본문 바로가기
Study/통계학

16~20강 Review

by EDGE-AI 2022. 3. 3.

본 글은 Havard University Statistics 110 강의를 듣고 정리한 내용입니다.

Exponential Distribution

지수함수의 PDF

λeλx

 

지수함수의 CDF

F(x)=0xλeλtdt=1eλx

 

 Y = λX 라고 가정했을 때, Y ~ Expo(1)

E(Y)=yeydy=1

Var(Y)=E(Y2)E(Y)2=1

 

X=Yλ,E(X)=1λ,Var(X)=1λ2

Memoryless Property(지수분포의 무기역성)

P(Xs+t|Xs)=P(Xt)

E(X|X>a)=a+E(Xa|X>a)=a+1λ

 

Moment Generating Function(적률생성함수)

확률변수 X가 적률생성함수 M(t)를 가지고 있다고 할 때, 

M(t)=E(etx)=E(n=0Xntnn!)=n=0E(Xn)tnn!

  • 테일러 급수인 t^n/n!의 계수인 E(X^n)이 n차 적률을 나타낸다.
  • 같은 MGF를 가지는 두 확률변수는 같은 확률분포를 가짐
  • E(et(X+Y))=E(etX)E(etY)=MXMY

X ~ Bern(p)

M(t)=E(etX)=pet+q

X ~ Bin(n,p)

M(t)=(pet+q)n

Z ~ N(0, 1)

M(t)=et2/2

Exponential MGF

X ~ Expo(1)

M(t)=E(etx)=0etxexdx=0ex(1t)dx=11t

M(0)=E(X)

M(0)=E(X2)

M(0)=E(X3)

11t=tn=n!tnn!E(Xn)=n!

 

Y ~ Expo(λ), X = λY ~ Expo(1)

E(Yn)=n!λn

Normal MGF

Z ~ N(0, 1)

E(Z2n1)=0

E(Z2n)=(2n)!(2nn!)

Poisson MGF

X ~ Pois(λ)

E(etX)=k=0etkeλλkk!=eλ(et1)

Y ~ Pois(μ), X, Y는 독립

MGF:MXMY=e(λ+μ)(et1)X+YPois(λ+μ)

결합분포(Joint Distribution)

X, Y Bernoulli

확률변수  X, Y의 joint CDF F(x, y) = P(X≤x,Yy) 

  • 이산확률변수와 연속확률변수의 조합에도 성립

이산형인 경우의 joint PMF P(X=x,Y=y) 

Joint PDF

f(x,y)=xyF(x,y)

주변 분포(Marginal Distribution)

확률변수 X의 marginal CDF:  P(X≤x)  

marginal PMF : P(X=x)

 

P(X=x)=yP(X=x)(Y=y)

FY(y)=fX,Y(x,y)dy

marginal PDF of X

f(x,y)dy

conditional PDF of Y|X 

fY|X(y|x)=fX,Y(x,y)fX(x)=fX|Y(x|y)fY(y)fX(x)

 

2-dim LOTUS

X와 Y가 결합 확률밀도함수 f(x, y)를 가지고, g(x, y)가  x, y 에 대한 함수라고 할 때, 

만약 X와 Y가 독립이면 E(XY) = E(X)E(Y)

 

Proof(continuous case)

독립이기 때문에 PDF는 각 변수에 대한 PDF의 곱으로 나타낼 수 있다.

다항분포

XMult(n,p)

joint PMF

P(X1=n1,,Xk=nk)=n!n1!nk!p1n1pknk

marginal distribution

XjBin(n,pj)

코시분포

T = X/y, X, Y ~ N(0, 1)

PDF

P(Xt|Y|)=Φ(t|Y|)φ(y)dy

 

 

 

출처: https://www.edwith.org/ai152

댓글