Summary

Support(받침/지지집합) 는 확률변수가 실제로 값을 가질 수 있는 영역, 즉 확률(또는 밀도)이 0이 아닌 점들의 집합이다. “이 확률변수는 어디서부터 어디까지 살아 있나?”를 답하는 영역. 변수변환(transformation) $Y=g(X)$를 할 때, 새 변수 $Y$의 support를 먼저 구하는 것이 변환의 첫 단계이자 가장 실수하기 쉬운 부분이다.

용어 설명

• Support (지지집합): 확률/밀도가 0이 아닌 값들의 집합. 기호 ${\mathcal{S}}_X$ 또는 $\text{supp}(X)$
• PMF / PDF: 이산은 $p(x)>0$인 점, 연속은 $f(x)>0$인 영역이 support (Probability Distribution Representations (PMF, PDF, CDF))
• 변수변환 (Transformation): 기존 RV $X$로 새 RV $Y=g(X)$를 만드는 것
• 상 (Image, $g({\mathcal{S}}_X)$): $X$의 support를 함수 $g$로 통과시킨 결과 집합
• 단조 (Monotonic): $g$가 증가만 하거나 감소만 함 (역함수 존재)
• Change of variables: 변환 시 PDF를 다시 구하는 공식

Support (of a random variable)

1. 한 줄 정의

Support = 확률변수가 “살아 있는” 영역. 확률(밀도)이 0이 아닌 곳만 모은 집합.

• 이산(discrete): PMF가 양수인 점들. ${\mathcal{S}}_X=\{x:p(x)>0\}$
  • 주사위: ${\mathcal{S}}_X=\{1,2,3,4,5,6\}$
• 연속(continuous): PDF가 양수인 영역. ${\mathcal{S}}_X=\{x:f(x)>0\}$
  • $\text{Uniform}(0,1)$: ${\mathcal{S}}_X=(0,1)$
  • $\text{Beta}(\alpha ,\beta )$: ${\mathcal{S}}_X=(0,1)$ (Beta distribution)
  • 정규분포: ${\mathcal{S}}_X=(-\infty ,\infty )$ (어디든 밀도가 0이 아님)

왜 중요한가

support 밖에서는 확률이 0이다. 그래서 적분·합을 할 때 support 위에서만 하면 되고, support를 잘못 잡으면 전체 확률이 1이 안 되거나 엉뚱한 답이 나온다.

2. 변수변환에서 support가 핵심인 이유

새 확률변수 $Y=g(X)$를 만들 때, 우리는 결국 $Y$의 분포(PDF/PMF) 를 알고 싶다. 그런데 그 분포를 적기 전에 “$Y$는 어떤 값들을 가질 수 있나?”, 즉 $Y$의 support 를 먼저 정해야 한다.

변환의 황금률

${\mathcal{S}}_Y=g({\mathcal{S}}_X)(\text{X의 support를 }g\text{로 통과시킨 상})$
새 변수의 support는 옛 support를 함수에 넣은 결과다. 이걸 안 하면 PDF의 “정의 구간”을 모르게 된다.

3. 예시로 감 잡기

예 1) $X\sim \text{Uniform}(0,1)$, $Y=-\ln X$

• $X$의 support: $(0,1)$
• $g(x)=-\ln x$를 통과시키면:
  • $x\to 1$ → $y\to 0$
  • $x\to 0^{+}$ → $y\to +\infty$
• → ${\mathcal{S}}_Y=(0,\infty )$

즉 $(0,1)$에 갇혀 있던 변수가 변환 후 $(0,\infty )$ 전체로 펼쳐진다. (이게 사실 지수분포를 만드는 방법!) $Y$의 PDF는 이 $(0,\infty )$ 위에서만 정의되고, 그 밖에서는 0이다.

예 2) $X\sim \text{Uniform}(-1,1)$, $Y=X^2$ — 비단조 주의

• $X$의 support: $(-1,1)$
• $g(x)=x^2$:
  • $x=0$ → $y=0$
  • $x=\pm 1$ → $y=1$
• → ${\mathcal{S}}_Y=[0,1)$ (음수가 사라짐!)

흔한 실수

$g$가 단조가 아니면(여기선 $x^2$가 +/−를 겹쳐 보냄) $y$ 하나에 $x$가 둘($\pm \sqrt{y}$) 대응된다. support도 줄어들고($(-1,1)\to [0,1)$), PDF 공식도 두 갈래를 합산해야 한다. support를 먼저 정확히 그려야 이런 함정을 피한다.

4. Change of variables 공식에서의 자리

연속 RV에서 $g$가 단조(증가/감소)이고 미분 가능하면:

$f_Y(y)=f_X(g^{-1}(y))\left|\frac{d}{dy}{g}^{-1}(y)\right|,\boxed{y\in {\mathcal{S}}_Y}$

• 핵심은 마지막의 "$y\in {\mathcal{S}}_Y$" 조건. 이 공식은 새 support 위에서만 유효하고, 그 밖에서는 $f_Y(y)=0$.
• support를 안 적으면 공식이 “정의역 없는 함수”가 되어 적분 범위를 틀리게 잡는다.

이 공식이 말하는 단 하나의 insight: 확률은 보존된다

위 식을 통째로 외우지 말고, 딱 한 줄만 기억하면 전부 따라 나온다. $x=g^{-1}(y)$로 두고 야코비안을 $\left|\frac{dx}{dy}\right|$로 쓰면 공식은 이렇게 변신한다:

$\underset{\text{새 변수의 작은 확률조각}}{\underbrace{f_Y(y)|dy|}}=\underset{\text{옛 변수의 같은 확률조각}}{\underbrace{f_X(x)|dx|}}$

수식에서 바로 읽히는 직관

밀도 × 폭 = 확률(넓이) 이고, 이 확률은 변환 전후로 변하지 않는다. $x$축의 작은 구간 $dx$에 담겨 있던 확률은, 변환되어도 그에 대응하는 $y$축 구간 $dy$에 그대로 옮겨 담긴다(없어지지도, 생기지도 않음). 양변을 $|dy|$로 나눈 게 바로 위의 change of variables 공식이다.

이 한 줄에서 공식의 모든 부품이 “왜 거기 있는지”가 보인다:

공식의 부품	정체	왜 있나 (insight)
$f_X(g^{-1}(y))$	그 $y$를 만든 원래 점 $x$에서의 옛 밀도	”이 확률은 어디서 왔나”를 가리킴
$\left	\dfrac{dx}{dy}\right	$ (야코비안)
절댓값 $	\cdot	$
$y\in {\mathcal{S}}_Y$	$x=g^{-1}(y)$가 ${\mathcal{S}}_X$ 안일 때만	원래 확률이 있던 곳에서만 옮겨짐

야코비안의 부호 = 밀도의 운명

• 변환이 축을 늘리면(좁은 $dx$ → 넓은 $dy$, 즉 $|dx/dy|<1$) → 같은 확률이 넓게 퍼져 밀도는 낮아진다.
• 변환이 축을 압축하면($|dx/dy|>1$) → 확률이 좁게 뭉쳐 밀도는 높아진다.
  야코비안은 “면적(=확률)을 일정하게 유지하려면 높이(=밀도)를 얼마나 조정해야 하나”인 셈이다.

공식이 어디서 오는가 (CDF 1줄 유도)

$g$가 증가함수면 $\{g(X)\le y\}=\{X\le g^{-1}(y)\}$ 이므로:

$F_Y(y)=P(Y\le y)=P(X\le g^{-1}(y))=F_X(g^{-1}(y))$

양변을 $y$로 미분(연쇄법칙)하면 곧바로 $f_Y(y)=f_X(g^{-1}(y))(g^{-1}{)}^{\prime }(y)$. $g$가 감소함수면 부등호가 뒤집혀 $F_Y(y)=1-F_X(g^{-1}(y))$가 되고, 미분하면 $-(g^{-1}{)}^{\prime }$ — 이때 $(g^{-1}{)}^{\prime }<0$이라 음수가 나오므로, 두 경우를 절댓값으로 한 번에 묶은 것이 최종 공식이다.

다변수로의 확장

변수가 여러 개면 $\left|\frac{dx}{dy}\right|$ 자리에 야코비 행렬식의 절댓값 $\left|\det J_{g^{-1}}\right|$가 들어간다. 의미는 똑같다 — “부피(=확률)를 보존하려면 밀도를 부피 배율의 역수만큼 보정한다.” (야코비안 = 부피 스케일 배율: Jacobian, Determinant 참고)

절차 요약

1. $X$의 support ${\mathcal{S}}_X$ 확인
2. ${\mathcal{S}}_Y=g({\mathcal{S}}_X)$ 계산 ← support 단계
3. (단조면) 역함수 $g^{-1}$, 야코비안 $|d{g}^{-1}/dy|=|dx/dy|$ 구하기
4. 공식에 대입, 단, $y\in {\mathcal{S}}_Y$에서만, 나머지는 0
5. 검산: ${\int }_{{\mathcal{S}}_Y}{f}_Y(y)dy=1$ 이면 확률이 새지 않은 것

5. 30초 요약

• Support = 확률/밀도가 0이 아닌 영역 = RV가 값을 가질 수 있는 곳.
• 이산은 $p(x)>0$인 점, 연속은 $f(x)>0$인 구간.
• 변수변환의 첫 단계: 새 변수 support ${\mathcal{S}}_Y=g({\mathcal{S}}_X)$ 부터 구한다.
• 변환은 support를 늘리거나(예: $(0,1)\to (0,\infty )$) 줄이거나(예: $(-1,1)\to [0,1)$) 한다.
• change of variables 공식은 새 support 위에서만 성립 — 빠뜨리면 적분 범위·확률이 어긋난다.

관련 노트

• Probability Distribution Representations (PMF, PDF, CDF)
• Jacobian
• Beta distribution
• CDF (Cumulative Distribution Function)