[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,57 +2,157 @@
|
||||
id: wiki-2026-0508-variance-rules
|
||||
title: Variance Rules
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-REINFORCE-AUTO-85151B]
|
||||
aliases: [Variance Algebra, Var Properties, Bienaymé Identity]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
tags: [auto-reinforced]
|
||||
verification_status: applied
|
||||
tags: [statistics, probability, math, identity]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Variance-Rules"
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: Python
|
||||
framework: NumPy
|
||||
---
|
||||
|
||||
# [[Variance-Rules]]
|
||||
# Variance Rules
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
## 매 한 줄
|
||||
> **"매 random variable 의 spread 의 algebra — Var(aX + b) = a²Var(X), 매 independence 매 sum 의 add"**. 1853 Bienaymé 의 sum-of-independent identity 부터 매 modern propagation-of-uncertainty, finance VaR, ML loss decomposition 까지 — 매 variance algebra 의 매 day-1 statistics 의 still 매 most-used identity.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** General Knowledge 분야의 자동 자산화 수행.
|
||||
### 매 core identities
|
||||
- **Definition**: $\mathrm{Var}(X) = \mathbb{E}[(X - \mathbb{E}[X])^2] = \mathbb{E}[X^2] - \mathbb{E}[X]^2$.
|
||||
- **Affine**: $\mathrm{Var}(aX + b) = a^2 \mathrm{Var}(X)$ — 매 constant $b$ 의 drop.
|
||||
- **Sum**: $\mathrm{Var}(X + Y) = \mathrm{Var}(X) + \mathrm{Var}(Y) + 2\,\mathrm{Cov}(X, Y)$.
|
||||
- **Independence (Bienaymé)**: $X \perp Y \Rightarrow \mathrm{Var}(X+Y) = \mathrm{Var}(X) + \mathrm{Var}(Y)$.
|
||||
- **Linear comb**: $\mathrm{Var}\!\left(\sum a_i X_i\right) = \sum a_i^2 \mathrm{Var}(X_i) + 2 \sum_{i<j} a_i a_j \mathrm{Cov}(X_i, X_j)$.
|
||||
- **Law of total variance**: $\mathrm{Var}(Y) = \mathbb{E}[\mathrm{Var}(Y|X)] + \mathrm{Var}(\mathbb{E}[Y|X])$.
|
||||
- **Sample variance bias correction**: $s^2 = \frac{1}{n-1}\sum (x_i - \bar{x})^2$ — 매 Bessel.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Raw Source: [[00_Raw/2026-04-20/Variance-Rules.md]]
|
||||
---
|
||||
### 매 propagation (delta method)
|
||||
- **Univariate**: $\mathrm{Var}(g(X)) \approx (g'(\mu))^2 \mathrm{Var}(X)$.
|
||||
- **Multivariate**: $\mathrm{Var}(g(\mathbf{X})) \approx \nabla g(\mu)^\top \Sigma \nabla g(\mu)$.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 응용
|
||||
1. Portfolio variance (Markowitz).
|
||||
2. Error propagation in physics measurement.
|
||||
3. ML bias-variance decomposition.
|
||||
4. A/B test sample-size (Welch).
|
||||
5. Kalman filter — covariance propagation.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### Numerical sample variance — Welford (numerically stable)
|
||||
```python
|
||||
def welford_variance(stream):
|
||||
n = 0; mean = 0.0; M2 = 0.0
|
||||
for x in stream:
|
||||
n += 1
|
||||
delta = x - mean
|
||||
mean += delta / n
|
||||
M2 += delta * (x - mean) # 매 use updated mean
|
||||
return mean, M2 / (n - 1) if n > 1 else float('nan')
|
||||
```
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### Linear combination variance
|
||||
```python
|
||||
import numpy as np
|
||||
def linear_combo_var(weights, cov):
|
||||
# Var(w^T X) = w^T Σ w
|
||||
w = np.asarray(weights); cov = np.asarray(cov)
|
||||
return float(w @ cov @ w)
|
||||
```
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
### Portfolio variance (Markowitz)
|
||||
```python
|
||||
def portfolio_var(weights, returns_matrix):
|
||||
cov = np.cov(returns_matrix, rowvar=False, ddof=1)
|
||||
return weights @ cov @ weights
|
||||
```
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
### Delta-method propagation
|
||||
```python
|
||||
import numpy as np
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
def delta_method(g, grad_g, mu, sigma):
|
||||
# mu: vector, sigma: covariance
|
||||
g_grad = np.asarray(grad_g(mu))
|
||||
return float(g_grad @ sigma @ g_grad)
|
||||
```
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
### Law of total variance — verify by simulation
|
||||
```python
|
||||
import numpy as np
|
||||
rng = np.random.default_rng(0)
|
||||
N = 1_000_000
|
||||
X = rng.integers(0, 3, size=N) # 매 latent class
|
||||
mu_y = np.array([0.0, 1.0, 5.0])[X]
|
||||
Y = rng.normal(mu_y, scale=1.0)
|
||||
total = Y.var()
|
||||
inner = np.array([Y[X==k].var() for k in range(3)]).mean()
|
||||
outer = np.array([Y[X==k].mean() for k in range(3)]).var()
|
||||
print(total, inner + outer) # 매 ≈ equal
|
||||
```
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
### Bias-variance decomposition (ML)
|
||||
```python
|
||||
def bias_variance(predictions, y_true):
|
||||
# predictions: (n_models, n_samples)
|
||||
mean_pred = predictions.mean(axis=0)
|
||||
bias_sq = ((mean_pred - y_true) ** 2).mean()
|
||||
var = predictions.var(axis=0).mean()
|
||||
noise_lb = 0.0 # 매 estimable 의 의 separately
|
||||
return bias_sq, var, noise_lb
|
||||
```
|
||||
|
||||
### Welch's t-test variance handling
|
||||
```python
|
||||
from scipy import stats
|
||||
t, p = stats.ttest_ind(a, b, equal_var=False) # Welch
|
||||
# 매 unequal variance — Satterthwaite degrees of freedom
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Streaming variance | Welford (numerically stable) |
|
||||
| Independent sum | Bienaymé — sum the variances |
|
||||
| Correlated sum | Full covariance — $w^\top \Sigma w$ |
|
||||
| Nonlinear function $g(X)$ | Delta method (1st-order) — or Monte Carlo |
|
||||
| Hierarchical / mixture | Law of total variance 의 decompose |
|
||||
| ML overfitting diagnose | Bias-variance decomposition |
|
||||
| Sample variance | Bessel correction ($n-1$) |
|
||||
|
||||
**기본값**: independence 의 confirm 후 Bienaymé. Doubt — Monte Carlo 의 verify.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Probability Theory]] · [[Random Variable]]
|
||||
- 변형: [[Covariance]] · [[Standard Deviation]] · [[Conditional Variance]]
|
||||
- 응용: [[Portfolio Theory]] · [[Bias-Variance Tradeoff]] · [[Kalman Filter]]
|
||||
- Adjacent: [[Delta Method]] · [[Bessel Correction]] · [[Welford Algorithm]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: identity recall, derivation hint, code skeleton (Welford, delta).
|
||||
**언제 X**: 매 specific paper 의 closed-form — derivation 의 cross-check.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Bienaymé 의 correlated variable 의 apply**: 매 covariance 의 forget — biased toward zero variance.
|
||||
- **Two-pass naive variance** ($\sum x_i^2 - (\sum x_i)^2/n$): 매 catastrophic cancellation — Welford 의 use.
|
||||
- **Sample variance with $n$**: 매 biased — Bessel ($n-1$).
|
||||
- **Affine 매 $b$ 의 add to variance**: 매 $b$ 의 drop, only $a^2$ matters.
|
||||
- **Delta method 의 high curvature 의 use**: 매 1st-order — large $\sigma$ 의 의 break, 의 Monte Carlo.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Bienaymé 1853; Casella & Berger _Statistical Inference_ 2nd ed.; Welford 1962 _Technometrics_).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — variance algebra + Welford + delta method 정리 |
|
||||
|
||||
Reference in New Issue
Block a user