홈 > 강의소개
수리통계학
정진교 교수
부산대학교 대학원 수학과 석사과정
부산대학교 대학원 수학과 박사졸업
부산대학교 대학원 수학과 석사과정
부산대학교 대학원 수학과 박사졸업
부산대학교
신라대학교
현) 유니와이즈 전임교수
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, 64강으로 구성되어 있습니다.
| 제목 | 강의시간 | 상세내용 |
|---|---|---|
| 1장. 기본개요 | ||
|
[1강] 오리엔테이션. 기본개요
|
1:
10:
39
|
|
|
수리통계학 기본 개요
• **수리통계학 기초:** 통계학 정의, 모집단과 표본 개념, 다양한 표본추출 방법론 및 데이터 유형 이해. • **자료 요약 및 특성 분석:** 평균, 중앙값, 최빈값 등 대표값과 분산, 표준편차, 사분위수 범위 등 산포도 측정. • **자료 시각화 및 정리:** 도수분포표, 히스토그램, 줄기-잎 그림 등 도표를 이용한 자료 분포 파악. |
||
| 2장. 확률분포와 특성값 | ||
|
[2강] 확률과 확률변수 (1)
|
0:
40:
08
|
|
|
확률과 확률변수의 기초 개념 및 경우의 수
• 확률과 확률변수 개념: 수리통계학의 기초로, 통계적 실험의 모든 결과를 담는 표본공간과 특정 사건인 사상의 정의 및 집합 연산 원리 이해 • 경우의 수 기초: 사건 발생 가짓수를 계산하는 곱의 법칙, 순서를 고려하는 순열, 순서를 고려하지 않는 조합의 개념 및 공식 적용 능력 함양 • 응용 경우의 수: 원순열, 동일 대상물을 포함하는 순열 및 분할 등 특수 상황에 대한 경우의 수 계산 방법 학습 |
||
|
[3강] 확률과 확률변수 (2)
|
0:
39:
20
|
|
|
확률과 확률변수 (2): 확률의 정의와 가법정리
• 확률 정의: 사상 발생 가능성을 0-1 숫자로 나타내며, 고전적·경험적·주관적·공리적 유형으로 분류하여 학습 • 가법정리: 사상의 합집합 확률 $P(A \cup B) = P(A) + P(B) - P(A \cap B)$ 등 계산 절차 적용 • 여사상의 확률: $P(A^c) = 1 - P(A)$를 통해 복잡한 사건의 확률 계산을 간소화 |
||
|
[4강] 확률과 확률변수 (3)
|
0:
44:
08
|
|
|
조건부 확률과 사상의 독립 및 종속
• 조건부 확률: 특정 사상 발생 전제 하 다른 사상 발생 확률을 $P(B|A) = \frac{P(A \cap B)}{P(A)}$로 정의하며, 두 사상 동시 발생 확률인 승법정리의 기초. • 독립사상과 종속사상: 서로 발생에 영향을 주지 않아 $P(A \cap B) = P(A)P(B)$로 계산되는 독립사상과, 영향을 주고받는 종속사상의 개념 및 구분. • 다수 사상의 독립 및 배반사상: 여러 독립 사상의 동시 발생 확률 계산과, 공통 부분이 없어 다른 개념인 배반사상과의 명확한 차이 이해. |
||
|
[5강] 확률과 확률변수 (4)
|
0:
37:
14
|
|
|
**확률과 확률변수: 전확률 정리, 베이즈 정리 및 확률변수 개념**
• 전확률 정리: 표본공간 분할을 활용하여 사건의 전체 확률을 계산하는 원리 • 베이즈 정리: 사전 정보를 기반으로 사후 확률을 업데이트하고 추론하는 방법 • 확률변수: 표본공간 원소를 실수로 변환하여 수리적 분석을 가능케 하는 함수, 이산형과 연속형으로 분류 |
||
|
[6강] 확률과 확률변수 (5)
|
0:
40:
14
|
|
|
확률의 측도적 개념과 확률변수 및 누적분포함수의 성질
* 확률의 측도적 개념: $\sigma$-algebra를 통해 사건을 정의하고, 확률측도의 공리 및 연속성 원리를 학습. * 확률변수: 표본공간의 결과를 실수로 매핑하는 함수로, 이산 및 연속 유형을 구분. * 누적분포함수(CDF): $P(X \le x)$로 정의되며, 단조증가, 우연속성, 극한 등 핵심 성질을 이해. |
||
|
[7강] 확률분포함수
|
0:
33:
47
|
|
|
확률분포함수 이산형 및 연속형 이해
• 이산형 확률분포: 확률질량함수(PMF)로 이산 확률변수 각 값의 확률을 정의하고 총합 1을 만족하며, 누적분포함수(CDF)는 확률을 누적. • 연속형 확률분포: 확률밀도함수(PDF)로 연속 확률변수 구간 확률을 적분하여 계산하고 전체 적분값 1을 만족하며, 누적분포함수(CDF)는 PDF의 적분. • 확률변수 분포 이해: PMF/PDF의 성질과 CDF 활용을 통해 이산 및 연속형 확률변수의 확률 정의, 계산 및 분포 특성 파악. |
||
|
[8강] 확률분포의 특성값 (1)
|
0:
34:
37
|
|
|
확률분포의 특성값 (기댓값 및 분산)
* 기댓값 (Expected Value): 확률변수의 평균을 정의하며, 이산/연속 확률변수 계산법 및 선형성, 종속 확률변수 기댓값 계산 원리를 학습. * 분산 (Variance): 확률변수 데이터의 산포도를 측정하는 척도로, 이산/연속 확률변수 정의, 표준편차 및 $E(X^2) - (E(X))^2$ 계산 공식을 이해. |
||
|
[9강] 확률분포의 특성값 (2)
|
0:
43:
27
|
|
|
확률분포의 특성값 (2) - 적률과 적률생성함수
• 분산: 확률변수의 퍼짐 정도를 측정하는 지표이자, 종속변수 계산 및 $Var(aX+b)=a^2Var(X)$ 성질을 활용. • 마코프/체비셰프 부등식: 확률분포 미지 시 사건 확률의 상한 및 하한을 추정하는 원리. • 적률/적률생성함수: 분포의 평균, 분산, 왜도, 첨도를 정량화하고 분포 동일성을 검증하는 핵심 도구. |
||
| 3장. 확률분포모형 | ||
|
[10강] 이산확률모형 (1)
|
0:
43:
18
|
|
|
이산 확률분포모형 개요 및 주요 모델 (1)
• 이산 확률분포모형: 이산확률변수 특성을 수리적으로 모형화하는 기본 개념 및 주요 분포 유형 학습. • 이산균등분포 및 베르누이 분포: 각 값 확률이 동일한 분포와 이진 결과 베르누이 시행의 정의, 확률질량함수, 평균, 분산, 적률생성함수 분석. • 이항분포: 독립 베르누이 시행 반복 성공 횟수 모델링, 확률질량함수, 평균, 분산, 적률생성함수 및 누적확률 계산 원리 파악. |
||
|
[11강] 이산확률모형 (2)
|
0:
35:
11
|
|
|
초기하분포의 개념 및 응용
• 초기하분포: 유한 모집단에서 비복원추출 시 성공 개수를 나타내는 이산 확률분포. • 초기하 실험: 확률질량함수, 평균, 분산 공식의 정의와 실제 문제 해결에 적용. • 이항분포 수렴: 모집단 크기 증가 시 초기하분포의 이항분포 근사 조건 및 활용. |
||
|
[12강] 이산확률모형 (3)
|
0:
46:
16
|
|
|
이산 확률분포모형 (3) - 음이항, 기하, 포아송 분포
* **이산 확률분포**: 음이항분포는 고정 성공까지, 기하분포는 첫 성공까지의 시행 횟수를 확률변수로 정의. * **포아송 분포**: 주어진 시간 또는 영역 내 사건 발생 횟수를 모델링하며, 포아송 과정의 독립성, 비례성, 비집락성을 특징으로 함. * **확률분포 분석**: 각 분포의 확률질량함수, 평균, 분산, 적률생성함수를 이해하고, 이항분포의 포아송 근사 조건을 숙지. |
||
|
[13강] 연속확률분포모형 (1)
|
1:
05:
05
|
|
|
연속 확률분포 모형 (연속균등, 지수, 감마 분포)
• 연속균등분포: 특정 구간 내 균일한 확률을 갖는 연속확률변수의 확률밀도함수, 평균, 분산 정의. • 지수분포: 포아송 과정의 첫 사건 대기시간을 모델링하며, 무기억성 특성 및 확률밀도함수, 평균, 분산으로 구성. • 감마분포: 지수분포의 일반화된 형태로, $\alpha$번 사건 대기시간을 설명하며 감마함수 기반의 모양/크기 모수를 통한 확률밀도함수, 평균, 분산 분석. |
||
|
[14강] 연속확률분포모형 (2)
|
0:
38:
46
|
|
|
연속 확률분포 모형: 베타분포
• 베타함수 및 분포 정의: 베타함수와 감마함수 관계를 기반으로 0과 1 사이 구간에서 베타분포의 확률밀도함수를 정의. • 베타분포 특성 및 관계: 모수 $\alpha, \beta$에 따른 분포 형태(대칭, 치우침)를 분석하고, 이항분포와의 확률적 관계를 파악. • 베타분포 통계량: 평균, 분산, 적률을 베타함수와 감마함수 성질을 활용하여 유도 및 계산. |
||
|
[15강] 연속확률분포모형 (3)
|
0:
55:
59
|
|
|
정규분포와 표준정규분포의 이해 및 활용
* 정규분포 개념: 평균과 분산에 따라 결정되는 종 모양의 대칭적 연속형 확률분포 모델 및 그 곡선의 주요 성질 이해 * 표준정규분포 변환: 일반 정규분포를 $Z=\frac{X-\mu}{\sigma}$ 공식으로 표준화하여 평균 0, 분산 1의 분포로 통일 및 확률 계산에 활용 * 정규분포의 활용: 표준정규분포표 기반 확률 계산, 선형 변환 및 표준화 변수의 제곱과 카이제곱분포 관계 등 응용 원리 적용 |
||
|
[16강] 연속확률분포모형 (4)
|
0:
44:
43
|
|
|
연속 확률분포 모형: 정규분포와 이항분포 근사
• 정규분포 성질: 적률생성함수 및 m차 정률을 통해 연속확률변수의 통계적 특성 분석. • 이항분포 정규근사: 시행 횟수 n이 충분히 클 때 이산형 이항분포를 연속형 정규분포로 근사하여 확률 계산 효율화. • 연속성 수정: 이산형-연속형 분포 근사 시 발생하는 오차 보정 원리 및 실제 확률 문제에의 적용 절차. |
||
|
[17강] 연속확률분포모형 (5)
|
0:
39:
45
|
|
|
연속 확률분포 모형: 카이제곱, 로그정규, 와이블 분포
* 카이제곱 분포: 감마분포 특수 형태의 자유도 기반 분포로, 모분산 추론·범주형 자료 분석에 활용 * 로그정규 분포: 자연로그 변환을 통한 정규분포 근사로, 확률 계산·데이터 정규성 확보에 적용 * 와이블 분포 및 고장률: 수명분포 모델로 형상모수에 따른 고장률 변화를 분석하며, 신뢰성·수명 예측에 핵심 |
||
| 4장. 결합확률분포 | ||
|
[18강] 결합확률측도
|
1:
02:
01
|
|
|
수리통계학 결합확률분포
• 결합확률분포: 둘 이상의 확률변수가 동시에 취하는 확률을 다루는 분포로, 이산형은 결합확률질량함수, 연속형은 결합확률밀도함수로 정의. • 주변분포: 결합분포에서 특정 확률변수 하나만의 분포를 도출하는 방식으로, 이산형은 합산, 연속형은 적분을 통해 계산. • 결합누적분포함수: $P(X \le x, Y \le y)$로 정의되는 누적 확률 함수로, 그 성질 및 다변량 확률변수로의 확장 개념 포함. |
||
|
[19강] 조건부확률분포
|
0:
47:
21
|
|
|
수리통계학: 조건부 확률 분포 및 파생 확률 변수의 기댓값
• 조건부 확률분포: 특정 조건 하의 확률 변수 분포 정의 및 이산형, 연속형 계산 원리 이해 • 조건부 기댓값 및 분산: 특정 조건 하의 확률 변수 평균·분산 계산 방법 및 주요 성질, 파생 확률 변수의 기댓값 산출 원리 제시 • 결합 적률생성함수: 다변수 확률 분포의 특성 파악 도구로, 결합/주변 분포 및 적률 계산 절차 설명 |
||
|
[20강] 확률변수의 독립성
|
0:
33:
33
|
|
|
확률변수의 독립성 개념 및 정리
• 확률변수 독립성 정의: 두 확률변수 간 통계적 영향이 없는 상태로, 결합확률분포가 주변확률분포의 곱으로 분리되는 조건. • 독립성 정리: 인수분해, 기댓값, 적률생성함수, 함수 독립성 원리를 통해 확률변수의 독립 관계를 판별하고 활용. • 다변수 독립성: 여러 확률변수의 결합확률분포가 각 주변확률분포의 곱으로 표현되는 상호 통계적 독립의 확장 개념. |
||
|
[21강] 공분산과 상관계수
|
0:
37:
43
|
|
|
수리통계학 21강. 공분산과 상관계수
• 공분산: 두 확률변수의 선형적 결합 관계 방향성을 나타내는 지표; $E[(X-\mu_X)(Y-\mu_Y)]$ 또는 $E(XY)-E(X)E(Y)$로 계산. • 상관계수: 공분산을 표준화하여 선형 관계의 강도·방향을 단위에 무관하게 측정하는 지표. • 독립과 상관성: 확률변수 독립은 공분산·상관계수 0을 함의하나, 그 역은 불성립하는 핵심 특성 이해. |
||
|
[22강] 다변량 확률분포모형 (1)
|
0:
29:
24
|
|
|
다변량 확률분포모형: 다항분포 및 조건부 기댓값
• 다항분포: 이항분포를 다수 결과로 확장한 분포로, 삼항분포 정의 및 결합확률질량함수 이해 • 적률생성함수: 주변확률분포 도출 및 확률변수 간 독립성 판단에 활용 • 조건부 확률 및 기댓값: 확률변수 간 종속 관계에서 조건부 분포와 기댓값 계산 원리 학습 |
||
|
[23강] 다변량 확률분포모형 (2)
|
0:
47:
43
|
|
|
다변량 확률분포모형 이변량 정규분포
• 이변량 정규분포 개념: 두 확률변수의 결합확률밀도함수가 특정 조건을 만족하며, 주변분포가 정규분포를 따르는 확률분포 정의 및 특징 분석 • 이변량 정규분포 확률밀도함수: 평균, 분산, 상관계수를 모수로 하는 지수 형태의 결합확률밀도함수 구조 파악 • 상관계수 역할 및 유도: 이변량 정규분포의 모수 $\rho$가 두 변수 간 상관계수임을 공분산 유도를 통해 확인 |
||
|
[24강] 다변량 확률분포모형 (3)
|
0:
36:
01
|
|
|
다변량 확률분포모형: 이변량 정규분포
• 이변량 정규분포 개념: 두 확률변수 결합분포의 조건부 분포 특성 분석 및 이해 • 조건부 분포: X|Y=y 및 Y|X=x가 따르는 정규분포의 조건부 평균과 분산 공식 활용 • 독립성 조건: 상관계수 ρ=0이 독립성의 필요충분조건이며, 결합 적률생성함수로 재확인 |
||
| 5장. 파생확률변수의 분포 | ||
|
[25강] 누적분포함수법
|
0:
46:
34
|
|
|
누적분포함수법을 이용한 파생확률변수 분포
• 파생확률변수 분포: 기존 확률변수 함수 $Y=u(X)$의 확률밀도함수를 누적분포함수법으로 도출하는 핵심 원리 학습. • 누적분포함수법: 파생변수 $Y$의 $F_Y(y)=P(Y \le y)$를 정의하고 미분하여 $f_Y(y)$를 유도하며, 지수, 감마, 카이제곱 등 다양한 분포 변환 사례 분석. • 확률적분변환 정리: $Y=F_X(X)$가 균일분포 $U(0,1)$을 따르는 원리를 이해하고 확률변수 생성 및 다변수 분포 분석에 적용. |
||
|
[26강] 변수변환법 (1)
|
0:
55:
43
|
|
|
수리통계학 변수변환법 (1) 확률분포 유도
• 확률변수 변수변환법: 기존 확률변수의 함수로 정의된 파생 확률변수의 확률분포를 유도하는 통계 원리. • 핵심 조건: 원변수-파생변수 간 일대일 대응 관계 및 역함수 존재, 연속형 변환 시 야코비안 절댓값 적용. • 야코비안 역할: 연속형 확률분포 유도 시 필수적이며, 다변수 적분 변환 원리와 동일. |
||
|
[27강] 변수변환법 (2)
|
0:
33:
17
|
|
|
수리통계학 변수변환법 심화 분석
• 확률변수 변환법: 독립 확률변수의 결합밀도함수 기반 신규 분포 유도 및 야코비안 행렬식 계산 • 감마/표준정규분포 변환: 감마-베타 분포, 표준정규분포-코시 분포 등 특정 확률변수 간의 관계 및 밀도함수 도출 • 1대1 대응이 아닌 변환: 정의역 분할, 각 역함수 야코비안 계산 후 확률밀도함수 합산 절차 적용 |
||
|
[28강] 변수변환법 (3)
|
0:
41:
58
|
|
|
t-분포의 정의, 성질, 계산 및 유도
• t-분포 정의: 자유도($v$)에 따른 좌우대칭 연속 확률 분포로, 소표본 정규 모집단 평균 추론 및 가설 검정의 핵심 개념. • t-분포 구성 및 활용: 표준정규확률변수와 카이제곱확률변수의 비율로 정의되며, t-분포표를 활용하여 특정 유의수준의 임계값을 결정. • t-분포 통계량: 평균은 0이고, 분산은 자유도($v$)에 의존하여 $\frac{v}{v-2}$ ($v>2$)로 계산되는 핵심 통계량. |
||
|
[29강] 변수변환법 (4)
|
0:
30:
11
|
|
|
수리통계학 변수변환법 F-분포
• F 분포 개념: 두 독립 카이제곱 변수의 비율로 정의되며, 모집단 분산 동질성 검정에 활용되는 연속확률분포. • F 분포 특성: 확률밀도함수, 역수 관계($f_{1-\alpha} = 1/f_{\alpha}$), 자유도($v_1, v_2$)에 따른 형태 변화. • F 분포와 t 분포 관계: t분포 확률변수의 제곱($X^2$)이 F(1, n) 분포를 따름을 변수변환법으로 증명. |
||
|
[30강] 적률생성함수법
|
0:
47:
09
|
|
|
수리통계학 30강. 적률생성함수법
* 적률생성함수(MGF) 기초: 확률변수의 분포를 유일하게 결정하며, MGF의 기본 성질 및 주요 확률분포별 MGF 형태를 정의한다. * 독립 확률변수의 MGF 활용: 독립 확률변수 합의 MGF 곱셈 성질을 이용해 선형 결합으로 구성된 새로운 확률변수의 분포를 유도한다. * 파생 분포 식별 및 적용: 정규, 포아송, 감마, 카이제곱 등 특정 MGF를 통해 파생된 확률변수의 분포를 식별하고 실제 문제에 적용한다. |
||
| 6장. 표본분포와 극사 | ||
|
[31강] 표본분포 (1)
|
0:
29:
29
|
|
|
확률표본, 통계량 및 표본분포
• 확률표본: 독립동일분포 확률변수 집합; 통계량: 모수를 포함하지 않는 확률표본의 함수로서 통계적 추론의 기초. • 표본평균: 모집단 모수 추정 위한 산술적 중심값; 표본분산: 자료의 흩어진 정도 측정 통계량으로 자유도 (n-1) 반영. • 표본분포: 통계량의 확률분포로, 모집단 모수 추정의 기반; 정률생성함수를 이용한 특정 표본 통계량 분포 유도 원리. |
||
|
[32강] 표본분포 (2)
|
0:
41:
27
|
|
|
표본분포 (2): 정규분포 및 감마분포의 표본분포
* **표본평균 분포:** 지수 분포에서 추출한 표본평균은 감마 분포를 따르는 특성 이해. * **정규분포 표본통계량:** 정규분포 표본평균은 정규분포, 표본분산은 카이제곱 분포를 따르며, 이 둘은 서로 독립임을 증명. * **F-분포와 가설 검정:** 두 정규 모집단 표본분산비의 F-분포 정의 및 카이제곱 분포를 활용한 모표준편차 가설 검정 절차. |
||
|
[33강] 순서통계량의 분포 (1)
|
1:
08:
22
|
|
|
순서통계량의 분포 (1)
• 순서통계량 정의: 확률표본을 크기 순으로 재배열한 통계량이며, 통계적 추론 및 모집단 분위수 추측에 활용되고 표본 간 종속 관계를 가짐. • 누적분포함수: 이항분포 형태로 유도되며, 결합확률밀도함수는 $n!$과 원시 확률밀도함수($f_X$)의 곱 형태로 표현됨. • 주변분포함수/주변결합분포함수: 조합, $f_X$, $F_X$ (누적분포함수)의 곱으로 구성되어 개별 또는 두 순서통계량의 분포를 나타냄. |
||
|
[34강] 순서통계량의 분포 (2)
|
0:
58:
38
|
|
|
순서통계량의 분포 계산 및 주요 통계량 정의
• 순서통계량 분포 분석: 균등/지수분포 순서통계량의 결합확률밀도함수 유도 및 변수 변환(야코비안)을 통한 새로운 분포 계산. • 주요 표본 통계량 정의: 표본 중앙값, 범위, 중간범위 등 순서통계량 기반의 핵심 통계량 개념 및 계산 절차. • 순서통계량 특성 및 활용: 균등분포 순서통계량의 베타 분포 이해 및 특정 확률, 기대값 계산 방법. |
||
|
[35강] 중심극한정리와 근사 (1)
|
1:
03:
13
|
|
|
중심극한정리 및 확률분포 근사
• 확률변수 수열 수렴: 분포적 수렴, 확률적 수렴 정의 및 극한분포 분석 • 큰 수의 법칙 및 중심극한정리: 표본평균의 확률수렴(모평균)과 분포수렴(정규분포) 원리 설명 • 정률생성함수: 분포수렴 증명 및 이항분포의 포아송 분포 근사 활용 |
||
|
[36강] 중심극한정리와 근사 (2)
|
0:
47:
54
|
|
|
중심극한정리와 분포 근사 활용
• 중심극한정리: 이항, 카이제곱, 균등분포 등 다양한 확률분포의 정규근사 및 극한분포 원리 이해. • 분포 근사 기법: 이항분포의 연속성 수정, 정률생성함수를 활용한 표준정규분포로의 극한분포 증명. • 표본 통계량의 수렴: 표본비율의 모비율로의 분포 수렴, 순서통계량의 지수분포 수렴 및 근사 정규분포 정의 분석. |
||
| 7장. 통계적 추정 | ||
|
[37강] 점추정 (1)
|
0:
41:
59
|
|
|
점추정 개요 및 적률추정법
* 점추정: 모집단 모수를 표본 정보로 하나의 값으로 추측하는 통계적 추론 방법 정의 * 추정량과 추정값: 모수 추정에 활용되는 통계량(확률변수)과 특정 표본에서 계산된 결과 구분 * 적률추정법: 모집단 적률과 표본 적률을 일치시켜 모수를 추정하며, 표본 크기가 증가함에 따라 모수로 확률수렴하는 일치성을 가짐 |
||
|
[38강] 점추정 (2)
|
0:
38:
11
|
|
|
점추정 방법: 적률이용추정법 및 최대가능도추정법
• 점추정 방법: 모집단 모수를 단일 값으로 추정하며, 적률이용추정법은 모적률과 표본적률을 일치시켜 모수를 추정 • 최대가능도추정법(MLE) 원리: 관측된 데이터를 가장 잘 설명하는 모수값을 찾기 위해 우도함수를 최대화하는 통계적 기법 • MLE 활용: 로그 우도함수를 이용, 이항·포아송·정규·지수분포 등 다양한 확률분포의 모수 추정에 적용 |
||
|
[39강] 점추정 (3)
|
0:
35:
52
|
|
|
최대우도추정법 개념 및 응용 문제 풀이
• 최대우도추정법 (MLE): 우도함수를 구성하여 모수 값을 최대로 만드는 통계적 추정 원리 • 우도함수 최적화: 로그 우도함수 미분 기반 접근 또는 순서통계량을 활용한 추정 절차 • 최대우도추정량 불변성: 모수 변환 함수의 추정량을 원 모수 추정량으로 도출하는 핵심 성질 |
||
|
[40강] 베이지안 추정법 (1)
|
1:
06:
56
|
|
|
추정량의 성질 및 베이지안 추정법
• 추정량의 성질: 미지 모수 추정량의 이상적 특성(불편성, 효율성, 충분성, 일치성) 및 성능 지표인 평균제곱오차(MSE)를 분석. • 최대효율추정량: 최소분산불편추정량(MVUE)으로, 가능한 불편추정량 중 가장 작은 분산을 가지는 효율적 추정량. • 베이지안 추정법: 사전분포와 관측 자료를 통합하여 사후분포를 도출하고, 그 평균인 사후 베이즈 추정값으로 모수를 추정하는 방법론. |
||
|
[41강] 베이지안 추정법 (2)
|
0:
39:
27
|
|
|
베이지안 추정법 (2)
• 베이즈 추정법: 사전 분포와 표본 정보를 결합하여 사후 분포를 도출하고, 사후 분포의 평균으로 추정량을 계산. • 사후 베이즈 추정량: 베르누이-베타 분포 변환 및 정규 분포 모평균 가중 평균 추정 방식으로 계산되는 모수의 추정치. • 베이즈 구간: 사후 분포를 기반으로 신뢰 구간을 설정하며, 사전 정보 활용으로 추정 정확도 및 구간 폭을 개선. |
||
|
[42강] 충분통계량 (1)
|
0:
33:
24
|
|
|
충분통계량 (1)
• 충분통계량 정의: 모수에 대한 모든 정보를 포함하는 통계량으로, 조건부 확률분포가 모수와 무관함을 통해 증명. • 네이만의 인수분해정리: 우도함수를 통계량과 모수만의 함수 및 모수 무관 함수의 곱으로 분해하여 충분통계량을 효율적으로 판별. • 충분통계량 기능: 통계적 추론(추정, 가설검정)에서 모수 정보를 효율적으로 요약하고 활용하는 핵심 도구. |
||
|
[43강] 충분통계량 (2)
|
0:
52:
48
|
|
|
충분통계량 (2) 및 최대우도추정량
• 네이만-피셔 인수분해 정리: 우도함수를 분해하여 모수에 대한 모든 정보를 담는 충분통계량을 식별하는 통계적 원리. • 충분통계량: 정규분포, 균일분포 등 다양한 분포에서 모수 정보를 효율적으로 요약하며, 여러 모수를 위한 결합충분통계량으로 확장 적용. • 최대우도추정량(MLE): 유일하게 존재할 경우 충분통계량의 함수로 표현되어 모수 추정의 효율성과 일관성을 제공하는 방법론. |
||
|
[44강] 최소분산 비편향추정량 (1)
|
1:
08:
12
|
|
|
최소분산 비편향추정량 및 Cramer-Rao 하한
* **최소분산 비편향추정량(UMVUE):** 추정 효율성의 핵심 개념으로, 모든 비편향 추정량 중 분산이 가장 작은 추정량을 의미. * **Cramer-Rao 하한(CRLB):** 확률분포의 정상조건 하에 유효점수와 정보량을 활용, 비편향 추정량 분산의 이론적 최솟값을 제시. * **UMVUE 식별:** CRLB 값과 추정량의 분산이 일치할 경우 해당 추정량을 UMVUE로 판단, 다양한 분포에 적용하여 효율적인 추정량 확인. |
||
|
[45강] 최소분산 비편향추정량 (2)
|
1:
09:
31
|
|
|
최소분산 비편향 추정량 (MVUE) 이론 및 응용
• 최소분산 비편향 추정량(MVUE): Cramer-Rao 하한(CRLB) 만족 조건과 효율성 평가를 통해 최적 불편추정량을 정의. • Rao-Blackwell 정리: 충분통계량을 활용하여 불편추정량의 분산을 감소시키고 개선된 추정량을 도출하는 원리. • Lehmann-Scheffé 정리: 완비충분통계량을 기반으로 MVUE를 직접적으로 도출하며 유일성을 보장하는 방법론. |
||
|
[46강] 최소분산 비편향추정량 (3)
|
0:
45:
39
|
|
|
수리통계학 46강. 최소분산 비편향추정량 (MVUE) - 정상 지수형 분포족 활용
* 최소분산 비편향추정량(MVUE) 도출: 정상 지수형 분포족(RECD) 정의 및 완비충분통계량 활용으로 MVUE를 효율적으로 탐색. * 정상 지수형 분포족(RECD) 구조 분석: 확률분포함수 조건을 이해하여 $\sum u_j(X_i)$ 형태의 완비충분통계량을 체계적으로 식별. * Lehmann-Scheffé 정리 활용: 완비충분통계량을 기반으로 정규, 지수 등 다양한 분포 모수의 불편추정량을 MVUE로 변환하여 적용. |
||
|
[47강] 최소분산 비편향추정량 (4)
|
0:
31:
35
|
|
|
수리통계학: 최소분산 비편향추정량의 이해와 적용
• **최소분산 비편향추정량(UMVUE) 원리**: Rao-Blackwell, Lehmann-Scheffé 정리를 활용하여 불편 추정량 중 최소 분산을 가진 추정량을 도출하는 방법론. • **Basu의 정리**: 완비충분통계량과 모수와 무관한 통계량의 독립성을 증명하여 UMVUE 계산을 간소화하는 절차 및 적용. • **정상지수형 분포족 및 Cramer-Rao 하한**: 완비충분통계량 존재 조건 및 분산 하한을 통해 UMVUE를 효율적으로 탐색하고 검증하는 구조. |
||
|
[48강] 구간추정 (1)
|
0:
47:
10
|
|
|
수리통계학: 구간추정 (1) - 신뢰구간의 이해 및 계산
• **구간추정 개념**: 모수의 참값을 포함하는 신뢰구간, 신뢰계수, 오차한계 정의 및 계산 원리 이해. • **모평균 신뢰구간**: 모분산 인지 여부에 따라 Z-분포 또는 t-분포를 활용하여 양측 및 단측 신뢰구간 유도. • **표본 크기 결정**: 오차한계 기준에 따른 최소 표본 크기 산정 절차 및 근사 신뢰구간 활용. |
||
|
[49강] 구간추정 (2)
|
1:
01:
35
|
|
|
구간추정 (2)
* 예측구간: 미래 관측치 ($X_0$)의 추정 범위 설정; 모분산 지식 여부에 따라 정규분포 또는 t-분포 활용. * 두 모평균 차이 추정: $\mu_1 - \mu_2$의 신뢰구간 계산; 모분산 지식 및 동일성 여부에 따라 Z-분포 또는 t-분포와 자유도 적용. * 구간 추정 원리: 모분산 지식 유무, 모집단 분산 동일성 판단에 따른 적절한 통계량 및 분포 선택. |
||
| 8장. 가설검정 | ||
|
[50강] 가설검정의 개념
|
1:
11:
15
|
|
|
가설검정 개념과 오류 분석
* 가설검정: 귀무가설·대립가설 설정 및 검정통계량·기각역을 활용한 가설 평가 절차. * 검정 오류: 제1종 오류($\alpha$)·제2종 오류($\beta$) 정의, 유의수준과 검정력($1-\beta$)으로 평가. * 검정 최적화: 제1종·제2종 오류 상충 관계, 표본 크기를 통한 동시 감소 원리 및 단측·양측 검정 유형. |
||
|
[51강] 최강력 검정 (1)
|
0:
49:
31
|
|
|
최강력 검정의 개념 및 네이만-피어슨 보조정리
* 최강력 검정 개념: 대립가설 참일 때 귀무가설 기각 확률인 검정력을 최대로 하는 가설 검정 원리 정의. * 네이만-피어슨 보조정리: 단순가설 검정 시 우도비(확률밀도함수 비율)를 활용해 최강력 기각역을 도출하는 방법과 증명 과정. * 최강력 검정 적용: 이항, 정규, 지수분포 등 특정 확률분포에 네이만-피어슨 보조정리를 적용하여 최강력 기각역을 구성하고 검정력을 계산. |
||
|
[52강] 최강력 검정 (2)
|
0:
42:
15
|
|
|
최강력 검정 적용 문제 풀이 및 확률화 검정
* 최강력 검정: 네이만-피어슨 보조정리를 통한 우도비 기반 기각역 설정을 통해 가설을 검정. * 이산형 분포 검정: 연속형과 달리 정확한 유의수준 $\alpha$ 확보를 위해 보존적 검정 및 확률화 검정을 적용. * 확률화 검정: 검정함수를 활용, 특정 통계량 값의 기각 확률 조정을 통해 이산형 분포의 유의수준 $\alpha$를 맞춤. |
||
|
[53강] 전역 최강력 검정 (1)
|
0:
37:
40
|
|
|
전역 최강력 검정의 이해와 적용
* 전역 최강력 검정(UMP): 대립가설 영역 전반에 걸쳐 검정력을 최대화하는 최적의 가설 검정 방법으로, 균일 최강력 검정이라고도 한다. * UMP 검정 원리: 네이만-피어슨 보조정리로 도출된 최강력 기각역이 대립가설 모수에 독립적일 때 균일 최강력 검정이 된다. * UMP 검정 적용: 우도비 및 검정력 함수 분석을 통해 지수, 포아송, 정규분포 등 다양한 통계 모델에서 최적의 기각역을 유도한다. |
||
|
[54강] 전역 최강력 검정 (2)
|
0:
39:
55
|
|
|
전역 최강력 검정과 단조 우도비
• 전역 최강력 검정(UMP): 단조 우도비(MLR) 원리를 활용하여 단측 복합 가설에 대한 최강력 기각역을 구성하는 검정 방법. • 단조 우도비(MLR): 통계량 $T(X)$에 대한 우도비의 단조성을 통해 UMP 검정 도출의 핵심 조건을 제시. • 정규 지수형 분포족: $q(\theta)$가 증가함수일 때 UMP 검정이 용이하며, 지수, 이항, 포아송 분포 등 다양한 분포에 적용. |
||
|
[55강] 일반화 가능도비 검정 (1)
|
1:
05:
02
|
|
|
일반화 가능도비 검정 (1)
• 일반화 우도비 (GLR): 최대우도추정량(MLE) 기반, 귀무가설 및 전체 모수 공간 우도 비율로 가설 기각 여부를 결정하는 통계량. • 검정 통계량 구성: 우도비 $\lambda(\mathbf{x})$를 표준정규, t, 카이제곱 분포로 변환하여 기각역을 설정하고 가설을 검정함. • 활용 범위: 정규분포 평균, 베르누이 성공률, 두 평균 비교 등 미지 모수 복합 가설 검정에 광범위하게 적용. |
||
|
[56강] 일반화 가능도비 검정 (2)
|
0:
32:
06
|
|
|
수리통계학 56강 일반화 가능도비 검정 (2)
• 비중심 t-분포: 대립가설 하 검정력 계산에 필요한 분포로, 정규분포와 카이제곱분포 기반의 비중심 모수 $\delta$를 정의. • 일반화 가능도비 검정: 이항분포 모수 및 정규분포 분산 검정 시 최대우도추정량(MLE)으로 우도비 통계량을 구성, 근사 카이제곱 또는 F-분포를 활용하여 기각역 설정. • 조건부 검정: 장애 모수를 포함하는 지수족 분포에서, 조건부 확률밀도함수가 장애 모수에 독립임을 활용해 기각역을 결정하는 원리. |
||
|
[57강] 신뢰구간 검정 (1)
|
0:
47:
31
|
|
|
신뢰구간 기반 가설 검정 절차와 활용
* 가설 검정 절차: 귀무가설·대립가설 설정, 유의수준 및 검정통계량 기반 가설 판단 원리. * P값 (유의확률): 검정통계량으로 산출된 확률, 귀무가설 기각의 최저 유의수준으로 유의성 검정 기준. * 모평균 검정 및 신뢰구간: 모분산 지식 유무에 따라 Z 또는 T 통계량 활용, 신뢰구간으로 양측검정 기각역 판단. |
||
|
[58강] 신뢰구간 검정 (2)
|
0:
42:
35
|
|
|
두 모평균 차이의 검정
* 두 모평균 차이 검정: 모분산 인지 여부와 동일성 여부에 따라 Z-검정 또는 t-검정 선택이 핵심 원리 * Z-검정: 모분산을 알거나 표본 크기가 30 이상인 경우 표준정규분포를 따르는 검정통계량 활용 * t-검정: 모분산을 모르고 표본 크기가 작은 경우, 합동추정량 또는 근사 자유도로 t-분포 기반 검정통계량 적용 |
||
|
[59강] 회귀분석 (1)
|
0:
42:
05
|
|
|
회귀분석 기본 개념 및 단순선형회귀모형
• 회귀분석: 변수 간 통계적 관계를 파악하고 예측하는 분석 방법으로, 상관분석과 달리 독립변수를 고정하여 종속변수와의 함수 관계 규명. • 단순선형회귀모형: 하나의 독립변수와 종속변수 간 선형 관계($Y=\alpha+\beta X+\epsilon$)를 가정하며, 절편($\alpha$), 기울기($\beta$), 랜덤오차($\epsilon$), 오차분산($\sigma^2$)으로 구성. • 최소제곱법 및 오차분산 추정: 잔차제곱합($SSE$) 최소화를 통해 회귀계수($a, b$)를 추정하고, $MSE = SSE/(n-2)$로 오차분산($\sigma^2$)을 추정하여 모형의 적합성 평가. |
||
|
[60강] 회귀분석 (2)
|
0:
41:
36
|
|
|
수리통계학 회귀계수 추정 및 가설 검정
• 회귀계수 추정 및 검정: 최소제곱 추정량 $\alpha, \beta$의 $t$-분포 기반 통계적 추론 원리. • 신뢰구간 설정: 회귀계수 $\alpha, \beta$의 $t$-분포를 활용한 모수 구간 추정 방법론. • 가설 검정 절차: 검정통계량 $t$와 기각역 설정을 통한 회귀계수의 유의성 판단. |
||
|
[61강] 회귀분석 (3)
|
0:
45:
14
|
|
|
수리통계학 61강. 회귀분석 (3) - 결정계수 및 예측 구간
* 회귀 모형 적합도: 결정계수($R^2$)는 총변동(SST) 대비 회귀 설명 변동(SSR) 비율로 모형의 선형 관계 적합성 평가. * 변동의 구조: 총수정제곱합(SST)은 회귀식 설명 변동(SSR)과 잔차 변동(SSE)의 합으로, $\mathbf{Y}$ 변동의 원인 구성. * 반응 예측 구간: 평균 반응 신뢰구간은 모평균 추정, 개별 반응 예측구간은 새로운 값 예측으로, 불확실성 반영하여 예측구간이 더 넓음. |
||
|
[62강] 분산분석 (1)
|
0:
46:
18
|
|
|
분산분석 (1): 상관분석 및 일원배치 분산분석
* **상관분석**: 두 확률변수 간 선형 관계의 강도와 방향을 상관계수로 측정하고 가설 검정을 통해 통계적 유의성을 평가. * **분산분석(ANOVA)**: 셋 이상의 모집단 평균 비교를 위한 통계 방법으로, 특성값 변동을 요인별로 분해하여 체계적 변동 원인 규명. * **일원배치 분산분석**: 단일 요인이 특성값에 미치는 영향을 분석하는 모형으로, 관측값을 총평균, 처리 효과, 오차로 분해하여 변동을 해석. |
||
|
[63강] 분산분석 (2)
|
0:
30:
18
|
|
|
분산분석 총변동 분해 및 자유도 계산
• 분산분석(ANOVA) 총변동 분해: 총제곱합(SST)은 처리 간 제곱합(SSTR)과 오차 제곱합(SSE)의 합(SST = SSTR + SSE)으로 구성되는 원리. • 제곱합 정의 및 공식 유도: SST, SSTR, SSE의 개념, 각 변동 측정값 정의 및 총편차 제곱합 유도 절차 요약. • 자유도 계산 및 간편식: 각 제곱합의 자유도(N-1, k-1, N-k) 계산 방법과 효율적인 제곱합 계산을 위한 간편 계산식 활용. |
||
|
[64강] 범주형 자료분석
|
0:
55:
57
|
|
|
범주형 자료 분석: 적합도, 동질성, 독립성 검정
* 범주형 자료 분석: $\chi^2$ 검정을 활용하여 관측값의 분포 적합도, 여러 집단 간 비율 동질성, 두 변수 간 독립성을 분석. * $\chi^2$ 적합도/동질성/독립성 검정: 동일한 검정통계량($\sum \frac{(O-E)^2}{E}$)을 사용하며, 검정 목적에 따라 귀무가설, 기대도수, 자유도 설정이 다름. * 기대도수 산정 및 자유도: 적합도는 $n \times p_0$와 $k-1$, 동질성/독립성 검정은 분할표 기반 계산과 $(행-1)(열-1)$을 적용. |
||
정진교 교수님
수리통계학
