홈 > 강의소개
수리통계학Ⅰ
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 8개 챕터, 50강으로 구성되어 있습니다.
| 제목 | 강의시간 | 상세내용 |
|---|---|---|
| 1장. 통계학과 자료분석 | ||
|
[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. |
||
| 2장. 확률 | ||
|
[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 |
||
| 3장. 확률변수와 확률분포 | ||
|
[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. |
||
| 4장. 수학적 기대값 | ||
|
[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. |
||
| 5장. 이산형 확률분포 | ||
|
[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. |
||
| 6장. 연속형 확률분포 | ||
|
[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. |
||
| 7장. 확률변수의 함수 | ||
|
[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. |
||
| 8장. 확률표본과 표본분포 | ||
|
[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. |
||
이석민 교수님
수리통계학Ⅰ
