수

Y의 PDF

fY(y)=fX(x)dxdy(y=g(x),x=g1(y))

Also

dxdy=(dydx)1

 

Proof

CDF를 찾아서 미분하여 진행

P(Yy)=P(g(X)y)=P(Xg1(y))=FX(g1(y))=FX(x)

fY(y)=fX(x)dxdy

 

Ex. 로그 정규분포

Y = e^z, z ~ N(0, 1)

fY(y)=12πe(lny)2/21y

dydz=ez=y

 

n차원에서의 변수변환

Y=g(X),g:R2R2

X=(X1,,Xn)

joint PDF of  Y​ sasdasd ​ 

fY(y)=fX(x)|dxdy|

|dxdy|Jacobian

jacobian determine의 절대값

dxdy=(x1y1x1y2x1ynx2y1x2y2x2ynxny1xny2xnyn)

|dydx|1=|dxdy|

 

합성곱(Convolution)의 변수변환

T = X+Y, X와 Y는 독립, X와 Y의 분포를 알 때 T의 분포

  • 이산형

P(T=t)=xP(X=x)P(Y=tx)

 

  • 연속형

fT(t)=fX(x)fY(tx)dx

FT(t)=P(Tt)=P(X+Yt|X=x)fX(x)

=FY(tx)fX(x)dx

 

 

출처: https://www.edwith.org/ai152

댓글