Peebles의 확률, 랜덤변수 및 랜덤신호의 원리, 5판

 3.0 서론
 3.1 기대값
 3.2 모멘트
 3.3 모멘트를 구하는 함수들
 3.4 랜덤변수의 변환
 3.5 컴퓨터에 의한 단일 랜덤변수의 생성
 3.6 요약

2
3장. 단일 랜덤변수의 연산-기대값

3
 2장의 주요 내용
◦ 랜덤변수
 표본 공간에서 정의된 사건을 체계적으로 나타내는 수단
 실제 일어나는 확률적인 물리현상의 특성을 규정하는 수학적
모형을 제시

 3장의 주요 내용
◦ 랜덤변수의 주요 연산: 기대값(expectation)

4
3장. 단일 랜덤변수의 연산-기대값

5
 기대값(expectation)
◦ 랜덤변수와 관계하여 평균을 구하는 과정
◦ 랜덤변수 𝑋𝑋에 대한 기대값
�
𝑬𝑬 𝑿𝑿 = 𝑿𝑿
 𝑿𝑿의 산술적 기대값(expectation)
 𝑋𝑋의 기대값(expected value)
 𝑿𝑿의 평균(mean)
 𝑋𝑋의 통계적 평균(statistical average)

6
EXAMPLE 3.1-1

7
 랜덤변수의 기대값
◦ 임의의 랜덤변수 𝑋𝑋에 대한 기대값의 정의
∞
� = � 𝒙𝒙𝒇𝒇𝑿𝑿 𝒙𝒙 𝒅𝒅𝒅𝒅
𝑬𝑬 𝑿𝑿 = 𝑿𝑿
−∞
 𝑋𝑋가 확률 𝑃𝑃(𝑥𝑥𝑖𝑖 )를 갖는 𝑁𝑁개의 가능한 값 𝑥𝑥𝑖𝑖 를 갖는 이산
랜덤변수인 경우
 𝐸𝐸 𝑋𝑋 = ∑𝑁𝑁 𝑁𝑁
𝑖𝑖=1 𝑥𝑥𝑖𝑖 𝑃𝑃(𝑥𝑥𝑖𝑖 ); 𝑓𝑓𝑋𝑋 𝑥𝑥 = ∑𝑖𝑖=1 𝑃𝑃 𝑥𝑥𝑖𝑖 𝛿𝛿(𝑥𝑥 − 𝑥𝑥𝑖𝑖 )
 𝑓𝑓𝑋𝑋 (𝑥𝑥)가 𝑥𝑥 = 𝑎𝑎인 직선에 대칭인 경우
 𝐸𝐸 𝑋𝑋 = 𝑎𝑎; 𝑓𝑓𝑋𝑋 𝑥𝑥 + 𝑎𝑎 = 𝑓𝑓𝑋𝑋 (−𝑥𝑥 + 𝑎𝑎)

8
EXAMPLE 3.1-2

9
 랜덤변수 함수의 기대값
◦ 랜덤변수 𝑋𝑋의 함수 𝑔𝑔(⋅)
◦ 𝑔𝑔(𝑋𝑋)의 기대값
∞
𝑬𝑬 𝒈𝒈 𝑿𝑿 = � 𝒈𝒈 𝒙𝒙 𝒇𝒇𝑿𝑿 𝒙𝒙 𝒅𝒅𝒅𝒅
−∞
 𝐸𝐸 𝑔𝑔 𝑋𝑋 = ∑𝑁𝑁
𝑖𝑖=1 𝑔𝑔 𝑥𝑥𝑖𝑖 𝑃𝑃(𝑥𝑥𝑖𝑖 ); 이산 랜덤변수 𝑋𝑋인 경우

 𝐸𝐸 𝑔𝑔 𝑋𝑋 = 𝐸𝐸 𝑔𝑔1 𝑋𝑋 + 𝑔𝑔2 𝑋𝑋 + ⋯ 𝑔𝑔𝑁𝑁 𝑥𝑥

= 𝐸𝐸 𝑔𝑔1 𝑋𝑋 + 𝐸𝐸 𝑔𝑔2 𝑋𝑋 + ⋯ + 𝐸𝐸[𝑔𝑔𝑁𝑁 𝑥𝑥 ]

10
EXAMPLE 3.1-3

11
EXAMPLE 3.1-4

12
 조건 기대값(conditional expectation)
◦ 표본 공간에서 정의된 어떤 사건 𝐵𝐵에 대한 조건 밀도함수
𝑓𝑓𝑋𝑋 (𝑥𝑥|𝐵𝐵)에 대한 랜덤변수 𝑋𝑋의 조건 기대값
∞
𝐸𝐸 𝑋𝑋 𝐵𝐵 = � 𝑥𝑥𝑓𝑓𝑋𝑋 𝑥𝑥 𝐵𝐵 𝑑𝑑𝑑𝑑
−∞
 𝐵𝐵 = {𝑋𝑋 ≤ 𝑏𝑏}; −∞ < 𝑏𝑏 < ∞
𝑓𝑓𝑋𝑋 𝑥𝑥
𝑏𝑏 𝑥𝑥 < 𝑏𝑏
 𝑓𝑓𝑋𝑋 𝑥𝑥 𝐵𝐵 = � ∫−∞ 𝑥𝑥𝑓𝑓𝑋𝑋 𝑥𝑥 𝑑𝑑𝑑𝑑
0 𝑥𝑥 ≥ 𝑏𝑏
 𝑋𝑋가 집합 {𝑋𝑋 ≤ 𝑏𝑏}로 한정될 때 𝑋𝑋의 평균값
𝑏𝑏
∫−∞ 𝑥𝑥𝑓𝑓𝑋𝑋 𝑥𝑥 𝑑𝑑𝑑𝑑
𝐸𝐸 𝑋𝑋 𝑋𝑋 ≤ 𝑏𝑏 = 𝑏𝑏
∫−∞ 𝑓𝑓𝑋𝑋 (𝑥𝑥) 𝑑𝑑𝑑𝑑

13
3장. 단일 랜덤변수의 연산-기대값

14
 원점에 관한 모멘트(moments about the origin)
◦ 𝑛𝑛차 모멘트, 𝑚𝑚𝑛𝑛
∞
𝒎𝒎𝒏𝒏 = 𝑬𝑬 𝑿𝑿𝒏𝒏 = � 𝒙𝒙𝒏𝒏 𝒇𝒇𝑿𝑿 (𝒙𝒙) 𝒅𝒅𝒅𝒅
−∞
 𝑔𝑔 𝑋𝑋 = 𝑋𝑋 ; 𝑛𝑛 = 0, 1, 2, …
𝑛𝑛

 𝑚𝑚0 = 1 ← 𝑓𝑓𝑋𝑋 (𝑥𝑥)의 면적

� ← 𝑿𝑿의 기대값
 𝒎𝒎𝟏𝟏 = 𝑿𝑿

15
 중심 모멘트(central moment)
◦ 𝑋𝑋의 평균에 관한 모멘트, 𝜇𝜇𝑛𝑛
∞
�
𝝁𝝁𝒏𝒏 = 𝑬𝑬 𝑿𝑿 − 𝑿𝑿 𝒏𝒏
=� �
𝒙𝒙 − 𝑿𝑿 𝒏𝒏 𝒇𝒇
𝑿𝑿 𝒙𝒙 𝒅𝒅𝒅𝒅
−∞
 𝑔𝑔 𝑋𝑋 = 𝑋𝑋 − 𝑋𝑋�𝑛𝑛

 𝜇𝜇0 = 1 ← 𝑓𝑓𝑋𝑋 (𝑥𝑥)의 면적

 𝜇𝜇1 = 0
 𝝁𝝁𝟐𝟐 = 𝝈𝝈𝟐𝟐𝑿𝑿 ← 𝑿𝑿의 분산
 𝜇𝜇3 = 𝐸𝐸 𝑋𝑋 − 𝑋𝑋� 3 ← 𝑚𝑚1 에 대한 𝑓𝑓𝑋𝑋 (𝑥𝑥)의 비대칭성

16
 분산과 비틀림
◦ 분산(variance)
∞
𝝈𝝈𝟐𝟐𝑿𝑿 �
= 𝝁𝝁𝟐𝟐 = 𝑬𝑬 𝑿𝑿 − 𝑿𝑿 𝟐𝟐
=� 𝑥𝑥 − 𝑋𝑋� 2 𝑓𝑓𝑋𝑋 (𝑥𝑥) 𝑑𝑑𝑑𝑑
−∞
 표준 편차(standard deviation), 𝜎𝜎𝑋𝑋2 = 𝜎𝜎𝑋𝑋
 평균에 관하여 𝑓𝑓𝑋𝑋 (𝑥𝑥)가 퍼진 정도
� + 𝑋𝑋� 2 = 𝐸𝐸 𝑋𝑋 2 − 2𝑋𝑋𝐸𝐸
 𝝈𝝈𝟐𝟐𝑿𝑿 = 𝐸𝐸 𝑋𝑋 2 − 2𝑋𝑋𝑋𝑋 � 𝑋𝑋 + 𝑋𝑋� 2
� 𝟐𝟐 = 𝒎𝒎𝟐𝟐 − 𝒎𝒎𝟐𝟐𝟏𝟏
= 𝑬𝑬 𝑿𝑿𝟐𝟐 − 𝑿𝑿

◦ 비틀림(skew)
�
 𝝁𝝁𝟑𝟑 = 𝑬𝑬 𝑿𝑿 − 𝑿𝑿 𝟑𝟑

 𝑥𝑥 = 𝑋𝑋� = 𝑚𝑚1 에 대한 𝑓𝑓𝑋𝑋 (𝑥𝑥)의 비대칭성, 밀도함수의 비틀림

 𝑓𝑓𝑋𝑋 (𝑥𝑥)가 𝑥𝑥 = 𝑋𝑋에� 대해 대칭인 경우, 영 비틀림(zero skew)
 𝑛𝑛의 모든 홀수 값에 대해 𝜇𝜇𝑛𝑛 = 0
 𝝁𝝁𝟑𝟑 = 𝝈𝝈𝟑𝟑𝑿𝑿 ← 𝑓𝑓𝑋𝑋 (𝑥𝑥)의 비틀림 정도(skewness) 또는 비틀림
계수(coefficient of skewness)

17
EXAMPLE 3.2-1

18
EXAMPLE 3.2-2

19
 체비셰프 부등식(Chebychev’s inequality)
� 분산 𝜎𝜎𝑋𝑋2 인 랜덤 변수 𝑋𝑋에 대하여,
◦ 평균 𝑋𝑋,
◦ 임의의 수 𝜖𝜖 > 0에 대한 체비셰프 부등식
𝝈𝝈𝟐𝟐𝑿𝑿
� ≥ 𝝐𝝐 ≤
𝑷𝑷 𝑿𝑿 − 𝑿𝑿
𝝐𝝐𝟐𝟐
𝑋𝑋−𝜖𝜖 � ∞ ∞
 𝑃𝑃 𝑋𝑋 − 𝑋𝑋� ≥ 𝜖𝜖 = ∫−∞ 𝑓𝑓𝑋𝑋 (𝑥𝑥) 𝑑𝑑𝑑𝑑 + ∫𝑋𝑋+𝜖𝜖
� 𝑓𝑓
𝑋𝑋 (𝑥𝑥) 𝑑𝑑𝑑𝑑 = ∫ 𝑓𝑓 (𝑥𝑥) 𝑑𝑑𝑑𝑑
𝑥𝑥−𝑋𝑋� ≥𝜖𝜖 𝑋𝑋
∞ ∞
 𝜎𝜎𝑋𝑋2 = ∫−∞ 𝑥𝑥 − 𝑋𝑋� 2 𝑓𝑓𝑋𝑋 (𝑥𝑥) 𝑑𝑑𝑑𝑑 ≥ ∫ 𝑥𝑥−𝑋𝑋� ≥𝜖𝜖 𝑥𝑥 − 𝑋𝑋� 2 𝑓𝑓𝑋𝑋 𝑥𝑥 𝑑𝑑𝑑𝑑
∞
≥ 𝜖𝜖 2 � 𝑓𝑓𝑋𝑋 𝑥𝑥 𝑑𝑑𝑑𝑑 = 𝜖𝜖𝜖𝜖{ 𝑥𝑥 − 𝑋𝑋� ≥ 𝜖𝜖}
𝑥𝑥−𝑋𝑋� ≥𝜖𝜖

20
EXAMPLE 3.2-3

21
3장. 단일 랜덤변수의 연산-기대값

22
 특성 함수(characteristic function)
𝚽𝚽𝑿𝑿 𝝎𝝎 = 𝑬𝑬[𝒆𝒆𝒋𝒋𝒋𝒋𝒋𝒋 ]
 𝑗𝑗 = −1; 𝜔𝜔~angle frequency, −∞ < 𝜔𝜔 < ∞

 모멘트 생성 함수(moment generating function)

𝑴𝑴𝑿𝑿 𝝂𝝂 = 𝑬𝑬[𝒆𝒆𝝂𝝂𝝂𝝂 ]
 𝜈𝜈는 실수, −∞ < 𝜔𝜔 < ∞

23
 특성 함수(characteristic function)
𝚽𝚽𝑿𝑿 𝝎𝝎 = 𝑬𝑬[𝒆𝒆𝒋𝒋𝒋𝒋𝒋𝒋 ]
 𝑗𝑗 = −1; 𝜔𝜔~angle frequency, −∞ < 𝜔𝜔 < ∞
 𝜔𝜔의 부호만 바뀐 𝑓𝑓𝑋𝑋 (𝑥𝑥)의 푸리에 변환(Fourier transform)
∞ 1 ∞
 Φ𝑋𝑋 𝜔𝜔 = ∫−∞ 𝑓𝑓𝑋𝑋 (𝑥𝑥) 𝑒𝑒 𝑗𝑗𝑗𝑗𝑗𝑗 𝑑𝑑𝑑𝑑 ↔𝑓𝑓𝑋𝑋 𝑥𝑥 = ∫ Φ 𝜔𝜔 𝑒𝑒 −𝑗𝑗𝑗𝑗𝑗𝑗 𝑑𝑑𝑑𝑑
2𝜋𝜋 −∞ 𝑋𝑋

 𝑿𝑿의 𝒏𝒏차 모멘트, 𝒎𝒎𝒏𝒏

𝒏𝒏
𝒅𝒅𝒏𝒏 𝜱𝜱𝑿𝑿 𝝎𝝎
𝒎𝒎𝒏𝒏 = −𝒋𝒋 �
𝒅𝒅𝝎𝝎𝒏𝒏 𝝎𝝎=𝟎𝟎
 특성함수의 장점: “Φ𝑋𝑋 (𝜔𝜔)가 항상 존재한다.”는 것
 특성함수의 최대 크기: 1; 𝜔𝜔 = 0, Φ𝑋𝑋 𝜔𝜔 ≤ Φ𝑋𝑋 0 = 1

24
EXAMPLE 3.3-1

25
 모멘트 생성 함수(moment generating function)
∞
𝑴𝑴𝑿𝑿 𝝂𝝂 = 𝑬𝑬 𝒆𝒆𝝂𝝂𝝂𝝂 = � 𝒇𝒇𝑿𝑿 𝒙𝒙 𝒆𝒆𝝂𝝂𝝂𝝂 𝒅𝒅𝒅𝒅
−∞
 𝜈𝜈는 실수, −∞ < 𝜔𝜔 < ∞

 𝑿𝑿의 𝒏𝒏차 모멘트, 𝒎𝒎𝒏𝒏

𝒅𝒅𝒏𝒏 𝑴𝑴𝑿𝑿 𝝂𝝂
𝒎𝒎𝒏𝒏 = �
𝒅𝒅𝝂𝝂𝒏𝒏 𝝂𝝂=𝟎𝟎
 모든 랜덤변수와 모든 𝜈𝜈에 대하여 존재하지 않을 수도 있음
 𝑀𝑀𝑋𝑋 (𝜈𝜈)가 𝜈𝜈 = 0 근처 모든 𝜈𝜈에 대하여 존재하면 위 식으로부터
𝑚𝑚𝑛𝑛 을 구할 수 있음

26
EXAMPLE 3.3-2

27
 체르노프 부등식과 한계
◦ 랜덤변수 𝑋𝑋의 체르노프 부등식
∞
 𝑃𝑃 𝑋𝑋 ≥ 𝑎𝑎 ≤ ∫−∞ 𝑓𝑓𝑋𝑋 𝑥𝑥 𝑒𝑒 𝜈𝜈 𝑥𝑥−𝑎𝑎
𝑑𝑑𝑑𝑑 = 𝑒𝑒 −𝜈𝜈𝜈𝜈 𝑀𝑀𝑋𝑋 𝜈𝜈
 임의의 실수 𝜈𝜈 > 0과 𝑎𝑎

28
EXAMPLE 3.3-3

29
3장. 단일 랜덤변수의 연산-기대값

30
 랜덤변수 𝑋𝑋를 다른 랜덤변수 𝑌𝑌로 변환하는 경우
◦ 𝑋𝑋에 대한 𝑓𝑓𝑋𝑋 (𝑥𝑥) 혹은 𝐹𝐹𝑋𝑋 (𝑥𝑥)를 알 때,
◦ 𝑌𝑌에 대한 𝑓𝑓𝑌𝑌 𝑦𝑦 혹은 𝐹𝐹𝑌𝑌 (𝑦𝑦)를 구하는 문제
◦ 𝑋𝑋는 이산, 연속, 또는 혼합 랜덤변수일 수 있음
◦ 𝑇𝑇는 선형, 비선형, 계단형 등이 될 수 있음
① 𝑿𝑿가 연속이고, 𝑻𝑻가 연속이며, 𝑋𝑋에 따라서 단조 증가 또는
감소하는 경우
② 𝑿𝑿가 연속이고, 𝑻𝑻가 연속이나 단조성이 아닌 경우
③ 𝑿𝑿가 이산이고, 𝑻𝑻가 연속인 경우

31
 FIGURE 3.4-2

32
 ① 연속 랜덤함수의 단조 변환, 𝑇𝑇(⋅)
◦ 단조 증가(monotonically increasing) 변환
 𝑥𝑥1 < 𝑥𝑥2  𝑇𝑇 𝑥𝑥1 < 𝑇𝑇(𝑥𝑥2 ), 𝑥𝑥1 과 𝑥𝑥2 는 임의의 실수

◦ 단조 감소(monotonically decreasing) 변환
 𝑥𝑥1 < 𝑥𝑥2  𝑇𝑇 𝑥𝑥1 < 𝑇𝑇(𝑥𝑥2 ), 𝑥𝑥1 과 𝑥𝑥2 는 임의의 실수

33
 ① 연속 랜덤함수의 단조 변환, 𝑇𝑇(⋅) (계속)
◦ 단조 증가 변환
 (가정) 𝑇𝑇는 𝑓𝑓𝑋𝑋 𝑥𝑥 ≠ 0인 모든 𝑥𝑥값에 대해 연속이며, 미분 가능
 𝑌𝑌는 𝑥𝑥의 특정한 값 𝑥𝑥0 에 대응하는 특정한 값 𝑦𝑦0 를 가질 때
𝑦𝑦0 = 𝑇𝑇(𝑥𝑥0 ) 또는 𝑥𝑥0 = 𝑇𝑇 −1 𝑦𝑦0 ; 𝑇𝑇 −1 (⋅)은 𝑇𝑇(⋅)의 역변환
 𝑋𝑋와 𝑌𝑌는 일대일 대응이므로 다음 관계가 성립함
 𝐹𝐹𝑌𝑌 𝑦𝑦0 = 𝑃𝑃 𝑌𝑌 ≤ 𝑦𝑦0 = 𝑃𝑃 𝑋𝑋 ≤ 𝑥𝑥0 = 𝐹𝐹𝑋𝑋 (𝑥𝑥0 )
𝑦𝑦0 𝑥𝑥0 =𝑇𝑇 −1 (𝑦𝑦0 )
 ∫−∞ 𝑓𝑓𝑌𝑌 (𝑦𝑦) 𝑑𝑑𝑑𝑑 = ∫−∞ 𝑓𝑓𝑋𝑋 (𝑥𝑥) 𝑑𝑑𝑑𝑑
−1 𝑑𝑑𝑇𝑇 −1 (𝑦𝑦0 ) 라이프니쯔 규칙을 사용해 양 변을 𝑦𝑦0 에 관해 미분
 𝑓𝑓𝑌𝑌 𝑦𝑦0 = 𝑓𝑓𝑋𝑋 𝑇𝑇 𝑦𝑦0
𝑑𝑑𝑦𝑦0
임의 𝑦𝑦0 에 대해 적용되므로 아래첨자 생략
𝑑𝑑𝑇𝑇 −1 (𝑦𝑦) 𝒅𝒅𝒅𝒅
 𝒇𝒇𝒀𝒀 𝒚𝒚 = 𝑓𝑓𝑋𝑋 𝑇𝑇 −1 𝑦𝑦 = 𝒇𝒇𝑿𝑿 𝒙𝒙
𝑑𝑑𝑑𝑑 𝒅𝒅𝒅𝒅

34
 ① 연속 랜덤함수의 단조 변환, 𝑇𝑇(⋅) (계속)
◦ 단조 감소 변환
 (가정) 𝑇𝑇는 𝑓𝑓𝑋𝑋 𝑥𝑥 ≠ 0인 모든 𝑥𝑥값에 대해 연속이며, 미분 가능
 𝑋𝑋와 𝑌𝑌는 일대일 대응이므로 다음 관계가 성립함
−1 𝑑𝑑𝑇𝑇 −1 𝑦𝑦 𝒅𝒅𝒅𝒅
 𝒇𝒇𝒀𝒀 𝒚𝒚 = 𝑓𝑓𝑋𝑋 𝑇𝑇 𝑦𝑦 − = 𝒇𝒇𝑿𝑿 𝒙𝒙 −
𝑑𝑑𝑑𝑑 𝒅𝒅𝒅𝒅
◦ 단조 변환

−𝟏𝟏
𝒅𝒅𝑻𝑻−𝟏𝟏 𝒚𝒚 𝒅𝒅𝒙𝒙
𝒇𝒇𝒀𝒀 𝒚𝒚 = 𝒇𝒇𝑿𝑿 𝑻𝑻 𝒚𝒚 = 𝒇𝒇𝑿𝑿 (𝒙𝒙)
𝒅𝒅𝒅𝒅 𝒅𝒅𝒚𝒚

35
EXAMPLE 3.4-1

36
 FIGURE 3.4-3

37
 ② 연속 랜덤변수의 비단조 변환
◦ 사건 {𝑌𝑌 ≤ 𝑦𝑦0 }에 대응하는 𝑋𝑋 값이 구간이 하나 이상인
경우
◦ 사건 {𝑌𝑌 ≤ 𝑦𝑦0 }의 확률은 사건 {𝑥𝑥|𝑌𝑌 ≤ 𝑦𝑦0 }의 확률
◦ 𝐹𝐹𝑌𝑌 𝑦𝑦0 = 𝑃𝑃 𝑌𝑌 ≤ 𝑦𝑦0 = 𝑃𝑃 𝑥𝑥 𝑌𝑌 ≤ 𝑦𝑦0 = ∫{𝑥𝑥|𝑌𝑌≤𝑦𝑦 } 𝑓𝑓𝑋𝑋 (𝑥𝑥) 𝑑𝑑𝑑𝑑
0
𝒅𝒅
𝒇𝒇𝒀𝒀 𝒚𝒚𝟎𝟎 = � 𝒇𝒇𝑿𝑿 (𝒙𝒙) 𝒅𝒅𝒅𝒅
𝒅𝒅𝒚𝒚𝟎𝟎 {𝒙𝒙|𝒀𝒀≤𝒚𝒚𝟎𝟎 }

38
EXAMPLE 3.4-2

39
EXAMPLE 3.4-2 (continued)

40
 FIGURE 3.4-4

41
 ③ 이산 랜덤변수의 변환
◦ 𝑋𝑋가 이산 랜덤변수이고, 𝑌𝑌 = 𝑇𝑇(𝑋𝑋)가 연속 변환인 경우
◦ 𝑓𝑓𝑋𝑋 𝑥𝑥 = ∑𝑛𝑛 𝑃𝑃 𝑥𝑥𝑛𝑛 𝛿𝛿(𝑥𝑥 − 𝑥𝑥𝑛𝑛 )
◦ 𝐹𝐹𝑋𝑋 𝑥𝑥 = ∑𝑛𝑛 𝑃𝑃 𝑥𝑥𝑛𝑛 𝑢𝑢(𝑥𝑥 − 𝑥𝑥𝑛𝑛 )
 단조성(𝑋𝑋와 𝑌𝑌 간 일대일 대응) 𝑇𝑇(⋅)에 대하여
 𝑓𝑓𝑌𝑌 𝑦𝑦 = ∑𝑛𝑛 𝑃𝑃 𝑦𝑦𝑛𝑛 𝛿𝛿(𝑦𝑦 − 𝑦𝑦𝑛𝑛 )
 𝐹𝐹𝑌𝑌 𝑦𝑦 = ∑𝑛𝑛 𝑃𝑃 𝑦𝑦𝑛𝑛 𝑢𝑢(𝑦𝑦 − 𝑦𝑦𝑛𝑛 )
 비단조성 𝑇𝑇(⋅)에 대하여, 𝑥𝑥𝑛𝑛 이 여러 𝑦𝑦𝑛𝑛 에 대응
 𝑃𝑃(𝑦𝑦𝑛𝑛 )은 𝑦𝑦𝑛𝑛 = 𝑇𝑇(𝑥𝑥𝑛𝑛 )에서 구한 여러 개의 𝑥𝑥𝑛𝑛 에 대한 확률 값들을
합한 것과 같음

42
EXAMPLE 3.4-3

43
3장. 단일 랜덤변수의 연산-기대값

44
 아는 분포를 갖는 𝑋𝑋를 원하는 분포를 갖는 𝑌𝑌로
변환(𝑇𝑇(⋅))하는 문제
 시스템을 실제 구현하기 전에 잡음 등 확률적인 오차요소를
고려하여 성능을 추정하기 위해 컴퓨터를 사용한 모의실험을
수행하는 사례가 많음  모든 프로그래밍 언어에서 다양한
랜덤변수 생성을 위한 라이브러리를 갖고 있으나 모든
랜덤변수에 대응하지 않음  (0, 1)에서 균일 분포를 갖는
𝑋𝑋는 거의 대부분의 랜덤변수 관련 라이브러리에서 제공함
 (가정)𝑇𝑇(𝑋𝑋)는 단조비감소함수(monotonically
nondecreasing function)
 𝐹𝐹𝑌𝑌 𝑦𝑦 = 𝑇𝑇 𝑥𝑥 = 𝐹𝐹𝑋𝑋 𝑥𝑥
 균일분포이므로 0 < 𝑥𝑥 < 1에서 𝐹𝐹𝑋𝑋 𝑥𝑥 = 𝑥𝑥
 𝒚𝒚 = 𝑻𝑻 𝒙𝒙 = 𝑭𝑭−𝟏𝟏 (𝒙𝒙); 0 < 𝑥𝑥 < 1

45
EXAMPLE 3.5-1

46
EXAMPLE 3.5-2

47
EXAMPLE 3.5-3

48
FIGURE 3.5-1

49
FIGURE 3.5-2

50
FIGURE 3.5-3

51
3장. 단일 랜덤변수의 연산-기대값

52
 기대값(expectation)은 일반적으로 랜덤변수나 랜덤변수의 함수에
대해 정의된다.
 모멘트(moment)는 랜덤변수의 특성을 나타내는 중요한 척도이다.
이들 중 특별한 경우가 평균값(mean), 분산(variance),
비틀림(skew) 등이다.
 모멘트를 구하기 위한 편리한 방법으로써 특성함수(characteristic
function)와 모멘트 생성함수(moment generating function)가
있다.
 한 랜덤변수를 다른 변수로 변환할 수 있고, 새로운 랜덤변수의
분포함수와 밀도함수를 얻을 수 있다.
 컴퓨터로 특정한 랜덤변수를 생성할 수 있다.

53