선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 개인정보유출의 발생빈도가 포아송분포를 따르는 것으로 검증되었기 때문에 사고발생간격은 지수분포를 따른다는 것을 실증적으로 검증하고자 한다.
- 또한 시뮬레이션을 통한 ‘K-S 통계량’ 검증을 통해 모델의 적합성을 수치뿐만 아니라 시각적으로 확인하고자 한다.
- 본 논문은 개인정보유출사고 발생관련 실증적 데이터에 대한 정량적 확률분포 추정을 시도하였고 개인정보유출 사고 발생을 설명해주는 가장 유사한 통계적 분포를 찾고자 하였다.
- 본 논문은 선행연구를 더욱 발전시켜 개인정보유출사고에 적용하고자 ‘x2 적합도 검정’을 통해 최적의 분포를 정량적으로 입증하고자 한다.
- 본 연구는 개인정보유출 사고발생의 패턴과 이에 대한 통계적 분포를 추정하려 한다. 이를 위해 관측 데이터와 기존 이론상의 7가지 누적분포를 비교한 후, 가장 작은 유사성 차이(Similarity Gap)값을 갖는 누적분포의 종류를 식별하고자 한다.
- 본 연구에서는 개인정보유출사고 발생시기의 통계적 분포를 추정하고자 다음의 가설을 설정하였다.
- 본 연구에서는 개인정보유출사고에 초점을 맞춰 ‘K-S 통계량’ 방법론과 ‘카이제곱 적합도 검정’을 통해 가장 적합한 누적분포함수를 찾고자 한다.
- 일반적으로 관측 데이터는 가장 높은 확률을 나타내는 평균과 분산 등의 가치에 대한 분포를 찾아내는 것이 분포 추정의 원리이다[3]. 이 원리에 따라 관측 데이터를 정형화된 누적분포함수(Cumulative Distribution Functions, CDF)와 비교해 어떠한 분포를 따르는지 추정하고자 한다.
- 본 연구는 관측데이터가 2011년도부터 2014년도까지의 4개년의 데이터에 한정되어 있다는 한계점을 지닌다. 이러한 데이터 부족의 한계점을 극복하기 위해 관련데이터의 양을 증가시키고 더욱 정교화 하고자 한다. 향후 본 연구는 2015년의 개인정보유출사고 데이터를 확보하여 연구모델의 예측 검증력을 평가하고자 한다.
가설 설정
- H′0: 개인정보유출 사고발생의 시간간격은 지수분포를 따를 것이다.
- H′1: 개인정보유출 사고발생의 시간간격은 지수분포를 따르지 않을 것이다.
- H0: 개인정보유출 사고의 평균 발생 수는 포아송분포를 따를 것이다.
- H1: 개인정보유출 사고의 평균 발생 수는 포아송분포를 따르지 않을 것이다.
- 이 값은 X2분포표에 의해 유의수준 95%의 기각 값인 #보다 훨씬 작으므로 포아송분포를 따른다고 할 수 있다. 즉, 일정기간 동안의 개인정보유출 사고발생 수는 유의수준 5%에서 포아송분포를 따르므로, 귀무가설 H0를 채택한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.