Processing math: 10%

반응형

7. 연속확률변수와 관련된 분포들



연속확률변수 X의 확률밀도함수가 다음과 같을 때, X는 균등분포(uniform distribution)를 따른다고 한다.f(x)={1βα,(α<x<β)0,(otherwise)여기서 α,βα<β인 상수이고,μ=E(X)=βα1βαxdx=12(α+β)σ2=Var(X)=E(X2){E(X)}2=(βα)212(이다.

(균등분포의 확률밀도함수의 그래프)


다음의 함수f(x)=\begin{cases}kx^{\alpha-1}e^{-\frac{x}{\beta}},&\,(x>0)\\0,&\,(\text{otherwise})\end{cases}\,(\alpha,\,\beta>0)의 적분이 1이 되게 하는 k를 구하자.\int_{-\infty}^{\infty}{f(x)dx}=\int_{0}^{\infty}{kx^{\alpha-1}e^{-\frac{x}{\beta}}dx}=k\beta^{\alpha}\int_{0}^{\infty}{y^{\alpha-1}e^{-y}dy}\,(x=\beta y)이 적분식의 오른쪽은 다음과 같이 정의되는 감마함수(gamma function)이다.\Gamma(\alpha)=\int_{0}^{\infty}{y^{\alpha-1}e^{-y}dy},\,(\alpha>0) \int_{0}^{\infty}{kx^{\alpha-1}e^{-\frac{x}{\beta}}dx}=k\beta^{\alpha}\Gamma(\alpha)=1이어야 하므로 \displaystyle k=\frac{1}{\beta^{\alpha}\Gamma(\alpha)}이고, 이 결과를 이용하여 다음과 같이 감마분포(gamma distribution)를 정의할 수 있다.


연속확률변수 X의 확률밀도함수가 다음과 같을 때, X는 감마분포를 따른다고 한다.f(x)=\begin{cases}\displaystyle\frac{1}{\Gamma(\alpha)}x^{\alpha-1}e^{-\frac{x}{\beta}},&\,(x>0)\\0,&\,(\text{otherwise})\,(\alpha,\,\beta>0)\end{cases}

(감마분포의 확률밀도함수의 그래프)


감마분포의 적률생성함수는 M_{X}(t)=(1-\beta t)^{-\alpha}\,(\alpha,\,\beta>0)이다.

증명: X를 감마분포를 따르는 연속확률변수라고 하면\begin{align*}E(e^{tX})&=\int_{-\infty}^{\infty}{e^{tx}f(x)}=\frac{1}{\beta^{\alpha}\Gamma(\alpha)}\int_{0}^{\infty}{e^{tx}x^{\alpha-1}e^{-\frac{x}{\beta}}dx}\\&=\frac{1}{\beta^{\alpha}\Gamma(\alpha)}\int_{-\infty}^{\infty}{x^{\alpha-1}e^{\frac{-(\beta t-1)x}{\beta}}dx}\\&=\frac{1}{\beta^{\alpha}\Gamma(\alpha)}\Gamma(\alpha)\left(\frac{\beta}{1-\beta t}\right)^{\alpha}\\&=(1-\beta t)^{-\alpha}\end{align*}이므로 따라서 M_{X}(t)=(1-\beta t)^{-\alpha}이다.


감마분포의 적률생성함수를 이용하여 평균과 분산을 구하면 다음과 같다.\begin{align*}\mu&=E(X)=\alpha\beta\\ \sigma^{2}&=\text{Var}(X)=E(X^{2})-\{E(X)\}^{2}=\alpha\beta^{2}\end{align*}


연속확률변수 X의 확률밀도함수가 다음과 같을 때, X는 지수분포(exponential distribution)를 따른다고 한다.f(x)=\begin{cases}\frac{1}{\lambda}e^{-\frac{x}{\lambda}},&\,(x>0)\\0,&\,(\text{otherwise})\end{cases}

지수분포는 감마분포에서 \alpha=1,\,\beta=\lambda인 경우이다. 그러면 지수분포의 적률생성함수와 평균, 분산은 다음과 같다.\begin{align*}M_{X}(t)&=\frac{1}{1-\lambda t}\\ \mu&=E(X)=\lambda\\ \sigma^{2}&=\text{Var}(X)=\lambda^{2}\end{align*}


연속확률변수 X의 확률밀도함수가 다음과 같을 때, X는 평균이 \mu이고, 분산이 \sigma^{2}인 정규분포(normal distribution)를 따른다고 하고 X\,\sim\,N(\mu,\,\sigma^{2})로 나타낸다.f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^{2}}{2\sigma^{2}}}

(정규분포의 확률밀도함수의 그래프)


정규분포를 따르는 확률변수의 확률밀도함수의 적분이 1이 됨을 보이자. \displaystyle z=\frac{x-\mu}{\sigma}라 하면\begin{align*}\int_{-\infty}^{\infty}{\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^{2}}{2\sigma^{2}}}dx}=\frac{1}{\sqrt{2\pi}}\int_{-\infty}^{\infty}{e^{-\frac{1}{2}z^{2}}dz}\end{align*}이고, \displaystyle\int_{-\infty}^{\infty}{e^{-\frac{z^{2}}{2}}dz}=\sqrt{2\pi}이므로 따라서\int_{-\infty}^{\infty}{\frac{1}{\sqrt{2\pi}\sigma}e^{\frac{(x-\mu)^{2}}{2\sigma}}dx}=1이다.


정규분포를 따르는 확률변수 X의 적률생성함수는 다음과 같다.M_{X}(t)=e^{\mu t+\frac{1}{2}\sigma^{2}t^{2}}

증명:\begin{align*}M_{X}(t)&=\int_{-\infty}^{\infty}{e^{tx}\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^{2}}{2\sigma^{2}}}dx}\\&=\int_{-\infty}^{\infty}{\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{-2tx\sigma^{2}+(x-\mu)^{2}}{2\sigma^{2}}}dx}\\&=e^{\mu t+\frac{1}{2}\sigma^{2}t^{2}}\int_{-\infty}^{\infty}{\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-(\mu+t\sigma^{2})^{2})}{2\sigma^{2}}}dx}\\&=e^{\mu t+\frac{1}{2}\sigma^{2}t^{2}}\end{align*}


적률생성함수를 이용하여 평균과 분산을 구하면\begin{align*}E(X)&=\mu\\ \text{Var}(X)&=\sigma^{2}\end{align*}이다.


\mu=0,\,\sigma=1인 정규분포를 표준정규분포(standard normal distribution)이라 한다. 이때의 확률변수는 \displaystyle Z=\frac{X-\mu}{\sigma}이고, Z\,\sim\,N(0,\,1^{2})로 나타낸다. 표준정규분포의 누적분포함수는 다음과 같다.P(Z\leq z)=\int_{-\infty}^{z}{\frac{1}{\sqrt{2\pi}}e^{-\frac{x^{2}}{2}}dx}표준정규분포의 확률밀도함수는 우함수이므로\int_{-\infty}^{0}{\frac{1}{\sqrt{2\pi}}e^{-\frac{z^{2}}{2}}dz}=\int_{0}^{\infty}{\frac{1}{\sqrt{2\pi}}e^{-\frac{z^{2}}{2}}dz}=0.5이다.  


참고자료:

John E Freund's Mathematical Statistics 8th edition, Irwon Miller, Marylees Miller, Pearson

수리통계학, 허문열, 송문섭, 박영사

http://www.math.ntu.edu.tw/~hchen/teaching/StatInference/notes/lecture9.pdf 

반응형
Posted by skywalker222