Случайна променлива: пълно ръководство с дефиниции, видове и примери

започване » Икономика » Случайна променлива: пълно ръководство с дефиниции, видове и примери

Когато говорим за случайна променлива Накратко, говорим за число, чиято стойност се определя на случаен принцип всеки път, когато повтаряме експеримент. Не можем да предвидим със сигурност какъв ще бъде резултатът при конкретно измерване, но знаем, че тези възможни стойности са разпределени според определено разпределение на вероятностите – тоест систематичен начин за определяне на вероятностите на резултатите. Тази рамка ни позволява да моделираме явления от реалния свят като например хвърляне на монета, измерване на времето или изпълнение на промишлен процес.

Да работиш усърдно, Удобно е да се мисли за случайната променлива като функция която трансформира елементарни резултати от експеримент (точки в извадково пространство) в реални числа. По този начин, всеки път, когато даден резултат се появи в реалния свят, променливата връща стойност. Статистическият анализ разчита на многократно повторение. експеримента и в количественото определяне на резултатите, за да ги свържем с реални числа, така че да можем да изучаваме поведението им, използвайки инструменти за вероятности.

Формално определение и рамка за измерване

Строго погледнато, Реална случайна променлива X е измерима функция дефинирани върху вероятностно пространство (Ω, A, P) и със стойности в измерим кодомейн (S, Σ). В най-често срещаната практика кодомейната е (ℝ, B(ℝ)), където B(ℝ) е Борелова σ-алгебра на реалните числа. Това се обобщава като: X: (Ω, A, P) → (ℝ, B(ℝ)), а ключовото условие за измеримост изисква за всяко Борелово множество B, X⁻¹(B) ∈ A. Това свойство гарантира, че можем смислено да говорим за P[X ∈ B], тъй като множеството от прообрази е измеримо събитие.

Важен нюанс е, че точките ω ∈ Ω не са наблюдаемиТова, което виждаме, е X(ω), числената стойност. Следователно, несигурността не се състои във вече наблюдаваната стойност на X, а в това, че не се знае предварително каква ще бъде действителната стойност на ω. Теорията на мярката предоставя подходящия език (σ-алгебри, вероятностни мерки), за да формализираме тези идеи без двусмислие.

Диапазон на променлива

Диапазонът на X, обозначен като R_X, е множеството от реални стойности, които променливата може да приеме: R_X = { x ∈ ℝ | съществува ω ∈ Ω такова, че X(ω) = x }. С други думи, това е образът на функцията X и естествено определя къде променливата може да има маса или плътност на вероятността.

Илюстративни примери

Пример 1 (две монети): Ако хвърлим две монети, пространството на извадката е Ω = {HH, HT, HT, TW}, където HH са главите, а HT са тура. Дефинираме X като броя на получените глави: X(HH)=2; X(HT)=1; X(HT)=1; X(TW)=0. Диапазонът е R_X = {0, 1, 2}Този случай е прототип на дискретна променлива, тъй като приема само няколко изолирани стойности.

Пример 2 (дневни валежи): Нека X е нивото на валежите, регистрирано в определен ден в даден град. Диапазонът му може разумно да бъде представен чрез [0, ∞). Тук основното пространство за извадка е сложно (състояние на атмосферата, метеорологични модели), но можем да оценим разпределението на X от исторически серии и да приемем, че действителното разпределение на популацията се доближава до емпиричното разпределение, ако данните са обширни и представителни. На практика, Работим с функция на разпределение F_X приблизително получени от посочените записи.

Видове случайни променливи

Дискретна случайна променлива: Променлива се счита за дискретна, ако нейният обхват е краен или преброимо безкрайно множество, без точки на натрупване. Класически примери са броенето на глави при хвърляне на монета или броят на пристигащите на опашка за една минута. Поведението му се описва от вероятностна функция (наричана още функция на вероятностната маса), която присвоява p(x) = P[X = x] на всяка възможна стойност.

Непрекъсната случайна променлива: Това е такова, чийто обхват е безброй, обикновено интервал от ℝ. Височината на човек, времето на живот на компонент или дневните валежи са примери за това. Тези променливи са моделирани с функция на плътност f(x), от която се получава вероятността чрез интегриране по интервали и от която се извежда нейната кумулативна функция на разпределение.

Тези дефиниции естествено се разпростират и върху векторни променливи със стойности в ℝⁿ или ℂⁿ. Има дори променливи с по-екзотични пространства от стойности, като например дялове (появяващи се в стохастични процеси като китайски ресторант) или множества от функции (както в процеса на Дирихле). Общата теория обхваща всички тези случаи. използвайки езика на измеримите пространства.

Кумулативна функция на разпределение (CDF)

Функцията на разпределение на X, F_X(x) = P[X ≤ x], присвоява на всяко реално x кумулативната вероятност до тази точка. Всяка реална функционална функция (FDA) удовлетворява три свойства: (i) граници F(x) → 0, когато x → −∞ и F(x) → 1, когато x → +∞; (ii) е монотонно ненамаляваща; и (iii) е непрекъсната отдясно. Ноу Ф_X(x) е еквивалентно на познаването на закона на X, както в дискретния, така и в непрекъснатия случай.

Функция на плътността (PDF) и нейната връзка с FDA

Когато X е непрекъснато, плътността f_X(x) е производната на F_X(х) (в класическия или разпределителен смисъл). Обратно, F се получава чрез интегриране на плътността: F(x) = ∫_−∞^x f(t) dt. Плътността описва как е концентрирана вероятността. около различни стойности, което позволява P[a ≤ X ≤ b] да се изчисли като ∫_a^b f(x) + dx.

Трансформации на случайни променливи

Ако Y = g(X) с g, измеримо по Борел, И това е също случайна променлива върху същото базово пространство, тъй като композицията на измеримите функции на Борел е измерима. Отново, това ни позволява да преминем от разпределението на X към това на Y: F_Y(y) = P[g(X) ≤ y]. Струва си да се отбележи, че ако g не е строго нарастваща или не е глобално обратимо, получаването на плътността на Y изисква да се вземат предвид всички инверсионни клонове на g.

Ако g е обратима и нарастваща, тогава F_Y(y) = F_X(g⁻¹(y))Ако освен това g е диференцируема, плътността удовлетворява f_Y(y) = f_X(g⁻¹(y)) · |d(g⁻¹(y))/dy|. Когато g не е инжективно но за всяко y има краен брой прообрази x_i, формулата е обобщена af_Y(y) = Σ_i f_X(x_i) · |dx_i/dy|, където x_i = ж^-1_i(y). Тази сума добавя приноса на всеки клон, който се изобразява в y.

Пример за трансформация: квадрат на нормала

Да предположим, че X ∼ N(0, 1), с плътност f_X(x) = (1/√(2π))·e^−x²/2Ако дефинираме Y = X², всяка стойност y ≥ 0 има два прообраза: x = ±√y. Прилагайки формулата с два симетрични клона, f се получава_Y(y) = (1/√(2π y))·e^−y/2 за y > 0, yf_Y(y) = 0 за y ≤ 0. Това е плътността на χ² с 1 степен на свобода (еквивалентно на гама с форма 1/2 и мащаб 2).

Ако разгледаме кумулативното разпределение на Y, За y < 0 вероятността е 0За y ≥ 0, F_Y(y) = P[−√y ≤ X ≤ √y] = F_X(√y) − F_X(−√y), където F_X Това е стандартната норма на FDA. Този пример илюстрира двата допълващи се подходаработа с плътности (промяна на променлива) или с кумулативни разпределения.

Пример за трансформация: от логистичен закон, повдигнат до експоненциална степен

Да разгледаме променлива X с FDA F_X(x) = 1 / (1 + e^−x)^θ, с θ > 0. Дефинираме Y = ln(1 + e^-X). Тогава Y ≤ y е еквивалентно на X ≥ −ln(e^y − 1). Следователно, F_Y(y) = 1 − F_X(−ln(e)^y − 1))Заместване на F_X и опростявайки, стигаме до F_Y(y) = 1 − e^{−θ и}, което е FDA на експоненциална функция с параметър θ. Това е елегантна промяна на променлива което свързва подобрено логистично семейство с експоненциално разпределение.

Очакване, дисперсия и моменти

Очаквана стойност или очаквана стойност E[X] обобщава централната тенденцияАко X е дискретно със стойности x_i и вероятности p(x)_i), тогава E[X] = Σ x_i p(x)_i). Ако X е непрекъснато с плътност f(x), E[X] = ∫_−∞^∞ xf(x) = dx. По отношение на измерването, може да се запише като ∫_Ω X dP, което подчертава абстрактното му определение върху вероятностното пространство.

Дисперсията количествено определя дисперсията: Var(X) = E[(X − E[X])²]Стандартното отклонение е σ = √Var(X) и удовлетворява σ² = Var(X). В непрекъснатите разпределения, множеството от моменти M^(П)_X = E[Xⁿ] може напълно да характеризира закона при подходящи условия. Моментите са свързани с характеристичната функция φ_X(t) чрез φ^(П)_X(0) = iⁿ E[Xⁿ], и с генериращата функция на момента M_X(t) до M^(П)_X(0) = E[Xⁿ]. Тези инструменти кондензират информация полезно за изводи, приближения и сравнение на разпределения.

Практическа класификация и връзка с приложенията

Дискретно срещу непрекъснато Това не е единствената полезна дихотомия: ние също така разграничаваме смесени променливи (с дискретни и непрекъснати части), многомерни променливи (случайни вектори) и променливи с функционални стойности в стохастичните процеси. Това разнообразие отразява сложността на явленията в реалния свят., където категориалните и количествените несигурности често съществуват едновременно.

При моделирането в реалния свят е важно да се помни, че Това, което се наблюдава, е трансформираната променлива X(ω), а не основният елемент ω. Това ръководи избора на мерки, дефинирането на интересуващи ни събития и интерпретацията на резултатите. В инженерството, здравните науки или икономикатаТази перспектива помага за формализиране на хипотези и избор на кохерентни вероятностни модели.

Как да преминем от X към Y = g(X): технически подробности

Обща формулировка: ако g е монотонна и обратима, f_Y(y) = f_X(g⁻¹(y)) · |(d/dy) g⁻¹(y)|Ако g не е монотонно, но всяко y има краен брой корени x_i които проверяват g(x)_i) = y, тогава приносите на всеки клон се сумират: f_Y(y) = Σ f_X(x_i) · |dx_i/ди|. Това правило за промяна на променлива Това е работната машина за извеждане на плътности на често срещани трансформации (степени, логаритми, тригонометрични функции и др.).

Относно измеримостта, композицията на измеримите функции на Борел е измеримо, което подкрепя процедурата Y = g(X). В по-общи контексти с просто измерими функции на Лебег извън рамките на Борел, Съставът може да причини проблеми И са необходими допълнителни условия. Този технически детайл оправдава общото използване на функциите на Борел в статистиката и вероятностите, за да се гарантира добро поведение.

Образователно приложение: възраст и работа на учителите

Описано е разследване на преподавателската дейност на ЕИБ в частни училища в Сан Хуан де Луриганчо с извадка от 54 учители. Анализирани са възрастите, с особен интерес към младата група (X < 29 години), и е налична таблица, която включва честоти, проценти, валиден процент (който отчита липсващите данни) и кумулативен процент. Целта е да се изчисли очакваната стойност и дисперсията. За възрастта на младите учители и за останалите, направете заключения, предложете действия за подобрение и оценете вероятността учителят да е на възраст между 29 и 31 години.

Как да се процедира: ако таблицата с възрасти е групирана по интервали, използва се средната точка на всеки интервал като представител x_i и честотата f_i или процентът, валиден като тегло. За младата група (X < 29), класовете с горна граница по-малка от 29 се филтрират и сумата от честотите се преизчислява, за да представи общата сума за подгрупата. Условното очакване се изчислява като E[X | X < 29] ≈ Σ x_i p_{аз|млад}, а условната дисперсия е Var(X | X < 29) ≈ Σ (x_i −μ_Joven)² стр._{аз|млад}За групата, която не е млада (X ≥ 29), процесът се повтаря с техните класове.

Ако таблицата не е групирана и има специфични възрасти с честоти, тогава E[X] = (1/N) Σ x_i f_i и Var(X) = (1/N)Σ (x_i − μ)² f_iЗа условни версии по подгрупи, N се заменя с размера на подгрупата (N_Joven или Н_{не млад}) и само съответните честоти се сумират. Тази методология точно възпроизвежда дефиницията на очакваната стойност и дисперсията, адаптирана към реални данни със или без групиране.

Какво можем да заключим от тези резултати? Ако E[X | X < 29] е значително по-малко и Var(X | X < 29] е намалено, Младата група има ниска и хомогенна средна възрастАко други показатели също показват по-добро представяне в класната стая за X < ​​29, младежите биха могли да бъдат свързани с определени настоящи практики в класната стая или с по-голяма адаптация към активни методологии. Причинно-следствените изводи обаче изискват предпазливост.Препоръчително е да се провери опитът, обучението, достъпът до ресурси и стиловете на лидерство в центъра.

Действия за подобряване на производителността и постиженията: (1) целенасочено продължаващо обучение в ефективни методологии (активно обучение, формиращо оценяване, качествена обратна връзка); (2) кръстосано менторство между младши и по-опитни учители за споделяне на иновации и стратегии за управление на класната стая; (3) общности от практикуващи с цикли на наблюдение от страна на колеги и подобрение; (4) достъп до образователни ресурси и технологии с техническа поддръжка; и (5) мониторинг с индикатори ясни показатели за напредъка на учениците, свързващи данните за представянето с педагогическите решения.

Каква е вероятността учителите да са на възраст между 29 и 31 години? Ако таблицата показва честоти по възраст или фини интервалиПросто добавете честотите на 29, 30 и 31 (или интервала [29,31]) и разделете на общия брой от 54 учители или на общия валиден брой, ако има загуби. Ако таблицата използва широки интервали (например [28,32]), Може да се интерполира пропорционално Ако приемем равномерно разпределение в интервала: P(29–31) ≈ (дължина на подинтервала)/(дължина на интервала) × (честота на интервала)/N. Ако имаше правдоподобно съответствие с непрекъснато разпределение, Друг вариант би бил да се интегрира плътността коригирано между 29 и 31. Без конкретните данни не може да се даде число, но процедурата е както е описана.

Бележки и връзки с други понятия

Референтни разпределения Биномиалното и нормалното разпределение са парадигматични примери съответно за дискретни и непрекъснати променливи. Изучаването на вероятностните разпределения, очакваните стойности и дисперсиите формира основата на въвеждащите курсове. В напреднали статистически изводи Появяват се понятия като Фишърова информация, която количествено определя колко информация за даден параметър носи едно случайно наблюдение и е от основно значение за ефективността на оценките и границите на Крамер-Рао.

Отвъд теорията, галерии и академични ресурси Те помагат за визуализиране на концепции и разширяване на изследването. Има хранилища с графични материали за случайни променливи и богата библиография, която се задълбочава в основите и приложенията. Тези опори са ценни да се затвърди разбирането и да се свърже с реални проблеми.

PDF ресурси за допълнителна информация (външна връзка)

Някои отворени и справочни материали които се задълбочават в дефиницията и свойствата на случайните променливи и разпределения:

• Тема: Случайни променливи (ULPGC)
• Статистика II – Тема 2 (UGR)
• Курс по вероятности – Тема 3 (UC3M)
• Дефиниция на случайна променлива (UGR)
• Случайна променлива (СПП)
• Справочни глави по вероятности и статистика

Нека обобщим концептуалната архитектураСлучайната променлива е измерима функция, която преобразува резултатите в числа; нейното кумулативно разпределение и, в непрекъснатия случай, нейната плътност, напълно кодират нейното поведение; диапазонът маркира възможните стойности; трансформациите позволяват конструирането на нови променливи; а обобщени величини като очакване, дисперсия и моменти синтезират ключови характеристики. С тези основиПримерите (от монети до валежи или епохи) са анализирани с уникален език, който свързва теорията и практиката.