일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
- BOJ
- 알고리즘
- 확률과통계
- 베이즈 정리
- Hoeffding's Inequality
- 확률
- 백준
- 조건부확률
- 유전알고리즘
- 학습이론
- 독립사건
- 확률과 통계
- 통계
- 딥러닝
- 확률공리
- Traveling salesman problem
- 휴리스틱
- 컴퓨터공학
- 배반사건
- 산업공학
- BFS
- routing problem
- genetic algorithm
- NP-Hard
- 최적화
- Metaheuristic
- 너비우선탐색
- 머신러닝
- Today
- Total
SU Library
통계이론 - 조건부확률2 (배반과 독립의 차이, 베이즈 이론) 본문
이번 포스팅에서는 앞선 포스팅 통계이론 - 조건부확률1에서 정리한 내용을 바탕으로 베이즈이론에 대한 소개와 증명을 다루는 내용을 포함하겠습니다.
전환률 공식:
$$사건 B_1, B_2,..., B_k$$ 에 대하여
$$ B_i \cap B_j = \varnothing , i \neq j$$ 이고,
$$ \bigcup_{i=1}^{k} B_i = S$$ 를 만족할 경우
$$P(A) = \sum_{i=1}^{n}P(B_i)P(A|B_i)$$
가 성립한다.
Proof.
$$ P(A) = P(A \cap S) = P \left( A \cap \left( \bigcup_{i=1}^{k} B_i \right) \right) = \sum_{i=1}^{k} P(B_i)P(A|B_i) $$
첫번째 가정은 사건 $B$는 서로 배반이라는 것을 가정한 것입니다. 수학적인 정의상 배반 사건은 서로 동시에 일어날 수 없는 사건을 뜻합니다. 이 개념은 독립사건과 헷갈릴 수 있기에 배반사건과 독립사건의 차이점을 명확히 정리하려고 합니다.
- 배반사건:서로 동시에 일어날 수 없는 사건
- 독립사건:서로 영향을 미치지 않는 사건
예를 하나 들면, 배반 사건은 주사위를 던졌을 때, 홀수가 나오는 사건 A와 짝수가 나오는 사건 B로 나타낼 수 있습니다.
둘은 동시에 발생할 수 없습니다.
반면, 독립사건의 경우 홀수가 나오는 사건 A와 3의 배수가 나오는 사건 B로 나타낼 수 있습니다.
A가 일어났을 때 B가 일어날 확률 1/3, A가 일어나지 않을 때 B가 일어날 확률 1/3로 A,B가 서로의 발생확률에 영향을 미치지 않음을 의미합니다.
그럼 베이즈 정리에 대해 정의해보고 알아보도록 하겠습니다.
베이즈 정리: 사건 $B_1,B_2,...,B_k$에 대해 $ B_i \cap B_j = \varnothing , i \neq j$이고 $ \bigcup_{i=1}^{k} B_i = S$를 만족할 경우, 사건 $A$가 일어났다는 가정하에 사건 $B_j$가 일어날 확률은
$$P(B_j|A) = \frac{P(B_j)P(A|B_j)}{\sum_{i=1}^{k}P(B_i)P(A|B_i)}$$
로 계산될 수 있습니다. 이는 조건부확률 정의에 의해
$$P(B_j|A) = \frac{P(A\cap B_j)}{P(A)} = \frac{P(B_j)P(A|B_j)}{P(A)}$$가 성립하기 때문입니다.
'수학 > 확률' 카테고리의 다른 글
학습이론 - Hoeffding's inequality (0) | 2023.05.29 |
---|---|
통계이론 - 조건부확률 1 (0) | 2023.05.25 |