확률·통계이항분포#253

이항분포

Binomial Distribution

이항분포는 성공확률이 일정한 독립시행을 정해진 횟수만큼 반복할 때 성공 횟수의 분포다. 조합으로 각 횟수의 확률을 구하고, 평균·분산·표준편차와 모형이 성립하는 조건을 확인한다.

읽는 시간
약 7분
선수 개념
독립시행기댓값

직관 — 결과의 순서를 접고 성공 횟수만 남기기

직관

네 번의 시도에서 성공과 실패를 차례로 적어 보자. 성공이 두 번인 기록도 순서는 여러 가지다. 순서를 접어 두고 성공 횟수만 세면 같은 횟수의 기록들이 한데 모인다.

각 기록은 독립시행의 결과이고, 성공 횟수 XX가 확률변수다. 같은 횟수로 모이는 기록 수와 한 기록의 확률을 곱하면 이항분포를 만들 수 있다.

이항분포에는 시행 수·같은 성공확률·독립이 필요하다

이항분포는 같은 성공확률 pp로 독립시행을 nn번 반복했을 때 성공 횟수의 분포다. 한 시행을 성공/실패 두 범주로 구분하고, 시행 수는 미리 정한다. 성공은 반드시 좋은 결과라는 뜻이 아니라 세기로 정한 사건의 이름이다.

보통 nn은 양의 정수이고 0≤p≤10\le p\le1이다. 시행을 하지 않는 n=0n=0도 따로 허용하면 성공 횟수는 항상 0이다. 이항분포를 따른다는 표기는 다음과 같다.

X∼B(n,p).(1)X\sim B(n,p).\tag{1}
정의
기호이름원어뜻
XX성공 횟수number of successesnn번 중 성공한 횟수
nn시행 수number of trials미리 고정한 0 이상의 정수
pp성공확률success probability각 시행에서 같은 값
1−p1-p실패확률failure probability성공이 아닐 확률
B(n,p)B(n,p)이항분포binomial distribution두 수 n,pn,p로 정하는 분포
kk성공 횟수의 값success count0,1,…,n0,1,\ldots,n 중 하나
nCk{}_nC_k조합의 수number of combinationsnn개 위치 중 성공할 kk개를 고르는 수
σ(X)\sigma(X)표준편차standard deviation분산의 음이 아닌 제곱근

교과서는 실패확률 1−p1-p를 qq로 써서 분산을 npqnpq처럼 적는다. 영문 자료의 (nk)\binom nk는 교과서 표기 nCk{}_nC_k와 같다.

‘확률이 같다’와 ‘독립’은 따로 확인한다. 첫 결과를 그대로 복사하는 두 번째 시행은 각각 성공확률이 1/21/2여도 독립이 아니다. 반대로 독립인 두 장치의 성공확률이 각각 1/21/2와 1/31/3이면 같은 pp 조건을 만족하지 않는다.

정확히 두 번 성공할 확률에는 왜 조합을 곱할까?

가상 장치가 한 번에 성공할 확률을 1/41/4로 두고, 조건을 바꾸지 않은 네 번의 시도가 독립이라고 가정한다. 식 (1)의 표기로 X∼B(4,1/4)X\sim B(4,1/4)이며, 특정 순서 ‘성공·성공·실패·실패’의 확률은 (1/4)2(3/4)2=9/256(1/4)^2(3/4)^2=9/256이다.

그림 1은 네 번 시행의 기록 16개를 성공 횟수별로 모은 것이다. 성공이 두 번인 묶음에는 성공 위치 두 개를 고르는 4C2=6{}_4C_2=6개의 기록이 있다. 이 여섯 순서는 서로 배반이고 확률이 모두 9/2569/256이므로 더한다.

네 번 시행한 기록 16개를 성공(채운 점)과 실패(빈 점)로 나타내고 성공 횟수 k별로 모았다. 아래 수는 묶음 안의 기록 수 _4C_k로 1, 4, 6, 4, 1이다. 성공확률이 1/4이면 한 기록의 확률은 위치와 상관없이 3^4-k/256이다.
그림 1 네 번 시행한 기록 16개를 성공(채운 점)과 실패(빈 점)로 나타내고 성공 횟수 k별로 모았다. 아래 수는 묶음 안의 기록 수 4Ck{}_4C_k로 1, 4, 6, 4, 1이다. 성공확률이 1/4이면 한 기록의 확률은 위치와 상관없이 34−k/2563^{4-k}/256이다. figures/success_records.py
P(X=2)=4C2(14)2(34)2=6⋅9256=27128.(2)P(X=2)={}_4C_2\left(\frac14\right)^2\left(\frac34\right)^2 =6\cdot\frac9{256}=\frac{27}{128}.\tag{2}

일반적으로 성공 위치 kk개를 고르는 방법이 nCk{}_nC_k가지이고 각 순서의 확률은 같다. 0<p<10<p<1일 때 식 (3)을 얻는다.

P(X=k)=nCk pk(1−p)n−k,k=0,1,…,n.(3)P(X=k)={}_nC_k\, p^k(1-p)^{n-k},\qquad k=0,1,\ldots,n.\tag{3}

여기서 nCk{}_nC_k는 조합의 수이다. q=1−pq=1-p로 쓰면 식 (3)의 확률들은 이항정리로 (q+p)n(q+p)^n을 전개한 각 항과 같다. 그래서 모든 성공 횟수의 확률을 합하면 (q+p)n=1n=1(q+p)^n=1^n=1이고, 이항분포라는 이름도 여기서 왔다.

다음 표는 식 (3)을 다섯 번 적용한 결과다. 그림 2에서 같은 값들을 막대 높이로 비교한다.

kk01234
P(X=k)P(X=k)81/25681/256108/256108/25654/25654/25612/25612/2561/2561/256
n=4, p=1/4일 때 성공 횟수별 확률. 막대 위 분자는 공통 분모 256에 대한 값이다. 강조한 k=2의 확률은 54/256=27/128이다.
그림 2 n=4, p=1/4일 때 성공 횟수별 확률. 막대 위 분자는 공통 분모 256에 대한 값이다. 강조한 k=2의 확률은 54/256=27/128이다. figures/binomial_four.py

적어도·이하 조건은 어떤 막대를 더할까?

‘적어도 한 번’은 1, 2, 3, 4를 포함한다. 성공이 한 번도 없는 여사건으로 계산하면 더 짧다.

P(X≥1)=1−P(X=0)=1−81256=175256.(4)P(X\ge1)=1-P(X=0)=1-\frac{81}{256}=\frac{175}{256}.\tag{4}

‘두 번 이하’는 0, 1, 2이므로 P(X≤2)=(81+108+54)/256=243/256P(X\le2)=(81+108+54)/256=243/256이다. ‘두 번 미만’은 0과 1만 포함하여 189/256189/256이다. 이산형에서는 경계의 확률이 0이 아닐 수 있으므로 등호를 함부로 빼면 안 된다.

이항분포에서 p가 0이나 1이면 어떻게 하나요?

p=0p=0이면 X=0X=0의 확률이 1이고, p=1p=1이면 X=nX=n의 확률이 1이다. 거듭제곱식에 000^0을 대입하지 않고 이처럼 분포를 직접 정한다. n=0n=0도 항상 0인 분포다.

이항분포의 평균과 표준편차는 어떻게 구할까?

X∼B(n,p)X\sim B(n,p)의 평균·분산·표준편차는 식 (5)와 같다. 이항분포에 대해 성립하는 정리로 사용하며, 여기서는 이 공식을 증명하는 문제를 다루지 않는다.

E(X)=np,V(X)=np(1−p),σ(X)=np(1−p).(5)E(X)=np,\qquad V(X)=np(1-p),\qquad \sigma(X)=\sqrt{np(1-p)}.\tag{5}

교과서 기호로는 V(X)=npqV(X)=npq, σ(X)=npq\sigma(X)=\sqrt{npq}이다. 예제에서 평균은 4×1/4=14\times1/4=1, 분산은 4×1/4×3/4=3/44\times1/4\times3/4=3/4, 표준편차는 3/2≈0.866\sqrt3/2\approx0.866이다. 표로도 E(X)=(108+108+36+4)/256=1E(X)=(108+108+36+4)/256=1을 얻는다. 제곱의 기댓값은 (108+216+108+16)/256=7/4(108+216+108+16)/256=7/4이므로 분산은 7/4−12=3/47/4-1^2=3/4이다. 이 계산은 n=4,p=1/4n=4,p=1/4의 확인이지 모든 n,pn,p에 대한 증명이 아니다.

시행 한 번만 보면 성공 횟수는 1(확률 pp) 또는 0(확률 1−p1-p)이어서 평균 pp, 분산 p−p2=p(1−p)p-p^2=p(1-p)이다. 식 (5)는 이것을 nn번 쌓은 값으로 읽을 수 있다. 분산까지 nn배로 쌓이는 데에는 시행들이 서로 독립이라는 조건이 쓰인다.

식 (5)가 모든 n과 p에서 성립하는 이유

확률과 통계 교육과정은 이 식을 증명하는 문제를 다루지 않으므로, 공식을 쓰는 데 이 보충이 꼭 필요하지는 않다. 이유까지 확인하려는 독자를 위해 n≥1n\ge1, 0<p<10<p<1, q=1−pq=1-p에서 정리한다. 열쇠는 1≤k≤n1\le k\le n에서 k⋅nCk=n⋅n−1Ck−1k\cdot{}_nC_k=n\cdot{}_{n-1}C_{k-1}라는 성질이다. 양변을 계승으로 쓰면 둘 다 n!(k−1)! (n−k)!\dfrac{n!}{(k-1)!\,(n-k)!}이다.

E(X)=∑k=1nk nCk pkqn−k=np∑k=1nn−1Ck−1 pk−1qn−k=np (p+q)n−1=np.(6)\begin{aligned} E(X)&=\sum_{k=1}^{n}k\,{}_nC_k\,p^kq^{n-k} =np\sum_{k=1}^{n}{}_{n-1}C_{k-1}\,p^{k-1}q^{n-k}\\ &=np\,(p+q)^{n-1}=np. \end{aligned}\tag{6}

k=0k=0인 항은 0이라 합에서 뺐다. 식 (6)의 둘째 줄은 j=k−1j=k-1로 바꾼 합이 (p+q)n−1(p+q)^{n-1}의 이항전개라는 뜻이다. 같은 방법을 두 번 쓰면 2≤k≤n2\le k\le n에서 k(k−1) nCk=n(n−1) n−2Ck−2k(k-1)\,{}_nC_k=n(n-1)\,{}_{n-2}C_{k-2}이므로 다음을 얻는다.

E(X(X−1))=n(n−1)p2,V(X)=E(X(X−1))+E(X)−{E(X)}2.(7)E(X(X-1))=n(n-1)p^2,\qquad V(X)=E(X(X-1))+E(X)-\{E(X)\}^2.\tag{7}

식 (7)의 첫 식은 n=1n=1이면 해당 합이 비어 E(X(X−1))=0E(X(X-1))=0이 되므로 그대로 맞는다. 둘째 식은 E(X2)=E(X(X−1))+E(X)E(X^2)=E(X(X-1))+E(X)를 기댓값의 공식 V(X)=E(X2)−{E(X)}2V(X)=E(X^2)-\{E(X)\}^2에 넣은 것이다. 대입하면 n(n−1)p2+np−n2p2=np(1−p)n(n-1)p^2+np-n^2p^2=np(1-p)이다. p=0p=0이나 1이면 분포가 한 값에 몰려 평균 npnp, 분산 0이므로 식 (5)가 그대로 성립한다.

그림 3은 시행 수를 8로 고정하고 성공확률만 1/41/4에서 3/43/4로 바꾼 비교다. 평균은 2에서 6으로 바뀌지만 분산은 둘 다 3/23/2이다. 성공과 실패를 서로 바꿔 세면 kk와 8−k8-k의 확률이 대응한다.

n=8을 고정하고 p=1/4(위), p=3/4(아래)를 비교했다. 두 분포의 평균은 2와 6이고 분산은 모두 3/2다. 이 그림은 p를 고정하고 n을 늘리는 비교와 구별한다.
그림 3 n=8을 고정하고 p=1/4(위), p=3/4(아래)를 비교했다. 두 분포의 평균은 2와 6이고 분산은 모두 3/2다. 이 그림은 p를 고정하고 n을 늘리는 비교와 구별한다. figures/binomial_shapes.py

이항분포의 그래프는 언제 좌우대칭인가요?

이항분포의 그래프는 성공확률이 p=1/2p=1/2일 때 좌우대칭이다. nCk=nCn−k{}_nC_k={}_nC_{n-k}이고 p=1−pp=1-p이므로 P(X=k)=P(X=n−k)P(X=k)=P(X=n-k)가 된다. 예를 들어 B(4,1/2)B(4,1/2)의 확률은 차례로 1/16,4/16,6/16,4/16,1/161/16,4/16,6/16,4/16,1/16이다. p≠1/2p\ne1/2이면 그림 3처럼 한쪽으로 치우친다.

이항분포의 평균·분산을 쓰는 두 가지 대표 유형

첫째는 평균과 분산에서 nn과 pp를 거꾸로 구하는 문제다. X∼B(n,p)X\sim B(n,p)에서 E(X)=6E(X)=6, V(X)=4V(X)=4라면 분산을 평균으로 나눠 실패확률부터 얻는다.

V(X)E(X)=np(1−p)np=1−p=46=23.(8)\frac{V(X)}{E(X)}=\frac{np(1-p)}{np}=1-p=\frac46=\frac23.\tag{8}

따라서 p=1/3p=1/3이고, np=6np=6에서 n=18n=18이다. 식 (8)에서 1−p≤11-p\le1이므로, 평균이 양수인 이항분포의 분산은 평균보다 클 수 없다.

둘째는 성공 횟수를 점수로 바꾸는 문제다. 공정한 동전을 독립적으로 10번 던져 앞면이 나오면 2점을 얻고, 뒷면이 나오면 1점을 잃는다고 하자. 앞면 횟수 X∼B(10,1/2)X\sim B(10,1/2)로 점수를 쓰면 S=2X−(10−X)=3X−10S=2X-(10-X)=3X-10이다. E(X)=5E(X)=5, V(X)=5/2V(X)=5/2이므로 기댓값의 선형변환 성질을 쓴다.

E(S)=3×5−10=5,V(S)=32×52=452.(9)E(S)=3\times5-10=5,\qquad V(S)=3^2\times\frac52=\frac{45}2.\tag{9}

표준편차는 45/2≈4.74\sqrt{45/2}\approx4.74점이다. 뒷면 횟수를 따로 세지 않고 10−X10-X로 써서 확률변수 하나로 나타낸 것이 요령이다.

성공 비율이 확률에 가까워진다는 말은 무슨 뜻일까?

pp를 고정하고 같은 독립시행을 많이 반복하면 성공 비율이 pp에서 크게 벗어날 가능성이 작아진다. 이것이 큰 수의 법칙이 설명하는 방향이다. n>0n>0에서 성공 비율은 X/nX/n이고, 선형변환의 성질로 평균은 pp, 분산은 p(1−p)/np(1-p)/n이다.

예를 들어 p=1/4p=1/4에서 n=4n=4일 때 비율의 분산은 3/643/64이고 n=100n=100이면 3/16003/1600이다. 이 퍼짐의 감소는 한 번 더 시행할 때마다 실제 비율이 반드시 pp에 가까워진다는 뜻이 아니다. 특정 실험에서 나온 경로와 실험을 반복했을 때의 분포를 구별한다.

그림 4는 p=1/4p=1/4에서 성공 비율이 pp에서 허용 차이 ε=0.1\varepsilon=0.1 이상 벗어날 확률을 n=4n=4부터 200까지 이항확률로 정확히 더한 것이다. n=8n=8에서 0.689이던 확률이 n=100n=100에서는 0.028로 작아진다. 다만 곡선은 들쭉날쭉해서, nn이 하나 커졌는데 확률이 오히려 커지는 곳도 있다. 파선은 아래 보충의 상한 p(1−p)/(nε2)p(1-p)/(n\varepsilon^2)이며, n=100n=100에서 0.18750.1875로 실제 확률보다 크다.

성공확률 p=1/4인 독립시행 n번에서 성공 비율 X/n이 1/4에서 0.1 이상 벗어날 정확한 확률(실선)과 상한 p(1−p)/(nε²)(파선). n=8에서 0.689, n=100에서 0.028이며, 그린 범위 전체에서 실제 확률은 상한을 넘지 않는다.
그림 4 성공확률 p=1/4인 독립시행 n번에서 성공 비율 X/n이 1/4에서 0.1 이상 벗어날 정확한 확률(실선)과 상한 p(1−p)/(nε²)(파선). n=8에서 0.689, n=100에서 0.028이며, 그린 범위 전체에서 실제 확률은 상한을 넘지 않는다. figures/lln_tail.py
성공 비율의 큰 수의 법칙을 확률로 확인하기

전문 수학에서는 성공 비율이 확률에 가까워진다는 말을 정량적으로 읽는다. 성공확률 pp를 고정하고, 같은 확률의 독립시행을 양의 정수 nn번 반복하자. X∼B(n,p)X\sim B(n,p)이고 Y=X/nY=X/n이다. E(Y)=pE(Y)=p, V(Y)=p(1−p)/nV(Y)=p(1-p)/n을 이용하면, 미리 고정한 어떤 양수 ε\varepsilon에 대해서도

0≤P(∣Y−p∣≥ε)≤p(1−p)nε2⟶0(n⟶∞).(10)0\le P\bigl(|Y-p|\ge\varepsilon\bigr) \le \frac{p(1-p)}{n\varepsilon^2} \longrightarrow 0\qquad(n\longrightarrow\infty). \tag{10}

ε\varepsilon은 성공 비율과 pp 사이에서 허용할 차이의 크기다. 부등식의 이유를 유한한 확률표로 확인하자. YY의 가능한 값을 yk=k/ny_k=k/n, 그 확률을 qk=P(Y=yk)q_k=P(Y=y_k)라 쓰면

V(Y)=∑k=0n(yk−p)2qk≥∑∣yk−p∣≥ε(yk−p)2qk≥ε2∑∣yk−p∣≥εqk=ε2P(∣Y−p∣≥ε).(11)\begin{aligned} V(Y)&=\sum_{k=0}^{n}(y_k-p)^2q_k\\ &\ge\sum_{|y_k-p|\ge\varepsilon}(y_k-p)^2q_k\\ &\ge\varepsilon^2\sum_{|y_k-p|\ge\varepsilon}q_k =\varepsilon^2P(|Y-p|\ge\varepsilon). \end{aligned} \tag{11}

첫 부등식은 음수가 아닌 항 중 일부만 남긴 것이다. 남긴 항에서는 제곱한 차이가 ε2\varepsilon^2 이상이므로 둘째 부등식을 얻는다. 양수 ε2\varepsilon^2로 나누고 분산식을 넣으면 식 (10)이다.

이 유도는 임의의 양의 정수 nn에 적용되며 몇 개의 시행 수만 비교한 실험이 아니다. p=0p=0이나 1이면 Y=pY=p의 확률이 1이므로 왼쪽 확률도 0이다. 시행이 없는 n=0n=0에서는 X/nX/n을 정의하지 않는다.

예를 들어 p=1/2p=1/2, n=1000n=1000, ε=1/20\varepsilon=1/20이면 상한은 (1/4)/(1000/400)=1/10(1/4)/(1000/400)=1/10이다. 성공 비율이 1/21/2에서 0.05 이상 벗어날 확률이 0.1 이하라는 뜻이지 정확히 0.1이라는 뜻은 아니다. 식 (11)의 일반 부등식은 체비쇼프 부등식의 이 유한분포 경우다. 여기서는 이를 이항분포의 성공 비율에 적용했으며 더 넓은 확률변수에 대한 정리로 범위를 넓히지 않는다.

공을 다시 넣지 않고 뽑아도 이항분포인가요?

두 번 이상 뽑는다면 보통 이항분포가 아니다. 빨강 2개·파랑 2개에서 두 개를 비복원 추출하면 두 번 모두 빨강일 확률은 (2/4)(1/3)=1/6(2/4)(1/3)=1/6이다. 독립이라고 잘못 가정한 (1/2)2=1/4(1/2)^2=1/4와 다르다. 첫 추출 뒤 성공확률이 바뀐다.

성공이 처음 나올 때까지 계속하면 이항분포인가요?

시행 수가 미리 고정되지 않으므로 이 글의 이항분포 모형이 아니다. 성공 횟수 대신 기다린 시행 수를 세는 다른 문제다. ‘반복한다’는 말만으로 이항분포를 고르지 않는다.

핵심

이항분포 B(n,p)는 0 이상의 정수 n과 0≤p≤1에 대해 같은 성공확률 p의 독립시행 n번에서 성공 횟수를 센다. 확률은 성공 위치의 조합으로, 평균과 분산은 np와 np(1−p)로 구한다.

이항분포의 흔한 오해

  • 정확히 두 번 성공할 확률은 한 순서의 확률이다. — 예제의 한 순서는 9/2569/256이지만, 성공 위치가 6가지라서 전체는 54/25654/256이다.
  • 같은 평균이면 이항분포도 같다. — B(4,1/4)B(4,1/4)와 B(2,1/2)B(2,1/2)는 평균 1이 같지만 분산은 3/43/4와 1/21/2로 다르다. 두 매개변수를 함께 확인한다.
  • 시행 수가 늘면 성공 횟수의 퍼짐도 줄어든다. — 줄어드는 것은 성공 비율 X/nX/n의 분산이다. p=1/4p=1/4에서 nn을 4에서 100으로 늘리면 V(X)V(X)는 3/43/4에서 75/4=18.7575/4=18.75로 커지고, V(X/n)V(X/n)은 3/643/64에서 3/16003/1600으로 작아진다.

직접 해보기

  1. W∼B(5,1/5)W\sim B(5,1/5)일 때 P(W=0)P(W=0), P(W≤1)P(W\le1)을 구하라.
  2. 발아율이 80%인 씨앗 2,500개를 심는다. 각 씨앗의 발아가 서로 독립이라고 할 때, 발아하는 씨앗 수의 평균·분산·표준편차를 구하라.
  3. X∼B(n,p)X\sim B(n,p)의 평균이 12, 분산이 9이다. nn, pp, σ(X)\sigma(X)와 E(X2)E(X^2)을 구하라.
  4. 빨강 3개·파랑 2개가 든 주머니에서 두 번 뽑는다. 매번 다시 넣고 섞는 경우와 넣지 않는 경우의 ‘모두 빨강’ 확률을 각각 구하고 이항모형 조건을 비교하라.
  5. 성공확률 1/31/3의 독립시행을 900번 한다. 성공 비율이 1/31/3에서 1/151/15 이상 벗어날 확률의 상한을 식 (10)으로 구하라. 이 값이 정확한 확률인지도 설명하라.
답과 풀이
  1. P(W=0)=(4/5)5=1024/3125P(W=0)=(4/5)^5=1024/3125이고, P(W=1)=5(1/5)(4/5)4=1280/3125P(W=1)=5(1/5)(4/5)^4=1280/3125이다. 더하면 P(W≤1)=2304/3125P(W\le1)=2304/3125이다.
  2. 발아하는 씨앗 수는 B(2500,4/5)B(2500,4/5)를 따른다. 평균은 2500×4/5=20002500\times4/5=2000, 분산은 2000×1/5=4002000\times1/5=400, 표준편차는 400=20\sqrt{400}=20이다.
  3. 식 (8)처럼 1−p=9/12=3/41-p=9/12=3/4이므로 p=1/4p=1/4, n=12÷(1/4)=48n=12\div(1/4)=48이다. σ(X)=9=3\sigma(X)=\sqrt9=3이고, E(X2)=V(X)+{E(X)}2=9+144=153E(X^2)=V(X)+\{E(X)\}^2=9+144=153이다.
  4. 복원 후 독립적으로 뽑는 모형이면 (3/5)2=9/25(3/5)^2=9/25이다. 비복원은 (3/5)(2/4)=3/10(3/5)(2/4)=3/10이다. 후자는 첫 결과에 따라 다음 확률이 달라져 같은 독립시행 모형이 아니다.
  5. 분자는 (1/3)(2/3)=2/9(1/3)(2/3)=2/9, 분모는 900(1/15)2=4900(1/15)^2=4다. 따라서 확률은 (2/9)/4=1/18(2/9)/4=1/18 이하이다. 이는 상한이며 정확한 이항확률의 합과 등호라고 주장하지 않는다.

다음 정규분포와 이항분포의 정규근사에서는 이산 막대와 연속곡선의 관계를 비교한다.

더 읽기

  • 교육부 2022 개정 수학과 교육과정 — [12확통03-03] 및 고려사항. 평균·분산 공식을 증명하는 문제는 제외한다.
  • OpenStax, 이항분포 4.3절 — Illowsky·Dean, 2023. 고정 시행 수·독립·같은 성공확률 조건과 평균·분산 공식을 참고했다. 본문의 장치와 주머니 수치는 직접 구성했다.
  • MIT 18.200, Tail Bounds 강의노트 — Ankur Moitra, 2024. 앞의 3쪽에서 음이 아닌 항의 합으로 얻는 확률 상한과 약한 큰 수의 법칙을 확인했다. 접힌 설명은 이항분포의 유한 확률표에 맞춰 직접 전개했다.

영상 노트

영상 노트
  • 00:00 네 번의 성공 기록을 그림 1처럼 횟수로 모으기
  • 00:40 시행 수·확률·독립 조건 구별하기, 교과서 기호 q와 nCk
  • 01:40 여섯 순서를 더해 식 (2), 일반식 (3)과 이항정리의 연결 설명하기
  • 02:40 그림 2와 확률표로 식 (4)와 두 번 이하 계산하기
  • 03:30 식 (5)의 공식을 적용하고 이 예의 표로 검산하기, 시행 한 번의 평균 p
  • 04:30 그림 3의 고정한 값과 바꾼 값 확인하고 대칭 조건 짚기
  • 05:20 식 (8)로 n과 p 거꾸로 구하기, 식 (9)로 점수의 평균·분산 구하기
  • 06:30 그림 4에서 벗어날 확률과 상한 비교하기
  • 07:20 비복원 반례와 큰 수의 법칙의 해석 범위 정리하기

지도에서의 위치

이 페이지의 기록
  1. 2026-11-17 · 전문 수학 보충 — 성공 비율의 큰 수의 법칙을 확률 상한과 일반 부등식으로 설명
  2. 2026-11-16 · 교과 범위의 정의·중간 계산·변형 연습과 그림을 작성한 에이전트 초안
  3. 2026-11-17 · 전수 검수 반영 — 조합 기호를 교과서 표기로 맞추고 q=1−p와 이항정리의 연결, 평균·분산의 이유(접힌 보충), 평균·분산에서 n과 p 구하기와 점수 변환 유형, 대칭 질문, 성공 횟수와 성공 비율의 분산 오해, 벗어날 확률의 정확한 값 그래프를 보강하고 해보기를 바꿈 (에이전트 수정, 그림 2→4)
  4. 2026-11-17 · 전수 검수(에이전트 편집·독립 검증) 통과 — 주인 요청으로 완성으로 올림