4.3 조건부 분포(Conditional Distribution)

$X$와 $Y$가 공간 $S$에서 $joint\;pmf\;f(x,y)$를 가진다.

marginal pmf는 공간 $S_X$와 $S_Y$에서 각각 $f_X(x),\;f_Y(y)$이다.

사건(event)$A = \{X=x\},\;B=\{Y=y\},\;(x,y) \in S$일때

$A \cap B = \{X=x, Y=y\}$ 이다.

왜냐하면

$$P(A \cap B) = P(X=x,\;Y=y)=f(x,y)$$

그리고

$$P(B)=P(Y=y) = f_Y(y)>0\;\;\;(since\;Y \in S_Y)$$

일 경우

사건 $B$가 주어질때 사건 $A$의 조건부확률(Conditional Probability)는

$$P(A|B)=\dfrac{P(A \cap B)}{P(B)}=\dfrac{f(x,y)}{f_Y(y)}$$

이다.

$Y=y$가 주어질때 $X$의 조건부 확률 질량 함수(Conditional pmf)는 아래처럼 정의된다.
$$g(x|y)=\dfrac{f(x,y)}{f_Y(y)},\;\;\;f_Y(y)>0$$

유사하게 $X=x$가 주어질 때 $Y$의 conditional pmf는 아래처럼 정의된다.
$$h(y|x)=\dfrac{f(x,y)}{f_X(x)},\;\;\;f_X(x)>0$$

 

conditional pmf도 확률이므로 확률의 법칙을 따른다

$$0 \leq h(y|x) \leq 1 \\ \sum_y h(y|x) = \sum_y \dfrac{f(x,y)}{f_X(x)}=\dfrac{f_X(x)}{f_X(x)}=1$$

$P(a< Y < b | X=x) = \sum_(y:a<y<b)h(y|x)$

조건부 기댓값(conditional expectation)의 경우

$E[Y|X=x] = \sum_y y \; h(y|x)$

그러므로

$E[u(Y)|X=x]=\sum_yu(y)h(y|x)$

 

$X=x$가 주어젔을때 $Y$의 conditional expectation value 들은 아래와 같다,

$\mu_{Y|x}=E(Y|x)=\sum_yy\;h(y|x)$

$\begin{align*} \sigma_{Y|X}^2&=E\{[Y-E(Y|x)]^2|x\}=\sum_y[y-E(Y|x)]^2h(y|x) \\&=E(Y^2|x)-[E(Y|x)]^2 \end{align*}$
$E(Y^2|x)=\sum_y y^2 h(y|x)$
$E(Y|x)=\sum_y y \; h(y|x)$

 

$Y=y$일때 $X$의 conditional mean은 변수 $y$에 대한 함수이다.

$X=x$일때 $Y$의 conditional mean은 변수 $x$에 대한 함수이다.

후자의 경우는 함수가 $x$의 linear function이라고 가정한다.

즉, $E(Y|x) = a+bx$의 형태를 띈다

위식에서 나오는 $a$와 $b$를 $\mu_X,\;\mu_Y,\;\sigma_X^2\;,\sigma_Y^2,\;\rho$

의 항으로 표현해보자.

$\rho = \dfrac{E(XY)}{\sigma_X \sigma_Y}$

위식에서 표준편차(standard deviation) $\sigma_X$와 $\sigma_Y$는 둘다 양수다.

추정하면 분모가 0이 아니므로 상관계수(correlation coefficient)는 존재한다.

$\mu_{Y|x}=E(Y|x)=\sum_y y\; h(y|x) = \sum y \; \dfrac{f(x,y)}{f_X(x)}=a + bx, \;\;\;\;for\;x \in S_x$

$S_X$는 $X$의 공간이고 $S_Y$는 $Y$의 공간이다. 그 결과

$\mu_{Y|x}f_X(x)=\sum_y y\;f(x,y)=(a+bx)f_X(x),\;\;\;for \; x \in S_X\;\;  \cdots \cdots(1)$

그리고

$$\begin{align*} \mu_{{}_Y} = \sum_{x \in S_X} \sum_y y\;f(x,y)= \sum_{x \in S_X}(a+bx)f_X(x) &= \sum_{x \in S_X}af_X(x) + \sum_{x \in S_X}bx f_X(x) \\ &=a+b \mu_{{}_X} \end{align*}$$

그러므로

$\mu_{{}_Y}= a + b \mu_{{}_X} \; \cdots \cdots (2)$

앞서 구한식 $\sum_y y\; f(x,y)=(a+bx)f_X(x)$를 통해

아래식을 구할 수 있다.(양변에 $x$의 합을 곱한다)

$\displaystyle \sum_{x \in S_X} \sum_y x y f(x,y) = \sum_{x \in S_X}(ax + bx^2)f_X(x)$

그러면

$E(XY) = aE(X) + bE(X^2)$

$\sigma_X^2 = E(X^2) - \{E(X)\}^2 = E(X^2) - \mu_{{}_X}^2$

이므로

$E(X^2) = \sigma_{{}_X}^2 + \mu_{{}_X}^2$

그리고

$\displaystyle \begin{align*} \rho = \dfrac{Cov(X,Y)}{\sigma_{{}_X} \sigma_{{}_Y}} = \dfrac{E(XY)-E(X)E(Y)}{\sigma_{{}_X}\sigma_{{}_Y}} &= \dfrac{aE(X)+bE(X^2)-E(X)E(Y)}{\sigma_{{}_X}\sigma_{{}_Y}} \\&=\dfrac{a \mu_{{}_X} + b(\sigma_{{}_X}^2 + \mu_{{}_X}^2) - \mu_{{}_X} \mu_{{}_Y}}{\sigma_{{}_X} \sigma_{{}_Y}} \end{align*}$

$\displaystyle \mu_{{}_X} \mu_{{}_Y} + \rho \sigma_{{}_X} \sigma_{{}_Y} = a \mu_{{}_X} + b(\sigma_{{}_X}^2 + \mu_{{}_X}^2)\; \cdots \cdots \; (3)$

식 $(2)$와 $(3)$을 통해서

$a=\mu_{{}_Y}-\rho \dfrac{\sigma_{{}_Y}}{\sigma_{{}_Y}} \;\; and \;\; b=\rho \dfrac{\sigma_{{}_Y}}{\mu_{{}_X}}$

만약 $E(Y|x)$가 linear 하다면 아래식과 같음을 암시 가능하다.
$$E(Y|x) = \mu_{{}_Y} + \rho \dfrac{\sigma_{{}_Y}}{\sigma_{{}_X}}(x - \mu_{{}_X})$$
반대의 경우는
$$E(X|y) = \mu_{{}_X} + \rho \dfrac{\sigma_{{}_X}}{\sigma_{{}_Y}}(y - \mu_{{}_Y})$$

위 식에서 각 직선은

$x = \mu_{{}_X}$, $E(Y|x = \mu_{{}_X}) = \mu_{{}_Y}$을 지나고

$y = \mu_{{}_Y},\; E(X|y = \mu_{{}_Y}) = \mu_{{}_X}$을 지난다는 점에서

두 직선은 각각 $(\mu_{{}_X}, \mu_{{}_Y})$을 지남을 알 수 있다.

게다가 $E(Y|x)$에서 $x$의 계수인 $\displaystyle \rho \dfrac{\sigma_{{}_Y}}{\sigma_{{}_X}}$와

$E(X|y)$에서 $y$의 계수인 $\displaystyle \rho \dfrac{\sigma_{{}_X}}{\sigma_{{}_Y}}$ 의 곱은

$\rho^2$과 같음을 알 수 있다.

그리고 이들의 비율은 $\displaystyle \dfrac{\sigma_{{}_Y}^2}{\sigma_{{}_X}^2}$과 같다,

이 직관은 아래와 같은 예제에서 유용히 쓰인다.