조건부기댓값 (Conditional Expectation)
쉽게 풀면
전체 학생의 평균 키를 구하면 하나의 숫자가 나옵니다. 하지만 "남학생이라는 조건이 주어졌을 때" 평균 키는 어떨까요? 전체 평균과는 다른 값이 나올 겁니다. 이렇게 특정 조건(정보)을 알고 있는 상태에서 다시 계산한 기댓값을 조건부기댓값이라고 합니다. 즉 원래는 여러 경우가 섞여 있어서 흐릿했던 평균을, "이 조건 안에서는"이라는 렌즈로 좁혀서 더 정확하게 다시 계산한 것입니다. 조건이 바뀌면 조건부기댓값도 달라지며, 조건 없이 계산한 원래 기댓값은 모든 조건별 조건부기댓값을 다시 평균 낸 것과 같아집니다.
왜 중요한가
조건부기댓값은 "정보가 주어졌을 때 무엇을 기대할 수 있는가"를 수학적으로 정리한 도구이기 때문에, 회귀분석·인과추론·시계열 예측처럼 어떤 조건이나 변수를 알고 있을 때의 예측값을 다루는 거의 모든 통계·계량경제 연구의 기초가 됩니다. 예측 모형을 세울 때 "설명변수가 주어졌을 때 종속변수의 평균"을 구하는 것 자체가 조건부기댓값을 추정하는 작업이며, 인과추론에서 처치 효과를 정의할 때도 조건부기댓값의 차이로 표현하는 경우가 많습니다. 또한 마팅게일, 필터링, 강화학습의 가치함수 등 시간에 따라 정보가 누적되는 상황을 다루는 이론에서도 핵심 개념으로 등장합니다.
논문에서는 이렇게 쓰입니다
이 문장은 "처치를 받은 사람들만 따로 모아서 평균을 냈더니, 처치를 받지 않은 사람들의 평균보다 높았다"는 뜻입니다. 회귀분석에서 독립변수가 특정 값일 때 종속변수의 평균을 예측하는 것도 조건부기댓값의 개념을 응용한 것입니다.
시계열·금융 분야 논문에서 자주 보이는 표현입니다. "지금까지의 데이터를 알고 있는 상태에서, 다음에 일어날 값이 평균적으로 얼마일지"를 계산한다는 뜻으로, 조건이 시간에 따라 계속 갱신된다는 점이 특징입니다.
강화학습이나 확률과정을 다루는 논문에서는 가치함수나 기대 보상을 이런 식으로 정의합니다. "지금 어떤 상태에 있다는 조건에서, 앞으로 얻게 될 보상의 평균"을 조건부기댓값으로 표현한 것입니다.
조금 더 깊게 보면
조건부기댓값을 더 엄밀하게 다루려면 조건이 하나의 사건이 아니라 다른 확률변수 전체일 수 있다는 점을 알아야 합니다. 예를 들어 "확률변수 X가 주어졌을 때 Y의 조건부기댓값"은 X의 값에 따라 달라지는 하나의 함수(또는 확률변수)로 취급되며, 이를 흔히 조건부기댓값 함수 또는 회귀함수라고 부릅니다. 논문에서 회귀모형의 예측값이 사실상 이 조건부기댓값 함수를 추정한 결과라는 점, 그리고 조건부기댓값이 원래 확률변수의 분산을 조건 안에서 설명된 부분과 설명되지 않은 부분(조건부분산)으로 나누는 데 쓰인다는 점을 함께 알아두면 관련 수식을 읽을 때 도움이 됩니다. 또한 마팅게일 이론에서는 "과거 정보가 주어졌을 때의 조건부기댓값이 현재 값과 같다"는 성질이 핵심 정의로 쓰입니다.
주의할 점
조건부기댓값을 제대로 이해하려면 먼저 확률변수와 기댓값의 기본 개념이 잡혀 있어야 합니다. 조건 없이 계산한 보통의 기댓값과 혼동하지 않도록, "무엇을 조건으로 두었는지"를 항상 명확히 해야 합니다.