[확률과 통계] 2.4 Expectation, Mean, and Variance & 2.5 Joint PMFs of Multiple

Expectation, Mean, and Variance

여기서는 예전에 설명했던 Random Variable의 종류들에 대한 Expectation과 Variance가 어떻게 되는지만 간단하게 말해줄 것이다. 단, 증명은 단순히 전개하면 알 수 있으므로 생략한다.

Expectations of Standard Random Variables

• Discrete Uniform on ${a, a + 1, \dots, b}$
  $$E[X]=\frac{a+b}{2}$$
• Bernoulli
  $$E[X]=(1-p)\cdot 0+p\cdot 1=p$$
• Binomial
  $$E[X]=\sum _{k=0}^{n}k\cdot (\genfrac{}{}{0ex}{}{n}{k})p^k(1-p{)}^{n-k}=np$$
• Geometric
  $$E[X]=\sum _{k=1}^{\mathrm{\infty }}k\cdot (1-p{)}^{k-1}p=\frac{1}{p}$$
• Poisson
  $$E[X]=\sum _{k=0}^{\mathrm{\infty }}k\cdot \frac{e^{-\lambda }}{k!}=\lambda$$

Variances of Standard Random Variables

• Discrete Uniform on ${a, a + 1, \dots, b}$
  $$var(X)=\frac{(b-a+1{)}^2-1}{12}$$
• Bernoulli
  $$var(X)=p(1-p)$$
• Binomial
  $$var(X)=np(1-p)$$
• Geometric
  $$var(X)=\frac{1-p}{p^2}$$
• Poisson
  $$var(X)=\lambda$$

Joint PMFs of Multiple Random Variables

Joint PMF

두 개의 Discrete Random Variable $X,Y$가 같은 시행에 연관되어 있을 때, Joint PMF는 다음과 같이 정의될 수 있다.

$$p_{X,Y}(x,y)=P(X=x,Y=y)$$

$P(X=x, Y=y)$는 $P(X=x\ and\ Y=y)$나 $P({X=x} \cap {Y=y})$와 같은 뜻이다.

Joint PMF는 하나의 시행에서 여러 속성을 통해 결과를 표현할 때 유용하다. 예를 들어 $X$는 키, $Y$는 성적으로 두고 학생을 랜덤하게 뽑는 경우를 $P(X=160, Y=80)$과 같이 표현할 수 있다.

Marginal PMF

Joint PMF $p_{X, Y}(x, y)$에서 각각의 랜덤 변수 $X,Y$
에 대한 PMF를 뽑아내면 그것을 Marginal PMF라 부르고 다음과 같이 구할 수 있다.

$$p_X(x)={\displaystyle \sum _y{p}_{X,Y}(x,y)}$$

$$p_Y(y)={\displaystyle \sum _x{p}_{X,Y}(x,y)}$$

어떤 $x$ 또는 $y$에 대해 나머지 랜덤 변수의 모든 경우 확률의 합이다.

Functions of Multiple Random Variables

여기서는 이전 포스팅의 $E[g(X)] = \displaystyle \sum_x g(x)p_X(x)$를 Joint PMF에 대한 것으로 확장한 것이다. 형태는 같고 단지 랜덤 변수 $Y$ 가 추가되었을 뿐이다. 아래는 확장된 식이다.

$$E[g(X,Y)]={\displaystyle \sum _{x,y}g(x,y)p_{X,Y}(x,y)}$$

$g(X, Y) = aX+bY+c$인 경우, $E[g(X, Y)]$는 지난 번에 이야기한 선형성에 의해 다음과 같다.

$$E[g(X,Y)]=aE[X]+bE[Y]+c$$