하늘 보면서 살자구요

분산이란 기댓값으로부터 데이터가 흩뿌려진 정도를 나타낸다. $V[X] = E[(X-\mu)^{2}] = E[X^{2}] - \{E[X]\}^{2}$ 제곱된 값이므로 단위가 달라 값 자체로 쓰임새를 하려면 주로 표준편차를 이용한다. 2개의 확률변수에 대해 공분산이 정의된다. $X, Y$의 기대값이 각각 $\mu, \nu$일 때, $Cov[X, Y] = E[(X-\mu)(Y-\nu)]$ 공분산은 확률변수 사이의 경향성을 나타낸다. Cov > 0 한쪽이 크면 다른 쪽도 큰 경향이 있다. (양의 상관관계) Cov < 0 한쪽이 크면 다른 쪽은 반대로 작은 경향이 있다. (음의 상관관계) Cov = 0 한쪽이 크다고 해서 다른 쪽이 크거나 작거나 하는 경향이 없다. (무상관) (두 변수가 서로 독립일 때도 0이 ..

확률변수 X, Y에 대해, X=a고 Y=b가 될 확률은 P(X=a, Y=b)이다. 이렇게 여러 조건을 지정하고 모든 조건이 동시에 성립하는 확률을 결합 확률이라고 부른다. 이와 대비해서 P(X=a)나 P(Y=b) 같은 단독 확률은 주변 확률이라고 부른다. 이들의 목록을 결합분포, 주변분포라 할 수 있다. (주변분포가 지정됐다고 해서 그것으로 결합분포를 결정할 수는 없다) 3차원 확률밀도함수로 생각하면, 주변분포는 그래프를 축에 대한 수직면으로 자른 단면(2차원 확률밀도함수)과 같다. 더 나아가 조건부 분포는 단면 영역에서 y좌표를 지정하는 것과 같다(곡선). 결합 확률과 주변 확률의 관계 $\displaystyle P(X=a) = \sum_{b} P(X=a, Y=b)$ 결합 확률과 주변 확률의 분모는 전..

아마 많은 이공계 혹은 수학을 다루는 전공의 학생들은 1학년 때 미분적분학을 이수하게 될 것이다. 전반적인 내용은 고등교육 과정에서 배운 내용과 크게 다르지 않다. 물론 복습의 의미도 있겠지만, 나는 조금 다른 측면도 있다고 생각한다. 고등교육 과정에서 성적을 위한 공부를 했다면 대학과정에서는 개념의 확장을 위해 다시 되짚어본다. 대표적으로 미분의 경우 근사식과 편미분으로, 적분의 경우 이상적분과 더 복잡한 형태의 적분을 위해 '정의'와 '정리'를 다시 한번 살펴보게 된다. 누군가에게는 그저 미분하고 적분을 위한 '계산법'을 배우는 시간일지 몰라도 결과적으로 미분적분학을 통해 더 다양하고 복잡한 함수들을 표현하고, 분석할 수 있게 된다. 그리고 이후 2, 3, 4학년 과정에서는 이 내용을 기본으로 계속 ..

벡터장 $D$를 $\mathbb{R}^{2}$(평면 영역)의 부분집합이라 하자. $\mathbb{R}^{2}$상의 벡터장(vector field)은 $D$에 속하는 각각의 점 $(x, y)$에 대하여, 이차원 벡터 $\mathbf{F}(x, y)$를 대응시키는 함수 $\mathbf{F}$이다. 삼차원 공간으로 확장시킬 수 있다. 벡터함수는 당연히 성분함수를 가지고 있고 이는 스칼라함수들이며 벡터장과 구분하기 위하여 스칼라장(scalar field)이라 부른다. $f$가 두 변수의 스칼라함수이면 기울기 $\nabla f(x, y) = f_{x}(x, y)\mathbf{i} + f_{y}(x, y)\mathbf{j}$임을 안다. 따라서 $\nabla f$는 실로 $\mathbb{R}^{2}$상의 벡터장이며 ..

부피와 이중적분 이변수함수에 대해서 적분을 알아보자. 이변수함수는 곡면을 나타내므로 적분 시 부피를 얻을 수 있다. 이때 $x, y$좌표는 밑면이 되며 잘게 나누어지는 구역으로 생각할 수 있고 직육면체를 근사해 얻는 방법이다. 직사각형 $R$ 위의 $f$에 대한 이중적분(double integral)은 다음 식의 극한이 존재하는 경우이다. $\displaystyle\iint\limits_{R}f(x, y)dA = \lim_{m, n→\infty}\sum_{i=1}^{m}\sum_{j=1}^{n}f(x_{ij}^{*}, y_{ij}^{*})\Delta A$ 이 극한이 존재하면 $f$를 적분가능(integrable)이라 한다. 여기서 합을 이중리만합(double Riemann sum)이라 부르고 이중적분의 ..

다변수함수 이변수함수(function of two variables) $f$는 집합 $D$의 실수의 각 순서쌍 $(x, y)$에 단 하나의 실수를 대응시키는 규칙으로 $f(x, y)$와 같이 나타낸다. 집합 $D$는 $f$의 정의역(domain)이고 치역(range)은 $f$가 취하는 실수값들의 집합이다. 즉 $\{ f(x, y) | (x, y) \in D \}$이다. 일반적인 점 $(x, y)$에서 $f$에 의해 정해진 값을 명확히 표시하기 위해 종종 $z=f(x, y)$로 쓴다. 변수 $x$와 $y$는 독립변수이고 $z$는 종속변수이다. $f$가 정의역이 $D$인 이변수함수이면, $f$의 그래프(graph)는 $\mathbb{R}^{3}$에서 $(x, y) \in D$이고 $z=f(x, y)$인 모든..

벡터함수와 공간곡선 벡터함수(vector function)는 그 정의역이 실수의 집합이고, 치역이 벡터의 집합인 함수이다. 이 벡터의 성분은 성분함수(component functions)라 불리는 실수값 함수다. $\mathbf{r}(t) = = f(t)\mathbf{i} + g(t)\mathbf{j} + h(t)\mathbf{k}$ 벡터함수의 극한은 성분함수들의 극한을 취함으로써 정의된다. $\mathbf{r}(t) = $일 때, 각 성분함수의 극한이 존재하면 다음이 성립한다. $\displaystyle\lim_{t→a}\mathbf{r}(t) = $ 벡터함수는 $\displaystyle\lim_{t→a}\mathbf{r}(t)= \mathbf{r}(a)$를 만족할 때, $a$에서 연속(continuo..

2차원 평면(해석기하학)에서 좌표축을 하나 더 추가하면 3차원 입체 공간이 된다. 카테시안 곱 $\mathbb{R} × \mathbb{R} × \mathbb{R} = \{(x, y, z)|x, y, z \in \mathbb{R}\}$는 세 실수의 순서쌍 전체의 집합이고 $\mathbb{R}^{3}$로 나타낸다. 이것은 곤간의 점과 순서쌍 사이에 일대일 대응관계를 나타내는 것으로 삼차원 직교좌표계(three dimensional rectangular coordinate system)라 부른다. 공간 상의 점을 한 평면에 수직선을 내려서 생기는 점을 평면 위의 사영(projection)이라 부른다. 구면의 방정식 중심이 $C(h, k, l)$이고 반지름의 길이가 $r$인 구면의 방정식은 $(x-h)^{2}+..