한 번 성공했다면, 미지의 성공확률을 어떻게 추정할까요?

성공확률을0부터1까지 고르게 정한 모형에서, 한 번 성공을 관측한 뒤 그 성공확률의 분포가 어떻게 달라지는지 계산해요. 밀도의 높이와 한 점·한 구간의 확률이 같은 뜻인지도 구별해요.

초록 당구대 위 번호 없는 색 공 생성 이미지

이미지: AI 생성 · 수학 이야기

미지의 성공확률 p를 [0,1]에서 균등하게 정한 뒤, 정해진 p에서 성공할 확률이 p인 시행을 한 번 해요. 성공을 관측했어요. 관측 후 p의 밀도를 구하고 p>1/2일 확률을 계산해 보세요. 밀도 높이가2이면 확률도2일까요?

P(S∣p)=p,0≤p≤1.P(S\mid p)=p,\qquad 0\le p\le1.

성공 전체 확률은 ∫₀¹p dp=1/2입니다. 관측 후에는 p에 비례하던 높이를 이 값으로 나누어 밀도2p로 만들어요.

f(p∣S)=2p,P(p>1/2∣S)=∫1/212p dp=34.f(p\mid S)=2p,\quad P(p>1/2\mid S)=\int_{1/2}^1 2p\,dp=\frac34.

밀도는 높이고 확률은 구간 아래 넓이예요. p=1이라는 한 점의 확률은 여전히0입니다.

Bayes의 1763년 글은 미지의 성공확률이 어느 구간에 있을지를 관측 결과로 추론하는 문제를 다뤄요. 원문의 정사각형 균등 위치 관점을 한 번의 성공과 간단한 삼각형 넓이로 축소했어요. 현대 표기2p와 이 작은 수치는 자체 설명이에요.

자료 한 번이 p를1로 확정하지는 않아요. 처음에 p의 같은 길이 구간들을 같은 가능성으로 둔 조건과, 성공이 p가 큰 구간을 상대적으로 더 자주 선택하게 한다는 조건이 함께 쓰였어요. 다른 사전 모형을 쓰면 관측 뒤의 결과도 달라질 수 있어요.

교사는 “가장 높다”와 “그 점의 확률이 가장 크다”를 구별하게 해요. 교재의 확률밀도 정의를 붙여 높이가1을 넘어도 전체 넓이는1이라는 사실을 확인하고, 연속 구간을 하나의 가설처럼 읽을 때 범위를 명시해요.

착안: Thomas Bayes / Richard Price, An Essay towards solving a Problem in the Doctrine of Chances (1763), modern transcription. 수치·문항·해설은 자체 교육용으로 작성했어요.

이 글 공유하기

개인정보 및 방문 통계 안내