Crocus

지수분포 개념 및 예제

가누 — Wed, 6 Mar 2024 17:04:04 +0900

1. 지수 분포란?

지수 분포는 일정 시간 동안 독립적으로 발생하는 사건의 횟수가 포아송 분포를 따를 때, 다음 사건이 발생하기까지의 대기 시간을 모델링하는 연속 확률 분포입니다.
이 분포는 양의 값을 가지며, 시간이 지날수록 사건이 발생할 확률이 줄어듭니다.

지수 분포는 포아송 분포와 밀접한 관련이 있습니다.
포아송 분포가 일정 시간 동안 발생하는 사건의 횟수를 모델링한다면, 지수 분포는 연속적인 두 사건 사이의 대기 시간을 모델링합니다.

2. 지수 분포의 특성

지수 분포의 주요 특성은 다음과 같습니다:

평균은 1/λ 이고, 분산은 1/(λ^2) 입니다.
시간이 지날수록 사건 발생 확률이 감소합니다.
사건의 발생 횟수가 많아질수록 그 사건이 다시 발생할 확률은 낮아집니다.

3. 실생활 예시

지수 분포는 다음과 같은 상황에서 사용될 수 있습니다:

버스 정류장에서 버스를 기다리는 시간
- 평균 15분마다 한 대씩 오는 버스 정류장에서, 다음 버스가 도착하기까지의 대기 시간을 예측할 수 있습니다.
고장 나기 전의 기계 부품 사용 시간
- 특정 기계 부품이 평균적으로 1000시간 사용 후에 고장 난다고 할 때, 다음 고장까지의 사용 시간을 예측할 수 있습니다.
콜센터에 걸려오는 다음 전화까지의 시간
- 콜센터에서 평균적으로 10분에 한 번씩 전화가 걸려온다면, 다음 전화가 걸려오기까지의 대기 시간을 예측할 수 있습니다.

4. 지수 분포의 구현

scipy 라이브러리의 e 클래스를 이용할 수 있습니다.

import scipy.stats as stats

# 지수 분포 설정
lambda_ = 0.5  # 사건의 평균 발생률 (예: 평균 2시간마다 1건의 사건 발생)
exp_dist = stats.expon(scale=1/lambda_)

# 확률 및 기대값, 분산 계산
print(f"P(X<=1): {exp_dist.cdf(1)}")  # 1시간 이내에 사건이 발생할 확률
print(f"기대값: {exp_dist.mean()}")  # 기대값
print(f"분산: {exp_dist.var()}")  # 분산

두번째로 버스 정류장에서 버스를 기다리는 시간을 지수 분포를 이용해 구현해 보겠습니다.

import scipy.stats as stats

# 지수 분포 설정
lambda_ = 1 / 15  # 평균 15분마다 버스가 도착
exp_dist = stats.expon(scale=1/lambda_)

# 대기 시간 확률 계산
print(f"P(X<=5): {exp_dist.cdf(5)}")  # 5분 이내에 버스가 도착할 확률
print(f"P(5<X<=10): {exp_dist.cdf(10) - exp_dist.cdf(5)}")  # 5분에서 10분 사이에 버스가 도착할 확률
print(f"기대값: {exp_dist.mean()}분")  # 평균 대기 시간
print(f"분산: {exp_dist.var()}")  # 분산

포아송 분포 개념 및 실생활 예제와 코드

가누 — Mon, 4 Mar 2024 16:46:20 +0900

1. 포아송 분포란?

포아송 분포는 일정한 단위 시간, 거리, 면적 등에서 랜덤하게 발생하는 사건의 분포를 나타내는 이산 확률 분포입니다. 이 분포는 특정 구간에서 일어나는 독립적인 사건의 수를 예측하는 데 사용됩니다.

즉, 포아송 분포는 일상생활에서 자주 발생하는 랜덤 사건들을 모델링하는 데 유용합니다. 은행에서의 고객 방문 수, 콜센터로의 전화 통화 수 등을 예측하는 데 이 분포를 활용할 수 있습니다. 이러한 이해는 데이터 분석 및 의사결정 과정에서 매우 중요한 역할을 합니다.

2. 포아송 분포의 적용 조건

포아송 분포를 적용하기 위한 조건은 다음과 같습니다:

구간마다 발생하는 사건은 서로 독립적입니다.
사건의 발생 확률은 구간의 길이에 비례합니다.
아주 작은 구간에서 사건이 발생할 확률은 무시할 만합니다.
구간마다 확률 분포는 일정합니다.

3. 포아송 분포의 활용 예시

실생활에서 포아송 분포는 다양하게 활용됩니다. 예를 들면:

은행 방문 고객 수 예측
- 예를 들어, 한 은행 지점에 평균적으로 1시간에 10명의 고객이 방문한다고 합시다. 이 정보를 바탕으로, 특정 시간대에 15명 이상의 고객이 방문할 확률을 계산할 수 있습니다.
콜센터 전화 통화 수
- 콜센터에 하루 평균 300통의 전화가 걸려온다고 가정해 봅시다. 이를 바탕으로, 어떤 날에 350통 이상의 전화가 걸려올 확률을 계산할 수 있습니다.
도서관의 도서 대출 건수
- 평일 하루 평균 200권의 도서가 대출된다고 가정할 때, 특정 평일에 250권 이상 대출될 확률을 예측할 수 있습니다.
공장의 불량품 발생 건수
- 한 공장에서 하루 평균 5개의 불량품이 발생한다고 할 때, 어느 날 10개 이상의 불량품이 발생할 확률을 계산할 수 있습니다.

4. 포아송 분포의 특징

포아송 분포에서 사건 발생 빈도, 평균, 분산은 모두 λ(람다)로 표현됩니다. λ 값이 클수록 분포는 정규 분포에 가까워집니다.

5. 파이썬을 이용한 포아송 분포의 구현

파이썬을 사용하여 포아송 분포를 시뮬레이션해 보겠습니다. scipy 라이브러리의 poisson 클래스를 활용할 수 있습니다.

import scipy.stats as stats

# 포아송 분포 계산
lambda_ = 3  # 예를 들어, 1시간 동안 평균 3건의 사건이 발생한다고 가정
poisson_dist = stats.poisson(lambda_)

# 확률 및 기대값, 분산 계산
print(f"P(X=5): {poisson_dist.pmf(5)}")  # 5건의 사건이 발생할 확률
print(f"기대값: {poisson_dist.mean()}")  # 기대값
print(f"분산: {poisson_dist.var()}")  # 분산

이항분포 개념 및 코드 예제

가누 — Sun, 3 Mar 2024 16:39:07 +0900

1. 이항분포

이항분포는 베르누이 실험을 n번 반복했을 때의 확률분포입니다. 베르누이 실험은 두 가지 결과(성공 또는 실패)만을 가지는 실험입니다. 이항분포는 성공의 확률을 p, 실패의 확률을 q(=1-p)라 할 때, n번의 시행 중 x번 성공할 확률을 나타내며, 수학적으로는 P(X = x) = nCx * p^x * q^(n-x) = n!/(n-x)!x! * p^x * (1-p)^(n-x)로 표현됩니다.

2. 이항분포의 조건

이항분포는 다음과 같은 조건을 만족합니다:

실험은 n번 반복됩니다.
각 시행은 상호 배타적인 두 결과(성공 또는 실패)를 갖습니다.
각 시행은 독립적입니다.
각 시행에서의 성공 확률 p는 일정합니다.
확률변수 X는 n번의 시행 중 성공 횟수를 나타냅니다.

3. 이항분포의 특징

이항분포의 형태는 시행 횟수 n과 성공 확률 p에 따라 다릅니다:

p가 0.5에 가까우면, n의 크기에 관계없이 좌우대칭 종모양 형태를 나타냅니다.
n이 크면, p의 크기에 관계없이 좌우대칭을 이룹니다.
p < 0.5이고 n이 작으면 오른쪽 꼬리분포를 나타냅니다.
p > 0.5이고 n이 작으면 왼쪽 꼬리분포를 나타냅니다.

4. 이항분포의 기대값과 분산

기대값은 μ = np이고,
분산은 δ^2 = npq = np(1-p) 입니다.
표준편차는 δ = sqrt(np(1-p)) 로 계산됩니다.

5. 실생활 예제

예를 들어, 공장에서 생산되는 전구 중 5%가 불량품일 때, 100개의 전구를 무작위로 선택했을 때 불량품의 개수를 예측할 수 있습니다. 여기서 n=100, p=0.05, q=0.95입니다.

6. 코드 예제

파이썬을 사용하여 이항분포를 구현해 보겠습니다.
scipy 라이브러리의 binom 클래스를 사용하여 이항분포를 계산할 수 있습니다.

import scipy.stats as stats

# 이항분포 계산
n, p = 100, 0.05  # n은 시행 횟수, p는 성공 확률
binom_dist = stats.binom(n, p)

# 확률 및 기대값, 분산 계산
print(f"P(X=10): {binom_dist.pmf(10)}")  # 10개가 불량품일 확률
print(f"기대값: {binom_dist.mean()}")  # 기대값
print(f"분산: {binom_dist.var()}")  # 분산

확률 질량함수와 함률 밀도함수 개념 및 예제

가누 — Fri, 1 Mar 2024 16:34:40 +0900

1. 확률질량함수(PMF)

이산 확률변수의 경우, 확률질량함수(PMF)를 사용합니다. PMF는 확률변수가 특정 값을 가질 확률을 나타냅니다. PMF의 특징은 다음과 같습니다:

모든 실수 x에 대해 f(x) ≥ 0입니다.
모든 가능한 x에 대한 f(x)의 합은 1입니다.
누적분포함수는 F(x)로 표기하며, 이는 주어진 값까지의 확률의 누적을 나타냅니다.

2. 확률질량함수 (PMF) 예제 및 코드

예제: 주사위 던지기를 생각해보겠습니다. 주사위의 각 면이 나올 확률은 동일하므로, 확률질량함수는 각 면(1부터 6까지)이 나올 확률을 1/6로 나타냅니다.

# 주사위 던지기 확률질량함수
def dice_pmf(x):
    if x in range(1, 7):
        return 1 / 6
    else:
        return 0

# PMF 출력
for x in range(1, 7):
    print(f"P(X={x}) = {dice_pmf(x)}")

3. 확률밀도함수(PDF)

연속 확률변수에 대해서는 확률밀도함수(PDF)를 사용합니다. PDF는 확률변수가 특정 구간 내에 속할 확률을 나타냅니다. PDF의 주요 특징은 다음과 같습니다:

f(x)는 항상 0 이상입니다.
확률변수의 전체 범위에 대한 f(x)의 적분 값은 1입니다.

4. 확률밀도함수 (PDF) 예제 및 코드

예제: 연속 확률변수의 예로는 키의 분포를 들 수 있습니다. 사람의 키는 연속적인 값을 가지므로, 이를 나타내기 위해 확률밀도함수를 사용할 수 있습니다. 예를 들어, 키가 170cm 이상 175cm 이하일 확률을 계산할 수 있습니다.

아래의 코드는 정규분포를 사용하여 특정 범위 내 키의 확률을 계산합니다.

from scipy.stats import norm

# 정규분포의 PDF
mean = 170  # 평균
std_dev = 10  # 표준편차

# 170cm 이상 175cm 이하일 확률 계산
prob = norm(mean, std_dev).cdf(175) - norm(mean, std_dev).cdf(170)
print(f"키가 170cm 이상 175cm 이하일 확률: {prob:.2f}")

2차원 좌표 차원축소 알고리즘

가누 — Wed, 28 Feb 2024 16:23:05 +0900

2차원 좌표를 하나의 숫자로 나타내는 방법에는 여러 가지가 있습니다. 이러한 변환은 주로 데이터 압축, 이미지 처리, 컴퓨터 그래픽스 등에서 사용됩니다. 대표적인 방법 몇 가지를 소개하겠습니다.

1. 일렬로 나열하기 (Linearization)

2차원 좌표를 일렬로 나열하는 방법은 가장 간단하고 직관적인 방법입니다. 이 방법은 2차원 배열을 1차원 배열로 변환하는 데 자주 사용됩니다. 예를 들어, m×n 크기의 행렬에서 (i,j) 좌표를 하나의 숫자로 표현할 수 있습니다. 일반적으로 이 숫자는 i×n+j로 계산됩니다.

def linearize_coordinates(x, y, width):
    """
    2차원 좌표를 1차원으로 변환
    x, y: 2차원 좌표
    width: 행렬의 너비 (열의 수)
    """
    return x * width + y

# 예시
x, y = 3, 4  # 2차원 좌표
width = 10   # 행렬의 너비
index = linearize_coordinates(x, y, width)
print(f"2차원 좌표 ({x}, {y})는 1차원 인덱스로 {index}입니다.")

2. 힐버트 커브 (Hilbert Curve)

힐버트 커브는 2차원 공간을 1차원으로 매핑하는 방법 중 하나입니다.
이 방법은 공간의 연속성을 유지하면서 2차원 공간을 1차원 숫자로 변환할 수 있어, 이미지 압축이나 공간 데이터베이스에서 유용합니다.

def hilbert_curve(x, y, order):
    """
    힐버트 커브를 이용한 2차원 좌표의 1차원 변환
    x, y: 2차원 좌표
    order: 힐버트 커브의 차수
    """
    n = 2 ** order
    idx = 0
    s = n // 2
    while s > 0:
        if x & s:
            idx += 1
        if y & s:
            idx += 2
        x, y = rotate(s, x, y)
        idx <<= 2
        s >>= 1
    return idx >> 2

def rotate(n, x, y):
    if y < n:
        if x < n:
            return y, x
        return x, y
    if x < n:
        return n - 1 - y, n - 1 - x
    return x, y

# 예시
x, y = 2, 3  # 2차원 좌표
order = 2     # 힐버트 커브의 차수
index = hilbert_curve(x, y, order)
print(f"힐버트 커브에 의한 2차원 좌표 ({x}, {y})의 1차원 변환 값: {index}")

3. Z-순서 (Z-order)

Z-순서는 2차원 좌표를 바이너리로 변환한 후, 이 바이너리 숫자들을 교차시켜 하나의 숫자로 만드는 방법입니다.
이 방법은 빠른 처리 속도를 가지며, 컴퓨터 그래픽스나 공간 데이터베이스에서 널리 사용됩니다.

def hilbert_curve(x, y, order):
    """
    힐버트 커브를 이용한 2차원 좌표의 1차원 변환
    x, y: 2차원 좌표
    order: 힐버트 커브의 차수
    """
    n = 2 ** order
    idx = 0
    s = n // 2
    while s > 0:
        if x & s:
            idx += 1
        if y & s:
            idx += 2
        x, y = rotate(s, x, y)
        idx <<= 2
        s >>= 1
    return idx >> 2

def rotate(n, x, y):
    if y < n:
        if x < n:
            return y, x
        return x, y
    if x < n:
        return n - 1 - y, n - 1 - x
    return x, y

# 예시
x, y = 2, 3  # 2차원 좌표
order = 2     # 힐버트 커브의 차수
index = hilbert_curve(x, y, order)
print(f"힐버트 커브에 의한 2차원 좌표 ({x}, {y})의 1차원 변환 값: {index}")

4. 칸토어 페어링 함수 (Cantor Pairing Function)

칸토어 페어링 함수는 두 개의 자연수를 하나의 고유한 자연수로 매핑하는 방법입니다.
이 방법은 수학적으로 정의된 함수를 사용하여 2차원 좌표를 하나의 숫자로 변환합니다.

이러한 방법들은 모두 특정 상황에 따라 그 유용성이 달라질 수 있습니다. 각 방법은 2차원 데이터를 효율적으로 1차원으로 변환하는 데 목적이 있으며, 사용 용도에 따라 적합한 방법을 선택하는 것이 중요합니다.

def cantor_pairing(x, y):
    """
    칸토어 페어링 함수를 이용한 2차원 좌표의 변환
    x, y: 2차원 좌표
    """
    return int(0.5 * (x + y) * (x + y + 1) + y)

# 예시
x, y = 3, 4
unique_number = cantor_pairing(x, y)
print(f"칸토어 페어링 함수에 의해 2차원 좌표 ({x}, {y})는 고유한 숫자 {unique_number}로 변환됩니다.")

확률 변수, 확률 분포에 대한 이해

가누 — Tue, 27 Feb 2024 13:07:51 +0900

1. 확률변수란?

확률변수는 표본공간의 각 원소를 실수에 대응시키는 함수입니다. 이를 통해 우리는 실험의 결과를 수치적으로 표현할 수 있습니다. 예를 들어, 동전 던지기에서 '앞면'을 1, '뒷면'을 0으로 표현할 수 있습니다.

2. 확률변수의 실생활 예제

동전 던지기의 예를 들어 확률변수를 설명해보겠습니다. 동전을 던져서 앞면이 나오면 1, 뒷면이 나오면 0이라고 합시다. 이 경우 확률변수 X는 동전 던지기의 결과를 나타냅니다. X는 두 가지 값(0 또는 1)만 가질 수 있으므로 이산 확률변수입니다.

3. 확률분포의 이해

확률분포는 확률변수와 그 확률변수가 취할 수 있는 값의 확률을 연결해줍니다. 확률분포는 확률변수의 성질에 따라 두 가지 유형으로 나뉩니다: 이산 확률분포와 연속 확률분포.

4. 확률분포의 실생활 예제

확률분포는 확률변수가 취할 수 있는 각각의 값에 대한 확률을 말합니다. 동전 던지기 예제에서 확률변수 X의 확률분포는 다음과 같습니다:

P(X=1) = 0.5 (앞면이 나올 확률)
P(X=0) = 0.5 (뒷면이 나올 확률)

5. 파이썬 코드 예제

동전 던지기 확률변수의 확률분포를 시뮬레이션 하면 아래와 같습니다.

이 코드는 10,000번의 동전 던지기를 시뮬레이션하고, 앞면과 뒷면이 나올 확률을 계산합니다.
이론적으로, 앞면과 뒷면이 나올 확률은 각각 0.5로 예상됩니다. 실제 시뮬레이션 결과도 이에 가깝게 나올 것입니다.

import random

# 동전 던지기 함수
def coin_flip():
    return random.choice([0, 1])  # 0은 뒷면, 1은 앞면

# 시뮬레이션
flips = 10000
results = [coin_flip() for _ in range(flips)]

# 확률 계산
heads_prob = results.count(1) / flips
tails_prob = results.count(0) / flips

print(f"앞면이 나올 확률: {heads_prob}")
print(f"뒷면이 나올 확률: {tails_prob}")

베이즈 정리 개념 및 코드

가누 — Sun, 18 Feb 2024 12:55:15 +0900

1. 베이즈 정리란?

베이즈 정리는 조건부 확률을 다룰 때 사용됩니다.

이는 어떤 사건 A가 발생했다는 추가 정보가 주어졌을 때, 사건 B의 확률을 업데이트하는 데 사용됩니다.

이러한 조건부 확률은 다양한 분야에서 응용될 수 있습니다. 예를 들어 의학, 금융, 기계 학습 등에서 유용하게 쓰입니다.

2. 베이즈 정리 수학적 정의

베이즈 정리는 다음과 같은 공식으로 표현됩니다:

P(B) = P(A1 ∩ B) + P(A2 ∩ B) + P(A3 ∩ B) = P(A1)P(B|A1) + P(A2)P(B|A2) + P(A3)P(B|A3)

여기서 P(A)는 사건 A의 확률, P(B|A)는 A가 주어졌을 때 B의 조건부 확률을 의미합니다.

3. 실생활 예제

의학 분야에서 베이즈 정리를 사용하는 예를 들어보겠습니다. 예를 들어, 특정 질병에 대한 양성 반응률이 99%인 검사가 있다고 가정해 봅시다. 그러나 이 질병이 전체 인구 중 0.1%만이 가지고 있는 희귀병이라고 합시다. 이때 어떤 사람이 이 검사에서 양성 반응이 나왔다면, 실제로 그 사람이 그 질병을 가지고 있을 확률은 얼마일까요?

이를 계산하기 위해 베이즈 정리를 사용할 수 있습니다.

4. 코드 예제

def bayes_theorem(P_A, P_B_given_A, P_notA_given_B):
    """
    베이즈 정리 계산 함수
    P_A : 사건 A의 사전 확률
    P_B_given_A : 사건 A가 주어졌을 때 사건 B의 확률
    P_notA_given_B : 사건 B가 주어졌을 때 사건 A가 아닐 확률
    """
    # 사건 B의 전체 확률 계산
    P_B = P_B_given_A * P_A + P_notA_given_B * (1 - P_A)
    # 사건 A가 주어졌을 때 사건 B의 사후 확률 계산
    P_A_given_B = (P_B_given_A * P_A) / P_B
    return P_A_given_B

# 예제 값
P_A = 0.001  # 질병을 가지고 있을 확률
P_B_given_A = 0.99  # 질병이 있을 때 양성 반응을 보일 확률
P_notA_given_B = 0.01  # 질병이 없을 때 양성 반응을 보일 확률

# 베이즈 정리 적용
result = bayes_theorem(P_A, P_B_given_A, P_notA_given_B)

print(f"실제로 질병을 가지고 있을 확률: {result * 100:.2f}%")

이 코드는 주어진 확률을 바탕으로 해당 사람이 실제로 질병을 가지고 있을 확률을 계산합니다.
베이즈 정리는 이처럼 사전에 알려진 정보를 바탕으로 새로운 정보를 통합하고 업데이트하는 데 유용하게 사용됩니다.

확률의 정의, 조건부 확률, 독립과 배반의 이해

가누 — Fri, 16 Feb 2024 01:35:50 +0900

확률의 기본 정의

확률: 일정 조건 아래 동일한 실험을 반복했을 때, 특정 사건이 발생할 상대적 빈도입니다. 확률은 0과 1 사이의 값을 가지며, 모든 가능한 사건의 확률의 합은 1입니다.

확률의 덧셈법칙

덧셈법칙: 두 사건 A와 B가 있을 때, A와 B 중 적어도 하나가 발생할 확률은 P(A) + P(B) - P(A ∩ B)입니다.

# P(A), P(B), P(A ∩ B)를 예시 값으로 설정
P_A = 0.5  # 사건 A의 확률
P_B = 0.4  # 사건 B의 확률
P_A_and_B = 0.2  # 사건 A와 B가 동시에 발생할 확률

# 덧셈법칙 적용
P_A_or_B = P_A + P_B - P_A_and_B
print("P(A ∪ B):", P_A_or_B)

배반사건의 확률

배반사건: 두 사건이 동시에 일어날 수 없는 경우를 의미합니다. 이 경우, P(A ∩ B) = 0이 됩니다.

조건부 확률

조건부 확률: 사건 A가 발생한 상황 하에서 사건 B가 발생할 확률입니다.

# P(B | A)를 계산
P_B_given_A = P_A_and_B / P_A
print("P(B | A):", P_B_given_A)

독립사건

독립사건: 두 사건 A와 B가 서로 영향을 주지 않는 경우, 이들은 독립사건입니다. 독립사건에서는 P(A ∩ B) = P(A) * P(B)입니다.

# 독립사건인지 확인
independent = P_A_and_B == P_A * P_B
print("A와 B는 독립사건인가?:", independent)

확률실험과 사건의 기본 개념

가누 — Tue, 13 Feb 2024 01:26:59 +0900

확률실험과 표본 공간

확률실험(확률시행)은 관측 가능한 결과를 가져오는 임의의 실험 또는 시행을 의미합니다.
표본 공간은 확률실험에서 가능한 모든 결과들의 집합입니다.

표본 공간: Ω(Sample space: S)

확률실험으로부터 출현 가능한 모든 결과들의 모임
ex: 동전 던지기 -> 앞면, 뒷면

표본 공간 예시

# 동전 두 번 던지기 실험의 표본 공간
sample_space = ["HH", "HT", "TH", "TT"]
print("표본 공간:", sample_space)

사건

사건은 표본 공간의 부분집합으로, 특정 확률실험에서 관심 있는 결과들의 집합을 말합니다.

사건: 기호 알파벳 대문자로 표기

사건 A, 사건 B
표본 공간의 각 원소(출현 가능한 개별 결과)들의 부분집합
"사건이 발생했다": 시행 결과가 관심잇는 사건에 속하는 경우
근원사건: 어떤 사건이 표본공간상의 하나의 원소로 구성된 사건

ex) 확률실험, 표본공간, 사건

E1: 동전을 2번 던져 나오는 면을 관찰
- 표본공간 : Ω = {HH, HT, TH, TT}
- 사건: 첫 번째 동전이 앞면이 나오는 사건 A1 = {HH, HT}
E2: 하루 중 인터넷 사용 관찰
- 표본 공간: Ω = {0 <= t <= 24}
- 사건 : 사용시간이 1시간이하인 사건 A2 = {0 <= t <= 1}

사건 예시

# 사건: 첫 번째 동전이 앞면인 경우
event_A1 = [outcome for outcome in sample_space if outcome[0] == "H"]
print("사건 A1:", event_A1)

사건의 연산

사건의 연산에는 합사건, 곱사건, 여사건, 배반사건, 독립사건이 있습니다.

사건의 연산: 임의의 두 사건 A,B에 대해

합사건 (A ∪ B): 두 사건 중 적어도 하나가 발생하는 경우의 집합입니다.
곱사건 (A ∩ B): 두 사건이 동시에 발생하는 경우의 집합입니다.
여사건: 특정 사건이 발생하지 않는 경우의 집합입니다.
배반사건: 두 사건이 서로 겹치지 않는 경우입니다.
독립사건: 두 사건이 서로 영향을 주지 않는 경우입니다.

# 합사건: A1 ∪ A2
event_A2 = [outcome for outcome in sample_space if outcome[1] == "H"]
union_event = set(event_A1).union(set(event_A2))
print("합사건:", union_event)

# 곱사건: A1 ∩ A2
intersection_event = set(event_A1).intersection(set(event_A2))
print("곱사건:", intersection_event)

# 여사건
complement_event = set(sample_space).difference(set(event_A1))
print("여사건:", complement_event)

python 2차원 배열 깊은 복사 방법

가누 — Mon, 12 Feb 2024 17:10:27 +0900

new_board = [row[:] for row in board] 구문은 Python에서 2차원 리스트(또는 배열) board의 깊은 복사(deep copy)를 생성하는 방법 중 하나입니다. 이 방식을 사용하면, 원본 리스트 board의 각 행을 새 리스트 new_board로 복사하여, board의 각 요소를 수정해도 new_board에는 영향을 미치지 않습니다.

간단한 예제를 통해 이 구문의 사용법을 설명해보겠습니다.

예제: 2차원 리스트 깊은 복사

원본 2차원 리스트 board가 있고, 이를 깊은 복사하여 new_board를 생성하고 싶다고 가정해보겠습니다. 그리고 new_board의 일부 요소를 변경하여, 원본 board에는 영향이 없음을 확인합니다.

원본 2차원 리스트
board = [
[1, 2, 3],
[4, 5, 6],
[7, 8, 9]
]

깊은 복사를 사용하여 새 리스트 생성

new_board = [row[:] for row in board]

새 리스트의 요소를 변경

new_board[0][0] = 10

원본 리스트와 변경된 리스트 출력

print("원본 리스트:")
for row in board:
print(row)

print("\n변경된 리스트:")
for row in new_board:
print(row)

이 코드를 실행하면 다음과 같은 출력 결과를 얻을 수 있습니다.

원본 리스트:
[1, 2, 3]
[4, 5, 6]
[7, 8, 9]

변경된 리스트:
[10, 2, 3]
[4, 5, 6]
[7, 8, 9]

위 예제에서 볼 수 있듯이, new_board의 첫 번째 요소를 변경했을 때 원본 board에는 아무런 변화가 없습니다. 이는 new_board가 board의 깊은 복사본이기 때문입니다. row[:]는 리스트의 슬라이싱을 이용해 각 행을 전체 복사하는 방법으로, 이는 깊은 복사의 한 형태입니다.