홈 > 강의소개
수리통계학 통합과정
이석민 교수
고려대학교 대학원 수학교육과 석사과정 졸업
Ph.D. in Mathematics at Johns Hopkins University, USA
고려대학교 대학원 수학교육과 석사과정 졸업
Ph.D. in Mathematics at Johns Hopkins University, USA
Johns Hopkins Univ.
건국대학교
현) 유니와이즈 자문교수
AI가 이끄는 스마트한 학습 경험, AI 튜터와 함께 더 빠르고, 더 깊게 학습하세요.
긴 강의 내용을 AI가 핵심만 요약하여 복습 시간을 단축시킵니다.
강의에서 가장 중요한 키워드와 개념을 자동으로 추출해 제공합니다.
학습한 내용을 바탕으로 AI가 생성한 퀴즈를 풀며 이해도를 점검합니다.
모르는 부분을 24시간 언제든 AI 튜터에게 질문하고 답변을 받습니다.
총 0개 챕터, 104강으로 구성되어 있습니다.
| 제목 | 강의시간 | 상세내용 |
|---|---|---|
|
[1강] 통계학 개요. 표본추출. 실험
|
0:
33:
29
|
|
|
통계학과 자료분석 (1)
• 통계학 기본 개념: 자료 수집 및 과학적 판단 원리인 통계학 정의, 모집단·표본·조사 방법 분류, 기술통계학·추측통계학 역할 및 확률 연관성 이해. • 표본추출 방법론: 단순랜덤·계통·층화·군집·다단계 추출 기법의 절차와 특징, 표본 편향 요인 분석을 통한 대표성 확보 전략 학습. • 자료 수집 설계: 관측연구·실험·후향연구 분류, 실험 단위·집단 설정 및 랜덤 할당을 통한 원인-결과 인과관계 규명 원리 탐구. |
||
|
[2강] 자료의 요약. 도표를 이용한 자료의 정리
|
0:
58:
14
|
|
|
통계학과 자료분석 (2): 자료 요약 및 도표 정리
• 기술통계학 기본: 모수와 통계량 구분, 질적/양적 자료 분류를 통한 데이터 특성 이해. • 자료의 중심 및 분포: 평균, 중앙값 등 위치측도와 분산, 표준편차, 사분위수 범위 등 산포도로 자료 정량화. • 자료 시각화 도표: 도수분포표, 히스토그램, 줄기-잎 그림, 상자그림으로 데이터 분포 및 이상점 분석. |
||
|
[3강] 표본공간. 사상. 경우의 수
|
1:
01:
15
|
|
|
확률통계학 3강. 확률 (1)
• 확률 기초: 통계적 불확실성 분석을 위한 표본공간(모든 결과 집합) 및 사상(표본공간 부분집합) 개념 정의. • 사상 연산: 표본공간 내 사상들의 관계를 나타내는 여집합, 교집합, 합집합, 상호 배반 정의 및 드모르강 법칙. • 경우의 수: 사상 발생 가능성을 정량화하는 곱의 법칙, 순열(원순열, 같은 것을 포함), 조합, 분할 계산 원리. |
||
|
[4강] 사상의 확률. 가법정리
|
0:
53:
56
|
|
|
확률(2)
• 확률 정의: 사상의 발생 가능성을 0~1 숫자로 표현하며, 고전적, 경험적, 주관적, 공리적 유형으로 구분. • 가법정리: 두 개 이상 사상의 합집합 확률을 계산하는 핵심 공식으로, 배반사건 시 간소화. • 여사상 확률: 특정 사상이 일어나지 않을 확률을 전체 확률에서 제외하여 산출. |
||
|
[5강] 조건부 확률. 승법정리
|
1:
11:
43
|
|
|
확률통계학 확률 (3): 조건부 확률, 승법정리, 독립성
• 조건부 확률: 특정 사상 발생 전제 하에 다른 사상 발생 확률을 정의하고 계산하는 원리. • 승법정리: 두 개 이상 사상의 교집합 확률을 순차적인 조건부 확률의 곱으로 계산하는 방법. • 독립사상: 한 사상 발생이 다른 사상 확률에 영향을 미치지 않는 개념 및 정의, 배반사상과의 차이점 이해. |
||
|
[6강] 전확률의 정리와 베이즈 정리
|
0:
36:
30
|
|
|
확률통계학, 전확률의 정리와 베이즈 정리
* 전확률의 정리: 표본공간 분할 개념을 기반으로 특정 사상의 전체 확률을 계산하는 원리 * 베이즈 정리: 알려진 조건부 확률로 사후 확률을 역추론하여 정보의 영향을 정량화하는 방법 * 몬티 홀 문제: 베이즈 정리를 통해 직관에 반하는 확률 변화와 정보 영향력을 설명하는 핵심 예시 |
||
|
[7강] 확률변수. 이산형 확률분포. 연속형 확률분포
|
1:
14:
48
|
|
|
확률변수와 확률분포 기본 개념 및 유형별 특성
• 확률변수: 표본공간의 사상을 수치로 변환하여 확률을 수리적으로 다루는 개념이며, 이산형과 연속형으로 분류 • 이산형 확률분포: 셀 수 있는 값을 가지며 확률질량함수(PMF)와 누적분포함수(CDF)로 확률을 표현, PMF는 $f(x) \ge 0, \sum f(x)=1$ 조건을 따름 • 연속형 확률분포: 연속적인 구간 값을 가지며 확률밀도함수(PDF)와 누적분포함수(CDF)로 확률을 표현, PDF는 $f(x) \ge 0, \int f(x) dx=1$ 조건을 따름 |
||
|
[8강] 결합 확률분포
|
0:
43:
48
|
|
|
확률변수의 결합 확률분포와 주변분포
* 결합 확률분포: 둘 이상의 확률변수가 동시에 취하는 확률 분포를 나타내며, 이산형은 결합확률질량함수, 연속형은 결합밀도함수를 통해 확률 계산. * 주변분포: 결합분포로부터 특정 단일 확률변수의 개별 분포를 유도하는 과정으로, 이산형은 다른 변수 합산, 연속형은 적분을 통해 계산. |
||
|
[9강] 조건부 분포. 통계적 독립. 여러개의 확률변수
|
0:
54:
09
|
|
|
확률변수 조건부 분포 및 통계적 독립
* 확률변수 조건부 분포: 특정 확률변수 값이 주어졌을 때 다른 변수의 확률 분포를 정의하고 계산하는 원리. * 통계적 독립: 두 확률변수의 결합확률분포가 각 주변 분포의 곱과 같을 때 성립하며, 변수 간 상호 영향이 없음을 의미. * 여러 확률변수 독립: 다변수 결합확률분포가 각 변수의 주변 분포 곱으로 나타날 때, 상호 통계적 독립 관계가 성립. |
||
|
[10강] 측도적 개념
|
1:
01:
04
|
|
|
수리통계학 측도적 개념
• 확률의 엄밀한 정의를 위해 사상 집합 $\sigma$-algebra를 구성하고, 가산 가법성을 만족하는 확률측도를 정립. • 확률변수 개념: 표본공간을 실수로 변환하는 함수로, 누적분포함수(CDF)의 단조증가 및 우연속성 등 성질을 분석. • 확률분포 구조: 이산형/연속형 확률변수의 확률질량함수(PMF) 및 확률밀도함수(PDF)를 통해 분포 특성을 이해. |
||
|
[11강] 결합확률측도. 확률변수의 독립성
|
0:
46:
56
|
|
|
결합확률측도 및 확률변수의 독립성
• 결합확률분포: 다변량 확률변수의 동시 거동을 분석하는 결합누적분포함수, 결합확률질량함수, 결합확률밀도함수의 정의 및 성질 이해. • 주변분포함수: 결합확률분포로부터 각 확률변수의 개별 분포를 추출하는 방법과 계산 절차 숙달. • 확률변수 독립성: 결합분포가 주변분포의 곱으로 표현되는 조건과 인수분해 정리를 활용한 독립성 판별 기준 학습. |
||
|
[12강] 확률변수의 평균
|
0:
49:
51
|
|
|
확률변수의 평균 및 기댓값 개념
• 확률변수 기댓값 정의: 이산/연속형 확률변수의 중심 경향을 나타내며, 확률값과 확률의 곱의 합 또는 적분으로 산출. • 종속 확률변수 기댓값: 확률변수 함수 $g(X)$ 및 두 확률변수 함수 $g(X,Y)$에 대한 기댓값 계산 절차 요약. • 주변분포 활용 기댓값: 결합확률분포로부터 각 확률변수의 주변분포를 통해 개별 기댓값 도출. |
||
|
[13강] 분산과 공분산
|
0:
54:
29
|
|
|
확률통계학: 분산, 공분산, 상관계수
• 분산·표준편차: 확률변수의 산포도 지표로, $E[(X-\mu)^2]$ 정의 및 $E[X^2] - \mu^2$를 활용하여 데이터의 퍼짐 정도를 계산하는 통계량. • 공분산: 두 확률변수 간 결합된 변화 방향을 측정하는 지표로, $E[(X-\mu_X)(Y-\mu_Y)]$ 정의 및 $E[XY] - \mu_X\mu_Y$로 계산하여 관계 방향 제시. • 상관계수: 공분산을 표준편차로 표준화하여 $\rho_{XY} = \frac{\sigma_{XY}}{\sigma_X \sigma_Y}$로 계산, 두 확률변수 간 선형 관계의 강도와 방향을 측정하는 단위 무관 척도. |
||
|
[14강] 선형결합된 확률변수의 평균과 분산
|
0:
57:
22
|
|
|
선형결합된 확률변수의 평균과 분산
• 확률변수 기댓값 선형성: $E(aX+b) = aE(X)+b$ 및 $E(X \pm Y) = E(X) \pm E(Y)$로 항상 성립하며, 독립 확률변수의 곱은 $E(XY)=E(X)E(Y)$. • 확률변수 분산 계산: $V_{ar}(aX+b) = a^2V_{ar}(X)$로 상수는 제곱 반영, $V_{ar}(aX+bY) = a^2V_{ar}(X)+b^2V_{ar}(Y)+2abC_{ov}(X,Y)$로 공분산 포함. • 독립 확률변수 특성: 독립 변수는 공분산 $C_{ov}(X,Y)=0$이므로, 기댓값 $E(XY)=E(X)E(Y)$ 및 분산 $V_{ar}(X \pm Y)=V_{ar}(X)+V_{ar}(Y)$로 계산 단순화. |
||
|
[15강] 체비셰프 정리
|
0:
27:
49
|
|
|
체비셰프 정리와 그 적용
* **체비셰프 정리 개념**: 모든 확률분포에서 확률변수가 평균으로부터 표준편차 `k`배 범위 내에 존재할 최소 확률을 제시하는 원리. * **체비셰프 정리 증명**: 연속형 및 이산형 확률변수의 분산 정의를 활용, 평균-편차-확률 간 관계를 수학적으로 도출하는 절차. * **체비셰프 정리 적용 및 한계**: 확률분포를 모를 때 관측값의 최소 확률을 보장하나, 실제 확률은 더 높을 수 있는 근사적 정보 제공. |
||
|
[16강] 이산형 균일분포
|
0:
59:
12
|
|
|
이산형 확률분포: 균일, 베르누이, 이항분포 개념 및 활용
* 이산형 확률분포: 균일, 베르누이, 이항분포의 정의, 확률함수, 평균, 분산 등 핵심 속성 학습 * 베르누이 분포: 단일 성공/실패 시행 확률 모델; 이항분포: $n$회 독립 베르누이 시행의 성공 횟수 예측 * 누적이항분포: 특정 구간 확률 계산 원리와 누적 이항분포표 활용법 파악 및 적용 |
||
|
[17강] 이항분포와 다항분포
|
0:
34:
12
|
|
|
수리통계학 이항분포와 다항분포
• **이항분포:** 두 가지 결과의 독립 시행 반복 시 성공 횟수 확률 분포 정의 및 평균 $np$, 분산 $npq$ 계산 원리 정리. • **다항분포:** 여러 결과의 독립 시행 반복 시 각 결과 횟수 확률 분포 파악 및 확률 질량 함수를 통한 확률 계산. • **확률 분포 응용:** 이항·다항분포를 활용한 반복 시행의 확률, 평균, 분산 예측 및 통계적 가설 검증 적용. |
||
|
[18강] 초기하분포
|
1:
04:
34
|
|
|
초기하 분포 개념 및 응용
• 초기하 분포 정의: 유한 모집단에서 비복원 추출 시 성공 횟수 확률 분포, 이항 분포와의 차이점 분석 • 초기하 분포 속성: 확률 함수, 평균, 분산(유한 모집단 수정 계수 포함) 계산 및 이해 • 초기하 분포 응용: 모집단 크기 증가 시 이항 분포로 수렴 특성 및 다변량 확장, 샘플링 검사에 활용 |
||
|
[19강] 음이항분포와 기하분포
|
0:
44:
53
|
|
|
음이항분포와 기하분포 개념 및 확률 계산
* 음이항분포: 고정된 성공 횟수가 발생할 때까지의 시행 횟수를 다루는 확률분포의 정의 및 확률 질량 함수 구성 원리. * 기하분포: 첫 번째 성공까지의 시행 횟수를 측정하는 음이항분포($k=1$)의 특수 형태로 정의되며, 확률 질량 함수(PMF)를 가짐. * 확률분포 특성: 음이항 전개와 기하급수로부터 각 분포의 이름이 유래하며, 기하분포의 평균($1/p$) 및 분산($(1-p)/p^2$) 계산. |
||
|
[20강] 포아송 분포와 포아송 과정 (1)
|
0:
48:
46
|
|
|
확률통계학 포아송분포와 포아송과정
• 포아송 분포: 특정 시간/영역 내 **이산 사건 발생 횟수**를 모델링하는 확률분포로, 평균과 분산이 $\lambda t$로 동일한 특징을 가짐. • 포아송 과정: 사건 발생의 **독립성, 비례성, 동시 발생 무시**를 가정하여 포아송 분포의 기반을 제공함. • 이항분포 근사: 시행 횟수 $n$이 크고 성공 확률 $p$가 작을 때, 이항분포는 포아송 분포로 근사되어 확률 계산에 활용됨. |
||
|
[21강] 포아송 분포와 포아송 과정 (2)
|
0:
23:
25
|
|
|
수리통계학 포아송 분포와 포아송 과정 유도
* **포아송 분포**: 단위 시간/영역 내 특정 사건 발생 횟수 확률 모형으로, $P(X(t)=x) = \frac{(\lambda t)^x e^{-\lambda t}}{x!}$ 확률 함수 정의. * **포아송 과정 가정**: 사건 발생 횟수의 독립성, 짧은 구간 내 확률 비례, 둘 이상 사건 발생 무시를 포함하는 확률 모형 기본 원리. * **포아송 분포 유도**: o(h) 표기법으로 미소 구간 확률을 근사하고 극한을 통해 포아송 분포 함수를 엄밀하게 수학적으로 도출. |
||
|
[22강] 연속형 균일분포. 정규분포. 표준정규분포
|
1:
14:
49
|
|
|
연속형 확률분포: 균일분포 및 정규분포
• 연속형 확률분포: 확률을 확률밀도함수 아래 면적으로 정의하며, 균일분포는 특정 구간에서 밀도가 일정한 분포. • 정규분포: 평균과 표준편차에 의해 결정되는 종 모양 대칭 분포로, 확률밀도함수와 주요 특징을 가짐. • 표준정규분포 및 Z-변환: 임의 정규변수를 표준정규분포($Z=(X-\mu)/\sigma$)로 변환하여 확률표로 정확히 확률 계산. |
||
|
[23강] 정규분포의 적용. 이항분포의 정규근사
|
0:
59:
53
|
|
|
정규분포 적용 및 이항분포 근사
* 정규분포 적용: 평균 및 표준편차 기반 Z-점수 변환을 통해 다양한 실생활 확률 계산 및 예측. * 이항분포 정규근사: $np \ge 5, n(1-p) \ge 5$ 조건을 만족하는 이산형 이항분포를 연속형 정규분포로 근사하여 확률 추정. * 연속성 수정: 이항분포의 정규근사 시 이산형 확률변수를 연속형으로 전환하는 필수적인 $0.5$ 보정 과정. |
||
|
[24강] 감마분포와 지수분포
|
0:
51:
15
|
|
|
연속형 확률분포: 감마분포와 지수분포
• 감마함수: 팩토리얼을 실수 범위로 확장 정의하며, 주요 성질 및 $\Gamma(1/2)=\sqrt{\pi}$ 등 핵심 값 포함. • 감마분포: 감마함수를 기반으로 정의되는 연속형 확률분포이며, 모양 모수 $\alpha$와 크기 모수 $\beta$로 확률밀도함수, 평균 $\alpha\beta$, 분산 $\alpha\beta^2$을 결정. • 지수분포: 감마분포의 $\alpha=1$인 특수 형태로, 포아송 과정에서 첫 사건 발생까지의 시간을 모델링하며, 평균 $\beta$와 분산 $\beta^2$을 가짐. |
||
|
[25강] 감마분포와 지수분포의 적용
|
0:
39:
10
|
|
|
확률통계학 연속형 확률분포 적용 (감마분포, 지수분포)
• 지수분포: 포아송 과정 기반 첫 사건 발생 시간 모델링, 건망성 특징 및 확률밀도/누적분포함수 활용 • 감마분포: 포아송 과정의 여러 사건 발생 시간 모델링, 파라미터 $(\alpha, \beta)$를 통한 유연한 확률 예측 • 지수/감마분포: 확률밀도함수와 누적분포함수를 이용한 실생활 문제 해결 및 응용 능력 개발 |
||
|
[26강] 무기억성관련
|
0:
16:
26
|
|
|
지수분포 및 기하분포의 무기억성
* 지수분포 무기억성: 연속확률분포의 유일한 특성으로, 과거 이력 무관한 미래 사건 확률 유지 원리 * 기하분포 무기억성: 이산확률분포의 유일한 특성으로, 이전 실패 횟수 무관한 미래 성공 확률 유지 원리 * 무기억성 증명: 조건부 확률 및 각 분포의 확률함수 구조를 활용하여 수학적으로 유도되는 핵심 원리 |
||
|
[27강] 카이제곱 분포. 로그정규 분포. 와이블 분포
|
0:
51:
59
|
|
|
확률통계학: 연속형 확률분포 (5) - 카이제곱, 로그정규, 와이블 분포
• 카이제곱분포: 감마분포의 특수 형태로 자유도에 따른 모분산 추론 및 분포 특성을 정의. • 로그정규분포: 로그 변환으로 정규분포를 따르는 비대칭 데이터 모델링 및 확률 계산에 활용. • 와이블 분포 및 신뢰성: 부품 수명 분석을 위한 고장 모형으로, 모수 $\beta$에 따른 고장률 변화(상수, 증가, 감소)를 통한 신뢰도 예측. |
||
|
[28강] 베타분포
|
0:
46:
45
|
|
|
베타분포 개념 및 활용
* 베타함수 정의: 감마함수와 연계된 적분식으로 표현되며, 대칭성 등 고유 성질을 가짐. * 베타분포 정의: 베타함수를 활용하여 $0$과 $1$ 사이의 비율을 모델링하는 연속확률분포이며, 모수 $\alpha, \beta$에 따라 다양한 형태를 보임. * 베타분포의 특징: 이항분포와의 밀접한 관계를 통해 확률 계산이 가능하며, 평균 및 분산이 모수로 명확히 정의됨. |
||
|
[29강] 이변량 정규분포 (1)
|
0:
50:
26
|
|
|
수리통계학: 이변량 정규분포 (1) - 조건부 분포 및 결합밀도함수
• 이변량 정규분포 정의: 조건부 분포의 정규성, 조건부 평균의 선형성, 조건부 분산의 상수성 가정을 통한 분포 특성 이해 • 조건부 분포 분석: 조건부 확률밀도함수, 조건부 평균, 조건부 분산 계산 및 이중 기댓값 정리, 분산 분해 정리 적용 • 결합확률밀도함수 유도: 공분산과 상관계수를 활용하여 이변량 정규분포의 복합적인 결합확률밀도함수 구조 파악 |
||
|
[30강] 이변량 정규분포 (2)
|
0:
37:
27
|
|
|
이변량 정규분포의 성질 및 독립 조건 분석
• 이변량 정규분포 정의: 두 확률변수의 결합확률밀도함수로 특정 파라미터(평균, 분산, 상관계수)를 통해 구조를 결정 • 이변량 정규분포 성질: 주변분포 및 조건부확률분포가 모두 정규분포 형태를 띠며, 각각의 평균과 분산이 정의됨 • 이변량 정규분포 독립 조건: 상관계수 $\rho=0$이 두 확률변수의 독립을 위한 필요충분조건으로 작용함 |
||
|
[31강] 다변랑 정규분포
|
0:
41:
37
|
|
|
다변량 정규분포의 개념 및 특성
* 다변량 정규분포 개념: 확률벡터, 평균벡터, 공분산 행렬을 통해 여러 확률변수의 상호작용을 설명하는 통계 모델. * 다변량 정규분포 확률밀도함수: 1변량 정규분포의 확장 형태로, 확률벡터의 확률 분포를 정의하는 핵심 기능. * 공분산 행렬 대각화: 고유값·고유벡터를 이용해 확률변수를 무상관(독립) 성분으로 변환하는 중요한 특성 및 분석 기법. |
||
|
[32강] 확률변수의 변수변환 (1)
|
0:
37:
28
|
|
|
확률변수의 변수변환 (이산형 확률변수)
• 확률변수 변수변환: 기존 확률분포를 활용하여 새로운 확률변수의 확률분포를 도출하는 핵심 원리 학습. • 이산형 확률변수 변수변환: 1대1 대응관계 전제 하에, 1변수 변환은 역함수, 2변수 변환은 결합 및 주변분포를 통해 확률분포 도출. • 포아송 분포의 합: 독립적인 두 포아송 분포 합이 모수 합을 따르는 포아송 분포가 되는 성질 분석. |
||
|
[33강] 확률변수의 변수변환 (2)
|
1:
08:
45
|
|
|
확률변수의 변수변환 (2)
• 확률변수 변환 개념: 연속형 1변수 및 다변수 확률변수의 새로운 확률분포를 야코비안을 활용하여 도출하는 핵심 원리 정의. • 비일대일 대응 변환 처리: 1대1 대응이 아닌 경우, 정의역을 분할하고 각 부분 변환의 야코비안을 합산하여 확률분포를 계산하는 절차. • 카이제곱분포 유도: 표준정규분포에서 야코비안 변환을 통해 자유도 1인 카이제곱분포를 유도하는 실제 적용 사례. |
||
|
[34강] 변수변환 예제문제. 다변량 정규분포
|
0:
47:
45
|
|
|
変数변환 예제 및 다변량 정규분포
• 확률변수 변수변환 원리: 역함수와 야코비안을 활용하여 확률변수의 분포를 유도하는 핵심 절차 학습 • 다양한 확률분포 관계 분석: 균등, 지수, 카이제곱, 코시, 감마, 베타 등 주요 분포 간 변환 과정 및 특성 이해 • 다변량 정규분포 유도: 표준정규분포의 선형 변환을 통해 평균벡터와 공분산 행렬을 갖는 결합확률밀도함수 도출 |
||
|
[35강] 확률변수의 합과 차의 분포. 누적분포함수법
|
0:
51:
15
|
|
|
확률변수 변환: 합/차 분포와 누적분포함수법
• 확률변수 합/차 분포: 두 확률변수의 결합밀도함수를 활용하여 합 또는 차 변환의 밀도함수 계산. • 누적분포함수법: 일변수 확률변수 변환 시 누적분포함수를 구하고 미분하여 새로운 분포 도출. • 확률적분변환정리: 연속확률변수 누적분포함수를 균일분포로 변환하고, 역함수로 원하는 분포 난수 생성. |
||
|
[36강] 확률밀도함수
|
0:
31:
11
|
|
|
다변수 함수 확률밀도함수 유도: 누적분포함수 기법 활용
* 다변수 함수 확률밀도함수 유도: 누적분포함수 기법으로 새로운 확률변수의 밀도함수를 다중적분 영역 설정 및 미분을 통해 도출. * 복잡한 적분 영역 처리: 여사건 활용, 극좌표 변환 및 야코비안 적용으로 다중적분 영역을 단순화하여 해결. * 특정 확률분포 도출: 지수분포, 카이제곱분포 등 특정 조건의 확률밀도함수 유도 및 분석에 활용. |
||
|
[37강] 적률생성함수
|
1:
01:
46
|
|
|
적률과 적률생성함수 (1)
* 적률 개념: 확률변수의 분포 특성(평균, 분산, 왜도, 첨도)을 정의하는 기댓값 지표. * 적률생성함수(MGF): 적률을 효율적으로 추출하는 지수함수의 기댓값으로, 미분으로 각 차수 적률 유도. * 핵심 분포 MGF: 이항, 정규, 카이제곱 분포의 적률생성함수 유도 및 분포 특성 분석. |
||
|
[38강] 적률생성함수의 성질
|
0:
36:
38
|
|
|
적률생성함수의 주요 성질 및 분포 적용
• 적률생성함수: 확률변수 분포 규정, 적률 생성 및 독립 확률변수 합/선형 결합 분포 추론에 활용. • 분포의 재현성: 포아송, 정규, 카이제곱 분포는 독립변수 합/선형 결합 시 동일 분포를 유지하는 성질. • 정규분포와 카이제곱분포 관계: 표준화된 정규확률변수의 제곱합은 카이제곱 분포를 따르는 원리. |
||
|
[39강] 적률과 적률생성함수의 예
|
0:
45:
57
|
|
|
수리통계학 적률과 적률생성함수 예제 분석
* **적률생성함수(MGF) 원리:** 확률분포의 평균, 분산 등 고차 적률을 효율적으로 계산하는 핵심 도구 및 유효 $t$ 범위 이해. * **주요 확률분포별 MGF:** 음이항, 연속형 균일, 지수, 감마 분포의 MGF 유도 과정과 특성 및 베타분포의 적률 도출. * **MGF 활용 확장:** 감마 분포의 합성성 정리 및 독립 확률변수 합의 분포, 일반적인 변수변환 시 야코비안을 통한 MGF 계산. |
||
|
[40강] 계승적률
|
0:
59:
12
|
|
|
확률변수의 계승적률과 결합적률생성함수
* 확률변수의 계승적률: 이산형 확률변수 분석을 위한 특정 다항식 기댓값 정의, 계승적률생성함수를 통해 유도 및 정률과 상호 변환 학습. * 결합적률생성함수: 다변수 확률변수의 결합분포 특성 파악, 주변 적률생성함수 유도 및 결합 적률 계산 방법 이해. * 독립성 판별: 결합적률생성함수를 이용한 확률변수 독립성 조건과 포아송, 이항, 정규분포 등 실제 적용 사례 분석. |
||
|
[41강] 확률표본
|
1:
05:
06
|
|
|
확률표본과 표본분포 (1)
• 확률표본: 모집단의 특성 추정을 위해 독립적이며 동일 분포를 따르는 확률변수 집합. • 표본평균/표본분산: 표본 데이터의 중심 경향과 산포를 나타내며 모수 추정에 활용되는 주요 통계량. • 분위수그림/정규분위수그림: 자료의 분포 특성 및 정규성 여부를 시각적으로 분석하는 도구. |
||
|
[42강] 표본분포
|
1:
10:
35
|
|
|
확률표본과 표본분포 (2): 표본평균의 분포와 중심극한정리
• 표본분포, 중심극한정리: 통계적 추론 기반의 통계량 확률분포 정의 및 표본평균이 충분히 큰 표본에서 정규분포에 근사하는 원리 학습. • 표본평균 분포: 모집단 분포와 무관하게 표본평균의 평균은 모평균($\mu$)과 동일하며 분산은 $\sigma^2/n$으로 계산. • 특수 표본분포: 비복원추출, 이항분포 표본비율, 두 표본평균 차이 등 다양한 상황별 표본분포 특성과 정규근사 조건 분석. |
||
|
[43강] 표본분산의 분포. t분포
|
0:
53:
33
|
|
|
표본분산 및 T분포 개념, 유도 및 활용
* 카이제곱분포: 감마분포의 특수 형태로, 정규모집단에서 추출한 표본분산 통계량 $\frac{(n-1)S^2}{\sigma^2}$이 따르는 분포 (자유도 $n-1$). * T분포 정의: 모분산 미지 시 모평균 추정에 사용되는 통계량 $T = \frac{\bar{X}-\mu}{S/\sqrt{n}}$의 분포로, 표준정규분포와 카이제곱분포의 비로 유도됨. * T분포 특성: 자유도에 따라 형태가 변하며 자유도 증가 시 표준정규분포에 수렴, 평균 0 및 분산 $\frac{\nu}{\nu-2}$ ($\nu > 2$)의 성질을 가짐. |
||
|
[44강] F분포
|
0:
21:
06
|
|
|
F분포 정의 및 확률밀도함수 유도
• F분포 정의: 두 독립 카이제곱 확률변수의 비로, 모분산 비 추론 및 분산분석에 활용되는 통계량. • F분포 특성: 자유도 $v_1, v_2$에 따라 형태 결정되며, $f_{1-\alpha}(v_1, v_2) = 1/f_\alpha(v_2, v_1)$ 성질을 가짐. • 확률밀도함수 유도: 변수변환 및 야코비안을 통해 도출되며, 표본 분산비도 F분포를 따름. |
||
|
[45강] 표본적률
|
0:
46:
02
|
|
|
표본적률의 정의 및 성질, 분포
• 표본적률 개념: 모집단 모적률을 추정하는 통계량으로, 표본평균($\bar{X}$)의 평균과 분산, 표본분산($S^2$)의 불편추정량 특성을 이해. • 적률생성함수 활용: 베르누이, 포아송, 지수 분포로부터 표본평균($\bar{X}$) 분포 유도 및 특성 분석. • 정규분포 특성: 표본평균($\bar{X}$)의 정규분포, $\bar{X}$와 표본분산($S^2$)의 독립성, 정규화된 $S^2$의 카이제곱 분포 등 핵심 정리 이해. |
||
|
[46강] 순서통계량 (1)
|
0:
48:
57
|
|
|
수리통계학 순서통계량 개념 및 분포
• 순서통계량 개념: 확률표본을 크기 순으로 배열한 비독립적 통계량 정의 및 특성 이해. • 순서통계량 분포: $Y_k$의 누적분포함수는 이항분포 합으로, 결합확률밀도함수는 $n!$ 곱으로 유도. • 주변확률밀도함수 $f_{Y_k}(y)$: 결합확률밀도함수에서 각 순서통계량의 주변분포 공식 도출 및 해석. |
||
|
[47강] 순서통계량 (2)
|
1:
09:
12
|
|
|
순서통계량의 결합 분포 및 응용
• 순서통계량 결합확률밀도함수: `$n$`개 확률표본을 활용한 유도 과정 및 다항계수, 누적분포함수 기반 구조 이해 • 특정분포 순서통계량 특성: 균등분포는 베타분포, 지수분포는 독립적인 지수분포로 변환되는 성질 파악 • 주요 표본 통계량 분석: 중앙값, 범위, 중간범위 정의 및 변수 변환, 야코비안을 통한 분포 및 기댓값 계산 |
||
|
[48강] 표본분포의 근사 (1)
|
0:
56:
22
|
|
|
확률분포의 극한근사
• 분포수렴: 확률변수 수열의 극한분포 정의 및 적률생성함수를 활용한 수렴 증명 원리. • 중심극한정리: 표본평균의 표준정규분포 근사 원리 및 적률생성함수 기반 증명 과정. • 확률분포의 근사: 이항, 카이제곱, 표본비율, 순서통계량 등 다양한 분포의 극한 근사 조건 및 방법. |
||
|
[49강] 표본분포의 근사 (2)
|
0:
44:
27
|
|
|
표본분포 근사 (2): 확률수렴과 대수의 법칙
* **확률수렴 정의**: 확률변수 수열이 특정 상수로 수렴하는 조건을 정의하고 다차원 변수 및 연속 함수로 확장. * **대수의 법칙**: 표본평균이 모평균으로 확률수렴함을 체비셰프 부등식으로 증명하여 통계적 일관성 확립. * **확률수렴 확장**: 다차원 확률변수 및 연속 함수의 확률수렴을 통해 통계적 추론의 이론적 기반 마련. |
||
|
[50강] 표본분포의 근사 (3)
|
0:
47:
53
|
|
|
표본분포의 근사 (3)
• 확률수렴 및 분포수렴 이론: 확률변수 수열의 사칙연산 수렴성과 분산·평균을 이용한 확률수렴 조건 확립. • 슬럿츠키 정리: 분포수렴과 확률수렴 변수의 결합으로 스튜던트화 표본평균의 표준정규분포 수렴 증명. • 표본통계량 점근적 분포: 표본분산의 확률수렴 및 극한분포(정규분포) 유도를 통한 추정량 특성 분석. |
||
|
[51강] 추정. 점추정. 구간추정
|
1:
08:
03
|
|
|
추정: 점추정 및 구간추정 개념과 좋은 추정량의 성질
* 통계적 추론의 추정: 모집단 모수 파악을 위한 점추정과 구간추정의 기본 개념 및 정의 * 추정량의 성질: 모수 추정을 위한 불편성, 효율성, 충분성, 일치성 등 좋은 추정량의 기준 * 구간추정의 원리: 모수의 참값이 포함될 신뢰구간과 그 확신 정도를 나타내는 신뢰계수 개념 |
||
|
[52강] 단일 모평균의 추정
|
1:
07:
02
|
|
|
단일 모평균의 추정: 모분산 유무 및 표본 크기별 신뢰구간
* 단일 모평균 추정: 모분산 유무 및 표본 크기(소표본/대표본)에 따른 Z분포 또는 t분포 활용 신뢰구간 설정 원리 * 신뢰구간 분석: 양측/단측 신뢰구간 개념, 오차한계 계산, 신뢰수준과 구간 폭의 관계 이해 * 점추정값 표준오차: 모분산 유무에 따른 추정 표준오차 산출 및 추정량 품질 측정 지표 역할 |
||
|
[53강] 예측구간. 공차한계
|
0:
29:
19
|
|
|
확률통계학 예측구간 및 공차한계
* 예측구간: 미래 개별 관측값의 범위 예측; 공차한계: 모집단 특정 비율 포함 구간 추정. * 구간 계산: 모분산 유무에 따라 정규분포 또는 t-분포 활용; 공차한계는 공차계수(k)로 산출. * 구간 비교: 예측구간, 공차한계는 모평균 신뢰구간보다 넓으며 목적 및 활용 분야가 상이함. |
||
|
[54강] 두 모평균 차이의 추정
|
0:
52:
23
|
|
|
두 모평균 차이의 추정
* 두 모평균 차이 추정: 모분산 정보 유무 및 동등성에 따라 Z-분포 또는 t-분포를 활용한 신뢰구간 계산 원리 학습. * 모분산을 아는 경우: Z-분포로 표준오차를 산출해 신뢰구간을 추정하며, 모분산을 모르는 경우 t-분포를 적용. * t-분포 활용 시: 모분산이 같으면 합동추정량($S_p^2$)과 합산 자유도를, 다르면 개별 표본분산과 근사 자유도를 사용. |
||
|
[55강] 대응 관측 값
|
0:
21:
29
|
|
|
대응 관측값 모평균 차이 신뢰구간 추정
* 대응관측값 개념: 독립성 없는 두 표본의 모평균 차이 추정을 위해 개별 쌍 차이를 확률변수화하여 단일 모평균 문제로 전환. * 대응관측값 모평균 차이 추정 원리: 개별 차이($D_i$)의 표본평균 $\bar{D}$ 및 표본표준편차 $S_d$를 기반, t분포를 활용한 통계량 구성. * 대응관측값 모평균 차이 신뢰구간 설정: t분포의 자유도 $n-1$ 및 $t_{\alpha/2}$ 값을 이용, $\bar{d} \pm t_{\alpha/2} \frac{s_d}{\sqrt{n}}$ 공식으로 모평균 차이의 범위 추정. |
||
|
[56강] 모비율 차이의 추정
|
0:
44:
47
|
|
|
모비율 추정: 단일 모비율 및 두 모비율 차이의 신뢰구간
• 모비율 추정(단일): 이항 모집단의 성공 모비율($p$)을 표본비율($\hat{P}$)로 추정, 중심 극한 정리 기반 신뢰구간 설정 원리 이해. • 표본 크기 결정: 오차 한계($e$) 및 신뢰수준 만족을 위한 표본 크기($n$) 계산, 표본비율($\hat{p}$) 유무에 따른 공식 적용. • 두 모비율 차이 추정: 독립 이항 모집단의 $p_1 - p_2$를 표본비율 차이로 추정, 신뢰구간 설정 및 비교 분석 방법 습득. |
||
|
[57강] 모분산의 추정
|
0:
39:
29
|
|
|
확률통계학: 모분산 및 두 모분산 비의 신뢰구간 추정
• 모분산 신뢰구간 추정: 정규모집단을 가정하여 단일 모분산 및 두 모분산 비의 신뢰구간을 설정하는 통계적 절차. • 단일 모분산 추정: 표본분산을 점추정량으로 사용하며, 비대칭 카이제곱 분포를 활용하여 신뢰구간을 계산. • 두 모분산 비 추정: 두 표본분산의 비를 점추정량으로 하며, 비대칭 F분포의 특성을 고려하여 신뢰구간을 도출. |
||
|
[58강] 베이즈 방법
|
1:
07:
42
|
|
|
확률통계학 베이즈 방법: 개념, 추정 및 구간
• 베이즈 방법: 모수를 확률변수로 다루며 사전분포와 표본 정보를 베이즈 정리를 통해 통합하여 사후분포를 도출하는 추론 방식. • 베이즈 추정 및 베이즈 구간: 사후분포의 평균을 추정값으로, 특정 확률 면적을 구간으로 정의하여 사전 지식 반영으로 추정 정교함을 높이는 방식. • 모평균 베이즈 추정: 사전분포와 표본 정보를 가중 평균하여 사후평균 및 표준편차를 계산, 전통적 방식보다 좁고 정확한 추정 구간을 제공하는 원리. |
||
|
[59강] 최대우도추정법
|
1:
10:
31
|
|
|
수리통계학 최대우도추정법과 그 응용
• 최대우도추정법: 관측 표본의 우도함수를 최대화하여 모수를 추정하는 통계적 기법. • 최대우도추정량 도출: 우도함수의 로그 변환 후 미분을 통해 계산되며, 다양한 분포에서 표본평균 등의 형태로 나타남. • 최대우도추정량 특성: 모수 함수의 추정량에 대한 불변성을 가지며, 복수 모수의 동시 추정도 가능. |
||
|
[60강] 적률추정법
|
0:
31:
50
|
|
|
적률추정법
* **적률추정법 개념**: 모집단 모수를 표본 적률로 대체하여 추정량을 도출하는 통계적 방법론. * **적률이용추정량 성질**: 표본 크기 증가 시 모수에 일치성을 가지지만, 비유일성 및 타당성 문제 발생 가능. * **모분산 적률이용추정량**: $E(X^2) - (E(X))^2$를 이용한 $\frac{1}{n}\sum(X_i - \bar{X})^2$ 형태로, 일반 표본분산과 차이점 이해. |
||
|
[61강] 충분통계량 (1)
|
0:
28:
13
|
|
|
수리통계학 충분통계량 개념 및 예시 분석
* 충분통계량 정의: 모수 $\theta$ 정보를 모두 담는 통계량 $Y$의 개념 이해 및 조건부 확률분포의 $\theta$ 무관성 확인. * 이산형/연속형 충분통계량 판별: 베르누이 분포의 합계 통계량 증명 및 정규 분포의 합 통계량 독립성 분석. * 비충분통계량 및 판별 기법: 포아송 분포의 특정 통계량 예시와 정률생성함수를 이용한 통계량 독립성 검증 활용. |
||
|
[62강] 충분통계량 (2)
|
0:
43:
16
|
|
|
충분통계량 (2) 및 인수분해 정리 활용
• 충분통계량 개념: 모수에 대한 모든 정보를 압축하여 효율적 통계 추론 기반 제공. • 네이만의 인수분해 정리: 우도함수를 모수와 통계량만의 함수, 모수 무관 함수의 곱으로 분해하여 충분통계량 식별. • 결합충분통계량: 여러 모수에 대한 정보를 포함하는 통계량 벡터로, 다변수 추론에 활용. |
||
|
[63강] 결합 충분통계량
|
0:
52:
00
|
|
|
결합충분통계량, 최소충분통계량 및 라오-블랙웰 정리
• 결합충분통계량: 인수분해정리로 모수 정보 요약 및 데이터 차원 축소; 최소충분통계량: Lehmann-Scheffé 방법으로 정보 손실 없는 최소 통계량 식별. • 최대우도추정량: 유일하게 존재 시 충분통계량의 함수로 표현되어 모수 추정의 정보 효율성 입증. • 라오-블랙웰 정리: 충분통계량 활용으로 불편추정량의 분산 감소 및 추정 효율성 개선 원리 제시. |
||
|
[64강] 분산의 하한
|
0:
41:
19
|
|
|
크래머-라오 하한 및 최소분산 불편추정량
• 크래머-라오 하한: 불편추정량 분산의 이론적 최소값을 규정하여 추정량의 통계적 효율성 평가. • 정상조건, 유효점수, 피셔 정보량: 크래머-라오 부등식 유도 및 하한 계산에 필요한 핵심 구성 개념. • 최소분산 불편추정량(MVUE): 크래머-라오 하한에 도달하여 통계적으로 최적의 효율성을 갖는 추정량. |
||
|
[65강] 최소분산불편추정량
|
0:
38:
07
|
|
|
최소분산불편추정량 및 효율
• 최소분산불편추정량 (MVUE): 불편추정량의 분산이 Cramer-Rao 하한(CRLB)과 일치하는 최적 추정량 개념 및 도출 조건. • Cramer-Rao 하한 성립 조건: 추정량(T)과 정보량 함수(U)가 일차함수 관계일 때 MVUE 존재 및 계산 원리. • 추정량의 효율 및 점근효율: CRLB 대비 분산 성능 측정 지표로, 표본 크기 증가에 따른 추정량의 유효성 평가. |
||
|
[66강] 완비성
|
0:
35:
17
|
|
|
수리통계학 완비성, Rao-Blackwell, Lehmann-Scheffé 정리
• 완비성 개념: $E[w(Y)]=0 \implies P[w(Y)=0]=1$인 완비통계량 정의 및 불편추정량의 유일성 보장. • Rao-Blackwell 정리: 충분통계량을 활용하여 불편추정량의 분산을 감소시키고 더 효율적인 추정량을 도출하는 원리. • Lehmann-Scheffé 정리: 완비충분통계량으로부터 최소분산불편추정량(UMVUE)을 도출하는 방법론 제시. |
||
|
[67강] 지수형 분포족 (1)
|
0:
38:
04
|
|
|
지수형 분포족 (1) – 정의, 완비충분통계량 및 최소분산불편추정량
• 지수형 분포족 정의: 특정 수학적 형태의 확률분포함수로 표현되며, 모수 독립 지지 등 세 가지 핵심 조건을 만족하는 분포들의 집합. • 완비충분통계량: 지수형 분포족으로부터 얻어진 $\sum u_j(X_i)$ 형태의 통계량으로, 모수에 대한 결합완비충분통계량을 효과적으로 도출. • MVUE 도출: 릴멘-셰퍼 정리를 활용, 완비충분통계량의 함수인 불편추정량을 최소분산불편추정량으로 확정. |
||
|
[68강] 지수형 분포족 (2)
|
1:
04:
35
|
|
|
지수형 분포족 (2): 불편추정량 및 충분통계량
• MVUE 도출: Rao-Blackwell 및 Lehmann-Scheffé 정리를 활용, 불편추정량을 완비충분통계량의 조건부 기댓값으로 변환하여 최소분산불편추정량(MVUE) 확립. • Basu의 정리: 완비충분통계량과 모수와 무관한 통계량의 독립성을 증명하여 통계량 간의 관계 분석 및 조건부 기댓값 계산 간소화. • 지수형 분포족: Cramer-Rao 하한 달성을 위한 정상 지수형 분포족과, 모수에 따라 지지영역이 변하는 영역종속 지수형 분포족(RDEC)의 충분통계량 도출 원리 이해. |
||
|
[69강] 가설검정 (1)
|
1:
00:
57
|
|
|
가설검정 (1)
• 가설 검정: 모집단 모수에 대한 통계적 가설 설정, 귀무가설($H_0$)과 대립가설($H_1$) 정의 및 검정 절차. • 검정 오류: 제1종 과오($\alpha$)와 제2종 과오($\beta$) 정의, 검정통계량·기각역·기각값 활용. • 검정력 최적화: 대립가설 참일 때 $H_0$ 기각 확률 ($1-\beta$), $\alpha, \beta$ 상호 관계 및 표본 크기 변화 영향. |
||
|
[70강] 가설검정 (2)
|
0:
29:
43
|
|
|
가설검정 단측검정, 양측검정, P값 활용
• 단측/양측검정: 대립가설 방향에 따라 기각역을 설정하여 가설을 검증하는 기본 유형 • P값(유의확률): 검정통계량으로 계산된 귀무가설 기각의 최저 유의수준이자, 유의수준 $\alpha$와 비교하여 가설 채택 여부를 결정하는 지표 • 가설검정 절차: 귀무가설 및 대립가설 설정 후 P값과 유의수준 $\alpha$ 비교를 통해 제1종 과오 위험을 고려한 결론 도출 |
||
|
[71강] 가설검정 (3)
|
0:
39:
00
|
|
|
단일 모평균 가설검정: 모분산 지불 여부에 따른 방법
• 단일 모평균 가설검정: 모분산 지불 여부에 따라 Z 또는 T 통계량 선택 및 적용 • Z 검정: 모분산이 알려진 경우, 표준정규분포 기반으로 가설 기각역 설정 및 P-값 해석 • T 검정: 모분산이 미지인 경우 t분포를 활용하며, 가설검정과 신뢰구간 추정의 상호 관계 분석 |
||
|
[72강] 가설검정 (4)
|
0:
51:
43
|
|
|
확률통계학: 두 모평균 차이 가설검정
• 두 모평균 차이 가설검정: 모집단 모분산 정보 및 독립성 여부에 따라 Z-분포 또는 t-분포 기반 검정통계량 선택 및 적용. • 독립표본 검정: 모분산 앎(Z-test), 모름/등분산(합동 t-검정), 모름/이분산(근사 t-검정), 대표본(Z-test)에 따라 검정 절차 수립. • 대응관측값 검정: 짝지어진 표본의 차이 변수(D)를 활용하여 단일 모평균 t-검정(n-1 자유도)으로 분석. |
||
|
[73강] 가설검정 (5)
|
0:
28:
12
|
|
|
가설검정 표본크기 결정 원리 및 산출
• 표본크기 결정: 가설검정의 검정력 및 오류 제어를 위해 유의수준($\alpha$), 검정력($1-\beta$), 모표준편차($\sigma$), 평균 차이($\delta$)를 고려하여 최적 표본수를 산출. • 단일 모평균 표본크기: 모분산 인지 시, 단측 및 양측 가설검정의 공식 기반 최소 표본크기를 결정. • 두 모평균 표본크기: 두 모집단 동일 표본크기 가정하에 단측 및 양측 가설검정의 공식 기반 최소 표본크기를 결정. |
||
|
[74강] 가설검정 (6)
|
0:
53:
04
|
|
|
가설검정 (6) 모비율 및 모분산
• **가설검정 기본 원리**: 모비율 및 모분산에 대한 통계적 주장 검증 과정으로, 귀무가설과 대립가설 설정 및 유의수준을 통한 의사결정 원리 이해. • **모비율 검정**: 단일 및 두 모비율 차이 검정을 이항분포와 정규 근사를 활용한 Z-검정통계량 계산 및 P값 또는 기각역 판정 절차 학습. • **모분산 검정**: 단일 모분산 검정에 카이제곱분포를, 두 모분산 차이 검정에 F-분포를 적용하여 통계량 산출 및 기각역 설정 방식 숙지. |
||
|
[75강] 가설검정 (7)
|
0:
58:
02
|
|
|
가설검정: 적합도, 독립성, 동질성, 모비율 검정
* 카이제곱 가설검정: 범주형 데이터의 모집단 분포 적합성 및 변수 간 독립성 검증 원리. * 동질성 및 여러 모비율 검정: 여러 그룹 간 특정 범주 비율의 동일성 분석 절차. * 공통 검정 방법: 관측/기대도수 기반 카이제곱 통계량 계산, 자유도 설정 및 기대도수 5 이상 규칙 적용. |
||
|
[76강] 최강력 검정 (1)
|
0:
59:
15
|
|
|
수리통계학 최강력 검정 (1)
* 가설 검정 개념: 통계적 가설 정의, 귀무/대립가설 유형, 제1/2종 오류 및 검정력 지표 이해. * 최강력 검정: 주어진 유의수준 $\alpha$에서 검정력을 최대로 하여 대립가설을 가장 효과적으로 입증하는 방법론. * 네이만-피어슨 보조정리: 단순가설 검정 시 우도비 통계량을 활용, 최강력 기각역을 구성하는 원리 제시. |
||
|
[77강] 최강력 검정 (2)
|
0:
52:
14
|
|
|
최강력 검정 (2): 연속형 및 이산형 분포, 확률화 검정
• 최강력 검정: 네이만-피어슨 보조정리 및 우도비 활용, 귀무가설 하 통계량 분포에 기반한 최적 기각역 도출 원리. • 연속형 분포 검정: 지수/정규분포에서 카이제곱 분포 이용, 유의수준에 맞는 최강력 기각역 결정 절차. • 이산형 분포 검정: 포아송/이항분포 유의수준 문제 해결, 보존적 및 확률화 검정(검정함수) 정의 및 적용 방법. |
||
|
[78강] 균일 최강력 검정 (1)
|
0:
37:
39
|
|
|
수리통계학: 균일 최강력 검정
* 균일 최강력 검정(UMP 검정): 모수가 특정 범위인 복합 가설에 대해 검정력 함수를 최대화하는 최적의 기각역을 도출하는 통계적 가설 검정. * 네이만-피어슨 보조정리를 기반으로, 단순 가설에서 도출된 기각역이 대립가설 모수에 무관할 때 복합 대립가설 검정으로 확장. * 검정력 함수가 귀무가설 범위 내에서 단조성을 보이며 경계값에서 크기 $\alpha$를 유지할 때, 복합 귀무가설에 대한 균일 최강력 검정을 구성. |
||
|
[79강] 균일 최강력 검정 (2)
|
0:
35:
43
|
|
|
균일 최강력 검정: 단조 우도비와 지수형 분포족 적용
• 균일 최강력 검정: 복합 가설에 대한 최강력 검정법으로, 통계량의 단조 우도비 성질을 통해 기각역을 설정. • 단조 우도비: 우도비가 특정 통계량 $T$에 대해 단조(비증가/비감소) 함수인 성질로, UMP 검정의 기각역 방향을 결정. • 정규 지수형 분포족: 단조 우도비 조건을 만족하여 UMP 검정 구성이 용이하며, 모수 $q(\theta)$ 증가 방향에 따라 기각역이 결정. |
||
|
[80강] 일반화 우도비 검정 (1)
|
1:
09:
08
|
|
|
일반화 우도비 검정 (1)
• 일반화 우도비 (GLR) 검정: 미지 모수 복합 가설 검정을 위해 귀무가설과 전체 모수 공간의 최대 우도 비율을 활용하는 통계적 검정. • GLR 검정 통계량: 표본 크기가 클 때 $-2\ln\lambda(X)$는 카이제곱 분포를 근사적으로 따르며, 이를 통해 가설 기각 여부를 결정. • GLR 적용 분야: 정규분포 평균 및 두 표본 t-검정 등 표준 통계 검정과 동일한 결과를 도출하고, 비중심 t-분포로 검정력을 분석. |
||
|
[81강] 일반화 우도비 검정 (2)
|
0:
32:
27
|
|
|
일반화 우도비 검정 (2): 이항분포와 정규분포 분산 비교
• **일반화 우도비 검정**: 미지 장애모수로 인한 검정 크기 제어의 한계를 가지며, 다양한 확률 분포의 모수 비교에 활용. • **조건부 검정**: 장애모수에 대한 충분통계량을 활용, 모수 종속성 제거를 통해 이항분포 모비율 등 정확한 크기 검정 수행. • **주요 분포 적용**: 이항분포 모비율은 카이제곱 근사 또는 초기하 분포, 정규분포 분산은 F-분포를 이용해 가설 검증. |
||
|
[82강] 다변량 정규분포 검정
|
0:
46:
34
|
|
|
다변량 정규분포 검정
• 다변량 정규분포: 평균 벡터 및 분산 행렬 개념, 확률밀도함수와 추정량(표본평균, 표본공분산행렬, MLE) 이해. • 호텔링의 $T^2$ 통계량: 일표본 및 이표본 모집단 평균 벡터의 가설 검정을 위한 통계량 정의. • F-분포 관계: $T^2$ 통계량을 활용한 가설 검정 절차 및 기각역 설정 방법을 통한 다변량 평균 분석. |
||
|
[83강] 단순선형회귀와 최소제곱법
|
0:
45:
01
|
|
|
단순선형회귀와 최소제곱법
• 단순선형회귀모형: 종속변수 예측 목적의 선형 관계 모델 정의, 절편·기울기·랜덤오차 등 구성 요소 및 통계적 가정 이해. • 최소제곱법 원리: 미지 회귀계수 추정을 위한 잔차 제곱합 최소화 절차, 정규방정식 유도 및 최소제곱추정량($a, b$) 계산. • 적합회귀선 구축: 최소제곱추정량 $a, b$를 활용한 예측 모형($\hat{Y} = a + bx$) 도출 및 데이터 기반 회귀 분석 결과 해석. |
||
|
[84강] 최소제곱추정량의 성질
|
0:
39:
31
|
|
|
최소제곱추정량 성질과 분산 추정
* 최소제곱추정량 A, B: 단순 선형 회귀 모형의 모수 $\alpha, \beta$를 잔차 제곱합 최소화로 추정하며, 이들의 기대값이 모수와 일치하는 불편추정량. * 최소제곱추정량의 분산 및 최적성: A와 B는 $Y_i$의 확률분포에 기반한 분산을 가지며, 모든 선형 불편추정량 중 가장 작은 분산을 갖는 BLUE(최적 선형 불편추정량). * 오차 분산 추정 $s^2$: 모형의 오차 분산 $\sigma^2$의 불편추정량으로, 오차제곱합(SSE)을 $n-2$의 자유도로 나누어 계산. |
||
|
[85강] 회귀계수의 추론
|
0:
36:
29
|
|
|
회귀계수 추론 및 검정, 결정계수
* **단순 선형 회귀모델 추론**: 오차항 정규성 가정하에 회귀계수 추정량($\alpha, \beta$)의 $t$-분포 활용 원리 이해. * **회귀계수 신뢰구간 및 검정**: 기울기 $\beta$와 절편 $\alpha$의 통계적 유의성 판단을 위한 신뢰구간 설정 및 가설 검정 절차. * **결정계수 ($R^2$)**: SST, SSE, SSR의 구성과 관계(SST=SSE+SSR)를 통한 모형의 설명력 및 적합도 평가 지표. |
||
|
[86강] 예측. 회귀모형의 선택
|
0:
43:
30
|
|
|
선형 회귀모형 예측 및 분산분석
• 선형 회귀모형 예측: 평균 반응값 신뢰구간과 개별 관측값 예측구간 설정 및 그 차이를 통해 종속변수 값 추론 • 선형회귀 분산분석 (ANOVA): 회귀모형의 유의성 검증을 위한 총변동 분해, F-검정을 통한 독립변수-종속변수 간 선형 관계 확인 • 결정계수 ($R^2$): 회귀모형의 설명력을 나타내는 지표로, 종속변수 변동 중 모형이 설명하는 비율 평가 |
||
|
[87강] 선형성 검정
|
0:
40:
19
|
|
|
확률통계학: 회귀 모델 선형성 검정
• 회귀 모델 선형성 검정: 반복 측정 데이터에서 오차제곱합을 순실험오차와 적합결여로 분해하여 F-검정으로 모형 적합성 평가. • 오차제곱합 분해: 순실험오차($SSE_{pure}$)는 우연 변동, 적합결여($SSE_{LOF}$)는 모형의 선형성 결함 변동을 의미하며 분산분석표로 진단. • 비선형 자료 선형화: 지수, 멱 등 다양한 변수변환 기법으로 선형 모형화 가능하며, 오차항의 적절한 변환 규칙 적용이 중요. |
||
|
[88강] 상관분석
|
0:
39:
59
|
|
|
확률통계학 상관분석 개념 및 검정
* 상관분석: 두 확률변수 간 선형적 관계 강도를 모상관계수 $\rho$ 및 표본상관계수 $r$로 측정하며, $r^2$은 선형 모형의 설명력을 나타냄. * 모상관계수 $\rho$ 성질: -1에서 1 범위로, 0은 무상관, $\pm 1$은 완전 선형 관계를 의미하는 지표. * 상관계수 검정: $\rho=0$은 $t$-분포, $\rho=\rho_0$는 피셔의 Z-변환을 통해 유의성을 검정하며, 이변량 정규분포 가정이 중요. |
||
|
[89강] 중회귀분석
|
0:
25:
25
|
|
|
중회귀분석 개요 및 모형, 회귀계수 추정, 분산분석
• 중회귀분석 개념: 다수의 독립변수로 종속변수 변동을 설명하며, 최소제곱법으로 회귀계수를 추정하는 통계 모형. • 모형 유의성 검정: 분산분석을 통해 총변동을 회귀/오차 제곱합으로 분해, F-검정으로 모형 전체의 유의성을 판단. • 결정계수 ($R^2$): 종속변수 변동 중 독립변수에 의해 설명되는 비율로, 회귀모형의 설명력을 객관적으로 제시. |
||
|
[90강] 실험계획과 분산분석
|
0:
28:
30
|
|
|
실험계획과 분산분석 기초 개념 및 절차
• 실험계획법: 최소 실험으로 최대 정보 획득을 위한 인자 설정, 배치, 데이터 분석, 최적조건 도출 과정. • 실험계획 시 과오: 교호작용 미고려, 비랜덤화, 결과 확장 해석, 제1/2종 과오 방지를 통한 실험 설계 정확성 확보. • 분산분석(ANOVA): 특성값 변동을 제곱합으로 분해하여 체계적 요인과 오차 변동을 구분, 주요 영향 인자를 식별하는 통계 분석 기법. |
||
|
[91강] 일원배치의 분산분석
|
0:
59:
17
|
|
|
일원배치 분산분석 개념 및 검정 절차
* 일원배치 분산분석: 단일 요인의 여러 수준에 따른 모집단 평균의 동질성을 검정하는 통계적 방법론. * 변동 분해 및 모형: 총변동(SST)을 처리 간(SSA) 및 오차(SSE) 변동으로 분해하고 $y_{ij} = \mu + \alpha_i + \epsilon_{ij}$ 모형을 적용. * F-검정 절차: SSA와 SSE 기반 F-통계량을 계산하여 평균 동일성 가설을 검정하고, 분산분석표로 결과 요약. |
||
|
[92강] 등분산 검정
|
0:
25:
29
|
|
|
확률통계학 등분산 검정
• 등분산 검정: 다중 모집단의 평균 비교 전 모분산 동질성 여부를 확인하는 통계적 절차. • Bartlett, Cochran, Levene 검정: 모집단 분산 동질성을 검정하는 방법으로, Levene은 비정규분포에 강건함. • 분산안정화변환: 등분산 가정이 위배될 경우, 데이터 분포에 맞춰 적용하여 통계 분석의 타당성을 확보하는 기법. |
||
|
[93강] 대비에 의한 분석
|
0:
42:
40
|
|
|
확률통계학 대비에 의한 분석 개념 및 검정
* 대비 분석: 분산 분석 이후 모평균 간 특정 선형 조합 및 차이 검정을 위한 통계 기법. * 대비 정의 및 검정: 계수 합이 0인 모평균의 선형 조합으로, 대비제곱합과 오차평균제곱 기반 F-검정 통계량으로 유의성 검정. * 직교 대비: 계수 곱의 합이 0인 조건을 만족하며, 처리제곱합을 독립적 대비제곱합으로 분해하여 개별 처리 효과 분석. |
||
|
[94강] 다중비교
|
0:
45:
14
|
|
|
확률통계학: 다중비교 검정 방법론
• 다중비교 검정 방법론: 분산분석 후 모평균 차이 규명 및 실험별 오류율 제어 개념. • Tukey 검정: 모든 쌍 비교를 위한 동시 신뢰구간; Duncan 검정: 부분 집합 동질성 판단. • Dunnett 검정: 대조군 대비 처리군 비교 통계량 및 결정 기준. |
||
|
[95강] 난괴법
|
1:
09:
26
|
|
|
확률통계학 난괴법 개념 및 분산분석
• 난괴법 정의 및 목적: 블록 변동 제어를 통한 처리 효과 비교를 위한 완전 랜덤화 블록 설계 기법. • 난괴법 모형 및 분석: 처리, 블록 효과 모형 기반 분산분석으로 제곱합 분해 및 F-통계량을 이용한 처리 효과 유의성 검정. • 난괴법 가정: 처리와 블록 간 교호작용이 없음을 전제로 하는 통계 분석 방법. |
||
|
[96강] 라틴방격법
|
0:
29:
30
|
|
|
라틴방격법: 삼원 배치 설계 및 분산분석
* 라틴방격법: 교호작용 없는 세 요인 중 한 요인의 효과 검정을 위한 실험 설계법으로, 행, 열, 처리를 조절하여 처리조합을 최소화. * 라틴방격 모형: 총평균, 행·열·처리 효과, 오차로 구성되며, 각 요인의 제곱합과 자유도를 산출하여 분산분석표 작성. * F-검정: 분산분석표 기반 F-통계량을 통해 주된 처리 요인의 유의미한 효과 여부를 통계적으로 판단하는 절차. |
||
|
[97강] 모수모형과 변량모형
|
0:
27:
55
|
|
|
모수모형과 변량모형
• 모수모형: 고정효과 인자의 모평균 추정을 목표; 변량모형: 무선효과 인자의 분산 성분 추정에 집중함. • 혼합모형: 고정효과와 무선효과 인자 결합; 1원배치 변량모형: 처리효과를 확률변수로 보고 분산 성분 추정 및 가설 검정 수행. • 난괴법 및 라틴방격법 변량모형: 블록, 행, 열 효과를 무선효과로 간주하여 평균제곱 기대값을 통해 분산 성분을 추정함. |
||
|
[98강] 이원배치법
|
0:
59:
09
|
|
|
이원배치법 개념 및 분석 절차
• 이원배치법: 두 가지 인자가 특성값에 미치는 영향을 분석하는 통계 기법으로, F-검정을 통해 효과의 유의성을 판별함. • 반복 없는 이원배치법: 각 처리 조합 1회 실험 시 교호작용이 없음을 가정하며, 두 인자의 주효과 유의성을 검정하는 모형과 절차를 따름. • 반복 있는 이원배치법: 각 처리 조합 반복 실험 시 인자 간 교호작용 효과를 분리 검정 가능하며, 주효과 및 교호작용 유의성을 분석하는 모형과 절차를 사용함. |
||
|
[99강] 삼원배치법
|
0:
38:
39
|
|
|
삼원배치법 개념 및 분석
• 삼원배치법 개념: 세 인자(A, B, C)의 주효과 및 모든 교호작용 효과를 분석하는 통계적 실험 설계 방법론. • 삼원배치 모형 및 변동 분해: 관측값을 모평균, 주효과, 교호작용 효과, 오차로 분해하는 선형 모형을 설정하고, 총변동을 각 요인별 제곱합으로 분해하여 효과를 정량화. • 가설 검정 및 분산분석표: 각 요인 및 교호작용의 유의성을 검정하는 가설을 설정하고, F-값을 활용한 분산분석표로 통계적 유의성을 해석. |
||
|
[100강] 비모수적 통계학 (1)
|
0:
31:
00
|
|
|
비모수적 통계학: 부호 검정 개론
• 비모수적 통계학: 모집단 분포 가정 없이 중앙값 등 위치 모수를 추론하며 명목/서열 척도 자료에 적용. • 부호 검정 원리: 단일 모집단 중앙값 또는 대응 관측값 차이의 중앙값 검정 시 관측값의 부호 활용. • 부호 검정 절차: 성공률 0.5인 이항분포를 검정통계량으로 사용하며, 대규모 표본 시 정규 근사 및 연속성 수정 적용. |
||
|
[101강] 비모수적 통계학 (2)
|
0:
46:
27
|
|
|
확률통계학 비모수적 통계학 (2): 부호순위검정 및 순위합 검정
• 부호순위검정: 단일 표본 및 대응관측값의 중앙값 가설을 부호와 순위 기반으로 검정하는 비모수적 통계 방법 • 순위합 검정: 두 독립 모집단의 중심 위치(중앙값) 차이를 순위 합으로 비교하는 비모수적 통계 기법 • 대표본 정규근사: 두 비모수 검정 모두 충분한 표본 크기에서 통계량 분포를 정규분포로 근사하여 가설 검정을 수행 |
||
|
[102강] 비모수적 통계학 (3)
|
0:
50:
48
|
|
|
비모수적 통계학: Kruskal-Wallis, 런 검정, 공차한계, 순위상관계수
* 비모수적 통계학: Kruskal-Wallis 검정으로 다수 표본 평균의 동일성을 정규성 가정 없이 분석하고, 런 검정으로 데이터의 랜덤성을 평가. * 공차한계: 분포 형태와 독립적으로 특정 신뢰수준에서 모집단 비율을 포함하는 구간을 설정하며 표본 크기를 결정. * 순위상관계수: Spearman $r_s$를 활용하여 두 확률변수 간의 비선형적, 비모수적 상관관계 강도와 방향을 측정. |
||
|
[103강] 켄달의 타우. 콜모고로프 적합도 검정
|
0:
36:
36
|
|
|
켄달의 타우 및 콜모고로프 적합도 검정
• 켄달의 타우: 두 변량 간 **단조성 상관관계**를 측정하는 **비모수 지표**로, **일치/불일치 쌍 확률 차이**를 통해 **가설** 검정. • 콜모고로프 적합도 검정: 모집단 **분포 함수**의 **적합성**을 평가하는 **비모수 검정**으로, **경험적 분포 함수**와 **이론적 분포**의 **최대 차이** 활용. • 두 검정은 **비모수 통계 방법**으로 데이터의 **특성** 및 **분포 일치 여부**를 분석하여 **통계적 가설**을 검증. |
||
|
[104강] 스미르노프 검정
|
0:
15:
27
|
|
|
스미르노프 검정 개요 및 적용
• 스미르노프 검정: 두 독립 확률표본이 동일한 누적분포에서 추출되었는지 검정하는 비모수적 통계 방법. • 스미르노프 통계량: 경험적 누적분포함수(EDF)를 기반으로 $D_1^+, D_1^-, D$ 값을 산출하여 가설을 검정. • 콜모고로프 검정과의 차이: 단일 분포의 적합도 검정과 대조적으로, 두 분포의 동일성을 평가하고 기각역을 결정. |
||
이석민 교수님
수리통계학 통합과정
