기대값 (r1)

이산 확률 변수의 기대값은 확률 변수가 취할 수 있는 각각의 값에 그 값이 나올 확률을 곱한 후, 이들을 모두 합산하여 계산한다. 이는 확률 질량 함수를 이용한 가중 평균으로 이해할 수 있으며, 확률 분포의 무게 중심을 나타낸다.

구체적으로, 확률 변수 X가 취할 수 있는 값을 x1, x2, ..., xn이라 하고, 각 값에 대응하는 확률을 P(X = xi) = pi라고 할 때, 기대값 E(X)는 E(X) = Σ (xi * pi)의 공식으로 구한다. 여기서 합산(Σ)은 확률 변수가 가질 수 있는 모든 가능한 값에 대해 수행된다. 예를 들어, 주사위를 던졌을 때 나오는 눈의 수에 대한 기대값은 각 눈(1부터 6)에 1/6의 확률을 곱한 후 모두 더한 3.5가 된다.

이산 확률 변수의 기대값 계산은 확률 질량 함수와 직접적으로 연결된다. 또한, 기대값은 평균과 동일한 개념으로, 통계학에서 데이터의 중심 경향성을 파악하는 기본 도구로 널리 사용된다. 이 계산법은 이항 분포나 포아송 분포와 같은 대표적인 이산 분포의 특성을 분석하는 데 필수적이다.

연속 확률 변수의 기대값은 확률 밀도 함수를 이용하여 계산한다. 이산 확률 변수의 경우 각 값과 그 확률의 곱을 합산하는 것과 달리, 연속형에서는 확률 밀도 함수 f(x)와 변수 x의 곱을 전체 구간에 대해 적분한다. 이는 연속적인 값의 분포에서 가중 평균을 구하는 것에 해당한다.

구체적으로, 연속 확률 변수 X의 기대값 E(X)는 적분 ∫ x f(x) dx로 정의되며, 적분 구간은 확률 변수가 정의된 전체 범위(보통 -∞에서 ∞까지)이다. 이 적분값이 수렴할 때, 즉 절대값의 적분 ∫ |x| f(x) dx가 유한할 때 기대값이 존재한다고 말한다.

이 계산법은 이산 확률 변수의 공식을 연속적인 경우로 확장한 것이다. 이산형에서의 합(Σ)이 연속형에서는 적분(∫)으로 대체되었으며, 확률 질량 함수 P(X=x) 대신 확률 밀도 함수 f(x)가 사용된다. 이는 확률론의 핵심 개념으로, 통계학에서 모평균을 추정하거나 다양한 확률 모형의 중심 경향을 분석하는 데 필수적이다.

연속 확률 변수의 기대값 계산은 정규 분포, 지수 분포, 균등 분포 등 주요 확률 분포의 평균을 구하는 데 직접 적용된다. 예를 들어, 구간 [a, b]에서의 균등분포의 기대값은 (a+b)/2이며, 이는 적분 공식을 통해 쉽게 유도할 수 있다.

기대값의 가장 중요한 성질 중 하나는 선형성이다. 이는 확률변수의 선형 결합의 기대값이 각 확률변수의 기대값의 동일한 선형 결합과 같다는 것을 의미한다. 수학적으로, 두 확률변수 X와 Y 그리고 임의의 실수 상수 a, b에 대해 다음 식이 성립한다.

E(aX + bY) = aE(X) + bE(Y)

이 성질은 확률변수가 독립이든 아니든 상관없이 항상 성립한다. 또한, 상수 c에 대해서는 E(c) = c가 성립하는데, 이는 상수의 기대값이 그 상수 자체임을 의미한다.

선형성 덕분에 복잡한 확률변수의 기대값을 계산할 때 각 구성 요소의 기대값을 먼저 구한 후 더하거나 상수를 곱하는 방식으로 쉽게 계산할 수 있다. 예를 들어, 어떤 무작위 실험의 보상이 두 확률변수의 합으로 주어질 때, 전체 기대 보상을 각 보상의 기대값을 단순히 더하여 구할 수 있다. 이 성질은 분산 계산이나 공분산 분석 등 다양한 확률론적, 통계적 계산의 기초가 된다.

두 확률 변수 X와 Y가 통계적 독립일 때, 두 변수의 곱의 기대값은 각 변수의 기대값의 곱과 같다. 이는 기대값의 중요한 성질 중 하나로, 수식으로 표현하면 E(XY) = E(X) * E(Y)가 성립한다.

이 성질은 확률 변수 간의 독립성을 확인하거나 활용하는 데 유용하다. 예를 들어, 두 사건이 서로 영향을 주지 않을 때, 두 사건으로부터 발생하는 값들의 곱에 대한 평균은 각각의 평균을 곱하는 것만으로 쉽게 계산할 수 있다. 이는 복잡한 확률 모형에서 계산을 간소화하는 데 자주 사용된다.

그러나 이 성질은 두 변수가 독립일 때만 성립한다는 점에 주의해야 한다. 만약 두 변수가 상관관계를 가진다면, 일반적으로 E(XY)는 E(X)E(Y)와 같지 않으며, 그 차이는 공분산과 관련이 있다. 따라서 이 성질을 적용하기 전에 변수들의 독립성을 검토하는 것이 중요하다.

통계학에서 기대값은 확률 분포의 중심 경향을 나타내는 가장 기본적인 대표값이다. 표본 평균과는 구분되는 개념으로, 확률 변수의 이론적 평균값을 의미한다. 통계적 추론의 핵심 도구로서, 점추정에서 모집단의 평균을 추정할 때 사용되며, 가설 검정과 회귀 분석 등 다양한 통계 모델의 기초를 이룬다. 또한 표본 추출과 실험 설계에서도 기대값을 통해 결과를 예측하고 평가한다.

기대값은 통계량의 성질을 분석하는 데 필수적이다. 예를 들어, 표본 평균의 기대값은 모평균과 같다는 성질(불편성)은 추정량의 중요한 기준이 된다. 분산과 표준편차와 같은 산포의 측도도 기대값을 통해 정의된다. 공분산과 상관계수는 두 확률 변수의 선형 관계를 기대값을 이용해 측정한다.

통계적 모델링과 머신러닝에서도 손실 함수의 최소화나 목적 함수의 최적화 과정에 기대값이 광범위하게 활용된다. 최대우도추정과 베이즈 추론 같은 방법론은 기대값 계산을 포함하는 경우가 많다. 요약하면, 기대값은 데이터의 생성 메커니즘을 확률적으로 기술하고, 그로부터 유의미한 결론을 도출하는 통계학의 근간을 이루는 개념이다.

경제학 및 금융 분야에서 기대값은 위험과 수익률을 평가하는 핵심 도구로 활용된다. 투자자는 다양한 자산의 미래 수익에 대한 기대값을 계산하여, 잠재적 이익과 손실의 평균적인 크기를 추정한다. 이를 통해 포트폴리오를 구성하거나 투자 의사결정을 내리게 된다. 특히 금융공학에서는 파생상품의 공정 가치를 산출하는 데 기대값 개념이 필수적이다.

보험 산업에서는 보험료를 책정하는 근간이 된다. 보험사는 특정 사고가 발생할 확률과 발생 시 지급해야 할 보험금의 기대값을 계산하여, 장기적으로 수지를 맞출 수 있는 보험료율을 결정한다. 이는 리스크 관리의 기본 원리이며, 개인이나 기업이 위험에 대비하는 경제적 행위를 이해하는 데 중요한 개념을 제공한다.

게임 이론에서도 기대값은 중요한 역할을 한다. 게임 이론은 여러 의사결정 주체 간의 상호작용을 분석하는 학문으로, 각 전략을 선택했을 때 얻을 수 있는 보수의 기대값을 비교하여 최적의 전략을 찾는다. 이는 경제 모델이나 시장 분석에서 합리적 선택을 설명하는 데 널리 적용된다.

보험 산업은 기대값 개념을 기반으로 운영된다. 보험사는 특정 사건(예: 사고, 질병, 화재)이 발생할 확률과 그로 인한 금전적 손실액을 추정하여 기대값을 계산한다. 이렇게 계산된 기대 손실액에 운영 비용과 이윤을 더해 보험료를 책정한다. 즉, 보험 계약자는 비교적 작은 금액인 보험료를 내고, 발생 가능성은 낮지만 막대한 금전적 손실에 대한 재정적 위험을 보험사에 이전하는 것이다. 보험사의 입장에서는 많은 계약자로부터 보험료를 받아 집단적으로 볼 때 지급해야 할 보험금의 기대값이 보험료 수입보다 작아야 장기적으로 수익을 낼 수 있다.

리스크 관리 분야에서도 기대값은 위험을 정량화하고 의사결정을 지원하는 핵심 도구이다. 기업이나 개인이 직면한 다양한 위험 시나리오별로 발생 확률과 영향을 평가하여 각 시나리오의 기대 손실 또는 기대 이익을 계산한다. 이를 통해 단순히 최악의 경우만을 보는 것이 아니라, 발생 가능성과 결과를 종합적으로 고려한 합리적인 의사결정이 가능해진다. 예를 들어, 재해 대비 장비 도입 비용과 재해 발생 시의 기대 손실액을 비교하여, 비용 대비 효과가 큰 위험 감소 조치를 우선적으로 선택할 수 있다.

또한 금융 시장에서 포트폴리오 이론은 기대 수익률과 분산(또는 표준편차)을 통해 자산의 위험과 수익을 분석한다. 투자자는 여러 자산에 분산 투자함으로써 개별 자산의 변동성 위험을 줄이면서도 기대 수익을 극대화하려고 한다. 이때 각 자산의 기대 수익률은 포트폴리오 전체의 기대 수익률을 계산하는 기본 입력값이 된다. 이러한 접근법은 현대 포트폴리오 이론의 토대를 이루며, 위험을 통계적 관점에서 관리하는 데 기여한다.

게임 이론에서 기대값은 합리적인 의사 결정의 핵심 도구로 작용한다. 게임 이론은 여러 의사 결정 주체, 즉 플레이어 간의 전략적 상호작용을 분석하는 분야이다. 각 플레이어는 자신의 선택이 다른 플레이어의 선택에 따라 어떤 결과(보수)를 가져올지 예측해야 하며, 이때 불확실성을 내포한 상대방의 행동은 확률로 모델링된다. 따라서 플레이어는 각 전략이 가져올 수 있는 다양한 보수에 그 확률을 곱한 값, 즉 기대 보수를 계산하여 비교함으로써 최적의 전략을 선택한다. 이 과정은 혼합 전략의 분석이나 내쉬 균형을 찾는 데 필수적이다.

특히 제로섬 게임이나 내시 협상 게임과 같은 비협조 게임 이론에서, 플레이어는 자신의 기대 보수를 극대화하는 전략을 추구한다. 예를 들어, 가위바위보 게임에서 각 손모양을 낼 확률을 1/3로 정하면 상대방의 어떤 전략에 대해서도 기대 보수는 0이 된다. 이는 최소최대 이론과 연결되어, 플레이어가 상대방의 최선의 대응 하에서도 자신의 최악의 결과를 최대한 좋게 만드는, 즉 최대 손실을 최소화하는 전략을 선택하는 기준이 되기도 한다.

기대값의 개념은 게임 이론을 넘어 의사결정이론 전반에 걸쳐 적용된다. 몬티 홀 문제나 세인트페테르부르크 역설과 같은 유명한 확률 퍼즐은 직관과 기대값 계산이 일치하지 않는 상황을 보여주며, 합리적 선택의 기준으로서 기대값의 중요성을 부각시킨다. 또한, 기대 효용 이론에서는 단순한 금전적 기대값이 아닌, 개인의 주관적 만족도인 효용의 기대값을 극대화하는 것을 합리적 선택의 기준으로 삼는다.

분산은 확률 변수가 기대값으로부터 얼마나 떨어져 있는지를 측정하는 지표이다. 즉, 데이터의 흩어짐 정도를 수치화한 것으로, 확률 분포의 퍼짐을 나타내는 산포도 중 하나이다. 분산이 클수록 확률 변수의 값들이 평균에서 멀리 퍼져 있음을 의미하며, 분산이 작을수록 값들이 평균 주위에 밀집되어 있음을 의미한다.

확률 변수 X의 분산은 보통 Var(X) 또는 σ²로 표기하며, 기대값 E를 사용하여 다음과 같이 정의된다. 분산은 확률 변수 X와 그 기대값 μ(=E(X))의 차이, 즉 편차의 제곱에 대한 기대값이다. 수식으로는 Var(X) = E[(X - μ)²]로 표현된다. 이는 편차의 부호 문제를 제곱을 통해 해결하면서도, 그 크기에 대한 평균적인 기여도를 구하는 것이다.

분산의 계산은 위 정의식에서 유도된 공식을 사용하는 것이 일반적이다. 이 공식은 Var(X) = E(X²) - [E(X)]² 이다. 즉, 확률 변수 제곱의 기대값에서 기대값의 제곱을 뺀 값이다. 이 공식을 사용하면 기대값 μ와 E(X²)만 계산하면 되므로, 실제 계산이 간편해진다. 분산의 제곱근을 취한 값을 표준편차라고 하며, σ로 표기한다. 표준편차는 원래 데이터와 단위가 일치한다는 장점이 있어 실제 해석에 더 자주 사용된다.

분산은 통계학의 기초 개념으로, 가설 검정, 회귀 분석, 분산 분석 등 다양한 분석의 핵심 요소로 작용한다. 또한 포트폴리오 이론에서 리스크를 정량화하는 지표로, 또는 품질 관리에서 공정의 변동성을 평가하는 지표로 응용되는 등 그 활용 범위가 매우 넓다.

조건부 기대값은 어떤 사건이나 다른 확률변수의 정보가 주어졌을 때의 확률변수의 기대값이다. 즉, 특정 조건 하에서의 평균값을 의미한다. 이는 새로운 정보를 바탕으로 기대값을 갱신하는 데 사용되며, 베이즈 정리와 깊은 연관이 있다. 조건부 기대값은 확률론과 통계학에서 예측, 추정 이론, 마르코프 과정 분석 등에 핵심적으로 활용된다.

조건부 기대값의 수학적 정의는 조건부 확률분포를 이용한다. 다른 확률변수 Y가 특정 값 y를 가질 때, 확률변수 X의 조건부 기대값 E(X | Y = y)는 X의 조건부 확률질량함수 또는 조건부 확률밀도함수를 이용해 계산한다. 이산형의 경우 Σ [x * P(X = x | Y = y)]로, 연속형의 경우 ∫ [x * f_{X|Y}(x | y)] dx로 구한다. 이 개념은 회귀 분석에서 종속변수의 기대값을 독립변수로 설명하는 모델의 근간이 된다.

조건부 기대값은 몇 가지 중요한 성질을 가진다. 첫째, 반복 기대의 법칙으로, E[ E(X | Y) ] = E(X)가 성립한다. 이는 조건을 평균내면 원래의 무조건부 기대값으로 돌아간다는 의미이다. 둘째, 일반적인 기대값의 선형성은 조건부 기대값에서도 그대로 유지된다. 또한, 조건부 기대값 E(X | Y) 자체가 Y에 의존하는 하나의 확률변수로 간주될 수 있다는 점이 특징이다.

이 개념은 금융공학에서 파생상품 가격 결정, 기계학습에서 손실 함수 최소화, 경제학에서 효용 극대화 문제 등 다양한 분야에서 응용된다. 특히 불확실성이 있는 상황에서 최적의 의사결정을 내리기 위한 이론적 도구로 널리 쓰인다.

큰 수의 법칙은 확률론과 통계학의 기본 정리 중 하나로, 동일한 조건에서 독립적으로 반복되는 시행에서 얻은 표본 평균이 시행 횟수가 무한히 증가함에 따라 이론적인 확률 분포의 기대값에 수렴한다는 법칙이다. 즉, 충분히 많은 시행을 거치면 표본 평균이 모집단의 평균에 가까워진다는 것을 보장한다. 이 법칙은 통계적 추론의 이론적 근간을 제공하며, 표본 조사를 통해 모집단의 특성을 추정할 수 있는 근거가 된다.

큰 수의 법칙은 약한 법칙과 강한 법칙으로 구분된다. 약한 큰 수의 법칙은 표본 평균이 확률 수렴한다는 것을 의미하며, 강한 큰 수의 법칙은 거의 확실하게 수렴한다는 더 강력한 형태이다. 이 법칙은 표본의 크기가 커질수록 표본 평균이 모평균에 근접할 가능성이 높아짐을 설명하지만, 특정 시행에서의 결과를 예측하는 것은 아니다. 이는 확률적 현상의 장기적 안정성을 수학적으로 기술한 것이다.

큰 수의 법칙은 다양한 응용 분야에서 핵심적인 역할을 한다. 보험 수리학에서는 보험 가입자 수가 많아질수록 실제 손해율이 기대 손해율에 가까워져 보험료 산정이 안정화된다. 경제학과 금융에서는 시장 효율성 가설이나 포트폴리오 이론의 근거가 되기도 한다. 또한, 몬테카를로 방법과 같은 계산 알고리즘은 큰 수의 법칙에 기반하여 복잡한 적분이나 시뮬레이션 문제를 해결한다.