확률은 사건이 발생할 가능성을 수치로 표현하는 개념으로, 수학뿐만 아니라 통계, 게임 이론, 데이터 분석, 머신러닝 등 다양한 분야에서 핵심적인 역할을 합니다. 이번 글에서는 확률의 기본 개념부터 중요한 공식들을 총정리합니다.
1. 확률의 기본 정의
어떤 사건 A의 확률 \( P(A) \)는 다음과 같이 정의됩니다: \[ P(A) = \frac{\text{A가 일어나는 경우의 수}}{\text{전체 경우의 수}} \]
확률의 기본 성질:
- \( 0 \leq P(A) \leq 1 \)
- \( P(\Omega) = 1 \) (전체 사건)
- \( P(\emptyset) = 0 \) (불가능한 사건)
2. 여사건의 확률
어떤 사건 A가 일어나지 않을 확률: \[ P(A’) = 1 – P(A) \]
3. 합사건과 곱사건
1) 합사건 (덧셈 법칙)
- 서로 배반: \( P(A \cup B) = P(A) + P(B) \)
- 일반: \( P(A \cup B) = P(A) + P(B) – P(A \cap B) \)
2) 곱사건 (곱셈 법칙)
- 독립: \( P(A \cap B) = P(A) \cdot P(B) \)
- 일반: \( P(A \cap B) = P(A) \cdot P(B|A) \)
4. 조건부 확률
사건 B가 일어났다는 조건하에 A가 일어날 확률: \[ P(A|B) = \frac{P(A \cap B)}{P(B)} \quad (P(B) > 0) \]
5. 베이즈 정리
조건부 확률의 대표적인 응용: \[ P(A|B) = \frac{P(B|A)P(A)}{P(B)} \quad (P(B) > 0) \]
6. 전체 확률의 법칙
표본공간이 사건 \( A_1, A_2, \ldots, A_n \)으로 분할될 때: \[ P(B) = \sum_{i=1}^n P(B|A_i)P(A_i) \]
7. 기대값과 분산
1) 기대값
확률변수 X의 기대값: \[ E(X) = \sum x_i P(x_i) \] (이산)
\[ E(X) = \int_{-\infty}^{\infty} x f(x) dx \] (연속)
2) 분산
\[ Var(X) = E(X^2) – [E(X)]^2 \]
8. 독립성과 배반성
- 독립: \( P(A \cap B) = P(A)P(B) \)
- 배반: \( A \cap B = \emptyset \Rightarrow P(A \cap B) = 0 \)
결론
핵심 공식 요약:
- \( P(A’) = 1 – P(A) \)
- \( P(A \cup B) = P(A) + P(B) – P(A \cap B) \)
- \( P(A \cap B) = P(A)P(B) \) 또는 \( P(A \cap B) = P(A)P(B|A) \)
- \( P(A|B) = \frac{P(A \cap B)}{P(B)} \)
- \( P(A|B) = \frac{P(B|A)P(A)}{P(B)} \) (베이즈 정리)
- \( E(X) = \sum x_i P(x_i), \quad Var(X) = E(X^2) – [E(X)]^2 \)
확률의 개념과 공식들을 정확히 이해하고 적용하는 능력은 다양한 실전 문제 해결과 통계적 사고력 향상에 큰 도움이 됩니다.