확률변수

확률변수는 확률실험의 결과를 실수 값으로 대응시키는 함수이다.^[1] 값이 하나의 수로 정해지므로, 무작위 현상을 수치로 다룰 수 있고 그 값의 집합은 치역으로 이해할 수 있다.^[1][3] 이런 성질 때문에 확률변수는 통계학에서 가장 기본적인 도구 가운데 하나로 취급된다.^[2]

확률변수의 개념은 이후 확률분포를 정의하고 해석하는 출발점이 된다.^[2][4] 또한 관측된 결과를 수치화해 인공지능 모델이 다룰 수 있게 만든다는 점에서 실용성이 크다.^[2]

수학적으로 확률변수는 확률실험의 가능한 결과 각각에 실수 값을 대응시키는 함수로 정의한다.^[1] 즉, 어떤 결과가 주어졌을 때 확률변수 X는 X(s)라는 값으로 그 결과를 나타낸다. 이런 함수적 표현은 무작위 현상을 수학적 모델링의 대상으로 바꾸는 데 핵심적인 역할을 한다.^[2]

확률변수는 값의 의미를 분명하게 해 주기 때문에, 가능한 결과를 먼저 세어 보는 조합적 관점과 잘 맞는다.^[2] 그 다음 단계에서 각 결과에 대응하는 수치의 집합을 정리하면 확률적 분석이 쉬워진다.^[3]

확률변수는 값의 성격에 따라 이산확률변수와 연속확률변수로 나뉜다.^[3][4] 이산확률변수는 0, 1, 2처럼 셀 수 있는 값을 가지며, 주로 계수 문제에서 나타난다. 반면 연속확률변수는 구간 전체의 값을 취할 수 있어 길이, 시간, 무게처럼 측정값을 다룰 때 자주 쓰인다.^[4]

이 구분은 확률변수를 어떤 방식으로 확률분포에 연결할지 결정한다. 이산형에서는 각 값의 확률을 따로 모으고, 연속형에서는 구간을 통해 누적적인 형태로 해석한다.^[4] 따라서 확률변수의 종류를 먼저 구분하는 일은 이후 계산과 해석의 출발점이 된다.^[3]

확률변수가 정해지면 그 값들의 가능성은 확률분포로 표현된다.^[4] 분포를 알면 기댓값과 분산처럼 데이터의 중심과 퍼짐을 요약할 수 있다. 이런 통계량은 통계학에서 표본을 해석하는 데 쓰이며, 불확실성을 정량화하는 기본 도구가 된다.^[2]

새로운 정보가 들어올 때마다 믿음을 갱신하는 베이지안 접근도 이 분포 관점과 잘 맞는다.^[2] 또한 실제 데이터 분석에서는 확률변수를 통해 결과를 수치로 표현해 두어야, 이후 예측이나 의사결정 단계에서 이를 활용할 수 있다.^[2]

경품 추첨에서 티켓이 당첨인지, 얼마를 받는지에 따라 서로 다른 확률변수를 정의할 수 있다.^[5] 예를 들어 일부 티켓이 20달러, 10달러, 5달러를 받는 구조에서는 당첨 금액을 확률변수로 둘 수 있다. 같은 상황을 단순화해 조합으로 경우의 수를 세면, 가능한 결과를 먼저 정리한 뒤 그 위에 확률변수를 올릴 수 있다.^[2]

이런 방식은 데이터 분석과 인공지능 모델링에서도 널리 쓰인다.^[2] 입력값과 결과값을 확률변수로 두면 불확실한 현상을 수치적으로 비교할 수 있고, 다양한 확률분포를 통해 상황별 차이도 설명할 수 있다.^[4]

확률변수의 해석은 확률분포와 함께 보면 더 분명해진다.^[4]

• 확률분포
• 기댓값
• 분산
• 이산확률변수
• 연속확률변수

• 확률실험
• 실수
• 함수

^[1] Mmatrix.skku.ac.kr(새 탭에서 열림)

^[2] Eeconweb.ucsd.edu(새 탭에서 열림)

^[3] Sstats.libretexts.org(새 탭에서 열림)

^[4] Wwww.cambridge.org(새 탭에서 열림)

^[5] Sstats.libretexts.org(새 탭에서 열림)