# Stochastic Process

jhjh9701

원래 git 에 자료들을 많이 올렸는데, 여기에 조금 더 가독성이 좋게 정리를 해보려고 합니다. 예전에 읽고 싶엇떤 논문이 dirichlet process mixture model 이라는 단어를 중심으로 전개되었습니다. dirichlet process mixture model, 간단하게 이해할 수 있을 줄 알고 구글링을 몇 번 해봤지만 막막하기만 하더라구요. 그런데 또, 아예 이해 못할정도로 다른 세계는 아닌 것 같았습니다. 그래서 파고들어봤더니 bayesian 에 대한 이해부터 새롭게 할 수 있는 좋은 기회가 되더군요. 1. So What is the Bayesian? bayesian equation $$ p(\theta|y) = \frac{p(y|\theta)p(\theta)}{p(y)} $$ 로 기초적인 확률론만 공부한다면 자명합니다만, 식에 담긴 의미가 아주 깊고, 어렵습니다. 대부분의 교과서에 기술된 $x$, $y$ 가 아닌 $y$, $\theta$ 를 사용한

nonlunch

&nbsp 이 글은 22-2학기 김운경 교수님의 Random Process 강의와 Peyton의 "Probability, Random Variables and Random Signal Principles" 4판을 참고하였음을 밝혀드립니다. 본 글의 'The Fundamental Theorem of Calculus'는 허야용 교수님의 2021년 2학기 해석학 2 lecture note를 참고하였음을 밝혀드립니다. &nbsp 저번 글에서는 random variable과 CDF의 여러가지 증명에 대해 살펴보았습니다. 이번 글에서는, CDF와 관련된 probability density function (PDF)에 대해 살펴보고, 이에 대한 증명을 해보고자 합니다. &nbsp PDF의 증명에 앞서, 먼저 the fundamental theorem of calculus에 대해 알아보겠습니다. The Fundamental Theorem of Calculus I) Let $f$ be