본 포스팅은 ProDS 필기 강의를 듣고 정리, 요약한 내용입니다.
정규분포$ Normal distribution $
1) 정의 : 확률변수 $X$가 평균이 $ \mu $, 분산이 $ \sigma ^2 $이고 확률밀도함수 $ f(x) $가 $$f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{\frac{-{(x-\mu)^2}}{2\sigma^2}}\quad (-\infty <x<\infty)$$ 일 때 $X$는 정규분포를 따른다고 하고, $$X\sim N_{ormal}[\mu,\, \sigma^2]$$라 한다.
1) $\mu$는 분포의 중심, 위치 모수$Location Parameter$라 한다
2) $\sigma^2$가 크면 분포의 산포가 커지고, 작으면 분포의 산포가 작아진다. 해서 $\sigma$를 척도모수$Scale Parameter$라 한다.
2) 정규분포의 특성치($X$ ~ $N[\mu,\, \sigma^2]$인 경우)
: $E(X) = \mu,\quad V(X)= \sigma^2 \, => S(X) = \sigma$. $\quad$ ($E(X)$ : 기대값, $V(X)$ : 분산, $S(X)$ : 표준편차)
표준정규분포$Standard Normal Distribution$
1) 정의 : $\mu=0$, $\sigma^2=1$인 정규분포를 표준정규분포라 정의한다.
2) 확률변수 : 정규분포의 확률변수 $X$를 선형변환(정규분포의 선형불변성에 의해 선형변환 후에도 분포는 그대로 정규분포)한 $$Z = \frac{X-\mu}{\sigma}$$를 표준정규분포의 확률변수로 사용한다($\frac{X-\mu}{\sigma} = \frac{1}{\sigma}X + (-\frac{\mu}{\sigma})$)
$$E(ax+b) = aE(x)+b \, => E(Z) = E(\frac{1}{\sigma}X\, -\frac{\mu}{\sigma}) = \frac{1}{\sigma}E(x)-\, \frac{\mu}{\sigma} = \frac{1}{\sigma}\, -\frac{\mu}{\sigma} = 0$$
$$V(ax+b) = a^2V(x)\, => V(Z) = V(\frac{1}{\sigma}X\, -\frac{\mu}{\sigma}) = \frac{1}{\sigma^2} = \frac{1}{\sigma^2}\cdot \sigma^2 = 1$$
$X$를 $Z$로 변환하는 위의 과정을 표준화(정규화)$normalization$라 한다. 표준화로부터 $$ Z(=\frac{X-\mu}{\sigma}) \sim N[0,\, 1]$$
정규화를 거친 후의 PDF는 $$f(z) = \frac{1}{\sqrt{2\pi}}e^{-\frac{z^2}{2}},\quad (-\infty<z<\infty)$$
ex) $X\sim N[10,\, 2^2]$일 때, $P(10<X<13) = P(?<Z<?)$
: $Z = \frac{X-10}{2}\sim n[0,\, 1]$, $P(10<X<13) = P(\frac{10-10}{2}<Z<\frac{13-10}{2}) = P(0<Z<1.5)$
3) $Z$의 (1-$\alpha$) 분위수 $Z_{\alpha}$
: $Z\sim N[0,\, 1]$일 때 $P(Z<C) = 1-\alpha$를 만족하는 특정 값 $C$를 $Z$의 $(1-\alpha)$분위수라 하고, $Z_{\alpha}$로 표기함. 쉽게 표현하면, $P(Z>Z_{\alpha})=\alpha$일 때의 $Z_{\alpha}$.
'STUDY > 확률과 통계' 카테고리의 다른 글
[ProDS] 7. 그래프에 의한 기술통계 (0) | 2023.07.31 |
---|---|
[ProDS] 6. 카이제곱분포, t분포 (0) | 2023.07.31 |
[ProDS] 4. 이항분포, 포아송분포, 지수분포 (1) | 2023.07.25 |
[ProDS] 3. 확률변수와 확률분포, 분포의 특성치 (0) | 2023.07.24 |
[ProDS] 2. 베이즈 정리Bayes' theorem (0) | 2023.07.24 |